數(shù)字圖像處理在木材缺陷識(shí)別中的應(yīng)用與展望

李 晴 董霙達(dá) 司麗潔 徐 威 廖瑞姬 多化瓊

（內(nèi)蒙古農(nóng)業(yè)大學(xué)材料科學(xué)與藝術(shù)設(shè)計(jì)學(xué)院，內(nèi)蒙古 呼和浩特 010018）

20世紀(jì)60年代，第五次信息技術(shù)革命興起，我國(guó)步入信息化時(shí)代。由于現(xiàn)代計(jì)算機(jī)技術(shù)的進(jìn)一步發(fā)展，數(shù)字圖像處理技術(shù)逐漸運(yùn)用到木材科學(xué)的不同領(lǐng)域[1-2]，致力于解決缺陷識(shí)別中存在的問(wèn)題。在不斷的改進(jìn)創(chuàng)新下，數(shù)字圖像處理技術(shù)在木材科學(xué)中發(fā)展到了一個(gè)新高度。

木材本身因素、工藝流程或加工設(shè)備都會(huì)導(dǎo)致缺陷的產(chǎn)生[3]，如節(jié)子、蟲(chóng)害、裂紋、腐朽、變色、鋸解干燥過(guò)程形成的缺陷等。將圖像處理技術(shù)廣泛應(yīng)用到木材缺陷處理中，可提高識(shí)別的精準(zhǔn)性及實(shí)時(shí)性，減輕人工的壓力，同時(shí)節(jié)約生產(chǎn)成本[4]。數(shù)字圖像處理主要包括低級(jí)、中級(jí)和高級(jí)三個(gè)層次[5]，分別對(duì)應(yīng)木材缺陷識(shí)別過(guò)程中的圖像采集和增強(qiáng)、圖像分割和特征提取以及識(shí)別。

本文從數(shù)字圖像處理技術(shù)出發(fā)，總結(jié)圖像預(yù)處理、圖像分割、圖像缺陷特征提取與識(shí)別在木材缺陷方面的研究進(jìn)展，以期推動(dòng)數(shù)字圖像處理技術(shù)在木材缺陷識(shí)別中的廣泛應(yīng)用。

1 數(shù)字圖像技術(shù)對(duì)木材圖像的預(yù)處理

在復(fù)雜多變的工廠內(nèi)操作時(shí)，由于設(shè)施、環(huán)境等方面的影響，圖片檢測(cè)易受到眾多不確定因素影響，如光照不均勻?qū)е聢D像灰度過(guò)于集中、攝像頭獲取圖片或傳遞時(shí)產(chǎn)生噪聲污染，導(dǎo)致木材檢測(cè)效果差。為解決此類問(wèn)題，研究人員以數(shù)字圖像處理技術(shù)為基礎(chǔ)，對(duì)圖像進(jìn)行預(yù)先降噪和增強(qiáng)，從而減少噪音對(duì)缺陷檢測(cè)結(jié)果的影響。

1.1 木材缺陷圖像降噪

圖像降噪是計(jì)算機(jī)視覺(jué)和數(shù)字圖像處理領(lǐng)域的重要任務(wù)[6]，其原理是在不破壞圖像細(xì)節(jié)特征的前提下，對(duì)圖像中的噪聲進(jìn)行去除。當(dāng)木材圖像摻雜噪音影響圖像的清晰度時(shí)，圖像降噪便成為圖像預(yù)處理中不可或缺的操作。

