木材AI视觉分级：一家家具厂的改造实录

去年下半年，浙江南浔一家板式家具厂的老板找到我们。他们的工厂主要做实木餐桌、茶几和柜子，每天要处理约12立方米的实木板材——北美黑胡桃、白橡、红橡为主。生产流程里有一个环节一直让他们头疼：木材分等（木材分级，grade sorting）。

这个环节简单说就是：来料板材进厂后，质检师傅凭肉眼和经验给每块板子打等级——A级做桌面（外观面），B级做抽屉面板/侧板（半外观面），C级做内部结构件，D级切小料或报废。听起来简单，但实际执行中问题很大。

这篇文章记录我们是怎么一步步帮这家厂用AI视觉解决木材分等问题的。不讲虚的，只说做了什么、遇到了什么坑。

一、现场情况摸底

去了工厂，在分等工位蹲了两天。发现几个核心问题：

• 标准不统一：三个质检师傅对"A级"的理解不一样。一个认为"没有死节就是A"，另一个要求"颜色均匀无结也无矿物线"。同一批板材，三个人分等结果能差30%
• 疲劳导致漏检：师傅一天的检测量大约300-400片板材。每片1.2米×0.4米，一天盯着看下来，下午3点后漏检率明显上升。有两个老客户专门投诉过"桌面有节疤没看出来"
• 招工难：能看懂木材缺陷的师傅至少要3年经验。厂里现有的三位师傅平均年龄52岁，老了退休了后继无人
• 退货成本高：一块被客户退回的A级桌面板，因为有个漏检的活节被投诉，退回来只能降级做B级，差价损失约150元

老板说的一句话说得很实在："我损失的不是一块板子的钱，是客户的信任。那个客诉之后，那个客户下一批订单直接减半了。"

二、方案设计

目标很明确：在来料分等工位装一套AI视觉检测系统，自动完成板材分级，减少对人的依赖。

为什么选边缘AI而不是纯云方案

我一开始想过把高分辨率图像传云端去推理，但到现场一看就否了：车间里WiFi覆盖不完整，每个板子需要拍2400万像素的照片（木材缺陷需要很高分辨率才能看清），一天400片就是约20GB图像数据，全传云端根本不现实。边缘网关本地处理是唯一可行的路。

最终方案分三层：

采集层：线阵相机+特定光源

木材缺陷跟金属或塑料表面缺陷完全不同。金属表面用同轴光就能照亮，但木材需要特殊打光方案：

• 用线阵相机（而不是面阵相机）——板材是连续送料的，线阵相机逐行扫描，成像更均匀
• 光源用45度斜射白光LED条形灯，左右各一根——斜射光能把木材的纹理和凹凸缺陷（裂缝、凹坑）的阴影拉出来
• 额外加一根透射光（从板材下方往上打）——透射光能看清内部的腐朽、蓝变、树脂囊等内部缺陷
• 相机安装高度约80cm，拍摄精度约0.2mm/像素

这个打光方案是整个项目的基础。试过好几种灯——半球光（暗场模糊看不清细节）、同轴光（高光太强掩盖了纹理）、条形光角度不对（阴影太深，把正常纹理误判为缺陷）——最后才定下来这个方案。后面会细说每一个踩坑。

边缘层：边缘AI网关做本地推理

现场部署了一台边缘AI网关（标准型S200），负责：

• 接收线阵相机采集的板材图像（每张约8000×2000像素）
• 运行缺陷检测模型和等级分类模型
• 本地存储所有检测结果和图像
• 把结果推送到产线显示屏和产线管理系统
• 每小时上传一份汇总数据到云端

选择标准型S200的原因：需要6 TOPS的算力跑YOLOv8s的模型（1 TOPS的经济型跑不动8000宽的图），同时需要多路RS485接口对接现场的输送线和打标设备。

模型选型上试了三个方向，最终采用了两阶段方案：

1. 阶段一：目标检测（YOLOv8s）——检测出所有缺陷区域（节子、裂缝、树脂囊、变色、虫眼等），标注位置和类型
2. 阶段二：分级规则引擎——根据检出缺陷的数量、大小、位置、类型，结合预设的等级判定规则，输出最终等级（A/B/C/D）

