張旭中 翟道遠(yuǎn) 陳俊

摘要：針對(duì)典型仿生智能算法處理木材缺陷圖像感知及質(zhì)量決策問題時(shí)存在的多維退化因素作用下的缺陷圖像失真嚴(yán)重、缺陷圖像先驗(yàn)特征提取方差波動(dòng)頻繁、質(zhì)地不均勻缺陷圖像灰度分割失效、異種木材自身紋理泛化能力與學(xué)習(xí)能力失衡、最優(yōu)收斂速度隨缺陷維度呈遲滯變化等先天不足，提出了一種基于深度強(qiáng)化學(xué)習(xí)的木材缺陷圖像重構(gòu)及質(zhì)量評(píng)價(jià)模型。引入深度學(xué)習(xí)機(jī)制，通過利用深度殘差網(wǎng)絡(luò)進(jìn)行迭代訓(xùn)練，實(shí)現(xiàn)差異性木材多維缺陷圖像實(shí)時(shí)高效重構(gòu)，構(gòu)建面向差異性木材多維缺陷精細(xì)分割與特征提取的全景自主感知模型，構(gòu)建大數(shù)據(jù)量級(jí)木材缺陷特征共享資源池;引入強(qiáng)化學(xué)習(xí)機(jī)制，利用深度確定性策略梯度算法建立缺陷特征迭代更新、自主決策、全景可視、深度預(yù)測(cè)與木材質(zhì)量評(píng)價(jià)之間的高維度決策映射，實(shí)現(xiàn)多維差異性木材缺陷圖像重構(gòu)及質(zhì)量評(píng)價(jià)的橫向共享集成?；赥ensorflow開源框架，在Gym Torcs環(huán)境下進(jìn)行模型效能仿真驗(yàn)證，較好解決了典型仿生智能算法處理木材缺陷圖像感知及質(zhì)量決策問題時(shí)存在的若干固有缺陷，實(shí)現(xiàn)木材缺陷圖像自主感知重構(gòu)及質(zhì)量評(píng)價(jià)自主決策，具有缺陷特征感知全面、抗干擾性強(qiáng)、自主決策性高等優(yōu)勢(shì)。以浙江省湖州市南湖林場(chǎng)轄區(qū)內(nèi)某經(jīng)濟(jì)林木為效能評(píng)價(jià)載體，對(duì)模型進(jìn)行了工程應(yīng)用分析，結(jié)果表明，該模型可以較好實(shí)現(xiàn)木材多維缺陷感知與重構(gòu)、全局最優(yōu)質(zhì)量評(píng)價(jià)自主智能決策，在感知自主性、重構(gòu)復(fù)現(xiàn)性、自主決策性、模型泛化能力等方面具有明顯優(yōu)勢(shì)。

關(guān)鍵詞：木材缺陷檢測(cè);圖像重構(gòu);深度強(qiáng)化學(xué)習(xí);質(zhì)量評(píng)價(jià);自主感知與決策

Abstract： Aiming at the problem of wood defect image perception and quality decision-making in typical bionic intelligent algorithm， the defect image distortion was serious， the variance of prior feature extraction of defect image fluctuates frequently， the gray level segmentation of defect image with uneven texture is invalid， the generalization ability and learning ability of different wood texture are unbalanced， and the optimal convergence speed is delayed with the defect dimension， a model of wood defect image reconstruction and quality evaluation based on deep reinforcement learning was proposed.By introducing the deep learning mechanism and using the deep residual network for iterative training， we can realize the real-time and efficient reconstruction of the multi-dimensional defect image of different wood， build a panoramic autonomous perception model for the fine segmentation and feature extraction of multi-dimensional defect of different wood， and build a large data level shared resource pool of wood defect features;By introducing reinforcement learning mechanism and using depth deterministic strategy gradient algorithm， a high-dimensional decision mapping among iterative updating of defect features， independent decision-making， panoramic visibility， depth prediction and wood quality evaluation was established， which realized the horizontal sharing integration of multi-dimensional difference wood defect image reconstruction and quality evaluation. Taking an economic forest in Nanhu forest farm area of Huzhou city， Zhejiang province as the evaluation carrier， the engineering application analysis of the model was carried out. The verification results showed that the model proposed in this paper can better realize the multi-dimensional defect perception and reconstruction of wood， the autonomous intelligent decision-making of global optimal quality evaluation， and has the obvious ability of sensing autonomy， reconstruction reproducibility， autonomous decision-making， model generalization， etc show superiority.

