《ADVANCED ENGINEERING INFORMATICS》：Computer vision-based prediction of quality and mechanical properties of wooden lamellae
编辑推荐：
本研究针对传统木条人工分选效率低、成本高的问题，开发了基于图像智能分析的自动化分选方法。通过构建包含5050张云杉木条图像的数据集，结合缺陷分割网络（Seg2Prop）与端到端深度学习模型（ResNet50/ViT），实现了质量等级（MOE/MOR）的精准预测。Seg2Prop模型分类F1分数达0.81，力学性能预测R2超0.58；ViT模型在端到端任务中表现最优。该研究为中小型锯木厂提供了低成本、高效率的工业解决方案，并验证了其在硬木（如山毛榉）上的迁移潜力。
在可持续建筑浪潮中，木材因其固碳特性成为关键材料，但全球需求激增对木材加工效率提出了更高要求。尤其在生产结构用集成材（GLULAM）时，需根据欧洲标准（如EN4074-1）对木条的弹性模量（MOE）和断裂模量（MOR）进行严格评估。传统人工分选速度仅能处理每分钟个位数木条，而现代锯木厂产能高达每分钟60-70根，人工检测已成瓶颈。现有自动化系统（如MiCROTEC的Goldeneye）虽精度高，但依赖多传感器融合，成本昂贵且难以集成到现有产线，导致中小型工厂仍依赖人工，制约行业升级。
为突破这一困境，瑞士联邦材料科学与技术研究所（Empa）的Julia Achatz团队在《ADVANCED ENGINEERING INFORMATICS》发表研究，提出两种基于彩色图像的轻量化AI方案。研究团队首先构建了涵盖2525根云杉木条（共5050张图像）的数据集，每根木条均通过四点弯曲试验实测MOE和MOR值，并依据DIN 4074-1标准标注三类质量等级（标准级N、工业级I、次品A）。在此基础上，他们设计了Seg2Prop管道模型与端到端深度学习模型两大技术路线。
关键技术方法包括：
- 1.
Seg2Prop模型：采用YOLOv8x分割网络检测木条表面8类缺陷（如活节、死节、树脂囊等），通过重组算法拼接跨区域缺陷，提取15维特征后输入梯度提升（Gradient Boosting）分类器与回归器；
- 2.
端到端模型：对比ResNet50卷积神经网络与视觉Transformer（ViT），引入自编码器引导（AEG）输入压缩技术，聚焦异常区域以提升模型注意力；
- 3.
跨物种验证：使用525根山毛榉木条（1050张图像）测试模型泛化能力，通过过采样应对类别不平衡问题。
3.1 Seg2Prop模型结果
缺陷分割模型在测试集上达到mAP@0.5为0.78，其中骨髓质检测精度最高（0.91），蓝变和腐朽类缺陷识别较弱。梯度提升分类器仅依赖分割特征时F1分数最优（0.81），显著优于纹理特征（GLCM）或规则分类器（0.65）。回归任务中，结合密度与分割特征的梯度提升模型对MOE和MOR的预测R2分别为0.58和0.61。误差分析表明，46.6%误分类源于分割错误，而假阳性检测（如误判腐朽）易导致质量评级降低。
3.2 端到端模型结果
ViT在AEG输入下表现最佳，验证集F1分数达0.75（测试集0.74），优于ResNet50（0.73）。部分微调骨干网络（PTB）策略普遍优于冻结骨干（FFB），且高分辨率输入（768×768像素）能提升CNN性能。回归任务中，基于ResNet50嵌入特征与密度结合的梯度提升模型对MOE/MOR预测R2最高（0.58/0.68），但测试集表现有所下降（MOE的R2=0.50）。
3.3 山毛榉分类结果
ViT在ImageNet预训练模型上对山毛榉质量预测F1分数为0.62（测试集0.54），优于云杉预训练模型，表明硬木缺陷特征与软木差异显著。模型对多数类别（LS13、拒收类）识别准确，但少数类（LS7、LS10）因样本不足易被误分。
4. 讨论与结论
Seg2Prop凭借可解释性（如特征重要性可视化）和高精度更适合需人工复核的场景，而端到端模型更易部署且ViT展现潜力。两者均显著降低成本，为中小锯木厂提供替代方案。研究局限性包括数据集规模有限、硬木样本不足，以及未涵盖反应木等复杂特征。未来工作将扩展数据集、引入多视角图像，并探索跨物种迁移学习机制。该框架为木材工业的智能化升级提供了兼顾精度、效率与适应性的技术路径。
