基于改進(jìn)YOLOv8模型的木材缺陷檢測(cè)

關(guān)鍵詞：木材檢測(cè)；深度學(xué)習(xí)；損失函數(shù)；條件卷積；特征融合；YOLOv8；缺陷識(shí)別 中圖分類號(hào)：TP391.41 文獻(xiàn)標(biāo)識(shí)碼：A DOI：10.7525/j.issn.1006-8023.2025.04.010

Abstract：Tosolvetheproblemthatthetargetdetectionalgorithmisprone toleakageandlacksdetectionaccuracy ndetecting wood surface defects，this paper proposes an improved YOLOv8 model（YOLOv8-CBW，C，Band Ware abbreviations for CondSiLU，BiFPNand Wise-IoU）and constructs aself-made dataset containing various wood defects.Byoptimizing theoriginal YOLOv8 algorithmandcombining CondConv（conditional convolution）with SiLU（sigmoidweightedlinearunit）to formtheCondSiLUmodule insteadofthetraditionalconvolutionmodule，theflexibilityoffeature extraction is improved;the bidirectionalfeature pyramid network（BiFPN）is introduced toenhancethe multi-scale feature fusioncapability；andthe Wise-IoU（weighted intersection over union）loss functionreplaces the CIoU（complete intersectionoverunion）to improvetheadaptabilityand generalizationperformanceof the model tolow-qualitysamples. The experimental results show that the improved YOLOv8-CBW model improves the mAP5O（mean average precision at IoU threshold O.5O）and mAP50-95（mean average precision over IoU thresholds from 0.50 to 0.95）by 3.7% and （204號(hào) 3.9% ，respectively，compared with the YOLOv8 model，and it shows higher precision and stability in complex wood defectdetectiontasks.Theresearch in this paper provides new ideasfor wood defectdetection tasksand has good practical application prospects.

Keywords：Wood detection；deep learning；loss function；conditionalconvolution；feature fusion；YOLOv8；defect identification

0 引言

木材作為一種重要的可再生資源，具有重要的生態(tài)價(jià)值1和經(jīng)濟(jì)價(jià)值。木材表面缺陷檢測(cè)是現(xiàn)代木材加工產(chǎn)業(yè)中的關(guān)鍵技術(shù)之一，能夠通過自動(dòng)化手段檢測(cè)出裂縫、腐壞和死節(jié)等木材缺陷[2]，為木材質(zhì)量評(píng)估和分類提供技術(shù)支持，因此研究基于深度學(xué)習(xí)的木材缺陷檢測(cè)技術(shù)對(duì)提高我國(guó)木材加工產(chǎn)業(yè)的技術(shù)水平具有重要意義。

一般的深度學(xué)習(xí)網(wǎng)絡(luò)模型在處理木材表面缺陷這種含有多尺度特征的復(fù)雜場(chǎng)景時(shí)存在一定的局限性[3]。近些年來，隨著目標(biāo)檢測(cè)技術(shù)的不斷發(fā)展，基于深度學(xué)習(xí)的木材表面缺陷檢測(cè)技術(shù)在應(yīng)對(duì)多特征環(huán)境時(shí)，其檢測(cè)精度和速度均有了顯著的提升。其中，曹永鑫等[4]提出了基于YOLOv5改進(jìn)的YOLOv5-LW（light-weightwood）模型，結(jié)合骨干網(wǎng)絡(luò)與ECA（efficientchan-nelattention）注意力機(jī)制，增強(qiáng)模型對(duì)關(guān)鍵信息的關(guān)注能力。同時(shí)，融入特征融合網(wǎng)絡(luò)MBiFPN（modifiedbi-directionalfeaturepyramidnetwork），減少了特征損失，還豐富了局部和細(xì)節(jié)特征，但檢測(cè)速度明顯下降，且由于ECA注意力機(jī)制在小目標(biāo)檢測(cè)上的精度問題，在檢測(cè)細(xì)小木材缺陷方面，精度達(dá)不到生產(chǎn)要求，無法進(jìn)一步推廣；王正等5基于YOLOv7模型的木材缺陷檢測(cè)算法改進(jìn)，通過將ECA注意力機(jī)制與二級(jí)殘差網(wǎng)絡(luò)0 Res2Net. ）相結(jié)合，構(gòu)建了ECA-Res2Net模塊，有效提升了網(wǎng)絡(luò)對(duì)特征的提取能力，但對(duì)于小目標(biāo)檢測(cè)效果仍不夠理想，檢測(cè)精度不足以滿足工業(yè)生產(chǎn)的需求，且檢測(cè)速度較慢，無法滿足實(shí)時(shí)性的要求。綜合以上問題，本研究采集大量的木材表面缺陷圖像制作了木材缺陷檢測(cè)數(shù)據(jù)集，并提出了一種基于改進(jìn)YOLOv8的木材表面缺陷檢測(cè)算法（YOLOv8-CBW， C，B，W 分別為CondSiLU、BiFPN、Wise-IoU的縮寫）。首先設(shè)計(jì)了新的CondSiLU模塊[，通過動(dòng)態(tài)調(diào)整卷積核，提高模型在不同木材缺陷檢測(cè)的適應(yīng)能力。其次，引入雙向特征金字塔網(wǎng)絡(luò)（bidi-rectional featurepyramidnetwork，BiFPN）[7]，增強(qiáng)了模型對(duì)于木材這類多特征目標(biāo)的多尺度特征融合能力。最后，重構(gòu)了檢測(cè)頭，引人Wise-IoU[8來取代CIoU（com-plete-IoU（intersectionoverunion）），通過損失關(guān)注機(jī)制提高了模型對(duì)低質(zhì)量樣本的泛化性。

