摘要：隨著(zhù)新一代人工智能技術(shù)不斷取得應用突破，將人工智能技術(shù)與木材加工產(chǎn)業(yè)深度融合，實(shí)現木材加工產(chǎn)業(yè)智能化控制、精準化配置、高效率利用、可持續發(fā)展，是促進(jìn)林業(yè)人工智能發(fā)展的主要任務(wù)之一。文中概述了人工智能算法及理論在木材無(wú)損檢測與分類(lèi)、木材干燥、木材優(yōu)選加工等木材加工過(guò)程中的應用現狀，分析了相關(guān)算法的不足之處，提出人工智能技術(shù)在木材加工產(chǎn)業(yè)中將大有可為，木材加工產(chǎn)業(yè)應積極向人工智能方向發(fā)展，提高木材加工的工作效率及利用率。

關(guān)鍵詞：人工智能算法，木材無(wú)損檢測，木材干燥，木材優(yōu)選加工

　　 我國林木資源相對匱乏，林木資源儲存量遠遠不能滿(mǎn)足當前國家建設的需求。有限的木材資源與供不應求的消費市場(chǎng)之間的矛盾，迫使木材加工產(chǎn)業(yè)向智能制造生產(chǎn)模式發(fā)展。在木材加工產(chǎn)業(yè)中，人工智能技術(shù)將大有可為。在木材干燥過(guò)程中，必須實(shí)現對干燥窯中溫度、濕度、木材含水率等參數的精準檢測與控制；干燥后還需要通過(guò)機器視覺(jué)技術(shù)對木材進(jìn)行無(wú)損檢測，判斷木材的優(yōu)劣品級，定位木材的缺陷所在；在加工時(shí)，根據客戶(hù)要求的規格下料，為節省材料需要應用智能算法對材料進(jìn)行優(yōu)化排樣，實(shí)現優(yōu)選加工。近年來(lái)，威力公司在德國漢諾威國際木工機械展覽會(huì )上推出了一套實(shí)木板材優(yōu)化下料生產(chǎn)線(xiàn)，該生產(chǎn)線(xiàn)包括實(shí)木板材尺寸與缺陷的自動(dòng)識別、縱向最優(yōu)截段、橫向最優(yōu)裁邊和下鋸、自動(dòng)上下料等操作，過(guò)程可全部實(shí)現自動(dòng)化，是人工智能與自動(dòng)化相結合的成功案例。

　　 可以預見(jiàn)，在木材加工過(guò)程中融合人工智能技術(shù)，將顯著(zhù)提高當前我國木材加工產(chǎn)業(yè)的智能化水平和生產(chǎn)效率，有力推動(dòng)木材加工產(chǎn)業(yè)的升級與改造，產(chǎn)出更符合市場(chǎng)需求和更加優(yōu)質(zhì)的木材產(chǎn)品。本文將闡述近年來(lái)人工智能算法及理論在木材無(wú)損檢測與分類(lèi)、木材干燥、木材優(yōu)選加工等木材加工過(guò)程中的應用現狀，通過(guò)比較相關(guān)算法及理論的優(yōu)缺點(diǎn)，分析當前人工智能技術(shù)在木材加工產(chǎn)業(yè)中應用的不足，提出今后的發(fā)展方向，以期為人工智能技術(shù)在木材加工產(chǎn)業(yè)中的應用尋找新的突破點(diǎn)。

