朱詠梅，李玉玲，奚崢皓，盛鴻宇

1. 上海電子信息職業(yè)技術(shù)學(xué)院 繼續(xù)教育學(xué)院，上海 201411；2. 北京科技大學(xué) 自動(dòng)化學(xué)院，北京 100083； 3. 上海工程技術(shù)大學(xué) 電子電氣工程學(xué)院，上海 201620；4. 北京聯(lián)合大學(xué) 機(jī)器人學(xué)院，北京 100101

瑕疵/缺陷檢測(cè)是制造業(yè)的一項(xiàng)重要任務(wù),有助于確保產(chǎn)品的質(zhì)量和防止?jié)撛诘陌踩ｋU(xiǎn).木質(zhì)板材是林業(yè)產(chǎn)業(yè)經(jīng)濟(jì)中最重要的資源型原材料之一,在國(guó)民經(jīng)濟(jì)體系中發(fā)揮著不可或缺的作用[1].在瑞典、芬蘭等森林資源充裕的發(fā)達(dá)國(guó)家,木材綜合利用率高達(dá)90%.與之形成鮮明對(duì)比的是,我國(guó)木材綜合利用率不足60%,造成了嚴(yán)重的資源浪費(fèi)[2].隨著中國(guó)經(jīng)濟(jì)的快速發(fā)展,人們?cè)絹碓阶非蟾咂焚|(zhì)的生活,導(dǎo)致對(duì)木材和木制品的需求增加,如實(shí)木板、人造板、紙和紙板等消費(fèi)水平位居世界前列,隨之而來對(duì)木制品的制造要求也日益嚴(yán)格.然而,現(xiàn)有的木材儲(chǔ)存能力和加工水平使其難以滿足快速增長(zhǎng)的需求.木材供應(yīng)不足和使用率低導(dǎo)致中國(guó)木材工業(yè)發(fā)展受限.在木材加工生產(chǎn)中,木材缺陷會(huì)對(duì)木材品質(zhì)產(chǎn)生很大的影響,而木材品質(zhì)又決定木材及其制品的商品價(jià)值和使用價(jià)值.國(guó)內(nèi)木材原材料綜合使用率偏低的主要原因之一是木材缺陷檢測(cè)效率較低[3]．

近年來,眾多學(xué)者為了提高木材原料綜合使用率,研究并提出了木材缺陷的檢測(cè)方法,如基于3D掃描技術(shù)的木材缺陷定量化分析、鉆入阻抗法檢測(cè)木材缺陷、基于快速算法和LBP(Local Binary Pattern,LBP)算法的木材缺陷識(shí)別等[4-7].這些方法或多或少存在著檢測(cè)設(shè)備成本高、對(duì)實(shí)際檢測(cè)工作環(huán)境要求苛刻等問題,無法大規(guī)模產(chǎn)業(yè)化推廣應(yīng)用.而基于機(jī)器視覺的木材缺陷檢測(cè)技術(shù)既可降低識(shí)別過程中主觀因素的影響,又可擺脫對(duì)特定檢測(cè)設(shè)備的依賴．

