林业工程学报，２０１９，４（３）：１１２－１１７ＪｏｕｒｎａｌｏｆＦｏｒｅｓｔｒｙＥｎｇｉｎｅｅｒｉｎｇＤＯＩ：１０．１３３６０／ｊ．ｉｓｓｎ．２０９６－１３５９．２０１９．０３．０１７
收稿日期：２０１８－０８－３０㊀㊀㊀㊀修回日期：２０１８－１０－１０
舒肝和胃丸的成分基金项目：国家林业局 ９４８ 项目（２０１４－４－４８）；江苏省政策引导类计划（国际科技合作）项目（ＢＺ２０１６０２８）㊂
作者简介：范佳楠，男，研究方向为木材无损检测㊁机电一体化㊂通信作者：刘英，女，教授㊂Ｅ⁃ｍａｉｌ：ｌｙｉｎｇ＿ｎｅｗ＠１６３．ｃｏｍ基于ＦａｓｔｅｒＲ⁃ＣＮＮ的实木板材缺陷检测识别系统
范佳楠，刘英∗，胡忠康，赵乾，沈鹭翔，周晓林（南京林业大学机械电子工程学院，南京２１００３７）好看的宫斗小说
儿童语言训练摘㊀要：我国木材资源有限，为了提高木材的利用率，采用机器视觉来实现木材缺陷快速而稳定的检测，不仅可以克服人工检测的低效率和木材缺陷识别的低准确率，而且对提高木材加工企业的智能化水平具有重要意义㊂为了高效㊁快速㊁准确地进行无损检测，采用深度学习方法，建立了一种基于快速深度神经网络的实木板材缺陷识别模型㊂首先采用ＲｅｓｎｅｔＶ２结构对采集到的实木板材缺陷图像进
行特征提取，然后应用该模型对节子㊁孔洞等实木板材缺陷进行训练学习，最后构建了ＦａｓｔｅｒＲ⁃ＣＮＮ检测框架，并使用ｔｅｎｓｏｒｆｌｏｗ开发平台对节子㊁孔洞等实木板材缺陷进行预测输出㊂具体选取了２０００块杉木样本，通过旋转对原始的实木板材图像进行数据扩充，扩充后图像的８０％作为训练集，２０％作为验证集来进行仿真㊂仿真结果表明，该模型对实木板材节子缺陷检测正确率为９８％，对实木板材孔洞缺陷检测正确率为９５％，验证了将深度学习算法应用于实木板材缺陷检测中的有效性㊂
关键词：实木板材；板材缺陷识别；深度学习；ＦａｓｔｅｒＲ⁃ＣＮＮ；无损检测
中图分类号：ＴＰ３９１㊀㊀㊀文献标志码：Ａ㊀㊀㊀文章编号：２０９６－１３５９（２０１９）０３－０１１２－０６
ＳｏｌｉｄｗｏｏｄｐａｎｅｌｄｅｆｅｃｔｄｅｔｅｃｔｉｏｎａｎｄｒｅｃｏｇｎｉｔｉｏｎｓｙｓｔｅｍｂａｓｅｄｏｎＦａｓｔｅｒＲ⁃ＣＮＮ
管科ＦＡＮＪｉａｎａｎ，ＬＩＵＹｉｎｇ∗，ＨＵＺｈｏｎｇｋａｎｇ，ＺＨＡＯＱｉａｎ，ＳＨＥＮＬｕｘｉａｎｇ，ＺＨＯＵＸｉａｏｌｉｎ
（ＣｏｌｌｅｇｅｏｆＭｅｃｈａｎｉｃａｌａｎｄＥｌｅｃｔｒｏｎｉｃＥｎｇｉｎｅｅｒｉｎｇ，沉思默想
