基于改进YOLO11的木材端面识别模型设计

摘要

天然木材端面存在不规则纹理与缺陷特征，木材端面识别定位属于一个难点问题。为提高木材端面的检测精度，同时减少模型参数量、提高模型运行速度、方便移动端部署，对YOLO11模型进行改进，构建更加适用于原木检测的端到端深度学习模型。首先，使用飞浆轻量级CPU卷积神经网络（Paddle paddle lightweight CPU convolutional neural network,PP-LCNet）替换YOLO11网络结构的骨干网络，减少模型参数量，扩大感受野，提升模型大目标检测精度；其次，在颈部网络中加入无参注意力机制简易注意力模块（Simple altention module,SimAM），自适应增强关键特征，抑制冗余信息，增强小目标识别能力；最后，引入归一化Wasserstein距离损失函数（normalized Wasserstein distance,NWD）,NWD更适合测量极小目标间的相似性，进一步提高对木材端面识别的准确率和精度。试验结果表明，同比基准模型，改进版模型具有更高的端面识别精度，mAP@0.5提升2.65%,mAP@0.95提升5.29%，浮点计算数下降15.15%，在原木木材材积检测领域有着较好的应用价值。

关键词

原木木材 / 端面识别 / 深度学习 / YOLO改进 / 目标检测