文獻(xiàn)[8]提出一種基于修剪決策樹的人造板表面缺陷識(shí)別方法,該方法通過對(duì)已有的人造板缺陷圖像進(jìn)行預(yù)處理和分割,獲取缺陷形狀和紋理特征作為輸入,然后利用成本復(fù)雜度算法對(duì)生成的CART(Classification And Regression Tree,CART)樹進(jìn)行修剪,最終識(shí)別人造板缺陷.文獻(xiàn)[9]提出一種基于近紅外(Near-Infrared Spectroscopy,NIR)光譜和逆神經(jīng)網(wǎng)絡(luò)的木材缺陷識(shí)別方法.此外,Mohsin等[10]應(yīng)用多通道Gabor過濾器和k均值聚類來檢測(cè)木材缺陷的位置和形狀.Riana 等[11]提出一種用于圖像分割的模糊最小-最大神經(jīng)網(wǎng)絡(luò)(Fuzzy Min-Max Neural Network,FMMIS),并使用SVM(Support Vector Machine,SVM)分類器對(duì)各種木材缺陷進(jìn)行分類,準(zhǔn)確率達(dá)到91%.Hu等[12]提出了樹狀結(jié)構(gòu)SVM,用于識(shí)別不同的節(jié)點(diǎn),該方法取得了較高的分類率.然而,SVM 分類器可以對(duì)小樣本產(chǎn)生良好的性能,對(duì)大樣本卻不能.Cho等[13]提出了一種基于主成分分析(Principal Component Analysis,PCA)和壓縮感知的自組織特映射(Self-Organizing Map,SOM)神經(jīng)網(wǎng)絡(luò)識(shí)別某些木材缺陷(死結(jié)、活結(jié)和裂紋)的方法.這種方法是無監(jiān)督聚類方法之一,與傳統(tǒng)聚類方法(如k均值)相比,SOM 神經(jīng)網(wǎng)絡(luò)是一種用于模式分類和數(shù)據(jù)壓縮的神經(jīng)網(wǎng)絡(luò)模型,受網(wǎng)絡(luò)權(quán)重初始化和噪聲數(shù)據(jù)的影響較小,且SOM 神經(jīng)網(wǎng)絡(luò)相較于其他神經(jīng)網(wǎng)絡(luò)模型具有較高的魯棒性,對(duì)數(shù)據(jù)中的小擾動(dòng)和噪聲具有很好的抗干擾能力.然而,當(dāng)數(shù)據(jù)量非常大時(shí)SOM 神經(jīng)網(wǎng)絡(luò)需要執(zhí)行大量的計(jì)算才能達(dá)到理想結(jié)果,會(huì)導(dǎo)致計(jì)算時(shí)間較長(zhǎng).Chen等[14]采用不同缺陷權(quán)重的凸優(yōu)化(Convex Optimization,CO)作為平滑的預(yù)處理方法,并采用Otsu分割法對(duì)木材缺陷圖像進(jìn)行分割,提取木材缺陷的幾何和強(qiáng)度特征,并使用回歸樹(CART)分類器對(duì)各種木材缺陷進(jìn)行分類．

深度學(xué)習(xí)具有特征層次深、檢測(cè)精度高、魯棒性好等優(yōu)點(diǎn),已逐步應(yīng)用于各個(gè)領(lǐng)域的缺陷檢測(cè)[15].文獻(xiàn)[16]改進(jìn)了SSD模型的VGG(Visual Geometry Group Network,VGG)網(wǎng)絡(luò)部分,使用深度殘差網(wǎng)絡(luò)替換VGG網(wǎng)絡(luò).改進(jìn)后的SSD(Single Shot MultiBox Detector,SSD)模型對(duì)冷杉和松木缺陷的平均檢測(cè)準(zhǔn)確率超過89%.文獻(xiàn)[17]利用DenseNet網(wǎng)絡(luò)將改進(jìn)的SSD模型和遷移學(xué)習(xí)與改進(jìn)的SSD模型相結(jié)合,實(shí)現(xiàn)了木材缺陷的高精度檢測(cè).此外,還有基于區(qū)域建議的方法,如R-CNN(Region-based Convolutional Neural Network,R-CNN)模型和快速R-CNN模型[18-19]．

