從古至今，鐘情于實(shí)木家具的人群不在少數(shù)。在他們眼中，實(shí)木家具就像一件藝術(shù)品，時(shí)間越久越能夠煥發(fā)出高貴的氣質(zhì)。

可是木材作為天然材料，總免不了存在著變色、腐朽、油脂、木毛、木節(jié)、裂縫、蟲眼等缺陷。

目前，木材缺陷的分類識(shí)別尚未智能化，人工檢測依然比較普遍，光靠人工檢測不僅分類效率低，而且處理效果不夠理想。

因此需要計(jì)算機(jī)來參與處理，很多學(xué)者在原有圖像處理技術(shù)上不斷研究、結(jié)合新的方法和理論，以實(shí)現(xiàn)木材缺陷的自動(dòng)分類識(shí)別。

支持向量機(jī)（support vector machine，SVM）是Vapnik提出的一種基于結(jié)構(gòu)化風(fēng)險(xiǎn)最小化的統(tǒng)計(jì)學(xué)習(xí)方法，通過在特征空間構(gòu)建具有最大間隔的最佳超平面而實(shí)現(xiàn)對(duì)訓(xùn)練樣本集的最佳劃分。層次支持向量機(jī)在木材孔洞缺陷檢測中的應(yīng)用，提取相關(guān)的統(tǒng)計(jì)信息作為識(shí)別特征，再輸入到層次支持向量機(jī)中進(jìn)行識(shí)別。

神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)均屬于淺層結(jié)構(gòu)的算法，而深度學(xué)習(xí)作為更加貼近于人類大腦的一種神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，縱觀過去兩年，“深度學(xué)習(xí)”領(lǐng)域已經(jīng)呈現(xiàn)出巨大發(fā)展勢頭。在計(jì)算機(jī)視覺領(lǐng)域，深度學(xué)習(xí)已經(jīng)有了較大進(jìn)展，其中卷積神經(jīng)網(wǎng)絡(luò)是運(yùn)用最早和最廣泛的深度學(xué)習(xí)模型。

卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks，CNN）是一種特殊的深度前饋神經(jīng)網(wǎng)絡(luò)，它的設(shè)計(jì)選擇局部連接，符合生物神經(jīng)元的稀疏響應(yīng)特性，可以降低網(wǎng)絡(luò)模型的參數(shù)規(guī)模，相對(duì)而言，對(duì)訓(xùn)練數(shù)據(jù)量的依賴性降低。

南京林業(yè)大學(xué)范佳楠，劉英等采用深度學(xué)習(xí)算法替代傳統(tǒng)的淺層學(xué)習(xí)算法，提出了一種快速深度神經(jīng)網(wǎng)絡(luò)（faster region-based convolutional neural networks， Faster R CNN）的實(shí)木板材缺陷識(shí)別模型。

01

實(shí)木板材缺陷檢測

本研究利用Chroma＋Scan3350激光輪廓和色澤集成掃描儀（圖1）采集實(shí)木板材的圖像，其規(guī)格參數(shù)見表1。實(shí)木板材通過掃描儀正下方時(shí)，上、下兩個(gè)Chroma＋Scan3350型激光掃描儀開始工作，對(duì)經(jīng)過的實(shí)木板材進(jìn)行掃描，并與電腦進(jìn)行實(shí)時(shí)通信，以便直觀反映所采集到的信息（圖2）。檢測的實(shí)木板材種類是杉木，規(guī)格是1000mm×100mm×10mm，檢測時(shí)杉木運(yùn)行速度是48m/min。

