基于双循环生成对抗网络和Dense-Net的木材缺陷检测方法

admin管理员组

文章数量:1531457

2024年6月13日发(作者：)

林业工程学报，２０２３，８（４）：１２９

－

１３６

Ｊｏｕｒｎａｌ

ｏｆＦｏｒｅｓｔｒｙＥｎｇｉｎｅｅｒｉｎｇ

ＤＯＩ：１０．１３３６０／ｊ．ｉｓｓｎ．２０９６

－

１３５９．２０２２１２００８

基于双循环生成对抗网络和Ｄｅｎｓｅ⁃Ｎｅｔ的木材

缺陷检测方法

解晨辉，杨博凯，李荣荣

∗

（南京林业大学家居与工业设计学院，南京２１００３７）

摘　要：木材缺陷智能检测技术可以有效降低人工误检带来的经济损失，对提高木材加工智能化水平具有重要

意义。提出了一种木材缺陷智能检测算法，通过双循环生成对抗网络（ｄｏｕｂｌｅｌｅａｓｔｇｅｎｅｒａｔｉｖｅａｄｖｅｒｓａｒｉａｌ

ｎｅｔｗｏｒｋｓ，ＤＬＧＡＮ）及密集卷积网络（Ｄｅｎｓｅ⁃Ｎｅｔ）来检测色差、虫眼、裂纹、节子和伤疤等５种木材常见缺陷。首

先，使用ＤＬＧＡＮ技术扩充数据集，提高数据集的多样性和数量，缓解了因训练数据不足而导致的过拟合问题；其

次，基于Ｄｅｎｓｅ⁃Ｎｅｔ的特点，采用密集的卷积块序列提高对微弱特征的提取和学习能力，以便更好地检测木材缺

陷。试验结果表明，相比ＶＧＧ１６、Ｉｎｃｅｐｔｉｏｎ⁃ｖ２、ＲｅｓＮｅｔ３种经典卷积神经网络，基于ＤＬＧＡＮ增广数据集训练的

Ｄｅｎｓｅ⁃Ｎｅｔ模型有效提高了木材缺陷检测模型的性能，平均准确率达到９２．７％，在只使用少量训练数据的情况下

模型依然具有良好的图像生成能力和训练鲁棒性。

关键词：木材缺陷检测；双循环生成对抗网络；Ｄｅｎｓｅ⁃Ｎｅｔ；神经网络；智能制造

中图分类号：ＴＳ６４　　　　　文献标志码：Ａ　　　　　文章编号：２０９６

－

１３５９（２０２３）０４

－

０１２９

－

０８

Ｗｏｏｄｄｅｆｅｃｔｄｅｔｅｃｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎｄｏｕｂｌｅｌｅａｓｔ

ｇｅｎｅｒａｔｉｖｅａｄｖｅｒｓａｒｉａｌｎｅｔｗｏｒｋｓａｎｄＤｅｎｓｅ⁃Ｎｅｔ

ＸＩＥＣｈｅｎｈｕｉ，ＹＡＮＧＢｏｋａｉ，ＬＩＲｏｎｇｒｏｎｇ

∗

（ＣｏｌｌｅｇｅｏｆＦｕｒｎｉｓｈｉｎｇｓａｎｄＩｎｄｕｓｔｒｉａｌＤｅｓｉｇｎ，ＮａｎｊｉｎｇＦｏｒｅｓｔｒｙＵｎｉｖｅｒｓｉｔｙ，Ｎａｎｊｉｎｇ２１００３７，Ｃｈｉｎａ）

Ａｂｓｔｒａｃｔ：Ｗｏｏｄｄｅｆｅｃｔｉｎｔｅｌｌｉｇｅｎｔｄｅｔｅｃｔｉｏｎｔｅｃｈｎｏｌｏｇｙｃａｎｂｅｕｓｅｄｔｏｅｆｆｅｃｔｉｖｅｌｙｒｅｄｕｃｅｔｈｅｅｃｏｎｏｍｉｃｌｏｓｓｅｓｃａｕｓｅｄｂｙ

ａｒｔｉｆｉｃｉａｌｅｒｒｏｒｄｅｔｅｃｔｉｏｎ，ｗｈｉｃｈｉｓｏｆｇｒｅａｔｓｉｇｎｉｆｉｃａｎｃｅｔｏｉｍｐｒｏｖｅｔｈｅｌｅｖｅｌｏｆｗｏｏｄｐｒｏｃｅｓｓｉｎｇｉｎｔｅｌｌｉｇｅｎｃｅ．Ｉｎｒｅｃｅｎｔ

ｙｅａｒｓ，ｒｅｓｅａｒｃｈｅｒｓｈａｖｅａｔｔｅｍｐｔｅｄｔｏａｐｐｌｙＤｅｎｓｅ⁃Ｎｅｔｔｏｐａｔｔｅｒｎｒｅｃｏｇｎｉｔｉｏｎｂｙｕｓｉｎｇｄｅｅｐｌｅａｒｎｉｎｇｔｅｃｈｎｉｑｕｅｓ．Ｈｏｗ⁃

ｅｖｅｒ，ｔｈｅｎｅｕｒａｌｎｅｔｗｏｒｋａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｄｅｅｐｌｅａｒｎｉｎｇｎｅｅｄｓｍａｎｙｔｒａｉｎｉｎｇｓａｍｐｌｅｓｔｏａｃｈｉｅｖｅｈｉｇｈｒｅｃｏｇｎｉｔｉｏｎａｃ⁃

ｃｕｒａｃｙ，ａｎｄｉｎｓｏｍｅｃａｓｅｓ，ｔｈｅｄａｔａｃｏｌｌｅｃｔｉｏｎｉｓｅｘｔｒｅｍｅｌｙｔｉｍｅ⁃ｃｏｎｓｕｍｉｎｇａｎｄｌａｂｏｒｉｏｕｓ．Ｉｔｉｓｅｖｅｎｍｏｒｅｏｎｅｒｏｕｓｔｏ

ｌａｂｅｌｔｈｅｓｅｄａｔａｗｉｔｈｉｎｆｏｒｍａｔｉｏｎ．Ｔｏｒｅｄｕｃｅｔｈｅｄｅｐｅｎｄｅｎｃｅｏｎｔｈｅｄａｔａ，ｓｏｍｅｓｔｕｄｉｅｓｈａｖｅｕｓｅｄｄａｔａｅｎｈａｎｃｅｍｅｎｔ

ｔｅｃｈｎｉｑｕｅｓｔｏｅｘｐａｎｄｔｈｅｄａｔａｓｅｔ．Ａｍｏｎｇｔｈｅｍ，ｔｈｅｇｅｎｅｒａｔｉｖｅａｄｖｅｒｓａｒｉａｌｎｅｔｗｏｒｋ（ＧＡＮ）ｈａｓｇｒｅａｔｒｅｓｅａｒｃｈｐｏｔｅｎ⁃

ｔｉａｌａｎｄａｐｐｌｉｃａｔｉｏｎｖａｌｕｅｉｎｔｈｅｆｉｅｌｄｏｆｄａｔａａｕｇｍｅｎｔａｔｉｏｎ，ｂｅｃａｕｓｅｉｔｃａｎｓｉｍｕｌａｔｅａｎｙｄａｔａｄｉｓｔｒｉｂｕｔｉｏｎｍｏｄｅ．Ｈｏｗ⁃

ｅｖｅｒ，ｔｈｅｔｒａｄｉｔｉｏｎａｌＧＡＮｍｏｄｅｌｓｕｆｆｅｒｓｆｒｏｍｓｅｒｉｏｕｓｄｅｇｒａｄａｔｉｏｎｗｈｅｎｔｈｅｎｕｍｂｅｒｏｆｄａｔａｉｓｕｎｂａｌａｎｃｅｄｏｒｔｈｅｎｕｍ⁃