1 研究方法

1.1 算法改進(jìn)內(nèi)容

針對(duì)當(dāng)前木材表面缺陷檢測(cè)效果不佳的問題，本研究在YOLOv8的基礎(chǔ)上，設(shè)計(jì)了YOLOv8-CBW模型，網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。算法具體改進(jìn)如下。

1）設(shè)計(jì)CondSiLU模塊取代原有的ConvModule（convolutionalmodule）卷積模塊，提高圖像特征提取效率。

2）頸部引入BiFPN通過加權(quán)特征融合機(jī)制，調(diào)節(jié)不同樣本權(quán)重，提高多尺度特征提取性能。

3）將檢測(cè)頭的損失函數(shù)替換為Wise-IoU，提高模型對(duì)于低質(zhì)量樣本的檢測(cè)能力。

1. 2 CondSiLU模塊

針對(duì)在木材表面缺陷檢測(cè)中，缺陷的尺度變化較大。ConvModule模塊卷積層中的固定卷積核，在處理多尺度特征時(shí)很容易丟失一些細(xì)節(jié)或過于關(guān)注某個(gè)尺度的信息[9]。鑒于ConvModule卷積層的這種問題，本研究在CondConv模塊的基礎(chǔ)上設(shè)計(jì)出了CondSiLU（conditional convolution with SiLU Activation）模塊來代替YOLOv8模型里的ConvModule模塊。CondConv模塊通過引人條件參數(shù)（根據(jù)輸人特征動(dòng)態(tài)生成的卷積核），來替代傳統(tǒng)卷積中的固定卷積核。上一層模塊的輸出結(jié)果，同時(shí)作為本模塊的輸入，通過計(jì)算權(quán)重函數(shù)計(jì)算不同卷積核的權(quán)重，從而對(duì)每一個(gè)輸人生成專屬的卷積核組合。結(jié)果通過組合的卷積核對(duì)輸入的數(shù)據(jù)進(jìn)行卷積得到[10]。最后再進(jìn)行歸一化處理和激活函數(shù)即可得到CondConv模塊的輸出結(jié)果。CondConv模塊使用的是ReLU（rectified linear unit）激活函數(shù)[11]，雖然可以解決梯度消失的問題，但是當(dāng)輸入結(jié)果為負(fù)時(shí)，其產(chǎn)生的梯度為零。而 SiLU（sigmoid-weighted linearunit）函數(shù)在輸入為負(fù)時(shí)，SiLU的輸出結(jié)果也可以非負(fù)，因此使用SiLU函數(shù)代替ReLU函數(shù)可以提高模塊反向傳播階段的性能。本研究使用SiLU函數(shù)來作為Cond-Conv模塊的激活函數(shù)，設(shè)計(jì)了新的CondSiLU卷積模塊。由于CondConv模塊原本針對(duì)木材表面缺陷這類特征尺度變化大的場(chǎng)景要比普通卷積具有更好的適用性，并且本研究設(shè)計(jì)的CondSiLU模塊由于激活函數(shù)的修改，增強(qiáng)了其反向傳播性能，因此該模塊適用于木材表面這類復(fù)雜的缺陷識(shí)別任務(wù)，能夠提升木材缺陷檢測(cè)模型的整體性能。改進(jìn)后的CondConv模塊結(jié)構(gòu)如圖2所示。

1.3 雙向特征金字塔網(wǎng)絡(luò)（BiFPN）

在目標(biāo)檢測(cè)任務(wù)中，網(wǎng)絡(luò)的頸部（Neck）結(jié)構(gòu)對(duì)于多尺度特征融合至關(guān)重要.YOLOv8網(wǎng)絡(luò)中使用路徑聚合網(wǎng)絡(luò)（pathaggregationnetwork，PANet）[i2]來實(shí)現(xiàn)特征圖的多尺度融合。與單向的、自上而下的特征金字塔網(wǎng)絡(luò)（featurepyramidnetworks，F(xiàn)PN）[13]不同，PANet為雙向通路網(wǎng)絡(luò)，通過自上而下和自下而上的路徑對(duì)多層特征圖進(jìn)行融合，使得高層次特征圖可以包含更多的低層細(xì)節(jié)信息。然而，PANet在融合時(shí)僅進(jìn)行簡(jiǎn)單的特征連接，沒有引入特征融合的權(quán)重調(diào)節(jié)機(jī)制。如果底層特征信息不足或者丟失，這種方法就可能會(huì)降低檢測(cè)精度。

谷歌團(tuán)隊(duì)在前人特征融合研究的基礎(chǔ)上，提出了一種新的模型EfficientDet（efficient objectdetection），該架構(gòu)在頸部提出了一種高效的雙向特征金字塔網(wǎng)絡(luò)，如圖3所示（P3一P7為BiFPN輸入的特征層，由于

P1（經(jīng)過一次卷積的特征層）和P2（經(jīng)過兩次卷積的特征層）的分辨率太高，計(jì)算成本太大，因此選擇從P3作為輸入）。BiFPN在特征融合方面表現(xiàn)出更高的靈活性。采用雙向的特征融合路徑，能夠?qū)崿F(xiàn)自上而下和自下而上的特征雙向流動(dòng)，從而更全面地整合不同層級(jí)的特征信息。

