基于改进YOLOv8的胶合板单板表面缺陷检测

Surface Defect Detection of Plywood Veneer Based on Improved YOLOv8

摘要

针对胶合板单板表面缺陷的复杂多样性和特征提取困难，且基于深度学习的缺陷检测算法参数量和计算成本较大，难以在算力较低的设备上得到有效应用等问题，构建一种基于改进YOLOv8的单板表面缺陷（活节、死节、孔洞、裂缝和缺口）检测模型。为提升模型的检测精度和轻量化性能，对胶合板单板表面缺陷检测模型进行改进。首先，采用新的高效注意力机制（coordinate attention,CA），该机制能够增强特征提取的精度和网络的空间信息感知能力，避免过多的计算负担；其次，提出一种基于部分卷积（PConv）的全新结构——CSPPC (CSP (cross stage partial) pyramid convolution)，提升计算效率和多尺度特征的融合能力；最后，引入改进的加权交并比损失函数——WIoUv3，提升模型的定位精度和鲁棒性。试验结果表明，改进后的YOLOv8模型（CP-YOLOv8）在胶合板单板表面缺陷检测任务中表现出色，模型的平均精度均值（mAP）达到93.8%，在原模型的基础上提升0.9%，改进模型浮点运算次数（GFLOPs）和参数量降低至7.2 G和2.58 M，分别降低0.9 G与0.42 M，能够充分满足实际应用需求，为胶合板单板质量检测提供一种高效、精准且轻量化的解决方案。

Abstract

In response to the complex diversity of surface defects in plywood veneers and the difficulties in feature extraction， as well as the large number of parameters and computational costs of deep learning-based defect detection algorithms， which makes effective application on devices with lower computing power challenging， a detection model for surface defects （live knots， dead knots， holes， cracks， and notches） in veneers based on an improved YOLOv8n is constructed. To enhance the detection accuracy and lightweight performance of the model， improvements are made to the plywood veneer surface defect detection model. First， a new efficient attention mechanism （coordinate attention， CA） is adopted， which can enhance the accuracy of feature extraction and the network's spatial information perception ability while avoiding excessive computational burden； secondly， a novel structure based on partial convolution （PConv） is proposed——CSPPC （CSP（coross stage partial） pyramid convolution）， it to improve computational efficiency and the fusion capability of multi-scale features； finally， an improved weighted intersection over union loss function——WIoUv3， it is introduced， which enhances the model's localization accuracy and robustness. Experimental results show that the improved YOLOv8 model （CP-YOLOv8） performs excellently in the task of detecting surface defects in plywood veneers， achieving an average precision mean （mAP） of 93.8%， an increase of 0.9% over the original model， while reducing the model's floating-point operations （GFLOPs） and parameter count to 7.2 G and 2.58 M， respectively， a reduction of 0.9 G and 0.42 M， which can fully meet practical application needs and provide an efficient， accurate， and lightweight solution for quality inspection of plywood veneers.

Graphical abstract

关键词

缺陷检测 / 改进后的YOLOv8模型(CP-YOLOv8) / CA注意力机制 / CSPPC模块 / WIoUv3 / 目标检测 / 轻量化设计

Key words

Defect detection / improved YOLOv8 model （CP-YOLOv8） / CA attention mechanism / CSPPC module / WIoUv3 / object detection / lightweight design

0 引言

在全球制造业加速向自动化、智能化深度转型的时代背景下，木材加工行业正经历着深刻变革，而胶合板生产作为其中的关键分支，在建筑、家具和装饰等众多领域发挥着不可或缺的作用。胶合板是一种通过多层木材单板经胶水黏合而成的复合材料，其独特的结构赋予其良好的强度、稳定性和可塑性。目前，单板上的缺陷，如孔洞、裂纹和缺口等，会严重削弱胶合板的强度，影响其外观的美观度和稳定性，进而在使用过程中引发安全隐患或降低产品的使用寿命。在胶合板产业的生产流程中，传统的木材缺陷检测主要采用人工目测^［1］。精准且迅速地识别单板表面所存在的各类缺陷（如死节、活节、孔洞、裂缝和缺口等），对于科学划分胶合板等级、提升单板利用率以及保障成品质量具有关键意义。随着人工智能技术的发展，机器视觉逐渐应用到缺陷检测中，Xie等^［2］提出融合表面纹理特征的检测法，挖掘纹理提升检测死节、活节缺陷的准确性与鲁棒性。王金聪等^［3］运用图像分割技术精准检测死节、活节及虫眼缺陷，克服传统算法分割问题，增强检测效果。然而，需要注意的是，上述这些方法易受木板形状纹理、光照和拍摄角度等环境因素干扰，在复杂背景下检测可靠性与准确性受限，难以满足工业高精度、高稳定性检测需求。

