电话:010-68705020
文章
  • 文章
搜索
首页 >> 行业服务 >>技术推广 >>科研前瞻 >> 科研前瞻 | 人工智能在木材加工中的应用
详细内容

科研前瞻 | 人工智能在木材加工中的应用

时间:2021-06-08     【转载】   来自:世界林业研究

摘要:随着新一代人工智能技术不断取得应用突破,将人工智能技术与木材加工产业深度融合,实现木材加工产业智能化控制、精准化配置、高效率利用、可持续发展,是促进林业人工智能发展的主要任务之一。文中概述了人工智能算法及理论在木材无损检测与分类、木材干燥、木材优选加工等木材加工过程中的应用现状,分析了相关算法的不足之处,提出人工智能技术在木材加工产业中将大有可为,木材加工产业应积极向人工智能方向发展,提高木材加工的工作效率及利用率。

关键词:人工智能算法,木材无损检测,木材干燥,木材优选加工

   我国林木资源相对匮乏,林木资源储存量远远不能满足当前国家建设的需求。有限的木材资源与供不应求的消费市场之间的矛盾,迫使木材加工产业向智能制造生产模式发展。在木材加工产业中,人工智能技术将大有可为。在木材干燥过程中,必须实现对干燥窑中温度、湿度、木材含水率等参数的精准检测与控制;干燥后还需要通过机器视觉技术对木材进行无损检测,判断木材的优劣品级,定位木材的缺陷所在;在加工时,根据客户要求的规格下料,为节省材料需要应用智能算法对材料进行优化排样,实现优选加工。近年来,威力公司在德国汉诺威国际木工机械展览会上推出了一套实木板材优化下料生产线,该生产线包括实木板材尺寸与缺陷的自动识别、纵向最优截段、横向最优裁边和下锯、自动上下料等操作,过程可全部实现自动化,是人工智能与自动化相结合的成功案例。

   可以预见,在木材加工过程中融合人工智能技术,将显著提高当前我国木材加工产业的智能化水平和生产效率,有力推动木材加工产业的升级与改造,产出更符合市场需求和更加优质的木材产品。本文将阐述近年来人工智能算法及理论在木材无损检测与分类、木材干燥、木材优选加工等木材加工过程中的应用现状,通过比较相关算法及理论的优缺点,分析当前人工智能技术在木材加工产业中应用的不足,提出今后的发展方向,以期为人工智能技术在木材加工产业中的应用寻找新的突破点。

   1  人工智能算法在木材无损检测中的应用

   木材在我国建筑、装饰、家具等多个产业中都扮演着非常重要的角色,但是各行业对于木材力学性能、外观(纹理特征、颜色特征、缺陷)、弯曲度、表面粗糙度等特征的要求并不相同,因此必须对木材进行检测和分类以满足不同行业对木材特定特征的需求,提高木材利用率。在传统的木材加工中,木材检测与分类工作仍以人工肉眼观测为主,主观性强,效率低,产能低,已不能满足国家建设对木材的需求。目前也出现了其他多种木材无损检测方法,如超声波检测法、激光检测法、声发射技术等,依靠这些技术木材无损检测逐渐向自动化检测与分类过渡。近年来,随着人工智能技术的不断发展与突破,计算机辅助目视检测技术逐渐应用于木材无损检测与分类中,该技术能显著降低人工肉眼判别的主观性影响,提高木材无损检测的检测精度与效率。其中,图像识别技术的发展对计算机辅助目视检测技术在木材无损检测中的应用起着举足轻重的作用,常被应用于木材纹理识别、缺陷检测、木材分类等多项工作中。

   1.1  木材纹理识别与分类

   木材纹理特征是一种不依赖于木材表面颜色或亮度而反映木材表面图像中同质现象的视觉特征,是木材表面共有的内在特性,包含了木材体内轴向分子(如木纤维、管胞、导管)等结构组织排列的重要特征以及它们与周围环境的联系,可分为直纹理、斜纹理、螺旋纹理、波形纹理和交错纹理等类型。近年来,有许多学者基于木材纹理采用智能算法对木材进行分类,出现了许多相关的研究成果。