Key words： wood defect detection; image reconstruction; deep reinforcement learning; quality evaluation; self perception and decision making

木材是基礎(chǔ)建筑材料中最珍貴的一種自然資源，同時(shí)也是人類歷史上使用時(shí)間最長的材料之一。木材、水泥、鋼材和塑料是當(dāng)今四大基礎(chǔ)建筑材料，其中，唯獨(dú)木材是可再生的資源。當(dāng)前，中國面臨森林資源短缺、木材質(zhì)量低下等不利于林業(yè)發(fā)展的現(xiàn)狀，作為一個(gè)森林資源相對(duì)貧乏的國家[1]，應(yīng)珍惜和保護(hù)有限的森林資源，做到充分合理地使用木材資源。如何提高木材利用率，充分利用好森林資源，是中國林業(yè)科技人員需要認(rèn)真面對(duì)的重要課題。在木材加工生產(chǎn)過程中，木材質(zhì)量檢測(cè)分級(jí)是一個(gè)重要環(huán)節(jié)，所謂的木材質(zhì)量檢測(cè)與分級(jí)，即是以中華人民共和國國家標(biāo)準(zhǔn)中的標(biāo)準(zhǔn)為依據(jù)，對(duì)木材質(zhì)量進(jìn)行檢測(cè)與分級(jí)，檢測(cè)實(shí)質(zhì)上是木材缺陷檢測(cè)[2]，分級(jí)的標(biāo)準(zhǔn)則是依據(jù)國家標(biāo)準(zhǔn)進(jìn)行分級(jí)，如GB/T 4822-2015即是鋸材檢驗(yàn)的國家標(biāo)準(zhǔn)，其中詳細(xì)地描述了鋸材的材質(zhì)判定以確定木材的等級(jí)。目前對(duì)于木材質(zhì)量檢測(cè)分級(jí)主要是依靠人工目測(cè)進(jìn)行，由于人工檢測(cè)標(biāo)準(zhǔn)不一，導(dǎo)致缺陷誤判增加從而影響木材質(zhì)量判定。另外，由于人工作業(yè)強(qiáng)度大、時(shí)間長，容易造成視覺疲勞，影響最終檢測(cè)精度。研究基于人工智能對(duì)傳統(tǒng)木材表面缺陷檢測(cè)及質(zhì)量分級(jí)進(jìn)行數(shù)字化改造[3]，將極大解放人工勞動(dòng)力，引導(dǎo)原有體力勞動(dòng)向腦力勞動(dòng)轉(zhuǎn)換，改變傳統(tǒng)木材篩選的生產(chǎn)模式，提升產(chǎn)業(yè)效率及自動(dòng)化水平。

構(gòu)建具有自我感知、自我分析、自我決策屬性的木材生產(chǎn)質(zhì)量視覺檢測(cè)信息實(shí)時(shí)感知與全景重構(gòu)機(jī)制是中國制造2025重大戰(zhàn)略部署的重要組成部分，構(gòu)建基于深度強(qiáng)化學(xué)習(xí)的木材缺陷圖像重構(gòu)及質(zhì)量評(píng)價(jià)模型是木材生產(chǎn)質(zhì)量視覺檢測(cè)的底層數(shù)據(jù)需求，在木材生產(chǎn)質(zhì)量視覺檢測(cè)系統(tǒng)構(gòu)建的全局中發(fā)揮基礎(chǔ)作用，是保障木材生產(chǎn)質(zhì)量視覺檢測(cè)系統(tǒng)全鏈條暢通的關(guān)鍵一環(huán)[4]。借助浙江省湖州市南湖林場(chǎng)轄區(qū)內(nèi)木材缺陷多維數(shù)據(jù)源，構(gòu)建大數(shù)據(jù)量級(jí)共享數(shù)據(jù)資源池，引入深度強(qiáng)化學(xué)習(xí)機(jī)制建立缺陷圖像全景感知、特征匹配、全景重構(gòu)、智能決策與評(píng)價(jià)與待檢木材真實(shí)質(zhì)量之間的高維度決策映射，實(shí)現(xiàn)具有自主感知與決策屬性的木材生產(chǎn)質(zhì)量視覺檢測(cè)機(jī)制[5]。以浙江省湖州市南湖林場(chǎng)轄區(qū)內(nèi)某經(jīng)濟(jì)林木為效能評(píng)價(jià)載體，開發(fā)對(duì)應(yīng)的原型系統(tǒng)并對(duì)模型綜合效能進(jìn)行實(shí)證分析，驗(yàn)證結(jié)果表明，所提模型可以較好實(shí)現(xiàn)木材多維缺陷感知與重構(gòu)、全局最優(yōu)質(zhì)量評(píng)價(jià)自主智能決策，在感知自主性、重構(gòu)復(fù)現(xiàn)性、自主決策性、模型泛化能力等方面具有明顯優(yōu)勢(shì)，較好地解決了典型仿生智能算法處理木材缺陷圖像感知及質(zhì)量決策問題時(shí)存在的多維退化因素作用下的缺陷圖像失真嚴(yán)重、缺陷圖像先驗(yàn)特征提取方差波動(dòng)頻繁、質(zhì)地不均勻缺陷圖像灰度分割失效等先天不足，可以滿足中小規(guī)模的木材生產(chǎn)質(zhì)量檢測(cè)生產(chǎn)線智慧化改造需求[6]，具有較好的推廣應(yīng)用價(jià)值。

