基于改进YOLOv8模型的木材缺陷检测

Research on Wood Defect Detection Based on Improved YOLOv8 Model

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。

Abstract

To solve the problem that the target detection algorithm is prone to leakage and lacks detection accuracy in detecting wood surface defects， this paper proposes an improved YOLOv8 model （YOLOv8-CBW， C， B and W are abbreviations for CondSiLU， BiFPN and Wise-IoU） and constructs a self-made dataset containing various wood defects. By optimizing the original YOLOv8 algorithm and combining CondConv （conditional convolution） with SiLU （sigmoid-weighted linear unit） to form the CondSiLU module instead of the traditional convolution module， the flexibility of feature extraction is improved； the bidirectional feature pyramid network （BiFPN） is introduced to enhance the multi-scale feature fusion capability； and the Wise-IoU （weighted intersection over union） loss function replaces the CIoU （complete intersection over union） to improve the adaptability and generalization performance of the model to low-quality samples. The experimental results show that the improved YOLOv8-CBW model improves the mAP50 （mean average precision at IoU threshold 0.50） and mAP50-95（mean average precision over IoU thresholds from 0.50 to 0.95） by 3.7% and 3.9%， respectively， compared with the YOLOv8 model， and it shows higher precision and stability in complex wood defect detection tasks. The research in this paper provides new ideas for wood defect detection tasks and has good practical application prospects.

Graphical abstract

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

Key words

Wood detection / deep learning / loss function / conditional convolution / feature fusion / YOLOv8 / defect identification

0 引言

木材作为一种重要的可再生资源，具有重要的生态价值^［1］和经济价值。木材表面缺陷检测是现代木材加工产业中的关键技术之一，能够通过自动化手段检测出裂缝、腐坏和死节等木材缺陷^［2］，为木材质量评估和分类提供技术支持，因此研究基于深度学习的木材缺陷检测技术对提高我国木材加工产业的技术水平具有重要意义。

一般的深度学习网络模型在处理木材表面缺陷这种含有多尺度特征的复杂场景时存在一定的局限性^［3］。近些年来，随着目标检测技术的不断发展，基于深度学习的木材表面缺陷检测技术在应对多特征环境时，其检测精度和速度均有了显著的提升。其中，曹永鑫等^［4］提出了基于YOLOv5改进的YOLOv5-LW（lightweight wood）模型，结合骨干网络与ECA（efficient channel attention）注意力机制，增强模型对关键信息的关注能力。同时，融入特征融合网络MBiFPN（modified bidirectional feature pyramid network），减少了特征损失，还丰富了局部和细节特征，但检测速度明显下降，且由于ECA注意力机制在小目标检测上的精度问题，在检测细小木材缺陷方面，精度达不到生产要求，无法进一步推广；王正等^［5］基于YOLOv7模型的木材缺陷检测算法改进，通过将ECA注意力机制与二级残差网络（Res2Net）相结合，构建了ECA-Res2Net模块，有效提升了网络对特征的提取能力，但对于小目标检测效果仍不够理想，检测精度不足以满足工业生产的需求，且检测速度较慢，无法满足实时性的要求。综合以上问题，本研究采集大量的木材表面缺陷图像制作了木材缺陷检测数据集，并提出了一种基于改进YOLOv8的木材表面缺陷检测算法（YOLOv8-CBW，C、B、W分别为CondSiLU、BiFPN、Wise-IoU的缩写）。首先设计了新的CondSiLU模块^［6］，通过动态调整卷积核，提高模型在不同木材缺陷检测的适应能力。其次，引入双向特征金字塔网络（bidirectional feature pyramid network，BiFPN）^［7］，增强了模型对于木材这类多特征目标的多尺度特征融合能力。最后，重构了检测头，引入Wise-IoU^［8］来取代CIoU（complete-IoU（intersection over union）），通过损失关注机制提高了模型对低质量样本的泛化性。