同時(shí)BiFPN的設(shè)計(jì)簡(jiǎn)化了一些不必要的特征融合路徑，僅保留了中間最有效的融合路徑[14]，而省去了邊緣對(duì)網(wǎng)絡(luò)整體性能影響較小的節(jié)點(diǎn)，進(jìn)而簡(jiǎn)化雙向網(wǎng)絡(luò)，提高了特征融合的速度。針對(duì)不同的木材缺陷尺寸差距較大的問題，BiFPN采用快速歸一化融合的方式來平衡不同特征之間的權(quán)重占比，從而減少了因?yàn)樘卣鞒叽绮町惗斐傻恼`檢以及漏檢。

1.4 Wise-loU損失函數(shù)

在檢測(cè)木材表面缺陷時(shí)，損失函數(shù)的選擇對(duì)模型的精度和檢測(cè)效率至關(guān)重要[15]。為了進(jìn)一步提高模型在應(yīng)用時(shí)的檢測(cè)精度，本研究使用Wise-IoUv3損失函數(shù)替代原模型中的 CIoU^[16] 損失函數(shù)，通過引入離群度來動(dòng)態(tài)分配梯度增益，從而增強(qiáng)了模型對(duì)于低質(zhì)量樣本的泛化性和適用性。Wise-IoUv1的計(jì)算公式為

式中： L_WIoUv1 為Wise-IoUv1的最終損失值; I_oU 為傳統(tǒng)損失函數(shù)的交并比; x 和 y 為坐標(biāo)預(yù)測(cè)框中心點(diǎn)的值； x_gt 和 y_gt 代表實(shí)際框的中心點(diǎn)坐標(biāo)； W_g 和 H_g 分別為封閉框的寬和高； W_i 和 H_i 表示預(yù)測(cè)邊界框的寬和高。Wise-IoUv1示意圖如圖4所示。

Wise-IoUv3的計(jì)算過程如下。

離群度公式為

式中： _;β 為離群度； L_IoU^* 為基準(zhǔn)IoU損失； L_IoU 為當(dāng)前樣本的 IoU 損失。

動(dòng)態(tài)權(quán)重公式為

式中： r 為動(dòng)態(tài)權(quán)重，用于調(diào)整Wise-IoUv3的損失值；8和 α 為超參數(shù)，用于控制權(quán)重的變化趨勢(shì)，當(dāng) β 較大時(shí)， r 會(huì)減小，從而降低離群點(diǎn)對(duì)模型訓(xùn)練的負(fù)面影響。當(dāng) β 較小時(shí)，說明樣本點(diǎn)為正常點(diǎn)， r 會(huì)增大，增強(qiáng)正常樣本對(duì)模型訓(xùn)練的貢獻(xiàn)。

Wise-IoUv3計(jì)算公式為

L_wloUv3=rL_wIoUv1°

式中， L_WIoUv3 為Wise-IoUv3的最終損失值。

Wise-IoUv3的定義與Wise-IoUv1類似，但是引入了離群度 β ，離群度高表明樣本的質(zhì)量較差，此時(shí)分配較小的梯度增益來減少對(duì)低質(zhì)量樣本的關(guān)注。當(dāng)離群度較低的時(shí)候，說明樣本本身質(zhì)量較高，分配的梯度增益也會(huì)相應(yīng)的增加。這種方法的 IoU^[17] 損失可以根據(jù)描框到目標(biāo)框中心點(diǎn)的距離進(jìn)行調(diào)整[18-19]。因此，這一方式提高了模型對(duì)于樣本的泛化性。

2 試驗(yàn)與分析

2.1試驗(yàn)環(huán)境與訓(xùn)練參數(shù)

本次試驗(yàn)使用Pytorch1.11.0框架和CUDA11.6進(jìn)行訓(xùn)練，試驗(yàn)平臺(tái)信息見表1。在模型的訓(xùn)練階段中，不使用預(yù)訓(xùn)練權(quán)重，批處理大?。╞atchsize）為16，初始學(xué)習(xí)率設(shè)定為0.01，輸入圖像的分辨率設(shè)置為640×640 像素，模型優(yōu)化方法選用的是隨機(jī)梯度下降（SGD），總訓(xùn)練輪數(shù)（epoch）為200，工作線程數(shù)（work-ers）設(shè)為8，其余參數(shù)均保持默認(rèn)配置。

2. 2 數(shù)據(jù)集

本研究通過走訪多家木材加工企業(yè)以及本研究項(xiàng)目基金服務(wù)的木材加工企業(yè)，使用手機(jī)拍攝，共采集了多種木材缺陷圖像2665張，所有木材均為原木切割且未經(jīng)其他方式處理獲得。為了保證數(shù)據(jù)采集的一致性，本研究在木材缺陷圖像采集中采用了統(tǒng)一的拍攝標(biāo)準(zhǔn)和環(huán)境控制措施。所有木材缺陷圖像均在光照均勻的室內(nèi)環(huán)境下拍攝，背景為中性顏色，以減少環(huán)境變化帶來的干擾。同時(shí)，拍攝時(shí)保持手機(jī)攝像頭與木材表面垂直，拍攝距離控制在 50cm 左右，盡量確保樣本質(zhì)量的一致性。此外，所有圖像均使用同一型號(hào)的手機(jī)拍攝，以減少設(shè)備差異帶來的影響。在數(shù)據(jù)處理環(huán)節(jié)，對(duì)所有圖像進(jìn)行了尺寸標(biāo)準(zhǔn)化（ 640×640 像素）和顏色歸一化操作，進(jìn)一步提高了模型對(duì)復(fù)雜檢測(cè)場(chǎng)景的適應(yīng)能力。