目前，越来越多的研究人员将深度学习用于缺陷检测^［4］。随着卷积神经网络技术的不断演进与成熟，将其应用于目标检测领域已成为一种趋势。从算法处理流程的维度来划分，其主要可归为一阶段与二阶段2种不同类型，在一阶段的目标检测算法范畴内，具有代表性的有SSD^［5］以及YOLO系列^［6-7］。而处于二阶段的算法，则是以Fast RCNN^［8］和Faster RCNN^［9-10］等为典型代表。Han等^［11］为了解决木材小目标及密集缺陷检测的难题，改进设计了STC-YOLOv5模型，准确率提高了3.1%。Li等^［12］针对不规则形状的木材缺陷，采用循环生成对抗网络（GAN）扩充数据集，并基于Mask R-CNN构建了检测模型，试验结果显示其最终检测准确率为82.8%。Xia等^［13］对Faster R-CNN模型进行了改进，优化了其在不同纹理板材表面缺陷检测中的表现，准确率达到了95.71%。相比之下，“一步法”在检测速度上有显著优势，同时还能保持较高的检测精度。贾浩男等^［14］及其团队创新提出一种木板材表面缺陷的定量识别方法，该方法不仅维持原有检测精度，还显著提升了小目标缺陷的识别能力，有力减少了木板材缺陷漏检情况，成功实现复杂场景下的快速检测。针对木材表面缺陷检测难题，江兴旺等^［15］提出改进YOLOv7算法，通过嵌入注意力模块、引入浅层加权特征融合网络和优化损失函数，提升了模型检测精度，满足木材生产加工缺陷检测需求。曹永鑫等^［16］为解决木材表面缺陷检测问题，提出基于YOLOv5-LW模型的方法，重构骨干网络，结合注意力机制与特征融合网络，实现模型轻量化，提高了细小缺陷检测能力，适合嵌入式设备部署。胡继文等^［17］为解决木材表面缺陷检测模型计算量大等问题，提出FCS-YOLOv5n模型，引入FasterNet等技术改进，实现轻量化且保持良好检测效果，为在移动端或嵌入式设备部署奠定基础。朱豪等^［18］针对木材表面缺陷特征提取困难，提出基于改进YOLOv5s的检测模型，能有效检测缺陷，且综合性能优于经典检测模型。然而，上述这些检测模型在结构设计上相对复杂，往往伴随着较高的参数量和计算量，这在复杂的实际检测场景中，可能会导致检测效率的下降以及准确率的波动，从而限制了其在工业生产中的广泛应用。

针对上述一系列问题，提出改进后的YOLOv8模型（CP-YOLOv8），该模型应用于胶合板单板表面缺陷检测后，将显著提升检测精度并优化轻量化程度，可以为取代胶合板单板生产线上的人工分选单板提供有效的技术支持，并为胶合板单板生产线自动化加工方案奠定更为可靠的技术基础。

1 材料与方法

本试验选取广西柳州地区具有代表性且广泛应用的桉木板作为研究材料，该地区桉木产量可观，在木材加工行业具有重要地位，以此确保试验的可靠性和实际应用价值。通过对桉木板的仔细检查，筛选出存在缺陷（死节、活节、孔洞、裂缝、缺口）的样本，如图1所示。在绿色传送带上布置密封环境，在密封环境内部安装照明设备，达到恒定光照环境，选择图像采集相机（MVCS03260GC），其分辨率为2 048×1 536像素，最大帧率为38.6 FPS，设置传感器，当木板运送到采集相机下方时信号触发，完成图像拍摄。

深度学习模型的性能与数据集的质量和规模密切相关。为了充分训练模型并提高其泛化能力，需要构建一个丰富多样的数据集。将拍摄的图片尺寸设置为640×640像素，对于原始拍摄的700张桉木板图像，通过数据增强技术对原始图像进行扩充，共生成2 500张图像，具体的数据增强操作包括：将图像旋转180°，对图像进行低光照处理，添加高斯模糊，对图像进行等比例缩放，如图2所示，以丰富数据集中的样本多样性。按7∶2∶1的比例划分训练集、验证集和测试集；随后，在标注过程中，使用LabelImg图像标注工具，以VOC（visual object classes）数据集格式对采集到的图像数据进行标注，为每个缺陷区域分配特定的标签，死节、活节、孔洞、裂缝、缺口分别用0、1、2、3、4进行标记，确保标注的准确性和一致性，为后续模型的训练提供可靠的监督信息。经过数据增强后，各级缺陷在训练集和验证集中的详细分布情况见表1，通过合理的数据集构建和处理，旨在提高模型对桉木板表面缺陷的检测精度和鲁棒性，使其能够更好地适应实际生产中的复杂情况。