ＮａｎｊｉｎｇＦｏｒｅｓｔｒｙＵｎｉｖｅｒｓｉｔｙ，Ｎａｎｊｉｎｇ２１００３７，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｃｈｉｎａｈａｓｌｉｍｉｔｅｄｔｉｍｂｅｒｒｅｓｏｕｒｃｅｓ．Ｗｉｔｈｔｈｅｄｅｖｅｌｏｐｍｅｎｔｏｆｔｈｅｗｏｏｄｐｒｏｃｅｓｓｉｎｇｉｎｄｕｓｔｒｙ，ｔｈｅｄｅｍａｎｄｓｆｏｒｔｈｅｈｉｇｈｑｕａｌｉｔｙｏｆｗｏｏｄｐｒｏｄｕｃｔｓｈａｖｅｉｎｃｒｅａｓｅｄｒａｐｉｄｌｙ．Ｔｈｅｔｒａｄｉｔｉｏｎａｌｍｅｔｈｏｄｓｏｆｗｏｏｄｄｅｆｅｃｔｄｅｔｅｃｔｉｏｎｃｏｕｌｄｎｏｔｍｅｔｔｈｅｄｅｍａｎｄｓ．Ｉｔｉｓｖｅｒｙｉｍｐｏｒｔａｎｔｔｏｉｍｐｒｏｖｅｔｈｅｔｅｃｈｎｏｌｏｇｙｏｆｗｏｏｄｄｅｆｅｃｔｄｅｔｅｃｔｉｏｎａｎｄｃｌａｓｓｉｆｉｃａｔｉｏｎａｃｃｏｒｄｉｎｇｔｏｔｈｅｄｉｆｆｅｒｅｎｔｎｅｅｄｓ．Ｉｎｏｒｄｅｒｔｏｉｍｐｒｏｖｅｔｈｅｕｔｉｌｉｚａｔｉｏｎｒａｔｅｏｆｗｏｏｄ，ｍａｃｈｉｎｅｖｉｓｉｏｎｗａｓｕｓｅｄｆｏｒｔｈｅｒａｐｉｄａｎｄｓｔａ⁃ｂｌｅｄｅｔｅｃｔｉｏｎｏｆｗｏｏｄｄｅｆｅｃｔｓ．Ｔｈｅｍａｃｈｉｎｅｖｉｓｉｏｎｃａｎｎｏｔｏｎｌｙｏｖｅｒｃｏｍｅｔｈｅｌｏｗｅｆｆｉｃｉｅｎｃｙｏｆｔｈｅｍａｎｕａｌｄｅｔｅｃｔｉｏｎａｎｄｌｏｗａｃｃｕｒａｃｙｏｆｗｏｏｄｄｅｆｅｃｔｉｄｅｎｔｉｆｉｃａｔｉｏｎ，ｂｕｔａｌｓｏｐｌａｙａｎｉｍｐｏｒｔａｎｔｒｏｌｅｉｎｉｍｐｒｏｖｉｎｇｔｈｅｉｎｔｅｌｌｉｇｅｎｃｅｌｅｖｅｌｏｆｗｏｏｄｐｒｏｃｅｓｓｉｎｇｅｎｔｅｒｐｒｉｓｅ
ｓ．Ｉｎｏｒｄｅｒｔｏｃａｒｒｙｏｕｔｎｏｎｄｅｓｔｒｕｃｔｉｖｅｔｅｓｔｉｎｇｅｆｆｉｃｉｅｎｔｌｙ，ｑｕｉｃｋｌｙａｎｄａｃｃｕｒａｔｅｌｙ，ｔｈｉｓｓｔｕｄｙｕｓｅｄｄｅｅｐｌｅａｒｎｉｎｇｍｅｔｈｏｄｔｏｅｓｔａｂｌｉｓｈａｓｏｌｉｄｗｏｏｄｐｌａｔｅｄｅｆｅｃｔｉｄｅｎｔｉｆｉｃａｔｉｏｎｍｏｄｅｌｂａｓｅｄｏｎｆａｓｔｄｅｅｐｎｅｕｒａｌｎｅｔ⁃ｗｏｒｋ．Ｆｉｒｓｔｌｙ，ｔｈｅＲｅｓｎｅｔＶ２ｓｔｒｕｃｔｕｒｅｗａｓｕｓｅｄｔｏｅｘｔｒａｃｔｔｈｅｃｏｌｌｅｃｔｅｄｓｏｌｉｄｗｏｏｄｐａｎｅｌｄｅｆｅｃｔｉｍａｇｅｓｆｏｒｔｈｅｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎ．Ｔｈｅｎ，ｔｈｉｓｍｏｄｅｌｗａｓａｐｐｌｉｅｄｔｏｔｒａｉｎａｎｄｌｅａｒｎｔｈｅｓｏｌｉｄｗｏｏｄｐａｎｅｌｄｅｆｅｃｔｓ，ｓｕｃｈａｓｋｎｏｔｓａｎｄｈｏｌｅｓ．Ｆｉ⁃ｎａｌｌｙ，ｔｈｅＦａｓｔｅｒＲ⁃ＣＮＮｄｅｔｅｃｔｉｏｎｆｒａｍｅｗｏｒｋｗａｓｃｏｎｓｔｒｕｃｔｅｄａｎｄｔｈｅｄｅｆｅｃｔｓｏｆｔｈｅｐｌａｎｋｓ，ｓｕｃｈａｓｋｎｏｔｓａｎｄｈｏｌｅｓ，ｗｅｒｅｐｒｅｄｉｃｔｅｄａｎｄｏｕｔｐｕｔｕｓｉｎｇｔｈｅｔｅｎｓｏｒｆｌｏｗｄｅｖｅｌｏｐｍｅｎｔｐｌａｔｆｏｒｍ．Ｓｐｅｃｉｆｉｃａｌｌｙ，２０００ｓａｍｐｌｅｓｏｆＣｈｉｎｅｓｅｆｉｒｗｅｒｅｓｅｌｅｃｔｅｄ，ａｎｄｔｈｅｏｒｉｇｉｎａｌｓｏｌｉｄｗｏｏｄｐｌａｔｅｉｍａｇｅｓｗｅｒｅｅｘｐａｎｄｅｄｂｙｔｈｅｒｏｔａｔｉｏｎ．８０％ｏｆｔｈｅｅｘｐａｎｄｅｄｉｍａｇｅｓｗｅｒｅｕｓｅｄａｓｔｈｅｔｒａｉｎｉｎｇｓｅｔａｎｄ２０％ｏｆｔｈｅｅｘｐａｎｄｅｄｉｍａｇｅｓｗｅｒｅａｓｔｈｅｖｅｒｉｆｉｃａｔｉｏｎｓｅｔｆｏｒｔｈｅｓｉｍｕｌ
ａｔｉｏｎ．Ｔｈｅｓｉｍｕｌａｔｉｏｎｒｅｓｕｌｔｓｓｈｏｗｅｄｔｈａｔｔｈｅａｃｃｕｒａｃｙｏｆｔｈｉｓｍｏｄｅｌｗａｓ９８％ｆｏｒｔｈｅｄｅｔｅｃｔｉｏｎｏｆｋｎｏｔｓｄｅｆｅｃｔｓｉｎｓｏｌｉｄｗｏｏｄｐｌａｔｅｓ，ａｎｄ９５％ｆｏｒｔｈｅｄｅｔｅｃｔｉｏｎｏｆｈｏｌｅｄｅｆｅｃｔｓｉｎｓｏｌｉｄｗｏｏｄｐｌａｔｅｓ，ｗｈｉｃｈｖｅｒｉｆｉｅｄｔｈｅｅｆｆｅｃｔｉｖｅｎｅｓｓｏｆａｐｐｌｙｉｎｇｔｈｅｄｅｅｐｌｅａｒｎ⁃ｉｎｇａｌｇｏｒｉｔｈｍｔｏｔｈｅｄｅｔｅｃｔｉｏｎｏｆｄｅｆｅｃｔｓｏｆｓｏｌｉｄｗｏｏｄｐｌａｔｅｓ．Ｋｅｙｗｏｒｄｓ：ｓｏｌｉｄｗｏｏｄｐａｎｅｌ；ｐａｎｅｌｄｅｆｅｃｔｄｅｔｅｃｔｉｏｎａｎｄｒｅｃｏｇｎｉｔｉｏｎ；ｄｅｅｐｌｅａｒｎｉｎｇ；ＦａｓｔｅｒＲ⁃ＣＮＮ；ｎｏｎ⁃ｄｅｓｔｒｕｃｔｉｖｅｔｅｓｔｉｎｇ㊀㊀目前，木材缺陷的分类识别尚未智能化，人工检测依然比较普遍，光靠人工检测不仅分类效率正月十五组合
心随风低，而且处理效果不够理想㊂因此需要计算机来参红巾军
与处理，很多学者在原有图像处理技术上不断研究㊁结合新的方法和理论，以实现木材缺陷的自动分类识别㊂支持向量机（ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ，ＳＶＭ）是Ｖａｐｎｉｋ提出的一种基于结构化风险最小化的统计学习方法［１］，通过在特征空间构建具有
