多尺度特征聚合的木材缺陷检测算法

摘要

针对木材表面缺陷检测中存在的多尺度缺陷、复杂背景干扰及小目标漏检等问题，基于YOLOV11n提出一种多尺度特征聚合的木材缺陷检测算法PADDL-YOLO(PADDL是由PMSFA(partial multi-scale feature aggregation)、ADown(average pooling down sampling)、DySample(dynamic upsampler)、DPB(dynamic position bias)与LSDECD(lightweight shared detail-enhanced convolutional detection)首字母拼写)。首先，通过设计部分多尺度特征聚合（partial multi-scale feature aggregation,PMSFA）模块增强多尺度缺陷特征提取能力；其次，采用平均池化下采样（average pooling down sampling,ADown）与动态上采样器（dynamic upsampler,DySample），减少信息丢失，同时降低计算复杂度，提升模型对小目标的检测能力；然后，在注意力机制中引入动态位置偏置（dynamic position bias,DPB）模块改进C2PSA模块，强化空间位置感知能力，有效提升缺陷定位精度。此外，设计轻量级细节增强检测头（lightweight shared detail-enhanced convolutional detection,LSDECD），通过细节增强卷积强化边缘特征的捕获能力。试验表明，PADDL-YOLO在木材缺陷检测任务中表现出色，其精确度为91.5%，召回率为91.4%,mAP@0.5为95.0%，较基准模型YOLOV11n分别提高5.2%、4.9%和3.8%。同时，模型参数量减少25.6%，计算效率显著提升，为高精度实时检测提供有效解决方案。

关键词

木材缺陷 / YOLOV11 / 多尺度 / 木材加工 / 轻量化 / PMSFA / LSDECD