2 CP-YOLOv8模型

2.1 YOLOv8n的模型结构

YOLO是一种基于深度学习的目标检测模型，在物体检测上具有速度快、检测效果好等优点，因此在目标检测领域得到了广泛应用^［19］。其中，YOLOv8n主要由Backbone、Neck和Head组成，模型结构如图3所示。Backbone和Neck部分使用C2f模块进行特征融合。Backbone由Conv模块、C2f模块和快速空间金字塔池化（spatial pyramid pooling-fast，SPPF）模块组成，Backbone负责从输入图像中提取特征，利用多种卷积和池化操作获取不同层次的语义信息。Neck采用PANet特征金字塔网络，融合来自Backbone不同层级的特征图，以应对不同尺度目标的检测，增强模型对各类缺陷大小的适应性。Head基于前两者提取的特征图执行目标检测，预测缺陷的边界框和类别。YOLOv8n为Anchor free模型，这种特性降低了计算复杂度，使其检测速度更快，在缺陷检测等对实时性有要求的场景中更具优势，能够快速准确地识别出目标缺陷，为后续的处理和决策提供及时有效的支持。

2.2 CP-YOLOv8模型结构

YOLOv8作为一种具有高效性和强适应性的目标检测模型，在多种应用场景中展现出了其独特的优势，能够在确保检测精度的前提下，快速适应不同类型的缺陷以及多样化的检测环境。然而，在木板表面缺陷检测领域，当前YOLOv8模型有局限，特征融合能力有待提升，难以应对复杂背景、多样缺陷形态的情况。鉴于此，为了更好地满足木板加工行业对于表面缺陷检测的实际需求，本研究提出了一种基于改进YOLOv8的木板表面缺陷检测模型——CP-YOLOv8。该模型通过引入坐标注意力机制（coordinate attention，CA），增强了模型对目标的定位能力；提出了一种CSPPC（CSP（cross stage partial） pyramid convolution）模块，旨在显著增强模型对木板表面缺陷特征的提取与融合能力；引入了改进的加权交并比损失函数——WIoUv3，能够更加精准地处理低质量样本对训练的负面影响，并提升模型的定位精度和鲁棒性。

改进后的CP-YOLOv8目标检测模型，如图3所示，旨在提升模型的检测精度与速度，同时通过引入轻量化设计，显著降低模型的计算量和参数量。本研究的核心目标是轻量化YOLOv8模型，使其在保持高精度的同时，能够适应工业界对实时性和资源消耗的严格要求。首先，为了提升模型的精度，CP-YOLOv8引入了C2f_CA和CSPPC 2个轻量化模块。C2f_CA模块采用了坐标注意力机制（CA），该机制能有效地增强模型对空间信息的捕捉能力。通过将纵横向的位置信息编码到通道注意力中，CA模块在提升特征提取精度的同时，避免了传统注意力机制中计算量过大的问题，从而实现了轻量化而高效的特征融合。具体来说，C2f_CA模块替换了Backbone中原有的卷积层，提升了特征图的表达能力，特别在复杂背景和小目标检测中表现尤为突出。由于其低计算开销，模型在推理速度上也得到了显著提升。其次，CSPPC模块基于部分卷积（partial convolution，PConv）^［20］的思想，提出了一种新的卷积结构。该模块通过仅对输入通道的部分进行卷积操作，从而大幅度减少了计算量和内存访问量，同时保留了特征图中的重要信息，这一模块替换Head部分传统的C2f模块，提升了模型的精度，并有效降低了计算成本，帮助模型在硬件资源有限的环境下实现快速部署，尤其适合大规模数据集的训练和推理。引入了改进的WIoUv3损失函数，有助于增强模型在目标框回归阶段的鲁棒性和泛化能力，尤其对于多尺度缺陷和复杂背景下的检测表现更为出色。

