《Forests》:Performance of Neural Networks in Automated Detection of Wood Features in CT Images
Tomá? Gerge?,
Ondrej Vacek,
Milo? Gejdo?,
Diana Zraková,
Peter Balogh and
Emil Je?ko
编辑推荐:
计算机断层扫描(CT)能够非破坏性地洞察原木内部结构,然而CT图像的完全自动化解译仍受限于标注不一致、边界模糊以及基于二维(2D)切片分析中空间上下文不足等问题。这些挑战制约了深度学习在木材质量评估中的工业部署。本研究将人工智能(AI)与深度学习应用于木材原木
计算机断层扫描(CT)能够非破坏性地洞察原木内部结构,然而CT图像的完全自动化解译仍受限于标注不一致、边界模糊以及基于二维(2D)切片分析中空间上下文不足等问题。这些挑战制约了深度学习在木材质量评估中的工业部署。本研究将人工智能(AI)与深度学习应用于木材原木计算机断层扫描图像的自动分析,用于检测内部定性特征并分割树皮。研究人员采用卷积神经网络(CNN),训练后的模型能够准确区分健康区域与受损区域,并分割树皮(包括不连续部分)。研究人员通过将连续切片合并为红-绿-蓝(RGB)格式,引入了一种新颖的伪空间表示方法,该方法提升了预测精度和模型在不同原木间的鲁棒性。为增强可解释性,研究人员使用梯度加权类激活映射(Grad-CAM)突出对缺陷检测贡献最大的区域,尤其是节子。基于S?rensen–Dice相似系数和混淆矩阵的综合评估,证实了所提方法在工业条件下的有效性。这些发现表明,AI驱动的CT图像分析能够解决当前原木分级工作流程中的关键限制,并为依赖木材的经济体提供更可靠、客观且可扩展的质量评估。
**研究背景与问题**
计算机断层扫描(CT)技术为木材加工工业提供了非破坏性洞察原木内部结构的能力,但当前完全自动化的CT图像解释面临显著瓶颈:标注标准缺失导致标签不一致、缺陷边界模糊、二维(2D)切片分析缺乏空间上下文信息。这些问题使得深度学习模型在实际工业部署中难以稳定运行,制约了木材质量评估的自动化进程。传统人工或半自动方法耗时且主观性强,亟需客观、可扩展的评估方案。本研究旨在应用人工智能(AI)与深度学习,解决CT图像中木材内部特征自动检测与树皮分割的关键挑战,提升工业场景下的鲁棒性与准确性。该论文发表在《Forests》。
**研究内容与结论**
研究人员采用卷积神经网络(CNN)架构,分别针对语义分割(树皮)和分类(缺陷有无)任务选用DeepLab v3+和Inception-v3模型。通过引入伪空间红-绿-蓝(RGB)表示方法(将连续三张灰度CT切片合并为彩色图像),模型获得了有限但有效的空间上下文,总体预测准确率从93.94%提升至95.39%,且对原木间变异更具鲁棒性。利用梯度加权类激活映射(Grad-CAM)可视化决策过程,证实分类器依赖节子、裂纹等结构性特征进行判断。S?rensen–Dice系数评估显示,树皮分割在增强训练集(加入不连续/不规则树皮样本)后显著改善。研究结论表明,AI驱动的CT分析可弥补当前原木分级流程的主要局限,实现更可靠、客观、可扩展的质量评估。
**主要关键技术方法**
研究使用来自LignoSilva卓越中心(斯洛伐克国家林业中心,Zvolen)的CT原木切片数据库(LIBROARBOR)。图像体素尺寸1 mm×1 mm×10 mm。训练集总计380张CT图像(含150张橡木原木切片、100张受损/不连续树皮、100张完整树皮及30张含节子切片)。标注由一名训练有素的操作者完成,经三位专家审核。采用DeepLab v3+(ResNet-50骨干网络)进行树皮语义分割,Inception-v3进行缺陷有无分类。训练在MATLAB R2024a环境中进行,使用NVIDIA RTX 4070 GPU加速,并应用随机旋转(1°–180°)和翻转进行数据增强。后续引入后处理规则(灰度值阈值>80的“外缘”像素重新分类为树皮)。伪空间RGB表示通过将连续三张切片分别编码为红、绿、蓝通道实现。
**研究结果**
**3.1 CT图像中的树皮检测**
初始DeepLab v3+模型在不连续/脱离树皮区域表现不佳。通过向训练集补充100张手动标注的不规则树皮图像后,分割性能显著提升。使用50张独立标注切片的验证集,S?rensen–Dice系数显示“木材”类精度最高,树皮类仍最具挑战性。后处理规则应用后,树皮Dice系数进一步改善。对比有无缺陷的图像子集,分割性能差异极小。未使用增强训练集时,树皮像素正确识别率低于50%,证明困难样本扩充的有效性。
**3.2 神经网络决策过程可视化**
采用Grad-CAM可视化缺陷定位。健康节子和不健康节子对应的热图准确突出内部木材区域,表明分类器依赖有意义的视觉线索。裂纹检测中,网络仅关注最显著部分,这与训练中排除贯穿髓心的小裂纹有关。错误案例分析显示:局部对比度放大导致伪影被误判为缺陷;位于原木中心的异常未被识别(训练集中不存在此类特征);髓心右侧节子未被检测(切片级分类器缺乏邻近切片上下文)。
**3.3 伪空间表示**
将连续三张灰度切片合并为RGB图像(1 cm间距),训练后总体预测准确率从93.94%提升至95.39%,每根原木的最小准确率从90%升至92%以上。缺陷类型分析显示,不健康节子、腐朽和裂纹因具有明显暗区而检测可靠性高,健康节子则因灰度变化微弱而识别困难。间距扩大至2 cm时准确率降至94.72%,表明过大间距导致非缺陷结构差异引入噪声。该融合方法本质上是三维(3D)信息的近似,而3D卷积神经网络(未测试)可能具有进一步改进潜力。
**总结与结论**
讨论部分指出,CT扫描已在全球木材加工工业初步部署(如MiCROTEC系统),但树皮分割因几何不规则和低对比度仍是难点;Grad-CAM验证了模型关注结构信号,但弱缺陷或跨切片不一致时易失败;工业可行性方面,初步GPU基准测试显示推理延迟符合切片级CT分析要求。未来方向包括采用3D CNN和建立标准化缺陷标注协议。
研究结论:深度学习可显著增强CT图像原木质量自动评估,基于Inception的分类器在有无缺陷判别中取得高准确率,伪空间RGB表示进一步提升了鲁棒性。Grad-CAM提供了可解释性洞察。区分健康与不健康节子对阔叶树仍具挑战,建议间接检测策略(标识所有其他特征后剩余区域视为节子)。当前系统应视为辅助技术,而非全自主检测方案。