1 研究方法

1.1 算法改进内容

针对当前木材表面缺陷检测效果不佳的问题，本研究在YOLOv8的基础上，设计了YOLOv8-CBW模型，网络结构如图1所示。算法具体改进如下。

1）设计CondSiLU模块取代原有的ConvModule（convolutional module）卷积模块，提高图像特征提取效率。

2）颈部引入BiFPN通过加权特征融合机制，调节不同样本权重，提高多尺度特征提取性能。

3）将检测头的损失函数替换为Wise-IoU，提高模型对于低质量样本的检测能力。

1.2 CondSiLU模块

针对在木材表面缺陷检测中，缺陷的尺度变化较大。ConvModule模块卷积层中的固定卷积核，在处理多尺度特征时很容易丢失一些细节或过于关注某个尺度的信息^［9］。鉴于ConvModule卷积层的这种问题，本研究在CondConv模块的基础上设计出了CondSiLU（conditional convolution with SiLU Activation）模块来代替YOLOv8模型里的ConvModule模块。CondConv模块通过引入条件参数（根据输入特征动态生成的卷积核），来替代传统卷积中的固定卷积核。上一层模块的输出结果，同时作为本模块的输入，通过计算权重函数计算不同卷积核的权重，从而对每一个输入生成专属的卷积核组合。结果通过组合的卷积核对输入的数据进行卷积得到^［10］。最后再进行归一化处理和激活函数即可得到CondConv模块的输出结果。CondConv模块使用的是ReLU（rectified linear unit）激活函数^［11］，虽然可以解决梯度消失的问题，但是当输入结果为负时，其产生的梯度为零。而SiLU（sigmoid-weighted linear unit）函数在输入为负时，SiLU的输出结果也可以非负，因此使用SiLU函数代替ReLU函数可以提高模块反向传播阶段的性能。本研究使用SiLU函数来作为CondConv模块的激活函数，设计了新的CondSiLU卷积模块。由于CondConv模块原本针对木材表面缺陷这类特征尺度变化大的场景要比普通卷积具有更好的适用性，并且本研究设计的CondSiLU模块由于激活函数的修改，增强了其反向传播性能，因此该模块适用于木材表面这类复杂的缺陷识别任务，能够提升木材缺陷检测模型的整体性能。改进后的CondConv模块结构如图2所示。

1.3 双向特征金字塔网络（BiFPN）

在目标检测任务中，网络的颈部（Neck）结构对于多尺度特征融合至关重要.YOLOv8网络中使用路径聚合网络（path aggregation network，PANet）^［12］来实现特征图的多尺度融合。与单向的、自上而下的特征金字塔网络（feature pyramid networks，FPN）^［13］不同，PANet为双向通路网络，通过自上而下和自下而上的路径对多层特征图进行融合，使得高层次特征图可以包含更多的低层细节信息。然而，PANet在融合时仅进行简单的特征连接，没有引入特征融合的权重调节机制。如果底层特征信息不足或者丢失，这种方法就可能会降低检测精度。

谷歌团队在前人特征融合研究的基础上，提出了一种新的模型EfficientDet（efficient object detection），该架构在颈部提出了一种高效的双向特征金字塔网络，如图3所示（P3—P7为BiFPN输入的特征层，由于P1（经过一次卷积的特征层）和P2（经过两次卷积的特征层）的分辨率太高，计算成本太大，因此选择从P3作为输入）。BiFPN在特征融合方面表现出更高的灵活性。采用双向的特征融合路径，能够实现自上而下和自下而上的特征双向流动，从而更全面地整合不同层级的特征信息。

同时BiFPN的设计简化了一些不必要的特征融合路径，仅保留了中间最有效的融合路径^［14］，而省去了边缘对网络整体性能影响较小的节点，进而简化双向网络，提高了特征融合的速度。针对不同的木材缺陷尺寸差距较大的问题，BiFPN采用快速归一化融合的方式来平衡不同特征之间的权重占比，从而减少了因为特征尺寸差异而造成的误检以及漏检。

