【摘 要】 針對(duì)木板材表面缺陷檢測(cè)精度低、缺陷類型不全面和小目標(biāo)缺陷檢測(cè)能力不足等問(wèn)題，提出一種基于YOLOv5算法的木板材表面缺陷檢測(cè)方法。首先在原始YOLOv5算法中使用EfficientViT網(wǎng)絡(luò)代替原始的骨干網(wǎng)絡(luò)，能更加有效地利用上下文信息，同時(shí)具有更快的推理速度，并提供更強(qiáng)的特征增強(qiáng)能力；其次，在head部分添加ECANet注意力機(jī)制增強(qiáng)對(duì)全局重要特征的提取，同時(shí)抑制無(wú)關(guān)的特征信息；再次，使用Focal-EIoU損失函數(shù)代替原有的CIoU，提高預(yù)測(cè)缺陷邊界框的回歸預(yù)測(cè)精度，加快回歸損失函數(shù)的收斂速度。實(shí)驗(yàn)結(jié)果表明：將改進(jìn)后的算法用于木板材缺陷的檢測(cè)，在精度上比原始算法提升了4.3%；改進(jìn)后模型大小為6.3MB，為原模型大小的一半，提高了缺陷檢測(cè)的速度。算法在缺陷檢測(cè)任務(wù)中具有很高的實(shí)用性和效率。

【關(guān)鍵詞】 缺陷檢測(cè)；YOLOv5；EfficientViT；注意力機(jī)制；損失函數(shù)

A Method of Wood Surface Defect Detection Based on YOLOv5

Sun Jiangshan， Zhu Qiyue， Sun Xiaonan

（Anhui University of Science and Technology， Huainan 232001， China）

【Abstract】 A wood board surface defect detection method is proposed based on YOLOv5 algorithm to solve the problems of low detection accuracy， incomplete defect types and insufficient detection ability of small target defects in wood board surface defect detection. Firstly， in the original YOLOv5 algorithm， the original backbone network is replaced by EfficientViT network， which more effectively utilizes contextual information， has faster inference speed， and provides stronger feature enhancement ability; secondly， the ECANet attention mechanism is added to the head part to enhance the extraction of globally important features， while suppressing the irrelevant feature information; thirdly， the Focal-EIoU loss function is used to replace the original CIoU， which improves the regression prediction accuracy of the prediction defect bounding box and accelerates the convergence speed of the regression loss function. The experimental results show that the accuracy of the improved algorithm is 4. 3% higher than that of the original algorithm.The size of the improved model is 6. 3MB， which is half of the size of the original model， and the speed of defect detection is improved. The algorithm has high practicability and efficiency in the task of defect detection.

【Key words】 defect detection; YOLOv5; Efficient Vit; attention mechanism; loss function

〔中圖分類號(hào)〕 TP391 〔文獻(xiàn)標(biāo)識(shí)碼〕 A 〔文章編號(hào)〕 1674 - 3229（2024）03 - 0053 - 07

0 引言

在木材加工和生產(chǎn)過(guò)程中，檢測(cè)木材中的缺陷（如裂紋、孔洞、疤痕等）對(duì)確保產(chǎn)品質(zhì)量和安全非常重要。木材的缺陷檢測(cè)分為人工檢測(cè)和自動(dòng)檢測(cè)兩種方法。人工檢測(cè)通常需要經(jīng)驗(yàn)豐富的工人來(lái)檢查木材表面的缺陷，如裂紋、疤痕、色差等，需要花費(fèi)大量的時(shí)間和人力成本。自動(dòng)檢測(cè)則是利用圖像處理技術(shù)和機(jī)器學(xué)習(xí)算法來(lái)識(shí)別和分析木材表面的缺陷，可以實(shí)現(xiàn)快速、準(zhǔn)確的檢測(cè)，并且可以大大節(jié)省人力成本。因此，自動(dòng)檢測(cè)在工業(yè)生產(chǎn)中越來(lái)越受到重視，能夠提高生產(chǎn)效率和產(chǎn)品質(zhì)量。

