木材缺陷識別方法綜述

鐘麗輝，程昱之，孫永科，苗 晟，戴正權(quán)

（1.西南林業(yè)大學(xué)大數(shù)據(jù)與智能工程學(xué)院，云南 昆明 650224；2.西南林業(yè)大學(xué)，機械與交通學(xué)院，云南 昆明 650224）

木材資源的需求逐年上升，但木材資源的綜合利用率較低，僅為60%左右。同時，木材在成材過程中會因自然先天性和病理后天性原因不可避免地產(chǎn)生死節(jié)、活節(jié)、蟲眼、變色和腐朽等缺陷。這些缺陷破壞了木材材質(zhì)結(jié)構(gòu)的均勻性和力學(xué)承受能力等，影響了木材的質(zhì)量、加工方法和生產(chǎn)工藝。目前，根據(jù)木材缺陷的類別來指導(dǎo)木材的加工方法和生產(chǎn)工藝，可提高木材的利用率和質(zhì)量。但是木材缺陷的檢測主要是人工檢測，無法滿足自動化生產(chǎn)需求，對木材缺陷進行智能識別，從而提高木制產(chǎn)品的質(zhì)量和制作效率，已成為木材加工行業(yè)面臨的一大難題，也是目前研究的一大熱點[1]。

1 木材缺陷檢測方法

1.1 人工檢測木材缺陷方法

目前，國內(nèi)最常用的木材缺陷檢測方法是傳統(tǒng)的人工檢測法。該方法首先需要專業(yè)人士基于專業(yè)知識和實踐經(jīng)驗經(jīng)視覺觀察后確定木材缺陷的類型；然后選用合適測量工具對缺陷的尺寸大小和位置進行測量；最后根據(jù)實際應(yīng)用，結(jié)合國家標(biāo)準，確定板材的使用情況。該方法檢測過程較為主觀，同時容易造成視覺疲勞而產(chǎn)生錯檢和誤檢[1]。

1.2 超聲波檢測木材缺陷方法

超聲波檢測木材缺陷是利用超聲波在傳播過程中，遇到木材缺陷時傳播速度會減少，超聲波傳播時間變長。首先測量超聲波波速；然后根據(jù)超聲彈性模量和超聲縱波波速計算木材的彈性模量；最后利用計算出的彈性模量與力學(xué)性質(zhì)的正相關(guān)性，估算出木材的機械強度，進而對木材缺陷進行識別。目前，超聲波檢測木材缺陷方法可以檢測出木材表面和內(nèi)部節(jié)子、蟲眼和夾皮等木材缺陷，但無法檢測木材變色缺陷等。該木材缺陷檢測方法不能在木材表面做連續(xù)掃描，所以在木材自動化生產(chǎn)流水線無法使用[2，3]。

1.3 射線檢測木材缺陷方法

射線檢測木材缺陷的原理是射線通過被檢測木材時，正常木材部分和有缺陷木材部分對射線的吸收和衰減不一樣，分析在感光底片上的記錄，實現(xiàn)木材缺陷的檢測。該方法因射線照射后需要有硫化鈣、硫化鋅等物質(zhì)來熒光成像，對比度低，木材內(nèi)部缺陷識別效果不理想。而且該方法有輻射，防護要求極高，實際使用較為困難[4-6]。

1.4 激光檢測木材缺陷方法

激光檢測木材缺陷方法：首先，激光束照射在掃瞄鏡上，讓激光束反復(fù)穿過檢測木材；其次，經(jīng)光電倍增管系統(tǒng)和掃描頭收集反射激光信號，產(chǎn)生木材橫斷面圖像數(shù)據(jù)；再次，利用圖像處理算法對激光獲取的圖像數(shù)據(jù)進行處理；最后，離線方式獲得原檢測木材的表面缺陷，及缺陷的類型和尺寸。

德國學(xué)者Schiitt C. 采用激光檢測法對正在生長的樹干進行掃描，最后采用神經(jīng)網(wǎng)絡(luò)技術(shù)進行缺陷識別。我國東北林業(yè)大學(xué)學(xué)者韓玉杰等，利用激光位移傳感器獲取木材表面物理特征的時變信號，對該特征信號進行數(shù)字信號處理，實現(xiàn)木材表面節(jié)子和裂紋缺陷的檢測和節(jié)子缺陷區(qū)域的深度及寬度的計算。激光檢測木材缺陷方法檢測速度慢，識別能力有限，對震動環(huán)境適應(yīng)性差，自動化生產(chǎn)無法滿足[7-9]。

1.5 聲發(fā)射檢測木材缺陷方法

聲發(fā)射檢測木材缺陷方法主要用于木材內(nèi)部缺陷檢測。因為木材受力產(chǎn)生斷裂時，則木材以彈性波的形式釋放應(yīng)變能。利用電子儀器檢測應(yīng)變能，利用數(shù)字信號處理的方式對應(yīng)變能及彈性波進行分析，判斷木材內(nèi)部裂紋等缺陷[1]。