1.4 Wise-IoU损失函数

在检测木材表面缺陷时，损失函数的选择对模型的精度和检测效率至关重要^［15］。为了进一步提高模型在应用时的检测精度，本研究使用Wise-IoUv3损失函数替代原模型中的CIoU^［16］损失函数，通过引入离群度来动态分配梯度增益，从而增强了模型对于低质量样本的泛化性和适用性。Wise-IoUv1的计算公式为

L_{\mathrm{W}\mathrm{I}\mathrm{o}\mathrm{U}\mathrm{v}\mathrm{1}}=(\mathrm{1}-I_{\mathrm{o}\mathrm{U}})\mathrm{e}\mathrm{x}\mathrm{p}\left(\frac{(x-x_{\mathrm{g}\mathrm{t}}{)}^{\mathrm{2}}+(y-y_{\mathrm{g}\mathrm{t}}{)}^{\mathrm{2}}}{(W_{\mathrm{g}}^{\mathrm{2}}+H_{\mathrm{g}}^{\mathrm{2}}{)}^{\mathrm{*}}}\right)。（1）

式中：L_{\mathrm{W}\mathrm{I}\mathrm{o}\mathrm{U}\mathrm{v}\mathrm{1}}为Wise-IoUv1的最终损失值；I_{\mathrm{o}\mathrm{U}}为传统损失函数的交并比；x和y为坐标预测框中心点的值；x_{\mathrm{g}\mathrm{t}}和y_{\mathrm{g}\mathrm{t}}代表实际框的中心点坐标；W_{\mathrm{g}}和H_{\mathrm{g}}分别为封闭框的宽和高；W_i和H_i表示预测边界框的宽和高。Wise-IoUv1示意图如图4所示。

Wise-IoUv3的计算过程如下。

离群度公式为

\beta =\frac{L_{\mathrm{I}\mathrm{o}\mathrm{U}}^{\mathrm{*}}}{\overline{L_{\mathrm{I}\mathrm{o}\mathrm{U}}}}\in [\mathrm{0},+\mathrm{\infty })。（2）

式中：β为离群度；L_{\mathrm{I}\mathrm{o}\mathrm{U}}^{\mathrm{*}}为基准IoU损失；L_{\mathrm{I}\mathrm{o}\mathrm{U}}^{}为当前样本的IoU损失。

动态权重公式为

r=\frac{\beta }{\delta {\alpha }^{\beta -\delta }}。（3）

式中：r为动态权重，用于调整Wise-IoUv3的损失值；δ和α为超参数，用于控制权重的变化趋势，当\beta较大时，r会减小，从而降低离群点对模型训练的负面影响。当\beta较小时，说明样本点为正常点，r会增大，增强正常样本对模型训练的贡献。

Wise-IoUv3计算公式为

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}}。（4）

式中，L_{\mathrm{W}\mathrm{I}\mathrm{o}\mathrm{U}\mathrm{v}\mathrm{3}}为Wise-IoUv3的最终损失值。

Wise-IoUv3的定义与Wise-IoUv1类似，但是引入了离群度\beta，离群度高表明样本的质量较差，此时分配较小的梯度增益来减少对低质量样本的关注。当离群度较低的时候，说明样本本身质量较高，分配的梯度增益也会相应的增加。这种方法的IoU^［17］损失可以根据描框到目标框中心点的距离进行调整^［18-19］。因此，这一方式提高了模型对于样本的泛化性。

2 试验与分析

2.1 试验环境与训练参数

本次试验使用Pytorch 1.11.0框架和CUDA 11.6进行训练，试验平台信息见表1。在模型的训练阶段中，不使用预训练权重，批处理大小（batch size）为16，初始学习率设定为0.01，输入图像的分辨率设置为640×640像素，模型优化方法选用的是随机梯度下降（SGD），总训练轮数（epoch）为200，工作线程数（workers）设为8，其余参数均保持默认配置。