1 木材缺陷圖像重構(gòu)及質(zhì)量評(píng)價(jià)模型體系架構(gòu)設(shè)計(jì)

基于深度強(qiáng)化學(xué)習(xí)的木材缺陷圖像重構(gòu)及質(zhì)量評(píng)價(jià)模型系統(tǒng)體系架構(gòu)具備待檢木材缺陷圖像實(shí)時(shí)全景感知、異構(gòu)缺陷圖像數(shù)據(jù)快速重構(gòu)與暫存、歸一化格式下的多線程傳輸、質(zhì)量分級(jí)評(píng)價(jià)與自主智能決策等全方位立體木材生產(chǎn)質(zhì)量視覺檢測(cè)全壽命周期體系效能，構(gòu)建具備待檢木材缺陷圖像實(shí)時(shí)全景感知、圖像重構(gòu)、質(zhì)量評(píng)價(jià)、缺陷復(fù)現(xiàn)、自主決策等全鏈機(jī)制[7]，如圖1所示，設(shè)計(jì)了木材缺陷圖像重構(gòu)及質(zhì)量評(píng)價(jià)模型體系專用架構(gòu)。以木材生產(chǎn)質(zhì)量視覺檢測(cè)全壽命周期體系效能全鏈條運(yùn)維需求為指引，將基于深度強(qiáng)化學(xué)習(xí)的木材缺陷圖像重構(gòu)及質(zhì)量評(píng)價(jià)模型系統(tǒng)體系架構(gòu)劃分為木材缺陷圖像感知子模塊、木材缺陷圖像重構(gòu)子模塊、質(zhì)量評(píng)價(jià)與智能決策子模塊、人機(jī)交互子模塊等，其中，木材缺陷圖像感知子模塊借助高速線性CCD相機(jī)對(duì)木材活節(jié)、死節(jié)、蟲眼、裂紋等缺陷圖像進(jìn)行高效采集與精準(zhǔn)定位識(shí)別;木材缺陷圖像重構(gòu)子模塊，引入深度學(xué)習(xí)機(jī)制，通過利用深度殘差網(wǎng)絡(luò)進(jìn)行迭代訓(xùn)練，實(shí)現(xiàn)差異性木材多維缺陷圖像實(shí)時(shí)高效重構(gòu)，構(gòu)建面向差異性木材多維缺陷精細(xì)分割與特征提取的全景自主感知模型;質(zhì)量評(píng)價(jià)與智能決策子模塊，引入強(qiáng)化學(xué)習(xí)機(jī)制，利用深度確定性策略梯度算法建立缺陷特征迭代更新、自主決策、全景可視、深度預(yù)測(cè)與木材質(zhì)量評(píng)價(jià)之間的高維度決策映射，實(shí)現(xiàn)多維差異性木材缺陷圖像重構(gòu)及質(zhì)量評(píng)價(jià)的橫向共享集成;人機(jī)交互子模塊實(shí)現(xiàn)跨平臺(tái)應(yīng)用系統(tǒng)下的人機(jī)友好交互。

