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。