2.3 CA注意力机制

随着网络深度的增加，胶合板单板表面缺陷的特征信息在传递过程中逐渐变得更加抽象和泛化，尤其在复杂背景下，目标区域的特征信息可能被稀释或丢失，导致网络难以聚焦于关键区域，从而影响检测性能。为了解决这一问题，本研究引入了坐标注意力机制（CA），以增强网络对目标空间结构的理解能力，并提升对关键特征的捕捉能力。CA通过将横向和纵向的位置信息编码到通道注意力中，既捕获了通道信息，也捕获了方向相关的空间位置信息，从而增强了模型对目标的定位能力。相比SE（squeeze-and-excitation）和CBAM（convolutional block attention module）等机制，CA在轻量化设计的同时，能够显著提升全局和局部信息的建模能力。CA注意力机制的输入是一个特征张量\mathit{X}\in R^{C\times H\times W}，输出是一个与输入张量大小相同但具有增强表征能力的特征张量\mathit{Y}\in R^{C\times H\times W}，其中，C是通道数，H和W分别表示特征图的高度和宽度。整个计算过程分为坐标信息嵌入和坐标注意力生成两步，如图5所示（r用于控制通道维度压缩的程度）。

进行坐标信息嵌入，通过全局池化操作分别沿特征图的高度和宽度方向对每个通道进行编码，捕获水平方向和垂直方向的全局信息，计算公式^［21］为

{\mathit{Z}}_c^h\left(h\right)=\frac{\mathrm{1}}{W}{\sum }_{\mathrm{0}\le i\le W}{\mathit{x}}_c(h,i)。（1）

{\mathit{Z}}_c^w\left(h\right)=\frac{\mathrm{1}}{H}{\sum }_{\mathrm{0}\le i\le H}{\mathit{x}}_c(w,i)。（2）

式中：{\mathit{x}}_c(h,i)为输入特征图第C个通道在位置(h,i)的值；{\mathit{Z}}_c^h\left(h\right)为第C通道在高度H上的全局平均值；{\mathit{Z}}_c^w\left(h\right)为第C通道在宽度W上的全局平均值。

在完成坐标信息嵌入后，CA模块通过以下步骤生成坐标注意力权重，将拼接后的张量输入一个\mathrm{1}\times \mathrm{1}卷积{\mathit{F}}_{\mathrm{1}}，压缩通道数并提取有效信息，计算公式为

\mathit{f}=\theta \left\{{\mathit{F}}_{\mathrm{1}}\left(\left[{\mathit{Z}}^h,{\mathit{Z}}^w\right]\right)\right\}。（3）

式中：θ为非线性激活函数；\mathit{f}为对空间信息在水平方向和垂直方向进行编码的中间特征信息。

将变换后的张量\mathit{f}分解为2个独立的张量：{\mathit{f}}^w表示水平方向的特征，{\mathit{f}}^h表示垂直方向的特征，然后使用2个\mathrm{1}\times \mathrm{1}卷积变换函数和分别将其变换为具有相同通道数的张量，计算公式为

{\mathit{g}}^h=\sigma \left[{\mathit{F}}_h\left({\mathit{f}}^h\right)\right]。（4）

{\mathit{g}}^w=\sigma \left[{\mathit{F}}_w\left({\mathit{f}}^w\right)\right]。（5）

式中,\sigma为sigmoid函数。

注意力机制的输出计算公式为

{\mathit{y}}_c\left(i,j\right)={\mathit{x}}_c\left(i,j\right){\mathit{g}}_c^h(i){\mathit{g}}_c^w(j)。（6）

在C2f模块中引入CA注意力机制，形成了改进版的C2f_CA模块。CA机制通过将空间方向的位置信息编码到通道注意力中，提升了模型对单板缺陷区域的关注，避免被背景干扰，在轻量化设计的同时，为胶合板单板表面缺陷检测提供了更强大的特征提取和分析能力。

2.4 CSPPC模块

随着网络深度和模型复杂度的增加，目标检测任务中的计算开销和推理时间逐渐成为影响实时性和资源使用效率的重要问题。为了解决这一问题，模型中加入了一种基于部分卷积（PConv）的轻量化模块——CSPPC（CSP partial convolution），结构如图6所示，以优化模型的计算效率，同时保持对特征提取的高效性和多尺度表达能力。CSPPC模块通过对输入特征通道进行分割，仅对部分通道执行卷积操作，而保留其他通道不变，从而大幅减少计算复杂度和内存访问量。相比传统的卷积操作，CSPPC利用了特征图的冗余性，在轻量化设计的同时保留了输入特征中的关键信息。此外，通过结合部分卷积与特征金字塔池化（SPP）的多尺度特性，CSPPC能够增强网络对不同尺度目标的检测能力。