在以上數(shù)據(jù)的基礎(chǔ)上，本研究又從捷克的奧斯特拉發(fā)理工大學(xué)[20]在2022年更新的大規(guī)模木材表面缺陷圖像的公開數(shù)據(jù)集中，選擇了592張圖像。為了驗(yàn)證采集環(huán)境和設(shè)備差異對(duì)模型性能的影響，將數(shù)據(jù)集按采集來源分為2組：手機(jī)拍攝數(shù)據(jù)集和公開數(shù)據(jù)集，分別訓(xùn)練和測(cè)試改進(jìn)后的YOLOv8-CBW模型。試驗(yàn)結(jié)果表明，2組數(shù)據(jù)集的平均精度（mean average preci-sion，mAP）指標(biāo)差異在 1.5% 以內(nèi)，說明設(shè)備或環(huán)境帶來的差異對(duì)模型性能影響較小，這進(jìn)一步驗(yàn)證了本研究數(shù)據(jù)集的一致性和模型的泛化能力。經(jīng)過測(cè)試發(fā)現(xiàn)，由于原始數(shù)據(jù)集的樣本量較小，在檢測(cè)模型的訓(xùn)練過程中會(huì)出現(xiàn)模型過擬合的問題。為了避免過擬合問題，對(duì)原始數(shù)據(jù)進(jìn)行了數(shù)據(jù)增強(qiáng)，增強(qiáng)手段包括對(duì)原始數(shù)據(jù)進(jìn)行旋轉(zhuǎn)、高亮以及裁切。增強(qiáng)后的數(shù)據(jù)集共包含8194張圖像。將數(shù)據(jù)集按照8：1：1劃分為訓(xùn)練集、驗(yàn)證集、測(cè)試集。本研究的數(shù)據(jù)集具有的細(xì)節(jié)見表2。數(shù)據(jù)集包含的缺陷類型：活結(jié)、死結(jié)、帶有縫隙的結(jié)、樹髓、裂縫、腐爛，如圖5所示。

2.3 評(píng)價(jià)指標(biāo)

為了公正評(píng)估所提模型在木材缺陷檢測(cè)中的表現(xiàn)，本研究試驗(yàn)部分采用的性能指標(biāo)包括精確率（pre-cision，P） 、召回率 （recall，R） 、平均精度均值（mean av-erage precision， mAP ，式中記為 m_AP 以及模型的計(jì)算量（GFLOPs）。評(píng)價(jià)指標(biāo)計(jì)算公式為

式中： T_P （truepositive）代表模型正確預(yù)測(cè)為正例的數(shù)量； F_P （1positive）表示模型錯(cuò)誤預(yù)測(cè)為正例的誤報(bào)數(shù)量； F_N （1negative）則是模型未能檢測(cè)到的漏檢數(shù)量。

式中： A_P 為單個(gè)目標(biāo)類的平均精度； m_AP 為所有目標(biāo)類平均精度的平均值， m_AP 越接近1，表示模型的性能越好，檢測(cè)精度越高。

2.4 試驗(yàn)結(jié)果

2.4.1 消融試驗(yàn)

為了驗(yàn)證各改進(jìn)模塊對(duì)木材缺陷檢測(cè)模型性能的影響，以及設(shè)計(jì)的新模塊相比原模塊的性能提升，設(shè)計(jì)了一系列消融試驗(yàn)，在YOLOv8原模型的基礎(chǔ)上逐步增加改進(jìn)的組件，觀察性能指標(biāo)的變化。通過這些試驗(yàn)，可以明確各模塊在提升模型效果中的作用，并進(jìn)一步分析模型的優(yōu)劣。消融試驗(yàn)的對(duì)象包括YOLOv8、YOLOv8-CondConv、 YOLOv8-CondSiLU、 YOLOv8-BiFPN、YOLOv8-Wise-IoU、YOLOv8-CondSiLU-BiFPN、YOLOv8-CondSiLU-BiFPN-Wise-IoU（YOLOv8-CBW）。消融試驗(yàn)結(jié)果見表3（ mAP50 是指IoU閾值為0.50時(shí)的平均精度均值， mAP50-95 是指IoU閾值從0.50到0.95時(shí)的平均精度均值）。

表3消融試驗(yàn)結(jié)果表明，通過逐步對(duì)YOL0v8模型進(jìn)行改進(jìn)，綜合性能得到了顯著提升。以原始YOLOv8模型作為基線，在引入CondSiLU模塊后，模型對(duì)木材缺陷特征的表達(dá)能力增強(qiáng)，檢測(cè)性能有所提升。同時(shí)，條件卷積的動(dòng)態(tài)卷積特性，導(dǎo)致模型的計(jì)算復(fù)雜度并沒有明顯增加，表明該卷積模塊可以在不顯著增加計(jì)算量的前提下，提高模型對(duì)于木材缺陷檢測(cè)的性能。此外，相較于CondConv模塊，引入SiLU激活函數(shù)的CondSiLU模塊，由于解決了當(dāng)輸入為負(fù)時(shí)輸出梯度為零的問題，使得模型性能進(jìn)一步提升。在此基礎(chǔ)上，在頸部引人BiFPN后，多尺度特征的融合效果得到優(yōu)化，小目標(biāo)和復(fù)雜背景的檢測(cè)能力進(jìn)一步提高，得到的YOLOv8-BiFPN模型相比基線模型，mAP50提高了