2.2 数据集

本研究通过走访多家木材加工企业以及本研究项目基金服务的木材加工企业，使用手机拍摄，共采集了多种木材缺陷图像2 665张，所有木材均为原木切割且未经其他方式处理获得。为了保证数据采集的一致性，本研究在木材缺陷图像采集中采用了统一的拍摄标准和环境控制措施。所有木材缺陷图像均在光照均匀的室内环境下拍摄，背景为中性颜色，以减少环境变化带来的干扰。同时，拍摄时保持手机摄像头与木材表面垂直，拍摄距离控制在50 cm左右，尽量确保样本质量的一致性。此外，所有图像均使用同一型号的手机拍摄，以减少设备差异带来的影响。在数据处理环节，对所有图像进行了尺寸标准化（640×640像素）和颜色归一化操作，进一步提高了模型对复杂检测场景的适应能力。

在以上数据的基础上，本研究又从捷克的奥斯特拉发理工大学^［20］在2022年更新的大规模木材表面缺陷图像的公开数据集中，选择了592张图像。为了验证采集环境和设备差异对模型性能的影响，将数据集按采集来源分为2组：手机拍摄数据集和公开数据集，分别训练和测试改进后的YOLOv8-CBW模型。试验结果表明，2组数据集的平均精度（mean average precision，mAP）指标差异在1.5%以内，说明设备或环境带来的差异对模型性能影响较小，这进一步验证了本研究数据集的一致性和模型的泛化能力。经过测试发现，由于原始数据集的样本量较小，在检测模型的训练过程中会出现模型过拟合的问题。为了避免过拟合问题，对原始数据进行了数据增强，增强手段包括对原始数据进行旋转、高亮以及裁切。增强后的数据集共包含8 194张图像。将数据集按照8∶1∶1划分为训练集、验证集、测试集。本研究的数据集具有的细节见表2。数据集包含的缺陷类型：活结、死结、带有缝隙的结、树髓、裂缝、腐烂，如图5所示。

2.3 评价指标

为了公正评估所提模型在木材缺陷检测中的表现，本研究试验部分采用的性能指标包括精确率（precision，P）、召回率（recall，R）、平均精度均值（mean average precision，\mathrm{m}\mathrm{A}\mathrm{P}，式中记为m_AP）以及模型的计算量（GFLOPs）。评价指标计算公式为

P=\frac{T_{\mathrm{P}}}{T_{\mathrm{P}}+F_{\mathrm{P}}}\times \mathrm{100}\mathrm{\%}。（5）

R=\frac{T_{\mathrm{P}}}{T_{\mathrm{P}}+F_{\mathrm{N}}}\times \mathrm{100}\mathrm{\%}。（6）

式中：T_{\mathrm{P}}（true positive）代表模型正确预测为正例的数量；F_{\mathrm{P}}（false positive）表示模型错误预测为正例的误报数量；F_{\mathrm{N}}（false negative）则是模型未能检测到的漏检数量。

A_{\mathrm{P}}={\int }_{\mathrm{0}}^{\mathrm{1}}P(R)\mathrm{d}R。（7）

m_{\mathrm{A}\mathrm{P}}=\frac{{\displaystyle \sum _{i=\mathrm{1}}^k}A{P}_i}{k}。（8）

式中：A_{\mathrm{P}}为单个目标类的平均精度；m_{\mathrm{A}\mathrm{P}}为所有目标类平均精度的平均值，m_{\mathrm{A}\mathrm{P}}越接近1，表示模型的性能越好，检测精度越高。

2.4 试验结果

2.4.1 消融试验

为了验证各改进模块对木材缺陷检测模型性能的影响，以及设计的新模块相比原模块的性能提升，设计了一系列消融试验，在YOLOv8原模型的基础上逐步增加改进的组件，观察性能指标的变化。通过这些试验，可以明确各模块在提升模型效果中的作用，并进一步分析模型的优劣。消融试验的对象包括YOLOv8、YOLOv8-CondConv、YOLOv8-CondSiLU、YOLOv8-BiFPN、YOLOv8-Wise-IoU、YOLOv8-CondSiLU-BiFPN、YOLOv8-CondSiLU-BiFPN-Wise-IoU（YOLOv8-CBW）。消融试验结果见表3（mAP50是指IoU阈值为0.50时的平均精度均值，mAP50-95是指IoU阈值从0.50到0.95时的平均精度均值）。