ｂｅｒｏｆｄａｔａｉｓｓｍａｌｌ，ｅｓｐｅｃｉａｌｌｙｗｈｅｎｔｈｅｆｅａｔｕｒｅｄｉｆｆｅｒｅｎｃｅｉｓｓｍａｌｌ，ｔｈｅａｂｉｌｉｔｙｏｆｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎｉｓｇｒｅａｔｌｙｒｅｄｕｃｅｄ．

Ｔｏｓｏｌｖｅｔｈｅａｂｏｖｅ⁃ｍｅｎｔｉｏｎｅｄｐｒｏｂｌｅｍｓ，ａｎｉｎｔｅｌｌｉｇｅｎｔｄｅｔｅｃｔｉｏｎａｌｇｏｒｉｔｈｍｆｏｒｗｏｏｄｄｅｆｅｃｔｓｉｓｐｒｏｐｏｓｅｄ，ｉｎｗｈｉｃｈｆｉｖｅ

ｃｏｍｍｏｎｗｏｏｄｄｅｆｅｃｔｓ，ｎａｍｅｌｙｃｈｒｏｍａｔｉｃａｂｅｒｒａｔｉｏｎ，ｗｏｒｍｈｏｌｅ，ｃｒａｃｋ，ｋｎｏｔａｎｄｓｃａｒ，ｗｅｒｅｄｅｔｅｃｔｅｄｂｙＤＬＧＡＮ

（ｄｏｕｂｌｅｌｅａｓｔｇｅｎｅｒａｔｉｖｅａｄｖｅｒｓａｒｉａｌｎｅｔｗｏｒｋｓ）ａｎｄＤｅｎｓｅ⁃Ｎｅｔ．Ｆｉｒｓｔｌｙ，ｔｈｅＤＬＧＡＮｔｅｃｈｎｏｌｏｇｙｉｓｕｓｅｄｔｏｅｘｐａｎｄｔｈｅ

ｄａｔａｓｅｔｔｏｉｍｐｒｏｖｅｔｈｅｄｉｖｅｒｓｉｔｙａｎｄｑｕａｎｔｉｔｙｏｆｄａｔａｓｅｔ，ａｎｄａｌｌｅｖｉａｔｅｔｈｅｏｖｅｒ⁃ｆｉｔｔｉｎｇｐｒｏｂｌｅｍｃａｕｓｅｄｂｙｉｎｓｕｆｆｉｃｉｅｎｔ

ｔｏｉｍｐｒｏｖｅｔｈｅａｂｉｌｉｔｙｏｆｗｅａｋｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎａｎｄｌｅａｒｎｉｎｇ，ｓｏａｓｔｏｂｅｔｔｅｒｄｅｔｅｃｔｗｏｏｄｄｅｆｅｃｔｓ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔａｌ

ｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅＤｅｎｓｅ⁃ＮｅｔｍｏｄｅｌｂａｓｅｄｏｎＤＬＧＡＮａｕｇｍｅｎｔｅｄｄａｔａｓｅｔｃａｎｅｆｆｅｃｔｉｖｅｌｙｉｍｐｒｏｖｅｔｈｅｐｅｒｆｏｒｍａｎｃｅ

ｏｆｗｏｏｄｄｅｆｅｃｔｄｅｔｅｃｔｉｏｎｍｏｄｅｌｃｏｍｐａｒｅｄｗｉｔｈｔｈｅｃｌａｓｓｉｃａｌｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｏｆＶＧＧ１６，Ｉｎｃｅｐｔｉｏｎ⁃ｖ２ａｎｄ

ＲｅｓＮｅｔ，ｔｈｅａｖｅｒａｇｅａｃｃｕｒａｃｙｗａｓ９２．７％，ｗｈｉｃｈｗａｓ７．３％，２．０％ａｎｄ０．９％ｈｉｇｈｅｒｔｈａｎｔｈｅｏｔｈｅｒｔｈｒｅｅｍｏｄｅｌｓ，ｒｅ⁃

ｓｐｅｃｔｉｖｅｌｙ．Ｔｈｅｍｏｄｅｌｓｔｉｌｌｈａｓｇｏｏｄｉｍａｇｅｇｅｎｅｒａｔｉｎｇａｂｉｌｉｔｙａｎｄｔｒａｉｎｉｎｇｒｏｂｕｓｔｎｅｓｓｗｈｅｎｏｎｌｙａｓｍａｌｌａｍｏｕｎｔｏｆ

ｔｒａｉｎｉｎｇｄａｔａｉｓｕｓｅｄ．

收稿日期：２０２２

－

１２

－

０５　　　　修回日期：２０２３

－

０３

－

２３

基金项目：国家木竹产业技术创新战略联盟科研计划课题（Ｔｉａｗｂｉ２０２００８）；江苏高校“青蓝工程”项目。

作者简介：解晨辉，女，研究方向为家居设计与工程。通信作者：李荣荣，男，副教授。Ｅ⁃ｍａｉｌ：ｒｏｎｇｒｏｎｇ．ｌｉ＠ｎｊｆｕ．ｅｄｕ．ｃｎ

ｔｒａｉｎｉｎｇｄａｔａ．Ｓｅｃｏｎｄｌｙ，ｂａｓｅｄｏｎｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆＤｅｎｓｅ⁃Ｎｅｔ，ｔｈｅｄｅｎｓｅｃｏｎｖｏｌｕｔｉｏｎａｌｂｌｏｃｋｓｅｑｕｅｎｃｅｓａｒｅｕｓｅｄ

Copyright©博看网. All Rights Reserved.

１３０

ｉｎｔｅｌｌｉｇｅｎｔｍａｎｕｆａｃｔｕｒｉｎｇ

林业工程学报第８卷

Ｋｅｙｗｏｒｄｓ：ｗｏｏｄｄｅｆｅｃｔｄｅｔｅｃｔｉｏｎ；ｄｏｕｂｌｅｌｅａｓｔｇｅｎｅｒａｔｉｖｅａｄｖｅｒｓａｒｉａｌｎｅｔｗｏｒｋｓ；Ｄｅｎｓｅ⁃Ｎｅｔ；ｎｅｕｒａｌｎｅｔｗｏｒｋ；

