基于改进YOLOv8模型的木材缺陷检测

摘要

为解决目标检测算法在木材表面缺陷检测中容易出现漏检及检测精度不足的问题，提出一种改进的YOLOv8模型（YOLOv8-CBW,C、B、W分别为CondSiLU、BiFPN、Wise-IoU的缩写），并构建包含多种木材缺陷的自制数据集。通过对原有的YOLOv8算法进行优化，将条件卷积（conditional convolution,CondConv）与SiLU (sigmoid-weighted linear unit)结合后形成CondSiLU模块替代传统卷积模块，提升特征提取的灵活性；引入双向特征金字塔网络（bidirectional feature pyramid network,BiFPN），增强模型多尺度特征融合能力；并用Wise-IoU (weighted intersection over union)损失函数替代CIoU (complete intersection over union)，提高模型对低质量样本的适应性和泛化性能。试验结果表明，改进后的YOLOv8-CBW模型与YOLOv8模型相比，mAP50 （即IoU （交并比）阈值为0.50时的平均精度均值）和mAP50-95 （是指IoU （交并比）阈值在0.50～0.95时的平均精度均值）分别提高了3.7%和3.9%，且在复杂木材缺陷检测任务中表现出更高的精度和稳定性。研究结果为木材缺陷检测任务提供新思路，并具有良好的实际应用前景。

关键词

木材检测 / 深度学习 / 损失函数 / 条件卷积 / 特征融合 / YOLOv8 / 缺陷识别