-
题名多尺度特征聚合的木材缺陷检测算法
- 1
-
-
作者
仇长青
朱莉
梁哲熙
王祖然
刘桐睿
-
机构
东北林业大学计算机与控制工程学院
-
出处
《森林工程》
北大核心
2026年第2期387-401,共15页
-
文摘
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
-
Keywords
Wood defects
YOLOV11
multi-scale
wood processing
lightweighting
pmsfa
LSDECD
-
分类号
S781.5
[农业科学—木材科学与技术]
-