以木材缺陷圖像重構(gòu)及質(zhì)量評(píng)價(jià)模型體系架構(gòu)為狀態(tài)流頂層設(shè)計(jì)指導(dǎo)，對(duì)基于深度強(qiáng)化學(xué)習(xí)的木材缺陷圖像重構(gòu)及質(zhì)量評(píng)價(jià)模型控制流邏輯進(jìn)行設(shè)計(jì)，通過線性CCD獲取大數(shù)據(jù)量級(jí)的正常木材圖像，形成訓(xùn)練樣本數(shù)據(jù)集，將這些正常的樣本數(shù)據(jù)集輸入基于卷積自編碼器的深度殘差網(wǎng)絡(luò)進(jìn)行訓(xùn)練，可以學(xué)習(xí)正常木材的數(shù)據(jù)分布特征，不學(xué)習(xí)缺陷的數(shù)據(jù)分布特征。在推理階段，將待測(cè)圖輸入到網(wǎng)絡(luò)進(jìn)行重構(gòu)[8]，以滑動(dòng)區(qū)域?yàn)橹貥?gòu)對(duì)象，與原圖像做殘差，算出殘差值與閾值對(duì)比得到二值圖分類結(jié)果，即可顯示出缺陷所在區(qū)域。將木材圖像輸入分類器用以區(qū)分得到相應(yīng)的木材質(zhì)量等級(jí)，上述算法檢測(cè)完成后將得到有缺陷區(qū)域的圖像輸入到基于圖像分類器的木材質(zhì)量分級(jí)系統(tǒng)中進(jìn)行質(zhì)量分級(jí)。硬件部分由圖像采集設(shè)備（線性CCD）采集正常木材圖像和待檢測(cè)木材圖像，將圖像輸入計(jì)算機(jī)儲(chǔ)存為樣本數(shù)據(jù)集和待檢測(cè)數(shù)據(jù)集，將樣本數(shù)據(jù)集通過嵌入式電腦進(jìn)行訓(xùn)練得到帶參數(shù)的模型，將待檢測(cè)圖像數(shù)據(jù)輸入到嵌入式電腦的模型中進(jìn)行推理，得到檢測(cè)結(jié)果，給出分類指令對(duì)木材圖像進(jìn)行質(zhì)量分級(jí)，之后交給下一級(jí)執(zhí)行設(shè)備進(jìn)行處理，基于深度強(qiáng)化學(xué)習(xí)的木材缺陷圖像重構(gòu)及質(zhì)量評(píng)價(jià)模型控制流邏輯如圖2所示。

2 木材缺陷圖像重構(gòu)及質(zhì)量評(píng)價(jià)模型定量化建模

基于木材缺陷圖像重構(gòu)及質(zhì)量評(píng)價(jià)模型體系架構(gòu)，木材缺陷圖像感知子模塊借助高速線性CCD相機(jī)對(duì)木材活節(jié)、死節(jié)、蟲眼、裂紋等缺陷圖像進(jìn)行高效采集與精準(zhǔn)定位識(shí)別，屬于標(biāo)準(zhǔn)化工程實(shí)現(xiàn)方法，遵循線性CCD相應(yīng)工程標(biāo)準(zhǔn)即可;木材缺陷圖像重構(gòu)子模塊、質(zhì)量評(píng)價(jià)與智能決策子模塊進(jìn)行創(chuàng)新設(shè)計(jì)，著重改善典型仿生智能算法處理木材缺陷圖像感知及質(zhì)量決策問題時(shí)存在的多維退化因素作用下的缺陷圖像失真嚴(yán)重、缺陷圖像先驗(yàn)特征提取方差波動(dòng)頻繁、質(zhì)地不均勻缺陷圖像灰度分割失效、異種木材自身紋理泛化能力與學(xué)習(xí)能力失衡、最優(yōu)收斂速度隨缺陷維度呈遲滯變化等先天不足，引入深度學(xué)習(xí)機(jī)制，通過利用深度殘差網(wǎng)絡(luò)進(jìn)行迭代訓(xùn)練[9]，實(shí)現(xiàn)差異性木材多維缺陷圖像實(shí)時(shí)高效重構(gòu)，構(gòu)建面向差異性木材多維缺陷精細(xì)分割與特征提取的全景自主感知模型，構(gòu)建大數(shù)據(jù)量級(jí)木材缺陷特征共享資源池;引入強(qiáng)化學(xué)習(xí)機(jī)制，利用深度確定性策略梯度算法建立缺陷特征迭代更新、自主決策、全景可視、深度預(yù)測(cè)與木材質(zhì)量評(píng)價(jià)之間的高維度決策映射，實(shí)現(xiàn)多維差異性木材缺陷圖像重構(gòu)及質(zhì)量評(píng)價(jià)的橫向共享集成?；谏鲜龇治?，給出木材缺陷圖像重構(gòu)及質(zhì)量評(píng)價(jià)模型定量化實(shí)現(xiàn)過程，為工程化效能分析提供定量保證。

