木材品質檢測技術研究進展

石佳浩，陳廣健，徐呈藝

（南通職業(yè)大學，江蘇 南通 226400）

隨著房地產、教育等行業(yè)的快速發(fā)展，木材的使用范圍也越來越廣泛，所以我國對木材的需求量也極大。但工業(yè)收集到的木材原材料的品質存在參差不齊的問題，比如許多木材表面和內部存在很多缺陷，有些木材內部含水量過高等問題。這些缺陷對木材的質量造成了決定性的影響，對工業(yè)上木材的加工和處理造成了很大阻礙，極大降低了木材加工的效率。除此以外，木材加工業(yè)對木材的紋理和木材的大小等方面都有諸多要求。所以木材品質檢測分類技術成為我國學者研究的重要課題[1-5]。

目前，國內木材加工行業(yè)還主要依賴于人工挑選來完成木材品質的分類，這種人工分揀的方法存在較大的主觀誤差，而且人眼會由于產生疲勞導致分揀效率降低，所以這種方法無法滿足工業(yè)生產的檢測質量分級的需求。再加上人力成本越來越高，導致木材加工的成本也越來越高，木材品質分級的標準也無法統(tǒng)一[6]。所以各種各樣越來越先進的木材品質檢測分類技術相繼而生，使得木材品質檢測分類技術的自動化程度越來越高，慢慢替代人工檢測。本文擬通過總結木材品質檢測分類技術的發(fā)展狀況，分析這些木材品質檢測分類技術的優(yōu)缺點，展望一下木材品質檢測分類技術未來的具體發(fā)展方向，以期為木材品質檢測分類技術向智能化方向發(fā)展提供參考[7-9]。

1 技術研究面臨挑戰(zhàn)

1.1 檢測技術全面性

對木材進行全面的檢驗是進行木材品質分類的根本保障，只有通過科學、全面的檢測，才能保證最終木材品質分類的準確性，也才能保證最終木材加工成品的質量。這就要求檢測技術不僅能準確檢測出木材上存在的缺陷，還要能檢測出木材的紋理、尺寸和含水率等參數(shù)。所以檢測技術的全面性是未來發(fā)展的一個重要挑戰(zhàn)[10]。

1.2 檢測技術的檢測效率

要想完全替代傳統(tǒng)人工檢測，新的檢測技術必須滿足工業(yè)生產的檢測效率要求，即對檢測的速度有一定的要求。如果檢測速度過慢，在相同成本下，速度達不到人工檢測的速度，那這樣的技術則無法替代人工檢測的方法，所以檢測效率是影響檢測方法優(yōu)劣一個關鍵因素。

1.3 檢測技術的實際應用效果

目前，國內外已經有很多學者研究并提出了一些理論上合理的木材品質檢測技術，但這些技術真正應用到實際工業(yè)生產中的還很少，實用性不是很強，所以木材品質檢測技術的實用效果也是未來研究需要解決的一個重要問題[11]。

2 木材品質傳統(tǒng)檢測方法

為了替代傳統(tǒng)的人工檢測方法，國內外學者已經針對這種木材品質檢測技術做了一定的研究，相繼研究出來射線檢測法、應力波檢測法、超聲波檢測法和紅外線檢測法等，接下來文中將對幾種主流傳統(tǒng)方法的發(fā)展現(xiàn)狀進行簡要介紹。

2.1 射線檢測法

射線檢測方法主要分為X 射線法、γ 射線法等。其中X 射線法已經廣泛應用于工業(yè)、地礦、農田和醫(yī)療等領域，應用非常廣泛，技術也相對比較成熟。X 射線法主要利用木材內部結構不同對X 射線的吸收能力不同的原理，通過收集X 射線下木材所吸收的熒光信息進一步分析木材的結構和含量信息等。

劉自強等[12]研制了一種X 射線電視顯像設備，配合照相技術對木材各種缺陷進行檢測，并通過改變木材的移動速度觀察缺陷檢測的效果，發(fā)現(xiàn)X 射線法可以檢測出木材內部的缺陷，但難于分辨裂紋或夾皮。李好信等[13]提出利用γ 射線對樹木的年輪進行無損檢測，發(fā)現(xiàn)γ 射線無需水源、電源，檢測方便。虞玥洋[14]研究指出，采用電子計算機化的軸向層析X 射線攝影掃描機可以探測木材內部的缺陷，但成本過高，在工業(yè)生產中無法推行。

