基于YOLOv7的木材缺陷检测模型Wood-Net的研究

摘要：

为改善利用人工方式识别木材缺陷存在的效率低、人工成本高的问题,同时实现在木材加工过程中使用新兴方式对不同的缺陷进行快速准确检测以提高木材利用率,针对现有的目标检测网络在木材缺陷检测方面存在诸如检测精度低、报错率高以及识别种类少等局限,设计了用于木材缺陷检测的深度学习网络Wood-Net.Wood-Net将注意力机制ECA(efficient channel attention module)引入Y OLOv7的主干网络,以便更好地区分木材缺陷之间的细微差别;将ECA与Res2Net结合后形成ECA-Res2Net模块,ECA-Res2Net模块克服了单纯的Res2Net跨通道交流能力不足的问题,增强了网络对更细粒度特征的提取能力;将ECA-Res2Net模块与SPPCSPC(spatial pyramid pooling and channel spatial pyramid convolution)并联形成 ResSPPCSPC 模块,增加了描述图像本身特征数量的能力,由此构成新方法Wood-Net.本研究将准确度、召回值、mAP@0.5以及mAP@0.5:mAP@0.95 4个数值作为系统性能的评价指标.利用自建数据集训练Wood-Net,得到试验数据.试验结果表明:Wood-Net模型比基准模型YOLOv7在木材优选上精确率提高了4.52％,mAP@0.5:mAP@0.95提高了6.62％;比基准模型YOLOv5s在木材优选上精确率提高了6.79％,mAP@0.5:mAP@0.95提高了5.67％.ECA注意力机制能够有效提升E-ELAN的通道间信息交互能力;Res2Net模块具有很强的细粒度特征提取能力,在网络中引入Res2Net模块后,网络各项性能指标收敛速度快,在Res2Net中加入ECA后能够使单纯的Res2Net考虑多通道特征之间的关系,完成信息融合,提高检测性能.

关键词：Wood-Net、木材优选、ECA-Res2Net、ECA、Res2Net

所属期刊栏目：9

分类号：S781.61;TP183;TP391.41(森林采运与利用)

资助基金：江苏省创新支撑计划BZ2022037

在线出版日期：2024-02-01（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：132-140