木材缺陷识别方法综述

钟丽辉，程昱之，孙永科，苗 晟，戴正权

（1.西南林业大学大数据与智能工程学院，云南 昆明 650224；2.西南林业大学，机械与交通学院，云南 昆明 650224）

木材资源的需求逐年上升，但木材资源的综合利用率较低，仅为60%左右。同时，木材在成材过程中会因自然先天性和病理后天性原因不可避免地产生死节、活节、虫眼、变色和腐朽等缺陷。这些缺陷破坏了木材材质结构的均匀性和力学承受能力等，影响了木材的质量、加工方法和生产工艺。目前，根据木材缺陷的类别来指导木材的加工方法和生产工艺，可提高木材的利用率和质量。但是木材缺陷的检测主要是人工检测，无法满足自动化生产需求，对木材缺陷进行智能识别，从而提高木制产品的质量和制作效率，已成为木材加工行业面临的一大难题，也是目前研究的一大热点[1]。

1 木材缺陷检测方法

1.1 人工检测木材缺陷方法

目前，国内最常用的木材缺陷检测方法是传统的人工检测法。该方法首先需要专业人士基于专业知识和实践经验经视觉观察后确定木材缺陷的类型；然后选用合适测量工具对缺陷的尺寸大小和位置进行测量；最后根据实际应用，结合国家标准，确定板材的使用情况。该方法检测过程较为主观，同时容易造成视觉疲劳而产生错检和误检[1]。

1.2 超声波检测木材缺陷方法

超声波检测木材缺陷是利用超声波在传播过程中，遇到木材缺陷时传播速度会减少，超声波传播时间变长。首先测量超声波波速；然后根据超声弹性模量和超声纵波波速计算木材的弹性模量；最后利用计算出的弹性模量与力学性质的正相关性，估算出木材的机械强度，进而对木材缺陷进行识别。目前，超声波检测木材缺陷方法可以检测出木材表面和内部节子、虫眼和夹皮等木材缺陷，但无法检测木材变色缺陷等。该木材缺陷检测方法不能在木材表面做连续扫描，所以在木材自动化生产流水线无法使用[2，3]。

1.3 射线检测木材缺陷方法

射线检测木材缺陷的原理是射线通过被检测木材时，正常木材部分和有缺陷木材部分对射线的吸收和衰减不一样，分析在感光底片上的记录，实现木材缺陷的检测。该方法因射线照射后需要有硫化钙、硫化锌等物质来荧光成像，对比度低，木材内部缺陷识别效果不理想。而且该方法有辐射，防护要求极高，实际使用较为困难[4-6]。

1.4 激光检测木材缺陷方法

激光检测木材缺陷方法：首先，激光束照射在扫瞄镜上，让激光束反复穿过检测木材；其次，经光电倍增管系统和扫描头收集反射激光信号，产生木材横断面图像数据；再次，利用图像处理算法对激光获取的图像数据进行处理；最后，离线方式获得原检测木材的表面缺陷，及缺陷的类型和尺寸。

德国学者Schiitt C. 采用激光检测法对正在生长的树干进行扫描，最后采用神经网络技术进行缺陷识别。我国东北林业大学学者韩玉杰等，利用激光位移传感器获取木材表面物理特征的时变信号，对该特征信号进行数字信号处理，实现木材表面节子和裂纹缺陷的检测和节子缺陷区域的深度及宽度的计算。激光检测木材缺陷方法检测速度慢，识别能力有限，对震动环境适应性差，自动化生产无法满足[7-9]。

1.5 声发射检测木材缺陷方法

声发射检测木材缺陷方法主要用于木材内部缺陷检测。因为木材受力产生断裂时，则木材以弹性波的形式释放应变能。利用电子仪器检测应变能，利用数字信号处理的方式对应变能及弹性波进行分析，判断木材内部裂纹等缺陷[1]。