2.5 损失函数

在目标检测任务中，定位框的精确性直接决定了检测性能。传统的交并比（intersection over union，IoU）、广义交并比（generalized intersection over union，GIoU）、距离交并比（distance intersection over union，DIoU）和完整交并比（complete intersection over union，CIoU）损失函数对目标边界框的精确拟合能力仍存在局限。本研究引入了改进的加权交并比（WIoU）损失函数，其结合了IoU度量、边界框的中心偏移以及形状差异，提出了一种动态非单调机制，能有效应对目标大小及形状差异的挑战，同时优化边界框的匹配度和收敛性。WIoUv1（Wise-IoUv1，式中记为L_{\mathrm{W}\mathrm{I}\mathrm{o}\mathrm{U}\mathrm{v}\mathrm{1}}）提出了一种基于注意力机制的预测框损失计算方法。随后，WIoUv2（L_{\mathrm{W}\mathrm{I}\mathrm{o}\mathrm{U}\mathrm{v}\mathrm{2}}）和WIoUv3（L_{\mathrm{W}\mathrm{I}\mathrm{o}\mathrm{U}\mathrm{v}\mathrm{3}}）在此基础上进一步引入了聚焦系数，使得该方法更加适应复杂样本的学习需求。Wise-IoU的数学公式演变过程如下所示。

WIoUv1利用距离注意力显著放大普通锚框的损失，计算公式为

L_{\mathrm{I}\mathrm{o}\mathrm{U}}=\mathrm{1}-I_{\mathrm{o}\mathrm{U}}。（7）

式中：L_{\mathrm{I}\mathrm{o}\mathrm{U}}为边界框回归；I_oU为重叠程度。

L_{\mathrm{W}\mathrm{I}\mathrm{o}\mathrm{U}\mathrm{v}\mathrm{1}}=R_{\mathrm{W}\mathrm{I}\mathrm{o}\mathrm{U}}{L}_{\mathrm{I}\mathrm{o}\mathrm{U}}。（8）

式中，R_{\mathrm{W}\mathrm{I}\mathrm{o}\mathrm{U}}\mathrm{为距}\mathrm{离注}\mathrm{意力}\mathrm{。}

R_{\mathrm{W}\mathrm{I}\mathrm{o}\mathrm{U}}=\mathrm{e}\mathrm{x}\mathrm{p}\left(\frac{{\left(x-x_{\mathrm{g}\mathrm{t}}\right)}^{\mathrm{2}}+{\left(y-y_{\mathrm{g}\mathrm{t}}\right)}^{\mathrm{2}}}{(W_{\mathrm{g}}^{\mathrm{2}}+H_{\mathrm{g}}^{\mathrm{2}}{)}^{\mathrm{*}}}\right)。（9）

式中：W_{\mathrm{g}}^{\mathrm{2}}和H_{\mathrm{g}}^{\mathrm{2}}分别表示并集框的宽度和高度；x、y和x_{\mathrm{g}\mathrm{t}}、y_{\mathrm{g}\mathrm{t}}分别为预测框和真实框的中心坐标。为了消除可能阻碍收敛的因素，W_{\mathrm{g}}^{\mathrm{2}}+H_{\mathrm{g}}^{\mathrm{2}}使用了从计算图中分离的方式进行处理。R_{\mathrm{W}\mathrm{I}\mathrm{o}\mathrm{U}}的取值范围为[\mathrm{1},\mathrm{e})，能够显著增强普通锚框对损失的贡献，而L_{\mathrm{I}\mathrm{o}\mathrm{U}}的取值范围为[\mathrm{0,1}]，则在高质量锚框中降低R_{\mathrm{W}\mathrm{I}\mathrm{o}\mathrm{U}}的权重，使得损失更关注锚框与目标框中心点的距离。当将单调聚焦系数L_{\mathrm{I}\mathrm{o}\mathrm{U}}^{\mathrm{*}}引入L_{\mathrm{W}\mathrm{I}\mathrm{o}\mathrm{U}\mathrm{v}\mathrm{2}}时，有效减弱了简单样本对损失的影响。但由于在训练中L_{\mathrm{I}\mathrm{o}\mathrm{U}}^{\mathrm{*}}随着L_{\mathrm{I}\mathrm{o}\mathrm{U}}的减小而下降，可能导致收敛速度减慢，因此采用L_{\mathrm{I}\mathrm{o}\mathrm{U}}的平均值进行归一化以加速收敛，WIoUv2计算公式为