均值濾波算法簡(jiǎn)易，對(duì)高斯噪聲效果顯著，易造成細(xì)節(jié)缺失及邊緣模糊，直接導(dǎo)致圖像分割失敗。中值濾波在選擇合適的滑窗前提下，較容易去除部分孤立噪聲，能夠保留大部分的邊緣信息，對(duì)濾除脈沖噪聲比較有效。高斯濾波調(diào)用一個(gè)二維離散的高斯函數(shù)去除噪聲，使其保留更多的邊緣細(xì)節(jié)，圖像更為清晰，平滑效果也更加柔和。雙邊濾波濾除噪聲、平滑圖像的同時(shí)，又做到邊緣保護(hù)。小波變換去噪同時(shí)保留圖像的頻率和空間信息，但方向性差，僅能獲取部分方向信息[7]。范增明[8]對(duì)比了均值濾波、高斯濾波、中值濾波及雙邊濾波在木材缺陷圖像中濾波效果，發(fā)現(xiàn)雙邊濾波平滑圖像的同時(shí)，能夠較為完整的保存邊界信息，去噪效果更優(yōu)。許多學(xué)者結(jié)合經(jīng)典圖像去噪算法的優(yōu)缺點(diǎn)，進(jìn)行了算法的結(jié)合與改進(jìn)。高欣欣等[9]以傳統(tǒng)均值濾波為基礎(chǔ)，提出迭代均值濾波的方法，明顯改善了圖像重構(gòu)的質(zhì)量。屈正庚[10]等將傳統(tǒng)中值濾波改進(jìn)為自適應(yīng)加權(quán)中值濾波算法，根據(jù)圖片中噪聲的大小對(duì)濾波模板尺寸進(jìn)行調(diào)整，增強(qiáng)了去噪效果。彭姝姝等[11]將均值濾波與小波變換進(jìn)行結(jié)合，不僅降低了噪聲，還較好保護(hù)了圖像細(xì)節(jié)。楊贊偉等[12]結(jié)合均值濾波及泊松核改進(jìn)的雙邊濾波圖像降噪算法，提高了降噪精度，防止信息丟失，且保持了邊緣及細(xì)節(jié)信息。

1.2 木材缺陷圖像增強(qiáng)

圖像增強(qiáng)可以突出圖像中感興趣的區(qū)域，提高信息可讀性，木材缺陷圖像增強(qiáng)中常采用小波變換、直方圖均衡化、Gamma校正及基于Retinex理論的圖像增強(qiáng)等。小波變換可以較好地用頻率表示某些特征的局部特征，但增強(qiáng)過(guò)程中會(huì)放大噪聲，信噪比較低。因此，需要結(jié)合木材圖像的特點(diǎn)對(duì)傳統(tǒng)增強(qiáng)算法進(jìn)行創(chuàng)新升級(jí)。秦彥平等[13]提出將小波變換與雙三次插值算法融合應(yīng)用于木材節(jié)子圖像增強(qiáng)，提高清晰度和對(duì)比度，更大程度上保留邊緣細(xì)節(jié)信息。為解決均值漂移及亮度過(guò)暗的情況，丁安寧[14]提出了一種基于非線性權(quán)重調(diào)整的Gamma校正算法（Adaptive Gamma Correction，AGC），將對(duì)比度和亮度增強(qiáng)函數(shù)修正為連續(xù)函數(shù)，發(fā)現(xiàn)AGC能夠有效增強(qiáng)位于邊界附近的缺陷圖像。此外，研究者還將人工多重曝光融合算法（Artificial Multiple-Exposure Image Fusion，AMEF）與AGC算法相結(jié)合，融合兩者優(yōu)點(diǎn)，發(fā)現(xiàn)缺陷圖像的視覺(jué)質(zhì)量得到了顯著改善，缺陷部分和細(xì)節(jié)部分清晰可見(jiàn)。Liu等[15]將結(jié)合注意力機(jī)制與Retinex圖像增強(qiáng)算法結(jié)合，更好地均衡圖像的整體亮度，保留了更多的圖像細(xì)節(jié)和顏色信息?，F(xiàn)階段而言，增強(qiáng)圖像的各項(xiàng)指標(biāo)達(dá)到最優(yōu)化難以實(shí)現(xiàn)。因此，需要在不同的環(huán)境中根據(jù)需求選擇合適的算法，從而增強(qiáng)效果。