　　木材作为一种天然材料，不可避免存在死节、

活节、虫眼、变色和腐朽等缺陷，这些缺陷对木材材

质结构的均匀性和承受能力具有负面影响

［１］

。因

此，木材的缺陷检测对于合理使用木材，提高木材

利用率和质量具有重要意义。从传统的木材缺陷

识别方法和识别系统中可以看出，其缺陷识别结果

主要依赖于人工经验提取缺陷木材图像的颜色、纹

理和形状特征

［２

－

３］

。然而，由于木材缺陷图像及其

缺陷类型的复杂多样性，人工检测木材缺陷需要专

业人员借助测量工具进行识别，耗费大量时间和人

力资源；同时，人工检测具有主观性，且长时间检测

为解决人工检测费时费力以及主观偏差等问题，基

于机器视觉

［５］

、图像处理

［６］

、自动算法

［７］

的检测新

技术成为行业发展的方向之一。

基于木材表面缺陷，国内外相关学者采用了数

字图像处理算法

［８］

识别木材缺陷。然而，数字图

像处理算法受木材色彩与纹理、测量环境光照条件

等因素影响较大。现有的算法大多只能执行具有

简单背景和单一缺陷类型的检验任务，在应对复杂

生产环境的能力方面有待进一步提升。近年来，研

究者们利用深度学习技术尝试将卷积神经网络

（ＣＮＮ）

［９］

应用于模式识别领域。程玉柱等

［１０］

提

出了一种基于ＣＮＮ自动检测和分割木材缺陷区域

的方法，实现了高效的木材自动分类，显著提高了

检测效率。张瑞峰等

［１１］

利用ＣＮＮ算法识别技术，

将常见的木材缺陷（如死节、活节、虫眼和裂纹图

像）作为研究对象，提供了一种应用渐近学习方法

来管理训练样本的识别算法。研究人员还相继提

Ｉｎｃｅｐｔｉｏｎ

［１３］

、ＲｅｓＮｅｔ

［１４］

、Ｄｅｎｓｅ⁃Ｎｅｔ

［１５］

等。然而，基

于深度学习的神经网络算法需要大量的训练样本

才能达到较高的识别准确率，在某些情况下收集数

据是极其费时费力的；同时，为这些数据打上标注

信息更是任务繁重。为了减少对数据的依赖，一些

研究中使用了数据增强技术

［１６］

来扩充数据集。但

是，传统的数据增强方法并不适用于木材缺陷自动

检测任务。原因在于：木材缺陷检测场景中，随机

裁剪、旋转等数据增强手段会改变木材的纹理

特征

［１７］

。

近年来，随着深度学习的发展，木材检测算法

出了相关经典的ＣＮＮ架构，如ＶＧＧ

［１２］

、

产生的视觉疲劳也会造成漏检和误检

［４］

。因此，

以此提高分类方法的准确性

［１８］

。其中，生成对抗

网络（ｇｅｎｅｒａｔｉｖｅａｄｖｅｒｓａｒｉａｌｎｅｔｗｏｒｋ，ＧＡＮ）

［１９］

因其

可以模拟任何数据分布方式的特点，在数据增广领

域具有极大的研究潜力和应用价值。在机器视觉

识别中，基于ＧＡＮ的数据增强技术受到了越来越

多的关注。ＡｎｏＧＡＮ是第一次尝试使用ＧＡＮ进行

异常检测，其主要目的是利用正态样本训练ＧＡＮ

生成与正态样本概率分布相似的伪图像，通过定义

待测图像与假图像之间的残差值阈值，以识别出异

常样本

［２０］

。Ａｋｃａｙ等

［２１］

提出ＧＡＮｏｍａｌｙ模型，该

模型在生成器中导入图像后直接生成图像，减少了

计算资源并提高了ＧＡＮｏｍａｌｙ的异常检测能力。

然而由于特征提取能力有限，ＧＡＮｏｍａｌｙ的图像生

成能力仍然不稳定，与ＡｎｏＧＡＮ和ＧＡＮｏｍａｌｙ相

比，引入了Ｓｋｉｐ⁃Ｃｏｎｎｅｃｔｉｏｎ架构的Ｓｋｉｐ⁃ＧＡＮｏｍａ⁃

ｌｙ

［２２］

，展示了更加出色的图像重建能力和更加稳

定的训练性能。然而，Ｓｋｉｐ⁃ＧＡＮｏｍａｌｙ在数据集类

别数量不均衡或数据量较少的情况下表现严重退

化，尤其特征差异较小的数据集训练时，特征提取

能力大大降低。

为了解决以上问题，提出了一种基于双循环结

构生成对抗网络（ｄｏｕｂｌｅｌｅａｓｔｇｅｎｅｒａｔｉｖｅａｄｖｅｒｓａｒｉａｌ

木材缺陷检测算法。首先，该方法通过Ｓｋｉｐ⁃Ｃｏｎ⁃

ｎｅｔｗｏｒｋｓ，ＤＬＧＡＮ）和密集卷积网络（Ｄｅｎｓｅ⁃Ｎｅｔ）的

ｎｅｃｔｉｏｎ架构构建自动编码器，以作为图像生成模

型的生成器，提高模型的特征重建能力；然后，采用

双循环结构提高图像生成模型的训练稳定性，生成

高质量的木材缺陷图像，用以增广木材缺陷数据

集；最后，通过改进Ｄｅｎｓｅ⁃Ｎｅｔ的分类层结合迁移

学习技术，将改进的Ｄｅｎｓｅ⁃Ｎｅｔ分类网络从公开的

ＭＶＴｅｃＡＤ木材数据集学习到知识，泛化至增广木

材缺陷数据集进行训练，减少数据依赖，增强模型

的泛化性以提高木材缺陷检测准确率，为提高工业

检测智能化水平提供了技术支持。

１　材料与方法

１．１　试验材料

为了验证本研究所提出的方法在实际工业环

境中具有良好的检测能力，使用了两个数据集，分

别是木材缺陷数据集和公开数据集ＭＶＴｅｃＡＤ。

首先，通过图像生成模型增广木材缺陷数据集，该

数据集通过佳能７０Ｄ１８⁃１３５ＭＭＳＴＭ镜头，在山东能够从大规模数据汇总学习到更有用的深层特征，

Copyright©博看网. All Rights Reserved.

