Research Advances in Wood Defect Detection Based on Artificial Intelligence
-
摘要: 木材缺陷检测是木制品加工前的重要步骤，为了提高检测效率和经济效益，木材缺陷检测也从传统的人工方法向智能化方向转变。随着计算机技术的不断提高，人工智能得到快速发展，人工智能在木材缺陷检测中的应用也进一步增加。目前，人工智能主要通过机器学习、人工神经网络、深度学习等算法实现对木材缺陷的预处理和检测。文中阐述部分常用人工智能算法在木材缺陷检测中的应用，包括相关算法的原理、特点；综合分析算法优缺点，并对人工智能技术在木材缺陷检测中的研究进行了展望。Abstract: Wood defect detection is an important step before wood products processing. In order to improve the detection efficiency and economic benefits, wood defect detection has also changed from traditional manual to intelligent detection. With the continuous improvement of computer technology, artificial intelligence has been developed rapidly, and its application to wood defect detection has also been further enhanced. At present, artificial intelligence can pre-process and detect wood defects through machine learning, artificial neural network, in-depth learning and other algorithms. This paper describes the application of commonly used artificial intelligence algorithms to wood defect detection, summarizes the principles and characteristics of related algorithms, comprehensively analyzes the advantages and disadvantages of these algorithms, and discusses a prospect of future research on artificial intelligence technology for wood defect detection.
-
表 1 木材缺陷特征提取算法比较
算法名称 优点 缺点 Harris算法 具有旋转不变性 对灰度平移和灰度尺度变化不敏感 SIFT算法 较稳定，信息量丰富，计算速度快，扩展性高 实时性不高，边缘光滑时提取效果差 SURF算法 计算复杂度低，耗时短 边缘光滑时提取效果差 LBF算法 可计算量大，提取效果好 计算复杂度高，耗时长 HOG算法 可抑制平移和旋转带来的影响，降维效果好 耗时长，实时性差，对噪点敏感 DPM算法 可抑制平移和旋转带来的影响，降维效果好 对噪点敏感，很难处理遮挡问题 ORB算法 计算速度快，节约空间 对尺度变换应对能力不足 
下载: 导出CSV
-
[1] LOPES D V, Jr, BOBADILHA G D S, GREBNER K M. A fast and robust artificial intelligence technique for wood knot detection[J]. BioResources, 2020, 15(4):9351. DOI: 10.15376/biores.15.4.9351-9361. [2] SHUGAR A N, DRAKE B L, KELLEY G. Rapid identification of wood species using XRF and neural network machine learning[J]. Scientific Reports, 2021, 11(1):1 − 10. doi: 10.1038/s41598-020-79139-8 [3] CHANG Z Y, CAO J, ZHANG Y Z. A novel image segmentation approach for wood plate surface defect classification through convex optimization[J]. Journal of Forestry Research, 2018, 29(6):1789 − 1795. doi: 10.1007/s11676-017-0572-7 [4] 马旭, 刘应安, 业宁, 等. 基于核PCA与SVM算法的木材缺陷识别[J]. 