基于Lite-YOLOv5s模型的刨花板表面缺陷检测方法.pdf

第 37 卷 第 3 期Vol.37 No.3 2023 年 5 月May 2023木材科学与技术Chinese Journal of Wood Science and Technology基于 Lite-YOLOv5s 模型的刨花板表面缺陷检测方法王文财1，党亚光1，朱 翔1，关淯尹1，沈 彤1，苍志智2（1.北京建筑材料科学研究总院有限公司，北京 100041；2.北京金隅集团股份有限公司，北京 100010）摘要：针对目前刨花板表面缺陷检测两阶段方法计算量大、机器学习识别方法鲁棒性低等问题，提出一种基于改进YOLOv5s的轻量化检测模型，即Lite-YOLOv5s。首先，在主干网络和颈部网络中引入Ghost Bottleneck模块以减少模型参数量，降低模型计算成本。其次，在主干网络中增加坐标注意力机制（coordinate attention，CA），并将空间金字塔池化模块（spatial pyramid pooling-fast，SPPF）替换为简化空间金字塔池化模块（simplify spatial pyramid pooling-fast，SimSPPF），保证模型在降低计算量的同时仍具有较好的检测效果。最后，在替换颈部网络中使用深度卷积模块（depth wise convolution，DWConv），进一步优化模型运行成本。应用Lite-YOLOv5s模型对某工厂刨花板四种表面缺陷数据集进行模型训练和验证，并将训练的模型用于刨花板图像的缺陷检测，结果表明：Lite-YOLOv5s模型针对刨花、胶斑、油污及粉尘斑四种缺陷的平均检测精度（mean average precious，mAP）可达90%以上，针对样本数量较少的漏芯缺陷mAP为75%以上；与原YOLOv5s模型相比，模型训练时间减少约3.58%，模型参数量下降约63.5%，模型权重文件大小下降约60.54%，模型浮点计算量下降约65.2%，在保证检测精度的前提下有效降低了模型运行成本，使其更容易部署在资源有限的边缘侧设备中。关键词：刨花板；表面缺陷检测；图像；Lite-YOLOv5s；轻量化；深度学习中图分类号：S781；TP391.41 文献标识码：A 文章编号：2096-9694（2023）03-0058-10Detecting Method for Particleboard Surface Defects Based on the Lite-YOLOv5s ModelWANG Wencai1，DANG Yaguang1，ZHU Xiang1，GUAN Yuyin1，SHEN Tong1，CANG Zhizhi2（1.Beijing Building Materials Academy of Sciences Research，Beijing 100041，China；2.Beijing Building Material Group，Beijing 100010，China）Abstract:In order to improve the current two-stage method for particleboard surface defects detection,including a large amount of computation and a low robustness of the machine learning recognition,this paper proposes a lightweight detection method based on modified YOLOv5s,namely Lite-YOLOv5s.First,the Ghost Bottleneck module is introduced into the backbone and neck networks to lower the model parameters and reduce the model calculation cost.Secondly,the Coordinate Attention(CA)mechanism is added to the backbone network,while the Spatial Pyramid Pooling-Fast(SPPF)module is replaced by the Simplify Spatial Pyramid Pooling-Fast(SimSPPF)module to ensure that the model can still have a good 收稿日期：2022-12-21；修改日期：2023-03-22作者简介：王文财（1976），男，工程师。