1.6 数字图像处理检测木材缺陷方法

1.6.1 传统的机器学习方法检测木材缺陷

目前国内外对木材缺陷的识别基本都采用传统的数字图像处理方式。首先，采用灰度变换，直方图均衡化，空间域或者频域滤波等对图像进行增强等预处理；然后，对木材缺陷图像进行木材缺陷分割和木材缺陷特征提取；最后，采用传统的机器学习算法对图像进行识别。其中木材缺陷的分割和缺陷特征提取直接影响最终的识别效果。

木材缺陷分割采用较多的方法有局部阈值分割，区域生长，分水岭分割，最大熵阈值分割，最大类间方差法分割，最小误差阈值分割法和全阈值分割等。这些分割前或者后处理会采用边缘检测和形态学处理等。

木材缺陷的特征提取，主要方法有主成分分析法，独立成分分析法，灰度共生矩阵，颜色矩阵和颜色直方图等，将颜色特征、几何特征和纹理特征进行提取，构成多个具体特征值，用来作为后续不同的木材缺陷进行识别。

木材缺陷识别用的最多的为不同的神经网络和支持向量机，其中神经网络常采用反向传播神经网络、自组织神经网络和RBP 神经网络，用于小样本缺陷数据的识别[10-21]。

1.6.2 深度学习方法检测木材缺陷

2015 年《Nature》上发表文章《Deep Learning》，LeCun Y等预言深度学习未来在图像、视频、音频等方面的应用将取得突破性进展。深度学习是目前人工智能的主流算法，在图像处理领域得到广泛应用，在大数据的前提下，深度学习算法的识别效果均优于传统的机器学习算法。范佳楠等利用Faster R-CNN 对实木板材缺陷进行检测；项宇杰等利用深度卷积神经网络对木材表面缺陷进行检测[22-27]。

2 结论

木材缺陷检测方法多样，有人工检测方法、激光检测方法、射线检测方法、计算机视觉检测法、超声检测方法和声发射检测法等。人工检测方法虽为最常用，但受主观限制，不易长时间工作，所以无法满足板材自动化生产。超声检测法，虽能对木材内部和表面的部分缺陷进行检测，但是因无法在木材表面做连续扫描，实际应用受到局限。射线检测法因有强辐射，检测设备成本高，同时防护要求极高。激光检测法检测速度慢，识别木材缺陷时受限于提取的有效特征和识别算法。声发射检测木材缺陷，应用于木材内部缺陷的检测，检测的缺陷相对单一。

目前，国内南京林业大学、北京林业大学和东北林业大学采用数字图像处理的方式对木材缺陷检测做了大量卓有成效的研究工作。对缺陷识别检测，根据算法分为两大类，一类采用传统机器学习算法。首先，通过不同的相机或者摄像头获取木材缺陷图像，实现图像的采集；其次，对木材缺陷图像进行预处理，通过对图像进行灰度变换、直方图处理、空间域或者频域滤波等实现木材缺陷图形的增强；再次，对木材缺陷进行分割，形态学处理等；然后，对缺陷进行特征提取，该步骤最为关键，直接影响识别效果；最后，采用传统机器学习算法对木材缺陷进行检测，常用的识别算法是BP 神经网络和支持向量机。另外一类是采用智能算法深度学习进行识别，对海量的缺陷图像进行学习，算法卷积和池化过程实现缺陷特征的自动提取，全连接层进行木材缺陷分类识别。也有学者将采用来联合算法的方式，将传统和深度学习算法相结合，实现木材缺陷的检测。

数字图像处理在木材缺陷检测领域得到越来越多的重视和应用，但存在一些难点和不足。如木材缺陷图像采集受到环境，光照和模板等的影响，采集的图像噪声较大，给后期处理和识别增加难度；国内和国外都缺少大型木材缺陷的图像数据库等。工业化的木材加工需要智能化的木材缺陷检测，也就是需要快速，方便和准确的识别木材缺陷的类别和木材缺陷大小的计算。寻求普适性和精度高，具有综合分析能力的木材缺陷识别方法来代替人工目测等方法，解决木材缺陷的识别迫在眉睫。