基于深度學(xué)習(xí)的木材缺陷智能檢測(cè)的研究進(jìn)展與展望

王明濤 項(xiàng)曉揚(yáng) 崔文燕 院霖享 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）

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(dǎo)致其結(jié)構(gòu)破壞和表面缺陷的出現(xiàn)，進(jìn)而影響木材的質(zhì)量[1]。此外，木材在生長(zhǎng)、運(yùn)輸和存儲(chǔ)等過程中易產(chǎn)生節(jié)子、裂紋、腐蝕和蟲害等。木材的質(zhì)量受損，則會(huì)直接影響木制品的美學(xué)價(jià)值和工藝價(jià)值。因此，若能在木材投入使用之前，及時(shí)檢測(cè)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(cè)技術(shù)一般分為人工檢測(cè)和機(jī)器檢測(cè)兩種。人工檢測(cè)木材缺陷具有很大程度的主觀性，且費(fèi)時(shí)費(fèi)力效率低下[2]。傳統(tǒng)的基于機(jī)器的木材缺陷檢測(cè)方法主要有激光檢測(cè)[3-4]、超聲波檢測(cè)[5-6]、聲發(fā)射技術(shù)[7-8]等。這些檢測(cè)技術(shù)雖然相較于人工檢測(cè)有著更高的效率，但是激光、超聲波等存在輻射危害、機(jī)器龐大、操作不便、維護(hù)成本昂貴等因素，限制了其大規(guī)模的應(yīng)用。

Hinton在2006年最早提出深度學(xué)習(xí)技術(shù)的概念后，指導(dǎo)Sutskever和AlexKrizhevsky開發(fā)出AlexNet神經(jīng)網(wǎng)絡(luò)，并在同年的ImageNet LSVRC-2012的比賽中以高達(dá)84.7%的計(jì)算機(jī)圖像識(shí)別準(zhǔn)確率脫穎而出。深度學(xué)習(xí)源于機(jī)器學(xué)習(xí)，是一種采用人工神經(jīng)網(wǎng)絡(luò)為架構(gòu)的數(shù)據(jù)表征學(xué)習(xí)算法[9]。深度學(xué)習(xí)技術(shù)防止了層初始化的維度，代表了機(jī)器學(xué)習(xí)領(lǐng)域的革命性發(fā)展[10-11]。隨著計(jì)算機(jī)硬件設(shè)備精密度增加，尤其以高性能處理單元（GPU）為代表的納米級(jí)工藝水平提高，計(jì)算機(jī)圖形處理與深度學(xué)習(xí)技術(shù)結(jié)合所具備的速度快、成本低和布局簡(jiǎn)單等優(yōu)點(diǎn)，在缺陷檢測(cè)中凸顯優(yōu)勢(shì)[12]。此外，大數(shù)據(jù)時(shí)代隨著數(shù)據(jù)信息量呈現(xiàn)出的不斷上升的發(fā)展趨勢(shì)，圖像數(shù)據(jù)的有效處理也變得至關(guān)重要[13]。

基于深度學(xué)習(xí)的木材缺陷智能檢測(cè)可以根據(jù)使用方法的側(cè)重性不同分為兩類。一類是基于目標(biāo)檢測(cè)算法的木材缺陷檢測(cè)技術(shù)，另一類基于深度學(xué)習(xí)算法的木材缺陷檢測(cè)技術(shù)。

1 基于目標(biāo)檢測(cè)算法的木材缺陷智能檢測(cè)

目標(biāo)檢測(cè)是找出圖像中所需要的木材缺陷特征后，對(duì)其定位與定形。木材缺陷檢測(cè)本質(zhì)上屬于目標(biāo)檢測(cè)問題，因此可以通過目標(biāo)檢測(cè)算法解決[14]。通?；谀繕?biāo)檢測(cè)算法的木材缺陷智能檢測(cè)分為基于單階段的目標(biāo)檢測(cè)算法（a）和基于兩階段的目標(biāo)檢測(cè)算法（b），如圖1所示。

