司麗潔 高 凡 丁安寧 多化瓊

（內(nèi)蒙古農(nóng)業(yè)大學(xué)材料科學(xué)與藝術(shù)設(shè)計學(xué)院，內(nèi)蒙古 呼和浩特 010018）

在木材生產(chǎn)加工過程中，木材缺陷是影響木材及木制品商品價值和實用價值的主要因素，包括天然缺陷和加工缺陷[1-2]。我國木材原料使用率低，浪費(fèi)嚴(yán)重，木材缺陷檢測效率低是造成這一問題的重要原因[3]。因此，提高木材缺陷的檢測率就能有效提高木材的使用率。目前，通常采用計算機(jī)輔助目測技術(shù)、圖像處理和神經(jīng)網(wǎng)絡(luò)相結(jié)合的方式提高木材缺陷檢測的準(zhǔn)確率[4]。

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network, CNN）研究開始于20世紀(jì)80年代，是一類包含卷積計算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)，是深度學(xué)習(xí)的代表算法之一[5]。卷積神經(jīng)網(wǎng)絡(luò)技術(shù)為木材缺陷圖像自動檢測提供了有力的工具。近年來，隨著計算機(jī)技術(shù)的不斷發(fā)展，CNN在處理圖像的速度和精確度等方面不斷提高。一方面，CNN可以直接對原始圖像進(jìn)行學(xué)習(xí)，避免了傳統(tǒng)人工提取特征參數(shù)[6]；另一方面，CNN特征提取可以和圖像分類同時進(jìn)行，解決了網(wǎng)絡(luò)冗余的問題。

1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)可以直接識別原始圖像，需要預(yù)處理的工作非常少[3]。卷積神經(jīng)網(wǎng)絡(luò)是一個前饋神經(jīng)網(wǎng)絡(luò)，使用該網(wǎng)絡(luò)可以避免大量計算、復(fù)雜參數(shù)設(shè)置、結(jié)構(gòu)信息丟失等問題[6]。CNN通過最大池化采樣、權(quán)重共享等，善于挖掘數(shù)據(jù)局部特征，提取目標(biāo)的特征值，具有極強(qiáng)的適應(yīng)性，常用于復(fù)雜多樣環(huán)境下的目標(biāo)檢測和圖像識別分類等[7]。

1998年，研究者使用LBP算法設(shè)計并訓(xùn)練得到了LeNet-5模型[6]，隨后涌現(xiàn)出了VGG-16、VGG-19、ResNet、GoodleNet等模型。這些模型通過不斷地迭代優(yōu)化，模型的訓(xùn)練速度及準(zhǔn)確率都得到了提高。為了優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)模型，增加卷積層的功能，減少網(wǎng)絡(luò)的參數(shù)，GoodleNet的Inception模塊、ResNet的殘差連接結(jié)構(gòu)相繼被提出。經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)模型如表1所示。

表1 經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)模型Tab.1 Classical convolutional neural network model

2 卷積神經(jīng)網(wǎng)絡(luò)在木材缺陷識別預(yù)處理中的應(yīng)用

木材在生長過程中會不可避免地因先天或后天原因產(chǎn)生節(jié)子、變色、腐朽、蟲害等缺陷，同時在木材生產(chǎn)加工過程中也會產(chǎn)生缺陷。這些缺陷會不同程度地影響木材的力學(xué)性能和表面美觀，降低了木材的商品價值和使用價值[14]。針對這一問題，研究者根據(jù)不同的場景將CNN與新方法相結(jié)合進(jìn)行研究，取得了豐富的成果。

2.1 木材缺陷圖像分割

圖像分割是木材缺陷識別檢測的前提之一，分割質(zhì)量直接影響木材自動化識別的效果[15]。目前傳統(tǒng)的分割方法包括閾值分割、圖論圖像分割法等，但這種分割效果有限。之后，研究者基于特定工具與基因編碼、模糊理論和主動輪廓模型相結(jié)合，改善了分割效果，但仍存在局限性。表2列出了傳統(tǒng)圖像分割方法的優(yōu)缺點(diǎn)。

表2 傳統(tǒng)圖像分割方法Tab.2 Traditional image segmentation methods

研究者們又提出了基于CNN的語義分割，圖像分割效果增強(qiáng)，具有良好的容錯能力，但是計算難度增大、圖像分割邊界仍模糊。CNN圖像分割方法如表3所示。

表3 CNN圖像分割方法Tab.3 CNN image segmentation methods

陳獻(xiàn)明[16]結(jié)合NL-Means方法和線性濾波對圖像增強(qiáng)后，再通過橢圓擬合方法實現(xiàn)對木材缺陷圖像精細(xì)分割，降低了噪聲對缺陷圖像分割的影響。Zhang等[17]將主成分分析法運(yùn)用到神經(jīng)網(wǎng)絡(luò)中來檢測人造板中的缺陷。除此之外，還有研究者將數(shù)學(xué)形態(tài)法結(jié)合LOG算子和CNN網(wǎng)絡(luò)對木材表面缺陷進(jìn)行定位，提取缺陷圖像。通過Adaboost級聯(lián)分類器提取木材缺陷區(qū)域，再使用CNN網(wǎng)絡(luò)對木材表面缺陷進(jìn)行分類[18]，檢測準(zhǔn)確率提高，但占用內(nèi)存大，對數(shù)據(jù)集較大圖像的分割效果不顯著。

