李 晴 董霙達 司麗潔 徐 威 廖瑞姬 多化瓊

（內蒙古農業(yè)大學材料科學與藝術設計學院，內蒙古 呼和浩特 010018）

20世紀60年代，第五次信息技術革命興起，我國步入信息化時代。由于現(xiàn)代計算機技術的進一步發(fā)展，數(shù)字圖像處理技術逐漸運用到木材科學的不同領域[1-2]，致力于解決缺陷識別中存在的問題。在不斷的改進創(chuàng)新下，數(shù)字圖像處理技術在木材科學中發(fā)展到了一個新高度。

木材本身因素、工藝流程或加工設備都會導致缺陷的產生[3]，如節(jié)子、蟲害、裂紋、腐朽、變色、鋸解干燥過程形成的缺陷等。將圖像處理技術廣泛應用到木材缺陷處理中，可提高識別的精準性及實時性，減輕人工的壓力，同時節(jié)約生產成本[4]。數(shù)字圖像處理主要包括低級、中級和高級三個層次[5]，分別對應木材缺陷識別過程中的圖像采集和增強、圖像分割和特征提取以及識別。

本文從數(shù)字圖像處理技術出發(fā)，總結圖像預處理、圖像分割、圖像缺陷特征提取與識別在木材缺陷方面的研究進展，以期推動數(shù)字圖像處理技術在木材缺陷識別中的廣泛應用。

1 數(shù)字圖像技術對木材圖像的預處理

在復雜多變的工廠內操作時，由于設施、環(huán)境等方面的影響，圖片檢測易受到眾多不確定因素影響，如光照不均勻導致圖像灰度過于集中、攝像頭獲取圖片或傳遞時產生噪聲污染，導致木材檢測效果差。為解決此類問題，研究人員以數(shù)字圖像處理技術為基礎，對圖像進行預先降噪和增強，從而減少噪音對缺陷檢測結果的影響。

1.1 木材缺陷圖像降噪

圖像降噪是計算機視覺和數(shù)字圖像處理領域的重要任務[6]，其原理是在不破壞圖像細節(jié)特征的前提下，對圖像中的噪聲進行去除。當木材圖像摻雜噪音影響圖像的清晰度時，圖像降噪便成為圖像預處理中不可或缺的操作。

均值濾波算法簡易，對高斯噪聲效果顯著，易造成細節(jié)缺失及邊緣模糊，直接導致圖像分割失敗。中值濾波在選擇合適的滑窗前提下，較容易去除部分孤立噪聲，能夠保留大部分的邊緣信息，對濾除脈沖噪聲比較有效。高斯濾波調用一個二維離散的高斯函數(shù)去除噪聲，使其保留更多的邊緣細節(jié)，圖像更為清晰，平滑效果也更加柔和。雙邊濾波濾除噪聲、平滑圖像的同時，又做到邊緣保護。小波變換去噪同時保留圖像的頻率和空間信息，但方向性差，僅能獲取部分方向信息[7]。范增明[8]對比了均值濾波、高斯濾波、中值濾波及雙邊濾波在木材缺陷圖像中濾波效果，發(fā)現(xiàn)雙邊濾波平滑圖像的同時，能夠較為完整的保存邊界信息，去噪效果更優(yōu)。許多學者結合經典圖像去噪算法的優(yōu)缺點，進行了算法的結合與改進。高欣欣等[9]以傳統(tǒng)均值濾波為基礎，提出迭代均值濾波的方法，明顯改善了圖像重構的質量。屈正庚[10]等將傳統(tǒng)中值濾波改進為自適應加權中值濾波算法，根據(jù)圖片中噪聲的大小對濾波模板尺寸進行調整，增強了去噪效果。彭姝姝等[11]將均值濾波與小波變換進行結合，不僅降低了噪聲，還較好保護了圖像細節(jié)。楊贊偉等[12]結合均值濾波及泊松核改進的雙邊濾波圖像降噪算法，提高了降噪精度，防止信息丟失，且保持了邊緣及細節(jié)信息。