圖1 目標(biāo)檢測(cè)算法分類[14]Fig.1 Classification of target detection algorithm

1.1 基于單階段的目標(biāo)檢測(cè)算法

單階段目標(biāo)檢測(cè)算法又稱為基于回歸分析的目標(biāo)檢測(cè)算法，僅需要一次特征提取就可以對(duì)目標(biāo)位置和類別信息進(jìn)行回歸分析，然后以神經(jīng)網(wǎng)絡(luò)模型輸出檢測(cè)結(jié)果的算法[15]。由于單階段目標(biāo)檢測(cè)僅需要一次特征提取，其結(jié)構(gòu)簡(jiǎn)單、計(jì)算速度快，可以高效的進(jìn)行端到端的訓(xùn)練，在工業(yè)實(shí)時(shí)木材缺陷檢測(cè)應(yīng)用領(lǐng)域有著廣闊的前景。

1.1.1 YOLO系列目標(biāo)檢測(cè)算法

Wang等[16]在MobileNetV1 中提出了深度可分離卷積，改進(jìn)了YOLO-v3（第三版You Only Look Once）網(wǎng)絡(luò)。相比于之前的模型，雖然該算法在精度與速度上具備一定優(yōu)勢(shì)，但對(duì)小型缺陷，如裂縫和小孔等學(xué)習(xí)和泛化能力不足。同時(shí)，該方法對(duì)于硬件設(shè)備的要求較高。為了解決YOLO-v3 網(wǎng)絡(luò)在學(xué)習(xí)小型缺陷方面的不足，有學(xué)者提出了改進(jìn)版的YOLO-v4 網(wǎng)絡(luò)去實(shí)現(xiàn)對(duì)國(guó)產(chǎn)云杉鋸材表面活節(jié)、死節(jié)、裂紋和蟲眼的識(shí)別和分類。然而，YOLO-v4 作為YOLO-v3 的增強(qiáng)版本，其核心思想并未改變，仍存在對(duì)于細(xì)小裂紋和小孔等小型缺陷的誤判和漏檢問題?；赮OLO系列目前并沒有對(duì)于木材表面的細(xì)小缺陷檢測(cè)做出突出改進(jìn)，F(xiàn)ang等[17]專注于木材節(jié)子的檢測(cè)識(shí)別，使用YOLO-v5 檢測(cè)器自適應(yīng)的學(xué)習(xí)和提取鋸材表面節(jié)子特征。不足的是，F(xiàn)ang等使用YOLO模型僅能用于檢測(cè)節(jié)子缺陷，并不能對(duì)節(jié)子進(jìn)行分類，因此YOLO-v5 網(wǎng)絡(luò)對(duì)于木材節(jié)子分類里的實(shí)用性尚有待驗(yàn)證。

1.1.2 單步多框檢測(cè)算法

為使單階段檢測(cè)算法在缺陷識(shí)別的同時(shí)實(shí)現(xiàn)分類需求，Ding等[18]將遷移學(xué)習(xí)[19]應(yīng)用于單步多框檢測(cè)（SSD）算法，并且引入密集連接卷積網(wǎng)絡(luò)（DenseNet）提取木材圖像的深度特征后，融合于SSD獲得多層特征圖，從而實(shí)現(xiàn)缺陷分類需求。這一點(diǎn)彌補(bǔ)了Fang等[17]人使用單階段檢測(cè)算法但是沒有對(duì)缺陷進(jìn)行分類的部分，以DenseNet在實(shí)現(xiàn)木材缺陷高精度識(shí)別率的基礎(chǔ)上，精準(zhǔn)高效分類，實(shí)現(xiàn)了高效率生產(chǎn)活動(dòng)。魏智鋒等[20]在SSD算法的基礎(chǔ)上結(jié)合輕量級(jí)的深層神經(jīng)網(wǎng)絡(luò)MobileNet，構(gòu)建出能夠?qū)崿F(xiàn)快速檢測(cè)人造板表面缺陷的算法模型，為實(shí)現(xiàn)人造板表面實(shí)時(shí)在線檢測(cè)提供了良好的技術(shù)支撐。