表3消融试验结果表明，通过逐步对YOLOv8模型进行改进，综合性能得到了显著提升。以原始 YOLOv8模型作为基线，在引入CondSiLU模块后，模型对木材缺陷特征的表达能力增强，检测性能有所提升。同时，条件卷积的动态卷积特性，导致模型的计算复杂度并没有明显增加，表明该卷积模块可以在不显著增加计算量的前提下，提高模型对于木材缺陷检测的性能。此外，相较于CondConv模块，引入SiLU激活函数的CondSiLU模块，由于解决了当输入为负时输出梯度为零的问题，使得模型性能进一步提升。在此基础上，在颈部引入BiFPN后，多尺度特征的融合效果得到优化，小目标和复杂背景的检测能力进一步提高，得到的YOLOv8-BiFPN模型相比基线模型，mAP50提高了2.6%，mAP50-95提升了3.0%，Precision和Recall分别提升了1.3%和2.0%。最终，通过改进损失函数Wise-IoU，模型的分类和定位精度得到了加强，并且计算量基本保持不变，再次印证了损失函数对于优化模型检测性能中的关键作用。

此外，将CondSiLU模块与BiFPN网络结合后，模型性能相较于单一模块的改进仍有所提升，表明模块间的协同效应。最终，改进后YOLOv8-CBW模型与基线YOLOv8模型相比在mAP50和mAP50-95上分别提升了3.7%和3.9%，计算量仅增加了1.2 GFLOPs，表现出高效性能与计算效率的平衡。这些结果充分验证了改进方法在木材缺陷检测任务中的有效性。

图6显示了消融试验的检测结果。图6（a）为现场采集的图像，存在2个死结（Death_knot）缺陷。图6中的数值表示检测置信度，置信度越高，表明检测算法的准确性越强。图6（b）、图6（c）、图6（d）、图6（e）和图6（f）分别对应消融试验5种不同方法的检测结果，由此可以看出，YOLOv8方法的检测精度最低。对于图6中木材表面的死结（Death_knot）缺陷，基线模型的分类置信度仅为0.89和0.76，低于其他4种方法获得的值。采用了CondConv模块改进的模型，由于其激活函数的部分负面特性，其检测精度也未有显著提升，置信度低于另外3种改进方法。其他方法均提高了模型的木材表面缺陷检测能力。其中，本研究提出的YOLOv8-CBW算法的检测精度最高。对测试木板中的缺陷的分类置信度分别达到了0.95和0.92。以上数据表明，本研究所引入的网络结构和模块，使模型在木材表面缺陷检测方向的性能有了显著提高，在提高识别精度的同时，保证了实时性，为木材缺陷检测领域提供了一个新的解决方案。

2.4.2 不同模型比较试验

为了全面评估不同目标检测模型在木材缺陷检测任务中的表现，本研究选择了代表性的单阶段和双阶段目标检测模型进行对比试验。单阶段模型包括SSD（single shot multiBox detector）、YOLOv5、YOLOv7和YOLOv8，这些模型以其较高的推理速度和优化的检测精度被广泛应用于实时目标检测任务。双阶段模型则包括经典的R-CNN（region-based convolutional neural network）和Faster R-CNN（faster region-based convolutional neural network）。通过对这些模型的对比，能够全面评估其在木材缺陷检测中的适应性和性能差异。试验结果见表4。

