《表1 不同的木材检测方法》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于深度学习的木材缺陷图像的识别与定位》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

天然木材具有易加工，可再生，保护环境等优点，广泛应用于社会生产中。我国对木材的需求量巨大，但人均木材占有量少，因此高效地提高木材的利用率具有十分重要的经济意义。在实际生产中，不同品种的木材，加工方式是不同的。如何最优化加工，一方面需要鉴别木材品种[1]，另一方面需要对木材缺陷进行检测。木材缺陷一般包括木材天然缺陷、干燥缺陷和加工缺陷。人工提取木材缺陷不仅消耗大量人力，而且精准度低，经济效益差。传统的木材缺陷检测包括X射线[2]、超声波[3]、微波[4]、核磁共振[5]等无损检测技术[6]。这些基于物理设备的检测技术由于成本过高，并不适用于大规模木材缺陷识别。近年来，由于计算机技术的快速发展，由物理设备的缺陷检测研究逐渐向计算机图像自动缺陷检测研究方向发展[7]，基于计算机图像的木材缺陷识别技术的方法主要有图像块百分位颜色直方图[8]、支持向量机（Support vector machine，SVM)[9?12]、卷积神经网络[13]、灰度共生矩阵[14]、凸优化[15]等，常见方法见表1。Xie等[14]针对木材本身特点进行研究，通过对木材的纹理特征，采用灰度共生矩阵方法，对木材缺陷进行定位。Pham等[15]利用蜜蜂算法优化支持向量机，改进木材缺陷检测技术。Zhang等[16]利用通过主成分分析（Principal component analysis，PCA）与压缩感知对木材图片进行处理。Qi[17]利用Hu不变矩阵以及BP神经网络，对木材缺陷进行定位识别。文献[18]利用Ostu算法对木材数据进行处理。文献[19]通过聚类算法和灰度共生矩阵（Grey?level co?occurence matrix，GLCM），自动找出并正确识别木材表面缺陷位置，比较分析不同木材表面缺陷的识别效率。