1.2 基于兩階段的目標(biāo)檢測(cè)算法

在Sermanet等[21]提出單階段目標(biāo)檢測(cè)算法的經(jīng)典之作OverFeat后，2014年，R-CNN搭載著“RegionProposal（候選框）+CNN”提取的分類網(wǎng)絡(luò)的組合模式出現(xiàn)在大眾視野中。這種兩階段目標(biāo)檢測(cè)算法以其優(yōu)秀的準(zhǔn)確度給目標(biāo)檢測(cè)算法提供了新思路[22]。兩階段目標(biāo)檢測(cè)算法又稱為基于區(qū)域建議的目標(biāo)檢測(cè)算法，是一種通過顯式區(qū)域建議對(duì)目標(biāo)檢測(cè)問題處理轉(zhuǎn)化為處理后的建議區(qū)域圖片分類的一種算法。此類算法在第一階段提取物體區(qū)域，生成區(qū)域建議，在第二階段對(duì)感興趣區(qū)域（Region of Interest, RoI）中的內(nèi)容進(jìn)行分類和回歸。相比于單階段目標(biāo)檢測(cè)算法具有更高的物體識(shí)別和定位精度，缺點(diǎn)是運(yùn)行速度較慢[23]。

1.2.1 Faster R-CNN

Faster R-CNN是Ren等[24]針對(duì)Fast R-CNN存在的候選區(qū)域高度重疊、計(jì)算量過大等問題，于2015 年提出的改進(jìn)算法。而后，有學(xué)者將此算法應(yīng)用于木材缺陷檢測(cè)，雖然在一定程度提高了實(shí)木板材蟲孔的檢測(cè)精度，但是此算法是在犧牲實(shí)時(shí)性的前提下，提高了算法的準(zhǔn)確率，并不滿足實(shí)木板材工業(yè)實(shí)際的實(shí)時(shí)缺陷檢測(cè)需求[25]。

結(jié)合單階段目標(biāo)檢測(cè)算法中各學(xué)者對(duì)于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)與其他方法的融合思想，Urbonas等[26]對(duì)缺陷數(shù)據(jù)圖像進(jìn)行數(shù)據(jù)增強(qiáng)[27]后引入遷移學(xué)習(xí)，通過Faster R-CNN自動(dòng)分析單板表面缺陷，對(duì)數(shù)據(jù)增強(qiáng)同時(shí)使用預(yù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)進(jìn)行遷移學(xué)習(xí)，提高了模型的訓(xùn)練速度、穩(wěn)定性和泛化能力。然而，該方法輸出的是包含木材缺陷的檢測(cè)框，而非實(shí)際的木材缺陷形狀，這可能會(huì)影響對(duì)缺陷的精準(zhǔn)切割。

Zhu等[28]在圖像預(yù)處理后建立木材顯微圖像數(shù)據(jù)庫(kù)，結(jié)合Faster R-CNN模型，引入感受野增強(qiáng)SSP模塊和FPN模塊，得到了基于遷移學(xué)習(xí)的多尺度特征融合的木材顯微缺陷圖像識(shí)別模型，為木材缺陷識(shí)別提供了新的一種快速有效的方法。Xia等[29]注意到，木材的紋理特征總是伴隨著木材缺陷出現(xiàn)，并會(huì)對(duì)最終的識(shí)別結(jié)果造成干擾，提出了以雙邊濾波改進(jìn)平滑圖像紋理背景的Faster R-CNN表面缺陷檢測(cè)算法，提高了網(wǎng)絡(luò)處理多尺度缺陷特征的表達(dá)能力，對(duì)于檢測(cè)小型缺陷有著突出效果。此外，ResNet的引入提高了模型對(duì)于不同劃痕形狀的特征提取能力，提高了劃痕缺陷的識(shí)別精度。