Email:DOI：10.12326/j.2096-9694.2022230detection effect after reducing the amount of computation.Finally,in replacing the neck network,a Deep Wise Convolution module(DWConv)is used to further optimize the model operation cost.The Lite-YOLOv5s model was applied to model training and validation on four surface defect data sets of particleboards in a factory.Then the trained model was applied to defect detection of particleboard images.The results showed that the Lite-YOLOv5s model had more than 90%mAP for the four defects of shavings,glue spots,oil stains,and dust spots,and more than 75%mean average precious(mAP)for the core leakage defect with a small number of samples.Compared with the original YOLOv5s model,the model training time is reduced by about 3.58%,the model parameter amount is reduced by about 63.5%,the model weight file size is reduced by about 60.54%,and the model floating point calculation amount is reduced by about 65.2%.While the detection accuracy is maintained,the model running cost is effectively reduced as well as facilitating deployment in edge devices with limited resources.Key words:particleboard;surface defect detection;image;Lite-YOLOv5s;lightweight;deep learning刨花板是人造板的主要品种之一，被广泛应用于家具制作、装饰装修、地板基材、复合门制造等行业，随着我国经济建设的飞速发展、人民生活水平的快速提高，各行业对高质量刨花板的需求量日益增加1。在刨花板生产过程中，针对产品表面出现的胶斑、胶块、刨花、粉尘斑、油污、漏芯等缺陷2-3，传统的检测方法是人工肉眼检测，不仅存在劳动强度大、准确率低等问题，而且人工检测速度低于产线运行速度，极大限制了刨花板的生产效率4。近年来，机器视觉检测方法已经成为产品表面缺陷检测的主流技术手段，基于机器视觉检测法的关键是算法。传统方法中，XIE等5提出了一种基于混合木材表面纹理的缺陷特征提取方法并使用反向传播（back propagation，BP）神经网络对木材节子等缺陷进行检测，训练时使用150张样本图像，模型准确率为92.67%。CHANG等6采用不同权重缺陷的凸优化（convex optimization，CO）作为平滑预处理方法，采用最大类间方差Otsu分割方法对木材缺陷图像进行分割，提取木材缺陷特征，使用回归树（classification and regression tree，CART）分类器对缺陷进行分类，准确率为 94.1%。李超等7利用粒子群算法从 40个特征中提取出20个关键木材缺陷特征，在120张训练样本图像中活节、死节、虫眼和裂纹的准确率分别为93.3%、86.7%、100%和93.3%。王程程等8提出一种基于动态目标检测与跟踪算法（tracking learning detection，TLD），实现对刨花板表面不同大小和深度缺陷的检测、跟踪与识别，但主要针对大刨花缺陷，未涉及缺陷类型识别。随着卷积神经网络的发展，基于深度学习的木材缺陷检测技术也取得了一定的研究进展。目前基于深度学习的缺陷检测主要分为两大类：一类是两阶段检测器，如 Faster-RCNN9、Mask-RCNN10等，检测精度高但效率低；另一类是单阶段检测器，如SSD11、YOLO12等，检测精度高且检测速度快。彭煜等13提出一种基于Faster R-CNN 的刨花板表面缺陷检测方法，能够检测胶块、水印、砂痕、杂物、粗刨花5种缺陷，针对构建的3 566张刨花板表面缺陷图像数据集，在数据集 80%为训练集情况下，平均检测精度达到93.37%；SHI 等14构建一种扫视网络模型提取潜在缺陷图像，使用多通道Mask-RCNN对缺陷进行分类和定位，通过对收集的2 838张单板图像按8 11的比例划分训练集、验证集和测试集，模型最终平均精度为95.31%；陈龙现15基于YOLOv3模型提出 Compact-Yolo-Net 模型，并对选取预测框和模型损失函数进行优化，针对刨花板的刨花、胶斑、油污、松软等缺陷，检测精确度达到99.6%；朱豪等16提出一种基于改进 YOLOv5s 的木材表面缺陷检测模型，针对木材表面活节、死节、有裂缝节子和裂缝4种缺陷，使用约5 469张样本图像进行模型训练，模型的平均检测精度为84.4%，且减少了模型参数和计算量。