　　 1  人工智能算法在木材無(wú)損檢測中的應用

　　 木材在我國建筑、裝飾、家具等多個(gè)產(chǎn)業(yè)中都扮演著(zhù)非常重要的角色，但是各行業(yè)對于木材力學(xué)性能、外觀(guān)(紋理特征、顏色特征、缺陷)、彎曲度、表面粗糙度等特征的要求并不相同，因此必須對木材進(jìn)行檢測和分類(lèi)以滿(mǎn)足不同行業(yè)對木材特定特征的需求，提高木材利用率。在傳統的木材加工中，木材檢測與分類(lèi)工作仍以人工肉眼觀(guān)測為主，主觀(guān)性強，效率低，產(chǎn)能低，已不能滿(mǎn)足國家建設對木材的需求。目前也出現了其他多種木材無(wú)損檢測方法，如超聲波檢測法、激光檢測法、聲發(fā)射技術(shù)等，依靠這些技術(shù)木材無(wú)損檢測逐漸向自動(dòng)化檢測與分類(lèi)過(guò)渡。近年來(lái)，隨著(zhù)人工智能技術(shù)的不斷發(fā)展與突破，計算機輔助目視檢測技術(shù)逐漸應用于木材無(wú)損檢測與分類(lèi)中，該技術(shù)能顯著(zhù)降低人工肉眼判別的主觀(guān)性影響，提高木材無(wú)損檢測的檢測精度與效率。其中，圖像識別技術(shù)的發(fā)展對計算機輔助目視檢測技術(shù)在木材無(wú)損檢測中的應用起著(zhù)舉足輕重的作用，常被應用于木材紋理識別、缺陷檢測、木材分類(lèi)等多項工作中。

　　 1.1  木材紋理識別與分類(lèi)

　　 木材紋理特征是一種不依賴(lài)于木材表面顏色或亮度而反映木材表面圖像中同質(zhì)現象的視覺(jué)特征，是木材表面共有的內在特性，包含了木材體內軸向分子(如木纖維、管胞、導管)等結構組織排列的重要特征以及它們與周?chē)�環(huán)境的聯(lián)系，可分為直紋理、斜紋理、螺旋紋理、波形紋理和交錯紋理等類(lèi)型。近年來(lái)，有許多學(xué)者基于木材紋理采用智能算法對木材進(jìn)行分類(lèi)，出現了許多相關(guān)的研究成果。

　　 紋理識別與分類(lèi)首先需要利用特征提取方法，提取物體表面的紋理特征信息，然后利用人工神經(jīng)網(wǎng)絡(luò )等算法訓練學(xué)習基于特征提取的物體紋理參數，從而實(shí)現紋理的分類(lèi)。Pramunendar等利用灰度共生矩陣(GLCM)提取椰子木圖像的紋理特征，分別使用自調整多層感知器和支持向量機(SVM)對椰子木按品質(zhì)進(jìn)行分類(lèi)，實(shí)驗表明，自調整多層感知器的準確率最高，為78.82%。Yusof等將Gabor濾鏡與GLCM相結合從木材圖像中得到紋理特征信息后，利用流行反向傳播算法將20種不同類(lèi)型的熱帶木材進(jìn)行物種分類(lèi)，結果顯示，使用多個(gè)Gabor過(guò)濾器可以提高木材種類(lèi)識別系統的準確率，并且當正確選擇Gabor濾波器的組合時(shí)，系統會(huì )具有最佳的準確率。Zamri提出一種改進(jìn)的基本灰度光環(huán)矩陣(I-BGLAM)特征提取器，從每張木材圖像中提取136個(gè)特征，利用BP神經(jīng)網(wǎng)絡(luò )執行分類(lèi)，相比以前的基于GLCM特征提取器的識別系統，在分類(lèi)精度上極大地提高了木材識別系統的性能。陳宇提出一種基于尺度不變特征變換(SIFT)的地板塊紋理分類(lèi)方法,首先采用SIFT算法提取地板塊圖像特征值,并采用K-means聚類(lèi)算法降低關(guān)鍵點(diǎn)數目,得到用于分類(lèi)的特征行向量,最后利用差分演化算法(DE)優(yōu)化極限學(xué)習機(ELM)進(jìn)行分類(lèi)。孔凡芝提出一種基于離散曲波變換的木材紋理識別算法，對于待分類(lèi)紋理圖像進(jìn)行基于非等間快速傅里葉變換(USFFT)的曲波域分解,在不同子層的曲波域系數中選擇典型矩參數構成特征向量,并利用支持向量機(SVM)分類(lèi)器對Brodatz紋理圖像數據庫以及自建的木材紋理圖像庫進(jìn)行仿真實(shí)驗，實(shí)驗表明，曲波域矩特征具有良好的旋轉、平移及尺度不換性和強區分能力，能有效描述木材紋理圖像的邊緣以及方向特征。胡忠康等利用局部二值模式法(LBP)對采集的實(shí)木板材圖像進(jìn)行處理，得到木材紋理信息，利用Softmax分類(lèi)器實(shí)現了實(shí)木板材紋理特征的分類(lèi)，相較于ELM、SVM、BP等算法取得了更好的分類(lèi)效果,誤差率在3.59%左右。Loke使用LBP和GLCM提取木材圖像中像素之間的關(guān)系，作為卷積神經(jīng)網(wǎng)絡(luò )（CNN）的輸入層對木材紋理進(jìn)行識別分類(lèi)，實(shí)驗驗證準確率達93.94%。

