基于深度学习的木材内部缺陷检测方法研究

摘要

传统的木材缺陷无损检测技术存在着诸如识别精度不高、成本过高、操作过于繁琐的一系列问题，并且传统的检测方法对木材内部缺陷的具体方位和大小并不能准确的表现出来。本文提出了一种基于特征矩阵的木材内部缺陷无损识别分类方法，以期能够提高木材内部缺陷检测、分类的效率和准确率，并研究木材内部缺陷的种类与模型识别精度的相关规律。本文的主要研究内容如下：　　构建木材内部特征矩阵数据集。采用应力波木材无损检测仪器和特征矩阵图像仿真程序相结合的方式扩充样本量，构建了一个Eigen Matrix Net木材内部特征矩阵图像数据集，共包含3种不同（空洞、裂缝、腐朽）的缺陷类别和无缺陷健康树木特征矩阵图样本共计12000张。用于深度学习模型的训练，验证以及测试。数据集采取了翻转、裁剪等方式对图像进行数据增强，数据增强后生成了大量新的图片。　　建立木材内部缺陷检测模型，对木材内部缺陷进行识别工作。基于Eigen Matrix Net木材内部特征矩阵图像数据集，使用Faster R-CNN来进行区域视觉特征提取工作，获取木材缺陷特征，训练特征模型用以完成检测任务。分析实验结果中不同缺陷类别在识别任务中识别精度不同的原因，得出缺陷类别和分类识别精度之间的相关关系。　　多方对比得出目前该领域内各种检测方法的识别能力。通过对比不同深度学习分类方法在数据集上的表现以及目前主流的木材无损检测技术和传统木材无损检测技术的识别能力，以判断本文检测方法的与其他检测方法的优劣。　　实现一款木材内部缺陷无损检测移动端应用，并探讨开发的相关信息。　　实验结果表明：该方法生成的木材内部缺陷分类与检测模型，对木材内部是否有缺陷的判断精度达到99.8%；对木材内部缺陷位置的检测平均交并比达到74.3%，中心偏移量低于1%。其中模型对空洞的识别、检测精度均高于裂缝和腐朽，结果显示该方法生成的模型对木材内部缺陷的识别与分类有效果较好，且可以反应部分木材内部缺陷的种类与模型识别精度的相关关系。

目录