2 圖像分割

圖像分割是圖像處理到圖像分析的一個(gè)重要步驟，是木材進(jìn)行缺陷識(shí)別的基本前提步驟。其過(guò)程是按照獨(dú)特的性質(zhì)（如灰度值、空間紋理、幾何形狀、RGB值等），把圖像劃分成若干區(qū)域，將感興趣的目標(biāo)區(qū)域進(jìn)行提取的過(guò)程[16]。圖像分割的兩個(gè)基本原則為不連續(xù)性與相似性。當(dāng)前，相對(duì)熱門(mén)的圖像分割方法有傳統(tǒng)的分割方法，如基于閾值、邊緣和聚類的圖像分割方法等，以及基于深度學(xué)習(xí)的圖像分割方法[17]。

2.1 傳統(tǒng)的圖像分割方法

2.1.1 基于閾值分割算法

基于閾值分割算法是目前最為常用的圖像分割方法之一，具有操作簡(jiǎn)單、時(shí)效性強(qiáng)等優(yōu)點(diǎn)。同時(shí)，對(duì)于圖像缺陷和背景差異較大的圖片可以得到較好的分割效果。此方法只研究圖像本身的灰度值，而不考慮自身語(yǔ)義及空間等特征信息，容易受到噪聲的干擾。因此，在實(shí)際的木材缺陷分割應(yīng)用中，基于閾值的分割方法通常結(jié)合其他分割方法使用。李健[18]提出被囊群體算法與模板匹配結(jié)合的閾值分割算法，迭代計(jì)算得到全局最優(yōu)解，利用泊松分布作為目標(biāo)函數(shù)，得到的木材活節(jié)圖像分割效果最好。當(dāng)木材缺陷與背景色彩紋理相似時(shí)，則分割效果不理想。針對(duì)此類問(wèn)題許多學(xué)者開(kāi)展了探討，王映月[19]結(jié)合二維交叉熵閾值分割算法與改進(jìn)的緞藍(lán)園丁鳥(niǎo)優(yōu)化算法（SBO），發(fā)現(xiàn)該算法可以高效地區(qū)分木材缺陷與背景色彩紋理。

2.1.2 基于聚類的圖像分割方法

聚類算法依據(jù)圖像的像素點(diǎn)，通過(guò)某種特定的聚類算法將像素點(diǎn)聚集到同區(qū)域，通過(guò)反復(fù)迭代聚類，當(dāng)結(jié)果收斂時(shí)將所有像素點(diǎn)聚集于不同區(qū)域，實(shí)現(xiàn)區(qū)域分割[20]。常見(jiàn)的聚類算法可歸納為三種，分別是基于距離、密度和連通性的算法。K-means算法的數(shù)據(jù)相似性衡量方式是通過(guò)計(jì)算距離。由于初始聚類中心具有隨機(jī)性，所以僅適用于樣本體量較小，且特征點(diǎn)不多的分割圖像，應(yīng)用于實(shí)際分割任務(wù)中時(shí)需求復(fù)雜[21]。K-means算法分割技術(shù)不斷優(yōu)化，程昱之[22]改進(jìn)了K-Means聚類與水平集的算法，并應(yīng)用于木材橫截面管孔分割，分別用這兩個(gè)算法進(jìn)行粗分割與精分割，其準(zhǔn)確率提高了1.7%。均值漂移（Mean Shift）算法是傳統(tǒng)的非參數(shù)的聚類算法，當(dāng)缺陷中心數(shù)量未知的情況時(shí)，仍能對(duì)任何形態(tài)的缺陷進(jìn)行聚類，并對(duì)初始化具有魯棒性，而且可以處理灰度、彩色、復(fù)雜及高分辨率的圖像數(shù)據(jù)。韓俊等[23]證明此算法對(duì)噪聲點(diǎn)不敏感，當(dāng)搜索到的模點(diǎn)過(guò)多且較近時(shí)不易導(dǎo)致過(guò)分割現(xiàn)象，能夠適應(yīng)大多數(shù)場(chǎng)景的圖像分割任務(wù)。