   纹理识别与分类首先需要利用特征提取方法,提取物体表面的纹理特征信息,然后利用人工神经网络等算法训练学习基于特征提取的物体纹理参数,从而实现纹理的分类。Pramunendar等利用灰度共生矩阵(GLCM)提取椰子木图像的纹理特征,分别使用自调整多层感知器和支持向量机(SVM)对椰子木按品质进行分类,实验表明,自调整多层感知器的准确率最高,为78.82%。Yusof等将Gabor滤镜与GLCM相结合从木材图像中得到纹理特征信息后,利用流行反向传播算法将20种不同类型的热带木材进行物种分类,结果显示,使用多个Gabor过滤器可以提高木材种类识别系统的准确率,并且当正确选择Gabor滤波器的组合时,系统会具有最佳的准确率。Zamri提出一种改进的基本灰度光环矩阵(I-BGLAM)特征提取器,从每张木材图像中提取136个特征,利用BP神经网络执行分类,相比以前的基于GLCM特征提取器的识别系统,在分类精度上极大地提高了木材识别系统的性能。陈宇提出一种基于尺度不变特征变换(SIFT)的地板块纹理分类方法,首先采用SIFT算法提取地板块图像特征值,并采用K-means聚类算法降低关键点数目,得到用于分类的特征行向量,最后利用差分演化算法(DE)优化极限学习机(ELM)进行分类。孔凡芝提出一种基于离散曲波变换的木材纹理识别算法,对于待分类纹理图像进行基于非等间快速傅里叶变换(USFFT)的曲波域分解,在不同子层的曲波域系数中选择典型矩参数构成特征向量,并利用支持向量机(SVM)分类器对Brodatz纹理图像数据库以及自建的木材纹理图像库进行仿真实验,实验表明,曲波域矩特征具有良好的旋转、平移及尺度不换性和强区分能力,能有效描述木材纹理图像的边缘以及方向特征。胡忠康等利用局部二值模式法(LBP)对采集的实木板材图像进行处理,得到木材纹理信息,利用Softmax分类器实现了实木板材纹理特征的分类,相较于ELM、SVM、BP等算法取得了更好的分类效果,误差率在3.59%左右。Loke使用LBP和GLCM提取木材图像中像素之间的关系,作为卷积神经网络(CNN)的输入层对木材纹理进行识别分类,实验验证准确率达93.94%。

   在木材纹理识别方面,常用的纹理特征提取算法包括GLCM、LBP、SIFT以及基于这些方法的改进算法,但如果只考虑单一特征,检测结果往往不够精确且泛化能力不高。如果在改进的纹理特征提取算法的基础上,将其中多种特征以某种方式融合,会大大提高检测准确率。目前在纹理识别方面常用的分类器包括BP神经网络、支持向量机、多层感知机等,虽然识别准确率较高,但BP神经网络收敛速度较慢,容易陷入局部最优,针对复杂问题泛化能力差,SVM在遇到样本较大或多分类问题时存在困难,从而难以实施。为了解决这一问题,可以考虑在木材纹理识别中引入深度学习的方法进行识别分类,提高收敛速率和识别准确率。

   1.2  木材缺陷识别与分类

   木材缺陷是存在于木材中影响木材质量和使用价值的各种缺陷,主要分为天然缺陷(如木节、斜纹理、裂纹等)、生物危害的缺陷(主要有腐朽、变色和虫蛀等)、干燥及机械加工引起的缺陷(如干裂、翘曲、锯口伤等)。为了合理使用木材,通常按不同用途要求,限制木材允许缺陷的种类、大小和数量,将木材划分等级使用。目前,在木材缺陷识别上大多采用计算机辅助目测技术、图像识别技术与人工神经网络相结合的方式,提高木材缺陷检测准确率和工作效率。

   Yu利用近红外光谱仪收集了落叶松木材上活结、死结、针孔和裂纹4种缺陷的光谱信息,并对光谱信息进行主成分分析得到主成分向量作为附加的BP神经网络的输入,分类准确率达92.0%以上。徐梓敬采用PXI平台和ERT技术测量得到木材断层的电压数据,采用主成分分析后利用遗传算法(GA)优化权值和缺陷数据,进行支持向量机(SVM)算法训练,实验结果显示,该算法对各种缺陷的识别率达92.73%以上。Liang利用改进的遗传算法从去噪后的木材光谱图像中选择特征波,建立缺陷识别与分类模型,然后通过改进的贝叶斯神经网络建立了实木板材缺陷的识别与分类模型,利用活结、死结和无缺陷3种类型的实木板样本进行训练与测试,结果显示,识别准确率分别为92.20%、94.47%和95.57%。李绍丽在LBP与韦伯定律的基础上,提出一种反映图像上不同纹理结构位置处差异激励分布状态的模式LB_DEP,分别利用“H-PCA”法和“H-chi-square”法融合木板缺陷区域的LBP和LB_DEP特征形成特征向量,作为SVM分类器的输入用于分类木板裂缝和矿物线,与其他方法相比,得到了较好的分类效果,准确率达96.5%。罗微利用局部二值模式(LBP)和方向梯度直方图(HOG)融合木材缺陷特征经主成分分析并降维处理后,利用支持向量机(SVM)验证得出融合特征比单一缺陷特征具有更高效的分类性能,分类准确率最高达98.9%。