　　 在木材紋理識別方面，常用的紋理特征提取算法包括GLCM、LBP、SIFT以及基于這些方法的改進(jìn)算法，但如果只考慮單一特征，檢測結果往往不夠精確且泛化能力不高。如果在改進(jìn)的紋理特征提取算法的基礎上，將其中多種特征以某種方式融合，會(huì )大大提高檢測準確率。目前在紋理識別方面常用的分類(lèi)器包括BP神經(jīng)網(wǎng)絡(luò )、支持向量機、多層感知機等，雖然識別準確率較高，但BP神經(jīng)網(wǎng)絡(luò )收斂速度較慢，容易陷入局部最優(yōu)，針對復雜問(wèn)題泛化能力差，SVM在遇到樣本較大或多分類(lèi)問(wèn)題時(shí)存在困難，從而難以實(shí)施。為了解決這一問(wèn)題，可以考慮在木材紋理識別中引入深度學(xué)習的方法進(jìn)行識別分類(lèi)，提高收斂速率和識別準確率。

　　 1.2  木材缺陷識別與分類(lèi)

　　 木材缺陷是存在于木材中影響木材質(zhì)量和使用價(jià)值的各種缺陷，主要分為天然缺陷(如木節、斜紋理、裂紋等)、生物危害的缺陷(主要有腐朽、變色和蟲(chóng)蛀等)、干燥及機械加工引起的缺陷(如干裂、翹曲、鋸口傷等)。為了合理使用木材，通常按不同用途要求，限制木材允許缺陷的種類(lèi)、大小和數量，將木材劃分等級使用。目前，在木材缺陷識別上大多采用計算機輔助目測技術(shù)、圖像識別技術(shù)與人工神經(jīng)網(wǎng)絡(luò )相結合的方式，提高木材缺陷檢測準確率和工作效率。

　　 Yu利用近紅外光譜儀收集了落葉松木材上活結、死結、針孔和裂紋4種缺陷的光譜信息，并對光譜信息進(jìn)行主成分分析得到主成分向量作為附加的BP神經(jīng)網(wǎng)絡(luò )的輸入，分類(lèi)準確率達92.0%以上。徐梓敬采用PXI平臺和ERT技術(shù)測量得到木材斷層的電壓數據，采用主成分分析后利用遺傳算法(GA)優(yōu)化權值和缺陷數據，進(jìn)行支持向量機(SVM)算法訓練，實(shí)驗結果顯示，該算法對各種缺陷的識別率達92.73%以上。Liang利用改進(jìn)的遺傳算法從去噪后的木材光譜圖像中選擇特征波，建立缺陷識別與分類(lèi)模型，然后通過(guò)改進(jìn)的貝葉斯神經(jīng)網(wǎng)絡(luò )建立了實(shí)木板材缺陷的識別與分類(lèi)模型，利用活結、死結和無(wú)缺陷3種類(lèi)型的實(shí)木板樣本進(jìn)行訓練與測試，結果顯示，識別準確率分別為92.20%、94.47%和95.57%。李紹麗在LBP與韋伯定律的基礎上，提出一種反映圖像上不同紋理結構位置處差異激勵分布狀態(tài)的模式LB_DEP，分別利用“H-PCA”法和“H-chi-square”法融合木板缺陷區域的LBP和LB_DEP特征形成特征向量，作為SVM分類(lèi)器的輸入用于分類(lèi)木板裂縫和礦物線(xiàn)，與其他方法相比，得到了較好的分類(lèi)效果，準確率達96.5%。羅微利用局部二值模式(LBP)和方向梯度直方圖(HOG)融合木材缺陷特征經(jīng)主成分分析并降維處理后，利用支持向量機(SVM)驗證得出融合特征比單一缺陷特征具有更高效的分類(lèi)性能，分類(lèi)準確率最高達98.9%。