盡管以往的研究已經(jīng)取得了重大進(jìn)展,但在缺陷檢測(cè)方面仍然存在一些挑戰(zhàn),如木質(zhì)板材表面的復(fù)雜性及缺陷類型和尺寸的變化.這些缺陷在原材料面板和單板性能上不同,除了背景材料差異外,即使是相同的凸起對(duì)于圖像端的原材料板和成品板來說也有很大不同.另外,這些圖像分割和特征提取過程通常困難和復(fù)雜,因?yàn)槊繅K木材都有獨(dú)特的外觀,并且可能有多種類型的缺陷.針對(duì)這些問題,本文提出一種基于可變性卷積網(wǎng)絡(luò)和注意力機(jī)制的新方法來檢測(cè)和識(shí)別木質(zhì)板材缺陷.結(jié)果表明,本文方法采用的網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)于現(xiàn)有其他方法,該網(wǎng)絡(luò)無需對(duì)圖像預(yù)處理和特征提取提出重大要求,在減少圖像處理時(shí)間的前提下,可以提高木質(zhì)板材缺陷的檢測(cè)精度．

本文的貢獻(xiàn)如下:

1) 通過可變形卷積網(wǎng)絡(luò)(DCN)將矩形網(wǎng)格轉(zhuǎn)換為變形網(wǎng)格,使模型專注于具有更多有用圖像信息的區(qū)域．

2) 將DCN輸出饋送到門控循環(huán)單元(GRU)層以學(xué)習(xí)缺陷圖像的高級(jí)特征．

3) 通過關(guān)注輸入圖像的最重要特征,應(yīng)用注意力機(jī)制加強(qiáng)瑕疵區(qū)域的高亮度,從而提高模型識(shí)別的準(zhǔn)確性．

1 研究方法

1.1 模型概述

本文模型最初受到規(guī)范卷積循環(huán)神經(jīng)網(wǎng)絡(luò)(Convolutional Recurrent Neural Network,CRNN)架構(gòu)的啟發(fā),結(jié)合卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)和循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)的優(yōu)勢(shì),利用了局部相關(guān)性和長(zhǎng)景上下文來識(shí)別特征信息.在相關(guān)研究中,學(xué)者們?cè)u(píng)估了兩種類型的RNN,它們分別是長(zhǎng)短期記憶(Long Short-Term Memory,LSTM)和門控循環(huán)單元(GRU).與LSTM一樣,GRU具有控制單元內(nèi)部信息流的門控單元,但沒有單獨(dú)的存儲(chǔ)單元.在性能和復(fù)雜性方面,GRU顯著優(yōu)于LSTM.因此,本文采用GRU作為模型的構(gòu)建塊．

近年來,注意力架構(gòu)在圖像特征識(shí)別中得到廣泛應(yīng)用,并取得了巨大成功.由于注意力機(jī)制能夠使模型更加注重不同的特征區(qū)域,提高模型對(duì)關(guān)鍵信息的關(guān)注度,同時(shí)減輕對(duì)噪聲和無關(guān)信息的處理,因此在圖像識(shí)別任務(wù)中使用注意力機(jī)制可以幫助模型更加準(zhǔn)確地定位并識(shí)別缺陷．

本文開發(fā)了一種將CRNN網(wǎng)絡(luò)作為編碼器部分與注意力部分相結(jié)合的架構(gòu).該模型利用了規(guī)范的CRNN架構(gòu),但在CRNN中沒有使用常規(guī)CNN,而是使用DCN,即一種特殊類型的CNN.DCN是一種增強(qiáng)了感受野變化的卷積神經(jīng)網(wǎng)絡(luò),在固定尺寸的卷積過濾器上運(yùn)行,就像常規(guī)CNN一樣,但具有各種形狀的網(wǎng)格.DCN的可變形卷積核能力,可以更好地適應(yīng)各種不同形狀和尺寸的對(duì)象,從而提高網(wǎng)絡(luò)的泛化能力.與傳統(tǒng)CNN相比,DCN可以在感受野形狀和大小發(fā)生變化時(shí)對(duì)輸入信號(hào)更精確地建模．

圖1為板材缺陷識(shí)別模型的端列端架構(gòu).本文模型的輸入是N×F矩陣,其中N是特征序列的長(zhǎng)度,F是特征的維數(shù).模型結(jié)構(gòu)包括一層DCN、多層單向GRU.GRU層的輸出被送入到注意力機(jī)制層,生成更緊湊的特征表示.應(yīng)用線性變換和Softmax解碼特征進(jìn)行判別輸出．