由表4可以看出，在检测精度上，YOLOv5和YOLOv7基本持平，但二者检测精度皆弱于YOLOv8，且检测时间比YOLOv8更长，计算复杂度明显高于YOLOv8，需要更多的计算资源，不利于实时性场景的应用。在检测精度方面，YOLOv8-CBW得分最高，mAP50和mAP50-95分别达到了89.6%和57.2%，表明YOLOv8-CBW的缺陷检测精度优于对比试验的其他检测算法。另一个单阶段算法SSD的推理时间较2个双阶段算法明显减少，但识别精度没有明显提升。双阶段算法R-CNN检测单张图像所需的时间最长，为53.71 ms，Faster-RCNN相比R-CNN在检测速度上有一定提升，但是检测精度与YOLO系列算法仍有较大差距。YOLOv8耗时最短，仅为13.5 ms， YOLOv5耗时17.6 ms。由于YOLOv8-CBW在YOLOv8的基础上增加了BiFPN等模块，检测过程需要时间稍长为16.9 ms。由图7可以看出，本研究所提出的YOLOv8-CBW模型的平均精度明显优于基准模型YOLOv8，说明了改进模型的有效性。并且平均精度随着训练轮数的增加先增加，后趋于平缓并最终收敛，且曲线平滑，验证了本研究提出的模型在训练稳定性上的优异表现。综上所述，YOLOv8-CBW模型在检测精度和处理时间上找到了一个很好的平衡点。在保证较高检测精度和稳定性的同时，满足了模型对于实时性的需求，在木材表面缺陷检测任务中整体检测效果最好。

图8为YOLOv8-CBW模型对奥斯特拉发理工大学的公开数据集进行木材缺陷检测的效果图。由图8可以观察到，模型能够准确识别出木材表面的多种缺陷类型，包括活结、死结和裂纹等，并为每个检测框分配了较高的置信度分值。同时，对于复杂背景下的小缺陷区域，模型也表现出了较强的鲁棒性，成功避免了漏检和误检现象。相比于传统方法，所提模型在复杂场景中的表现更为优越，验证了网络结构改进对检测性能提升的有效性。此外，改进的损失函数进一步优化了边界框的拟合精度，使得检测框能够更好地贴合缺陷的真实边界。这表明，引入CondSiLU、BiFPN和WiseIoU的策略组合，对模型的整体检测性能和泛化能力具有积极作用。

2.4.3 损失函数对比试验

为了验证本研究所使用的损失函数对木材表面缺陷检测模型性能的影响，在改进模型的基础上引入了滑动损失（Slide Loss）、焦点损失（Focal Loss）、质量焦点损失（Quality Focal Loss，QFL）进行损失函数对比试验。Focal Loss适用于类别不平衡的任务，通过调整正负样本的权重，从而有效缓解正负样本不平衡的问题，提高了检测精度和训练稳定性。Slide Loss采用了一种基于滑动窗口的策略，专注于训练过程中的困难样本，尤其是位于边界的样本。QFL是在Focal Loss基础上的改进，通过将分类分数与检测框的IoU结合，进一步优化了样本的权重分配。试验结果见表5。

由表5可知，本研究中使用的Wise-IoU损失函数与其他损失函数相比，在mAP50、准确率和召回率指标上均表现出明显的优势，分别达到了89.6%、88.9%和83.7%。损失函数的LOSS曲线如图9所示，由图9可以看出，Wise-IoU损失函数的损失曲线随着训练轮数的增加，逐渐减小，最终趋于平稳。说明了模型在学习特征，逐渐逼近最优解，训练过程整体稳定。通过采用该损失函数，显著提升了YOLOv8模型在木材缺陷检测任务中的精度，证明了Wise-IoU损失函数在木材缺陷检测背景下具有良好的适用性与有效性。

3 结论

本研究基于改进的YOLOv8 模型，成功实现了对木材表面缺陷的高效检测。使用现场采集的图像和数据增强技术来自建数据集。在模型设计上，引入了双向特征金字塔网络以优化主干网络的特征提取能力，并使用条件卷积模块替代了原有的卷积模块，进一步提升了模型的适应性。最后，对检测头的损失函数进行了改进，从而显著增强了模型的检测性能。最终经过试验后得到以下结论。