L_{\mathrm{W}\mathrm{I}\mathrm{o}\mathrm{U}\mathrm{v}\mathrm{2}}={\left(\frac{L_{\mathrm{I}\mathrm{o}\mathrm{U}}^{\mathrm{*}}}{L_{\mathrm{I}\mathrm{o}\mathrm{U}}}\right)}^{\gamma }{L}_{\mathrm{W}\mathrm{I}\mathrm{o}\mathrm{U}\mathrm{v}\mathrm{1}},\gamma >\mathrm{0}。（10）

式中，γ为非单调聚焦系数。

WIoUv3相较于WIoUv1和WIoUv2，引入了动态非单调聚焦机制，并通过离群度\beta对锚框质量进行度量。基于离群度构建的非单调聚焦系数（\gamma），能够在训练过程中动态调整损失函数中的梯度增益，降低高质量锚框的权重，避免低质量锚框产生有害梯度，并聚焦于普通质量的锚框，WIoUv3计算公式为

\beta =\frac{L_{\mathrm{I}\mathrm{o}\mathrm{U}}^{\mathrm{*}}}{L_{\mathrm{I}\mathrm{o}\mathrm{U}}}\in [\mathrm{0},+\mathrm{\infty })。（11）

L_{\mathrm{W}\mathrm{I}\mathrm{o}\mathrm{U}\mathrm{v}\mathrm{3}}=r{L}_{\mathrm{W}\mathrm{I}\mathrm{o}\mathrm{U}\mathrm{v}\mathrm{1}},r=\frac{\beta }{\delta {\alpha }^{\beta -\delta }}。（12）

式中，\delta为超参数。

在木板缺陷检测任务中，WIoUv3的引入有助于增强模型在目标框回归阶段的鲁棒性和泛化能力，尤其对于多尺度缺陷和复杂背景下的检测表现更为出色。这种改进使得模型能够更好地平衡训练中的样本质量分布，提高检测的精确度和稳定性。

3 结果与分析

3.1 试验环境

试验的操作系统为Windows11，CPU为Intel Core i9-13900F@2.10 GHz。GPU为NVDIAGe Force RTX4070 （8 GB），运行内存为32 GB。Pytorch版本为1.13.0，Python版本为3.9，CUDA版本为12.1，相机选用MVS03260GC。

参数设置：图片大小设置为640×640像素，训练轮次为300，批量大小为16，学习率为0.01。

3.2 评价指标

试验采用了精确率（precision，式中记为P）、召回率（Recall，式中记为R）以及平均精度均值（mean average precision，mAP，式中记为m_AP），平均精度（average precision，AP，式中记为A_P），包括mAP@50，浮点运算次数GFLOPs，模型参数量（parameters），相关计算公式为

P=\frac{T_{\mathrm{P}}}{T_{\mathrm{P}}+F_{\mathrm{P}}}。（13）

R=\frac{T_{\mathrm{P}}}{T_{\mathrm{P}}+F_{\mathrm{N}}}。（14）

A_{\mathrm{P}}={\int }_{\mathrm{0}}^{\mathrm{1}}P\left(R\right)\mathrm{d}R。（15）

m_{\mathrm{A}\mathrm{P}}=\frac{\mathrm{1}}{n}{\sum }_{i=\mathrm{0}}^n{A}_P(i)。（16）

式中：T_P为模型正确预测为正的样本数（true positive）；F_P为预测目标错误的个数（false positive）；F_N为模型错误预测为负的样本数（false negative）；n为类别个数；i为检测的次数。

3.3 消融试验

为验证改进模块对YOLOv8模型性能的提升效果，本研究设计了一系列消融试验，在原始YOLOv8模型的基础上逐一添加改进模块，并对模型的检测性能进行了比较，试验结果见表2。

基础模型为原始YOLOv8，其精确率（P）为90.0%，召回率（R）为87.8%，mAP@50为92.9%，GFLOPs为8.1 G，参数量为3.0 M，该模型作为消融试验的对照基准。在YOLOv8模型的Backbone部分引入C2f_CA模块，用于增强模型的特征提取能力，但计算复杂度和参数量没有增加，与基准模型相比，mAP@50提高了0.4%，达到93.3%，召回率提高了0.7%，达到88.5%，GFLOPs和参数量保持不变。在YOLOv8模型的Neck部分引入CSPPC模块，通过轻量化设计降低了计算和参数量，略微牺牲了部分性能，但提高了计算效率。通过轻量化设计优化特征融合，与基准模型相比，精确率提高了2.3%，达到92.3%，mAP@50降低了0.1%，GFLOPs降低为7.2 G，参数量减少至2.57 M。在YOLOv8模型中同时加入C2f_CA和CSPPC模块，综合提升特征提取和融合能力，有效提升了模型的整体性能，同时保持了较低的计算开销，与基准模型相比，mAP@50提高了0.7%，达到93.6%，召回率保持不变，GFLOPs和参数量分别为7.2 G和2.58 M。在同时添加C2f_CA和CSPPC模块的基础上，进一步将回归损失函数替换为WIoUv3优化边界框回归，进一步改善模型的整体性能。综合试验结果显示，精确率为89.9%，召回率提高至89.9%，mAP@50提升至93.8%；GFLOPs和参数量保持为7.2 G和2.58 M。该组试验验证了各改进模块的有效协同作用，显著降低了训练参数，达到了轻量化效果，且提升了检测性能。