　　 自深度學(xué)習在圖片分類(lèi)領(lǐng)域取得很好的效果后，將圖像識別技術(shù)與深度學(xué)習相結合成為木材缺陷識別領(lǐng)域的重點(diǎn)研究方向。Hu將深度學(xué)習用于木材分類(lèi)任務(wù)，使用預訓練ResNet網(wǎng)絡(luò )架構的遷移學(xué)習策略對木材缺陷數據集進(jìn)行分類(lèi)，分類(lèi)準確率達98.16%，比SVM分類(lèi)器擁有更好的分類(lèi)性能。He等使用激光掃描儀獲取木材圖像，然后使用改進(jìn)的深度卷積神經(jīng)網(wǎng)絡(luò )(DCNN)模型將木材缺陷分為死結、裂縫和霉斑等類(lèi)別，總體準確率達99.13%，整個(gè)缺陷的檢測過(guò)程僅需1.12 s。程玉柱等利用區域建議網(wǎng)絡(luò )(RPN)反復訓練CNN模型，并結合CV模型對木材缺陷圖像進(jìn)行精細分割，對活結、蟲(chóng)眼和死結的最佳分割準確率分別為97.42%、96.08%和99.49%。Jung分別使用3種不同的CNN模型架構LeNet、VGG-19和Densenet121訓練學(xué)習劃痕、油污染等缺陷的木材圖像，對比發(fā)現VGG-19模型架構對木材缺陷的檢測精度更高，達99.8%。

　　 近幾年來(lái)，在木材缺陷識別與分類(lèi)方面的科技成果較多，常用的缺陷信息獲取技術(shù)手段包括近紅外光譜、激光掃描、CCD相機和聲發(fā)射技術(shù)等，常用的智能算法包括遺傳算法(GA)、卷積神經(jīng)網(wǎng)絡(luò )(CNN)、支持向量機(SVM)等機器學(xué)習算法，相較木材紋理識別，深度學(xué)習在木材缺陷識別中得到了較為廣泛的應用。從BP神經(jīng)網(wǎng)絡(luò )、SVM等淺層學(xué)習算法到卷積神經(jīng)網(wǎng)絡(luò )等深度學(xué)習算法，木材表面缺陷的識別率不斷提高。深度學(xué)習可通過(guò)學(xué)習一種深層非線(xiàn)性網(wǎng)絡(luò )結構實(shí)現復雜函數逼近，在木材無(wú)損檢測領(lǐng)域與經(jīng)典機器學(xué)習相比有著(zhù)明顯的優(yōu)勢。

　　 2  人工智能算法在木材干燥過(guò)程中的應用

　　 木材干燥過(guò)程指在一定條件下排除木材中水分的過(guò)程，直接關(guān)系到木制品的質(zhì)量，木材經(jīng)過(guò)干燥后，在很長(cháng)一段時(shí)間內不會(huì )發(fā)生開(kāi)裂、變形等問(wèn)題，其耐腐蝕性和強度也會(huì )有很大的提高。人工智能方法在木材干燥過(guò)程中的應用主要為木材含水率的預測、木材干燥窯溫濕度控制。

　　 在木材干燥過(guò)程控制領(lǐng)域，Tian使用BP神經(jīng)網(wǎng)絡(luò )PID控制算法，對木材干燥過(guò)程進(jìn)行了改進(jìn)，改善了一般PID控制算法的缺陷，反映了神經(jīng)網(wǎng)絡(luò )控制方法在非線(xiàn)性系統控制中的優(yōu)勢。Ge基于過(guò)程神經(jīng)網(wǎng)絡(luò )的時(shí)變特征和提取時(shí)空累積效應的能力，提出了一種針對白蠟木干燥減速階段的雙隱藏層前饋過(guò)程神經(jīng)網(wǎng)絡(luò )，與傳統BP神經(jīng)網(wǎng)絡(luò )模型相比，擁有較好的泛化能力和預測精度，較好地模擬了木材干燥過(guò)程的復雜時(shí)變特性和非線(xiàn)性關(guān)系。姜濱設計了一種木材干燥窯內溫濕度的Takagi-Sugeno(T-S)型模糊神經(jīng)網(wǎng)絡(luò )控制器，利用模糊算法解除木材干燥窯內溫度和濕度間的強耦合關(guān)系，采用神經(jīng)網(wǎng)絡(luò )的自學(xué)習和自適應能力實(shí)現整個(gè)非線(xiàn)性過(guò)程的模糊邏輯推理，有效解決了木材干燥過(guò)程的溫濕度控制，該控制器響應速度快、超調量小、魯棒性強、控制精度高，可以滿(mǎn)足木材干燥控制系統的要求。Fu提出一種三層前饋神經(jīng)網(wǎng)絡(luò )，該模型在預測白樺圓盤(pán)干燥過(guò)程中的彈性應變隨溫度、含水量、相對濕度和與髓距離變化中的表現較佳，預測R2值高于0.95，均方誤差（MSE）值接近。