從上述研究可以看出，這種方法雖然比較成熟，在很多領域應用很廣泛，但應用于木材品質檢測時其檢測精度還比較低，設備生產成本高，無法真正替代人工檢測。

2.2 超聲波檢測法

超聲波檢測法與X 射線檢測法類似，但是與X 射線檢測法相比，這種方法在木材品質檢測方面的應用更加廣泛[15]。超聲波檢測法也是利用木材不同結構會影響超聲波的傳播路徑，通過檢測分析通過木材傳播后的超聲波的波形等，可以判斷木材的大小與結構等信息。

孫道棪等[16]提出利用超聲波不僅可以檢測木材內部的缺陷，還可以檢測確定木材中腐朽的存在或超過使用年限后其強度的損失，這樣可以更加全面評價木材的品質。楊慧敏等[17]通過超聲波檢測法對木材品質進行檢測時發(fā)現(xiàn)，用軟橡膠代替耦合劑可以使超聲探頭和被測物更好地連接使檢測變得方便干凈。

超聲波檢測法對檢測木材的尺寸限制比較少，檢測全面性也更強，但是這種檢測法對傳感器匹配要求較高是其一大缺點，而且這種檢測方法的檢測精度也是最大的局限性，所以超聲波檢測法依舊無法實現(xiàn)木材品質的精準檢測[18]。

2.3 應力波檢測法

應力波是應力在介質中以一定的速度從一部分傳到另一部分的傳遞形式。根據(jù)應力波傳播理論，應力波在傳播過程中，遇到木材裂紋等缺陷時會發(fā)生散射、反射的現(xiàn)象，因此，可以根據(jù)應力波傳播過程中攜帶的缺陷信息判斷木材的品質。

楊學春[19]通過應力波測試儀對紅松木材進行檢測實驗，得出應力波傳播時間、應力波傳播速度和木材彈性模量與木材長度均呈正相關，進而分析所測木材的相關品質；楊學春等[20]利用Arbotom 應力波檢測系統(tǒng)，對東北林區(qū)樹種的原木內部腐朽進行檢測，獲得內部腐朽的二維圖像，實驗證明這種檢測方法準確率較低。

應力波檢測法在檢測木材內部腐朽時取得了較好的檢測效果，但這種檢測方法的檢測速度并不能滿足工業(yè)生產的要求，而且檢測木材品質還有許多方面需要檢測，這種檢測方法的檢測全面性還遠遠不夠。

2.4 紅外檢測法

紅外檢測法是一種比較成熟的目標檢測方法，與X 射線檢測法、超聲波檢測方法相比，其檢測速度和精度都有很大的優(yōu)勢。紅外檢測法利用的是木材存在的缺陷結構會導致紅外熱量傳遞不同，最終根據(jù)紅外熱成像分析木材的溫度分布，進而通過溫度異常點來判斷木材缺陷的存在。

韓雨杉[21]用近紅外木材含水率檢測系統(tǒng)對3 組楊木試材含水率進行連續(xù)檢測，結果證明含水率測量值與含水率真值變化趨勢一致，二者絕對誤差在0.8%以內。該方法還用于落葉松試材檢測，誤差為1.22%，在工業(yè)含水率檢測誤差要求范圍內。高珊等[22]應用人工紅外燈和烘干箱法，研究孔徑缺陷識別的最佳加熱時間和最佳加熱溫度，探討熱源選擇對不同孔徑大小的木材檢測效果的影響。研究結果表明，隨著試樣缺陷孔徑的不斷減小，最佳加熱時間和最佳加熱溫度都逐漸減少;在一定孔徑范圍內熱像圖能較為準確地反映木材缺陷的位置及大小情況;隨著試樣缺陷孔徑的不斷減小，檢測效果越來越不明顯。

紅外檢測法與應力波檢測法類似，該檢測方法在木材缺陷檢測方面具備很好的檢測效果，但由于其檢測成本過高，沒有在工業(yè)生產過程中被普遍應用[23]。

3 深度學習檢測法

3.1 深度學習概述與發(fā)展現(xiàn)狀

深度學習是機器學習領域中一個新的研究方向，其是學習樣本數(shù)據(jù)的內在規(guī)律和表示層次，最終讓機器能夠像人一樣具有分析學習能力，能夠識別文字、圖像和聲音等數(shù)據(jù)。隨著機器視覺的快速發(fā)展，深度學習的發(fā)展速度也非常驚人，已經被應用到醫(yī)學、工業(yè)檢測和農業(yè)檢測等個股方面，應用非常廣泛。