對(duì)木材缺陷的自動(dòng)檢測(cè)是目標(biāo)檢測(cè)的一個(gè)應(yīng)用方向。深度學(xué)習(xí)在目標(biāo)檢測(cè)中的應(yīng)用主要體現(xiàn)在使用深度神經(jīng)網(wǎng)絡(luò)來(lái)提取圖像特征，傳統(tǒng)方法通常需要使用手動(dòng)設(shè)計(jì)的特征提取器，而深度學(xué)習(xí)可以自動(dòng)地從數(shù)據(jù)中學(xué)習(xí)到更具有判別性的特征表示，從而提高目標(biāo)檢測(cè)的準(zhǔn)確性和魯棒性。在基于深度神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)中，最主流的兩個(gè)方法是一階段（one-step）和二階段（two-step）檢測(cè)方法。一階段目標(biāo)檢測(cè)方法將目標(biāo)檢測(cè)任務(wù)視為一個(gè)單一的端到端問(wèn)題，而現(xiàn)今最主流的算法依然是YOLO和SSD。二階段目標(biāo)檢測(cè)方法將目標(biāo)檢測(cè)任務(wù)分為兩個(gè)階段，先生成候選物體位置，再對(duì)這些候選位置進(jìn)行分類，其中最主流的是R-CNN、Fast R-CNN、Faster R-CNN等算法。

隨著深度神經(jīng)網(wǎng)絡(luò)的發(fā)展，工業(yè)缺陷檢測(cè)近年來(lái)取得了極大的進(jìn)展。Che等［1］將骨干網(wǎng)絡(luò)ResNet-101替換為VGG16，利用深度可分離卷積和Soft-NMS對(duì)Faster R-CNN算法進(jìn)行優(yōu)化，降低瓷磚缺陷的漏檢率。鄧光偉等［2］將C3C2F（全局注意模塊）引入網(wǎng)絡(luò)的主干層后，采用CARAFE算子，把特征圖中的小目標(biāo)信息充分保留了下來(lái)。Yang等［3］設(shè)計(jì)了監(jiān)督空間注意模塊（SSAM）與YOLOv5算法相結(jié)合的方法，抑制鋼表面沒(méi)有缺陷的區(qū)域，使算法更關(guān)注有缺陷的區(qū)域。Liu等［4］將新的卷積算子集成到擴(kuò)展高效層聚合網(wǎng)絡(luò)中，結(jié)合動(dòng)態(tài)非單調(diào)聚焦機(jī)制的Wise-IoU v3損失函數(shù)，提出了PRC-Light YOLO模型，顯著提升了對(duì)7種織物缺陷檢測(cè)的準(zhǔn)確性。Xiao等［5］將transformer 與 Bi-FPN相結(jié)合，提出了YOLOv5-TB模型，能夠準(zhǔn)確、快速地檢測(cè)出鍍鋅鋼表面的帶狀缺陷。Tu等［6］采用CIoU損失代替原有的IoU損失，提出GC-YOLOv3模型，提升了檢測(cè)橡膠木和松木缺陷的精度。Fan等［7］首先使用ResNet V2結(jié)構(gòu)對(duì)獲取的實(shí)木板材缺陷圖像進(jìn)行特征提取，接著應(yīng)用Faster R-CNN算法進(jìn)行實(shí)木缺陷的檢測(cè)，可有效檢測(cè)各種缺陷。Ding等［8］引入DenseNet121網(wǎng)絡(luò)取代傳統(tǒng)SSD算法中的VGG16網(wǎng)絡(luò)，并采用殘差學(xué)習(xí)的思想，在增加網(wǎng)絡(luò)深度的同時(shí)避免特征圖信息的丟失。朱豪等［9］將CA注意力機(jī)制引入Backbone中，結(jié)合HSPPF和GSConv，能有效識(shí)別出木材的4種表面缺陷。

為解決小目標(biāo)缺陷漏檢和缺陷檢測(cè)精度較低等問(wèn)題，需要對(duì)模型進(jìn)行改進(jìn)。本文以YOLOv5網(wǎng)絡(luò)為基準(zhǔn)網(wǎng)絡(luò)，在其算法上進(jìn)行改進(jìn)，提出一種快速檢測(cè)木板材缺陷的方法YOLO-WDD。

