木材品质检测技术研究进展

石佳浩，陈广健，徐呈艺

（南通职业大学，江苏 南通 226400）

随着房地产、教育等行业的快速发展，木材的使用范围也越来越广泛，所以我国对木材的需求量也极大。但工业收集到的木材原材料的品质存在参差不齐的问题，比如许多木材表面和内部存在很多缺陷，有些木材内部含水量过高等问题。这些缺陷对木材的质量造成了决定性的影响，对工业上木材的加工和处理造成了很大阻碍，极大降低了木材加工的效率。除此以外，木材加工业对木材的纹理和木材的大小等方面都有诸多要求。所以木材品质检测分类技术成为我国学者研究的重要课题[1-5]。

目前，国内木材加工行业还主要依赖于人工挑选来完成木材品质的分类，这种人工分拣的方法存在较大的主观误差，而且人眼会由于产生疲劳导致分拣效率降低，所以这种方法无法满足工业生产的检测质量分级的需求。再加上人力成本越来越高，导致木材加工的成本也越来越高，木材品质分级的标准也无法统一[6]。所以各种各样越来越先进的木材品质检测分类技术相继而生，使得木材品质检测分类技术的自动化程度越来越高，慢慢替代人工检测。本文拟通过总结木材品质检测分类技术的发展状况，分析这些木材品质检测分类技术的优缺点，展望一下木材品质检测分类技术未来的具体发展方向，以期为木材品质检测分类技术向智能化方向发展提供参考[7-9]。

1 技术研究面临挑战

1.1 检测技术全面性

对木材进行全面的检验是进行木材品质分类的根本保障，只有通过科学、全面的检测，才能保证最终木材品质分类的准确性，也才能保证最终木材加工成品的质量。这就要求检测技术不仅能准确检测出木材上存在的缺陷，还要能检测出木材的纹理、尺寸和含水率等参数。所以检测技术的全面性是未来发展的一个重要挑战[10]。

1.2 检测技术的检测效率

要想完全替代传统人工检测，新的检测技术必须满足工业生产的检测效率要求，即对检测的速度有一定的要求。如果检测速度过慢，在相同成本下，速度达不到人工检测的速度，那这样的技术则无法替代人工检测的方法，所以检测效率是影响检测方法优劣一个关键因素。

1.3 检测技术的实际应用效果

目前，国内外已经有很多学者研究并提出了一些理论上合理的木材品质检测技术，但这些技术真正应用到实际工业生产中的还很少，实用性不是很强，所以木材品质检测技术的实用效果也是未来研究需要解决的一个重要问题[11]。

2 木材品质传统检测方法

为了替代传统的人工检测方法，国内外学者已经针对这种木材品质检测技术做了一定的研究，相继研究出来射线检测法、应力波检测法、超声波检测法和红外线检测法等，接下来文中将对几种主流传统方法的发展现状进行简要介绍。

2.1 射线检测法

射线检测方法主要分为X 射线法、γ 射线法等。其中X 射线法已经广泛应用于工业、地矿、农田和医疗等领域，应用非常广泛，技术也相对比较成熟。X 射线法主要利用木材内部结构不同对X 射线的吸收能力不同的原理，通过收集X 射线下木材所吸收的荧光信息进一步分析木材的结构和含量信息等。

刘自强等[12]研制了一种X 射线电视显像设备，配合照相技术对木材各种缺陷进行检测，并通过改变木材的移动速度观察缺陷检测的效果，发现X 射线法可以检测出木材内部的缺陷，但难于分辨裂纹或夹皮。李好信等[13]提出利用γ 射线对树木的年轮进行无损检测，发现γ 射线无需水源、电源，检测方便。虞玥洋[14]研究指出，采用电子计算机化的轴向层析X 射线摄影扫描机可以探测木材内部的缺陷，但成本过高，在工业生产中无法推行。

从上述研究可以看出，这种方法虽然比较成熟，在很多领域应用很广泛，但应用于木材品质检测时其检测精度还比较低，设备生产成本高，无法真正替代人工检测。

2.2 超声波检测法

超声波检测法与X 射线检测法类似，但是与X 射线检测法相比，这种方法在木材品质检测方面的应用更加广泛[15]。超声波检测法也是利用木材不同结构会影响超声波的传播路径，通过检测分析通过木材传播后的超声波的波形等，可以判断木材的大小与结构等信息。

孙道棪等[16]提出利用超声波不仅可以检测木材内部的缺陷，还可以检测确定木材中腐朽的存在或超过使用年限后其强度的损失，这样可以更加全面评价木材的品质。杨慧敏等[17]通过超声波检测法对木材品质进行检测时发现，用软橡胶代替耦合剂可以使超声探头和被测物更好地连接使检测变得方便干净。

超声波检测法对检测木材的尺寸限制比较少，检测全面性也更强，但是这种检测法对传感器匹配要求较高是其一大缺点，而且这种检测方法的检测精度也是最大的局限性，所以超声波检测法依旧无法实现木材品质的精准检测[18]。

2.3 应力波检测法

应力波是应力在介质中以一定的速度从一部分传到另一部分的传递形式。根据应力波传播理论，应力波在传播过程中，遇到木材裂纹等缺陷时会发生散射、反射的现象，因此，可以根据应力波传播过程中携带的缺陷信息判断木材的品质。

杨学春[19]通过应力波测试仪对红松木材进行检测实验，得出应力波传播时间、应力波传播速度和木材弹性模量与木材长度均呈正相关，进而分析所测木材的相关品质；杨学春等[20]利用Arbotom 应力波检测系统，对东北林区树种的原木内部腐朽进行检测，获得内部腐朽的二维图像，实验证明这种检测方法准确率较低。

