基于卷积神经网络在木材缺陷识别中的研究进展

2023-03-20司丽洁丁安宁多化琼

林产工业 2023年2期

司丽洁高凡丁安宁多化琼

（内蒙古农业大学材料科学与艺术设计学院，内蒙古呼和浩特 010018）

在木材生产加工过程中，木材缺陷是影响木材及木制品商品价值和实用价值的主要因素，包括天然缺陷和加工缺陷[1-2]。我国木材原料使用率低，浪费严重，木材缺陷检测效率低是造成这一问题的重要原因[3]。因此，提高木材缺陷的检测率就能有效提高木材的使用率。目前，通常采用计算机辅助目测技术、图像处理和神经网络相结合的方式提高木材缺陷检测的准确率[4]。

卷积神经网络（Convolutional Neural Network, CNN）研究开始于20世纪80年代，是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一[5]。卷积神经网络技术为木材缺陷图像自动检测提供了有力的工具。近年来，随着计算机技术的不断发展，CNN在处理图像的速度和精确度等方面不断提高。一方面，CNN可以直接对原始图像进行学习，避免了传统人工提取特征参数[6]；另一方面，CNN特征提取可以和图像分类同时进行，解决了网络冗余的问题。

1 卷积神经网络

卷积神经网络可以直接识别原始图像，需要预处理的工作非常少[3]。卷积神经网络是一个前馈神经网络，使用该网络可以避免大量计算、复杂参数设置、结构信息丢失等问题[6]。CNN通过最大池化采样、权重共享等，善于挖掘数据局部特征，提取目标的特征值，具有极强的适应性，常用于复杂多样环境下的目标检测和图像识别分类等[7]。

1998年，研究者使用LBP算法设计并训练得到了LeNet-5模型[6]，随后涌现出了VGG-16、VGG-19、ResNet、GoodleNet等模型。这些模型通过不断地迭代优化，模型的训练速度及准确率都得到了提高。为了优化卷积神经网络模型，增加卷积层的功能，减少网络的参数，GoodleNet的Inception模块、ResNet的残差连接结构相继被提出。经典卷积神经网络模型如表1所示。

表1 经典卷积神经网络模型Tab.1 Classical convolutional neural network model

2 卷积神经网络在木材缺陷识别预处理中的应用

木材在生长过程中会不可避免地因先天或后天原因产生节子、变色、腐朽、虫害等缺陷，同时在木材生产加工过程中也会产生缺陷。这些缺陷会不同程度地影响木材的力学性能和表面美观，降低了木材的商品价值和使用价值[14]。针对这一问题，研究者根据不同的场景将CNN与新方法相结合进行研究，取得了丰富的成果。

2.1 木材缺陷图像分割

图像分割是木材缺陷识别检测的前提之一，分割质量直接影响木材自动化识别的效果[15]。目前传统的分割方法包括阈值分割、图论图像分割法等，但这种分割效果有限。之后，研究者基于特定工具与基因编码、模糊理论和主动轮廓模型相结合，改善了分割效果，但仍存在局限性。表2列出了传统图像分割方法的优缺点。

表2 传统图像分割方法Tab.2 Traditional image segmentation methods

研究者们又提出了基于CNN的语义分割，图像分割效果增强，具有良好的容错能力，但是计算难度增大、图像分割边界仍模糊。CNN图像分割方法如表3所示。

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

陈献明[16]结合NL-Means方法和线性滤波对图像增强后，再通过椭圆拟合方法实现对木材缺陷图像精细分割，降低了噪声对缺陷图像分割的影响。Zhang等[17]将主成分分析法运用到神经网络中来检测人造板中的缺陷。除此之外，还有研究者将数学形态法结合LOG算子和CNN网络对木材表面缺陷进行定位，提取缺陷图像。通过Adaboost级联分类器提取木材缺陷区域，再使用CNN网络对木材表面缺陷进行分类[18]，检测准确率提高，但占用内存大，对数据集较大图像的分割效果不显著。

为了防止图像出现过分割或欠分割现象，Huang等[19]通过Mask R-CNN模型对图像进行分割，根据图像分割结果提取轮廓的面积、周长等参数生成特征向量，通过构建支持向量机模型识别缺陷，分类精确率超过了86.5%。HE[20]又提出了一种Mix-Fully CNN网络的图像分割方法，用来定位和分割木材缺陷。