1 YOLOv5算法模型

YOLOv5是由Ultralytics 軟件開(kāi)發(fā)團(tuán)隊(duì)開(kāi)發(fā)的基于pytorch版本的輕量且高性能的單階段目標(biāo)檢測(cè)算法。根據(jù)不同的輸入大小和性能要求，劃分為4個(gè)版本：YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x。這4個(gè)版本的模型隨著規(guī)模的增大，其深度參考值（depth＿multiple）和寬度參考值（width＿multiple）逐漸增大。該目標(biāo)檢測(cè)的模型主要由輸入端、骨干網(wǎng)絡(luò)、Neck和輸出層這4個(gè)模塊構(gòu)成。Input端負(fù)責(zé)接收原始的圖像數(shù)據(jù)，對(duì)圖像數(shù)據(jù)進(jìn)行尺寸調(diào)整、通道處理、歸一化和批處理等相關(guān)操作；骨干網(wǎng)絡(luò)采用了CSPDarknet53結(jié)構(gòu)，該網(wǎng)絡(luò)的主要作用是從輸入的圖像數(shù)據(jù)中獲取多種尺度和層次的特征表示，使得模型能夠有效地檢測(cè)不同大小和不同類別的目標(biāo)；Neck層是指網(wǎng)絡(luò)結(jié)構(gòu)中位于骨干網(wǎng)絡(luò)（backbone）和檢測(cè)頭（detection head）之間的部分，通常用于進(jìn)一步處理主干網(wǎng)絡(luò)提取的特征圖并準(zhǔn)備將其傳遞給檢測(cè)頭，由PANet（Path Aggregation Network）+特征金字塔+卷積層構(gòu)成；輸出端由一系列卷積層和操作組成，從特征圖中提取和解碼目標(biāo)檢測(cè)的信息。其網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

2 改進(jìn)的YOLOv5

2.1 主干網(wǎng)絡(luò)的改進(jìn)

原始的YOLOv5算法采用的骨干網(wǎng)絡(luò)是深度神經(jīng)網(wǎng)絡(luò)CSPDarknet53，基于Darknet架構(gòu)，通過(guò)引入CSPNet（Cross Stage Partial Network）結(jié)構(gòu)來(lái)提升特征的傳遞和融合能力，從而提高網(wǎng)絡(luò)的性能和效率，然而其結(jié)構(gòu)網(wǎng)絡(luò)包含大量的卷積層和參數(shù)，導(dǎo)致其計(jì)算的復(fù)雜性高，內(nèi)存占用量大，并且在嵌入式設(shè)備或資源受限的環(huán)境中難以適應(yīng)。因此，為了滿足算法輕量化的要求，在原算法骨干網(wǎng)絡(luò)中使用EfficientViT（Efficient Vision Transformer）代替CSPDarknet53，減少模型的復(fù)雜性和計(jì)算資源的需求。

EfficientViT是MIT-IBM Watson AI Lab在傳統(tǒng)的ViT模型上進(jìn)行改進(jìn)得到的，結(jié)合了深度學(xué)習(xí)和自然語(yǔ)言處理技術(shù)的圖像處理方法，它將圖像分割成不同的塊，然后將這些塊嵌入到Transformer模型中進(jìn)行處理，使模型能夠更好地捕捉圖像中的上下文信息。EfficientViT的核心組件是一個(gè)輕量級(jí)MSA（Lightweight MSA）模塊和MBConv模塊，讓模型有效地捕捉不同層次和尺度的信息，從而提高模型在處理圖像樣本數(shù)據(jù)時(shí)的效率和性能。EfficientViT的結(jié)構(gòu)如圖2所示。

其中MBConv（Mobile Inverted Residual Block）模塊負(fù)責(zé)捕捉局部信息，采用了深度可分離卷積DSC和反向殘差連接IRC技術(shù)來(lái)提高網(wǎng)絡(luò)的效率，深度卷積和逐點(diǎn)卷積是DSC將卷積操作分解成的兩個(gè)階段，旨在降低參數(shù)數(shù)量和計(jì)算負(fù)擔(dān)，提高模型的效率。IRC提高網(wǎng)絡(luò)的表示能力，緩解梯度消失問(wèn)題，并加速訓(xùn)練過(guò)程。MBConv模塊結(jié)合了這些技術(shù)，使在移動(dòng)設(shè)備上構(gòu)建高效神經(jīng)網(wǎng)絡(luò)變得更加容易，可用于各種應(yīng)用。