　第４期

解晨辉，等：基于双循环生成对抗网络和Ｄｅｎｓｅ⁃Ｎｅｔ的木材缺陷检测方法

１３１

省临沂市某木材厂采集了１２００幅正常和异常新

西兰辐射松（Ｐｉｎｕｐｓｒａｄｉａｔａ）的图像。然后，将公开

数据集ＭＶＴｅｃＡＤ中的木材图片经过训练得到的

缺陷检测模型，知识蒸馏到木材缺陷数据集进行再

次训练，以提高检测能力。公开数据集ＭＶＴｅｃＡＤ

是由ＭＶＴｅｃ软件团队收集，并用以模拟真实世界

１．２　试验装置

的工业异常。

１．３　试验方法

学习率降低为原来的十分之一，设置生成对抗网络

损失函数的权值为λ

ａｄｖ

＝

１、λ

Ｇ

＝

４、λ

Ｄ

＝

１。

１．３．１　试验步骤

行５个步骤。

采集。

为了提高模型对木材缺陷的检测性能，需要进

１）通过相机对木材表面进行木材原始图像

２）对木材原始图像进行分类得到木材缺陷图

３）使用ＤＬＧＡＮ对木材缺陷训练集进行扩增，

４）将在ＭＶＴｅｃＡＤ木材数据集上训练的

１．２．１　图像采集装置

木材缺陷样本图片采集装置为佳能７０Ｄ套机

（１８⁃１３５ＭＭＳＴＭ），最高分辨率５４７２

×

３６４８。独具

特色的全像素双核ＣＭＯＳＡＦ系统（ＤｕａｌＰｉｘｅｌ

ＣＭＯＳＡＦ）以及１９点对焦系统，使其有着极出色

的超高速连拍特性———能达到７张／ｓ的速度，能

像数据集。

将这批扩充的数据与原训练集数据混合后通过

Ｄｅｎｓｅ⁃Ｎｅｔ训练。

１．２．２　图像处理设置

够快速拍摄木材缺陷图片，减少采集时间。

试验硬件环境为ＮＶＩＤＩＡＴｉｔａｎＶ３２ＧＢＧＰＵ，

Ｄｅｎｓｅ⁃Ｎｅｔ模型通过知识蒸馏迁移至Ｄｅｎｓｅ⁃Ｎｅｔ模

型对应的层中进行训练，此时模型能够学习到两个

数据集的特征，有效地增强了模型的泛化能力，对

于给定的数据能更精确地判断是否异常。

５）将最后一层替换为输出结点为６的全连接

所有模型基于ＴｅｎｓｏｒＦｌｏｗ２．３框架实现并进行训练

和验证。为了确保模型训练的快速和有效，使用

训练最多在１００００次迭代后停止，初始学习率设

置为０．１，每隔２０个迭代损失值没有明显下降，则

Ａｄａｍ优化器在训练过程中提高梯度下降的效率，

层，其中包括正常木材、色差、虫眼、裂纹、节子、伤

疤６个预测结果。

木材缺陷检测方法具体流程如图１所示。

图１　木材缺陷检测流程

Ｆｉｇ．１　Ｗｏｏｄｄｅｆｅｃｔｉｎｓｐｅｃｔｉｏｎｐｒｏｃｅｓｓ

１．３．２　建立数据集

签，分别是正常木材、色差、虫眼、裂纹、节子和伤

２００幅，示例图像如表１所示，每张图像的分辨率

疤。包含原始木材图片１２００幅，每种类型均为

１）木材缺陷数据集。该数据集共有６个标

为２５６

×

２５６。为避免数据增强对于图像纹理的改

变，提出了ＤＬＧＡＮ算法，并进行图像扩展，增加木

材缺陷图像的数量，由此模拟在真实图像采集下的

场景。将原始的木材缺陷图片按照８∶１∶１划分为

训练集、验证集、测试集。通过ＤＬＧＡＮ算法将训

Copyright©博看网. All Rights Reserved.

１３２

林业工程学报第８卷

练集中的每张图片从１幅图像扩展得到５幅图像，

从而获得了４８００幅扩展图像。裂纹类型原始图

像经扩展得到的５幅图像见图２。本研究对训练

数据集中每个图像的样本进行剪裁操作，并进一步

将其大小归一化为相同像素２５６

×

２５６，有效地加速

了模型的训练，缩短训练时间，并且所获得的模型

具有较高稳定性。最后，建立一个原始训练集图像

和扩展图像的数据集，共计５７６０张。

Ｔａｂｌｅ１　Ｗｏｏｄｄｅｆｅｃｔｓｄａｔａｓｅｔ

类别木材缺陷数据集

表１　木材缺陷数据集

正常样本

缺陷类型色差虫眼裂纹节子伤疤

异常样本

图２　裂纹类型扩展图像实例

Ｆｉｇ．２　Ｅｘａｍｐｌｅｓｏｆｔｙｐｉｃａｌｃｒａｃｋｅｘｔｅｎｓｉｏｎｉｍａｇｅｓ

　　２）ＭＶＴｅｃＡＤ数据集。用于工业检验的

ＭＶＴｅｃＡＤ数据集如表２所示。由表２可见，该数

据集包含１５个常见的工业异常检验类别：其中毛

毯、网格、皮革、瓷砖和木材为纹理类数据，包括规

律的纹路和随机纹路；剩下的１０类为物体类数据，

包括刚性的、特定外观的物体，可变性物体或自然

变化物体。数据集中还包括７３种异常，例如物件

表面的缺陷、凹痕，物件部分变形等结构缺陷或由

于缺少某些物体组成部件而表现出来的缺陷，图像

的分辨率为７００

×

７００～１０２４

×

１０２４。

Ｔａｂｌｅ２　ＭＶＴｅｃＡＤｄａｔａｓｅｔｆｏｒｉｎｄｕｓｔｒｉａｌｉｎｓｐｅｃｔｉｏｎ

类别

正常

样本

瓶电缆胶囊毛毯网格榛子皮革金属螺母

表２　用于工业检验的ＭＶＴｅｃＡＤ数据集

异常

样本

类别

正常

样本

药片螺丝瓷砖牙刷晶体管木材拉链

异常

样本

Copyright©博看网. All Rights Reserved.

　第４期

解晨辉，等：基于双循环生成对抗网络和Ｄｅｎｓｅ⁃Ｎｅｔ的木材缺陷检测方法

１３３

　　为了避免较少样本数据下训练得到的模型过

拟合，试验额外地引入了ＭＶＴｅｃＡＤ数据集中木材

类图片，并将其划分为正常木材、色差、虫眼、裂纹、

节子和伤疤等６类，此时ＭＶＴｅｃＡＤ数据集中选取

的数据与木材缺陷数据集标签相同，如表３所示。

尽管公开数据集ＭＶＴｅｃＡＤ与木材缺陷数据集在

木材数据中类别和标签相同，但它们在图像细节和

特征上存在差异。为了使得模型能够学习到两者

共同的特征，本研究采用迁移学习技术，从这两个

数据集上学习一个领域不变的知识，使得模型在面

对更多场景时具有良好的泛化能力，并且可以减少

对大量数据的依赖，从而增强模型的适应性、鲁棒

性和稳定性。这样能有效利用该数据集的信息来

提高现有少量数据集下的训练精度，减少这两个数

据集上的分布差异以提高模型的泛化能力。

Ｔａｂｌｅ３　ＭＶＴｅｃＡＤｗｏｏｄｄａｔａｓｅｔ

类别ＭＶＴｅｃＡＤ木材数据集

表３　ＭＶＴｅｃＡＤ木材数据集

正常样本

缺陷类型色差虫眼裂纹节子伤疤

异常样本

１．３．３　图像处理算法

ＤＬＧＡＮ由生成器（Ｇ）和鉴别器（Ｄ）组成。其中生

成器部分采用Ｕ⁃Ｎｅｔ结构作为特征学习部分并引

入Ｓｋｉｐ⁃Ｃｏｎｎｅｃｔｉｏｎ架构提高生成器的自动编码能

力。输入图像ｘ通过生成器生成一个伪图像ｘ′，其

概率分布在训练过程中与输入图像ｘ的概率分布

不断靠近。ＤＬＧＡＮ的鉴别器Ｄ部分由简单的卷

积结构和Ｓｉｇｍｏｉｄ分类函数构成，用于接收生成图

像ｘ′后识别出图像ｘ与伪图像ｘ′的区别。生成器

和鉴别器采用双循环结构组成图像生成模型（ＤＬ⁃

ＧＡＮ），双循环架构可以使ＤＬＧＡＮ模型训练更稳

定，更容易收敛到最佳平衡点。ＤＬＧＡＮ模型结构

如图３所示。

为了使生成器Ｇ具有更好的图像重建能力，

使用上下文损失函数来表示ｘ和Ｇ（ｘ）像素之间

的差异，定义为输入图像ｘ与生成图像Ｇ（ｘ）之间

的Ｌ２距离，进而确保生成图像与输入图像尽可能

一致。具体的，生成器上下文损失方程定义为：

Ｌ

Ｇ

＝

Ｅ

ｘ～Ｐ

ｘ

１）双循环生成对抗网络（ＤＬＧＡＮ）。提出的

别器形成的Ｌ２距离，这样可以保证原始图像尽可

能与鉴别器端的图像一致。鉴别器的上下文损失

定义为：

Ｌ

Ｄ

＝

Ｅ

ｘ～Ｐ

ｘ

[

ｘ

－

Ｄ（ｘ）

式中，Ｄ（ｘ）为鉴别器的输出图像。

２

]

（２）

生成器和鉴别器在训练过程中通过互相博

弈的思想提高生成图像的质量，生成器生成的图

像和输入图像通过鉴别器进行鉴别，并通过鉴别

器的结果反馈给生成器，生成器Ｇ希望减少输入

图像ｘ和生成图像Ｇ（ｘ）之间的差值从而使生成

图像的概率分布逐渐和输入图像相近。因此需

要使用对抗损失函数来描述对抗过程。对抗损

失可以表示为：

式中：Ｄ（Ｇ（ｘ））为鉴别器的输出层。输入是Ｇ（ｘ）

时，输出是Ｄ（Ｇ（ｘ））；输入是ｘ时，输出是Ｄ（ｘ）。

在训练过程中，可以通过上述３个损失函数的

加权和来训练ＤＬＧＡＮ。加权和损失函数的定义

如下：

Ｌ

＝

λ

ａｄｖ

Ｌ

ａｄｖ

＋

λ

Ｇ

Ｌ

Ｇ

＋

λ

Ｄ

Ｌ

Ｄ

（４）

Ｌ

ａｄｖ

＝

Ｅ

ｘ～Ｐ

ｘ

[

Ｄ（ｘ）

－

Ｄ

(

Ｇ（ｘ）

)