02

實(shí)木板材缺陷檢測原理

近年來，神經(jīng)網(wǎng)絡(luò)成為目標(biāo)檢測的主要手段，Ross等在深度學(xué)習(xí)的浪潮下提出了一種基于深度學(xué)習(xí)的目標(biāo)檢測與識(shí)別方法—R-CNN（region based convolutional neural networks），這是一種將卷積網(wǎng)絡(luò)應(yīng)用到目標(biāo)檢測中的方法。R-CNN使用選擇性搜索，預(yù)先提取一些可能包含物體的候選區(qū)域，接著對(duì)該區(qū)域進(jìn)行特征提取，從而判斷是否為目標(biāo)，顯著提高了算法的效率，但是這種方法在每一個(gè)候選區(qū)都要提取一遍特征，而且區(qū)域會(huì)有重疊度，易出現(xiàn)大量的重復(fù)計(jì)算，導(dǎo)致檢測速度較慢。為了解決這一問題，本研究采用Faster R-CNN算法，F(xiàn)aster R-CNN通過輸入整個(gè)圖像一次通過特征提取器，然后從中間層裁剪，從而減輕了處理難度，使裁剪特征提取所需要的計(jì)算能夠共享。Faster R-CNN可以看作是由生成目標(biāo)候選區(qū)的區(qū)域生成網(wǎng)絡(luò)（RPN）和利用這些候選區(qū)的Faster R-CNN（fast region-based convolutional neural networks）檢測器組成的，這樣整個(gè)目標(biāo)候選區(qū)域提取、深度特征提取、目標(biāo)識(shí)別和檢測過程都融入一個(gè)深度神經(jīng)網(wǎng)絡(luò)模型中，從而在不降低檢測精度的基礎(chǔ)上顯著提高了整個(gè)檢測速度。從R-CNN到Faster R-CNN再到Faster R-CNN，目標(biāo)檢測的4個(gè)基本步驟（候選區(qū)域生成，特征提取，分類，位置精修）被統(tǒng)一到一個(gè)深度網(wǎng)絡(luò)框架之內(nèi)。Faster R-CNN模型只需要輸入一張圖片，以及圖片中目標(biāo)的類別和對(duì)應(yīng)的邊界框類別。隨后通過CNN模型對(duì)圖像做特征提取，并將輸出的特征用RPN（region proposal network）做候選區(qū)域的預(yù)測，再用預(yù)測到的候選區(qū)域邊框?qū)μ卣鲌D做Rol操作，以達(dá)到目標(biāo)識(shí)別和邊界框回歸。其中RPN是一個(gè)全卷積神經(jīng)網(wǎng)絡(luò)，其輸入前一層為任一大小的特征圖，輸出為一系列的矩形目標(biāo)候選區(qū)。為了生成候選區(qū)域，一個(gè)小型網(wǎng)絡(luò)在共享卷積網(wǎng)絡(luò)的最后一層卷積層的輸出特征圖上進(jìn)行了滑窗選擇。該網(wǎng)絡(luò)的輸入為特征圖的一個(gè)n×n的窗口。對(duì)于每個(gè)窗口，同時(shí)預(yù)測k個(gè)目標(biāo)候選區(qū)，這k個(gè)候選區(qū)都與這個(gè)窗口存在關(guān)聯(lián)，稱為anchors。每個(gè)anchor 都有著對(duì)應(yīng)的尺度和比例。卷積特征圖中的每一個(gè)點(diǎn)都是一個(gè)anchors中心，有K個(gè)對(duì)應(yīng)的anchors。每個(gè)窗口被映射為一個(gè)低維的向量，該特征向量被傳送到兩個(gè)子網(wǎng)絡(luò)中：邊框回歸網(wǎng)絡(luò)和邊框分類網(wǎng)絡(luò)。邊框回歸網(wǎng)絡(luò)輸出的是每個(gè)anchor的平移縮放值，對(duì)每個(gè)窗口，有4k個(gè)輸出；邊框分類網(wǎng)絡(luò)輸出的是每個(gè)anchor屬于目標(biāo)或背景的概率，對(duì)于每個(gè)窗口有2k個(gè)輸出。RPN的訓(xùn)練過程是端到端的。使用的優(yōu)化方法是反向傳播和隨機(jī)梯度下降，損失函數(shù)是分類誤差和回歸誤差的聯(lián)合損失：

