凌嘉欣 谢永华

(东北林业大学，哈尔滨，150040)

近年来，木材深加工技术实现了快速发展，木材表面缺陷检测水平不断提高，计算机视觉技术和模式识别技术为木材表面缺陷检测提供了新的路径与方法，在实践应用中发挥出良好效用。但木材表面由于具有复杂的纹理，而且缺陷的种类繁多，根据国家标准木材缺陷分为木材构造缺陷、树干形状缺陷、伤疤(损伤)、变色、裂纹、腐朽、虫眼、木材加工缺陷、节子、变形10大类，通过机器视觉系统采集木材的图像，利用传统的图像处理算法检测木材的缺陷，会面对巨大的挑战[1-2]。针对板材缺陷识别问题，有些传统算法[3-7]能有效地进行木材表面缺陷自动识别，但在处理大样本数据时，识别精度并不高。随着卷积神经网络理论的完善，并在语音、图像等方面的模式识别算法取得了一些成功[8-10]，这些比较新颖的算法，虽然准确率达到80%以上，仍不能满足工业产业化在线识别精度需求。因此，提高识别精度仍是业内研究的重点。为此，本研究将超分辨率测试序列(VGG)网络模型、谷歌网络模型(GoogLeNet)、残差神经网络模型(ResNet)应用于木质板材表面缺陷分类检测中，重点研究木材的活节、死节、虫眼3类表面缺陷，并依据分类精度，遴选识别效果更好的板材缺陷分类方法，旨在为拓展诊断木材板材缺陷途径和方法提供参考。

1 材料与方法

1.1 样本数据获取

理论上，在进行样本库的制作时应含有多种树种，每种树种的缺陷图像越多越好，实际上，寻求样本的困难较大，也很难获得每种缺陷的大量样本。……