第 3 期王文财等：基于Lite-YOLOv5s模型的刨花板表面缺陷检测方法detection effect after reducing the amount of computation.Finally,in replacing the neck network,a Deep Wise Convolution module(DWConv)is used to further optimize the model operation cost.The Lite-YOLOv5s model was applied to model training and validation on four surface defect data sets of particleboards in a factory.Then the trained model was applied to defect detection of particleboard images.The results showed that the Lite-YOLOv5s model had more than 90%mAP for the four defects of shavings,glue spots,oil stains,and dust spots,and more than 75%mean average precious(mAP)for the core leakage defect with a small number of samples.Compared with the original YOLOv5s model,the model training time is reduced by about 3.58%,the model parameter amount is reduced by about 63.5%,the model weight file size is reduced by about 60.54%,and the model floating point calculation amount is reduced by about 65.2%.While the detection accuracy is maintained,the model running cost is effectively reduced as well as facilitating deployment in edge devices with limited resources.Key words:particleboard;surface defect detection;image;Lite-YOLOv5s;lightweight;deep learning刨花板是人造板的主要品种之一，被广泛应用于家具制作、装饰装修、地板基材、复合门制造等行业，随着我国经济建设的飞速发展、人民生活水平的快速提高，各行业对高质量刨花板的需求量日益增加1。在刨花板生产过程中，针对产品表面出现的胶斑、胶块、刨花、粉尘斑、油污、漏芯等缺陷2-3，传统的检测方法是人工肉眼检测，不仅存在劳动强度大、准确率低等问题，而且人工检测速度低于产线运行速度，极大限制了刨花板的生产效率4。近年来，机器视觉检测方法已经成为产品表面缺陷检测的主流技术手段，基于机器视觉检测法的关键是算法。传统方法中，XIE等5提出了一种基于混合木材表面纹理的缺陷特征提取方法并使用反向传播（back propagation，BP）神经网络对木材节子等缺陷进行检测，训练时使用150张样本图像，模型准确率为92.67%。CHANG等6采用不同权重缺陷的凸优化（convex optimization，CO）作为平滑预处理方法，采用最大类间方差Otsu分割方法对木材缺陷图像进行分割，提取木材缺陷特征，使用回归树（classification and regression tree，CART）分类器对缺陷进行分类，准确率为 94.1%。李超等7利用粒子群算法从 40个特征中提取出20个关键木材缺陷特征，在120张训练样本图像中活节、死节、虫眼和裂纹的准确率分别为93.3%、86.7%、100%和93.3%。王程程等8提出一种基于动态目标检测与跟踪算法（tracking learning detection，TLD），实现对刨花板表面不同大小和深度缺陷的检测、跟踪与识别，但主要针对大刨花缺陷，未涉及缺陷类型识别。随着卷积神经网络的发展，基于深度学习的木材缺陷检测技术也取得了一定的研究进展。目前基于深度学习的缺陷检测主要分为两大类：一类是两阶段检测器，如 Faster-RCNN9、Mask-RCNN10等，检测精度高但效率低；另一类是单阶段检测器，如SSD11、YOLO12等，检测精度高且检测速度快。彭煜等13提出一种基于Faster R-CNN 的刨花板表面缺陷检测方法，能够检测胶块、水印、砂痕、杂物、粗刨花5种缺陷，针对构建的3 566张刨花板表面缺陷图像数据集，在数据集 80%为训练集情况下，平均检测精度达到93.37%；SHI 等14构建一种扫视网络模型提取潜在缺陷图像，使用多通道Mask-RCNN对缺陷进行分类和定位，通过对收集的2 838张单板图像按8 11的比例划分训练集、验证集和测试集，模型最终平均精度为95.31%；陈龙现15基于YOLOv3模型提出 Compact-Yolo-Net 模型，并对选取预测框和模型损失函数进行优化，针对刨花板的刨花、胶斑、油污、松软等缺陷，检测精确度达到99.6%；朱豪等16提出一种基于改进 YOLOv5s 的木材表面缺陷检测模型，针对木材表面活节、死节、有裂缝节子和裂缝4种缺陷，使用约5 469张样本图像进行模型训练，模型的平均检测精度为84.4%，且减少了模型参数和计算量。