容忍缺陷的木材多區段編號及識別算法研究

吳連旭，徐哲壯，林 燁

（福州大學 電氣工程與自動化學院，福建 福州 350108）

0 引 言

在木制品加工行業，木制品通常由大量木材配件拼接而成[1]。未經加工的木材原料往往存在蟲洞、死結、裂縫等缺陷，會影響產品的美觀和功能[2]。因此需要借助機器視覺等方式對于木材缺陷進行檢測，進而在后續工藝中切除。為了在缺陷檢測和截鋸等環節對木材原料進行精準匹配，木材的編號與識別算法設計成為了重要的研究課題。

目前已有對于編號識別的研究。Wang 等人[3]總結了針對車牌字符傾斜、模糊等識別的算法，并比較了不同車牌識別系統在數據集、工作站、準確率和時間上的差異；Fan 等人[4]提出了一個全卷積序列識別網絡（FCSRN），用于快速準確地讀取水表號碼，FCSRN 能夠捕獲上下文信息，同時只需更少的參數和更少的計算；Xiang 等人[5]提出了一種基于多向照明圖像融合增強技術的金屬沖壓字符識別算法，可有效消除油污、銹蝕、氧化、噴丸坑、不同背景顏色等因素的干擾，增強MSCs 與背景的對比度。上述方法針對字符在不同場景下的特征提出了不同的識別算法，但由于木種和缺陷等因素的影響，木材原料表面具有較大的差異，這使得現有研究成果難以在木材表面的編號識別上達到良好的識別精度。

針對上述問題，本文首先分析了木材原料的缺陷特征，通過現場采集數據分析缺陷分布情況。基于分析結果，本文提出了容忍缺陷的木材多區段編號及識別算法。該算法的基本思想是將木材原料的前段劃分為多個區段，在多個區段上打印相同的編號，以避免單一編號被木材缺陷影響而難以識別。并采用YOLOv5[6]對多個區段的編號進行檢測，緊接著將檢測結果進行組合判斷，最終得出木材的編號。實驗結果表明，本文所提出的算法能夠有效容忍木材缺陷對編號識別造成的影響。

1 問題分析

1.1 系統概述

系統由噴碼機、工業相機、計算機終端設備以及截鋸機床組成。由噴碼機對木材原料進行編號打印，再由工業相機采集木材編號圖像，并將采集的圖像傳輸到計算機終端，通過計算機終端對采集的圖像進行處理并識別，獲取木材編號，并反饋至截鋸機床。

如圖1 所示，當編號打印在蟲洞、腐蝕、死結、裂縫等缺陷上時，編號特征會消失，無法被正確識別。因此，如何消除缺陷對木材編號識別造成的影響成為本文主要研究的內容。

1.2 缺陷分布分析

在實際木材加工生產過程中，木材原料沿著長度方向在傳送帶上輸送。為了第一時間獲取木材編號，選取長度為29 cm 的木材原料的前段作為編號打印區域。

通過相機對750 根木材原料的前段（如圖2 所示）進行采集，并對所采集的前段原料進行缺陷統計。結果見表1 所列，有缺陷的木材原料共有256 根，占比為34.13%。由此可知，編號有可能被打印在缺陷上，進而導致其無法被正確識別。

表1 帶有缺陷木材原料的數量

圖2 木材原料的前段

為了分析缺陷在木材原料前段的分布情況，將前段劃分為多個區段，并統計各個區段的缺陷情況。如圖3（a）所示，將木材原料前段的長度方向記為y軸，寬度方向記為x軸，建立直角坐標系。分別把木材原料的前段以y軸為方向平均劃分為2 個區段與3 個區段。劃分為2 個區段時，最上面的區段記為區段A，最下面的區段記為區段B（如圖3（b）所示）。劃分為3 個區段時，最上面的區段記為區段A，中間的區段記為區段B，最下面的區段記為區段C（如圖3（c）所示）。