1.2 木材缺陷圖像增強

圖像增強可以突出圖像中感興趣的區(qū)域，提高信息可讀性，木材缺陷圖像增強中常采用小波變換、直方圖均衡化、Gamma校正及基于Retinex理論的圖像增強等。小波變換可以較好地用頻率表示某些特征的局部特征，但增強過程中會放大噪聲，信噪比較低。因此，需要結合木材圖像的特點對傳統(tǒng)增強算法進行創(chuàng)新升級。秦彥平等[13]提出將小波變換與雙三次插值算法融合應用于木材節(jié)子圖像增強，提高清晰度和對比度，更大程度上保留邊緣細節(jié)信息。為解決均值漂移及亮度過暗的情況，丁安寧[14]提出了一種基于非線性權重調整的Gamma校正算法（Adaptive Gamma Correction，AGC），將對比度和亮度增強函數(shù)修正為連續(xù)函數(shù)，發(fā)現(xiàn)AGC能夠有效增強位于邊界附近的缺陷圖像。此外，研究者還將人工多重曝光融合算法（Artificial Multiple-Exposure Image Fusion，AMEF）與AGC算法相結合，融合兩者優(yōu)點，發(fā)現(xiàn)缺陷圖像的視覺質量得到了顯著改善，缺陷部分和細節(jié)部分清晰可見。Liu等[15]將結合注意力機制與Retinex圖像增強算法結合，更好地均衡圖像的整體亮度，保留了更多的圖像細節(jié)和顏色信息?，F(xiàn)階段而言，增強圖像的各項指標達到最優(yōu)化難以實現(xiàn)。因此，需要在不同的環(huán)境中根據(jù)需求選擇合適的算法，從而增強效果。

2 圖像分割

圖像分割是圖像處理到圖像分析的一個重要步驟，是木材進行缺陷識別的基本前提步驟。其過程是按照獨特的性質（如灰度值、空間紋理、幾何形狀、RGB值等），把圖像劃分成若干區(qū)域，將感興趣的目標區(qū)域進行提取的過程[16]。圖像分割的兩個基本原則為不連續(xù)性與相似性。當前，相對熱門的圖像分割方法有傳統(tǒng)的分割方法，如基于閾值、邊緣和聚類的圖像分割方法等，以及基于深度學習的圖像分割方法[17]。

2.1 傳統(tǒng)的圖像分割方法

2.1.1 基于閾值分割算法

基于閾值分割算法是目前最為常用的圖像分割方法之一，具有操作簡單、時效性強等優(yōu)點。同時，對于圖像缺陷和背景差異較大的圖片可以得到較好的分割效果。此方法只研究圖像本身的灰度值，而不考慮自身語義及空間等特征信息，容易受到噪聲的干擾。因此，在實際的木材缺陷分割應用中，基于閾值的分割方法通常結合其他分割方法使用。李健[18]提出被囊群體算法與模板匹配結合的閾值分割算法，迭代計算得到全局最優(yōu)解，利用泊松分布作為目標函數(shù)，得到的木材活節(jié)圖像分割效果最好。當木材缺陷與背景色彩紋理相似時，則分割效果不理想。針對此類問題許多學者開展了探討，王映月[19]結合二維交叉熵閾值分割算法與改進的緞藍園丁鳥優(yōu)化算法（SBO），發(fā)現(xiàn)該算法可以高效地區(qū)分木材缺陷與背景色彩紋理。

2.1.2 基于聚類的圖像分割方法

聚類算法依據(jù)圖像的像素點，通過某種特定的聚類算法將像素點聚集到同區(qū)域，通過反復迭代聚類，當結果收斂時將所有像素點聚集于不同區(qū)域，實現(xiàn)區(qū)域分割[20]。常見的聚類算法可歸納為三種，分別是基于距離、密度和連通性的算法。K-means算法的數(shù)據(jù)相似性衡量方式是通過計算距離。由于初始聚類中心具有隨機性，所以僅適用于樣本體量較小，且特征點不多的分割圖像，應用于實際分割任務中時需求復雜[21]。K-means算法分割技術不斷優(yōu)化，程昱之[22]改進了K-Means聚類與水平集的算法，并應用于木材橫截面管孔分割，分別用這兩個算法進行粗分割與精分割，其準確率提高了1.7%。均值漂移（Mean Shift）算法是傳統(tǒng)的非參數(shù)的聚類算法，當缺陷中心數(shù)量未知的情況時，仍能對任何形態(tài)的缺陷進行聚類，并對初始化具有魯棒性，而且可以處理灰度、彩色、復雜及高分辨率的圖像數(shù)據(jù)。韓俊等[23]證明此算法對噪聲點不敏感，當搜索到的模點過多且較近時不易導致過分割現(xiàn)象，能夠適應大多數(shù)場景的圖像分割任務。