1）检测精度显著提升。改进后的YOLOv8-CBW模型在检测性能方面表现优异，与基线YOLOv8模型相比，mAP50提高了3.7%，从85.9%提升至89.6%；mAP50-95提高了3.9%，从53.3%提升至57.2%，验证了改进方法对木材缺陷检测任务的有效性。

2）实时性与计算效率平衡。YOLOv8-CBW 模型在计算复杂度仅增加1.2 GFLOPs的情况下，达到了较高的检测精度。兼顾了高检测精度与实时性需求，展现了其在工业应用场景中的良好适用性。

3）改进策略效果显著。消融试验表明，CondSiLU模块提升了模型的特征表达能力，BiFPN网络优化了多尺度特征融合性能，Wise-IoU损失函数提高了低质量样本的适应性。综合这些改进，模型在检测木材表面复杂缺陷（如死结、活结、裂缝等）时，分类置信度显著提升。

尽管改进后的YOLOv8-CBW模型在木材缺陷检测中取得了显著效果，但在极端条件下（如光照不均、缺陷形态复杂）仍存在一定的局限性。未来可以结合计算机视觉的前沿技术进一步优化模型的特征提取能力，同时在后续研究中，将会增加更为真实的工业场景进行测试，以进一步验证改进方法的适用性。综合来说，YOLOv8-CBW模型可以显著减少对人工检测的依赖，提高检测效率和准确性，降低误检和漏检率。这将推动我国木材加工行业从传统劳动密集型向智能化、自动化方向转型。

参考文献

[1] 田明华，杜磊，王芳，我国森林资源木材生产能力预测分析［J］.林产工业，2022，59（4）：57-63.

[2] TIAN M H， DU L， WANG F，et al.Forecast and analysis of the timber production capacity of China's forest resources［J］.China Forest Products Industry，2022，59（4）：57-63.

[3] 韩成宇，庞久寅，孙耀星，基于EVA的功能型木材防裂剂的研制［J］.森林工程，2023，39（6）：95-100，108.

[4] HAN C Y， PANG J Y， SUN Y X，et al.Study and manufacture of anti-cracking agent for functional wood based on EVA［J］.Forest Engineering，2023，39（6）：95-100，108.

[5] 程玉柱，顾权，王众辉，基于深度学习的木材缺陷图像检测方法［J］.林业机械与木工设备，2018，46（8）：33-36.

[6] CHENG Y Z， GU Q， WANG Z H，et al.Wood defect image segmentation based on deep learning［J］.Forestry Machinery and Woodworking Equipment，2018，46（8）：33-36.

[7] 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.

[8] 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.

[9] 王正，江莺，严飞，基于YOLOv7的木材缺陷检测模型Wood-Net的研究［J］.林业工程学报，2024，9（1）：132-140.

[10] WANG Z， JIANG Y， YAN F，et al.Research on wood defect detection model Wood-Net based on YOLOv7［J］.Journal of Forestry Engineering，2024，9（1）：132-140.

[11] 姬广凯，王蓉，彭舒凡.基于注意力机制与条件卷积的行人重识别方法［J］.北京航空航天大学学报，2024，50（2）：655-662.

[12] JI G K， WANG R， PENG S F.Person re-identification method based on attention mechanism and CondConv［J］.Journal of Beijing University of Aeronautics and Astronautics，2024，50（2）：655-662.

[13] 余平平，林耀海，赖云锋，融合BiFPN和YOLOv5s的密集型原木端面检测方法［J］.林业工程学报，2023，8（1）：126-134.

[14] YU P P， LIN Y H， LAI Y F，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.

[15] 崔涛，韩涛，黄友锐.低光照场景下路面病害检测方法［J/OL］.重庆工商大学学报（自然科学版），1-11［2024-12-11］.

[16] CUI T， HAN T， HUANG Y R.Road surface disease detection method in low light scenarios［J/OL］.Journal of Chongqing Technology and Business University （Natural Science Edition），1-11 ［2024-12-11］.