59木材科学与技术第 37 卷目前针对木制品缺陷检测过程大多使用图像处理技术和缺陷特征提取来定位缺陷，再对缺陷进行分类，存在不足包括：1）缺陷检测分两步进行，虽然检测精度高，但模型计算量较大，检测速度难以满足产线实际生产要求；2）缺陷检测结果取决于图像分割技术；3）基于机器学习的识别方法依赖于缺陷特征的先验提取，鲁棒性较差；4）针对不同木制品的缺陷类型，图像分割和特征提取过程比较复杂；5）YOLO等单阶段深度检测模型训练对计算资源要求较高，训练产生的权重文件有时高达上百兆，难以在资源有限的设备中使用。鉴于此，本研究基于YOLOv5s提出一种刨花板表面缺陷检测模型Lite-YOLOv5s。模型融合 Ghost Bottleneck 模块17、CA 坐标注意力机制18和简化空间金字塔池化 SimSPPF19等进行改进，降低模型的参数量和计算量，使其能方便地部署到边缘设备中，实现刨花板表面刨花、胶块、油污、粉尘斑、漏芯等缺陷的实时、准确检测。1 材料与方法 1.1刨花板表面缺陷样本图像采集图1所示为刨花板表面缺陷样本图像采集装置示意图。刨花板产线上下板面分别采用两个工业线阵相机（分辨率4 0962），当传送带将刨花板输送至该装置指定位置，触发光电传感器获得脉冲信号，控制LED灯带光源打开和工业线阵相机拍摄，使线扫相机在均匀光照环境拍摄成像，将两个相机的图像进行拼接，即可获得刨花板完整的板面图像。1.2样本图像预处理常见的四六呎（1.22 m1.83 m）、四八呎（1.22 m2.44 m）刨花板板面面积为23 m2，而缺陷面积相较于完整板面面积差别悬殊20。同时刨花板表面缺陷特征复杂，缺陷位置分布不同，采集到的完整板面图像数据占用空间和数值都较大，若直接使用完整板面图像数据作为模型输入，会增加人工标注样本数据的工作量和模型训练时的计算资源需求。针对此问题，本研究将完整板面图像的缺陷区域统一裁剪为 2 0481 024，并对裁剪后的图像进行灰度处理。同时为了保证算法检测准确率，将处理后具有相似特征的胶块、胶斑和油污缺陷图像合并为“胶斑油污”一种缺陷类型。经预处理后得到的刨花板表面缺陷样本图像数据共496张，其中刨花137张、粉尘斑83张、胶斑油污223张、漏芯53张。由于刨花板表面同种缺陷的表现形状各不相同，为了保证模型能够正确处理缺陷样本图像，通过对样本图像添加高斯噪声、垂直翻转、左右旋转、中值滤波、随机旋转90等预处理方法，使图像数据集从496张扩展到2 976张。利用增强图像作为模型训练数据集，可以提高模型的泛化能力，减少过拟合现象的发生，降低附加因素对检测结果的影响。扩增后的样本图像使用labelImg标注工具进行人工标注，生成不同缺陷的目标检测标签信息21。图2为预处理后的部分缺陷样本图像。图2缺陷样本图像Fig.2Images of sample with defects图1样本图像采集装置示意Fig.1Schematic diagram of sample image acquisition device60第 3 期王文财等：基于Lite-YOLOv5s模型的刨花板表面缺陷检测方法2 模型构建 2.1YOLOv5s网络YOLOv5s 网络结构包括输入层、主干网络、颈部网络以及预测层4个部分22。第一部分是输入层。在输入端YOLOv5s使用了Mosaic数据增强、自适应锚框计算以及自适应图片缩放3种图像处理方法，以增强模型性能。第二部分为主干网络。主要包括切片结构（Focus）、卷积模块（Conv）、瓶颈层（C3）以及空间金字塔池化模块（spatial pyramid pooling-Fast，SPPF），各模块结构如图3所示14。第三部分为颈部网络。颈部网络采用 FPN+PAN 结构，其主要思想来源于特征金字塔网络（feature pyramid networks，FPN）和路径聚合网络（path aggregation network，PANet）。FPN 自顶向下传递语义信息，PAN自底而上传递位置信息，实现不同尺度的特征融合。第 四 部 分 是 预 测 层。使 用 CIoU loss（complete intersection over union loss）23作为边界框的损失函数，采用标准的非极大值抑制操作（non-maximum suppression，NMS）24滤除多余的预测框，最终输出带有类别概率、置信度得分和预测框的特征向量，作为模型预测结果。2.2Lite-YOLOv5s网络刨花板表面缺陷检测算法一般需要部署在边缘侧设备中，以满足实时检测的要求，而边缘侧设备的计算能力较低，现有的深度卷积模型不能直接应用于边缘设备中。因此，本研究提出轻量级Lite-YOLOv5s网络模型，结构如图4所示。首先，将Focus模块替换为Conv模块，并使用Ghost Bottleneck模块将主干网络中的C3模块、Conv 模块以及颈部网络中的 C3 模块进行替换。Ghost Bottleneck具有更少参数且对计算精度影响图3YOLOv5s网络各模块结构Fig.3YOLOv5s network module structure图4Lite-YOLOv5s模型网络结构Fig.4Lite-YOLOv5s model network structure61木材科学与技术第 37 卷较小，可以有效降低模型计算量。