3.4 对比试验

为了验证改进模型CP-YOLOv8在胶合板表面缺陷检测任务中的性能优势，本研究选取了YOLOv8n、YOLOv5n、YOLOv6和YOLOv9s等主流目标检测模型进行对比试验。试验结果见表3。

CP-YOLOv8在精确率、召回率和平均精度等指标上表现出色，如图7和图8所示。在整个训练过程中，CP-YOLOv8（红色）的表现最为突出，其mAP50值在大部分Epoch中都高于其他算法，GFLOPs低于大部分模型。且CP-YOLOv8与YOLOv8n进行设备实测，如图9所示。由图9发现，CP-YOLOv8可以更准确地识别出缺陷，相比于其他的检测算法，可以更好地完成胶合板单板表面缺陷的目标检测任务，同时具有轻量化设计和较低计算复杂度。

3.5 不同损失函数结果比较

为了进一步验证WIoU不同版本的优势，本研究在相同的试验条件（YOLOv8+C2f_CA+CSPPC）下，对CIoU、EIoU、GIoU、SIoU以及WIoU的3个版本（WIoUv1、WIoUv2和WIoUv3）进行了详细的试验对比，试验结果见表4。由表4可知，EIoU在精确率（P）方面较CIoU有一定程度下降，但GIoU的召回率（R）有小幅提升。而3种WIoU方法均展现出较好的综合性能，其中，WIoUv3在mAP@50指标上达到了93.8%，召回率（R）也提升至89.9%，表现最优。

4 结论

本研究针对胶合板单板表面缺陷检测任务的复杂性，提出了一种基于改进YOLOv8n的检测模型，重点优化了模型的检测精度和轻量化特性。为实现这一目标，进行了3项关键改进：在网络的Backbone部分的C2f模块中引入CA注意力机制，以增强网络的空间信息感知能力和特征提取精度，在保证轻量化的同时，提高了复杂背景下的目标检测性能；提出CSPPC模块，作为Head部分C2f模块的替代，通过减少卷积计算的通道数，有效降低了计算复杂度和内存占用，同时保持了多尺度特征提取能力；结合动态非单调聚焦机制的WIoUv3损失函数，在模型训练中动态分配梯度权重，有效平衡了高质量与低质量锚框的贡献，提升了边界框拟合精度和模型的鲁棒性。试验结果表明，改进后的模型在对胶合板单板表面缺陷检测的平均精度均值（mAP@50）上达到了93.8%，同时召回率（R）提升至89.9%，并显著减少了模型参数量和计算复杂度，改进模型浮点运算次数（GFLOPs）和参数量降低至7.2 G和2.58 M，使其可在算力较低的设备上得到有效应用，改进后的模型在检测精度、速度及轻量化性能方面均表现出色，为胶合板单板表面缺陷检测任务提供了一种高效、精准且实用的解决方案。

参考文献

[1] LIM W H， BONAB M B， CHUA K H.An aggressively pruned CNN model with visual attention for near real-time wood defects detection on embedded processors［J］.IEEE Access，2023，11：36834-36848.

[2] XIE Y H， WANG J C.Study on the identification of the wood surface defects based on texture features［J］.Optik-International Journal for Light and Electron Optics，2015，126（19）：2231-2235.

[3] 王金聪，宋文龙，张彭涛.应用改进分水岭算法对木材表面缺陷图像分割试验［J］.东北林业大学学报，2018，46（10）：93-97.

[4] WANG J C， SONG W L， ZHANG P T，et al.Image segmentation of wood surface defects with improved watershed algorithm［J］.Journal of Northeast Forestry University，2018，46（10）：93-97.