式中：i表示第i個(gè)anchor點(diǎn)；pi*表示第i個(gè)anchor目標(biāo)的預(yù)測概率；pi*表示第i個(gè)anchor點(diǎn)為正樣本；ti*是一個(gè)向量，表示預(yù)測包圍盒的4個(gè)參數(shù)化坐標(biāo)；ti*表示候選區(qū)域邊框和真實(shí)目標(biāo)邊框之間的偏差；Lcls表示分類誤差函數(shù)；Ncls表示分類誤差函數(shù)的個(gè)數(shù)；Lreg表示回歸誤差函數(shù)；Nreg表示回歸誤差函數(shù)的個(gè)數(shù)。

03

實(shí)木板材缺陷檢測算法實(shí)現(xiàn)

3.1實(shí)木板材缺陷圖像預(yù)處理主要流程

系統(tǒng)首先采集實(shí)木板材圖像，對(duì)圖像進(jìn)行分析處理，剔除干擾，方便之后對(duì)缺陷提取特征，實(shí)木板材缺陷圖像預(yù)處理主要流程如圖3所示。

3.2實(shí)木板材缺陷圖像特征提取

首先需要選用合適的特征提取器來對(duì)實(shí)木板材缺陷圖像進(jìn)行特征提取，網(wǎng)絡(luò)結(jié)構(gòu)層的數(shù)量和參數(shù)直接影響檢測框架的存儲(chǔ)效率、檢測速度和檢測效果，共選用Inception Resnet V2， Inception V2，Resnet V2，MobileNet這4種特征提取器來進(jìn)行比較檢測，這些網(wǎng)絡(luò)結(jié)構(gòu)tensorflow上都有開源的實(shí)現(xiàn)方式，通過多種特征提取網(wǎng)絡(luò)的實(shí)驗(yàn)對(duì)比，選出最適合實(shí)木板材缺陷檢測的檢測框架，值得注意的是， 這里采用的是Resnet V2結(jié)構(gòu)在tensorflow中實(shí)現(xiàn)實(shí)木板材缺陷圖像的特征提取。Faster R-CNN框架結(jié)構(gòu)見圖４，首先利用一個(gè)卷積神經(jīng)網(wǎng)絡(luò)對(duì)待測圖像進(jìn)行特征提取，生成特圖，接著利用一個(gè)區(qū)域生成網(wǎng)絡(luò)（region proposal network， RPN）對(duì)特征圖進(jìn)行處理并輸出多種尺度和寬高比的目標(biāo)候選區(qū)域，最后利用一個(gè)分類回歸網(wǎng)絡(luò)根據(jù)候選區(qū)域內(nèi)的特征進(jìn)行判別輸出。

采用ZF-Net作為Faster R-CNN算法的特征提取網(wǎng)絡(luò)，網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。

采用ZF-Net作為Faster R-CNN算法的特征提取網(wǎng)絡(luò)，網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。