其次，在主干网络增加CA注意力机制模块，可以让网络更加关注待检测目标，提高检测效果。然后，将 SPPF 模块替换为 SimSPPF 模块。SimSPPF模块与SPPF模块结构类似，目的是增大感受野，但SimSPPF模块将原SPPF模块中99和1313的池化核都用55的池化核来表示，可以压缩网络参数，降低网络计算量，提高模型推理速度。最后，将颈部网络中的Conv卷积模块替换为的DWConv深度卷积模块，以进一步降低模型参数量，减少运行成本。Ghost Bottleneck 模块是由复数个 Ghost 模块组成的结构，其结构类似于Resnet中的残差部分，能够在最大限度减少网络计算损耗的同时提高网络的检测准确率。如图5所示为模块的两种结构，左侧结构步长=1，该结构由两个Ghost模块串联组成，其中第一个Ghost模块用于扩大输入特征图通道数，为后面的操作做扩展处理，第二个Ghost模块将输出特征图通道数降到与输入通道数一致，并通过直径结构连接两个Ghost模块的信息传输；右侧结构步长=2，与左侧结构不同，该结构在两个 Ghost 模块间加入了步长=2 的 DWConv模块，可以将特征图大小降为输入的一半，起到下采样的作用。Ghost Bottleneck模块在有效减少模型参数量和计算量的同时，通过对特征图进行优化，提高模型的检测效率。CA模块是一种新的注意力机制，其结构如图6 所示。目前深度学习中多采用的 Squeeze-and-Excitation(SE)25和 CBAM（Convolutional Block Attention Module）26等注意力机制来提升模型性能。但是，SE只考虑内部通道信息而忽略了位置信息的重要性；CBAM通过在通道上进行全局池化来引入位置信息，但这种方式只能捕获局部的信息，而无法获取长范围依赖的信息27。CA模块将位置信息嵌入到通道注意力中来捕获目标结构，同时考虑了位置、通道信息，实现了远程依赖关系的获取，能够充分利用目标的位置信息，精确的定位特征图的感兴趣区域28。CA注意力机制通过把通道注意力分解为并行进行的一维特征编码的过程，形成一组在方向和位置两个层面同时敏感的特征图，以增强对注意力信息的敏感性，从而提高网络对缺陷目标的注意力，减少细小特征信息遗失29。表 1 列出 Lite-YOLOv5s 模型网络参数信息。其中，输入列中“-1”表示该层输入来自于上一层输出；模块名称列表示该模块的名称；模块数量表示模型中使用该模块的实际数量；张量信息列代表该模块的输入通道数、输出通道数、卷积核大小、步长和填充宽度等参数信息。2.3损失函数模型损失函数包括三部分：分类损失（Lclass，classification loss）、置 信 度 损 失（Lconfidence，confidence loss）和 边 界 框 回 归 损 失（LCIOU，图5Ghost Bottleneck模块结构Fig.5Ghost Bottleneck module structure图6CA模块结构Fig.6CA module structure62第 3 期王文财等：基于Lite-YOLOv5s模型的刨花板表面缺陷检测方法boundary box positioning loss），总的损失函数为三部分损失之和。其中，使用二值交叉熵损失函数计算分类损失和置信度损失，计算公式如下：Lclass=i=0s2objij=0B()i()c-i()c2(1)Lconfidence=i=0s2j=0Bobji (Ci-Ci)2 +noobji=0s2j=0Bnoobji (Ci-Ci)2 (2)式中：s2表示图像输入网络后被分成ss个网格，每个网格产生B个候选框anchor box，每个候选框会经过网络最终得到相应的bounding box。obji表示第 i 个网格是否有某一个候选框 j 负责预测目标，如有obji=1，否则为 0；noobji=1则表示第 i个网格内不存在候选框负责预测目标，否则为0。i(c)、i(c)分别表示目标属于某一类别c的预测值和真实值；Ci、Ci分别表示bounding box内含有目标物体概率得分的预测值和真实值。边界框回归损失 CIOU 损失函数计算公式如下：LCIoU=1-IoU+p2()b,bgtc2+(3)=()1-IoU+(4)=42(arctanwgthgt-arctanwh)2(5)式中：p2(b,bgt)表示预测框和真实框两个中心点之间的欧式距离，c表示两框之间最小外接矩形框的对角线距离，wgthgt、wh分别表示真实框和预测框宽度和高度之比，IoU表示两框间的交并比。3 实验与分析 3.1实验平台实验操作在Windows Server 2022操作系统下进行。GPU为 NVIDIA RTX A4000，显存为16G，显卡驱动为CUDA 11.6、cuDNN 8.5.0。其他软件环境包括python 3.7.0、opencv 4.6.0等，深度学习网络框架采用pytorch 1.13.0。3.2模型训练为充分利用数据，同时有效防止过拟合，将每种缺陷经过扩展后得到的样本图像按照约81 1的比例随机选取，将数据划分为训练集（2 378张）、测试集（300 张）和验证集（298 张）。其中，训练集用于训练网络，验证集用于调整模型超参数和验证网络模型的准确性，测试集用于对训练完成后保存的模型文件进行检测。模型训练优化器采用随机梯度下降算法。训练超参数设置结果列于表2。