应力波检测法在检测木材内部腐朽时取得了较好的检测效果，但这种检测方法的检测速度并不能满足工业生产的要求，而且检测木材品质还有许多方面需要检测，这种检测方法的检测全面性还远远不够。

2.4 红外检测法

红外检测法是一种比较成熟的目标检测方法，与X 射线检测法、超声波检测方法相比，其检测速度和精度都有很大的优势。红外检测法利用的是木材存在的缺陷结构会导致红外热量传递不同，最终根据红外热成像分析木材的温度分布，进而通过温度异常点来判断木材缺陷的存在。

韩雨杉[21]用近红外木材含水率检测系统对3 组杨木试材含水率进行连续检测，结果证明含水率测量值与含水率真值变化趋势一致，二者绝对误差在0.8%以内。该方法还用于落叶松试材检测，误差为1.22%，在工业含水率检测误差要求范围内。高珊等[22]应用人工红外灯和烘干箱法，研究孔径缺陷识别的最佳加热时间和最佳加热温度，探讨热源选择对不同孔径大小的木材检测效果的影响。研究结果表明，随着试样缺陷孔径的不断减小，最佳加热时间和最佳加热温度都逐渐减少;在一定孔径范围内热像图能较为准确地反映木材缺陷的位置及大小情况;随着试样缺陷孔径的不断减小，检测效果越来越不明显。

红外检测法与应力波检测法类似，该检测方法在木材缺陷检测方面具备很好的检测效果，但由于其检测成本过高，没有在工业生产过程中被普遍应用[23]。

3 深度学习检测法

3.1 深度学习概述与发展现状

深度学习是机器学习领域中一个新的研究方向，其是学习样本数据的内在规律和表示层次，最终让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。随着机器视觉的快速发展，深度学习的发展速度也非常惊人，已经被应用到医学、工业检测和农业检测等个股方面，应用非常广泛。

陈德海等[24]提出了一种MS-DCNN 模型用于识别骨髓白细胞，实验结果表明，该模型的识别准确率达到了98.9%，高于其他主流方法。邹捷等[25]提出了一种整合优化的R-FCN 图像识别算法，利用这种算法对采集图像进行识别，实验证明该算法对常见典型缺陷准确率达到了90%，基本达到实用化水平。刘慧力等[26]搭建了一种多尺度分层特征卷积神经网络模型，应用4 倍膨胀的单位卷积核，获得了玉米秧苗图像的识别模型，其识别准确率为99.65%。

3.2 深度学习检测法的应用

木材的品质分类检测主要分为木材的缺陷检测和含水率、尺寸等重要参数检测等，人工神经网络技术在这方面已经得到广泛应用，其中的深度学习技术在木材品质分类检测方面发展尤为迅速。范佳楠等[27]利用非下采样剪切波最有稀疏表示特性及简单线性跌倒聚类算法优化传统的卷积神经网络，有效提高了木材缺陷无损检测的准确率，识别准确率达到98.6%。邵明伟等[28]提出了一种基于深度学习的木材优选锯视觉检测算法，通过搭建木材缺陷识别网络和木材等级识别网络实现木材缺陷的识别定位和无缺陷木材的等级分类，缺陷检测正确率达到95.8%，单幅图像等级分类识别时间为55 ms。

朱豪等[29]通过引入坐标注意力机制和混合空间金字塔池化结构，有效改善了YOLOv5 模型在木材表面缺陷检测上的表现，改善后模型的平均精度值达到84.4%。刘璐等[30]设计了一种分析木材霉变特征和含水量检测系统，该系统利用高光谱技术和深度学习技术实现了木材的霉变评估和含水量预测，预测集的相关系数和均方根误差分别为0.907 3 和0.756 4。SHI 等[31]提出了一种改进的Mask RCNN 木材缺陷检测算法实现木材表面的缺陷检测，检测准确率达到了98.7%，同时该算法检测速度也能够很好地满足工业生产的需求。

由此可以看出，深度学习检测法在木材品质检测应用方面已经取得非常好的效果，相对于传统检测方法，深度学习检测法在检测速度、检测精度等方面都有较大的提高。深度学习检测法已逐渐成为未来木材品质检测的发展方向[32-38]。

4 结束语

传统的木材品质检测方法在实际生产应用过程中受到诸多因素的限制，导致传统的木材品质检测方法存在着检测精度低、检测速度慢、检测全面性不够等缺点。深度学习检测算法在木材品质检测方面已经越来越成熟，在木材的缺陷检测和含水率、尺寸检测等方面已经取得较好的表现，应用越来越广泛，对实现智能化木材品质检测具有积极的促进意义，是未来木材品质检测技术的发展趋势，但该方法目前也存在一些不足，总结如下。

其一，模型适用性不强。深度学习检测模型的检测能力往往由训练该模型的数据集的木材种类和图片数量所决定。因此，基于深度学习的木材品质检测模型大多数都无法适用于多种类型木材的品质检测。针对此问题，可通过建立开源的不同种类的木材数据集和木材品质检测模型数据库来不断提高木材品质检测模型的适用性。

其二，木材品质检测技术集成度较低。目前针对影响木材品质的重要参数检测的深度学习算法已较为成熟，该方法在检测精度和速度方面都有较好表现。但由于缺少高度集成的木材品质检测设备，该方法要应用到实际的木材品质检测行业还存在一些难度。针对此问题，可通过开发生产一种集传感器技术、传动技术、可编程控制技术和深度学习技术于一体的高度集成设备来提高木材品质检测技术的集成度。