为了同时定位和分割缺陷图像，获得良好的分割效果，研究者提出了一种基于卷积神经网络的实例分割。张旭中等[21]引入深度学习机制，利用卷积神经网络和双重Q网络机制对图像进行精细分割，获得了最佳的预想实例分割质量。Wang等[22]使用GAN扩展数据集，并使用Mask R-CNN定位和分割缺陷，分割效果好，但是缺陷的类别不平衡且容易忽略图像的空间信息。为了减少图像信息的丢失，Mask R-CNN算法被进一步改进[23]，如混合空洞卷积思想，强化了样本细节，降低了过拟合风险，有效地提高了图像分割的准确率。

将Mask R-CNN网络、Faster R-CNN网络进行优化改进后分割木材缺陷，可以提高算法的容错率，增强图像的分割效果，但是需要大量的样本，且当目标发生位移或者像素值发生变化时，分割效果差。研究者应该提高木材缺陷分割技术手段，提高算法的精确性，分割出较清晰的缺陷图像。

2.2 木材缺陷的特征提取

特征提取是木材缺陷识别的关键，对提高木材缺陷识别准确率非常重要。主要的图像特征提取方法包括稠密尺度特征变换、局部二值模式等。这些方法主要是对单一特征进行提取，需要降维处理，计算复杂。

Cheng等[24]基于CNN网络构建LeNet模型对图像进行特征提取，解决了模型复杂程度高、人为提取缺陷特征不足等问题，且辨别时间短。针对传统方法人工提取特征的复杂性，可利用Faster RCNN网络中的RPN（Regio Proposal Network）网络获得缺陷区域，再进行特征提取，该方法速度较快，但是计算量大[25]。He等[26]提出了一种基于DCNN网络，采用Tensor Flow方法对木材缺陷图像自动进行特征提取和识别的方法，检测速度快。

CNN可以自动提取图像深层特征，避免了复杂的人工特征提取，但是CNN特征提取计算量大，容易出现过拟合现象。目前，常采用迁移学习、对抗学习、稀疏编码与卷积神经网络结合的方法对图像进行特征提取。

3 卷积神经网络在木材缺陷识别中的应用

木材缺陷一般包括生长缺陷、生物危害缺陷和加工缺陷三类。随着研究的不断深入，卷积神经网络技术不断应用到图像识别中，并取得了巨大的进步，图像识别效率和识别效果相较于传统识别手段改善明显。

Gao等[27]将ResNet-18与迁移学习方法相结合对木材缺陷进行识别，识别准确率达到了99.02%。CNN网络的分类识别效果好，但是识别速度慢，参数量大。各类CNN图像识别方法比较如表4所示。

表4 CNN图像识别方法Tab.4 CNN image recognition methods

刘佳美等[28]采用电阻层析成像获取电导率波信号，通过小波变换方法提取特征向量，利用思维进化算法优化权值，然后再通过BP神经网络对节子、腐朽和虫眼进行识别，该模型解决了复杂组合的优化问题。牟洪波等[29]将Hu不变矩与神经网络相结合识别木材缺陷，其识别和分类精确率为86%，识别准确率较低，泛化能力差，没有取得令人满意的结果。

为了提高识别精度，Liu等[30]提出了一种基于SSR的卷积神经网络模型，可以自动提取图像特征，减少了计算成本，且识别单个图像只需26.55 ms，识别时间短。Castellani[31]提出了一种将遗传算法和卷积神经网络相结合的单板识别方法，该方法可有效识别单板表面的单一缺陷，然而很难识别两种或两种以上的缺陷。He等[26]提出了一种基于改进DCNN的木材缺陷识别方法，并对红松和樟树木材进行了测试，总体准确率达到了99.13%。Urbonas等[32]基于ResNet152 网络模型，使用Faster R-CNN识别杨树单板缺陷，获得了80.6%的最佳平均精度，准确率达到了96.1%。同年又提出了一种混合全卷积神经网络来识别木材缺陷类型和位置，实现了99.14%的精确度和91.3%的像素精度。然而，由于样本数量较少，训练时容易出现过拟合现象。为了提高缺陷图像的多样性并平衡样本分布，避免过拟合现象，Wang等[22]通过渐近式增长生成对抗网络（Progressive GAN, PGGAN）扩增数据集，通过Mask R-CNN网络对单板缺陷进行识别，与传统缺陷识别方法相比，该方法建立的模型识别精度更高，精确度到达了98.4%。Shi等[33]通过构建木材单板模型，使用遗传算法进行特征融合，再使用Mask R-CNN对缺陷进行识别和定位，识别精确度达到了98.7%，仅需要2.5 s就可识别缺陷。

综上可知，基于卷积神经网络识别木材缺陷，识别准确率可大大提高，同时缩短训练时间。因此，研究者更需要进一步提高网络模型的适用范围，来提高木材缺陷图像的识别效果。