《Forests》:Integrating Sentinel-2 and MODIS BRDF Imagery to Invert Canopy Fractional Vegetation Cover for Forests and Analyze the Corresponding Spatio-Temporal Evolution
Zhujun Gu,
Jia Liu,
Qinghua Fu,
Xiaofeng Yue,
Guanghui Liao,
Jiasheng Wu,
Yanzi He,
Xianzhi Mai,
Qiuyin He and
Quanman Lin
编辑推荐:
本研究旨在解决传统木材CT影像人工判读存在的主观性、不一致性和效率低下等工业级应用瓶颈。研究人员将人工智能和深度学习技术应用于木材CT影像的自动化分析,针对内部缺陷(如木节、裂纹和腐朽)的检测和树皮分割开展研究。他们创新性地采用了一种将连续切片合并为RGB格式的伪空间表征方法,并结合卷积神经网络(CNN)进行训练。结果表明,该方法显著提升了缺陷检测的分类精度和模型鲁棒性,并利用梯度加权类激活映射(Grad-CAM)提高了模型决策的可解释性。这项工作为木材加工行业实现更可靠、客观和可扩展的质量评估提供了关键技术支撑。
木材工业的精密化发展对原材料内部质量的快速、准确评估提出了迫切需求。在木材加工业中,原木内部结构的清晰“透视”是决定其产品价值和加工工艺的关键。裂纹、木节、腐朽等内部缺陷犹如木材的“暗疾”,传统上依赖人工肉眼或专业技师判读计算机断层扫描(CT)图像,不仅耗时费力,更面临着主观性强、不同操作者间一致性差等固有局限。这些限制使得开发一种客观、可扩展、可复现的自动化评估方法成为行业亟待解决的痛点。近年来,人工智能(AI),特别是深度学习领域的飞速进展,为自动化处理工业图像数据开启了新的机遇。将卷积神经网络(CNN)应用于原木CT扫描分析,被认为是向自动化、高分辨率解读木材内部结构,实现实时决策、降低人为差异的自然演进路径。
本研究聚焦于将神经网络用于CT扫描原木的内部特征检测,旨在开发适用于真实工业条件下的实用解决方案。研究发表在《Forests》期刊上,其首要贡献是引入并评估了一种“伪空间RGB表征”方法。该方法将三张连续的灰度CT切片合并为一张彩色图像,这种简单而有效的方法为分类器提供了额外的空间上下文信息,而不需要复杂的三维架构,从而显著提高了模型的鲁棒性和检测精度。次要贡献是通过在训练数据集中增加具有挑战性的不规则树皮案例,实现了对树皮的增强分割。此外,研究还利用梯度加权类激活映射(Grad-CAM)来解读模型预测并定位缺陷相关区域,增加了方法的透明度和可解释性,为其工业部署提供了支持。
为开展研究,作者团队主要采用了以下几项关键技术:1. 使用来自斯洛伐克国家森林中心LignoSilva卓越中心的CT扫描数据库(LIBROARBOR)进行神经网络训练。2. 采用了两种CNN架构:利用DeepLab v3+进行边界敏感的树皮语义分割,利用Inception-v3进行关注全局特征的缺陷分类。3. 引入了“伪空间RGB表征”的预处理方法,将连续三张CT切片分别编码到RGB通道以增强空间信息。4. 运用Grad-CAM技术对分类器的决策过程进行可视化,提高模型的可解释性。5. 在MATLAB环境中,通过Image Labeler应用程序和自定义界面完成对CT图像的标注、分类和数据准备。
研究结果:
3.1. CT图像中的树皮检测
研究初期,经过训练的DeepLab v3+神经网络在树皮不连续、部分脱落或缺失的区域表现不佳,常将非树皮像素误分为树皮。通过向训练数据集额外增加100张包含不连续或不规则树皮的手动标注CT图像后,模型的分割性能,特别是在处理不连续树皮时,得到了显著提升。通过S?rensen-Dice相似系数(Dice)评估,结果表明“木材”类分割准确率最高,而“树皮”类由于几何形状不规则、与木材边界对比度低,分割最具挑战性。为修正边界误分类,应用了一项简单的后处理规则:将CT强度高于80(校准后)的原“外围”像素重新分类为树皮,这有效提升了分割性能。最后,对比实验证实,若仅使用原始数据集而不加入具有挑战性的树皮示例,树皮分割准确率会急剧下降,正确识别的树皮像素不足50%。
3.2. 神经网络决策过程的可视化
研究使用Grad-CAM技术分析了分类器的决策依据。结果显示,对于健康和不健康的木节,Grad-CAM能正确高亮出相关的内部木纹区域,表明分类器依赖于有意义的视觉特征而非噪声或伪影。对于裂纹,Grad-CAM显示网络仅聚焦于缺陷最显著的部分,这与训练时未将非常细小的裂纹(尤其是穿过髓心的裂纹)标注为正样本有关。研究还分析了错误预测的案例,例如将伪影误判为缺陷,或未能识别出训练集中未出现的罕见异常。
3.3. 伪空间表征
为克服简单迁移学习中灰度图像(三通道复制)无法提供额外空间信息的局限性,研究引入了伪空间RGB表征方法。该方法将三张连续的CT切片分别编码到RGB通道,合成为一张彩色图像。在合成的彩色图像中,存在缺陷(切片序列有差异)的区域会呈现出彩色的“光晕”效应,这可能有助于网络识别。实验结果表明,使用这种RGB编码图像进行训练后,模型的整体预测准确率从93.94%提升至95.39%,并且对不同原木的预测稳定性也有所提高。当尝试使用间隔更远(2厘米)的切片进行RGB融合时,准确率(94.72%)虽高于纯灰度方法,但低于1厘米间隔,表明切片间隔过大会因结构差异过大而失效。研究还发现,缺陷检测的准确性与人类识别难度相关,不健康木节、腐朽和裂纹等对比度高的缺陷更容易被网络检测。
研究结论与讨论:
本研究表明,深度学习方法可以显著增强CT影像中原木质量的自动评估能力。基于Inception的分类器能够高精度地区分有缺陷和无缺陷的图像,而通过将连续灰度切片合并为RGB图像引入伪空间信息,进一步提升了其性能,增加了模型应对原木间差异的鲁棒性。Grad-CAM可视化证实了分类器在检测木节和裂纹时依赖有意义的图像结构信息,为模型决策提供了可解释的洞察。
然而,研究也揭示了当前方法的局限性。准确分割硬木(如橡木)中的健康木节依然是一项挑战,因为它们与周围健康木材的边界模糊、过渡平滑。相比之下,不健康木节因颜色更深而更容易检测。如果健康木节的精确边界分割被证明不可靠,一种可行的替代策略是先检测所有其他内部特征,再将剩余区域归类为木节材质。此外,树皮分割由于几何形状不规则、密度多变以及在许多硬木中部分脱落,依然是分割任务中最具挑战性的一类,这与CT在其他工业及生物医学应用中遇到的低对比度界面分割困难相吻合。
未来的研究方向应包括:改进标注一致性、增加缺陷样本的多样性和数量(特别是稀有缺陷类型),以及采用能够处理三维空间信息的网络架构(如三维卷积神经网络或混合2.5D架构)。尽管本研究所呈现的系统目前应被视为一种辅助技术,而非全自主检测方案,但它为实现自动化的CT原木评估迈出了坚实的一步,并已具备在工业条件下支持或部分自动化内部缺陷检测的潜力。这对于严重依赖木材生产的经济体实现更高效的资源利用、更高的产品出材率和更强的经济竞争力具有直接而重要的实践意义。