基于YOLOv5-LW模型的木材表面缺陷检测方法

为解决人工检测缺陷的不足以及传统视觉检测算法对木材表面细小缺陷漏检率高、检测速度慢、难于部署嵌入式设备等问题,并提高企业木材利用率,以深度学习模型为基础,提出了一种轻量级木板缺陷检测方法YOLOv5-LW。通过重构S 3 Net(ShuffleNetV2+Stem+SPPF)网络模型作为骨干网络,极大减少了模型的参数量和计算量,弥补轻量化后的损失精确度;骨干网络结合ECA注意力机制,可提升网络对关键信息的聚焦能力,并引入特征融合网络MBiFPN,减少特征损失,丰富局部和细节特征,提高细小缺陷的检测能力。本研究将准确率、检测速度、参数量、浮点运算量4个数值作为模型性能的评价指标,通过自制木材缺陷数据集训练,得到8组试验数据,并对模型进行增强前后的对比分析。试验结果表明:改进后的YOLOv5-LW模型相比改进前的原始模型,精确度达到92.8%,在参数量上减少了27.78%,计算量上压缩了40.51%,检测推理速度提升了10.16%,模型对死节、活节、节夹缝、裂缝识别精确率分别为91.8%,87.8%,96.8%和94.9%,对死节和裂痕2种细小缺陷检测精度也有所提升,分别为0.2%和1.6%,且识别效果优于其他6种经典检测模型。因此,本研究所提出的模型更适合部署到嵌入式设备进行木材缺陷实时检测。

轻量化YOLOv5n的木材表面缺陷检测模型

为解决当前木材表面缺陷检测模型计算量大,在移动端或嵌入式设备部署困难的问题,本文提出了一种基于轻量化改进YOLOv5n的模型--FCS-YOLOv5n。首先,引入FasterNet替换主干网络,减少计算冗余及内存访问数量。其次,使用采样算子Carafe,进一步压缩模型参数量,保证语义信息获取的全面性。然后,添加参数量和计算量较小的SE注意力机制,提高特征提取和融合效果。最后,用Focal EIou作为损失函数,减少低质量目标框的影响。结果表明:轻量化改进后的参数量为287697,浮点运算量为0.7,相比基准及其他模型,参数量和浮点运算量均减少约90%,而检测精度仅下降0.1%。该模型在轻量化的同时能保持了良好的检测效果,为其在移动端或嵌入式设备上的部署奠定了基础。

基于改进YOLOv5s的木材表面缺陷检测模型

针对木材表面缺陷的复杂多样性和特征提取困难,提出一种基于改进YOLOv5s的木材表面缺陷(活节、死节、有裂缝节子和裂缝)检测模型。首先,在Backbone网络引入坐标注意力机制(coordinate attention,CA)增强每个通道之间的信息交互,然后采用混合空间金字塔池化(hybrid spatial pyramid pooling-fast,HSPPF)结构减少信息损失,再使用GSConv卷积减少参数量,用改进的曲线高效交叉联合(curve efficient intersection over union,CEIoU)作为训练时模型的损失函数,提升木材缺陷检测的准确性。试验结果表明,改进模型能够有效检测出木材表面缺陷,模型的平均精度均值(mean average precision,mAP)为84.4%,比未改进之前提高了2%,检测速度达到73.9 FPS,在模型参数量方面明显减少,同时优于其他主流模型,能够满足木材表面缺陷检测的要求。

分水岭算法在林业中的应用

随着遥感技术的发展,无人机以及新型遥感数据的出现,越来越多的高分辨率影像被应用于林业资源监测。图像分割作为影像识别应用的基础,大量研究人员在原有的分水岭算法基础上针对不同的区域、背景、目标和研究方向进行了一定的改进,在林木病虫害监测、木材表面缺陷检测、单木冠幅分割、叶片提取等林业领域发展迅速。文中介绍了分水岭算法在林业中的应用,以期为分水岭算法在林业领域的推广以及进一步改进研究提供参考。