圖1 板材缺陷識(shí)別模型的端到端架構(gòu)

端到端模型可以直接輸出置信度分?jǐn)?shù),無需任何后續(xù)處理方法,也不涉及搜索算法,無需事先對(duì)齊即可訓(xùn)練模型.當(dāng)輸出超過預(yù)定義閾值時(shí),系統(tǒng)就會(huì)被觸發(fā).該模型的原理是在輸出置信度分?jǐn)?shù)時(shí),通過設(shè)定一個(gè)預(yù)定義閾值來觸發(fā)系統(tǒng),使模型能夠自動(dòng)分類和處理需要的信息.這種模型的優(yōu)點(diǎn)是可以快速地進(jìn)行訓(xùn)練和推理,并且準(zhǔn)確率通常較高．

1.2 可變形卷積網(wǎng)絡(luò)(DCN)

圖像特征中的信息容易變形,且只有少數(shù)區(qū)域有用.規(guī)則卷積在預(yù)定義的矩形網(wǎng)格上運(yùn)行,因此過濾器無法用各種形狀適當(dāng)?shù)馗采w特征結(jié)構(gòu),限制了其在特征中學(xué)習(xí)更多圖像信息的能力.本文使用可變形卷積代替?zhèn)鹘y(tǒng)卷積來解決此問題.DCN學(xué)習(xí)將矩形網(wǎng)格轉(zhuǎn)換為變形網(wǎng)格,使模型專注于具有更多有用圖像信息的區(qū)域.可變形卷積架構(gòu)如圖2所示,它由兩個(gè)步驟組成．

圖2 可變形卷積網(wǎng)絡(luò)架構(gòu)

步驟1生成偏移場(chǎng): 偏移表示執(zhí)行可變形卷積時(shí)需要使用的像素坐標(biāo).每個(gè)偏移值是一對(duì)(offsetn,offsetf),其中offsetn和offsetf分別是沿時(shí)間軸和頻率軸的像素坐標(biāo).偏移量是可學(xué)習(xí)的變量,由對(duì)輸入特征操作的常規(guī)卷積(ConvOffset)產(chǎn)生．

(1)

圖3 雙線性插值示意圖

(2)

在該模型中,雙線性插值函數(shù)使用偏移周圍的4個(gè)像素,其值為u00=I(iL,jL),u01=I(iB,jL),u10=I(iL,jB),u11=I(iH,jH),其中,iL=offsetf,iB=offsetf+1,jL=offsetn和jB=offsetn+1．

雙線性插值計(jì)算為:

(3)

式(3)中x,y∈{0,1},mxy是對(duì)應(yīng)于像素uxy的權(quán)重,定義為:

m00=(1-Δi)×(1-Δj)

m01=Δi×(1-Δj)

m02=(1-Δi)×Δj

m03=Δi×Δj

(4)

式(4)中Δi=offsetf-offsetf,Δj=offsetn-offsetn.Δi,Δj用來表示偏移值offsetf和offsetn相對(duì)于其整數(shù)部分的偏移．

步驟3生成輸出: DCN最終輸出由另一個(gè)卷積(ConvOut)生成.對(duì)于ConvOut的每個(gè)核窗,首先使用輸入特征I和學(xué)習(xí)偏移值O之間的雙線性插值來計(jì)算變形特征,然后將變形值乘以ConvOut的核權(quán)重,得到最終輸出．

(5)

式(5)中,d[w,x,y]表示ConvOut在時(shí)頻指數(shù)(x,y)第w個(gè)通道的輸出,d∈RTC×N′×F′也是DCN的最終輸出,hxy是雙線性插值.M∈RTC×LN×LF是ConvOut的可學(xué)習(xí)權(quán)重,與傳統(tǒng)CNN類似,過濾器數(shù)量為TC,過濾器大小為(LN,LF)和步長(zhǎng)(SN,SF)．