在大量的學(xué)者聚焦于木材圖片缺陷的檢測(cè)時(shí)，Mohsin等[30]考慮是否可以將木材缺陷檢測(cè)系統(tǒng)的相機(jī)替代為攝像機(jī)，避免頻繁獲取大量無意義的照片。他們使用Faster R-CNN作為探測(cè)器，對(duì)特征提取后的圖像進(jìn)行缺陷檢測(cè)和實(shí)時(shí)分類，并建立模型，體現(xiàn)出輕量化的優(yōu)點(diǎn)，可以部署于移動(dòng)設(shè)備和邊緣設(shè)備等小型系統(tǒng)中。然而，該試驗(yàn)中僅限于裂紋和礦物線這兩種木材缺陷，在工業(yè)應(yīng)用上存在一定的局限性。

1.2.2 Mask R-CNN

Mask R-CNN作為Faster R-CNN的拓展，新增一個(gè)分支用于獲取每個(gè)RoI的實(shí)例分割掩碼，與現(xiàn)有的分支（使用邊界框坐標(biāo)對(duì)每個(gè)單獨(dú)的對(duì)象進(jìn)行分類和定位）[31]并行進(jìn)行目標(biāo)檢測(cè)?；诖?，Mask R-CNN可以高速有效的對(duì)檢測(cè)到的孔洞進(jìn)行實(shí)例分割、計(jì)數(shù)和分類。

Hu等[32]將生成對(duì)抗網(wǎng)絡(luò)（PGGAN）結(jié)合Mask R-CNN模型并引入遷移學(xué)習(xí)，用于對(duì)楊木單板缺陷的識(shí)別與分類。采用PGGAN技術(shù)彌補(bǔ)了傳統(tǒng)樣本拓展方法缺陷細(xì)節(jié)不夠精細(xì)、缺陷圖像多樣性貧瘠和樣本分布少的缺點(diǎn)。

為了提高木材缺陷識(shí)別精度，Romanovskis等[33]采用雙TeLeDyne Linea線陣相機(jī)捕獲橡木高質(zhì)量的缺陷圖像，并使用實(shí)例分割訓(xùn)練兩個(gè)不同的Mask R-CNN模型，成功識(shí)別和定位了橡木的特有缺陷，能夠滿足工業(yè)生產(chǎn)要求。這種利用圖像分割技術(shù)獲得缺陷的物理尺寸，并使用健全的木材補(bǔ)丁對(duì)其加以修復(fù)的方法不僅在缺陷分類識(shí)別上取得了進(jìn)步，而且還為木材缺陷提供了修復(fù)建議。

Shi等[34]構(gòu)建了一個(gè)利用神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索（NAS）技術(shù)的自建glance網(wǎng)絡(luò)，并采用遺傳算法合并glance網(wǎng)絡(luò)提取的中間特征，然后使用Mask R-CNN對(duì)缺陷分類定位。由于NAS為glance網(wǎng)絡(luò)設(shè)計(jì)合適結(jié)構(gòu)的訓(xùn)練過程中花費(fèi)了較多時(shí)間，并且glance網(wǎng)絡(luò)的性能對(duì)多通道Mask R-CNN后續(xù)的分類精度有著較大影響，因此如何設(shè)計(jì)更為合適的搜索策略和聯(lián)合優(yōu)化方法降低方法的整體復(fù)雜性的問題尚待解決。

考慮到Mask R-CNN存在不規(guī)則缺陷建模和上下文信息獲取困難等問題，Li等[35]構(gòu)建了基于Mask R-CNN的數(shù)據(jù)增強(qiáng)和分層可變形的改進(jìn)網(wǎng)絡(luò)，用以提高對(duì)于木材缺陷的檢測(cè)和分割精度。此前的學(xué)者大多專注于木材缺陷的節(jié)子、裂紋和蟲孔等方面，并沒有一套方案能夠?qū)崿F(xiàn)木材顏色、紋理等的智能檢測(cè)?；诖?，Al-Zubi等[36]應(yīng)用Mask R-CNN框架檢測(cè)和分割各種紋理、顏色和鉆孔，彌補(bǔ)了研究空缺。