2.2 基于深度學(xué)習(xí)的圖像分割方法

傳統(tǒng)的圖像分割方法通過(guò)圖像表層的特征信息為前提進(jìn)行分割，以大量語(yǔ)義信息來(lái)進(jìn)行分割任務(wù)則不實(shí)用，實(shí)際應(yīng)用到木材缺陷分割中時(shí)往往比驗(yàn)證環(huán)節(jié)更加復(fù)雜。傳統(tǒng)方法提前預(yù)設(shè)分割規(guī)則，在一些細(xì)節(jié)處不能靈活地根據(jù)圖像特征進(jìn)行變通和調(diào)整，這導(dǎo)致傳統(tǒng)的無(wú)監(jiān)督分割方法的效果不理想。隨著深度學(xué)習(xí)的不斷發(fā)展以及在木材缺陷識(shí)別領(lǐng)域逐步引入，深度卷積神經(jīng)網(wǎng)絡(luò)在圖像分割領(lǐng)域取得了巨大進(jìn)展，實(shí)現(xiàn)了從粗糙到精細(xì)、從局部到全局的歷程。通過(guò)語(yǔ)義分割提高木材缺陷圖像識(shí)別，可以更好的適應(yīng)多變的工廠環(huán)境。提出基于深度學(xué)習(xí)圖像的語(yǔ)義分割方法，提高了分割的穩(wěn)定性和精確性[24]?；谏疃葘W(xué)習(xí)的經(jīng)典分割方法主要包括FCN網(wǎng)架、Mask R-CNN架構(gòu)、SegNet網(wǎng)絡(luò)、DeepLabV架構(gòu)、DeepMask架構(gòu)、U-Net 架構(gòu)等，本文主要介紹使用頻率較高的4種方法。

1）FCN網(wǎng)架構(gòu)是應(yīng)用于語(yǔ)義分割的深度學(xué)習(xí)中重要的模型，完全實(shí)現(xiàn)全卷積神經(jīng)網(wǎng)絡(luò)在像素級(jí)預(yù)測(cè)任務(wù)上的端對(duì)端訓(xùn)練。打破常規(guī)尺寸的壁壘，可對(duì)任意大小的圖片進(jìn)行處理，也防止重復(fù)存儲(chǔ)和計(jì)算卷積的情況，提高效率。嚴(yán)飛等[25]通過(guò)只采用全卷積對(duì)活節(jié)、死節(jié)、蟲(chóng)洞進(jìn)行研究，驗(yàn)證了FCN框架在木材缺陷分割的可行性。

2）Unet是由FCN衍生而來(lái)卷積神經(jīng)網(wǎng)絡(luò)模型，嚴(yán)飛[25-26]挑選出合適的網(wǎng)絡(luò)結(jié)構(gòu)和閾值等參數(shù)，將改進(jìn)的 Unet 模型與像素閾值結(jié)合應(yīng)用于木材缺陷圖像分割，發(fā)現(xiàn)木材缺陷圖像分割時(shí)，激活層通道灰度圖的分割效果優(yōu)于卷積層。

3）SegNet網(wǎng)絡(luò)是一種用于語(yǔ)義像素級(jí)分割的深度全卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，在時(shí)間和內(nèi)存方面保持良好性能。針對(duì)其具有效率低、精度低等問(wèn)題，Ling等[27]提出了ResNet 的改進(jìn)方案，具有更強(qiáng)的泛化能力，在活結(jié)、死結(jié)、蟲(chóng)洞等缺陷識(shí)別中的效果突出，相比于傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)，其準(zhǔn)確率由80%提升到了97%。

4）Mask R-CNN架構(gòu)是實(shí)例分割算法中使用頻率最高且效率最高的分割算法。通過(guò)對(duì)Faster-R-CNN進(jìn)行改進(jìn)，添加Mask預(yù)測(cè)分支，能夠?qū)崿F(xiàn)像素級(jí)別的分類，將目標(biāo)檢測(cè)擴(kuò)展到實(shí)例分割。其中，分類與分割可以同時(shí)進(jìn)行，該算法是實(shí)例分割領(lǐng)域的優(yōu)選。高愛(ài)等[28]對(duì)Mask R-CNN算法深入分析，研究改進(jìn)策略來(lái)增強(qiáng)其分割精度。研究發(fā)現(xiàn)，對(duì)于易出現(xiàn)特征提取不完全的問(wèn)題，可加入注意力機(jī)制和替換特征提取網(wǎng)絡(luò)對(duì)其進(jìn)行改進(jìn)。對(duì)于提取結(jié)果中目標(biāo)邊緣粗糙的問(wèn)題，可加入新的分支實(shí)現(xiàn)對(duì)邊緣特征和空間特征的提取，新分支與原Mask分支相互融合作用，從而實(shí)現(xiàn)對(duì)目標(biāo)信息的充分提取。對(duì)于訓(xùn)練過(guò)程中的學(xué)習(xí)優(yōu)化的問(wèn)題，可通過(guò)梯度下降算法以及學(xué)習(xí)率衰減策略，使網(wǎng)絡(luò)模型達(dá)到更好的訓(xùn)練效果。