   自深度学习在图片分类领域取得很好的效果后,将图像识别技术与深度学习相结合成为木材缺陷识别领域的重点研究方向。Hu将深度学习用于木材分类任务,使用预训练ResNet网络架构的迁移学习策略对木材缺陷数据集进行分类,分类准确率达98.16%,比SVM分类器拥有更好的分类性能。He等使用激光扫描仪获取木材图像,然后使用改进的深度卷积神经网络(DCNN)模型将木材缺陷分为死结、裂缝和霉斑等类别,总体准确率达99.13%,整个缺陷的检测过程仅需1.12 s。程玉柱等利用区域建议网络(RPN)反复训练CNN模型,并结合CV模型对木材缺陷图像进行精细分割,对活结、虫眼和死结的最佳分割准确率分别为97.42%、96.08%和99.49%。Jung分别使用3种不同的CNN模型架构LeNet、VGG-19和Densenet121训练学习划痕、油污染等缺陷的木材图像,对比发现VGG-19模型架构对木材缺陷的检测精度更高,达99.8%。

   近几年来,在木材缺陷识别与分类方面的科技成果较多,常用的缺陷信息获取技术手段包括近红外光谱、激光扫描、CCD相机和声发射技术等,常用的智能算法包括遗传算法(GA)、卷积神经网络(CNN)、支持向量机(SVM)等机器学习算法,相较木材纹理识别,深度学习在木材缺陷识别中得到了较为广泛的应用。从BP神经网络、SVM等浅层学习算法到卷积神经网络等深度学习算法,木材表面缺陷的识别率不断提高。深度学习可通过学习一种深层非线性网络结构实现复杂函数逼近,在木材无损检测领域与经典机器学习相比有着明显的优势。

   2  人工智能算法在木材干燥过程中的应用

   木材干燥过程指在一定条件下排除木材中水分的过程,直接关系到木制品的质量,木材经过干燥后,在很长一段时间内不会发生开裂、变形等问题,其耐腐蚀性和强度也会有很大的提高。人工智能方法在木材干燥过程中的应用主要为木材含水率的预测、木材干燥窑温湿度控制。

   在木材干燥过程控制领域,Tian使用BP神经网络PID控制算法,对木材干燥过程进行了改进,改善了一般PID控制算法的缺陷,反映了神经网络控制方法在非线性系统控制中的优势。Ge基于过程神经网络的时变特征和提取时空累积效应的能力,提出了一种针对白蜡木干燥减速阶段的双隐藏层前馈过程神经网络,与传统BP神经网络模型相比,拥有较好的泛化能力和预测精度,较好地模拟了木材干燥过程的复杂时变特性和非线性关系。姜滨设计了一种木材干燥窑内温湿度的Takagi-Sugeno(T-S)型模糊神经网络控制器,利用模糊算法解除木材干燥窑内温度和湿度间的强耦合关系,采用神经网络的自学习和自适应能力实现整个非线性过程的模糊逻辑推理,有效解决了木材干燥过程的温湿度控制,该控制器响应速度快、超调量小、鲁棒性强、控制精度高,可以满足木材干燥控制系统的要求。Fu提出一种三层前馈神经网络,该模型在预测白桦圆盘干燥过程中的弹性应变随温度、含水量、相对湿度和与髓距离变化中的表现较佳,预测R2值高于0.95,均方误差(MSE)值接近。

   在木材含水率预测领域,Zhang提出了一种基于主成分分析(PCA)和GS-SVM的新型智能计算方法,通过PCA方法实现了数据降维,基于网格搜索(GS)获得SVM全局优化的最佳参数,解决了在木材含水率(MC)测量和预测过程中因环境因素引起的干扰问题。Watanabe基于柳杉木材的初始水分含量、基本密度、年轮去向、年轮宽度等特征建立了人工神经网络模型,与主成分回归(PCR)模型相比,其对木材的最终水分含量预测有更高的相关系数和更低的均方根误差。孙禹采集分析了影响柞木和杨木含水率的实验参数(干球温度、湿球温度、材芯温度、风机速度等),分别利用BP神经网络、蚁群算法Ant-Miner和改进的蚁群算法mAnt-Miner+进行参数优化和木材含水率的预测研究,仿真结果表明,改进的蚁群算法相比传统蚁群算法和BP神经网络能够更好地进行木材含水率预测,误差收敛曲线更为平滑,在预测精度和运行效率上都有显著的提升。