2. 6% mAP50-95 提升了 3.0% ，Precision和Recall分別提升了 1.3% 和 2.0% 。最終，通過改進(jìn)損失函數(shù)Wise-IoU，模型的分類和定位精度得到了加強(qiáng)，并且計(jì)算量基本保持不變，再次印證了損失函數(shù)對(duì)于優(yōu)化模型檢測(cè)性能中的關(guān)鍵作用。

此外，將CondSiLU模塊與BiFPN網(wǎng)絡(luò)結(jié)合后，模型性能相較于單一模塊的改進(jìn)仍有所提升，表明模塊間的協(xié)同效應(yīng)。最終，改進(jìn)后YOLOv8-CBW模型與基線YOLOv8模型相比在 mAP50 和mAP50-95上分別提升了 3.7% 和 3.9% ，計(jì)算量?jī)H增加了1.2GFLOPs，表現(xiàn)出高效性能與計(jì)算效率的平衡。這些結(jié)果充分驗(yàn)證了改進(jìn)方法在木材缺陷檢測(cè)任務(wù)中的有效性。

圖6顯示了消融試驗(yàn)的檢測(cè)結(jié)果。圖6（a）為現(xiàn)場(chǎng)采集的圖像，存在2個(gè)死結(jié)（Death_knot）缺陷。圖6中的數(shù)值表示檢測(cè)置信度，置信度越高，表明檢測(cè)算法的準(zhǔn)確性越強(qiáng)。圖6（b）、圖6（c）、圖6（d）圖6（e）和圖6（f）分別對(duì)應(yīng)消融試驗(yàn)5種不同方法的檢測(cè)結(jié)果，由此可以看出，YOLOv8方法的檢測(cè)精度最低。對(duì)于圖6中木材表面的死結(jié)（Death_knot）缺陷，基線模型的分類置信度僅為0.89和0.76，低于其他4種方法獲得的值。采用了CondConv模塊改進(jìn)的模型，由于其激活函數(shù)的部分負(fù)面特性，其檢測(cè)精度也未有顯著提升，置信度低于另外3種改進(jìn)方法。其他方法均提高了模型的木材表面缺陷檢測(cè)能力。其中，本研究提出的YOLOv8-CBW算法的檢測(cè)精度最高。對(duì)測(cè)試木板中的缺陷的分類置信度分別達(dá)到了0.95和0.92。以上數(shù)據(jù)表明，本研究所引入的網(wǎng)絡(luò)結(jié)構(gòu)和模塊，使模型在木材表面缺陷檢測(cè)方向的性能有了顯著提高，在提高識(shí)別精度的同時(shí)，保證了實(shí)時(shí)性，為木材缺陷檢測(cè)領(lǐng)域提供了一個(gè)新的解決方案。

2.4.2 不同模型比較試驗(yàn)

為了全面評(píng)估不同目標(biāo)檢測(cè)模型在木材缺陷檢測(cè)任務(wù)中的表現(xiàn)，本研究選擇了代表性的單階段和雙階段目標(biāo)檢測(cè)模型進(jìn)行對(duì)比試驗(yàn)。單階段模型包括SSD（single shot multiBox detector）、YOLOv5、YOLOv7和YOLOv8，這些模型以其較高的推理速度和優(yōu)化的檢測(cè)精度被廣泛應(yīng)用于實(shí)時(shí)自標(biāo)檢測(cè)任務(wù)。雙階段模型則包括經(jīng)典的R-CNN（region-based convolutional neuralnetwork）和FasterR-CNN（faster region-based convolu-tionalneuralnetwork）。通過對(duì)這些模型的對(duì)比，能夠全面評(píng)估其在木材缺陷檢測(cè)中的適應(yīng)性和性能差異。試驗(yàn)結(jié)果見表4。

由表4可以看出，在檢測(cè)精度上，YOLOv5和YOLOv7基本持平，但二者檢測(cè)精度皆弱于YOLOv8，且檢測(cè)時(shí)間比YOLOv8更長(zhǎng)，計(jì)算復(fù)雜度明顯高于YOLOv8，需要更多的計(jì)算資源，不利于實(shí)時(shí)性場(chǎng)景的應(yīng)用。在檢測(cè)精度方面，YOLOv8-CBW得分最高，mAP50和 mAP50-95 分別達(dá)到了 89.6% 和 57.2% ，表明YOLOv8-CBW的缺陷檢測(cè)精度優(yōu)于對(duì)比試驗(yàn)的其他檢測(cè)算法。另一個(gè)單階段算法SSD的推理時(shí)間較2個(gè)雙階段算法明顯減少，但識(shí)別精度沒有明顯提升。雙階段算法R-CNN檢測(cè)單張圖像所需的時(shí)間最長(zhǎng)，為53.71ms ，F(xiàn)aster-RCNN相比R-CNN在檢測(cè)速度上有一定提升，但是檢測(cè)精度與YOLO系列算法仍有較大差距。YOLOv8耗時(shí)最短，僅為 13.5ms ，YOL0v5耗時(shí)17.6ms 。由于YOLOv8-CBW在 YOLOv8 的基礎(chǔ)上增加了BiFPN等模塊，檢測(cè)過程需要時(shí)間稍長(zhǎng)為16.9ms。由圖7可以看出，本研究所提出的YOLOv8-CBW模型的平均精度明顯優(yōu)于基準(zhǔn)模型YOLOv8，說明了改進(jìn)模型的有效性。并且平均精度隨著訓(xùn)練輪數(shù)的增加先增加，后趨于平緩并最終收斂，且曲線平滑，驗(yàn)證了本研究提出的模型在訓(xùn)練穩(wěn)定性上的優(yōu)異表現(xiàn)。綜上所述，YOLOv8-CBW模型在檢測(cè)精度和處理時(shí)間上找到了一個(gè)很好的平衡點(diǎn)。在保證較高檢測(cè)精度和穩(wěn)定性的同時(shí)，滿足了模型對(duì)于實(shí)時(shí)性的需求，在木材表面缺陷檢測(cè)任務(wù)中整體檢測(cè)效果最好。