为什么不直接用端到端分类模型？试过——ResNet50直接输出等级。问题在于：木材的等级判定标准不是端到端能学好的。"A级：允许最多2个直径≤5mm的活节，位置不在中心区域"——这种带空间逻辑的规则，分类模型学不明白。两阶段方案反而更可控：检测模型负责"看到什么"，规则引擎负责"怎么判"，各自针对性调优。

云端层：数据看板和追溯

一个比较简单的Web看板，展示：

• 今日检测量、各等级占比
• 每片板材的检测结果缩略图（标注了缺陷位置和等级）
• 等级分布历史趋势
• 缺陷类型分布统计
• 异常板子（降级/退货记录）的追溯查询

所有检测图像和结果在本地存3个月，云端存1年。方便客户投诉时回溯——"你说这块板子有问题，我们查一下当时的检测图片"。

三、实施过程

第一周：打光方案测试——踩了3个坑

打光是木材视觉检测中最麻烦的部分，没有之一。

坑1：条形灯光照角度

第一次装灯的时候，我按常规经验把条形灯装在相机两侧约30度角。结果拍出来的黑胡桃板子纹理阴影太深，活节和正常纹理几乎无法区分。后来把角度调到45度，阴影明显减少。但白橡木又不一样——白橡的纹理比黑胡桃粗，45度光又显得太平。最终方案是：根据不同木材品种预设不同的光照角度参数，输送线上加一个品种选择按钮。

坑2：透射光的位置

透射光装在输送带下方。但第一次装的时候透射光区域太小（只有30cm宽），板材宽的一面通过时，边缘部分透射光照不到，腐朽区看不见。后来换成了整条60cm宽的定制LED透射面板。

坑3：环境光的干扰

车间顶灯是日光灯管。白橡木板材检测的时候，顶灯的反光在板材表面形成高光条，被模型误判为"颜色异常"。解决办法很简单——在检测工位上方加了一个遮光罩。

第二周：样本采集和标注

木材缺陷标注远比想象中复杂。一个"节子"就有6种类型：

• 活节（sound knot）——跟周围木材结合紧密，允许少量存在
• 死节（dead knot）——已经松脱或即将掉落，必须标注
• 落节（loose knot）——节子已经掉了，剩一个洞
• 针节（pin knot）——极小（≤3mm）的节子
• 芽节（sprout knot）——正在生长的芽形成的节
• 腐朽节（rotten knot）——节子已经开始腐烂

光区分活节和死节就让标注团队头疼了好一阵——有些死节从表面看跟活节一模一样，只是周围有一圈变色环。最后定了一个标注规范：用探针轻戳，能戳动的才算死节，不能以视觉判断为准。

一共采集了约2000片板材的高清图像，标注了约15000个缺陷实例。这个数据量对工业检测来说不算大——但木材的多样性覆盖得还算全面（黑胡桃、白橡、红橡、樱桃木各约500片）。

第三周到第四周：模型训练和迭代

用YOLOv8s做训练，输入图像切成640×640的滑动窗口，步长320。训练集1400片，验证集300片，测试集300片。

第一个版本跑出来mAP@0.5有约0.82，看起来还行。但一放到现场跑，问题就来了。

问题1：过量检

模型把正常的木材纹理特征（矿物条纹、色斑）大量误判为"颜色异常"。白橡的木射线纹路特别明显，在模型看来跟裂缝很像。解决方式：在训练集里大量补充"正常但看起来异常"的负样本，让模型学会区分纹理和缺陷。

问题2：分级规则太死板

第一版规则引擎用的是简单的"A级：缺陷数≤2，且无死节/裂缝"。结果发现很多板子缺陷数量超标但缺陷都在边缘（后期切边能切掉），却被判了B级。后来改了规则：缺陷按区域加权——中心区域（最终成品会保留的区域）的缺陷权重是边缘区域的3倍。

教训：木材分等最终是个"业务规则"问题，不是纯视觉问题。视觉检测做到80分，剩下20分靠规则引擎调优。

第五周：联调上线

联调阶段出现了最大的意外——输送线速度波动。输送带的实际速度跟设定值差了约5-8%，导致线阵相机采集的图像被拉伸或压缩，缺陷尺寸计算偏差较大。

解决方案：在输送线上加了一个编码器，实时测量输送带的实际速度，同步给相机做触发信号。这样无论速度怎么波动，每行像素对应的物理尺寸保持一致。

另一个小问题：打标设备（用喷码机在板材侧面打等级标记）的触发延迟。从边缘网关输出"等级B"到喷码机实际喷上去，有约300ms的延迟，导致喷码位置偏差了几厘米。后来加了延时补偿参数。