   在木材干燥方面,人工智能的作用主要体现在对木材含水率的精准预测和木材干燥过程的控制。常用的智能算法有BP神经网络、模糊算法、蚁群算法以及在这些算法上的改进,虽可以实现其功能,但精确度不高。可以考虑将人工神经网络与模糊算法、遗传算法、专家系统等智能算法相结合,取长补短;或考虑在木材干燥过程中引入深度学习和互联网通信,继而获得更高的预测精度和控制精度。

   3  人工智能算法在木材优选加工中的应用

   为了克服传统木材优选加工中浪费严重、自动化程度低等问题,必须在木材下料和排样等过程中优化木材优选加工程序与算法,从而有效提高下料和排样过程中企业的经济效益,改善木材加工模式,减少木材浪费。

   房友盼等利用图像处理技术获得木材的缺陷位置与面积之后,提出了5种缺陷木材的锯切排样算法,利用新建函数得到每张单缺陷板材对应的最佳锯切排样方案。梁泽华针对有顺序依赖损耗的一维下料问题,提出了一种基于顺序价值校正框架的下料算法,在多个下料方案中求出最优的下料方案,提高木材利用率。李新宁设计了一种启发式算法(HA)对不含缺陷的板材进行下料优化,再将通过计算机视觉得到的缺陷信息考虑到优化排样中,有效解决了含缺陷板材的下料优化问题,平均利用率达到91.33%。穆丹利用手持三维激光扫描仪获得木板材缺陷信息之后,使用遗传算法开发了板材优化下料系统,平均利用率达到93.3%。郑云将遗传算法中的交叉变异算子融合到和声搜索算法中,实现了对木板材排样的优化,给出了大规模基于工艺约束的木板材排样问题的数学模型。

   随着智能算法的发展,利用人工智能算法进行排样优化是矩形件排样问题的主要研究方向,但是对木材尤其是含有缺陷的木材进行排样优化的研究相对较少,常用的智能算法主要为遗传算法。将木材缺陷检测与木材下料排样优化结合在一起,是提高木材利用率的重要举措,但木材缺陷的种类及位置大小分布等特征所具有的强大随机性,是木材优选加工算法研究的主要难点之一,所以在今后解决木材下料排样优化问题过程中应该因材施策,积极引进人工智能算法,尽可能提高算法的泛化能力和鲁棒性。

   4  结语与展望

   近年来,人工智能的发展突飞猛进,如何将人工智能技术与木材加工产业相融合,实现木材加工产业智能化控制和精准化配置,从而在可持续发展的前提下切实提高生产效率和产能,是我国林业发展中的重要课题。近年来,随着人工智能算法及理论在木材无损检测与分类、木材干燥等木材加工过程中的应用,图像识别技术和机器学习算法的发展在木材无损检测和木材干燥过程中的作用和影响力越来越大,但人工智能技术与整个木材加工产业和部分生产工序融合的程度还比较低,技术突破还停留在学术研究阶段,大多数木材加工企业依然采用传统的生产模式进行加工。为了加深、加快人工智能技术与木材加工产业的融合,引领木材加工产业向智能制造方向发展,笔者提出以下建议:

  1)融合木材的声、光、电等信息,研究发展更有效的木材无损检测技术,构建完善、稳定、可靠的木材无损检测系统,实现对木材缺陷、含水率等属性的精确定位识别与预测,以及对木材优劣品级的准确判定,尽量从硬件上克服环境对检测的影响,使检测进一步向智能化发展。

   2)尝试多种智能算法间的配合使用,扬长避短,研究发展精度高、效率高、泛化能力强且更具鲁棒性的人工智能算法,将深度学习算法引入到木材加工各工序中,实现木材加工工序的精准控制与监测,产出更多符合市场需求的木材产品,提高木材利用率,缓解木材资源稀缺与市场需求旺盛的矛盾。

  3)深入开展人工智能及互联网技术在木材加工其他过程(如木材锯切过程、木材防腐过程等)中的应用研究,加深人工智能技术、互联网技术与整个木材加工产业的融合,引领木材加工产业向智能制造生产模式升级。

  4)积极与企业开展合作,研发木材加工智能生产设备,建立完善木材加工智能生产体系,形成国产化自主知识产权,逐步取代传统生产工序。