圖8為YOLOv8-CBW模型對(duì)奧斯特拉發(fā)理工大學(xué)的公開數(shù)據(jù)集進(jìn)行木材缺陷檢測(cè)的效果圖。由圖8可以觀察到，模型能夠準(zhǔn)確識(shí)別出木材表面的多種缺陷類型，包括活結(jié)、死結(jié)和裂紋等，并為每個(gè)檢測(cè)框分配了較高的置信度分值。同時(shí)，對(duì)于復(fù)雜背景下的小缺陷區(qū)域，模型也表現(xiàn)出了較強(qiáng)的魯棒性，成功避免了漏檢和誤檢現(xiàn)象。相比于傳統(tǒng)方法，所提模型在復(fù)雜場(chǎng)景中的表現(xiàn)更為優(yōu)越，驗(yàn)證了網(wǎng)絡(luò)結(jié)構(gòu)改進(jìn)對(duì)檢測(cè)性能提升的有效性。此外，改進(jìn)的損失函數(shù)進(jìn)一步優(yōu)化了邊界框的擬合精度，使得檢測(cè)框能夠更好地貼合缺陷的真實(shí)邊界。這表明，引人CondSiLU、BiFPN和WiseIoU的策略組合，對(duì)模型的整體檢測(cè)性能和泛化能力具有積極作用。

2.4.3 損失函數(shù)對(duì)比試驗(yàn)

為了驗(yàn)證本研究所使用的損失函數(shù)對(duì)木材表面缺陷檢測(cè)模型性能的影響，在改進(jìn)模型的基礎(chǔ)上引入了滑動(dòng)損失（SlideLoss）、焦點(diǎn)損失（FocalLoss）、質(zhì)量焦點(diǎn)損失（QualityFocalLoss，QFL）進(jìn)行損失函數(shù)對(duì)比試驗(yàn)。FocalLoss適用于類別不平衡的任務(wù)，通過調(diào)整正負(fù)樣本的權(quán)重，從而有效緩解正負(fù)樣本不平衡的問題，提高了檢測(cè)精度和訓(xùn)練穩(wěn)定性。SlideLoss采用了一種基于滑動(dòng)窗口的策略，專注于訓(xùn)練過程中的困難樣本，尤其是位于邊界的樣本。QFL是在FocalLoss基礎(chǔ)上的改進(jìn)，通過將分類分?jǐn)?shù)與檢測(cè)框的IoU結(jié)合，進(jìn)一步優(yōu)化了樣本的權(quán)重分配。試驗(yàn)結(jié)果見表5。

由表5可知，本研究中使用的Wise-IoU損失函數(shù)與其他損失函數(shù)相比，在mAP50、準(zhǔn)確率和召回率指標(biāo)上均表現(xiàn)出明顯的優(yōu)勢(shì)，分別達(dá)到了 89.6% 、88.9% 和 83.7% 。損失函數(shù)的LOSS曲線如圖9所示，由圖9可以看出，Wise-IoU損失函數(shù)的損失曲線隨著訓(xùn)練輪數(shù)的增加，逐漸減小，最終趨于平穩(wěn)。說明了模型在學(xué)習(xí)特征，逐漸逼近最優(yōu)解，訓(xùn)練過程整體穩(wěn)定。通過采用該損失函數(shù)，顯著提升了YOLOv8模型在木材缺陷檢測(cè)任務(wù)中的精度，證明了Wise-IoU損失函數(shù)在木材缺陷檢測(cè)背景下具有良好的適用性與有效性。

3結(jié)論

本研究基于改進(jìn)的YOLOv8模型，成功實(shí)現(xiàn)了對(duì)木材表面缺陷的高效檢測(cè)。使用現(xiàn)場(chǎng)采集的圖像和數(shù)據(jù)增強(qiáng)技術(shù)來自建數(shù)據(jù)集。在模型設(shè)計(jì)上，引入了雙向特征金字塔網(wǎng)絡(luò)以優(yōu)化主干網(wǎng)絡(luò)的特征提取能力，并使用條件卷積模塊替代了原有的卷積模塊，進(jìn)一步提升了模型的適應(yīng)性。最后，對(duì)檢測(cè)頭的損失函數(shù)進(jìn)行了改進(jìn)，從而顯著增強(qiáng)了模型的檢測(cè)性能。最終經(jīng)過試驗(yàn)后得到以下結(jié)論。