2.1 引入深度殘差網(wǎng)絡(luò)機(jī)制

木材缺陷圖像感知對(duì)學(xué)習(xí)效率和實(shí)時(shí)性具有較高要求，引入深度殘差網(wǎng)絡(luò)機(jī)制改善深度學(xué)習(xí)的決策性能，使用殘差學(xué)習(xí)網(wǎng)絡(luò)實(shí)現(xiàn)堆積層與輸入特征的恒等映射，具體為Q（s，a;θi） 表示當(dāng)前殘差網(wǎng)絡(luò)Eval.net的輸出，用來評(píng)估當(dāng)前學(xué)習(xí)感知到的新特征;Q（s，a;θ?i） 表示殘差單元的輸出，代入堆積層與輸入特征的恒等映射中得到最優(yōu)感知特征集。引入Target.net后，一段時(shí)間內(nèi)殘差單元是保持不變的[10]，一定程度降低了單位映射和恒等映射之間的相關(guān)性，提高了算法穩(wěn)定性。引入深度殘差網(wǎng)絡(luò)機(jī)制后，殘差網(wǎng)絡(luò)中的參數(shù)定義為[θQ]，[Qμs， μs]表示使用[μ]策略在s狀態(tài)選取動(dòng)作所獲取的回報(bào)期望值，又因?yàn)槭窃谶B續(xù)空間內(nèi)所以期望可用積分來求，則可以用式（1）來表示策略[μ]的好壞。

殘差單元通過Identity Mapping組件在輸入和輸出之間建立一條直接的關(guān)聯(lián)通道并通過概率的分布函數(shù)確定最優(yōu)感知策略[11]，在每一步根據(jù)該概率分布獲取當(dāng)前狀態(tài)最佳的動(dòng)作，產(chǎn)生動(dòng)作采取的是隨機(jī)性策略[at～πθstθπ]，則目標(biāo)梯度函數(shù)如式（2）。

2.2 引入深度確定性策略梯度算法機(jī)制

利用深度殘差網(wǎng)絡(luò)全景感知正常木材圖像特征要素集合，為強(qiáng)化學(xué)習(xí)提供訓(xùn)練樣本集，利用DDPG算法強(qiáng)大的自我感知能力，實(shí)現(xiàn)木材缺陷圖像的實(shí)時(shí)感知與重構(gòu)，利用DDPG算法強(qiáng)大的自我決策能力，實(shí)現(xiàn)多維差異性木材缺陷圖像參數(shù)的特征提取與共享計(jì)算并提供正反饋機(jī)制修正共享過程中的誤差，構(gòu)建全局協(xié)同控制下的質(zhì)量評(píng)價(jià)機(jī)制。基于式（2），給出確定性策略式（3）[12]，根據(jù)行為直接通過函數(shù)[μ]確定了一個(gè)動(dòng)作，可以把[μ]理解成一個(gè)最優(yōu)行為策略[at=μstθμ]，則定量化的木材缺陷圖像感知與重構(gòu)系統(tǒng)可以表征如式（3）。

考慮到式（3）在競(jìng)爭(zhēng)環(huán)境下的不穩(wěn)定性，對(duì)式（3）進(jìn)行一階求導(dǎo)處理，則確定性策略梯度可以表征為式（4），具有很強(qiáng)的兼容性，可以通過自我學(xué)習(xí)實(shí)現(xiàn)差異性木材多維缺陷圖像實(shí)時(shí)高效重構(gòu)[13]，構(gòu)建面向差異性木材多維缺陷精細(xì)分割與特征提取的全景自主感知模型。

根據(jù)木材種類繁多、木材缺陷圖像特征復(fù)雜多變的特點(diǎn)，使用策略網(wǎng)絡(luò)[μ]來充當(dāng)Actor，使用價(jià)值網(wǎng)絡(luò)來擬合（s，a）函數(shù)，充當(dāng)Critic的角色，實(shí)現(xiàn)多維差異性木材缺陷圖像重構(gòu)及質(zhì)量評(píng)價(jià)的橫向共享集成[14]，所以DDPG的目標(biāo)函數(shù)就可以定義為式（5）。

基于式（3）、式（4）可以實(shí)現(xiàn)木材缺陷圖像高效有序重構(gòu)，通過把木材缺陷圖像特征庫存入記憶回放池，通過子策略參數(shù)求解融合質(zhì)量評(píng)價(jià)函數(shù)進(jìn)行信息融合與共享，從根本上實(shí)現(xiàn)了木材缺陷圖像識(shí)別、重構(gòu)及質(zhì)量分級(jí)全景可視[15]，實(shí)現(xiàn)多維差異性木材缺陷圖像重構(gòu)及質(zhì)量評(píng)價(jià)的橫向共享集成。