ConvOut被認(rèn)為是兩個(gè)輸入的函數(shù),輸入特征I和偏移值O.ConvOut之后,DCNd中d的輸出是(TC,N′,F′)形狀.為了保持d的形式(時(shí)間×頻率)進(jìn)行下一個(gè)塊(GRU塊),d需要被重塑為(N′,TC×F′)．

1.3 門控循環(huán)單元(GRU)

門控循環(huán)單元可以使每個(gè)遞歸單元自適應(yīng)地捕獲不同時(shí)間尺度的依賴關(guān)系.與長(zhǎng)短期存儲(chǔ)器(LSTM)單元類似,GRU具有控制單元內(nèi)信息流的門控單元,但GRU不包括單獨(dú)的存儲(chǔ)單元．

rn=σ(Mxrdn+hxr+Mbrbn-1+hbr)

kn=σ(Mxkdn+hxk+Mbkbn-1+hbk)

tn=tanh(Mxtdn+hxt+rn⊙(Mbtbn-1+hbt))

bn=(1-kn)⊙tn+kn⊙bn-1

(6)

式(6)中,bn是隱藏狀態(tài)下時(shí)間n時(shí)的GRU輸出,bn-1是時(shí)間n-1隱藏狀態(tài)或時(shí)間n=1時(shí)的初始隱藏狀態(tài)b0.Mxr和hxr是從GRU輸入調(diào)諧復(fù)位門的權(quán)重和偏置,分別從先前的隱藏狀態(tài)調(diào)諧復(fù)位門.rn,kn和tn分別是重置門、更新門和新門.(Mxk,hxk),(Mbk,hbk)和(Mxt,hxt),(Mbt,hbt)的利用率相似,但是用于更新和新建門.σ是sigmoid函數(shù),將輸入映射到區(qū)間(0,1);tanh表示雙曲正切函數(shù),將輸入映射到區(qū)間(-1,1); ⊙是元素乘積．

1.4 注意力模塊

本文根據(jù)文獻(xiàn)[20]中5種注意力機(jī)制的比較研究得出結(jié)論,即共享參數(shù)非線性注意力取得了最好的效果.因此,在本文模型中采用共享參數(shù)非線性注意機(jī)制來提取和強(qiáng)調(diào)最相關(guān)的隱藏GRU特征．

注意力機(jī)制框架如圖1所示.注意力塊使用注意力機(jī)制從編碼器輸出中學(xué)習(xí)歸一化權(quán)重,最常用的注意力函數(shù)之一是加型注意力,使用具有單個(gè)隱藏層的前饋網(wǎng)絡(luò)來計(jì)算權(quán)重．

α=softmax(tanh(bM0+h0)M1+h1)

(7)

式(7)中b=[b0,b1,…,bN′]∈RN′×TR是GRU層的輸出,M0∈RTR×TG,M1∈RTG×TR是可學(xué)習(xí)權(quán)重,而h0∈RTG×1,h1∈RTR×1是前饋層的偏差．

在式(7)中,矩陣α=[α0,α1,…,αN′]∈RN′×TR是注意力機(jī)制的權(quán)重.固定長(zhǎng)度向量c成為N′時(shí)間步長(zhǎng)上α和b之間的加權(quán)平均值:

(8)

通過線性變換(具有可學(xué)習(xí)的權(quán)重矩陣M2∈RTR×2和偏差h2∈R2×1)生成預(yù)測(cè)輸出,然后是softmax層為:

j=softmax(cM2+h2)

(9)