Lightweight MSA是一種多頭自注意力機(jī)制，由自注意力、多頭注意力、線性變換和信息融合組成，它們協(xié)同工作以捕獲圖像的重要信息。該模塊負(fù)責(zé)捕捉上下文的信息，處理輸入數(shù)據(jù)中特征之間的關(guān)系。具有較少的注意頭（attention heads）和較低的維度，以便在保持性能的同時(shí)降低計(jì)算成本。這使得EfficientViT在保持較高性能的同時(shí)，具有較小的模型尺寸，更適合在嵌入式設(shè)備和資源受限的環(huán)境中使用。在EfficientViT中，Lightweight MSA被用來(lái)處理輸入圖像的不同部分，以便模型理解圖像中的不同特征和關(guān)系。Lightweight MSA結(jié)構(gòu)如圖3所示。

輕量級(jí)的MSA結(jié)構(gòu)先通過(guò)線性投影層獲得Q、K、V標(biāo)記，然后通過(guò)輕量級(jí)的小核卷積聚合附近的標(biāo)記生成多尺度的標(biāo)記，這些多尺度的標(biāo)記通過(guò)輕量級(jí)的基于ReLU的全局注意力進(jìn)行處理，并將結(jié)果串聯(lián)輸出送入到最后的線性投影層進(jìn)行一系列的特征融合。

2.2 注意力模塊的添加

在神經(jīng)網(wǎng)絡(luò)中添加注意力模塊是為了幫助網(wǎng)絡(luò)更好地捕捉目標(biāo)對(duì)象的關(guān)鍵特征，提高檢測(cè)的精度和魯棒性，提高實(shí)際應(yīng)用中的目標(biāo)檢測(cè)性能。ECANet（Efficient Channel Attention Network）是一種基于SE-Net（Squeeze-and-Excitation Network）注意力機(jī)制的改進(jìn)型注意力網(wǎng)絡(luò)。SE-Net中attention模塊的兩個(gè)非線性全連接層（FC）涉及到了復(fù)雜的降維操作，在通道的注意預(yù)測(cè)中帶來(lái)了一定的副作用且效率低，而ECANet注意力機(jī)制在卷積操作中引入通道注意力機(jī)制，在沒(méi)有降維的情況下對(duì)通道進(jìn)行了全局的平均池化，減少了計(jì)算的負(fù)擔(dān)，同時(shí)通過(guò)一維卷積實(shí)現(xiàn)跨通道的交互，ECANet注意力模塊的結(jié)構(gòu)示意圖如圖4所示。

在圖4中全局平均池化層是GAP，ECANet首先通過(guò)通道維度非線性地自適應(yīng)確定卷積核大小K，接著執(zhí)行卷積核大小為K的快速一維卷積，最后通過(guò)Sigmoid函數(shù)來(lái)學(xué)習(xí)通道注意力。

決定交互作用覆蓋率的關(guān)鍵參數(shù)K（卷積核大?。┡c濾波器數(shù)量有關(guān)，通常被設(shè)置為2的整數(shù)次方。兩者之間映射函數(shù)如下：

[W=Φ（K）=2（γ*k-b）] （1）

給定濾波器的數(shù)量W（即通道數(shù)），自適應(yīng)的卷積核大小K計(jì)算如下：

[K=ψ（W）=log2（W）γ+bγodd] （2）

2.3 損失函數(shù)的優(yōu)化

YOLOv5的總損失函數(shù)包括分類損失、定位損失和置信度損失三部分，原始算法采用了二元交叉熵來(lái)計(jì)算類別概率和目標(biāo)置信度分?jǐn)?shù)的損失。主要采用CIoU Loss作為邊界框回歸的損失函數(shù)，其定義如下：

[LCIoU=1-U+ρ2（b，bgt）C2+αv] （3）

其中：[U=A?BA?B]，C是能夠同時(shí)覆蓋預(yù)測(cè)框和真實(shí)框的最小包圍框的對(duì)角線長(zhǎng)度，[ρ2（b，bgt）]代表了預(yù)測(cè)框的中心點(diǎn)和真實(shí)框的中心點(diǎn)之間的歐式距離。[α]和[v]通過(guò)比較預(yù)測(cè)框和真實(shí)邊界框之間寬度和高度的比值來(lái)評(píng)估它們的差異。