表1 基于深度學(xué)習(xí)的木材缺陷目標(biāo)檢測(cè)算法Tab.1 Wood defect target detection algorithm based on deep learning

2 基于深度學(xué)習(xí)的木材缺陷智能檢測(cè)

作為深度學(xué)習(xí)的一個(gè)主要分支，人工神經(jīng)網(wǎng)絡(luò)由于在特征提取及其自學(xué)習(xí)、自組織和自適應(yīng)性等方面的優(yōu)勢(shì)，在木材缺陷的智能檢測(cè)方面發(fā)揮著巨大作用。目前基于深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)類型眾多，應(yīng)用廣泛，因此本文僅基于對(duì)于木材缺陷中深度神經(jīng)網(wǎng)絡(luò)的應(yīng)用，主要將神經(jīng)網(wǎng)絡(luò)基于結(jié)構(gòu)的信息輸入是否反饋分為兩類，即前饋神經(jīng)網(wǎng)絡(luò)和反饋神經(jīng)網(wǎng)絡(luò)，前饋神經(jīng)網(wǎng)絡(luò)中包含BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)，反饋神經(jīng)網(wǎng)絡(luò)中包含長(zhǎng)短期記憶網(wǎng)絡(luò)和Hopfield網(wǎng)絡(luò)。

2.1 前饋神經(jīng)網(wǎng)絡(luò)

作為最早采用模型建立的方法發(fā)明的人工神經(jīng)網(wǎng)絡(luò)之一，其特性為在該神經(jīng)網(wǎng)絡(luò)的內(nèi)部，參數(shù)單向傳播即只從輸入層傳輸至輸出層，因而結(jié)構(gòu)簡(jiǎn)單。1957年，Rosenblatt[37]提出的“感知器”被認(rèn)為是最早的簡(jiǎn)單前饋神經(jīng)網(wǎng)絡(luò)。1986年，Rumelhart等[38]提出了多層前饋網(wǎng)絡(luò)的誤差反向傳播（Error Back Propagation）學(xué)習(xí)算法。1990年，LeCun等[39]將神經(jīng)網(wǎng)絡(luò)技術(shù)用于手寫識(shí)別。自此，人工神經(jīng)網(wǎng)絡(luò)技術(shù)作為一種計(jì)算機(jī)手段逐漸開始應(yīng)用于人類的社會(huì)生產(chǎn)實(shí)踐中。

2.1.1 反向傳播神經(jīng)網(wǎng)絡(luò)

反向傳播神經(jīng)網(wǎng)絡(luò)（BPNN）算法是根據(jù)誤差反向傳播算法訓(xùn)練的多層前饋網(wǎng)絡(luò)，是應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一，具有操作信號(hào)正向傳播，誤差信號(hào)反向傳播的特點(diǎn)，是一種以誤差反向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)。BPNN屬于無需事先描述而可以學(xué)習(xí)和存儲(chǔ)大量輸入輸出模型的數(shù)學(xué)方程，采用最速下降的學(xué)習(xí)規(guī)則，以反向傳播模式調(diào)節(jié)網(wǎng)絡(luò)權(quán)值與閾值，從而得到最小平方和[40]。

Yu等[41]應(yīng)用形態(tài)學(xué)算法定位缺陷位置，利用近紅外（NIR）光譜收集信息變量，通過主成分分析（PCA）后輸入到BPNN模型中進(jìn)行識(shí)別和分類。通過將機(jī)器視覺的木材缺陷分析處理技術(shù)與深度學(xué)習(xí)模型相結(jié)合，驗(yàn)證了傳統(tǒng)機(jī)器學(xué)習(xí)方法結(jié)合深度學(xué)習(xí)思想的拓展性。

2.1.2 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)

徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（RBFNN）最初是由Powell[42-43]為了解決多維空間中的插值問題而引入。RBFNN作為一種高效的前饋神經(jīng)網(wǎng)絡(luò)，具有其他前饋網(wǎng)絡(luò)不具備的最佳逼進(jìn)性能和全局最優(yōu)特性，并且框架簡(jiǎn)潔，訓(xùn)練速率高[44]。相較于BP網(wǎng)絡(luò)，RBFNN不僅具有優(yōu)秀的泛化能力和逼近程度，還從本質(zhì)上解決了局部最優(yōu)問題，并且擁有拓?fù)浣Y(jié)構(gòu)密實(shí)、收斂速度快、可分離學(xué)習(xí)的結(jié)構(gòu)參數(shù)等特性。

過去的研究主要關(guān)注切割后的木材表面缺陷的智能檢測(cè)，但在某些情況下需要對(duì)原木進(jìn)行無損缺陷檢測(cè)。Mu等[45]通過X射線無損檢測(cè)技術(shù)獲取了木材內(nèi)部的缺陷圖像后，對(duì)特征增強(qiáng)并執(zhí)行加法運(yùn)算防止失真。在此基礎(chǔ)上，改進(jìn)了RBFNN，優(yōu)化了缺陷代碼，簡(jiǎn)化了網(wǎng)絡(luò)結(jié)構(gòu)，實(shí)現(xiàn)了對(duì)原木缺陷的無損檢測(cè)。這一研究為木材缺陷檢測(cè)提供了新的思路，探索了深度學(xué)習(xí)與傳統(tǒng)計(jì)算機(jī)檢測(cè)技術(shù)相結(jié)合的新研究方向。

2.1.3 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)（CNN）是模擬人腦神經(jīng)系統(tǒng)，學(xué)習(xí)樣本數(shù)據(jù)的內(nèi)在規(guī)律并分析和解決問題的一種深度學(xué)習(xí)方法[46]。該方法引入權(quán)重衰減，通過樣本提取特征，實(shí)現(xiàn)圖像的快速準(zhǔn)確識(shí)別[47-48]。即CNN本質(zhì)上是一個(gè)使用卷積操作（而不是全連接層）作為其層之一的神經(jīng)網(wǎng)絡(luò)[49]。木材的缺陷圖像通過被特征提取，加以目前的高計(jì)算水平計(jì)算機(jī)的輔助，可以快速獲取跟該特征相似的缺陷圖像并加以識(shí)別分類，從而實(shí)現(xiàn)木材缺陷檢測(cè)的智能化，高效化。

表2 卷積神經(jīng)網(wǎng)絡(luò)經(jīng)典模型Tab.2 Classical model of convolutional neural network

He等[57]提出一種混合的全卷積神經(jīng)網(wǎng)絡(luò)（Mix-FCN）檢測(cè)木材缺陷位置并自動(dòng)對(duì)缺陷類型分類。此方法一步定位和識(shí)別木材缺陷，簡(jiǎn)化了傳統(tǒng)上木材缺陷識(shí)別需要先由數(shù)字圖像技術(shù)檢測(cè)缺陷位置，然后提取缺陷特征分類的繁瑣過程，提高了木材缺陷識(shí)別分類的效率。Wang等[58]使用Adaboost級(jí)聯(lián)分類器提取木材表面缺陷區(qū)域的候選框檢測(cè)缺陷，然后采用自學(xué)習(xí)的CNN模型對(duì)輸入的候選框分類，有效解決了傳統(tǒng)分割方法對(duì)于多缺陷難以處理的問題，并且CNN的選擇解決了傳統(tǒng)分類方法中特征選擇困難的問題。