為了防止圖像出現(xiàn)過分割或欠分割現(xiàn)象，Huang等[19]通過Mask R-CNN模型對圖像進(jìn)行分割，根據(jù)圖像分割結(jié)果提取輪廓的面積、周長等參數(shù)生成特征向量，通過構(gòu)建支持向量機(jī)模型識別缺陷，分類精確率超過了86.5%。HE[20]又提出了一種Mix-Fully CNN網(wǎng)絡(luò)的圖像分割方法，用來定位和分割木材缺陷。

為了同時定位和分割缺陷圖像，獲得良好的分割效果，研究者提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的實例分割。張旭中等[21]引入深度學(xué)習(xí)機(jī)制，利用卷積神經(jīng)網(wǎng)絡(luò)和雙重Q網(wǎng)絡(luò)機(jī)制對圖像進(jìn)行精細(xì)分割，獲得了最佳的預(yù)想實例分割質(zhì)量。Wang等[22]使用GAN擴(kuò)展數(shù)據(jù)集，并使用Mask R-CNN定位和分割缺陷，分割效果好，但是缺陷的類別不平衡且容易忽略圖像的空間信息。為了減少圖像信息的丟失，Mask R-CNN算法被進(jìn)一步改進(jìn)[23]，如混合空洞卷積思想，強(qiáng)化了樣本細(xì)節(jié)，降低了過擬合風(fēng)險，有效地提高了圖像分割的準(zhǔn)確率。

將Mask R-CNN網(wǎng)絡(luò)、Faster R-CNN網(wǎng)絡(luò)進(jìn)行優(yōu)化改進(jìn)后分割木材缺陷，可以提高算法的容錯率，增強(qiáng)圖像的分割效果，但是需要大量的樣本，且當(dāng)目標(biāo)發(fā)生位移或者像素值發(fā)生變化時，分割效果差。研究者應(yīng)該提高木材缺陷分割技術(shù)手段，提高算法的精確性，分割出較清晰的缺陷圖像。

2.2 木材缺陷的特征提取

特征提取是木材缺陷識別的關(guān)鍵，對提高木材缺陷識別準(zhǔn)確率非常重要。主要的圖像特征提取方法包括稠密尺度特征變換、局部二值模式等。這些方法主要是對單一特征進(jìn)行提取，需要降維處理，計算復(fù)雜。

Cheng等[24]基于CNN網(wǎng)絡(luò)構(gòu)建LeNet模型對圖像進(jìn)行特征提取，解決了模型復(fù)雜程度高、人為提取缺陷特征不足等問題，且辨別時間短。針對傳統(tǒng)方法人工提取特征的復(fù)雜性，可利用Faster RCNN網(wǎng)絡(luò)中的RPN（Regio Proposal Network）網(wǎng)絡(luò)獲得缺陷區(qū)域，再進(jìn)行特征提取，該方法速度較快，但是計算量大[25]。He等[26]提出了一種基于DCNN網(wǎng)絡(luò)，采用Tensor Flow方法對木材缺陷圖像自動進(jìn)行特征提取和識別的方法，檢測速度快。

CNN可以自動提取圖像深層特征，避免了復(fù)雜的人工特征提取，但是CNN特征提取計算量大，容易出現(xiàn)過擬合現(xiàn)象。目前，常采用遷移學(xué)習(xí)、對抗學(xué)習(xí)、稀疏編碼與卷積神經(jīng)網(wǎng)絡(luò)結(jié)合的方法對圖像進(jìn)行特征提取。

3 卷積神經(jīng)網(wǎng)絡(luò)在木材缺陷識別中的應(yīng)用

木材缺陷一般包括生長缺陷、生物危害缺陷和加工缺陷三類。隨著研究的不斷深入，卷積神經(jīng)網(wǎng)絡(luò)技術(shù)不斷應(yīng)用到圖像識別中，并取得了巨大的進(jìn)步，圖像識別效率和識別效果相較于傳統(tǒng)識別手段改善明顯。

Gao等[27]將ResNet-18與遷移學(xué)習(xí)方法相結(jié)合對木材缺陷進(jìn)行識別，識別準(zhǔn)確率達(dá)到了99.02%。CNN網(wǎng)絡(luò)的分類識別效果好，但是識別速度慢，參數(shù)量大。各類CNN圖像識別方法比較如表4所示。

