基于卷积神经网络在木材缺陷识别中的研究进展

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。

4 结语

卷积神经网络对木材缺陷的识别准确率高且识别时间短，是未来研究和发展的主要方向。当前，虽然基于卷积神经网络的木材缺陷识别在理论研究和实际应用中取得了突破性进展，但仍存在问题和难点，需在以下几个方面有所突破：

1）木材缺陷的种类繁多且相似复杂的背景导致了类间差异和类内相似度[34]，可通过聚类算法减少该问题的产生。在实际应用过程中，采集的图像易受到光照、环境、噪音等因素影响，可利用残差神经网络消除噪音，提高采集图像的质量，降低外界的干扰。

2）在木材缺陷图像分割过程中，需要大量的数据集，可通过GAN网络对数据集进行扩增，解决样本分布不平衡问题。

3）图像识别过程中特别依赖图像分割和特征提取，因而准确提取图像的特征值，可以提高木材缺陷识别的准确率。卷积神经网络虽减少了许多繁琐的步骤，但训练时间长，且网络结构复杂，因此设计一种方便高效的木材缺陷特征提取算法是今后研究的重要内容。

4）研究更加轻便的模型，减少网络参数，优化计算速度是未来研究的关键。