Yang等[59]將極限學(xué)習(xí)機(jī)（ELM）結(jié)合深度學(xué)習(xí)構(gòu)建了一個(gè)木材圖像缺陷檢測(cè)的極限學(xué)習(xí)機(jī)模型，解決了單獨(dú)使用卷積神經(jīng)網(wǎng)絡(luò)算法導(dǎo)致的缺陷位置不精確、類型識(shí)別不準(zhǔn)確和缺陷輪廓不完整等問題。基于木材無損檢測(cè)的目的，Mohamed等[60]通過使用CT掃描儀掃描樹木外部形狀，結(jié)合CNN在樹木的外部預(yù)測(cè)其內(nèi)部的節(jié)點(diǎn)缺陷分布情況，實(shí)現(xiàn)了樹木缺陷的無損預(yù)測(cè)檢測(cè)。然而這種方法局限性較大，只能成功預(yù)測(cè)結(jié)節(jié)的存在，并且正確率還有待提高。

區(qū)別于其他人的基于CNN模型的木材缺陷識(shí)別，結(jié)合Romanovskis等[33]使用兩個(gè)分支神經(jīng)網(wǎng)絡(luò)的思路。Gao等[61]基于多尺度特征融合的雙線性細(xì)粒度思想，提出了基于注意力機(jī)制和遷移學(xué)習(xí)的ResNet-18 模型檢測(cè)木節(jié)缺陷，訓(xùn)練兩個(gè)由CNN組成的子網(wǎng)絡(luò)進(jìn)行分類識(shí)別，這種結(jié)合多尺度特征融合與CNN的融合模型體現(xiàn)了木材木節(jié)無損檢測(cè)的潛在應(yīng)用價(jià)值，為未來的木節(jié)缺陷識(shí)別提供了可行的解決方案。Mohsin等[62]提出了基于CNN并以MobileNetV347 作為特征提取骨干網(wǎng)絡(luò)的模型，引入遷移學(xué)習(xí)，實(shí)時(shí)精確的檢測(cè)缺陷并加以識(shí)別和分割缺陷，解決了大多數(shù)深度學(xué)習(xí)模型脫離實(shí)際只能離線運(yùn)行的詬病，成功的將此技術(shù)應(yīng)用于實(shí)時(shí)工業(yè)，將缺陷識(shí)別工作與缺陷識(shí)別后的工作實(shí)現(xiàn)一體化，提高了工業(yè)生產(chǎn)的效率和整體生產(chǎn)力。

2.2 反饋神經(jīng)網(wǎng)絡(luò)

反饋神經(jīng)網(wǎng)絡(luò)中的神經(jīng)元所接受的信號(hào)不僅來源于其他神經(jīng)元，也包括本身的反饋信號(hào)。它們既可以單向傳播也可以雙向傳遞。不同于前饋神經(jīng)網(wǎng)絡(luò)，反饋神經(jīng)網(wǎng)絡(luò)中的神經(jīng)元具有記憶存儲(chǔ)功能，狀態(tài)多變，不受時(shí)間限制等特點(diǎn)。

2.2.1 長(zhǎng)短期記憶網(wǎng)絡(luò)

為了驗(yàn)證長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）在工業(yè)生產(chǎn)線上的應(yīng)用有效性，徐科等[63]提出了采用CNN與LSTM模型相結(jié)合的實(shí)時(shí)檢測(cè)中厚板材的缺陷控制系統(tǒng)。

2.2.2 Hopfield網(wǎng)絡(luò)

Qi[64]等設(shè)計(jì)了一個(gè)在使用Canny邊緣算法進(jìn)行邊界初始化后，輕微調(diào)整尋找木材缺陷的實(shí)際邊界，然后以新定義的二維能量函數(shù)優(yōu)化的Hopfield神經(jīng)網(wǎng)絡(luò)進(jìn)行木材缺陷的邊界檢測(cè)，并在Matlab上進(jìn)行了驗(yàn)證，表明其具有較好的效果。

表3 各類神經(jīng)網(wǎng)絡(luò)優(yōu)缺點(diǎn)Tab.3 Advantages and disadvantages of various neural networks