２

]

（３）

[

ｘ

－

Ｇ（ｘ）

式中：ｘ为输入图像；Ｇ（ｘ）为生成器的输出图像。

为了在训练过程中更快收敛到最佳平衡点，鉴

别器损失用来表示图像ｘ和图像Ｄ（ｘ）之间由鉴

２

]

（１）

式中，λ

ａｄｖ

、λ

Ｇ

和λ

Ｄ

表示３个损失函数的权值，在

试验中将其设置为λ

ａｄｖ

＝

１、λ

Ｇ

＝

４、λ

Ｄ

＝

１时取得

Copyright©博看网. All Rights Reserved.

１３４

林业工程学报第８卷

最佳性能。块中输出特征图的操作结构，包括批量正则化

（ＢＮ）、卷积和池化。为了对采集的６种木材图像

进行分类，在Ｄｅｎｓｅ⁃Ｎｅｔ的最后一层加入全局池化

层和６个节点的全连接层，并使用ＳｏｆｔＭａｘ分类函

数构造分类层，公式可表示为：

ＳｏｆｔＭａｘ

(

ｚ

ｉ

)

＝

个数。

ｅ

ｚ

ｉ

Ｃ

式中：ｚ

ｉ

为第ｉ个节点的输出值；Ｃ为输出节点的

图３　ＤＬＧＡＮ模型结构

Ｆｉｇ．３　ＳｔｒｕｃｔｕｒｅｏｆＤＬＧＡＮｍｏｄｅｌ

∑

Ｃ

＝

１

ｅ

ｚ

Ｃ

（７）

４所示，密集层用于定义输入和输出的关系，采用

Ｎｅｔ主要由密集块和过渡层两部分组成，结构如图

２）密集卷积神经网络（Ｄｅｎｓｅ⁃Ｎｅｔ）。Ｄｅｎｓｅ⁃

级联的方式将输入的特征图都用做下一层的输入，

通过特征的重复学习充分学习图像的上下文信息，

提升模型的特征提取能力和效率。对于有Ｌ层的

单个密集块来说，第ｌ层的输入包含前面所有层的

特征图，最终输出的ｘ

ｌ

为：

ｘ

ｌ

＝

Ｈ

ｌ

([

ｘ

１

，ｘ

２

，…，ｘ

ｌ

－

１

])

（５）

图４　Ｄｅｎｓｅ⁃Ｎｅｔ结构图

Ｆｉｇ．４　Ｄｅｎｓｅ⁃Ｎｅｔｓｔｒｕｃｔｕｒｅｄｉａｇｒａｍ

式中：

[

ｘ

１

，ｘ

２

，…，ｘ

ｌ

－

１

]

为第ｌ层前的特征图集合；

Ｈ

ｌ

（∗）为作用在特征图集合上的操作，包括批归

一化操作、激活函数（ＲｅＬＵ）以及卷积操作。过渡

层用于控制模型的通道数，随着密集块中特征图的

层数增加，特征图的维度也随之变大。因此，在过

渡层中加入１

×

１的卷积进行降维，从而提高计算

效率。在密集块Ｂ

ｉ

完成各层连接之后，通过过渡

层在Ｂ

ｉ

和Ｂ

ｉ

＋

１

进行特征图传递，传递到下一个密

集块Ｂ

ｉ

＋

１

的输入为ｘ

ｉ

＋

１

：

ｘ

ｉ

＋

１

＝

Ｔ

ｉ

([

ｘ

１

，ｘ

２

，…，ｘ

ｉ

])

（６）

２　结果与分析

２．１　木材缺陷图像生成及其分类准确率

通过ＤＬＧＡＮ生成木材缺陷图像来扩充木材缺

陷检测数据集，以提高木材缺陷检测的准确率。为

了进一步讨论ＤＬＧＡＮ对提高木材缺陷检测准确率

的有效性，分别采用ＡｎｏＧＡＮ、ＧＡＮｏｍａｌｙ、Ｓｋｉｐ⁃ＧＡ⁃

Ｎｏｍａｌｙ和ＤＬＧＡＮ作为图像生成模型生成木材缺陷

图像构建增广数据集，并与使用未增广的数据集在

测试集的准确率进行对比，分类模型采用Ｄｅｎｓｅ⁃

Ｎｅｔ，最终试验结果的分类准确率如表４所示。

上述公式中Ｔ

ｉ

（∗）表示过渡层对前一个密集

Ｔａｂｌｅ４　Ｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙｏｆｄｉｆｆｅｒｅｎｔｉｍａｇｅｇｅｎｅｒａｔｉｏｎｍｏｄｅｌｓ

算法

无生成图像

ＡｎｏＧＡＮ

ＧＡＮｏｍａｌｙ

ＤＬＧＡＮ

正常木材

８４．２

８７．７

８８．４

８７．０

９２．５

色差

８８．０

８３．０

８６．０

８９．８

９０．３

虫眼

８８．９

９０．１

９１．８

９１．４

９４．２

裂纹

８４．２

８７．７

８８．４

８７．０

９２．５

节子

８４．７

８９．７

９０．０

８９．５

９３．０

伤疤

９０．０

９２．９

９３．１

９１．７

９４．２

表４　不同图像生成模型分类试验准确率

单位：％

平均值

８６．７

８８．５

８９．６

８９．４

９２．７

Ｓｋｉｐ⁃ＧＡＮｏｍａｌｙ

　　从表４可以看出，本研究提出的ＤＬＧＡＮ模型

生成的增广数据集对于木材缺陷检测的准确率提

升效果最明显。与ＤＬＧＡＮ相比，色差类别的检测

准确率在应用ＡｎｏＧＡＮ和ＧＡＮｏｍａｌｙ模型增广时

检测准确率分别下降了７．３％和４．３％，原因在于色

差类别的特征较为分散，缺陷特征不明显，模型容

易将其错认为背景噪点，从而导致生成图像缺陷检

测准确率不高，无法有效提高木材缺陷检测的准确

率。相比之下，ＤＬＧＡＮ模型具有较强的图像重建

能力和较好的收敛性，从而为木材缺陷检测提供更

Copyright©博看网. All Rights Reserved.