常州大学学报(自然科学版),2017,29(3):60 − 68. [5] MING H E. A maximum entropy model text classification method based on improved information gain feature selection[J]. Journal of Southwest China Normal University (Natural Science Edition), 2019, 44(3):113 − 118. [6] URBONAS A, RAUDONIS V, MASKELIŪNAS R, et al. Automated identification of wood veneer surface defects using faster region-based convolutional neural network with data augmentation and transfer learning[J]. Applied Sciences, 2019, 9(22):4898. DOI: 10.3390/app9224898. [7] DING F L, ZHUANG Z L, LIU Y, et al. Detecting defects on solid wood panels based on an improved SSD algorithm[J]. Sensors, 2020, 20(18):5315. DOI: 10.3390/s20185315. [8] DEREK R. Artificial intelligence-based decision-making algorithms, industrial big data, and smart connected sensors in cloud-based cyber-physical manufacturing systems[J]. Economics, Management, and Financial Markets, 2020, 15(1):40 − 46. doi: 10.22381/EMFM15120203 [9] 谢孝南. 基于人工智能的配网变压器故障诊断方法[J]. 电气开关,2022,60(4):28 − 30,35. doi: 10.3969/j.issn.1004-289X.2022.04.008 [10] 陈银星. 多图像去噪方法及应用[D]. 广东江门: 五邑大学, 2019. [11] 牛凯博. 基于机器学习的图像认知区域增强算法研究[J]. 信息与电脑(理论版),2021,33(4):71 − 73. [12] 何山, 赵越, 乔孟锐. 基于机器学习的压缩域图像均衡增强方法[J]. 计算机仿真,2021,38(3):108 − 112. doi: 10.3969/j.issn.1006-9348.2021.03.022 [13] YANG Y T, ZHOU X L, LIU Y, et al. Wood defect detection based on depth extreme learning machine[J]. Applied Sciences-Basel, 2020, 10(21):7488. DOI: 10.3390/APP10217488. [14] 刘佳敏, 何宁, 尹晓杰. 基于Retinex-UNet算法的低照度图像增强[J]. 计算机工程与应用,2020,56(22):211 − 216. doi: 10.3778/j.issn.1002-8331.1910-0239 [15] 关煜. 基于深度学习的图像降噪研究[D]. 兰州: 西北师范大学, 2021. [16] 刘文辉, 许瑞. 基于双树小波和神经网络的图像降噪与增强[J]. 计算机工程与设计,2021,42(5):1402 − 1408. [17] 李健, 褚超, 郭康乐, 等. 基于TSA与模型匹配的木材缺陷图像阈值分割[J]. 林业和草原机械,2020,1(3):48 − 52. [18] 王红军, 黎邹邹, 邹湘军. 基于AdaBoost与CNN的木材表面缺陷检测[J]. 系统仿真学报,2019,31(8):1636 − 1645. [19] LUO W, SUN L P. An improved binarization algorithm of wood image defect segmentation based on non-uniform background[J]. Journal of Forestry Research, 2019, 30(4):1527 − 1533. doi: 10.1007/s11676-019-00925-w [20] 郭康乐, 黄元, 杨妮, 等. 基于TVCV模型的多通道木材缺陷图像分割算法[J]. 林业机械与木工设备,2020,48(9):22 − 26. doi: 10.3969/j.issn.2095-2953.2020.09.005 [21] 程玉柱, 蔡云飞. 基于分数阶CV模型的木材缺陷图像分割算法[J]. 林业机械与木工设备,2018,46(4):44 − 47,51. [22] 严飞, 程玉柱. 基于卷积神经网络的木材缺陷图像语义分割[J]. 林业和草原机械,2020,1(6):52 − 56. [23] 韩俊, 王保云. MeanShift算法在图像分割中的应用[J]. 现代计算机,2021,27(33):71 − 76. doi: 10.3969/j.issn.1007-1423.2021.33.013 [24] 李忠勤, 宋虎虎, 周海超. Surf 结合区域生长的特征点提取改进算法[J]. 黑龙江科技大学学报,2022,32(1):134 − 138. doi: 10.3969/j.issn.2095-7262.2022.01.023 [25] 白雪冰, 许景涛, 郭景秋, 等. 基于局部二值拟合模型的板材表面节子与虫眼的图像分割[J]. 浙江农林大学学报,2016,33(2):306 − 314. doi: 10.11833/j.issn.2095-0756.2016.02.017 [26] 秦志钢. 