Sigmoid函數(shù)是一種常用的非線性激活函數(shù)，函數(shù)在能夠?qū)⑤斎氲倪B續(xù)變量值映射到0到1之間。當(dāng)輸入變量值非常大或者非常小時(shí)，會(huì)出現(xiàn)飽和現(xiàn)象，Sigmoid函數(shù)的導(dǎo)數(shù)趨向于O。在反向傳播過程中，計(jì)算每一層網(wǎng)絡(luò)的梯度需要乘以一個(gè)Sigmoid函數(shù)的導(dǎo)數(shù)，若Sigmoid函數(shù)的導(dǎo)數(shù)趨向于O，那么隨著梯度向后傳播，梯度會(huì)變得越來越小，出現(xiàn)梯度消失現(xiàn)象，導(dǎo)致網(wǎng)絡(luò)變得難以學(xué)習(xí)。在ZF-Net中，相對(duì)于Sigmoid函數(shù)，ReLU函數(shù)在反向傳導(dǎo)過程中計(jì)算量少，同時(shí)使用ReLU作為激活函數(shù)時(shí)，部分神經(jīng)元輸出將為0，使得神經(jīng)網(wǎng)絡(luò)具有稀疏性，抑制過擬合問題，并且其收斂速度較快，故使用ReLU作為激活函數(shù)。在Faster R-CNN算法中，候選區(qū)域生成網(wǎng)絡(luò)是一個(gè)卷積神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)以特征提取網(wǎng)絡(luò)輸出的特征圖作為輸入，輸出多種尺度和寬高比的矩形候選區(qū)域。該網(wǎng)絡(luò)首先使用一個(gè)滑動(dòng)窗口在特征圖上進(jìn)行滑動(dòng)，將滑動(dòng)窗口經(jīng)過的每個(gè)位置上的特征映射成一個(gè)256維（選用ZF-Net作為特征提取網(wǎng)絡(luò)時(shí)為256維，選用其他網(wǎng)絡(luò)作為特征提取網(wǎng)絡(luò)時(shí)，該值會(huì)有變化）的特征向量，然后將每個(gè)特征向量輸入到兩個(gè)全連接層當(dāng)中，一個(gè)全連接層輸出2×9＝18個(gè)分?jǐn)?shù)，另一個(gè)全連接層輸出4×9＝36個(gè)坐標(biāo)。Faster R-CNN算法為每個(gè)滑動(dòng)窗口位置定義了9個(gè)錨點(diǎn)，得到每個(gè)滑動(dòng)窗口位置的坐標(biāo)之后，利用坐標(biāo)對(duì)基準(zhǔn)矩形框進(jìn)行修正，每個(gè)基準(zhǔn)矩形框分別對(duì)應(yīng)4個(gè)坐標(biāo)，最后每個(gè)滑動(dòng)窗口位置得到9個(gè)候選區(qū)域。上述18個(gè)分?jǐn)?shù)為候選區(qū)域的評(píng)分，每個(gè)候選區(qū)域?qū)?yīng)2個(gè)分?jǐn)?shù)，分別代表該候選區(qū)域內(nèi)包含和不包含待測目標(biāo)的可能性。實(shí)木板材通過CNN特征提取得到的結(jié)果見圖6，實(shí)木板材缺陷最終檢測結(jié)果見圖７。本研究構(gòu)建了Faster R-CNN檢測框架，使用tensorflow開發(fā)平臺(tái)可以有效地更換特征提取器，實(shí)現(xiàn)在多種不同的特征提取網(wǎng)絡(luò)下不同種檢測框架的檢測效果。本實(shí)驗(yàn)采用2000張杉木缺陷圖像，通過旋轉(zhuǎn)30°，60°，90°，120°，150°和180°對(duì)原始圖像進(jìn)行數(shù)據(jù)擴(kuò)充，擴(kuò)充后圖像的80％作為訓(xùn)練集，20％作為驗(yàn)證集來進(jìn)行仿真。Faster R-CNN采用隨機(jī)梯度下降法（SGD）來對(duì)參數(shù)進(jìn)行更新，量大小（bitch size）設(shè)置為1，SGD動(dòng)量設(shè)置均為0.8，初始學(xué)習(xí)率設(shè)定為0.001，迭代總次數(shù)設(shè)定為10萬次，步長設(shè)定為15。

從表3可以看出：Faster R-CNN對(duì)實(shí)木板材節(jié)子缺陷檢測正確率是98％，對(duì)實(shí)木板材孔洞缺陷檢測正確率是95％。相比SVM和BP算法，缺陷檢測正確率有明顯提高，表明本系統(tǒng)可以應(yīng)用于實(shí)木板材的缺陷檢測與剔除。

04

實(shí)木板材缺陷檢測識(shí)別系統(tǒng)

