综述：深度学习在木材图像分析中的应用：技术、挑战与趋势的系统性回顾（2015–2025年）

《JOURNAL OF INTELLIGENT MANUFACTURING》：Deep learning in wood image analysis: a systematic review of techniques, challenges, and trends (2015–2025)

本文系统综述了2015-2025年木材图像识别与缺陷检测的深度学习方法，基于PRISMA框架分析168篇文献，发现CNN占比73%且计算高效，Transformer精度达99.8%但成本高，提出多模态数据集对比及18维评估体系，并指导CAM与注意力热图在工业检测中的应用，指出标准化数据集和可解释性技术不足为挑战。

　　

摘要

本研究对用于木材图像识别和缺陷检测的深度学习（DL）方法进行了全面的系统综述，遵循PRISMA（系统评价和荟萃分析的优先报告项目）框架，整合了2015年至2025年间发表的168篇经过同行评审的文献。综述探讨了三个研究问题：模型架构的演变、预处理和分割的作用，以及阻碍实际应用的技术限制。卷积神经网络（CNN）由于其鲁棒性和计算效率仍然占据主导地位，占研究总数的73%；而基于Transformer的模型虽然仅占文献的12%，但准确率可达到99.8%，但需要更高的计算成本和更大的数据集。总体而言，DL模型的分类准确率在95%到99.8%之间，缺陷检测框架（如YOLOv5/v8）的mAP值超过95%，并且一些轻量级架构能够在边缘硬件上实现实时推理。本研究的一个关键创新之处是对RGB（红、绿、蓝）、NIR（近红外）、SEM（扫描电子显微镜）和高光谱数据集进行了跨模态比较，并整合了18个技术评估维度，涵盖数据集的真实性、分割可靠性、模型可解释性和部署可行性。为了解决普遍存在的可解释性不足问题，我们提供了将类别激活映射（CAM）和注意力热图集成到工业检测工作流程中的实用指导，使操作人员能够可视化影响模型决策的具体木材表面区域。持续的挑战包括缺乏标准化的基准数据集、可重复性有限，以及XAI（可解释AI）技术的应用较少。综述最后提出了研究方向，旨在开发更具通用性、可解释性和适合工业应用的DL系统，以实现自动化木材种类识别和质量评估。