基于改进YOLOv8的木材表面缺陷检测研究

摘要

针对木材表面缺陷检测平均精度低、一些小目标缺陷难以检测的问题，提出了一种基于改进YOLOv8的木材表面缺陷检测算法——YOLO-WOOD。首先，模型针对YOLOv8的主干网络，将轻量级网络星形模块和CGLU结合，提出Star＿CGLU＿Block结构；然后将Star＿CGLU＿Block和C2f模块融合得到Star＿CGLU＿C2f结构；其次对于YOLO-WOOD的颈部，结合规模序列特征融合(SSFF)、GSConv和VoVGSCSP,提出了模型提取能力更强、轻量化性能更好的颈部网络Light-Asf-Neck;最后，将对主干网络和颈部网络的改进融入YOLOv8s中得到了YOLO-WOOD模型。研究选取了精度(precision)、召回率(recall)、平均精度[mAP(0.5)和mAP(0.5∶0.95)]、网络模型中需要训练的参数总量和浮点运算次数(FLOPs)等参数作为模型评价指标。结果表明，与YOLOv8s相比，YOLO-WOOD模型的召回率提高了4.5%,mAP(0.5)和mAP(0.5∶0.95)分别提高了1.6%和4.1%,参数量和FLOPs分别减少了1.4×10～6个和3.8×10～9次；其次，与其他主流目标检测模型(SSD、Faster＿RCNN、YOLOv5s)相比，YOLO-WOOD在召回率方面有显著提高，分别提高了68.2%,4.7%和5.2%,mAP(0.5)分别增加了45.2%,22.8%和1.9%;同样地，mAP(0.5∶0.95)也分别提高了48.0%,39.3%和7.8%。研究表明了YOLO-WOOD模型比YOLOv8s以及其他主流模型具有更好的整体模型性能和更轻量级的模型框架。

关键词

YOLOv8s / 木材表面缺陷 / 深度学习 / 小目标检测