3 木材缺陷特征提取

圖像分割后進(jìn)行圖像特征的描述，運(yùn)用數(shù)字圖像技術(shù)對(duì)數(shù)字圖像特征提取，很大程度提高圖像識(shí)別的準(zhǔn)確率。常見(jiàn)的特征提取算法有BRIEF算法[29]、SIFT算法[30]、SURF算法[31]、Harris算法[32]、FAST算法[33]、ORB算法[34]、LBP算法[35]等，其優(yōu)缺點(diǎn)及特征檢測(cè)方式如表1所示。

表1 木材缺陷特征提取算法比較Tab.1 Comparison of wood defect feature extraction algorithms

結(jié)合算法的優(yōu)缺點(diǎn)，許多學(xué)者進(jìn)行了針對(duì)木材特征提取的研究。鄧正巖[36]分析了不同種類缺陷的外形特征與紋理特征，提出了基于改進(jìn)SURF算法與Tamura紋理特征相結(jié)合的方法，并通過(guò)試驗(yàn)驗(yàn)證了該算法的有效性與實(shí)效性。 Rahillda[37]等對(duì)4種不同的LBP進(jìn)行木材缺陷特征提取，分別為基本、旋轉(zhuǎn)不變、均勻和旋轉(zhuǎn)不變均勻的LBP，并進(jìn)行特征集創(chuàng)建，通過(guò)多種分類器識(shí)別，發(fā)現(xiàn)均勻LBP結(jié)合ANN分類器的性能最好。李紹麗[38]等結(jié)合LBP與韋伯定律建立了LB_DEP直方圖，反映出圖像紋理結(jié)構(gòu)位置與差異激勵(lì)關(guān)聯(lián)關(guān)系，將LBP和LB_DEP直方圖鏈接，再通過(guò)PCA進(jìn)行數(shù)據(jù)降維，得到特征向量的方法稱為“H-PCA”法，將LBP和LB_DEP直方圖與卡方距離測(cè)度方法相結(jié)合，分別提取兩者的“直方圖-卡方”特征，并鏈接起來(lái)形成特征向量的方法稱為“H-chi-square”法。將本文中兩個(gè)改進(jìn)算法統(tǒng)計(jì)計(jì)算后與LBP+SIFT[39]和LBP+GLCM[40]特征算法對(duì)比，發(fā)現(xiàn)H-PCA 算法特征提取準(zhǔn)確率較高。

數(shù)字圖像處理技術(shù)被引入木材缺陷特征提取后，根據(jù)木材缺陷的特點(diǎn)與特征值的選取，融合創(chuàng)新出更高效的特征提取新算法，特征提取的召回率、精確率穩(wěn)步提高同時(shí)運(yùn)行時(shí)間逐步縮減。

4 基于數(shù)字圖像處理的木材缺陷識(shí)別

完成數(shù)字圖像缺陷預(yù)處理、分割以及特征提取后，需要根據(jù)木材缺陷的特點(diǎn)選取合適的分類算法。目前最流行的圖像識(shí)別機(jī)器學(xué)習(xí)模型包括支持矢量機(jī)（SVM）、人工神經(jīng)網(wǎng)絡(luò)（ANN）和卷積神經(jīng)網(wǎng)絡(luò)（CNN）。