3 結(jié)語

相較于傳統(tǒng)的木材缺陷檢測(cè)技術(shù)，基于深度學(xué)習(xí)的木材缺陷智能化檢測(cè)體現(xiàn)了更為高精度、高效率、低成本等各種優(yōu)勢(shì)，并且突破傳統(tǒng)方法的局限性，已經(jīng)成為木材行業(yè)中學(xué)者重點(diǎn)關(guān)注的研究領(lǐng)域。然而，基于目前人類的認(rèn)知及其科技水平有限，在實(shí)踐應(yīng)用中仍然存在一些技術(shù)難點(diǎn)需要克服[65-70]。

1）數(shù)據(jù)集不足：由于獲取大量現(xiàn)實(shí)世界的數(shù)據(jù)比較困難，因此構(gòu)建龐大的數(shù)據(jù)集是基于深度學(xué)習(xí)實(shí)現(xiàn)木材缺陷檢測(cè)的主要挑戰(zhàn)。目前，大多數(shù)采用合成數(shù)據(jù)和增強(qiáng)樣本等技術(shù)提高數(shù)據(jù)集的質(zhì)量與數(shù)量，但是數(shù)據(jù)的真實(shí)可靠性依舊有待檢驗(yàn)，期望未來出現(xiàn)更為可靠的數(shù)據(jù)拓展技術(shù)或者龐大數(shù)據(jù)的構(gòu)建策略。

2）檢測(cè)精度和魯棒性：即使在良好的陽光下拍攝木材表面圖像，也存在著光照、角度、陰影等因素的干擾。因此，基于深度學(xué)習(xí)的檢測(cè)系統(tǒng)的模型精度和魯棒性是一個(gè)重要的考慮因素。

3）多種類型缺陷的識(shí)別：目前可以檢驗(yàn)出死節(jié)和裂紋等一些常見木材缺陷，但是挑戰(zhàn)在于如何準(zhǔn)確識(shí)別更加復(fù)雜多樣的缺陷類型，如腐爛、蟲蛀等。因此，可以考慮如何通過深度學(xué)習(xí)技術(shù)改進(jìn)模型、增量數(shù)據(jù)集以及將人工智能技術(shù)與傳統(tǒng)圖像處理算法完美結(jié)合。

4）硬件設(shè)備限制：基于神經(jīng)網(wǎng)絡(luò)的檢測(cè)系統(tǒng)需要龐大的計(jì)算資源和存儲(chǔ)空間，因此硬件設(shè)備的限制也是一個(gè)重要的問題。因此，是否考慮通過優(yōu)化神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)，選用高效的組件、減少參數(shù)數(shù)量來提高性能，或者將一部分計(jì)算任務(wù)卸載到外部云服務(wù)平臺(tái)上來完成，是下一步著重考量的因素。

5）神經(jīng)網(wǎng)絡(luò)的優(yōu)化調(diào)整：各種神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)各有特點(diǎn)，這些網(wǎng)絡(luò)結(jié)構(gòu)都是基于人工設(shè)計(jì)，每一個(gè)模型的建立與應(yīng)用都是需要大量的時(shí)間去設(shè)計(jì)去調(diào)整，并且不存在最優(yōu)的神經(jīng)網(wǎng)絡(luò)。此外，目前的人工神經(jīng)網(wǎng)絡(luò)沒有從設(shè)計(jì)到調(diào)參再到應(yīng)用是專門為了解決木材缺陷智能識(shí)別的。因此，隨著AI與網(wǎng)絡(luò)架構(gòu)技術(shù)的逐漸成熟，希望未來有更多以及更加優(yōu)秀的智能化生成的神經(jīng)網(wǎng)絡(luò)替代人工神經(jīng)網(wǎng)絡(luò)，在節(jié)省大量人力物力資源的同時(shí)，完美的應(yīng)用木材缺陷的智能化檢測(cè)，并且在識(shí)別的準(zhǔn)確率與效率上更加的出色。

綜上所述，基于神經(jīng)網(wǎng)絡(luò)的木材缺陷智能檢測(cè)技術(shù)應(yīng)用前景廣闊，其核心的技術(shù)難題可以逐步得到克服，并且將會(huì)為傳統(tǒng)行業(yè)帶來重大的變革。