TCA-Net:复杂木纹背景下纹理复杂度自适应的木材表面缺陷检测

《Expert Systems with Applications》:TCA-Net: Texture-Complexity-Adaptive Wood Surface Defect Detection under Complex Grain Backgrounds

【字体: 大 中 小 】 时间:2026年10月21日 来源:Expert Systems with Applications 9.4

编辑推荐:

   •提出了一种纹理复杂度自适应的木材缺陷检测框架。•使用Haar高频统计量估计木纹干扰。•复杂度引导的路由平衡频率增强与边缘建模。•自适应融合抑制背景纹理同时保留缺陷细节。•三个数据集的评估证明了有效性和跨数据集适用性。引言木材广泛用于制造业和建筑业,其表面质量直接影响产品外观

  
  • •
    提出了一种纹理复杂度自适应的木材缺陷检测框架。
  • •
    使用Haar高频统计量估计木纹干扰。
  • •
    复杂度引导的路由平衡频率增强与边缘建模。
  • •
    自适应融合抑制背景纹理同时保留缺陷细节。
  • •
    三个数据集的评估证明了有效性和跨数据集适用性。

引言

木材广泛用于制造业和建筑业,其表面质量直接影响产品外观、加工可靠性和长期服务性能。因此,木材表面缺陷自动检测已成为质量分级、过程监控和工业检测所必需的技术(Cui, Li, Duanmu, et al., 2024, Kodytek, Bodzas, Bilik, 2022, Tu, Ling, Guo, et al., 2021)。
一个主要挑战源于木材表面的固有纹理。年轮和纤维结构形成强烈且高度结构化的纹理图案。如图1(a)和图1(c)所示,纹理密集的区域可能产生与真实缺陷相似的特征响应,导致误报。相反,如图1(b)和图1(d)所示,细微或低对比度的缺陷可能被附近的纹理图案所掩盖,使其难以区分和定位。
近期的研究主要尝试通过增强局部纹理线索或强化跨尺度特征融合来改善木材表面缺陷检测。纹理增强、边缘建模和频域特征提取方法(Liu, Zhang, Zhang, et al., 2018, Wang, Yin, Chen, et al., 2024b, Zhong, Fu, Xiao, et al., 2024a)旨在强化缺陷区域的局部结构变化,从而提高弱缺陷的可见性。跨尺度语义融合方法(Lin, Dollár, Girshick, et al., 2017, Luo, Xu, Su, et al., 2024b)结合高层语义信息与低层空间细节,有助于在复杂背景下改善缺陷定位。
然而,这些操作通常以固定方式应用,而不考虑输入图像的纹理复杂度水平。在平滑区域有效的纹理或频域算子可能在纹理密集区域过度放大正常纹理响应。同样,自顶向下的语义融合虽然能提供有用的上下文信息,但也可能将背景响应传播到高分辨率特征图中,从而削弱细微缺陷的表示。在实际应用中,相同的低层响应可能在平滑区域对应真实缺陷,而在复杂区域则对应正常纹理。这一观察表明,特征增强和语义融合应根据估计的木纹背景干扰水平进行调整,而非采用固定算子或无约束的特征传播。
为此,我们估计木纹干扰强度,并将其作为自适应特征处理的控制信号。在本工作中,纹理复杂度定义为木纹背景可能干扰缺陷判别程度的度量。我们使用频域高频统计量作为该量的简单可解释代理。年轮和纤维纹理往往产生规律或准周期性的高频分量,而缺陷通常表现为局部化的、不规则的高频异常(Luo, Li, Su, et al., 2024a, Wang, Liang, Wang, et al., 2024a)。我们采用Haar小波变换构建固定算子复杂度度量,因其对方向性边缘响应敏感且仅引入有限的计算开销(Liu, Zhang, Zhang, et al., 2018, Zhang, Lai, Zhu, et al., 2023)。
我们将这一纹理复杂度信号纳入统一的检测框架,称为纹理复杂度自适应网络(TCA-Net)。双输出频域统计模块(DOFS)使用Haar高频统计量从浅层特征计算空间复杂度图Q和图像级复杂度分数q。复杂度感知双分支路由模块(CADR)随后使用q自适应地为频域增强分支和边缘结构分支分配软权重。当纹理复杂度较低时,CADR强调频域异常响应以突出与缺陷相关的高频模式。当纹理复杂度较高时,CADR减少对高频增强的依赖并增加边缘结构建模的贡献,从而限制对密集背景纹理的放大。此外,复杂度引导的自适应融合模块(CGAF)使用Q和q调节高层语义信息向低层特征的注入。具体而言,图像级复杂度分数q控制整体融合强度,而空间复杂度图Q提供逐位置的调制。这种设计抑制了木纹背景响应的传播,同时保留了细微缺陷的细粒度线索。
本工作的主要贡献总结如下:
  • 1.
    我们提出了一种基于纹理复杂度先验引导的自适应检测框架,用于复杂纹理背景下的木材表面缺陷检测。该框架显式建模纹理复杂度条件,并使用由此获得的估计在整个网络中自适应调整特征处理。
  • 2.
    我们引入了双输出频域统计模块(DOFS),从Haar高频统计量构建可解释的纹理复杂度先验。该模块生成空间复杂度图Q和图像级复杂度分数q,将局部和全局高频复杂度作为潜在纹理干扰的代理指标。
  • 3.
    我们设计了两个由DOFS引导的自适应特征处理模块,即复杂度感知双分支路由(CADR)和复杂度引导的自适应融合(CGAF)。CADR使用图像级复杂度分数在主干网络中平衡频域增强与边缘结构建模,而CGAF利用空间复杂度和全局复杂度线索调节颈部网络中的跨尺度语义融合。
  • 4.
    在VSB-DET、OULU-DET和NEU-DET上的大量实验证明了TCA-Net在独立逐数据集训练和测试下的有效性和跨数据集适用性。所提方法分别实现了83.3%、64.6%和84.6%的平均mAP@0.5得分,相比YOLO11平均提升了5.2、5.6和4.5个百分点。结果与同一数据集上已报告的结果具有竞争力。消融研究、独立的复杂度分层评估和机制分析进一步验证了所提组件的贡献。