1.6 數(shù)字圖像處理檢測木材缺陷方法

1.6.1 傳統(tǒng)的機器學(xué)習(xí)方法檢測木材缺陷

目前國內(nèi)外對木材缺陷的識別基本都采用傳統(tǒng)的數(shù)字圖像處理方式。首先，采用灰度變換，直方圖均衡化，空間域或者頻域濾波等對圖像進行增強等預(yù)處理；然后，對木材缺陷圖像進行木材缺陷分割和木材缺陷特征提?。蛔詈?，采用傳統(tǒng)的機器學(xué)習(xí)算法對圖像進行識別。其中木材缺陷的分割和缺陷特征提取直接影響最終的識別效果。

木材缺陷分割采用較多的方法有局部閾值分割，區(qū)域生長，分水嶺分割，最大熵閾值分割，最大類間方差法分割，最小誤差閾值分割法和全閾值分割等。這些分割前或者后處理會采用邊緣檢測和形態(tài)學(xué)處理等。

木材缺陷的特征提取，主要方法有主成分分析法，獨立成分分析法，灰度共生矩陣，顏色矩陣和顏色直方圖等，將顏色特征、幾何特征和紋理特征進行提取，構(gòu)成多個具體特征值，用來作為后續(xù)不同的木材缺陷進行識別。

木材缺陷識別用的最多的為不同的神經(jīng)網(wǎng)絡(luò)和支持向量機，其中神經(jīng)網(wǎng)絡(luò)常采用反向傳播神經(jīng)網(wǎng)絡(luò)、自組織神經(jīng)網(wǎng)絡(luò)和RBP 神經(jīng)網(wǎng)絡(luò)，用于小樣本缺陷數(shù)據(jù)的識別[10-21]。

1.6.2 深度學(xué)習(xí)方法檢測木材缺陷

2015 年《Nature》上發(fā)表文章《Deep Learning》，LeCun Y等預(yù)言深度學(xué)習(xí)未來在圖像、視頻、音頻等方面的應(yīng)用將取得突破性進展。深度學(xué)習(xí)是目前人工智能的主流算法，在圖像處理領(lǐng)域得到廣泛應(yīng)用，在大數(shù)據(jù)的前提下，深度學(xué)習(xí)算法的識別效果均優(yōu)于傳統(tǒng)的機器學(xué)習(xí)算法。范佳楠等利用Faster R-CNN 對實木板材缺陷進行檢測；項宇杰等利用深度卷積神經(jīng)網(wǎng)絡(luò)對木材表面缺陷進行檢測[22-27]。

2 結(jié)論

木材缺陷檢測方法多樣，有人工檢測方法、激光檢測方法、射線檢測方法、計算機視覺檢測法、超聲檢測方法和聲發(fā)射檢測法等。人工檢測方法雖為最常用，但受主觀限制，不易長時間工作，所以無法滿足板材自動化生產(chǎn)。超聲檢測法，雖能對木材內(nèi)部和表面的部分缺陷進行檢測，但是因無法在木材表面做連續(xù)掃描，實際應(yīng)用受到局限。射線檢測法因有強輻射，檢測設(shè)備成本高，同時防護要求極高。激光檢測法檢測速度慢，識別木材缺陷時受限于提取的有效特征和識別算法。聲發(fā)射檢測木材缺陷，應(yīng)用于木材內(nèi)部缺陷的檢測，檢測的缺陷相對單一。

目前，國內(nèi)南京林業(yè)大學(xué)、北京林業(yè)大學(xué)和東北林業(yè)大學(xué)采用數(shù)字圖像處理的方式對木材缺陷檢測做了大量卓有成效的研究工作。對缺陷識別檢測，根據(jù)算法分為兩大類，一類采用傳統(tǒng)機器學(xué)習(xí)算法。首先，通過不同的相機或者攝像頭獲取木材缺陷圖像，實現(xiàn)圖像的采集；其次，對木材缺陷圖像進行預(yù)處理，通過對圖像進行灰度變換、直方圖處理、空間域或者頻域濾波等實現(xiàn)木材缺陷圖形的增強；再次，對木材缺陷進行分割，形態(tài)學(xué)處理等；然后，對缺陷進行特征提取，該步驟最為關(guān)鍵，直接影響識別效果；最后，采用傳統(tǒng)機器學(xué)習(xí)算法對木材缺陷進行檢測，常用的識別算法是BP 神經(jīng)網(wǎng)絡(luò)和支持向量機。另外一類是采用智能算法深度學(xué)習(xí)進行識別，對海量的缺陷圖像進行學(xué)習(xí)，算法卷積和池化過程實現(xiàn)缺陷特征的自動提取，全連接層進行木材缺陷分類識別。也有學(xué)者將采用來聯(lián)合算法的方式，將傳統(tǒng)和深度學(xué)習(xí)算法相結(jié)合，實現(xiàn)木材缺陷的檢測。

數(shù)字圖像處理在木材缺陷檢測領(lǐng)域得到越來越多的重視和應(yīng)用，但存在一些難點和不足。如木材缺陷圖像采集受到環(huán)境，光照和模板等的影響，采集的圖像噪聲較大，給后期處理和識別增加難度；國內(nèi)和國外都缺少大型木材缺陷的圖像數(shù)據(jù)庫等。工業(yè)化的木材加工需要智能化的木材缺陷檢測，也就是需要快速，方便和準確的識別木材缺陷的類別和木材缺陷大小的計算。尋求普適性和精度高，具有綜合分析能力的木材缺陷識別方法來代替人工目測等方法，解決木材缺陷的識別迫在眉睫。