CIoU在進(jìn)行收斂時(shí)可能會(huì)導(dǎo)致預(yù)測(cè)框回歸時(shí)的寬和高不能同時(shí)增大或者減少，無(wú)法進(jìn)行回歸優(yōu)化。在計(jì)算框高的差異值時(shí)，EIoU以CIoU的懲罰項(xiàng)為基礎(chǔ)進(jìn)行計(jì)算，以替代縱橫比。EIoU寬高損失直接使預(yù)測(cè)框與真實(shí)框的寬度和高度之差達(dá)到最小，使得模型收斂速度更快，準(zhǔn)確性更高。EIoU損失函數(shù)定義如公式（4）：

[LEIoU=LU+Ldis+Lasp=1-U+ρ2（b，bgt）（wc）2+（hc）2+ρ2（w，wgt）（wc）2+ρ2（h，hgt）（hc）2] （4）

該公式包括三個(gè)部分：預(yù)測(cè)邊界框和真實(shí)邊界框的U重疊損失（[LU]）、預(yù)測(cè)邊界框和真實(shí)邊界框的中心距離損失（[Ldis]）、預(yù)測(cè)邊界框和真實(shí)邊界框的寬和高損失（[Lasp]）。[wc]和[hc]是覆蓋預(yù)測(cè)框和真實(shí)邊界框的最小包圍框的寬度和高度。

由于數(shù)據(jù)集存在著訓(xùn)練數(shù)據(jù)樣本不平衡的問(wèn)題，使圖像中回歸誤差小的高質(zhì)量預(yù)測(cè)框的數(shù)量遠(yuǎn)低于低質(zhì)量預(yù)測(cè)框的數(shù)量，質(zhì)量差的數(shù)據(jù)在訓(xùn)練過(guò)程中會(huì)產(chǎn)生過(guò)大的梯度，影響訓(xùn)練的過(guò)程，因此Focal-EIoU Loss被提出用來(lái)提高EIoU損失的準(zhǔn)確性。通過(guò)整合EIoU Loss和FocalL1 Loss，本模型大大提高了融合的速度和定位的精確度，F(xiàn)ocal-EIoU Loss損失函數(shù)如公式（5）：

[LFocal-EIoU=UγLEIoU] （5）

超參數(shù)[γ]用來(lái)控制對(duì)異常值的抑制程度。

3 仿真實(shí)驗(yàn)與結(jié)果分析

3.1 實(shí)驗(yàn)環(huán)境及其配置

本研究使用的算法模型采用SGD優(yōu)化器進(jìn)行訓(xùn)練，設(shè)置訓(xùn)練輸入圖像尺寸為640×640，bath-size為16，其他配置如表1所示。

3.2 數(shù)據(jù)采集與處理

3.2.1 實(shí)驗(yàn)數(shù)據(jù)

本研究采用的樣本數(shù)據(jù)集來(lái)自于roboflow網(wǎng)站中的木材缺陷圖片和在網(wǎng)絡(luò)上搜集到的圖片，并使用該網(wǎng)站對(duì)木材缺陷進(jìn)行標(biāo)注，共7種缺陷，包含活節(jié)（Live Knot）、死節(jié)（Dead Knot）、有裂縫的節(jié)（Knot With Crack）、缺節(jié)（Knot Missing）、樹(shù)脂（Resin）、樹(shù)髓（Marrow）和裂縫（Crack）。該數(shù)據(jù)集共有769張圖片。

3.2.2 數(shù)據(jù)增強(qiáng)

為了避免因樣本數(shù)據(jù)不夠造成的過(guò)擬合問(wèn)題，使用翻轉(zhuǎn)、旋轉(zhuǎn)、亮度增強(qiáng)等方法對(duì)數(shù)據(jù)集進(jìn)行了擴(kuò)充，如圖5所示。經(jīng)過(guò)擴(kuò)充后的數(shù)據(jù)集共有1826張圖片，按8：1：1的比例劃分為訓(xùn)練集、測(cè)試集和驗(yàn)證集。

3.3 評(píng)價(jià)指標(biāo)