章节片段

木材表面缺陷检测

机器视觉长期以来被用于木材表面检测,因其快速、可重复且相对容易集成到生产线中。早期系统使用手工特征,如颜色线索、灰度统计、纹理描述符和灰度共生矩阵,并结合聚类、支持向量机或浅层神经网络来识别缺陷(Mahram, Shayesteh, Jafarpour, 2012, Qayyum, Kamal, Zafar, et al., 2016, Silvén, Niskanen,

方法概述

本文介绍了一种用于复杂纹理背景下缺陷检测的纹理复杂度自适应网络(TCA-Net)。在这些图像中,固定的增强策略可能放大背景纹理的响应,而无约束的特征融合可能削弱对细微缺陷的响应。TCA-Net将背景干扰表示为可测量的纹理复杂度,并使用由此获得的估计来控制主干网络的增强和颈部网络的融合。
如图2所示,输入图像被处理

数据集描述

我们在三个公开的缺陷检测数据集上评估所提方法:两个木材表面数据集VSB-DET(Kodytek et al., 2022)和OULU-DET(Luo et al., 2024b),以及一个钢材表面数据集NEU-DET(Song, Hu, & Yan, 2014)。木材数据集用于衡量在自然木材纹理背景下的性能,而NEU-DET则测试同一设计在不同材料的工业纹理上的表现。为保持一致性,我们将每个数据集按7:2:1的比例划分为训练集、验证集和测试集。
VSB-DET,

结论

本文提出了用于复杂纹理背景下木材表面缺陷检测的TCA-Net。DOFS模块使用Haar高频统计量从浅层特征构建空间复杂度图Q和图像级复杂度分数q。CADR使用q在主干网络中温和地重新加权频域增强与边缘结构建模,而CGAF使用Q和q调节颈部网络中的跨尺度语义融合。这些组件提供了复杂度条件下的特征处理

CRediT作者贡献声明

Ke Guo: 概念化、方法论、撰写——原稿。Yuli Zhang: 调查、撰写——审阅与编辑。Hong Zhang: 监督、项目管理、撰写——审阅与编辑。Haojie Li: 监督、项目管理、撰写——审阅与编辑。

利益冲突声明

作者声明他们没有已知的竞争财务利益或个人关系,这些关系可能影响本文所报告的工作。
Ke Guo|Yuli Zhang|Hong Zhang|Haojie Li
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号