基于深度学习的木板表面缺陷识别开题报告

全文总字数：2963字

1. 研究目的与意义

森林是陆地生态系统的主体，对改善生态环境、维护生态平衡起着决定性的作用；森林又是人类发展不可或缺的重要自然资源，对社会经济的可持续发展具有极其重要的战略意义。

人类充分利用森林提供的木材资源创建了文明社会，但如今却发现木材资源并非取之不尽、用之不竭。

为使有限的木材资源得到充分合理的利用，人们一直致力于研究优化的方法和技术，以获得最大限度的木材有效利用率。

2. 国内外研究现状分析

目前，计算机领域的研究人员主要研究兴趣集中在人脸、指纹、dna等生物特征以及视频图像中物体的识别等方面，针对自动木材缺陷识别的研究却没有引起足够的重视，很多研究者认为木材是一种常见的而低价值的材料，对其研究意义不大，事实上，只要少许地提高木材的利用率，所产生的经济价值将是十分巨大的，而且对木材缺陷识别研究的新理论、新方法、新技术也可以推广到其他应用领域。

木材缺陷识别研究较少的主要因为是我国木材种类繁多，且木材缺陷具有多种不同的分布规律，训练集选取较为困难，数据处理复杂，工作量比较大，并且难以达到实际生产中的严格要求。

然而，随着深度学习、模式识别技术的飞速发展和理论的日趋完善, 使得用机器来模拟人完成木材表面缺陷的智能检测逐渐成为可能。

3. 研究的基本内容与计划

1、从一些研究性网站、机构等处收集大量的木材图像，建立检测和识别过程中所需的木材图像库，并通过查阅相关资料（图书和国际国内论文等），对我国木材缺陷的种类、质地和纹理分布情况进行有关认识和了解。

此外，需要对已初步掌握的有关深度学习（deep learning）分类的基本原理和若干分类工具箱进行进一步熟悉和了解，为缺陷检测和识别过程中所需要掌握和使用的背景知识做好准备。

预计时间：2017年3月3日2017年3月31日2、通过前一阶段的知识储备了解到：由于卷积神经网络（convolutional neural network,cnn）每一层对图像进行二维的卷积运算，所以与传统的木材表面缺陷检测方法相比，不需要借助复杂的特征提取技术提取木材表面的纹理特征信息。

4. 研究创新点

1、运用深度学习的方法对木材实现具体的缺陷种类分类。

目前国内外运用卷积神经网络的方法对缺陷分类到3大类（结疤、压痕、无损），但是没有对木材具体的缺陷种类分类。

2、把非监督式预训练首次运用在木材缺陷识别上，验证其两个优点（抑制过拟合、少量样本时更好的初始化权值的）在木材缺陷图像上的适用性。