[5] LIU W， ANGUELOV D， ERHAN D，et al.SSD：Single shot multibox detector［C］//European Conference on Computer Vision，October 11-14，2016，Amsterdam，The Netherlands，2016：21-37.

[6] CHENG D， CHENG G， WANG X.Real-time detection method of wood defects based on deep learning［C］//2022 IEEE 8th International Conference on Computer and Communications （ICCC），09-12 December，2022，Chengdu，China，IEEE，2022：2192-2197.

[7] REDMON J， DIVVALA S， GIRSHICK R，et al.You only look once：Unified，real-time object detection［C］//2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR），12 December 2016，Las Vegas，NV，USA.IEEE，2016：779-788.

[8] YUAN W.Accuracy comparison of YOLOv7 and YOLOv4 regarding image annotation quality for apple flower bud classification［J］.AgriEngineering，2023，5（1）：413-424.

[9] ROSS G.Fast R-CNN［C］//2015 IEEE International Conference on Computer Vision （ICCV），07-13 December 2015，Santiago，Chile.IEEE，2015：1440-1448.

[10] REN S Q， HE K M， GIRSHICK R，et al.Faster R-CNN：Towards real-time object detection with region proposal networks［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2017，39（6）：1137-1149.

[11] LIU Z F， LIU X H， LI C L，et al.Fabric defect detection based on faster R-CNN［C］// 9th International Conference on Graphic and Image Processing，14-16 October 2017，Qingdao，China.2018：55-63.

[12] HAN S， JIANG X， WU Z.An Improved YOLOv5 algorithm for wood defect detection based on attention［J］.IEEE Access，2023，11：71800-71810.

[13] LI D， XIE W， WANG B，et al.Data augmentation and layered deformable mask R-CNN-Based detection of wood defects［J］.IEEE Access，2021，9：108162-108174.

[14] XIA B， LUO H， SHI S.Improved faster R-CNN based surface defect detection algorithm for plates［J］.Computational Intelligence and Neuroscience，2022，2022：3248722.

[15] 贾浩男，徐华东，王立海，基于改进YOLOv5木板材表面缺陷的定量识别［J］.北京林业大学学报，2023，45（4）：147-155.

[16] JIA H N， XU H D， WANG L H，et al.Quantitative identification of surface defects in wood paneling based on improved YOLOv5［J］.Journal of Beijing Forestry University，2023，45（4）：147-155.

[17] 江兴旺，赵兴强.改进YOLOv7的木材表面缺陷检测算法［J］.计算机工程与应用，2024，60（7）：175-182.

[18] JIANG X W， ZHAO X Q.Improved YOLOv7 algorithm for wood surface defect detection［J］.Computer Engineering and Applications，2024，60（7）：175-182.

[19] 曹永鑫，刘芳华，江来，基于YOLOv5-LW模型的木材表面缺陷检测方法［J］.林业工程学报，2024，9（5）：144-152.

[20] CAO Y X， LIU F H， JIANG L，et al.Detection of wood surface defects using YOLOv5-LW model［J］.Journal of Forestry Engineering，2024，9（5）：144-152.

[21] 胡继文，张国梁，李文浩，轻量化YOLOv5n的木材表面缺陷检测模型［J］.林产工业，2024，61（11）：6-13，32.

[22] HU J W， ZHANG G L， LI W H，et al.Timber surface defect detection model based on lightweight YOLOv5n［J］.China Forest Products Industry，2024，61（11）：6-13，32.

[23] 朱豪，周顺勇，曾雅兰，基于改进YOLOv5s的木材表面缺陷检测模型［J］.木材科学与技术，2023，37（2）：8-15.

[24] ZHU H， ZHOU S H， 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.

[25] 曾小山，张小波.基于YOLO-RW模型的机器视觉原木端面识别定位［J］.森林工程，2023，39（5）：144-153.

[26] ZENG X S， ZHANG X B.A log end face recognition and positioning model based on YOLO-RW［J］.Forest Engineering，2023，39（5）：144-153.

[27] YANG G， LEI J， ZHU Z.AFPN：Asymptotic feature pyramid network for object detection［A/OL］.arXiv.2306. 15988，2023［2024-12-15］.

[28] 肖维颖，王健，李文顺.松树株数识别的YOLOv5轻量化算法研究［J］.森林工程，2023，39（4）：126-133.

[29] XIAO W Y， WANG J， LI W S.Research on YOLOv5 lightweight algorithm for pine tree strain identification［J］.Forest Engineering，2023，39（4）：126-133.

基金资助

云南省重大科技专项计划项目(202402AE090027)

国家自然科学基金项目(524650231006957)