2.2 基于深度學習的圖像分割方法

傳統(tǒng)的圖像分割方法通過圖像表層的特征信息為前提進行分割，以大量語義信息來進行分割任務則不實用，實際應用到木材缺陷分割中時往往比驗證環(huán)節(jié)更加復雜。傳統(tǒng)方法提前預設分割規(guī)則，在一些細節(jié)處不能靈活地根據(jù)圖像特征進行變通和調整，這導致傳統(tǒng)的無監(jiān)督分割方法的效果不理想。隨著深度學習的不斷發(fā)展以及在木材缺陷識別領域逐步引入，深度卷積神經網(wǎng)絡在圖像分割領域取得了巨大進展，實現(xiàn)了從粗糙到精細、從局部到全局的歷程。通過語義分割提高木材缺陷圖像識別，可以更好的適應多變的工廠環(huán)境。提出基于深度學習圖像的語義分割方法，提高了分割的穩(wěn)定性和精確性[24]?；谏疃葘W習的經典分割方法主要包括FCN網(wǎng)架、Mask R-CNN架構、SegNet網(wǎng)絡、DeepLabV架構、DeepMask架構、U-Net 架構等，本文主要介紹使用頻率較高的4種方法。

1）FCN網(wǎng)架構是應用于語義分割的深度學習中重要的模型，完全實現(xiàn)全卷積神經網(wǎng)絡在像素級預測任務上的端對端訓練。打破常規(guī)尺寸的壁壘，可對任意大小的圖片進行處理，也防止重復存儲和計算卷積的情況，提高效率。嚴飛等[25]通過只采用全卷積對活節(jié)、死節(jié)、蟲洞進行研究，驗證了FCN框架在木材缺陷分割的可行性。

2）Unet是由FCN衍生而來卷積神經網(wǎng)絡模型，嚴飛[25-26]挑選出合適的網(wǎng)絡結構和閾值等參數(shù)，將改進的 Unet 模型與像素閾值結合應用于木材缺陷圖像分割，發(fā)現(xiàn)木材缺陷圖像分割時，激活層通道灰度圖的分割效果優(yōu)于卷積層。

3）SegNet網(wǎng)絡是一種用于語義像素級分割的深度全卷積神經網(wǎng)絡結構，在時間和內存方面保持良好性能。針對其具有效率低、精度低等問題，Ling等[27]提出了ResNet 的改進方案，具有更強的泛化能力，在活結、死結、蟲洞等缺陷識別中的效果突出，相比于傳統(tǒng)的卷積神經網(wǎng)絡，其準確率由80%提升到了97%。

4）Mask R-CNN架構是實例分割算法中使用頻率最高且效率最高的分割算法。通過對Faster-R-CNN進行改進，添加Mask預測分支，能夠實現(xiàn)像素級別的分類，將目標檢測擴展到實例分割。其中，分類與分割可以同時進行，該算法是實例分割領域的優(yōu)選。高愛等[28]對Mask R-CNN算法深入分析，研究改進策略來增強其分割精度。研究發(fā)現(xiàn)，對于易出現(xiàn)特征提取不完全的問題，可加入注意力機制和替換特征提取網(wǎng)絡對其進行改進。對于提取結果中目標邊緣粗糙的問題，可加入新的分支實現(xiàn)對邊緣特征和空間特征的提取，新分支與原Mask分支相互融合作用，從而實現(xiàn)對目標信息的充分提取。對于訓練過程中的學習優(yōu)化的問題，可通過梯度下降算法以及學習率衰減策略，使網(wǎng)絡模型達到更好的訓練效果。