　第４期

解晨辉，等：基于双循环生成对抗网络和Ｄｅｎｓｅ⁃Ｎｅｔ的木材缺陷检测方法

１３５

为准确的数据。

此外，对于不同类别的缺陷，增广数据对于缺

陷检测准确率的提升作用也不同。在检测正常木

材时，由于正常木材特征简单，纹理清晰，生成图像

的噪点较低，因此增广数据集对于检测准确率的提

升更为显著。对于更为复杂的缺陷类型，如色差类

别，ＡｎｏＧＡＮ和ＧＡＮｏｍａｌｙ在重建图像方面不如

Ｓｋｉｐ⁃ＧＡＮｏｍａｌｙ模型。这可能是因为缺陷的复杂

Ｃｏｎｎｅｃｔｉｏｎ结构的引入提高了图像特征提取与重

建能力，双循环结构更是提高了训练的稳定性。因

此基于Ｓｋｉｐ⁃Ｃｏｎｎｅｃｔｉｏｎ结构的Ｓｋｉｐ⁃ＧＡＮｏｍａｌｙ和

ＤＬＧＡＮ增广数据集均对木材的缺陷检测准确率起

到了提升作用。其中ＤＬＧＡＮ模型具有较强的图

性增加了训练过程中模式崩溃的风险。而Ｓｋｉｐ⁃

像重建能力，且在训练过程中容易收敛到最佳平衡

点，由此可见，本研究提出的ＤＬＧＡＮ模型能够有

效地增强图像生成质量，提高木材缺陷检测的准

２．２　基于不同算法模型的木材缺陷检测对比验证

为了减少训练代价，提升木材的缺陷检测性

能，将ＭＶＴｅｃＡＤ木材数据集上预训练权重迁移至

ＤＬＧＡＮ模型增广数据集进行训练，训练时冻结住

除了分类层的全部卷积层，仅将全局平均池化层和

分类层参与训练，提高模型的训练效率。此外，为

了验证本研究提出的方法的优越性，将其与

ＶＧＧ１６、Ｉｎｃｅｐｔｉｏｎ⁃ｖ２、ＲｅｓＮｅｔ等经典卷积神经网络

进行对比，不同模型木材缺陷检测试验结果见

表５。

确率。

Ｔａｂｌｅ５　Ｔｈｅａｃｃｕｒａｃｙｏｆｗｏｏｄｄｅｆｅｃｔｄｅｔｅｃｔｉｏｎｂｙｄｉｆｆｅｒｅｎｔｍｏｄｅｌｓ

算法

Ｉｎｃｅｐｔｉｏｎ⁃ｖ２

Ｄｅｎｓｅ⁃Ｎｅｔ

ＲｅｓＮｅｔ

ＶＧＧ１６

正常木材

９０．１

９１．０

９１．３

９２．５

色差

７９．２

８９．２

９０．６

９０．３

虫眼

８８．３

９０．５

９２．９

９４．２

裂纹

８７．５

９０．６

９１．８

９２．５

节子

８０．１

９１．３

９０．９

９３．０

伤疤

８７．３

９２．１

９３．１

９４．２

表５　不同模型检测木材缺陷准确率

单位：％

平均值

８５．４

９０．７

９１．８

９２．７

　　从表５可以看出，本研究提出的方法在特征较

明显的裂纹缺陷或特征不明显的色差缺陷分类中

皆表现出比其他模型优越的性能，其原因在于

Ｄｅｎｓｅ⁃Ｎｅｔ中密集的卷积块排序大大提高了对微弱

特征的提取和学习能力，从而提高了木材缺陷检测

准确率。通过迁移学习，检测模型的准确率也在相

同的迭代次数下显著提高，基于Ｄｅｎｓｅ⁃Ｎｅｔ的木材

缺陷检测的平均准确率达到了９２．７％。由此可得，

提出的方法确实提高了木材缺陷检测的效率，为工

业异常检测智能化提供了思路。

参考文献（Ｒｅｆｅｒｅｎｃｅｓ）：

［１］范佳楠，刘英，杨雨图，等．机器视觉在木材缺陷检测领域应

用研究进展［Ｊ］．世界林业研究，２０２０，３３（３）：３２

－

３７．ＤＯＩ：

１０．１３３４８／ｊ．ｃｎｋｉ．ｓｊｌｙｙｊ．２０２０．００２０．ｙ．

ＦＡＮＪＮ，ＬＩＵＹ，ＹＡＮＧＹＴ，ｅｔａｌ．Ｒｅｓｅａｒｃｈｐｒｏｇｒｅｓｓｉｎｔｈｅ

ａｐｐｌｉｃａｔｉｏｎｏｆｍａｃｈｉｎｅｖｉｓｉｏｎｔｏｗｏｏｄｄｅｆｅｃｔｄｅｔｅｃｔｉｏｎ［Ｊ］．Ｗｏｒｌｄ

ＦｏｒｅｓｔｒｙＲｅｓｅａｒｃｈ，２０２０，３３（３）：３２

－

３７．

［２］赵鹏，赵匀，陈广胜．基于３Ｄ扫描技术的木材缺陷定量化分

析［Ｊ］．农业工程学报，２０１７，３３（７）：１７１

－

１７６．ＤＯＩ：１０．

１１９７５／ｊ．ｉｓｓｎ．１００２

－

６８１９．２０１７．０７．０２２．

ＺＨＡＯＰ，ＺＨＡＯＹ，ＣＨＥＮＧＳ．Ｑｕａｎｔｉｔａｔｉｖｅａｎａｌｙｓｉｓｏｆｗｏｏｄ

３　结　论

本研究提出了一种基于双循环生成对抗网络

和Ｄｅｎｓｅ⁃Ｎｅｔ的木材缺陷检测算法，在检测色差、

虫眼、裂纹、节子和伤疤等缺陷时，检测准确率分别

达到９０．３％，９４．２％，９２．５％，９３．０％和９４．２％，并更

具良好的图像重建能力和训练稳定性，能够显著提

升木材缺陷检测准确率。此方法可以在较少训练

样本的情况下，加快训练速度，提高检测性能，为工

业异常检测智能化提供技术支持。在未来，将ＤＬ⁃

ＧＡＮ模型应用于木材工业检测场景中能够有效降

低人工检测和标注成本，可提高木材缺陷检测效

率，提升检测智能化水平。

［３］张善文，张晴晴，李萍．基于改进深度卷积神经网络的苹果

病害识别［Ｊ］．林业工程学报，２０１９，４（４）：１０７

－

１１２．ＤＯＩ：

１０．１３３６０／ｊ．ｉｓｓｎ．２０９６

－

１３５９．２０１９．０４．０１６．

ＺＨＡＮＧＳＷ，ＺＨＡＮＧＱＱ，ＬＩＰ．Ａｐｐｌｅｄｉｓｅａｓｅｉｄｅｎｔｉｆｉｃａｔｉｏｎ

ＣｈｉｎｅｓｅＳｏｃｉｅｔｙｏｆＡｇｒｉｃｕｌｔｕｒａｌＥｎｇｉｎｅｅｒｉｎｇ，２０１７，３３（７）：

１７１

－

１７６．

ｄｅｆｅｃｔｂａｓｅｄｏｎ３Ｄｓｃａｎｎｉｎｇｔｅｃｈｎｉｑｕｅ［Ｊ］．Ｔｒａｎｓａｃｔｉｏｎｓｏｆｔｈｅ

［４］李晖，吴佳宁，苑玮琦，等．基于视觉显著性的木板实时分类

方法研究［Ｊ］．仪器仪表学报，２０１８，３９（１２）：２３７

－

２４４．ＤＯＩ：

１０．１９６５０／ｊ．ｃｎｋｉ．ｃｊｓｉ．Ｊ１８０３７００．

ＬＩＨ，ＷＵＪＮ，ＹＵＡＮＷＱ，ｅｔａｌ．Ｒｅａｌ⁃ｔｉｍｅｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆ

ｗｏｏｄｂａｓｅｄｏｎｖｉｓｕａｌｓｉｇｎｉｆｉｃａｎｃｅ［Ｊ］．ＣｈｉｎｅｓｅＪｏｕｒｎａｌｏｆ

ＳｃｉｅｎｔｉｆｉｃＩｎｓｔｒｕｍｅｎｔ，２０１８，３９（１２）：２３７

－

２４４．

ｂａｓｅｄｏｎｉｍｐｒｏｖｅｄｄｅｅｐｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ［Ｊ］．Ｊｏｕｒｎａｌ

ｏｆＦｏｒｅｓｔｒｙＥｎｇｉｎｅｅｒｉｎｇ，２０１９，４（４）：１０７

－

１１２．

［５］刘雷新元．基于机器视觉的木材表面缺陷检测技术研究［Ｄ］．

长沙：湖南大学，２０２１．

ＬＩＵＬＸＹ．Ｒｅｓｅａｒｃｈｏｎｗｏｏｄｓｕｒｆａｃｅｄｅｆｅｃｔｄｅｔｅｃｔｉｏｎｔｅｃｈｎｏｌｏｇｙ

Copyright©博看网. All Rights Reserved.

