[发明专利]基于Faster R-CNN的木材内部缺陷检测方法

说明书

本发明公开了基于Faster R‑CNN的木材内部缺陷检测方法，属于木材内部缺陷检测技术领域，具体包括：建立木材缺陷识别模型，确定目标试样；采用木材缺陷识别模型对目标试样进行检测，得到木材内部缺陷的方位和大小；建立木材缺陷识别模型包括建立特征矩阵图像数据库，通过Faster R‑CNN模型训练特征矩阵图像数据库改进Faster R‑CNN模型，从而获得木材缺陷识别模型，本专利采用深度学习算法替代传统浅层学习算法，利用该种基于快速的深度神经网络进行木材缺陷检测，可以实现快速精确地检测目标缺陷在木材内部具体位置。

技术领域

本发明属于木材内部缺陷检测技术领域，具体是涉及一种基于Faster R-CNN的木材内部缺陷检测方法。

背景技术

木材无损检测技术因在古树名木保护、木质资源利用领域中存在着重要的研究意义和应用价值，而迅速发展成一项实用技术。其主要特点为突破了被测木材形状和尺寸的桎梏，可以广泛应用于古建筑、活立木、原木的缺陷识别和力学性能检测上。目前的木材无损检测技术存在着成本、精度、效率上的缺陷，如何快速、准确地提取木材缺陷的特征依然是木材无损检测领域的一大难题。

现有技术中采用应力波来进行木材无损检测，应力波木材无损检测技术基于应力波特性，敲击木材，在木材中生成应力波，应力波在木材中以一定速率传播，当木材内部出现腐朽、孔洞时，由于应力波不能沿直线进行传播，传播时间会增加，即应力波经过树木的缺陷区域的速度要慢于木材的正常区域。操作如图1所示，先使用一定数量的应力波传感器平均放置在树木的横截面上，然后用脉冲锤来敲击其中一个传感器时，木材内部产生应力波，其余的传感器收集应力波在木材内部不同方向的传播时间和传播速度变化就能确定木材的一些性质，如弹性模量、空洞等。因此，可以通过分析应力波传播时间或传播速度的变化规律来判断被测试样内部是否存在缺陷。但是这种基础的应力波木材无损检测方法存在着成本、精度、效率上的缺陷。

传统技术中的神经网络算法如应用向后反馈(BP)算法、支持向量机算法(SVM) 应用于木材缺陷识别领域中，取得了一定的进展。而随着计算机图形处理器(GPU)技术的革新，深度学习(deep learning,，DL)这样区别于常用的BP和SVM等浅层学习算法的思想给机器学习领域带了新的发展，卷积神经网络(convolutional neural networks， CNN)是一类包含卷积计算的深度前馈神经网络，作为深度学习的代表算法之一，DL 通过无监督学习有效避免了维数灾难，可以显著降低网络模型的参数规模,减少对训练数据量的依赖，目前被大量应用于计算机视觉等领域，CNNs网络已经成为视觉特征提取的有效方法。

一种快速的基于区域的卷积网络(faster region-based convolutional neuralnetworks, Faster R-CNN)目前被很广泛地使用。基于Faster R-CNN的区域视觉特征提取通常包含以下几个环节，1)输入测试图像；2)将图像输入CNN，进行特征提取；3)每张图片使用区域建议网络(RPN)生成300个建议窗口(proposals)；4)把建议窗口映射到 CNN的最后一层卷积feature map上；5)通过Rol pooling层使每个RoI生成固定尺寸的feature map；6)利用Softmax Loss(探测分类概率)和Smooth L1 Loss(探测边框回归) 对分类概率和边框回归(Bounding box regression)联合训练。

如上分析，Faster R-CNN已经成为物体区域检测的有效方法，因而也可以采用Faster R-CNN检测木材的缺陷区域。但是现有的Faster R-CNN模型完全没有涉及到与应力波图像、木材缺陷等相关的信息，而是基于VOC2007中20类常见的物体预训练得到的模型。综上所述，需要提出一种新型的木材无损检测方法。

发明内容