在沒有任何后處理方法的情況下,j值被用作最終置信度得分,并根據(jù)GRU特征進(jìn)行木板缺陷檢測(cè)．

2 實(shí)驗(yàn)結(jié)果與討論

為了評(píng)估所提算法的性能,本文在4個(gè)木質(zhì)板材缺陷數(shù)據(jù)集上進(jìn)行缺陷識(shí)別實(shí)驗(yàn),分別是Mader缺陷數(shù)據(jù)集、Lumber Grading紅松木質(zhì)板材數(shù)據(jù)集、Timber Defect Image 數(shù)據(jù)集和WCTD木質(zhì)板材缺陷數(shù)據(jù)集.并將本文方法與其他3種對(duì)比方法(文獻(xiàn)[21]、文獻(xiàn)[22]和文獻(xiàn)[23])進(jìn)行比較分析.為了實(shí)現(xiàn)從本文算法中獲得結(jié)果,Matlab (R2015a) 在具有16 GB RAM、Intel core i7-470 K @ 4.0 GHz 的計(jì)算機(jī)上使用．

2.1 數(shù)據(jù)集描述及缺陷圖像

2.1.1 Mader缺陷數(shù)據(jù)集

Mader缺陷數(shù)據(jù)集是一個(gè)由瑞典皇家工學(xué)院制作的木質(zhì)板材缺陷數(shù)據(jù)集,包括12個(gè)類別的缺陷(例如瘤、干裂等)和正常木材,共160張圖像.本實(shí)驗(yàn)中將其設(shè)為木質(zhì)板材下的次數(shù)據(jù)集1．

2.1.2 Lumber Grading紅松木質(zhì)板材數(shù)據(jù)集

Lumber Grading紅松木質(zhì)板材數(shù)據(jù)集是由美國(guó)USDA Forest Service提供的紅松木質(zhì)板材數(shù)據(jù)集,包括正常板材和各種程度的缺陷,共518張圖像.本實(shí)驗(yàn)中將其設(shè)置為木質(zhì)板材下的次數(shù)據(jù)集2．

2.1.3 Timber Defect Image Dataset

Timber Defect Image Dataset是由英國(guó)倫敦帝國(guó)學(xué)院提供的木材缺陷數(shù)據(jù)集,包括正常板材和多種缺陷,如裂紋、瘤、旋度、孔洞等,共660張圖像.本實(shí)驗(yàn)中將其設(shè)置為木質(zhì)板材下的次數(shù)據(jù)集3．

2.1.4 WCTD木質(zhì)板材缺陷數(shù)據(jù)集

WCTD木質(zhì)板材缺陷數(shù)據(jù)集是由中國(guó)林業(yè)科學(xué)研究院木材工業(yè)研究所提供的木質(zhì)板材缺陷數(shù)據(jù)集,包括多種木材種類,共12 000張圖像.本實(shí)驗(yàn)中將其設(shè)置為木質(zhì)板材下的次數(shù)據(jù)集4．

根據(jù)木質(zhì)板材缺陷的工藝和原因不同,分為生物危害缺陷、生長(zhǎng)缺陷和加工缺陷.其中,生長(zhǎng)缺陷和生物危害缺陷是自然缺陷,具有一定的形狀和結(jié)構(gòu)特征,也是木材等級(jí)分類的重要依據(jù).一般來講,木質(zhì)板材生長(zhǎng)缺陷和生物危害缺陷可分為死節(jié)、活節(jié)、蟲洞、腐爛等.本文實(shí)驗(yàn)使用4個(gè)木質(zhì)板材缺陷數(shù)據(jù)集的木材采樣圖像,通過實(shí)木板激光輪廓和彩色集成掃描技術(shù)獲得了5 000多張300×300有缺陷的木板圖片.其中,常見的缺陷主要包括死節(jié)、活節(jié)、腐爛、霉變、裂紋、蟲眼等6種特征缺陷,如圖4所示．

圖4 木質(zhì)板材常見缺陷

2.2 實(shí)驗(yàn)結(jié)果

根據(jù)準(zhǔn)確性、靈敏度和特異性指標(biāo)評(píng)估本文方法與其他3種對(duì)比方法的性能．

(10)