在目標(biāo)檢測(cè)算法中，常用的評(píng)價(jià)指標(biāo)有P（Precision）、R（Recall）、PA（Average Precision，AP）、PmA（mean Average Precision，mAP）以及Fper（Floating Point Operations Per Second，F(xiàn)LOPS）。

P（Precision，精確率）是指模型預(yù)測(cè)為正類別的樣本中，實(shí)際上是正類別的比例。具體計(jì)算方法如下：

[P=NTPNTP+NFP] （6）

其中，NTP（True Positives，TP）表示模型正確預(yù)測(cè)為正類別的樣本數(shù)量，NFP（False Positives，F(xiàn)P）表示模型錯(cuò)誤預(yù)測(cè)為正類別的樣本數(shù)量。P值越高，表示模型在預(yù)測(cè)為正類別時(shí)更加準(zhǔn)確。

R（Recall，召回率）是指檢測(cè)器正確找到了多少真實(shí)目標(biāo)。具體計(jì)算方法如下：

[R=NTPNTP+NFN] （7）

TP代表True Positives，NTP即模型正確識(shí)別的目標(biāo)數(shù)量；FN代表False Negatives，NFN即模型未正確識(shí)別的目標(biāo)數(shù)量。R值的范圍從0到1，1表示模型能夠完全檢測(cè)到所有真實(shí)目標(biāo)，0表示模型未能檢測(cè)到任何真實(shí)目標(biāo)。R值越高，表示檢測(cè)器漏檢的目標(biāo)越少。

PmA（mean Average Precision，mAP）是評(píng)價(jià)目標(biāo)檢測(cè)算法性能的常用指標(biāo)之一。在YOLO算法中，PmA指的是在不同置信度閾值下計(jì)算的平均精度。具體來(lái)說(shuō)，PmA是通過(guò)計(jì)算Precision-Recall曲線下的面積來(lái)評(píng)估目標(biāo)檢測(cè)算法的性能。在這個(gè)過(guò)程中，首先根據(jù)模型的預(yù)測(cè)結(jié)果和真實(shí)標(biāo)注框之間的匹配度計(jì)算P和R，然后根據(jù)精確率-召回率繪制曲線圖表，并最終通過(guò)計(jì)算曲線下的面積得出平均準(zhǔn)確率均值（PmA），如公式（8）（9）。

[PA=01P（R）dR] （8）

[PmA=α=1β（PA）αβ] （9）

PmA值越高，表示目標(biāo)檢測(cè)算法在不同類別目標(biāo)的檢測(cè)中具有更好的性能。通常來(lái)說(shuō)，PmA值在0到1之間，較高的PmA值意味著算法在目標(biāo)檢測(cè)任務(wù)中取得了更好的效果。

Fper（Floating Point Operations Per Second，F(xiàn)LOPS）是指每秒浮點(diǎn)運(yùn)算次數(shù)，通常用于評(píng)估模型的計(jì)算效率和速度。Fper值取決于模型的架構(gòu)和參數(shù)量，一般來(lái)說(shuō)，F(xiàn)per值越大，模型的計(jì)算量越大，相應(yīng)的推理速度可能會(huì)受到影響。

3.4 結(jié)果分析

3.4.1 消融實(shí)驗(yàn)

為了驗(yàn)證EfficientViT模塊、ECANet模塊、Focal-EIoU模塊對(duì)基準(zhǔn)網(wǎng)絡(luò)的性能影響，在自制數(shù)據(jù)集上進(jìn)行了消融實(shí)驗(yàn)，結(jié)果如表2所示。

對(duì)該表進(jìn)行分析，用輕量級(jí)EfficientViT網(wǎng)絡(luò)替換原始的骨干網(wǎng)絡(luò)后，模型大小直接變?yōu)樵瓉?lái)的一半，其精度也有所下降。接著在網(wǎng)絡(luò)的頸部和backbone嵌入注意力機(jī)制ECANet，在模型大小基本保持不變的基礎(chǔ)上，精度有了明顯的提升。最后在改進(jìn)模型中添加Focal-EIoU損失函數(shù)，提高模型的性能并加快訓(xùn)練時(shí)的收斂速度。從表中可知經(jīng)過(guò)改進(jìn)的算法在多個(gè)評(píng)估指標(biāo)上均表現(xiàn)出優(yōu)勢(shì)。