　　 在木材含水率預測領(lǐng)域，Zhang提出了一種基于主成分分析（PCA）和GS-SVM的新型智能計算方法，通過(guò)PCA方法實(shí)現了數據降維,基于網(wǎng)格搜索(GS)獲得SVM全局優(yōu)化的最佳參數，解決了在木材含水率(MC)測量和預測過(guò)程中因環(huán)境因素引起的干擾問(wèn)題。Watanabe基于柳杉木材的初始水分含量、基本密度、年輪去向、年輪寬度等特征建立了人工神經(jīng)網(wǎng)絡(luò )模型，與主成分回歸(PCR)模型相比，其對木材的最終水分含量預測有更高的相關(guān)系數和更低的均方根誤差。孫禹采集分析了影響柞木和楊木含水率的實(shí)驗參數(干球溫度、濕球溫度、材芯溫度、風(fēng)機速度等)，分別利用BP神經(jīng)網(wǎng)絡(luò )、蟻群算法Ant-Miner和改進(jìn)的蟻群算法mAnt-Miner+進(jìn)行參數優(yōu)化和木材含水率的預測研究,仿真結果表明，改進(jìn)的蟻群算法相比傳統蟻群算法和BP神經(jīng)網(wǎng)絡(luò )能夠更好地進(jìn)行木材含水率預測，誤差收斂曲線(xiàn)更為平滑，在預測精度和運行效率上都有顯著(zhù)的提升。

　　 在木材干燥方面，人工智能的作用主要體現在對木材含水率的精準預測和木材干燥過(guò)程的控制。常用的智能算法有BP神經(jīng)網(wǎng)絡(luò )、模糊算法、蟻群算法以及在這些算法上的改進(jìn)，雖可以實(shí)現其功能，但精確度不高。可以考慮將人工神經(jīng)網(wǎng)絡(luò )與模糊算法、遺傳算法、專(zhuān)家系統等智能算法相結合，取長(cháng)補短；或考慮在木材干燥過(guò)程中引入深度學(xué)習和互聯(lián)網(wǎng)通信，繼而獲得更高的預測精度和控制精度。

　　 3  人工智能算法在木材優(yōu)選加工中的應用

　　 為了克服傳統木材優(yōu)選加工中浪費嚴重、自動(dòng)化程度低等問(wèn)題，必須在木材下料和排樣等過(guò)程中優(yōu)化木材優(yōu)選加工程序與算法，從而有效提高下料和排樣過(guò)程中企業(yè)的經(jīng)濟效益，改善木材加工模式，減少木材浪費。

　　 房友盼等利用圖像處理技術(shù)獲得木材的缺陷位置與面積之后，提出了5種缺陷木材的鋸切排樣算法，利用新建函數得到每張單缺陷板材對應的最佳鋸切排樣方案。梁澤華針對有順序依賴(lài)損耗的一維下料問(wèn)題，提出了一種基于順序價(jià)值校正框架的下料算法，在多個(gè)下料方案中求出最優(yōu)的下料方案，提高木材利用率。李新寧設計了一種啟發(fā)式算法(HA)對不含缺陷的板材進(jìn)行下料優(yōu)化，再將通過(guò)計算機視覺(jué)得到的缺陷信息考慮到優(yōu)化排樣中，有效解決了含缺陷板材的下料優(yōu)化問(wèn)題，平均利用率達到91.33%。穆丹利用手持三維激光掃描儀獲得木板材缺陷信息之后，使用遺傳算法開(kāi)發(fā)了板材優(yōu)化下料系統，平均利用率達到93.3%。鄭云將遺傳算法中的交叉變異算子融合到和聲搜索算法中，實(shí)現了對木板材排樣的優(yōu)化，給出了大規模基于工藝約束的木板材排樣問(wèn)題的數學(xué)模型。