圖3 木材原料前段的多區段劃分

當木材原料的前段被劃分為2 個區段時，對256 根帶有缺陷的木材原料分區段進行缺陷分布統計分析，結果見表2所列。

表2 2 個區段的缺陷分布情況

根據表2 可以看出，缺陷分布在區段A 的木材原料有84 根，分布在區段B 的木材原料有93 根，既分布在區段A又分布在區段B 的木材原料有79 根。由于存在缺陷分布在區段A 又分布在區段B 的情況，因此將編號打印在木材原料的區段A 與區段B 時，并不能消除缺陷對編號識別的影響。

當木材原料的前段被劃分為3 個區段時，進行相同的分區段缺陷分布統計分析，結果見表3 所列。

表3 3 個區段的缺陷分布情況

根據表3 可以看出，缺陷分布在區段A 的木材原料有53 根，分布在區段B 的木材原料有43 根，分布在區段C 的木材原料有48 根，既分布在區段A 又分布在區段B 的木材原料有40 根，既分布在區段B 又分布在區段C 的木材原料有59 根，既分布在區段A 又分布在區段C 的木材原料有13 根，不存在缺陷同時分布在區段A、區段B、區段C 的情況。因此，將編號分別打印在木材原料的區段A、區段B、區段C 時，可有效保證字符特征在某個區段內完整呈現。

2 編號打印與識別

為實現木材編號的識別，根據上述統計結果，通過打印機在木材原料多區段上打印，之后根據不同區段的檢測結果確定木材編號。

在對編號進行打印時，調整噴碼機[7-9]的打印延時，將編號打印在木材原料的不同區段。獲取木材原料圖像后，將木材原料圖像沿長度方向等分，接著分別對各部分圖像進行識別，以識別出最多次數的編號作為木材編號。

2.1 編號打印

在進行編號打印時，需要考慮木材原料劃分區段個數對后續編號識別處理帶來的影響。當劃分的個數越多，所需要識別的圖像數量也隨之增加，從而導致識別木材編號的時間增長，進而影響木材原料截鋸加工的效率。因此，在保證木材編號準確識別的前提下，應采用最少的區段劃分對木材原料進行編號打印。

木材編號打印的具體過程：當木材原料進入編號待打印位置時，通過傳感器觸發噴碼機進行編號打印，此時根據木材原料被劃分的區段個數n，木材原料前段的長度l以及傳送帶的運行速度v，噴碼機的打印時間間隔t應設定為t=l/(n×v)，打印過程如圖4 所示。

圖4 木材編號打印過程

2.2 編號識別

目前用于字符編號識別的方法主要分為兩大類，分別為傳統圖像處理與深度學習。傳統圖像處理方法一般由圖像預處理、字符定位、字符分割以及字符識別等部分組成[10]。在進行特征提取時，主要依賴人工設計的特征提取器，針對某種特定應用，泛化性及魯棒性較差。由于木材原料表面存在紋理、缺陷、染色等因素，因此，在進行圖像預處理、字符定位時，并不能達到精準定位的效果，因而不能確保木材編號的準確識別。而深度學習方法主要基于數據驅動進行特征提取，根據大量樣本的學習得到深層的、特定的特征表示，所提取的抽象特征魯棒性更強、泛化能力更好。

目標檢測（Object Detection）[11-12]是深度學習的三大基礎任務之一，它具有快速定位目標、分類精準等優點。YOLO（You Only Look Once）[13-14]網絡是一種one-stage 目標檢測算法，其中YOLO 的第5 代，即YOLOv5 相對其它目標檢測的網絡結構，具有快速識別和自適應錨框等優點[6]。因此，本文采用YOLOv5 作為木材編號識別的方法。

木材編號識別的具體過程：把提取的木材原料圖像切分為n張，再分別對n張切分后的區段圖像進行識別，并判斷每張區段圖像識別出的編號字符個數與打印時設定個數是否相同，把個數相同的結果進行組合形成集合，記為{id1,id2, ..., idt}，其中t≤n。統計各不同編號出現的次數，如式（1）所示，ID={id1, id2, ..., ids}表示各不同編號的集合，k表示相同編號次數，f表示分別統計不同編號出現的次數。最后，將最大統計次數km所對應的編號idm取出，作為木材的編號，如式（2）所示。