(11)

(12)

式(10)中,正確檢測(cè)多張木質(zhì)板材瑕疵圖像為tP,正確拒絕多張木質(zhì)板材缺陷圖像為tN(真陰性),錯(cuò)誤地將多張木質(zhì)板材缺陷圖像誤判為正常的情況記為fP(假陽性),錯(cuò)誤地拒絕一些真實(shí)存在木質(zhì)板材缺陷圖像的情況記為fN(假陰性)．

2.2.1 不同性能對(duì)比

將本文方法與文獻(xiàn)[21-23]進(jìn)行比較,幾種方法在4個(gè)不同木質(zhì)板材缺陷數(shù)據(jù)集上的性能比較結(jié)果如圖5-圖7所示．

本文方法與其他3種對(duì)比方法在不同數(shù)據(jù)庫的準(zhǔn)確率比較如圖5所示.本文方法在4個(gè)數(shù)據(jù)集上的準(zhǔn)確率分別為 96.5%,98%,99.2%和95%.具體為: 在數(shù)據(jù)庫1上與文獻(xiàn)[21]、文獻(xiàn)[22]和文獻(xiàn)[23]等現(xiàn)有方法相比,本文方法的準(zhǔn)確性分別提高了2.4%,4.7%和8.9%.在數(shù)據(jù)庫2上與其他3種對(duì)比方法相比,本文方法的準(zhǔn)確率分別提高了5.3%,9.0%和7.4%.在數(shù)據(jù)庫3上本文方法的準(zhǔn)確率比其他3種對(duì)比方法的準(zhǔn)確率分別提高了11.2%,4.8%和9.5%.在數(shù)據(jù)庫4上與其他3種對(duì)比方法相比,本文方法的準(zhǔn)確率分別提高了13.2%,8.3%和3.1%．

圖5 不同方法在4種木質(zhì)板材缺陷數(shù)據(jù)集上的準(zhǔn)確率比較

圖6顯示了本文方法與其他3種對(duì)比方法在不同數(shù)據(jù)集上的靈敏度比較.本文方法的靈敏度分別為88.7%,92.6%,94.5%和95.3%.具體為: 在數(shù)據(jù)集1上本文方法的靈敏度比文獻(xiàn)[21]、文獻(xiàn)[22]和文獻(xiàn)[23]分別高9.2%,3.5%和10.2%.在數(shù)據(jù)集2上本文方法的靈敏度比文獻(xiàn)[21]提高了5.9%,比文獻(xiàn)[22]提高了3.3%,比文獻(xiàn)[23]提高了16.6%.在數(shù)據(jù)集3中與其他3種對(duì)比方法相比,本文方法的靈敏度分別提高了6.8%,4.3%和3.7%.在數(shù)據(jù)集4中本文方法的靈敏度比文獻(xiàn)[21]提高了10.9%,比文獻(xiàn)[22]提高了7.6%,比文獻(xiàn)[23]提高了4.4%．

4種算法在不同數(shù)據(jù)集的特異性比較如圖7所示.從圖7中可以看出,本文方法的特異性為 92.5%,96.3%,97%和95.8%.在數(shù)據(jù)集1上本文方法的特異性優(yōu)于文獻(xiàn)[21]12.4%,優(yōu)于文獻(xiàn)[22]8.2%,優(yōu)于文獻(xiàn)[23]17.8%.在數(shù)據(jù)集2上本文方法的特異性優(yōu)于文獻(xiàn)[21]8.6%,優(yōu)于文獻(xiàn)[22]14.2%,優(yōu)于文獻(xiàn)[22]21%.在數(shù)據(jù)集3中與文獻(xiàn)[21]、文獻(xiàn)[22]和文獻(xiàn)[23]相比,本文方法的特異性分別提高了13.8%,8.3%和4%.在數(shù)據(jù)集4上本文方法的特異性分別比其他3種對(duì)比方法提高15.6%,4.6%和13%．