陳德海等[24]提出了一種MS-DCNN 模型用于識別骨髓白細胞，實驗結果表明，該模型的識別準確率達到了98.9%，高于其他主流方法。鄒捷等[25]提出了一種整合優(yōu)化的R-FCN 圖像識別算法，利用這種算法對采集圖像進行識別，實驗證明該算法對常見典型缺陷準確率達到了90%，基本達到實用化水平。劉慧力等[26]搭建了一種多尺度分層特征卷積神經網絡模型，應用4 倍膨脹的單位卷積核，獲得了玉米秧苗圖像的識別模型，其識別準確率為99.65%。

3.2 深度學習檢測法的應用

木材的品質分類檢測主要分為木材的缺陷檢測和含水率、尺寸等重要參數(shù)檢測等，人工神經網絡技術在這方面已經得到廣泛應用，其中的深度學習技術在木材品質分類檢測方面發(fā)展尤為迅速。范佳楠等[27]利用非下采樣剪切波最有稀疏表示特性及簡單線性跌倒聚類算法優(yōu)化傳統(tǒng)的卷積神經網絡，有效提高了木材缺陷無損檢測的準確率，識別準確率達到98.6%。邵明偉等[28]提出了一種基于深度學習的木材優(yōu)選鋸視覺檢測算法，通過搭建木材缺陷識別網絡和木材等級識別網絡實現(xiàn)木材缺陷的識別定位和無缺陷木材的等級分類，缺陷檢測正確率達到95.8%，單幅圖像等級分類識別時間為55 ms。

朱豪等[29]通過引入坐標注意力機制和混合空間金字塔池化結構，有效改善了YOLOv5 模型在木材表面缺陷檢測上的表現(xiàn)，改善后模型的平均精度值達到84.4%。劉璐等[30]設計了一種分析木材霉變特征和含水量檢測系統(tǒng)，該系統(tǒng)利用高光譜技術和深度學習技術實現(xiàn)了木材的霉變評估和含水量預測，預測集的相關系數(shù)和均方根誤差分別為0.907 3 和0.756 4。SHI 等[31]提出了一種改進的Mask RCNN 木材缺陷檢測算法實現(xiàn)木材表面的缺陷檢測，檢測準確率達到了98.7%，同時該算法檢測速度也能夠很好地滿足工業(yè)生產的需求。

由此可以看出，深度學習檢測法在木材品質檢測應用方面已經取得非常好的效果，相對于傳統(tǒng)檢測方法，深度學習檢測法在檢測速度、檢測精度等方面都有較大的提高。深度學習檢測法已逐漸成為未來木材品質檢測的發(fā)展方向[32-38]。

4 結束語

傳統(tǒng)的木材品質檢測方法在實際生產應用過程中受到諸多因素的限制，導致傳統(tǒng)的木材品質檢測方法存在著檢測精度低、檢測速度慢、檢測全面性不夠等缺點。深度學習檢測算法在木材品質檢測方面已經越來越成熟，在木材的缺陷檢測和含水率、尺寸檢測等方面已經取得較好的表現(xiàn)，應用越來越廣泛，對實現(xiàn)智能化木材品質檢測具有積極的促進意義，是未來木材品質檢測技術的發(fā)展趨勢，但該方法目前也存在一些不足，總結如下。

其一，模型適用性不強。深度學習檢測模型的檢測能力往往由訓練該模型的數(shù)據(jù)集的木材種類和圖片數(shù)量所決定。因此，基于深度學習的木材品質檢測模型大多數(shù)都無法適用于多種類型木材的品質檢測。針對此問題，可通過建立開源的不同種類的木材數(shù)據(jù)集和木材品質檢測模型數(shù)據(jù)庫來不斷提高木材品質檢測模型的適用性。

其二，木材品質檢測技術集成度較低。目前針對影響木材品質的重要參數(shù)檢測的深度學習算法已較為成熟，該方法在檢測精度和速度方面都有較好表現(xiàn)。但由于缺少高度集成的木材品質檢測設備，該方法要應用到實際的木材品質檢測行業(yè)還存在一些難度。針對此問題，可通過開發(fā)生產一種集傳感器技術、傳動技術、可編程控制技術和深度學習技術于一體的高度集成設備來提高木材品質檢測技術的集成度。