如圖5 所示，以木材原料的前段被劃分為3 個區段為例：

圖5 木材編號識別流程

（1）將提取到的木材原料圖像以3 個區段進行切分。

（2）把3 張切分好的圖像放入YOLOv5 網絡進行編號識別，區段B，區段C 分別識別出的結果為6A，由于木材缺陷的影響，區段A 識別出的結果為6B。

（3）將區段A，區段B，區段C 識別出的結果進行組合判斷，得到木材的編號為6A。

3 實驗結果與分析

3.1 實驗平臺

如圖6 所示，實驗平臺主要由工業相機、噴碼機、流水線系統組成，同時，還包含一臺服務器進行深度學習模型訓練以及實時木材編號檢測。服務器的配置為：AMD Ryzen 5 5600G with Radeon Graphics 的CPU，NVIDIA GeForce GTX 1660 SUPER 的GPU 和16G 內存，搭載Windows 10 系統。通過此系統，對木材編號的打印策略以及識別方法進行實驗對比分析，以此驗證本文提出算法的有效性。

圖6 實驗平臺

3.2 實驗指標

實驗通過準確率（Accuracy）、查準率（Precision）、召回率（Recall）以及木材編號檢出率，即正確識別木材編號的木材原料數量來衡量本文方法的有效性。

準確率（Accuracy）、查準率（Precision）以及召回率（Recall）的公式如下[15]：

式中：TP、TN、FP、FN 分別表示檢測中真正例、真反例、假正例、假反例的數量。

3.3 實驗結果分析

分別對1 000 根木材原料的前段劃分為2 個區段，3 個區段，4 個區段，然后進行編號打印，并與1 個區段的打印方式進行木材編號識別對比分析，實驗結果見表4 所列。由實驗結果可知，把木材原料的前段劃分為3 個區段時，已經能達到接近100%的檢出率，而在劃分為4 個區段時，檢出率并未得到提升。因此，為保證木材原料截鋸加工的加工效率，應采用劃分為3 個區段的木材編號打印方式。

表4 木材編號的檢出率

YOLOv5[6]算法根據網絡寬度與深度分為4 種模型，依次為YOLOv5s、YOLOv5m、YOLOv5x 和YOLOv5l， 精度逐漸提高，但檢測速度逐漸降低。本文對1 000 張編號沒有打印在缺陷上的木材原料圖像分別使用YOLOv5s、YOLOv5m 編號識別的方式（這里以IOU＞0.5 作為YOLOv5識別正確的閾值）與顏色特征+CNN 編號識別的方式進行木材編號識別的對比分析。其中，顏色特征+CNN 是通過對字符顏色進行提取，找到字符區域，并對找到的字符區域進行分割，放入CNN 卷積神經網絡進行分類識別，并將識別結果進行組合形成木材編號的方式。實驗結果見表5所列。其中，YOLOv5s 與YOLOv5m 的參數量、浮點運算數、模型規模、推理速度見表6 所列。

表5 不同方法的識別精度

表6 模型性能對比

根據表5 可以看出，當使用YOLOv5 編號識別的方式相比顏色特征+CNN 編號識別的方式在準確率上有顯著提升。因此，采用YOLOv5 可以有效、準確地識別木材編號。

根據表6 可以看出，使用YOLOv5m 與使用YOLOv5s 的識別準確率一致，但模型的參數量增大了197.0%，在CPU和GPU 上的推理速度增加了65.7% 和114.3%。因此，在保證精度的前提下，應使用YOLOv5s 作為木材編號識別的算法。

4 結 語

本文針對缺陷對木材編號識別產生的影響提出了一種容忍缺陷的木材多區段編號及識別算法。通過對木材原料前段缺陷情況的分析，將木材原料的前段劃分為多個區段，并分別對各區段進行編號識別，將識別次數最多的編號作為木材編號。通過實驗討論了不同區段劃分的木材編號檢出率，以及不同識別算法的木材編號識別精度。實驗結果證明，把木材原料的前段劃分為3 個區段的編號打印方式相對于不進行區段劃分的打印方式，木材編號檢出率提高了17.2%。同時，使用YOLOv5 編號識別的方式相比顏色特征+CNN 編號識別的方式，識別精度提高了28.7%。因此，采用本文所提出的算法能夠有效容忍木材缺陷對編號識別的影響，提升木制品工業的生產效率。

注：本文通訊作者為徐哲壯。