表4 CNN圖像識別方法Tab.4 CNN image recognition methods

劉佳美等[28]采用電阻層析成像獲取電導(dǎo)率波信號，通過小波變換方法提取特征向量，利用思維進(jìn)化算法優(yōu)化權(quán)值，然后再通過BP神經(jīng)網(wǎng)絡(luò)對節(jié)子、腐朽和蟲眼進(jìn)行識別，該模型解決了復(fù)雜組合的優(yōu)化問題。牟洪波等[29]將Hu不變矩與神經(jīng)網(wǎng)絡(luò)相結(jié)合識別木材缺陷，其識別和分類精確率為86%，識別準(zhǔn)確率較低，泛化能力差，沒有取得令人滿意的結(jié)果。

為了提高識別精度，Liu等[30]提出了一種基于SSR的卷積神經(jīng)網(wǎng)絡(luò)模型，可以自動提取圖像特征，減少了計算成本，且識別單個圖像只需26.55 ms，識別時間短。Castellani[31]提出了一種將遺傳算法和卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合的單板識別方法，該方法可有效識別單板表面的單一缺陷，然而很難識別兩種或兩種以上的缺陷。He等[26]提出了一種基于改進(jìn)DCNN的木材缺陷識別方法，并對紅松和樟樹木材進(jìn)行了測試，總體準(zhǔn)確率達(dá)到了99.13%。Urbonas等[32]基于ResNet152 網(wǎng)絡(luò)模型，使用Faster R-CNN識別楊樹單板缺陷，獲得了80.6%的最佳平均精度，準(zhǔn)確率達(dá)到了96.1%。同年又提出了一種混合全卷積神經(jīng)網(wǎng)絡(luò)來識別木材缺陷類型和位置，實現(xiàn)了99.14%的精確度和91.3%的像素精度。然而，由于樣本數(shù)量較少，訓(xùn)練時容易出現(xiàn)過擬合現(xiàn)象。為了提高缺陷圖像的多樣性并平衡樣本分布，避免過擬合現(xiàn)象，Wang等[22]通過漸近式增長生成對抗網(wǎng)絡(luò)（Progressive GAN, PGGAN）擴(kuò)增數(shù)據(jù)集，通過Mask R-CNN網(wǎng)絡(luò)對單板缺陷進(jìn)行識別，與傳統(tǒng)缺陷識別方法相比，該方法建立的模型識別精度更高，精確度到達(dá)了98.4%。Shi等[33]通過構(gòu)建木材單板模型，使用遺傳算法進(jìn)行特征融合，再使用Mask R-CNN對缺陷進(jìn)行識別和定位，識別精確度達(dá)到了98.7%，僅需要2.5 s就可識別缺陷。

綜上可知，基于卷積神經(jīng)網(wǎng)絡(luò)識別木材缺陷，識別準(zhǔn)確率可大大提高，同時縮短訓(xùn)練時間。因此，研究者更需要進(jìn)一步提高網(wǎng)絡(luò)模型的適用范圍，來提高木材缺陷圖像的識別效果。

4 結(jié)語

卷積神經(jīng)網(wǎng)絡(luò)對木材缺陷的識別準(zhǔn)確率高且識別時間短，是未來研究和發(fā)展的主要方向。當(dāng)前，雖然基于卷積神經(jīng)網(wǎng)絡(luò)的木材缺陷識別在理論研究和實際應(yīng)用中取得了突破性進(jìn)展，但仍存在問題和難點(diǎn)，需在以下幾個方面有所突破：

1）木材缺陷的種類繁多且相似復(fù)雜的背景導(dǎo)致了類間差異和類內(nèi)相似度[34]，可通過聚類算法減少該問題的產(chǎn)生。在實際應(yīng)用過程中，采集的圖像易受到光照、環(huán)境、噪音等因素影響，可利用殘差神經(jīng)網(wǎng)絡(luò)消除噪音，提高采集圖像的質(zhì)量，降低外界的干擾。

2）在木材缺陷圖像分割過程中，需要大量的數(shù)據(jù)集，可通過GAN網(wǎng)絡(luò)對數(shù)據(jù)集進(jìn)行擴(kuò)增，解決樣本分布不平衡問題。

3）圖像識別過程中特別依賴圖像分割和特征提取，因而準(zhǔn)確提取圖像的特征值，可以提高木材缺陷識別的準(zhǔn)確率。卷積神經(jīng)網(wǎng)絡(luò)雖減少了許多繁瑣的步驟，但訓(xùn)練時間長，且網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜，因此設(shè)計一種方便高效的木材缺陷特征提取算法是今后研究的重要內(nèi)容。

4）研究更加輕便的模型，減少網(wǎng)絡(luò)參數(shù)，優(yōu)化計算速度是未來研究的關(guān)鍵。