2.3 模型典型環(huán)境下的仿真驗(yàn)證

為了多維度驗(yàn)證基于深度強(qiáng)化學(xué)習(xí)的木材缺陷圖像重構(gòu)及質(zhì)量評(píng)價(jià)模型的實(shí)際工作效能，分析待測(cè)木材缺陷特征自動(dòng)實(shí)時(shí)感知與融合、木材缺陷圖像全景自主精確重構(gòu)、全局最優(yōu)質(zhì)量評(píng)價(jià)與自主智能決策機(jī)制的實(shí)際協(xié)同效能，設(shè)定初始化訓(xùn)練木材缺陷特征樣本容量為N，初始化網(wǎng)絡(luò)輸入的大小為128×256×16，折扣因子[γ]為0.96，學(xué)習(xí)率[α]為0.001，決策策略獎(jiǎng)勵(lì)值的絕對(duì)值限制在[-1，1]內(nèi)，因?yàn)樨?fù)回報(bào)是稀疏的，因此將標(biāo)準(zhǔn)動(dòng)作獎(jiǎng)勵(lì)值設(shè)定為-1，參數(shù)的選取以實(shí)際問題為導(dǎo)向，確保在模型訓(xùn)練后期仍然具有較強(qiáng)的進(jìn)化活力，引導(dǎo)訓(xùn)練進(jìn)化朝著更優(yōu)的方向發(fā)展?；诠雀璧腡ensorflow 1.2.1和OpenAI的Gym 0.9.2環(huán)境開發(fā)了驗(yàn)證環(huán)境并對(duì)模型進(jìn)行了實(shí)證分析，設(shè)定初始損失函數(shù)，從典型環(huán)境下全局最優(yōu)木材質(zhì)量評(píng)價(jià)與自主智能決策性能仿真、典型環(huán)境下木材缺陷圖像感知及重構(gòu)有效率對(duì)比仿真、感知決策系統(tǒng)控制下的模型訓(xùn)練損失性能仿真等多維度對(duì)算法進(jìn)行了仿真驗(yàn)證，在Gym 0.9.2環(huán)境下進(jìn)行圖形化示意仿真，采用顯著差異標(biāo)識(shí)在仿真圖中給出對(duì)比曲線，最終仿真結(jié)果如圖3、圖4、圖5所示。

從圖3、圖4、圖5可知，基于深度強(qiáng)化學(xué)習(xí)的木材缺陷圖像重構(gòu)及質(zhì)量評(píng)價(jià)模型較好地解決了典型仿生智能算法處理木材缺陷圖像感知及質(zhì)量決策問題時(shí)存在的多維退化因素作用下的缺陷圖像失真嚴(yán)重、缺陷圖像先驗(yàn)特征提取方差波動(dòng)頻繁、質(zhì)地不均勻缺陷圖像灰度分割失效等先天不足，具有較好的感知與重構(gòu)自主性，可以實(shí)現(xiàn)全局最優(yōu)質(zhì)量評(píng)價(jià)決策，具有穩(wěn)定性高、抗干擾性強(qiáng)、模型泛化能力強(qiáng)等優(yōu)勢(shì)。

3 木材缺陷圖像重構(gòu)及質(zhì)量評(píng)價(jià)模型工程化應(yīng)用效能驗(yàn)證

為了驗(yàn)證基于深度強(qiáng)化學(xué)習(xí)的木材缺陷圖像重構(gòu)及質(zhì)量評(píng)價(jià)模型在一線運(yùn)維環(huán)境下的實(shí)際工程應(yīng)用效能，選取浙江省湖州市南湖林場(chǎng)轄區(qū)內(nèi)某經(jīng)濟(jì)林木為效能評(píng)價(jià)載體，忽略異種木材自身紋理泛化能力與學(xué)習(xí)能力失衡干擾，對(duì)模型進(jìn)行工程應(yīng)用分析，采用木材正常圖像作為訓(xùn)練參數(shù)集，木材缺陷圖像作為測(cè)試訓(xùn)練集?；诮?jīng)濟(jì)性考慮，采用微應(yīng)用擴(kuò)展模式對(duì)浙江省湖州市南湖林場(chǎng)轄區(qū)某木材加工生產(chǎn)線現(xiàn)役的木材質(zhì)量綜合分級(jí)系統(tǒng)進(jìn)行適應(yīng)性改造，增加待檢木材缺陷圖像實(shí)時(shí)全景感知、異構(gòu)缺陷圖像數(shù)據(jù)快速重構(gòu)與暫存、歸一化格式下的多線程傳輸、質(zhì)量分級(jí)評(píng)價(jià)與自主智能決策等全方位立體木材生產(chǎn)質(zhì)量視覺檢測(cè)全壽命周期軟件處理進(jìn)程，分配單獨(dú)的內(nèi)存資源，定期進(jìn)行業(yè)務(wù)數(shù)據(jù)內(nèi)網(wǎng)交互，實(shí)現(xiàn)數(shù)據(jù)全景共享，模型工程化效能如圖6、圖7所示。