1）SVM是一種線性分類器，因其具有較強(qiáng)的推廣能力和泛化能力，在機(jī)器學(xué)習(xí)中占據(jù)重要地位。此方法僅適用于解決小樣本情況下的機(jī)器學(xué)習(xí)，對(duì)于大規(guī)模訓(xùn)練樣本難以實(shí)施，因而許多學(xué)者致力于對(duì)該問(wèn)題的研究。Huang等[41]將高斯混合模型（GMM）和SVM結(jié)合作為分類識(shí)別算法，對(duì)共振板進(jìn)行分類識(shí)別，克服了SVM面對(duì)海量數(shù)據(jù)時(shí)識(shí)別率下降的問(wèn)題。徐梓敬等[42]通過(guò)遺傳算法（GA）優(yōu)化權(quán)值和閾值，再通過(guò)SVM算法訓(xùn)練，實(shí)現(xiàn)了木材內(nèi)部缺陷圖像的識(shí)別。莊前偉[43]發(fā)明公開(kāi)了一種基于改進(jìn)鯨魚(yú)算法優(yōu)化SVM的缺陷識(shí)別方法,依據(jù)特征矩陣建立SVM分類模型,并使用改進(jìn)鯨魚(yú)算法對(duì)SVM進(jìn)行調(diào)參,得到全局最優(yōu)解賦值給SVM模型訓(xùn)練,缺陷識(shí)別準(zhǔn)確率高。

2）ANN是人工智能領(lǐng)域研究的熱點(diǎn)話題，應(yīng)用在木材缺陷識(shí)別中最廣泛的是BP神經(jīng)網(wǎng)絡(luò)模型，具有簡(jiǎn)單、適用廣泛、學(xué)習(xí)效率高等優(yōu)點(diǎn)，是多層前向網(wǎng)絡(luò)優(yōu)勢(shì)算法。牟洪波等[44]將模糊數(shù)學(xué)與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合，設(shè)計(jì)出了模糊BP神經(jīng)網(wǎng)絡(luò)（FBP），并采用最大隸屬度方法對(duì)特征向量進(jìn)行模式識(shí)別，進(jìn)而實(shí)現(xiàn)了木材缺陷自動(dòng)識(shí)別和分類，同時(shí)該神經(jīng)網(wǎng)絡(luò)對(duì)木材缺陷的識(shí)別準(zhǔn)確率較高。王福偉等[45]發(fā)明一種基于神經(jīng)網(wǎng)絡(luò)的木材缺陷檢測(cè)方法，解決了神經(jīng)網(wǎng)絡(luò)進(jìn)行缺陷識(shí)別時(shí)不能進(jìn)行分割的問(wèn)題。

3）CNN是一類包含卷積計(jì)算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)，廣泛應(yīng)用到數(shù)字圖像識(shí)別中，識(shí)別效率和效果相較于傳統(tǒng)識(shí)別手段有明顯提高?；贑NN的目標(biāo)檢測(cè)算法主要分為One-stage和Two-stage兩類[46]，其典型代表算法及優(yōu)缺點(diǎn)如表2所示。