　　 隨著(zhù)智能算法的發(fā)展，利用人工智能算法進(jìn)行排樣優(yōu)化是矩形件排樣問(wèn)題的主要研究方向，但是對木材尤其是含有缺陷的木材進(jìn)行排樣優(yōu)化的研究相對較少，常用的智能算法主要為遺傳算法。將木材缺陷檢測與木材下料排樣優(yōu)化結合在一起，是提高木材利用率的重要舉措，但木材缺陷的種類(lèi)及位置大小分布等特征所具有的強大隨機性，是木材優(yōu)選加工算法研究的主要難點(diǎn)之一，所以在今后解決木材下料排樣優(yōu)化問(wèn)題過(guò)程中應該因材施策，積極引進(jìn)人工智能算法，盡可能提高算法的泛化能力和魯棒性。

　　 4  結語(yǔ)與展望

　　 近年來(lái)，人工智能的發(fā)展突飛猛進(jìn)，如何將人工智能技術(shù)與木材加工產(chǎn)業(yè)相融合，實(shí)現木材加工產(chǎn)業(yè)智能化控制和精準化配置，從而在可持續發(fā)展的前提下切實(shí)提高生產(chǎn)效率和產(chǎn)能，是我國林業(yè)發(fā)展中的重要課題。近年來(lái)，隨著(zhù)人工智能算法及理論在木材無(wú)損檢測與分類(lèi)、木材干燥等木材加工過(guò)程中的應用，圖像識別技術(shù)和機器學(xué)習算法的發(fā)展在木材無(wú)損檢測和木材干燥過(guò)程中的作用和影響力越來(lái)越大，但人工智能技術(shù)與整個(gè)木材加工產(chǎn)業(yè)和部分生產(chǎn)工序融合的程度還比較低，技術(shù)突破還停留在學(xué)術(shù)研究階段，大多數木材加工企業(yè)依然采用傳統的生產(chǎn)模式進(jìn)行加工。為了加深、加快人工智能技術(shù)與木材加工產(chǎn)業(yè)的融合，引領(lǐng)木材加工產(chǎn)業(yè)向智能制造方向發(fā)展，筆者提出以下建議：

　　1)融合木材的聲、光、電等信息，研究發(fā)展更有效的木材無(wú)損檢測技術(shù)，構建完善、穩定、可靠的木材無(wú)損檢測系統，實(shí)現對木材缺陷、含水率等屬性的精確定位識別與預測，以及對木材優(yōu)劣品級的準確判定，盡量從硬件上克服環(huán)境對檢測的影響，使檢測進(jìn)一步向智能化發(fā)展。

　　 2)嘗試多種智能算法間的配合使用，揚長(cháng)避短，研究發(fā)展精度高、效率高、泛化能力強且更具魯棒性的人工智能算法，將深度學(xué)習算法引入到木材加工各工序中，實(shí)現木材加工工序的精準控制與監測，產(chǎn)出更多符合市場(chǎng)需求的木材產(chǎn)品，提高木材利用率，緩解木材資源稀缺與市場(chǎng)需求旺盛的矛盾。

　　3)深入開(kāi)展人工智能及互聯(lián)網(wǎng)技術(shù)在木材加工其他過(guò)程(如木材鋸切過(guò)程、木材防腐過(guò)程等)中的應用研究，加深人工智能技術(shù)、互聯(lián)網(wǎng)技術(shù)與整個(gè)木材加工產(chǎn)業(yè)的融合，引領(lǐng)木材加工產(chǎn)業(yè)向智能制造生產(chǎn)模式升級。

　　4)積極與企業(yè)開(kāi)展合作，研發(fā)木材加工智能生產(chǎn)設備，建立完善木材加工智能生產(chǎn)體系，形成國產(chǎn)化自主知識產(chǎn)權，逐步取代傳統生產(chǎn)工序。