随着碳中和和碳达峰目标的提出,提高林业智能化水平成为双碳目标的一大支撑。木材的径级和材积测量是林业智能化的重要方向,企业长久以来大量使用的人工检尺方法,效率较低、主观性较强且劳动强度大。随着图像处理技术的发展,木材图像检尺成为可能。但在实际木材货场中,对于密集车载的木材径级测量,受木材端面遮挡、轮廓边界粘连、树芯颜色偏差等因素的影响,木材检测率、轮廓分割精度、检尺效率等陷入瓶颈。此外,现阶段国家林业局积极推动林业人工智能发展。因此,本文围绕人工智能图像分割、木材轮廓拟合、密集车载木材的径级和材积测量等重难点问题展开深入研究。主要工作如下:首先,构建木材图像数据集。应用龙门架图像采集系统和手机相机在某林业上市公司木材生产现场进行大量木材图像采集;利用Labelme工具完成木材轮廓标注;基于CLo DSA库实现木材图像和对应标注信息的同步数据增强,为模型训练提供丰富图像数据。其次,设计了WM R-CNN（Wood Mask R-CNN）木材端面实例分割模型。WM R-CNN以Mask R-CNN（Mask Region-based Convolutional Neural Network）算法为基础网络框架,为提高原始算法的木材检测基础综合性能,在Backbone网络中分别使用Res2Net模块和PAFPN（Path Aggregation Feature Pyramid Network）结构改进了原始算法的Res Net结构和FPN（Feature Pyramid Network）结构;同时针对原始算法对密集小木材的严重漏检问题,提出了小木材检测增强（Small Wood Detection Enhancement,SWDE）的模型优化训练方法。针对WM R-CNN模型,本文设计多组对照实验,验证了WM R-CNN在分割精度、掩码分割质量和木材真检率上的巨大改善,在整个测试集上,木材真检率达到98.58%。最后,设计了基于Aruco码的木材材积测量算法。针对最小二乘椭圆拟合算法对不完整木材轮廓还原度欠佳问题,设计了结合不变矩和最小二乘法的木材轮廓椭圆拟合算法。将Aruco码作为辅助标志物用于二维图像木材端面尺径测量和材积测量,并基于灰度增强原理改进了原始Aruco码角点检测算法,确保对Aruco码角点检测的高鲁棒性;再根据Aruco码的角点坐标计算图像测量参数并实现对木材图像的透视变换,接着结合木材轮廓拟合椭圆信息,实现木材端面尺径测量和材积测量。本文设计多组对照实验,双Aruco码木材材积测量方法的平均材积综合误差率为1.14%,验证了该方法的有效性和适用性。所设计的木材材积自动测量系统在木材货场的实验结果与专业检尺员的检尺数据相比,尺径测量平均误差小于5毫米,材积测量误差率小于2%,木材径级检测和材积测量结果符合国家标准和要求,且检测效率大幅提高,证明了本文方法具有较高的使用价值。