界面實(shí)木板材檢測系統(tǒng)能實(shí)現(xiàn)圖像采集、圖像處理、查詢等功能。圖像采集包括圖像信息輸入、圖像采集、圖像特征提取和圖像存儲(chǔ)功能；圖像處理包括缺陷、紋理、顏色識(shí)別，主要研究實(shí)木板材缺陷檢測識(shí)別；查詢包括按圖像編號(hào)查詢、按材料類型查詢和按規(guī)格查詢。圖像信息輸入界面，可以記錄采集圖像的日期，實(shí)木板材種類及規(guī)格。實(shí)木板材圖像處理界面，點(diǎn)擊采集圖像按鈕，就可以顯示實(shí)木板材圖像，進(jìn)而可以對(duì)采集到的圖像進(jìn)行預(yù)處理和特征提取。圖8是實(shí)木板材缺陷位置檢測識(shí)別界面，點(diǎn)擊開始運(yùn)行按鈕，系統(tǒng)將會(huì)對(duì)特征提取后的實(shí)木板材缺陷圖像進(jìn)行檢測識(shí)別，表面檢測后的圖像會(huì)顯示在界面中，表面缺陷的位置信息也會(huì)實(shí)時(shí)顯示，以便之后對(duì)缺陷進(jìn)行剔除。實(shí)木板材缺陷位置檢測系統(tǒng)共處理了12000張缺陷圖像，其中一張缺陷圖像運(yùn)行結(jié)果如圖8所示：該實(shí)木板材圖像機(jī)器學(xué)習(xí)識(shí)別到6個(gè)缺陷并做出標(biāo)志，缺陷位置信息也已經(jīng)顯示，人工識(shí)別該實(shí)木板材圖像也有6個(gè)缺陷，故而對(duì)該實(shí)木板材圖像的缺陷能做到準(zhǔn)確識(shí)別。該系統(tǒng)處理并檢測識(shí)別一張缺陷圖片的時(shí)間是3s，對(duì)實(shí)木板材節(jié)子缺陷檢測正確率是98％，對(duì)實(shí)木板材孔洞缺陷檢測正確率是95％。

結(jié) 論

我國人口數(shù)量眾多，森林資源匱乏，人均占有量偏少，木材的利用率遠(yuǎn)低于發(fā)達(dá)國家，木材缺陷分類識(shí)別還不能完全做到機(jī)器化，仍有人工檢測方法的存在，識(shí)別率低。針對(duì)該問題，本研究采用深度學(xué)習(xí)方法對(duì)實(shí)木板材缺陷進(jìn)行研究，利用ResnetV2結(jié)構(gòu)對(duì)采集到的節(jié)子、孔洞等實(shí)木板材缺陷圖像進(jìn)行特征提取，應(yīng)用基于快速深度神經(jīng)網(wǎng)絡(luò)的實(shí)木板材缺陷識(shí)別模型對(duì)提取到的缺陷特征進(jìn)行訓(xùn)練學(xué)習(xí)，最后使用tensorflow 作為實(shí)驗(yàn)平臺(tái)構(gòu)建了Faster R-CNN檢測框架對(duì)節(jié)子、孔洞等實(shí)木板材缺陷進(jìn)行預(yù)測仿真。本算法具體采用了2000 張杉木缺陷圖像，通過旋轉(zhuǎn)30°，60°，90°，120°，150°和180°對(duì)原始圖像進(jìn)行數(shù)據(jù)擴(kuò)充，擴(kuò)充后圖像的80％作為訓(xùn)練集，20％作為驗(yàn)證集來進(jìn)行仿真，結(jié)果表明：對(duì)實(shí)木板材節(jié)子缺陷檢測正確率是98％，對(duì)實(shí)木板材孔洞缺陷檢測正確率是95％，驗(yàn)證算法應(yīng)用在實(shí)木板材缺陷檢測方面的有效性。筆者構(gòu)建實(shí)木板材缺陷檢測系統(tǒng)界面，該系統(tǒng)能實(shí)現(xiàn)圖像采集、圖像處理、特征提取和分類識(shí)別等功能，對(duì)每張杉木缺陷圖像有效地進(jìn)行分類識(shí)別并能將結(jié)果保存到數(shù)據(jù)庫以便后期查詢。

責(zé)任編輯：lq