為了進(jìn)一步從定性、定量兩個(gè)層面對(duì)比分析木材缺陷圖像重構(gòu)及質(zhì)量評(píng)價(jià)模型的工程化應(yīng)用效能，選取浙江省湖州市南湖林場(chǎng)轄區(qū)內(nèi)某經(jīng)濟(jì)林木為效能評(píng)價(jià)載體，以浙江省湖州市南湖林場(chǎng)現(xiàn)役應(yīng)用的YGDS-30T-KHJ型智能木材質(zhì)量分級(jí)系統(tǒng)為對(duì)照系統(tǒng)，選取浙江省湖州市南湖林場(chǎng)轄區(qū)某經(jīng)濟(jì)林木為效能對(duì)比原始數(shù)據(jù)來源[16]，選取具有顯著異構(gòu)屬性的某經(jīng)濟(jì)林木存在的活節(jié)、死節(jié)、蟲眼、裂紋等缺陷圖像為效能驗(yàn)證載體，從典型環(huán)境下全局最優(yōu)木材質(zhì)量評(píng)價(jià)與自主智能決策性能、典型環(huán)境下木材缺陷圖像感知及重構(gòu)有效率對(duì)比、感知決策系統(tǒng)控制下的模型訓(xùn)練損失性能等方面進(jìn)行定量分析，圍繞感知決策系統(tǒng)工程化應(yīng)用人機(jī)交互友好性、缺陷圖像重構(gòu)實(shí)時(shí)有效性、質(zhì)量評(píng)價(jià)信息互聯(lián)推送等方面進(jìn)行定性分析（表1）。由表1可知，基于深度強(qiáng)化學(xué)習(xí)的木材缺陷圖像重構(gòu)及質(zhì)量評(píng)價(jià)模型可以在較短時(shí)間內(nèi)有效處理木材缺陷圖像感知重構(gòu)問題，在感知自主性、全景重構(gòu)性、自主評(píng)價(jià)性、模型泛化能力等方面具有明顯優(yōu)勢(shì)。

4 結(jié)論

著重改善典型仿生智能算法處理木材缺陷圖像感知及質(zhì)量決策問題時(shí)存在的多維退化因素作用下的缺陷圖像失真嚴(yán)重、缺陷圖像先驗(yàn)特征提取方差波動(dòng)頻繁、質(zhì)地不均勻缺陷圖像灰度分割失效、異種木材自身紋理泛化能力與學(xué)習(xí)能力失衡、最優(yōu)收斂速度隨缺陷維度呈遲滯變化等固有弊端，提出了一種基于深度強(qiáng)化學(xué)習(xí)的木材缺陷圖像重構(gòu)及質(zhì)量評(píng)價(jià)模型。引入深度學(xué)習(xí)機(jī)制，通過利用深度殘差網(wǎng)絡(luò)進(jìn)行迭代訓(xùn)練，實(shí)現(xiàn)差異性木材多維缺陷圖像實(shí)時(shí)高效重構(gòu)，構(gòu)建面向差異性木材多維缺陷精細(xì)分割與特征提取的全景自主感知模型，構(gòu)建大數(shù)據(jù)量級(jí)木材缺陷特征共享資源池;引入強(qiáng)化學(xué)習(xí)機(jī)制，利用深度確定性策略梯度算法建立缺陷特征迭代更新、自主決策、全景可視、深度預(yù)測(cè)與木材質(zhì)量評(píng)價(jià)之間的高維度決策映射，實(shí)現(xiàn)多維差異性木材缺陷圖像重構(gòu)及質(zhì)量評(píng)價(jià)的橫向共享集成，基于Tensorflow開源框架，多維度對(duì)算法進(jìn)行了仿真驗(yàn)證。選取浙江省湖州市南湖林場(chǎng)轄區(qū)內(nèi)某經(jīng)濟(jì)林木為效能評(píng)價(jià)載體，對(duì)模型進(jìn)行了工程應(yīng)用分析，一線運(yùn)維驗(yàn)證結(jié)果表明，原型系統(tǒng)具備待檢木材缺陷圖像實(shí)時(shí)全景感知、異構(gòu)缺陷圖像數(shù)據(jù)快速重構(gòu)與暫存、歸一化格式下的多線程傳輸、質(zhì)量分級(jí)評(píng)價(jià)與自主智能決策等全方位立體木材生產(chǎn)質(zhì)量視覺檢測(cè)全壽命周期體系效能，具有較好的感知與重構(gòu)自主性，可以實(shí)現(xiàn)全局最優(yōu)質(zhì)量評(píng)價(jià)決策，具有穩(wěn)定性高、抗干擾性強(qiáng)、模型泛化能力強(qiáng)等優(yōu)勢(shì)。

