王宝刚， 杨春梅， 夏鹏

(东北林业大学 机电工程学院，哈尔滨 150040)

0 引 言

木材缺陷的检测对有效降低有限森林资源的消耗，提高木材产品的商业价值有着重大意义。但是现阶段木材的缺陷检测主要是人眼检测，成功率在68%左右[1]。随着传感器迅速发展，X射线检测，核磁共振技术成为木材缺陷检测的主流，但是成本高，复用率差。21世纪，出现了大量基于传统机器视觉的木材检测方法。Ruz等[2]利用支持向量机对各类木材缺陷进行识别，准确率达到91%；Zhang等[3]利用主成分分析和压缩感知来识别木材缺陷；Xie等[4]针对木材本身纹理，采用灰度共生矩阵的方法来定位木材缺陷。传统的机器视觉方法通常采用人工设计的特征结合神经网络实现缺陷的检测，但是人工设计的特征总会有不足，对于新增的缺陷优化难以实现。

近年来，端到端的卷积神经网络在各种计算机视觉任务中取得了巨大的成功，包括图像分类[5-6]，目标检测[7-9]，语义分割[10]。缺陷检测实质属于目标检测的工业应用，文献[11]使用神经结构搜素(neural architecture search,NAS)和Mask-RCNN结合的模型对单板表面缺陷进行检测，实现了95.31%的平均精确度，一批50张图片仅需2.5 s，但采用的是组合模型的方法，模型十分复杂；文献[12]采用一种混合的全卷积神经网络对木材缺陷进行检测和定位；文献[13]使用Faster RCNN和迁移学习对木材表面缺陷进行检测，但是检测速度不能保证。

目前基于卷积网络的木材缺陷检测模型，往往存在模型复杂，参数计算量大，实时性差的问题，而且由于数据量的问题，模型泛化能力不能保证。……