基于改进YOLOv8s的复杂纹理木材缺陷检测技术

摘要

为解决现有木材缺陷检测方法在复杂纹理场景下精度较低的问题，提出一种基于改进YOLOv8s的木材缺陷检测方法。首先，在模型的主干网络中引入高效多尺度注意力机制（efficient multi-scale attention,EMA），加强模型对复杂纹理缺陷的上下文感知能力。其次，将颈部网络设计为重参数化泛化特征金字塔网络，增强模型跨尺度特征融合效率。然后，将损失函数替换成SIoU，提高检测框回归精度。最后，将倒置残差模块iRMB与C2f模块进行融合，增强模型对微小缺陷捕捉能力。试验结果显示，所提改进方法相较于基准模型，在精准率、召回率、检测精度、检测精度均值方面分别提高5.09%、3.13%、3.72%、2.63%，检测速度也达到了120帧/s。研究表明，所提改进方法显著增强了模型的鲁棒性和泛化能力，使得模型性能更加卓越、稳健。

关键词

木材缺陷 / 复杂纹理 / 深度学习 / 目标检测 / YOLOv8 / 注意力机制 / 倒置残差 / 泛化特征