3.4.2 對(duì)比實(shí)驗(yàn)

為了驗(yàn)證所提方法YOLO-WDD（即YOLOv5s+EfficientViT+ECANet+Focal-EIoU模型）的性能，在自制數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，并且與一些主流算法進(jìn)行比較，結(jié)果如表3所示。

由表3可知改進(jìn)后的算法YOLO-WDD在平均精度和召回率上明顯高于其他主流的目標(biāo)檢測(cè)算法，對(duì)木材缺陷檢測(cè)具有更好的效果。

4 結(jié)論

為了滿足工業(yè)中對(duì)木材缺陷檢測(cè)的需求，提出了一種對(duì)木材缺陷進(jìn)行快速檢測(cè)的模型YOLO-WDD。本研究基于YOLOv5s算法，用輕量級(jí)網(wǎng)絡(luò)EfficientViT代替原本的特征提取網(wǎng)絡(luò)，在保持高準(zhǔn)確率的同時(shí)減少模型的參數(shù)數(shù)量和計(jì)算復(fù)雜度；然后在該模型算法中引入ECANet注意力機(jī)制，該注意力機(jī)制增強(qiáng)了網(wǎng)絡(luò)對(duì)重要區(qū)域的關(guān)注，減少了對(duì)噪聲的敏感性，并提高了對(duì)小目標(biāo)的檢測(cè)能力；最后在算法中引入的損失函數(shù)Focal-EIoU，解決了木材缺陷類別不平衡問(wèn)題，提升了對(duì)木材缺陷定位的準(zhǔn)確性。YOLO-WDD模型在各項(xiàng)指標(biāo)評(píng)估中都優(yōu)于原始模型，可用于工業(yè)生產(chǎn)中對(duì)木材缺陷的快速檢測(cè)。

［參考文獻(xiàn)］

［1］Che X， Zhu W. Tile surface defect detection based on improved faster R-CNN［J］. Academic Journal of Science and Technology， 2023， 7（1）： 184-190.

［2］ 鄧光偉， 尤紅權(quán)， 朱志松. 基于KCC-YOLOv5的鋁型材表面缺陷檢測(cè)［J］. 激光與光電子學(xué)進(jìn)展， 2024， 61（4）：231-239.

［3］Yang T， Li J. Steel surface defect detection based on SSAM-YOLO［J］. International Journal of Information Technologies and Systems Approach （IJITSA）， 2023， 16（3）： 1-13.

［4］ Liu B， Wang H， Cao Z， et al. PRC-Light YOLO： An efficient lightweight model for fabric defect detection［J］. Applied Sciences， 2024， 14（2）： 938.

［5］ Xiao D， Xie F T， Gao Y， et al. A detection method of spangle defects on zinc-coated steel surfaces based on improved YOLOv5［J］. The International Journal of Advanced Manufacturing Technology， 2023， 128（1-2）： 937-951.

［6］ Tu Y， Ling Z， Guo S， et al. An accurate and real-time surface defects detection method for sawn lumber［J］. IEEE Transactions on Instrumentation and Measurement， 2020， 70： 1-11.

［7］ Fan J， Liu Y， Hu Z K， et al. Solid wood panel defect detection and recognition system based on faster R-CNN［J］. Journal of Forestry Engineering，2019，4（3）： 112-117.

［8］Ding F， Zhuang Z， Liu Y， et al. Detecting defects on solid wood panels based on an improved SSD algorithm［J］. Sensors，2020，20（18）： 5315.

［9］朱豪，周順勇，曾雅蘭，等.基于改進(jìn)YOLOv5s的木材表面缺陷檢測(cè)模型［J］.木材科學(xué)與技術(shù)，2023，37（2）：8-15.

責(zé)任編輯 孫 澗

［收稿日期］ 2024-04-11

［基金項(xiàng)目］ 國(guó)家自然基金項(xiàng)目（51274011）；安徽省自然科學(xué)基金（2308085MF218）；安徽省高等學(xué)?？茖W(xué)研究項(xiàng)目（2022AH040113）

［作者簡(jiǎn)介］ 孫姜珊（1997- ），女，安徽理工大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院碩士研究生，研究方向：目標(biāo)檢測(cè)。