[17] 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.

[18] 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.

[19] 耿磊，张文跃，肖志涛，基于特征重建的无监督木材图像异常检测［J］.计算机工程与设计，2024，45（6）：1829-1835.

[20] 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.

[21] 陈晨，薛文杰，董平先，基于注意力机制结合改进动态ReLU的输变电工程图纸智能评审方法［J］.沈阳工业大学学报，2024，46（6）：772-778.

[22] CHEN C， XUE W J， DONG P X，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.

[23] 胡艺馨，张逸杰，方健，面向目标检测任务的轻量化网络模型设计［J］.计算机工程与设计，2023，44（2）：548-555.

[24] HU Y X， ZHANG Y J， FANG J，et al.Design of lightweight network model for target detection task［J］.Computer Engineering and Design，2023，44（2）：548-555.

[25] 金可艺，陈惠妹，曹斯茹.基于改进FPN的小目标检测算法［J］.中国新技术新产品，2024（21）：45-48.

[26] JIN K Y， CHEN H M， CAO S R.Small object detection algorithm based on improved FPN［J］.New Technology and New Products of China，2024（21）：45-48.

[27] 卞玉丽.基于CornerNet的木材表面缺陷检测的研究与应用［J］.电子技术与软件工程，2021（18）：208-210.

[28] BIAN Y L.Research and application of wood surface defect detection based on CornerNe［J］.Electronic Technology and Software Engineering，2021（18）：208-210.

[29] 肖雨晴，杨慧敏，王柯欣，卷积神经网络在木材缺陷检测应用中的研究进展［J］.木材科学与技术，2021，35（3）：12-18.

[30] XIAO Y Q， YANG H M， WANG K X，et al.Research progress of convolutional neural network in wood defect detection［J］.Chinese Journal of Wood Science and Technology，2021，35（3）：12-18.

[31] 熊聪，于安宁，高兴华，基于改进YOLOX的钢材表面缺陷检测算法［J］.电子测量技术，2023，46（9）：151-157.

[32] XIONG C， YU A N， GAO X H，et al.Steel surface defect detection algorithm based on improved YOLOX［J］.Electronic Measurement Technology，2023，46（9）：151-157.

[33] 陈志旺，刁华康，袁宇，基于图网络与IoU感知的孪生网络目标跟踪算法［J］.控制与决策，2024，39（9）：2867-2875.

[34] CHEN Z W， DIAO H K， YUAN Y，et al.Siamese network object tracking algorithm based on graph network and IoU-aware［J］.Control and Decision，2024，39（9）：2867-2875.

[35] 孙铁强，洪兆志，宋超，基于多尺度特征融合的轻量化绝缘子缺陷检测［J/OL］.激光与光电子学进展，1-19［2024-12-11］.

[36] SUN T Q， HONG Z Z， SONG C，et al.Lightweight insulator defect detection based on multi-scale feature fusion［J/OL］.Laser & Optoelectronics Progress，1-19 ［2022-12-11］.

[37] 董恒祥，潘江如，董芙楠，基于YOLOv5s模型的边界框回归损失函数研究［J］.现代电子技术，2024，47（3）：179-186.

[38] DONG H X， PAN J R， DONG F N，et al.Research on bounding box regression loss function based on YOLOv5s model［J］.Modern Electronics Technique，2024，47（3）：179-186.

[39] 张旭中，翟道远，陈俊.基于深度强化学习的木材缺陷图像识别及分割模型研究［J］.电子测量技术，2020，43（17）：80-86.

[40] ZHANG X Z， ZHAI D Y， CHEN J.Research on wood defect image recognition and segmentation model based on deep reinforcement learning［J］.Electronic Measurement Technology，2020，43（17）：80-86.

基金资助

黑龙江省重大成果转化项目(CG23013)

黑龙江省“双一流”学科协同创新成果项目(LJGXCG2024-F16)