表2 兩類CNN的目標(biāo)檢測(cè)算法Tab.2 Target detection algorithms for two types of CNN

為解決傳統(tǒng)SSD算法在實(shí)木板材表面缺陷檢測(cè)工作中存在缺陷定位與分類精度不高的問(wèn)題，丁奉龍[47]將Dense Net121網(wǎng)絡(luò)引入，在采用密集殘差學(xué)習(xí)的思想避免特征圖信息丟失的同時(shí)又增加了網(wǎng)絡(luò)的深度，從而獲得更深層次的信息，使平均精度值提高至96.1%。魏智峰等[48]將一種輕量級(jí)的深層神經(jīng)網(wǎng)絡(luò)MobileNet與SSD算法結(jié)合，使用Inception網(wǎng)絡(luò)附加到多個(gè)特征映射上，構(gòu)建SSD-MobileNet算法模型用于人造板缺陷檢測(cè)，以提高區(qū)分不同缺陷的能力。石佳浩[49]通過(guò)對(duì)R-CNN、Fast R-CNN、Faster R-CNN及Mask R-CNN經(jīng)典目標(biāo)檢測(cè)算法優(yōu)劣及實(shí)際對(duì)比分析，選擇Mask R-CNN算法為研究模型，并引入神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索算法，搭建了NAS-Mask R-CNN模型，引入置信度優(yōu)化策略對(duì)模型進(jìn)行優(yōu)化，提高了算法在工程應(yīng)用中的穩(wěn)定性，同時(shí)提出多通道選擇優(yōu)化策略，對(duì)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行優(yōu)化。結(jié)果發(fā)現(xiàn)，改進(jìn)的NAS-Mask R-CNN算法在檢測(cè)速度方面較大提升，精確度達(dá)到98.7%。He等[50]提出了一種基于深度卷積神經(jīng)網(wǎng)絡(luò)（DCNN）的激光掃描儀采集的木材圖像特征檢測(cè)與缺陷自動(dòng)分類學(xué)習(xí)方法，其綜合準(zhǔn)確率高達(dá)99.13 %，僅需1.12 s。

目前，基于數(shù)字圖像處理的木材缺陷識(shí)別已有多項(xiàng)發(fā)明專利，李東潔等[51]提出一種基于改進(jìn)Mask R-CNN的木材缺陷識(shí)別和分割方法，使用Momentum優(yōu)化方法，此發(fā)明使用人工智能的方法同時(shí)完成缺陷的分類,缺陷的位置檢測(cè)和缺陷的輪廓分割，適用于木材工業(yè)加工線對(duì)木材缺陷的快速處理。王寶剛等[52]提出一種基于改進(jìn)YOLOv3模型的木材缺陷檢測(cè)方法，本發(fā)明是為了解決現(xiàn)有缺陷檢測(cè)方法對(duì)缺陷識(shí)別的泛化能力差，模型計(jì)算量大,識(shí)別效率和精度低，難以工業(yè)使用的問(wèn)題[53-56]。

5 結(jié)語(yǔ)

數(shù)字圖像處理技術(shù)在木材缺陷的識(shí)別中得到廣泛應(yīng)用和發(fā)展，自動(dòng)化與智能化逐步代替人工，不僅提高了執(zhí)行效率及準(zhǔn)確率，也提高了木材加工企業(yè)的經(jīng)濟(jì)效益。數(shù)字圖像處理技術(shù)必將成為未來(lái)研究和發(fā)展的熱門(mén)話題，當(dāng)前數(shù)字圖像處理技術(shù)在木材缺陷識(shí)別的理論研究和實(shí)際應(yīng)用中取得突破性進(jìn)展，但仍存在問(wèn)題限制發(fā)展，需在以下幾個(gè)方面有所突破：

1）提高木材缺陷檢測(cè)的準(zhǔn)確性及實(shí)時(shí)性。一方面要增強(qiáng)硬件設(shè)備性能，防止設(shè)備及信息傳輸問(wèn)題產(chǎn)生噪音對(duì)識(shí)別效果造成的干擾；另一方面要加快算法的創(chuàng)新升級(jí)，提高算法的旋轉(zhuǎn)不變性、模糊復(fù)原性以及識(shí)別準(zhǔn)確性。

2）提高木材缺陷識(shí)別的準(zhǔn)確率。木材缺陷圖像采集時(shí)易受到光照、霧氣及噪聲等多種因素干擾，造成數(shù)字圖像信息呈現(xiàn)不清晰。因此，構(gòu)建木材缺陷識(shí)別系統(tǒng)時(shí)要考慮其穩(wěn)定性以及魯棒性，從而減少外界因素對(duì)圖像質(zhì)量的影響。

3）增進(jìn)不同方法之間的融合互補(bǔ)。木材品類多種多樣，在生產(chǎn)中可能出現(xiàn)的缺陷也形態(tài)各異，基于不同方法得到了圖像增強(qiáng)、分割、特征提取、識(shí)別算法準(zhǔn)確率等，其互通互補(bǔ)性還有待進(jìn)一步加強(qiáng)。