1）檢測(cè)精度顯著提升。改進(jìn)后的YOLOv8-CBW模型在檢測(cè)性能方面表現(xiàn)優(yōu)異，與基線YOLOv8模型相比，mAP50提高了 3.7% ，從 85.9% 提升至 89.6% .mAP50-95提高了 3.9% ，從 53.3% 提升至 57.2% ，驗(yàn)證了改進(jìn)方法對(duì)木材缺陷檢測(cè)任務(wù)的有效性。

2）實(shí)時(shí)性與計(jì)算效率平衡。YOLOv8-CBW模型在計(jì)算復(fù)雜度僅增加1.2GFL0Ps的情況下，達(dá)到了較高的檢測(cè)精度。兼顧了高檢測(cè)精度與實(shí)時(shí)性需求，展現(xiàn)了其在工業(yè)應(yīng)用場(chǎng)景中的良好適用性。

3）改進(jìn)策略效果顯著。消融試驗(yàn)表明，CondSiLU模塊提升了模型的特征表達(dá)能力，BiFPN網(wǎng)絡(luò)優(yōu)化了多尺度特征融合性能，Wise-IoU損失函數(shù)提高了低質(zhì)量樣本的適應(yīng)性。綜合這些改進(jìn)，模型在檢測(cè)木材表面復(fù)雜缺陷（如死結(jié)、活結(jié)、裂縫等）時(shí)，分類置信度顯著提升。

盡管改進(jìn)后的YOLOv8-CBW模型在木材缺陷檢測(cè)中取得了顯著效果，但在極端條件下（如光照不均、缺陷形態(tài)復(fù)雜）仍存在一定的局限性。未來可以結(jié)合計(jì)算機(jī)視覺的前沿技術(shù)進(jìn)一步優(yōu)化模型的特征提取能力，同時(shí)在后續(xù)研究中，將會(huì)增加更為真實(shí)的工業(yè)場(chǎng)景進(jìn)行測(cè)試，以進(jìn)一步驗(yàn)證改進(jìn)方法的適用性。綜合來說，YOLOv8-CBW模型可以顯著減少對(duì)人工檢測(cè)的依賴，提高檢測(cè)效率和準(zhǔn)確性，降低誤檢和漏檢率。這將推動(dòng)我國(guó)木材加工行業(yè)從傳統(tǒng)勞動(dòng)密集型向智能化、自動(dòng)化方向轉(zhuǎn)型。

參考文獻(xiàn)

[1]田明華，杜磊，王芳，等.我國(guó)森林資源木材生產(chǎn)能力預(yù) 測(cè)分析[J].林產(chǎn)工業(yè)，2022，59（4）：57-63. TIANMH，DUL，WANGF，etal.Forecastandanalysisof thetimberproductioncapacityofChina'sforestresources [J].ChinaForestProductsIndustry，2022，59（4）：57-63.

[2]韓成宇，龐久寅，孫耀星，等.基于EVA的功能型木材防 裂劑的研制[J].森林工程，2023，39（6）：95-100，108. HANCY，PANGJY，SUNYX，etal.Studyand manufacture of anti-cracking agent for functional wood based on EVA[J].ForestEngineering，2023，39（6）：95-100，108.

[3]程玉柱，顧權(quán)，王眾輝，等.基于深度學(xué)習(xí)的木材缺陷圖 像檢測(cè)方法[J].林業(yè)機(jī)械與木工設(shè)備，2018，46（8）： 33-36. CHENG Y Z，GU Q， WANG Z H，et al. Wood defect image segmentation based on deep learning[Jl. Forestry Machinery and Woodworking Equipment，2018，46（8） ：33-36.

[4]曹永鑫，劉芳華，江來，等.基于YOLOv5-LW模型的木 材表面缺陷檢測(cè)方法[J].林業(yè)工程學(xué)報(bào)，2024，9（5）： 144-152. CAO Y X，LIU FH，JIANG L，et al. Detection of wood surface defects using YOLOv5-LW model[J]. Journal of Forestry Engineering，2024，9（5） ：144-152.

[5]王正，江鶯，嚴(yán)飛，等.基于YOLOv7的木材缺陷檢測(cè)模 型Wood-Net的研究[J].林業(yè)工程學(xué)報(bào)，2024，9（1）： 132-140. WANGZ，JIANGY，YANF，etal.Researchonwood defect detection model Wood-Net based on YOLOv7[J]. Journal of Forestry Engineering，2024，9（1） ：132-140.

[6]姬廣凱，王蓉，彭舒凡.基于注意力機(jī)制與條件卷積的 行人重識(shí)別方法[J].北京航空航天大學(xué)學(xué)報(bào)，2024，50 （2） ：655-662. JIGK，WANG R，PENG SF.Person re-identification method based on attention mechanism and CondConv[J]. Journal of Beijing University of Aeronautics and Astronautics，2024，50（2） ：655-662.

[7]余平平，林耀海，賴云鋒，等.融合BiFPN和YOLOv5s的 密集型原木端面檢測(cè)方法[J].林業(yè)工程學(xué)報(bào)，2023，8 （1） ：126-134. YU P P，LIN Y H，LAI YF，et al. Dense log end face detection method using the hybrid of BiFPN and YOLOv5s[J]. Journal of Forestry Engineering，2023，8（1） ：126-134.

[8]崔濤，韓濤，黃友銳.低光照?qǐng)鼍跋侣访娌『z測(cè)方法 [J/OL].重慶工商大學(xué)學(xué)報(bào)（自然科學(xué)版），1-11[2024- 12-11]. CUI T，HAN T，HUANG Y R.Road surface disease detectionmethod in low light scenarios[J/OL]. Journal of Chongqing Technology and Business University （Natural ScienceEdition），1-11[2024-12-11].