１３６

林业工程学报第８卷

［６］谢永华．数字图像处理技术在木材表面缺陷检测中的应用研

究［Ｄ］．哈尔滨：东北林业大学，２０１３．

ＸＩＥＹＨ．Ｔｈｅａｐｐｌｉｃａｔｉｏｎａｎｄｒｅｓｅａｒｃｈｏｆｄｉｇｉｔａｌｉｍａｇｅｐｒｏｃｅｓｓｉｎｇ

ｏｎｗｏｏｄｓｕｒｆａｃｅｔｅｘｔｕｒｅｉｎｓｐｅｃｔｉｏｎ［Ｄ］．Ｈａｒｂｉｎ：Ｎｏｒｔｈｅａｓｔ

［７］范佳楠，刘英，胡忠康，等．基于ＦａｓｔｅｒＲ⁃ＣＮＮ的实木板材缺

陷检测识别系统［Ｊ］．林业工程学报，２０１９，４（３）：１１２

－

１１７．

ＤＯＩ：１０．１３３６０／ｊ．ｉｓｓｎ．２０９６

－

１３５９．２０１９．０３．０１７．

ＦＡＮＪＮ，ＬＩＵＹ，ＨＵＺＫ，ｅｔａｌ．Ｓｏｌｉｄｗｏｏｄｐａｎｅｌｄｅｆｅｃｔｄｅｔｅｃ⁃

ＦｏｒｅｓｔｒｙＵｎｉｖｅｒｓｉｔｙ，２０１３．

２０２１．

ｂａｓｅｄｏｎｍａｃｈｉｎｅｖｉｓｉｏｎ［Ｄ］．Ｃｈａｎｇｓｈａ：ＨｕｎａｎＵｎｉｖｅｒｓｉｔｙ，ｆｏｒｉｍａｇｅｒｅｃｏｇｎｉｔｉｏｎ［Ｃ］／／２０１６ＩＥＥＥＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒ

ＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ（ＣＶＰＲ）．Ｊｕｎｅ２７

－

３０，２０１６，

ＬａｓＶｅｇａｓ，ＮＶ，ＵＳＡ：ＩＥＥＥ，２０１６：７７０

－

７７８．ＤＯＩ：１０．１１０９／

ＣＶＰＲ．２０１６．９０．

［１５］ＨＵＡＮＧＧ，ＬＩＵＺ，ＶＡＮＤＥＲＭＡＡＴＥＮＬ，ｅｔａｌ．Ｄｅｎｓｅｌｙｃｏｎ⁃

２０１７，Ｈｏｎｏｌｕｌｕ，ＨＩ，ＵＳＡ：ＩＥＥＥ，２０１７：２２６１

－

２２６９．ＤＯＩ：１０．

１１０９／ＣＶＰＲ．２０１７．２４３．

［Ｄ］．杭州：浙江大学，２０２２．

ｎｅｃｔｅｄｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｔｗｏｒｋｓ［Ｃ］／／２０１７ＩＥＥＥＣｏｎｆｅｒｅｎｃｅｏｎ

ＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ（ＣＶＰＲ）．Ｊｕｌｙ２１

－

２６，

［１６］范黎．基于生成对抗网络的图像数据增强技术研究及应用

ＦＡＮＬ．Ｒｅｓｅａｒｃｈａｎｄａｐｐｌｉｃａｔｉｏｎｏｆｉｍａｇｅｄａｔａａｕｇｍｅｎｔａｔｉｏｎ

ｔｅｃｈｎｏｌｏｇｙｂａｓｅｄｏｎｇｅｎｅｒａｔｉｖｅａｄｖｅｒｓａｒｉａｌｎｅｔｗｏｒｋｓ［Ｄ］．Ｈａｎｇ⁃

ｚｈｏｕ：ＺｈｅｊｉａｎｇＵｎｉｖｅｒｓｉｔｙ，２０２２．

１６２７０／ｊ．ｃｎｋｉ．ｓｌｇｃ．２００７．０１．０１１．

［１７］王晗，白雪冰，王辉．基于空间灰度共生矩阵木材纹理分类

识别的研究［Ｊ］．森林工程，２００７，２３（１）：３２

－

３６．ＤＯＩ：１０．

ＷＡＮＧＨ，ＢＡＩＸＢ，ＷＡＮＧＨ．Ｗｏｏｄｔｅｘｔｕｒｅｃｌａｓｓｉｆｉｃａｔｉｏｎａｎｄ

［８］丁安宁，贺春光，多化琼，等．基于数字图像的木材缺陷识别

研究进展［Ｊ］．木材科学与技术，２０２２，３６（１）：９

－

１６，２８．

ＤＩＮＧＡＮ，ＨＥＣＧ，ＤＵＯＨＱ，ｅｔａｌ．Ｒｅｓｅａｒｃｈｒｅｖｉｅｗｏｆｗｏｏｄ

ｔｉｏｎａｎｄｒｅｃｏｇｎｉｔｉｏｎｓｙｓｔｅｍｂａｓｅｄｏｎＦａｓｔｅｒＲ⁃ＣＮＮ［Ｊ］．Ｊｏｕｒｎａｌ

ｏｆＦｏｒｅｓｔｒｙＥｎｇｉｎｅｅｒｉｎｇ，２０１９，４（３）：１１２

－

１１７．

［９］刘英，周晓林，胡忠康，等．基于优化卷积神经网络的木材缺

陷检测［Ｊ］．林业工程学报，２０１９，４（１）：１１５

－

１２０．ＤＯＩ：１０．

１３３６０／ｊ．ｉｓｓｎ．２０９６

－

１３５９．２０１９．０１．０１７．

ＬＩＵＹ，ＺＨＯＵＸＬ，ＨＵＺＫ，ｅｔａｌ．Ｗｏｏｄｄｅｆｅｃｔｒｅｃｏｇｎｉｔｉｏｎ

ｂａｓｅｄｏｎｏｐｔｉｍｉｚｅｄｃｏｎｖｏｌｕｔｉｏｎｎｅｕｒａｌｎｅｔｗｏｒｋａｌｇｏｒｉｔｈｍ［Ｊ］．

ＪｏｕｒｎａｌｏｆＦｏｒｅｓｔｒｙＥｎｇｉｎｅｅｒｉｎｇ，２０１９，４（１）：１１５

－

１２０．

ＤＯＩ：１０．１３２７９／ｊ．ｃｎｋｉ．ｆｍｗｅ．２０１８．００８７．

ｄｅｆｅｃｔｒｅｃｏｇｎｉｔｉｏｎｂａｓｅｄｏｎｄｉｇｉｔａｌｉｍａｇｅｓ［Ｊ］．ＣｈｉｎｅｓｅＪｏｕｒｎａｌｏｆ

ＷｏｏｄＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，２０２２，３６（１）：９

－

１６，２８．

［１８］ＳＣＨＭＩＤＨＵＢＥＲＪ．Ｄｅｅｐｌｅａｒｎｉｎｇｉｎｎｅｕｒａｌｎｅｔｗｏｒｋｓ：ａｎ

ｏｖｅｒｖｉｅｗ［Ｊ］．ＮｅｕｒａｌＮｅｔｗｏｒｋｓ，２０１５，６１：８５

－

１１７．ＤＯＩ：１０．

［１９］ＧＯＯＤＦＥＬＬＯＷＩ，ＰＯＵＧＥＴ⁃ＡＢＡＤＩＥＪ，ＭＩＲＺＡＭ，ｅｔａｌ．

１０１６／ｊ．ｎｅｕｎｅｔ．２０１４．０９．００３．

ｒｅｃｏｇｎｉｔｉｏｎｂａｓｅｄｏｎｓｐａｔｉａｌＧＬＣＭ［Ｊ］．ＦｏｒｅｓｔＥｎｇｉｎｅｅｒｉｎｇ，

２００７，２３（１）：３２

－

３６．

［１０］程玉柱，顾权，王众辉，等．基于深度学习的木材缺陷图像检

测方法［Ｊ］．林业机械与木工设备，２０１８，４６（８）：３３

－

３６．

ＣＨＥＮＧＹＺ，ＧＵＱ，ＷＡＮＧＺＨ，ｅｔａｌ．Ｗｏｏｄｄｅｆｅｃｔｉｍａｇｅｓｅｇ⁃

［２０］ＳＣＨＬＥＧＬＴ，ＳＥＥＢÖＣＫＰ，ＷＡＬＤＳＴＥＩＮＳＭ，ｅｔａｌ．Ｕｎｓｕｐｅｒ⁃

ｇｕｉｄｅｍａｒｋｅｒｄｉｓｃｏｖｅｒｙ［Ｃ］／／ＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＩｎｆｏｒ⁃

Ｇｅｎｅｒａｔｉｖｅａｄｖｅｒｓａｒｉａｌｎｅｔｗｏｒｋｓ［Ｊ］．Ｃｏｍｍｕｎｉｃａｔｉｏｎｓｏｆｔｈｅ

ＡＣＭ，２０２０，６３（１１）：１３９

－

１４４．ＤＯＩ：１０．１１４５／３４２２６２２．

ｖｉｓｅｄａｎｏｍａｌｙｄｅｔｅｃｔｉｏｎｗｉｔｈｇｅｎｅｒａｔｉｖｅａｄｖｅｒｓａｒｉａｌｎｅｔｗｏｒｋｓｔｏ

［１１］张瑞峰，夏坡坡．基于ＣＮＮ的典型木材缺陷图像识别研究

［Ｊ］．现代化农业，２０１９（１）：３７

－

４０．ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．

１００１

－

０２５４．２０１９．０１．０２１

ｍｅｎｔａｔｉｏｎｂａｓｅｄｏｎｄｅｅｐｌｅａｒｎｉｎｇ［Ｊ］．ＦｏｒｅｓｔｒｙＭａｃｈｉｎｅｒｙ＆

ＷｏｏｄｗｏｒｋｉｎｇＥｑｕｉｐｍｅｎｔ，２０１８，４６（８）：３３

－

３６．

［２１］ＡＫＣＡＹＳ，ＡＴＡＰＯＵＲ⁃ＡＢＡＲＧＨＯＵＥＩＡ，ＢＲＥＣＫＯＮＴＰ．ＧＡ⁃

ｍａｔｉｏｎＰｒｏｃｅｓｓｉｎｇｉｎＭｅｄｉｃａｌＩｍａｇｉｎｇ．Ｃｈａｍ：Ｓｐｒｉｎｇｅｒ，２０１７：

１４６

－

１５７．ＤＯＩ：１０．１００７／９７８

－

３

－

３１９

－

５９０５０

－

９＿１２．

Ｎｏｍａｌｙ：ｓｅｍｉ⁃ｓｕｐｅｒｖｉｓｅｄａｎｏｍａｌｙｄｅｔｅｃｔｉｏｎｖｉａａｄｖｅｒｓａｒｉａｌ

６＿３９．

ｔｒａｉｎｉｎｇ［Ｃ］／／ＡｓｉａｎＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎ．Ｃｈａｍ：

Ｓｐｒｉｎｇｅｒ，２０１９：６２２

－

６３７．ＤＯＩ：１０．１００７／９７８

－

３

－

０３０

－

２０８９３

－

ＺＨＡＮＧＲＦ，ＸＩＡＰＰ．Ｒｅｓｅａｒｃｈｏｎｉｍａｇｅｒｅｃｏｇｎｉｔｉｏｎｏｆｔｙｐｉｃａｌ

ｗｏｏｄｄｅｆｅｃｔｓｂａｓｅｄｏｎＣＮＮ［Ｊ］．ＭｏｄｅｒｎｉｚｉｎｇＡｇｒｉｃｕｌｔｕｒｅ，２０１９

（１）：３７

－

４０．

０４）［２０２２

－

１２

－

０５］．ｈｔｔｐｓ：／／ａｒｘｉｖ．ｏｒｇ／ａｂｓ／１４０９．１５５６．

［１２］ＳＩＭＯＮＹＡＮＫ，ＺＩＳＳＥＲＭＡＮＡ．Ｖｅｒｙｄｅｅｐｃｏｎｖｏｌｕｔｉｏｎａｌ

ｎｅｔｗｏｒｋｓｆｏｒｌａｒｇｅ⁃ｓｃａｌｅｉｍａｇｅｒｅｃｏｇｎｉｔｉｏｎ［ＥＢ／ＯＬ］．（２０１４

－

０９

－

［１３］ＳＺＥＧＥＤＹＣ，ＬＩＵＷ，ＪＩＡＹＱ，ｅｔａｌ．Ｇｏｉｎｇｄｅｅｐｅｒｗｉｔｈｃｏｎｖｏ⁃

ＵＳＡ：ＩＥＥＥ，２０１５：１

－

９．ＤＯＩ：１０．１１０９／ＣＶＰＲ．２０１５．７２９８５９４．

ｌｕｔｉｏｎｓ［Ｃ］／／２０１５ＩＥＥＥＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄ

ＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ（ＣＶＰＲ）．Ｊｕｎｅ７

－

１２，２０１５，Ｂｏｓｔｏｎ，ＭＡ，

［２２］ＡＫÇＡＹＳ，ＡＴＡＰＯＵＲ⁃ＡＢＡＲＧＨＯＵＥＩＡ，ＢＲＥＣＫＯＮＴＰ．

Ｓｋｉｐ⁃ＧＡＮｏｍａｌｙ：ｓｋｉｐｃｏｎｎｅｃｔｅｄａｎｄａｄｖｅｒｓａｒｉａｌｌｙｔｒａｉｎｅｄ

ｅｎｃｏｄｅｒ⁃ｄｅｃｏｄｅｒａｎｏｍａｌｙｄｅｔｅｃｔｉｏｎ［Ｃ］／／２０１９ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｉｎｔ

２０１９．８８５１８０８．

ＣｏｎｆｅｒｅｎｃｅｏｎＮｅｕｒａｌＮｅｔｗｏｒｋｓ（ＩＪＣＮＮ）．Ｊｕｌｙ１４

－

１９，２０１９，

Ｂｕｄａｐｅｓｔ，Ｈｕｎｇａｒｙ：ＩＥＥＥ，２０１９：１

－

８．ＤＯＩ：１０．１１０９／ＩＪＣＮＮ．

［１４］ＨＥＫＭ，ＺＨＡＮＧＸＹ，ＲＥＮＳＱ，ｅｔａｌ．Ｄｅｅｐｒｅｓｉｄｕａｌｌｅａｒｎｉｎｇ

（责任编辑　田亚玲）

Copyright©博看网. All Rights Reserved.

本文标签： 木材缺陷图像检测数据