基于深度學習的木材缺陷智能檢測的研究進展與展望

王明濤 項曉揚 崔文燕 院霖享 多化瓊

（內蒙古農業大學材料科學與藝術設計學院，內蒙古 呼和浩特 010018）

木材作為一種天然生物材料，很容易受到微生物、氣候、人力等侵害，導致其結構破壞和表面缺陷的出現，進而影響木材的質量[1]。此外，木材在生長、運輸和存儲等過程中易產生節子、裂紋、腐蝕和蟲害等。木材的質量受損，則會直接影響木制品的美學價值和工藝價值。因此，若能在木材投入使用之前，及時檢測出其缺陷并加以處理，將能有效提高木材的利用率。

木材缺陷檢測技術一般分為人工檢測和機器檢測兩種。人工檢測木材缺陷具有很大程度的主觀性，且費時費力效率低下[2]。傳統的基于機器的木材缺陷檢測方法主要有激光檢測[3-4]、超聲波檢測[5-6]、聲發射技術[7-8]等。這些檢測技術雖然相較于人工檢測有著更高的效率，但是激光、超聲波等存在輻射危害、機器龐大、操作不便、維護成本昂貴等因素，限制了其大規模的應用。

Hinton在2006年最早提出深度學習技術的概念后，指導Sutskever和AlexKrizhevsky開發出AlexNet神經網絡，并在同年的ImageNet LSVRC-2012的比賽中以高達84.7%的計算機圖像識別準確率脫穎而出。深度學習源于機器學習，是一種采用人工神經網絡為架構的數據表征學習算法[9]。深度學習技術防止了層初始化的維度，代表了機器學習領域的革命性發展[10-11]。隨著計算機硬件設備精密度增加，尤其以高性能處理單元（GPU）為代表的納米級工藝水平提高，計算機圖形處理與深度學習技術結合所具備的速度快、成本低和布局簡單等優點，在缺陷檢測中凸顯優勢[12]。……