改进的ORB特征提取及描述算法[J]. 集成电路应用,2022,39(2):132 − 133. [27] 施慧慧, 王妮, 滕文秀, 等. 结合Gabor小波和形态学的高分辨率图像树冠提取方法[J]. 地球信息科学学报,2019,21(2):249 − 258. doi: 10.12082/dqxxkx.2019.180280 [28] YADAV A R, ANAND R S, DEWAL M L, et al. Binary wavelet transform-based completed local binary pattern texture descriptors for classification of microscopic images of hardwood species[J]. Wood Science and Technology, 2017, 51(4):909 − 927. doi: 10.1007/s00226-017-0902-0 [29] 刘思佳. 面向拼接的锯材原料纹理缺陷优选方法研究[D]. 哈尔滨: 东北林业大学, 2016. [30] 王映月. 基于图像处理的木材缺陷检测系统研究[D]. 杭州: 浙江师范大学, 2019. [31] ZHU Y N, OUYANG Q, MAO Y D. A deep convolutional neural network approach to single-particle recognition in cryo-electron microscopy[J]. BMC Bioinformatics, 2017, 18(1):348. DOI: 10.1186/s12859-017-1757-y. [32] 邓正岩. 人造板智能化在线检测关键技术研究[D]. 济南: 济南大学, 2021. [33] 罗微. 基于图像多特征模式识别的木材分类分选算法研究[D]. 哈尔滨: 东北林业大学, 2019. [34] ZHU T T, DING K, LI Z Y, et al. A fast online classification method of solid wood floors based on stochastic sampling and machine learning[J]. Electronics, 2021, 10(23):2899 − 2899. doi: 10.3390/electronics10232899 [35] 武文一. 基于Yolov3 网络的木板缺陷识别[D]. 沈阳: 沈阳工业大学, 2021. [36] 张旭中, 翟道远, 陈俊. 基于深度强化学习的木材缺陷图像识别及分割模型研究[J]. 电子测量技术,2020,43(17):80 − 86. [37] GAO M Y, SONG P, WANG F, et al. A novel deep convolutional neural network based on ResNet-18 and transfer learning for detection of wood knot defects[J]. Journal of Sensors, 2021, 2021(1):1 − 16. [38] 陈力. 基于深度学习的木材内部缺陷检测方法研究[D]. 杭州: 浙江农林大学, 2019. [39] 陈献明, 王阿川, 王春艳. 基于深度学习的木材表面缺陷图像检测[J]. 液晶与显示,2019,34(9):879 − 887. [40] LI C, ZHANG Y Z, TU W J, et al. Soft measurement of wood defects based on LDA feature fusion and compressed sensor images[J]. Journal of Forestry Research, 2017, 28(6):1285 − 1292. doi: 10.1007/s11676-017-0395-6 [41] 徐梓敬, 贾培, 吴楠, 等. GA-SVM在木材缺陷识别中的应用[J]. 传感器与微系统,2019,38(9):153 − 156. [42] 牟洪波. 基于BP和RBF神经网络的木材缺陷检测研究[D]. 哈尔滨: 东北林业大学, 2010. [43] 刘佳美, 徐凯宏, 王立海. 基于MEA-BP神经网络对木材内部缺陷诊断的研究[J]. 林产工业,2018,45(2):19 − 24. [44] YU H L, LIANG Y L, LIANG H, et al. Recognition of wood surface defects with near infrared spectroscopy and machine vision[J]. Journal of Forestry Research, 2019, 30(6):2379 − 2386. doi: 10.1007/s11676-018-00874-w [45] 崔明光, 张秀梅, 韩维娜. 基于卷积神经网络的木材缺陷识别[J]. 长春工业大学学报,2019,40(4):332 − 338. [46] 李若尘, 朱悠翔, 孙卫民, 等. 基于深度学习的木材缺陷图像的识别与定位[J]. 数据采集与处理,2020,35(3):494 − 505. [47] 范佳楠. 基于深度学习的实木板材缺陷检测算法研究[D]. 南京: 南京林业大学, 2020. -
点击查看大图
计量
- 文章访问数: 67
- 被引次数: 0