為了清晰直觀地觀察數(shù)據(jù),本文將以上評(píng)價(jià)指標(biāo)的性能總結(jié)如下(表1)．

圖6 不同方法在4種木質(zhì)板材缺陷數(shù)據(jù)集上的靈敏度比較

圖7 不同方法在4種木質(zhì)板材缺陷數(shù)據(jù)集上的特異性比較

表1 不同方法的識(shí)別性能評(píng)估表

從表1中可以清楚地看到,本文方法在4個(gè)木質(zhì)板材缺陷數(shù)據(jù)集上的各個(gè)性能均優(yōu)于其他3種對(duì)比方法.實(shí)驗(yàn)結(jié)果說明,本文模型可以更好地適應(yīng)各種不同形狀和尺寸的對(duì)象,提高網(wǎng)絡(luò)泛化能力,從而更精確地檢測(cè)和識(shí)別木質(zhì)板材缺陷．

2.2.2 缺陷識(shí)別效果對(duì)比

為了更直觀地分析引入可變性卷積網(wǎng)絡(luò)與注意力機(jī)制對(duì)模型性能的提升,本文設(shè)計(jì)了木材缺陷識(shí)別實(shí)驗(yàn)對(duì)不同模型進(jìn)行分析.由圖8可知,本文方法的平均識(shí)別查準(zhǔn)率約為90.1%,明顯高于其他3種對(duì)比方法.其中,對(duì)于腐爛、霉變這兩種缺陷,本文算法識(shí)別效果略優(yōu)于其他3種對(duì)比方法.而對(duì)于節(jié)子(死節(jié)、活節(jié))、蟲眼、裂紋的識(shí)別效果,本文方法均明顯優(yōu)于其他3種方法．

圖8 木質(zhì)板材缺陷識(shí)別效果對(duì)比

3 結(jié)論

木材在生長(zhǎng)與加工過程中受到環(huán)境與工藝影響會(huì)形成不同缺陷,這些缺陷直接影響木制產(chǎn)品的等級(jí)和品質(zhì).因此,快速準(zhǔn)確地進(jìn)行木材缺陷檢測(cè)對(duì)木材有效利用具有重要的意義.為了提高木質(zhì)板材缺陷識(shí)別的準(zhǔn)確率與速度,本文提出了基于可變形卷積網(wǎng)絡(luò)和注意力機(jī)制的神經(jīng)架構(gòu)模型.可變形卷積層驅(qū)動(dòng)模型更多地關(guān)注缺陷圖像區(qū)域,從而提取圖像的深層特征; 而注意力機(jī)制則進(jìn)一步關(guān)注圖像特征中最關(guān)鍵的部分,加強(qiáng)缺陷區(qū)域的高亮度進(jìn)行缺陷識(shí)別.通過在4個(gè)木質(zhì)板材缺陷數(shù)據(jù)集上將本文方法與文獻(xiàn)[21]、文獻(xiàn)[22]和文獻(xiàn)[23]3種分類識(shí)別方法進(jìn)行比較分析,結(jié)果表明本文方法具有最佳的準(zhǔn)確率、靈敏度及特異性,分類識(shí)別準(zhǔn)確率高達(dá)98%,驗(yàn)證了本文方法具有很好的木材缺陷識(shí)別能力.本實(shí)驗(yàn)結(jié)果可以幫助學(xué)者們了解木質(zhì)板材缺陷檢測(cè)的相關(guān)研究進(jìn)展,并提供一定的參考價(jià)值.未來的工作需要探索腐爛、霉變這兩種缺陷查準(zhǔn)率不高的原因和改進(jìn)方法.此外,本課題組計(jì)劃研究目標(biāo)位置信息的回歸方法,以提高目標(biāo)的定位準(zhǔn)確率,從而進(jìn)一步提升目標(biāo)識(shí)別的整體準(zhǔn)確率．