四、实际效果

系统上线运行了3个多月后，我们和厂里一起做了个复盘。

也有几个没能解决的问题：

• 木材湿度的影响：梅雨季木材含水率高了3-5个百分点，颜色变深，模型检出率下降约5%。需要补充高湿度样本重新训练。
• 新品种适应：工厂第三个月进了一批樱桃木，模型从来没训练过，误报率飙升。临时让师傅手动分级，同步采集样本，花了约一周补充训练才稳定。
• 切边预测精度：我们尝试让模型在分等的同时预测"最佳切边方案"（即怎么切掉缺陷区域后留下的板材面积最大）。这个功能准确率只有约60%，离实用还有距离。

五、踩坑汇总

整个项目跑下来，踩了这些坑，记录一下：

1. 打光方案不要一次定型，必须到现场试——不同木材品种、不同厚度、不同含水率，光照方案都要微调
2. 负样本比正样本重要——"看起来像缺陷的正常纹理"是最大的误报来源，要花精力收集
3. 输送线精度比相机精度更重要——编码器是必须的，不要省
4. 分级规则要跟业务跑几周才能定——我们改了三版规则，每次都是跟厂长、质检主管、三个师傅一起讨论后才定下来
5. 新品种需要快速适应机制——工厂不可能只用固定几种木材，要预留快速标注+增量训练的流程
6. 现场环境光要考虑——车间顶灯、窗户进来的阳光、甚至不同季节的日照角度，都会影响检测一致性
7. 不要低估标注难度——木材缺陷的标注非常主观，三个师傅自己都吵过几次"这个是活节还是死节"

六、我的思考

这个项目让我对"AI+传统制造"这事儿有了新的认识。

AI不是取代人，是帮人提升判断一致性。在这个项目里，三个师傅仍然在岗——AI会标记"有疑问"的板子让师傅复核，师傅的经验用来优化规则引擎。人机协作比纯自动更靠谱。

家具行业做AI视觉的难点不在模型，在工艺。打光方案、输送线同步、品种切换、湿度补偿——这些环节花的精力是模型训练的3倍以上。但如果这些环节不做扎实，模型再先进也白搭。

木材可能是视觉检测里比较难的材料之一。不像金属、塑料、陶瓷这些人工材料有固定的表面特征，木材每块都不一样——同一种树、同一批板材，纹理、颜色、缺陷分布天差地别。模型需要很强的泛化能力，数据采集阶段就要尽量覆盖各种变体。

最让我意外的是：厂长说最有价值的功能不是分等，而是追溯。"以前客户回来投诉，我只能说不好意思退钱。现在我可以调出当时那张板子的检测图像，跟客户解释——这块板子出库时是A级，但客户在加工过程中把表面磨薄了，露出了内部的活节。这不是我们的问题。"这一点完全在我做方案设计时预料之外。

更多案例和实际项目经验分享，可以在 www.bycims5g.cn/cases/ 上找到。

七、经验总结

如果你也在考虑做木材或类似自然材料的AI视觉检测，给几个实在的建议：

1. 先做打光测试再做模型——打光不好，模型怎么学都没用。花2-3天在现场试不同角度和亮度的光源
2. 负样本库持续维护——上线后前两个月，定期检查模型的误报，把新的"看起来像缺陷但其实是正常纹理"的样本加入训练集
3. 分级规则跟业务部门一起迭代——不要让算法工程师独自定规则，质检主管和厂长必须参与
4. 留好手动接管的通路——模型不确定的板子要能一键转人工复核，别搞"自动驾驶"式的全自动
5. 追溯功能可能是意外的高价值点——很多客户投诉不是因为板子真的有问题，而是无法证明"出厂时没问题"

整个项目的完整代码、模型训练脚本、标注规范和部署文档，我整理在项目文档里了，留给厂里后续维护使用。遇到类似问题也欢迎交流。