基于深度学习的轻量化木材表面缺陷检测系统研究

摘要

木材加工过程中，表面缺陷检测是不可或缺的。近年来，深度学习在木材表面缺陷检测领域取得了一定成果。但现有的木材表面缺陷检测算法仍存在检测结果准确率低、检测速度慢、模型参数多等问题。为了解决这些问题，提出了一种基于YOLOv5s的木材表面缺陷检测算法，并搭建木材表面缺陷检测系统。利用ShuffleNetv2轻量化模块技术，显著降低了模型的计算成本和参数数量，使模型在移动端和嵌入式设备上取得优异的性能；提出将SimAM注意力机制插入主干网络中，使得模型更好地理解不同区域之间的语义联系；采用DIoU损失函数以提高模型鲁棒性；应用Python第三方库PyQt5配合外接摄像头、红外线传感器、传送带等硬件装置搭建木材表面缺陷检测平台。将改进后的算法在本研究使用的数据集上进行训练和测试，与原YOLOv5s算法相比，改进后的网络参数量只有原网络的47.1%,计算量是原网络的44.3%,检测速率提高39.5,mAP提高3.4个百分点。试验结果充分验证了本算法的优势，在轻量化的基础上检测速度和精度都有提升。最后的仿真试验结果表明，本研究搭建的检测系统可以准确快速地识别木材表面各种缺陷的位置和数量，能够大大提高木材生产效率。

关键词

深度学习 / 表面缺陷检测系统 / YOLOv5s / ShuffleNetv2 / SimAM