基于改进YOLOv5木板材表面缺陷的定量识别

编号 zgly0001749933

文献类型 期刊论文

文献题名 基于改进YOLOv5木板材表面缺陷的定量识别

作者 贾浩男  徐华东  王立海  张金生  褚晓辉  唐旭 

作者单位 东北林业大学机电工程学院 

母体文献 北京林业大学学报 

年卷期 2023,45(4)

页码 147-155

年份 2023 

分类号 S784  TP391.4 

关键词 木板材  表面缺陷  YOLOv5  实时检测  深度学习  定量识别 

文摘内容 【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。