參考文獻(xiàn)：

[1] 劉嘉新， 吳 彤， 王克奇. 基于C-V模型的木材缺陷重建圖像特征提取[J]. 東北林業(yè)大學(xué)學(xué)報(bào)，2015（12）：78-81.

[2] 陳獻(xiàn)明， 王阿川， 王春艷. 基于深度學(xué)習(xí)的木材表面缺陷圖像檢測(cè)[J]. 液晶與顯示， 2019， 34（9）：879-887.

[3] 劉嘉新，高景泉，李 超.應(yīng)用蘭德韋伯算法的木材缺陷圖像重建[J].東北林業(yè)大學(xué)學(xué)報(bào)，2019，47（12）：125-128.

[4] 張浩然，張 岱，武登科，等.基于馬爾科夫隨機(jī)場(chǎng)的木材缺陷圖像分割算法[J].林業(yè)機(jī)械與木工設(shè)備，2019，47（11）：38-42.

[5] 程玉柱，蔡云飛.基于分?jǐn)?shù)階CV模型的木材缺陷圖像分割算法[J].林業(yè)機(jī)械與木工設(shè)備，2018，46（4）：44-47，51.

[6] 戴天虹，吳 以.基于OTSU算法與數(shù)學(xué)形態(tài)學(xué)的木材缺陷圖像分割[J].森林工程，2014，30（2）：52-55.

[7] 印紅群，吳達(dá)勝.5種小波閾值去噪法處理木材缺陷圖像的仿真比較[J].江蘇農(nóng)業(yè)科學(xué)，2013，41（5）：288-290.

[8] 牟洪波， 高海濤， 戚大偉. 基于圖像處理的木材缺陷的閾值設(shè)定研究[J]. 黑龍江科技信息， 2015（19）：30.

[9] 王 威，張 彤，王 新.用于圖像超分辨率重構(gòu)的深度學(xué)習(xí)方法綜述[J].小型微型計(jì)算機(jī)系統(tǒng)，2019，40（9）：1891-1896.

[10] 李 蒸，張 彤，朱國濤. 一種基于深度學(xué)習(xí)的圖像超分辨率重構(gòu)方法[J]. 湖南城市學(xué)院學(xué)報(bào)：自然科學(xué)版，2019（6）：59-63.

[11] 張憲紅， 張春蕊. 一種自適應(yīng)的木材表面缺陷圖像分割方法[J]. 黑龍江大學(xué)自然科學(xué)學(xué)報(bào)， 2015（6）：820-824.

[12] 牛 蕾， 隋振璋， 張春蕊. 基于FitzHugh-Nagumo反應(yīng)擴(kuò)散方程組的木材紋理圖像處理[J]. 哈爾濱師范大學(xué)自然科學(xué)學(xué)報(bào)， 2015， 31（2）：45-49.

[13] 陳方翔， 馮海林， 杜曉晨. 基于TIDW的木材內(nèi)部缺陷三維應(yīng)力波成像方法[J]. 傳感技術(shù)學(xué)報(bào)， 2015（11）：1625-1633.

[14] 楊慧敏， 王立海. 木材缺陷與超聲檢測(cè)參數(shù)相關(guān)性及影響因素[J]. 東北林業(yè)大學(xué)學(xué)報(bào)， 2015（8）：114-116.

[15] 賀昱曜，李寶奇.一種組合型的深度學(xué)習(xí)模型學(xué)習(xí)率策略[J].自動(dòng)化學(xué)報(bào)，2016，42（6）：953-958.

[16] 李 陽， 陳秀萬， 王 媛. 基于深度學(xué)習(xí)的單目圖像深度估計(jì)的研究進(jìn)展[J]. 激光與光電子學(xué)進(jìn)展， 2019（19）：1-17.