3 木材缺陷特征提取

圖像分割后進行圖像特征的描述，運用數(shù)字圖像技術對數(shù)字圖像特征提取，很大程度提高圖像識別的準確率。常見的特征提取算法有BRIEF算法[29]、SIFT算法[30]、SURF算法[31]、Harris算法[32]、FAST算法[33]、ORB算法[34]、LBP算法[35]等，其優(yōu)缺點及特征檢測方式如表1所示。

表1 木材缺陷特征提取算法比較Tab.1 Comparison of wood defect feature extraction algorithms

結合算法的優(yōu)缺點，許多學者進行了針對木材特征提取的研究。鄧正巖[36]分析了不同種類缺陷的外形特征與紋理特征，提出了基于改進SURF算法與Tamura紋理特征相結合的方法，并通過試驗驗證了該算法的有效性與實效性。 Rahillda[37]等對4種不同的LBP進行木材缺陷特征提取，分別為基本、旋轉不變、均勻和旋轉不變均勻的LBP，并進行特征集創(chuàng)建，通過多種分類器識別，發(fā)現(xiàn)均勻LBP結合ANN分類器的性能最好。李紹麗[38]等結合LBP與韋伯定律建立了LB_DEP直方圖，反映出圖像紋理結構位置與差異激勵關聯(lián)關系，將LBP和LB_DEP直方圖鏈接，再通過PCA進行數(shù)據(jù)降維，得到特征向量的方法稱為“H-PCA”法，將LBP和LB_DEP直方圖與卡方距離測度方法相結合，分別提取兩者的“直方圖-卡方”特征，并鏈接起來形成特征向量的方法稱為“H-chi-square”法。將本文中兩個改進算法統(tǒng)計計算后與LBP+SIFT[39]和LBP+GLCM[40]特征算法對比，發(fā)現(xiàn)H-PCA 算法特征提取準確率較高。

數(shù)字圖像處理技術被引入木材缺陷特征提取后，根據(jù)木材缺陷的特點與特征值的選取，融合創(chuàng)新出更高效的特征提取新算法，特征提取的召回率、精確率穩(wěn)步提高同時運行時間逐步縮減。

4 基于數(shù)字圖像處理的木材缺陷識別

完成數(shù)字圖像缺陷預處理、分割以及特征提取后，需要根據(jù)木材缺陷的特點選取合適的分類算法。目前最流行的圖像識別機器學習模型包括支持矢量機（SVM）、人工神經網(wǎng)絡（ANN）和卷積神經網(wǎng)絡（CNN）。

1）SVM是一種線性分類器，因其具有較強的推廣能力和泛化能力，在機器學習中占據(jù)重要地位。此方法僅適用于解決小樣本情況下的機器學習，對于大規(guī)模訓練樣本難以實施，因而許多學者致力于對該問題的研究。Huang等[41]將高斯混合模型（GMM）和SVM結合作為分類識別算法，對共振板進行分類識別，克服了SVM面對海量數(shù)據(jù)時識別率下降的問題。徐梓敬等[42]通過遺傳算法（GA）優(yōu)化權值和閾值，再通過SVM算法訓練，實現(xiàn)了木材內部缺陷圖像的識別。莊前偉[43]發(fā)明公開了一種基于改進鯨魚算法優(yōu)化SVM的缺陷識別方法,依據(jù)特征矩陣建立SVM分類模型,并使用改進鯨魚算法對SVM進行調參,得到全局最優(yōu)解賦值給SVM模型訓練,缺陷識別準確率高。

2）ANN是人工智能領域研究的熱點話題，應用在木材缺陷識別中最廣泛的是BP神經網(wǎng)絡模型，具有簡單、適用廣泛、學習效率高等優(yōu)點，是多層前向網(wǎng)絡優(yōu)勢算法。牟洪波等[44]將模糊數(shù)學與BP神經網(wǎng)絡相結合，設計出了模糊BP神經網(wǎng)絡（FBP），并采用最大隸屬度方法對特征向量進行模式識別，進而實現(xiàn)了木材缺陷自動識別和分類，同時該神經網(wǎng)絡對木材缺陷的識別準確率較高。王福偉等[45]發(fā)明一種基于神經網(wǎng)絡的木材缺陷檢測方法，解決了神經網(wǎng)絡進行缺陷識別時不能進行分割的問題。

