학술논문
基于改进YOLOv5木板材表面缺陷的定量识别 / Quantitative identification of surface defects in wood paneling based on improved YOLOv5
Document Type
Academic Journal
Author
贾浩男; 徐华东; 王立海; 张金生; 褚晓辉; 唐旭; Jia Haonan; Xu Huadong; Wang Lihai; Zhang Jinsheng; Chu Xiaohui; Tang Xu
Source
北京林业大学学报 / Journal of Beijing Forestry University. 45(4):147-155
Subject
Language
Chinese
ISSN
1000-1522
Abstract
[目的]为解决人工及传统数字图像处理方法对木板材表面缺陷识别效果差、效率低等问题,提高木材利用率.以深度学习模型为基础,构建木板材表面缺陷检测系统,旨在拓展深度学习模型在木板材缺陷检测领域的应用.[方法]基于"Wood?Defect?Database"公开数据集中的839张木板材缺陷图像,使用Imgaug数据增强库对数据集进行扩充;通过在主干特征网络部分引入SE注意力机制,使用focus、FPN?+?PAN结构构建YOLOv5木板材表面缺陷目标检测框架,进而采用迁移学习思想改进训练方式,将训练过程分为两个阶段(冻结阶段和解冻阶段).然后将构建的模型与当前主流深度学习目标检测模型进行对比,最后利用混淆矩阵、Loss值变化曲线、模型大小、检测时间以及均值平均精确率等指标评价模型.[结果]提出了一种基于YOLOv5模型对木板材表面缺陷中活节、死节、裂缝、孔洞的检测方法.模型对死节、活节、裂缝、孔洞识别结果的均值平均精确率分别约为98.66％、99.06％、98.10％和96.53％,并与当前主流检测模型进行比较,改进的模型具有更好的精确率、召回率和均值平均精确率,分别为97.48％、96.53％和98.22％.模型单幅图像平均检测时间为10.3?ms,最大检测耗时20.5?ms,检测效果与泛化特性较好,模型所占内存仅13.7?MB,易于移植.[结论]实验表明改进的YOLOv5模型可用于检测木板材表面主要缺陷.且模型对木板材表面缺陷的识别效果优于其他5种主流检测模型.在维持原有检测精度的基础上,提高了小目标缺陷的识别能力,减少了木板材缺陷漏检的情况,实现了在复杂场景下的快速检测.