[9]朱豪，周順勇，曾雅蘭，等.基于改進(jìn)YOLOv5s的木材表 面缺陷檢測(cè)模型[J].木材科學(xué)與技術(shù)，2023，37（2）： 8-15. ZHU H， ZHOU S Y， ZENG Y L，et al. Detection model of wood surface defects based on improved YOLOv5s[J]. Chinese Journal of Wood Science and Technology，2023，37 （2）：8-15.

[10]耿磊，張文躍，肖志濤，等.基于特征重建的無監(jiān)督木 材圖像異常檢測(cè)[J].計(jì)算機(jī)工程與設(shè)計(jì)，2024，45（6）： 1829-1835. GENG L，ZHANG W Y，XIAO Z T，et al. Feature reconstruction for unsupervised wood image anomaly detection [J].Computer Engineering and Design，2024，45（6）： 1829-1835.

[11]陳晨，薛文杰，董平先，等.基于注意力機(jī)制結(jié)合改進(jìn) 動(dòng)態(tài)ReLU的輸變電工程圖紙智能評(píng)審方法[J].沈陽 工業(yè)大學(xué)學(xué)報(bào)，2024，46（6）：772-778. CHEN C，XUE WJ，DONG PX，et al. Intelligent evaluation method based on attention mechanism and improved dynamic ReLU for power transmission and transformation engineering drawings [J]. Journal of Shenyang University of Technology，2024，46（6）：772-778.

[12]胡藝馨，張逸杰，方健，等.面向目標(biāo)檢測(cè)任務(wù)的輕量 化網(wǎng)絡(luò)模型設(shè)計(jì)[J].計(jì)算機(jī)工程與設(shè)計(jì)，2023，44（2）： 548-555. HUYX，ZHANGYJ，F(xiàn)ANGJ，et al.Design of lightweight network model for target detection task[J].ComputerEngineeringand Design，2023，44（2）：548-555.

[13]金可藝，陳惠妹，曹斯茹.基于改進(jìn)FPN的小目標(biāo)檢測(cè) 算法[J].中國(guó)新技術(shù)新產(chǎn)品，2024（21）：45-48. JINKY，CHENHM，CAOSR.Small object detection algorithm based on improved FPN[J].New Technology and NewProductsof China，2024（21）：45-48.

[14]卞玉麗.基于CornerNet的木材表面缺陷檢測(cè)的研究與 應(yīng)用[J].電子技術(shù)與軟件工程，2021（18）：208-210. BIAN Y L. Research and application of wood surface defect detection based on CornerNe[Jl.Electronic Technology and Software Engineering，2021（18） ：208-210.

[15]肖雨晴，楊慧敏，王柯欣，等.卷積神經(jīng)網(wǎng)絡(luò)在木材缺 陷檢測(cè)應(yīng)用中的研究進(jìn)展[J].木材科學(xué)與技術(shù)，2021， 35（3） ：12-18. XIAOYQ，YANGHM，WANGKX，etal.Research progress of convolutional neural network in wood defect detection[J].Chinese Journal of Wood Science and Technology，2021，35（3） ：12-18.

[16]熊聰，于安寧，高興華，等.基于改進(jìn)YOLOX的鋼材表 面缺陷檢測(cè)算法[J].電子測(cè)量技術(shù)，2023，46（9）： 151-157. XIONG C，YU A N，GAO XH，et al. Steel surface defect detectionalgorithmbased on improved YOLOX[J].ElectronicMeasurementTechnology，2023，46（9）：151-157.

[17]陳志旺，刁華康，袁宇，等.基于圖網(wǎng)絡(luò)與IoU感知的孿 生網(wǎng)絡(luò)目標(biāo)跟蹤算法[J].控制與決策，2024，39（9）： 2867-2875. CHENZW，DIAOHK，YUANY，etal. Siamese network object tracking algorithm based on graph network and IoUaware[J]. Control and Decision，2024，39（9）：2867-2875.

[18]孫鐵強(qiáng)，洪兆志，宋超，等．基于多尺度特征融合的輕 量化絕緣子缺陷檢測(cè)[J/OL].激光與光電子學(xué)進(jìn)展，1- 19[2024-12-11]. SUN TQ，HONG ZZ，SONG C，et al. Lightweight insulatordefect detectionbased onmulti-scale feature fusion[J/ OL].Laser amp; Optoelectronics Progress，1-19 [2022- 12-11].

[19]董恒祥，潘江如，董芙楠，等.基于YOLOv5s模型的邊 界框回歸損失函數(shù)研究[J].現(xiàn)代電子技術(shù)，2024，47 （3） ：179-186. DONGHX，PANJR，DONGFN，et al.Research on bounding box regression loss function based on YOLOv5s model[J].Modern Electronics Technique，2024，47（3）： 179-186.

[20]張旭中，翟道遠(yuǎn)，陳俊.基于深度強(qiáng)化學(xué)習(xí)的木材缺陷 圖像識(shí)別及分割模型研究[J].電子測(cè)量技術(shù)，2020，43 （17）：80-86. ZHANG X Z，ZHAI D Y，CHEN J.Research on wood defect image recognition and segmentation model based on deepreinforcementlearning[J].Electronic Measurement Technology，2020，43（17） ：80-86.