3）CNN是一類包含卷積計算且具有深度結構的前饋神經網(wǎng)絡，廣泛應用到數(shù)字圖像識別中，識別效率和效果相較于傳統(tǒng)識別手段有明顯提高?；贑NN的目標檢測算法主要分為One-stage和Two-stage兩類[46]，其典型代表算法及優(yōu)缺點如表2所示。

表2 兩類CNN的目標檢測算法Tab.2 Target detection algorithms for two types of CNN

為解決傳統(tǒng)SSD算法在實木板材表面缺陷檢測工作中存在缺陷定位與分類精度不高的問題，丁奉龍[47]將Dense Net121網(wǎng)絡引入，在采用密集殘差學習的思想避免特征圖信息丟失的同時又增加了網(wǎng)絡的深度，從而獲得更深層次的信息，使平均精度值提高至96.1%。魏智峰等[48]將一種輕量級的深層神經網(wǎng)絡MobileNet與SSD算法結合，使用Inception網(wǎng)絡附加到多個特征映射上，構建SSD-MobileNet算法模型用于人造板缺陷檢測，以提高區(qū)分不同缺陷的能力。石佳浩[49]通過對R-CNN、Fast R-CNN、Faster R-CNN及Mask R-CNN經典目標檢測算法優(yōu)劣及實際對比分析，選擇Mask R-CNN算法為研究模型，并引入神經網(wǎng)絡架構搜索算法，搭建了NAS-Mask R-CNN模型，引入置信度優(yōu)化策略對模型進行優(yōu)化，提高了算法在工程應用中的穩(wěn)定性，同時提出多通道選擇優(yōu)化策略，對網(wǎng)絡結構進行優(yōu)化。結果發(fā)現(xiàn)，改進的NAS-Mask R-CNN算法在檢測速度方面較大提升，精確度達到98.7%。He等[50]提出了一種基于深度卷積神經網(wǎng)絡（DCNN）的激光掃描儀采集的木材圖像特征檢測與缺陷自動分類學習方法，其綜合準確率高達99.13 %，僅需1.12 s。

目前，基于數(shù)字圖像處理的木材缺陷識別已有多項發(fā)明專利，李東潔等[51]提出一種基于改進Mask R-CNN的木材缺陷識別和分割方法，使用Momentum優(yōu)化方法，此發(fā)明使用人工智能的方法同時完成缺陷的分類,缺陷的位置檢測和缺陷的輪廓分割，適用于木材工業(yè)加工線對木材缺陷的快速處理。王寶剛等[52]提出一種基于改進YOLOv3模型的木材缺陷檢測方法，本發(fā)明是為了解決現(xiàn)有缺陷檢測方法對缺陷識別的泛化能力差，模型計算量大,識別效率和精度低，難以工業(yè)使用的問題[53-56]。

5 結語

數(shù)字圖像處理技術在木材缺陷的識別中得到廣泛應用和發(fā)展，自動化與智能化逐步代替人工，不僅提高了執(zhí)行效率及準確率，也提高了木材加工企業(yè)的經濟效益。數(shù)字圖像處理技術必將成為未來研究和發(fā)展的熱門話題，當前數(shù)字圖像處理技術在木材缺陷識別的理論研究和實際應用中取得突破性進展，但仍存在問題限制發(fā)展，需在以下幾個方面有所突破：

1）提高木材缺陷檢測的準確性及實時性。一方面要增強硬件設備性能，防止設備及信息傳輸問題產生噪音對識別效果造成的干擾；另一方面要加快算法的創(chuàng)新升級，提高算法的旋轉不變性、模糊復原性以及識別準確性。

2）提高木材缺陷識別的準確率。木材缺陷圖像采集時易受到光照、霧氣及噪聲等多種因素干擾，造成數(shù)字圖像信息呈現(xiàn)不清晰。因此，構建木材缺陷識別系統(tǒng)時要考慮其穩(wěn)定性以及魯棒性，從而減少外界因素對圖像質量的影響。

3）增進不同方法之間的融合互補。木材品類多種多樣，在生產中可能出現(xiàn)的缺陷也形態(tài)各異，基于不同方法得到了圖像增強、分割、特征提取、識別算法準確率等，其互通互補性還有待進一步加強。