由于刨花板表面缺陷尺寸较小，为了便于检测，输入时将图像大小固定为1 2801 280。表2模型超参数设置Tab.2Model super parameter setting初始学习率0.01动量0.937衰减系数0.0005预热轮数3批量大小16训练轮数300表1Lite-YOLOv5s网络参数信息Tab.1Lite-YOLOv5s network parameter information序号012345678910111213141516171819202122232425262728输入-1-1-1-1-1-1-1-1-1-1-1-1-1-1-11,8-1-1-1-11,5-1-1-11,18-1-11,13-1模块名称ConvConvGhostBottleneckGhostBottleneckGhostBottleneckCoordAttGhostBottleneckGhostBottleneckCoordAttConvGhostBottleneckCoordAttSimSPPFDWConvUpsampleConcatDWConvGhostBottleneckDWConvUpsampleConcatDWConvGhostBottleneckDWConvConcatGhostBottleneckDWConvConcatGhostBottleneck模块数量11113113111111111111111111111张量信息3,32,6,2,232,64,3,264,64,3,164,128,3,2128,128,3,1128,128,16128,256,3,2256,256,3,1256,256,16256,512,3,2512,512,3,1512,512,16512,512,5512,256,1,1None,21512,256,3,1256,256,3,1256,128,1,1None,21256,128,3,1128,128,3,1128,128,3,21256,256,3,1256,256,3,21512,512,3,163木材科学与技术第 37 卷3.3模型评价模型评价包括精度评价和规模评价两部分。模型精度评价指标包括精确率（precious，P）、召回 率（recall，R）、平 均 精 度（mean average precious，mAP）。模型规模评价指标包括训练时间、参数量、体积和浮点计算量。P=TPTP+FP(6)R=TPTP+FN(7)式中：TP表示被模型预测为正类的正样本数量，FP表示被模型预测为负类的正样本数量，FN表示被模型预测为正类的负样本数量。mAP是各类别AP的平均值，AP是P-R（P为纵轴，R为横轴）曲线的面积，AP值越高表明模型分类效果越好。AP=01p(r)dr(8)3.4模型对比分析实验选取 YOLOv5s 以及 Lite-YOLOv5s 两种模型进行训练，并对模型精度评价指标和总训练损失（loss）进行对比，结果如图 7 所示。其中，mAP0.50 是 预 测 框 和 真 值 框 的 交 并 比（Intersection over Union，IoU）阈值设置为0.50时的预测结果；mAP0.5:0.95 是 IoU 阈值从 0.500.95每隔0.05计算一个mAP，并求平均得到的预测结果。从图7可以看出，Lite-YOLOv5s网络精度评价指标和损失曲线与原YOLOv5s网络相比变化不大，说明改进前后模型网络性能基本不变。表 3 为模型精度评价指标结果对比。Lite-YOLOv5s模型与原YOLOv5s模型相比，召回率R下 降 了 0.99%，mAP0.50 下 降 了 约 1.40%，mAP0.50:0.95下降了约3.18%，但准确率P提升了 1.43%。同时，图 7a7e 中 Lite-YOLOv5s 模型的各项指标曲线没有较大的震荡，而原YOLOv5s模型在前100个epochs内指标曲线存在明显的震荡情况。通过对模型的训练结果进行对比分析，可知三种模型的精度评价指标差异较小。Lite-YOLOv5s 模型在加入 Ghost Bottleneck 模块和 CA模块后性能变化不大，且具有更好的稳定性。图7模型精度评价指标及训练损失对比Fig.7Model accuracy evaluation index and training loss comparison64第 3 期王文财等：基于Lite-YOLOv5s模型的刨花板表面缺陷检测方法为了进一步验证模型加入SimSPPF模块后的有 效 性，分 别 采 用 YOLOv5s、Lite-YOLOv5s(SPPF)和 Lite-YOLOv5s 三种模型进行对比试验，其中Lite-YOLOv5s(SPPF)表示在主干网络中仍使用SPPF模块。表4三种模型规模评价结果进行对比可知，相比于原YOLOv5s模型，Lite-YOLOv5s(SPPF)和Lite-YOLOv5s的训练时间分别减少了约1.76%、3.58%，模型参数量下降了约 63.5%，模型权重文件大小下降了约60.54%，模型浮点计算量下降了约65.2%，表明Lite-YOLOv5s模型可以有效降低模型参数量和计算量。此外，Lite-YOLOv5s 模 型 参 数 量 虽 略 多 于 Lite-YOLOv5s(SPPF)，但模型训练需要的时间更短，表明网络加入SimSPPF模块后不但没有影响网络性能，还可以进一步降低模型的计算量，减少模型的训练时间。通过上述分析，Lite-YOLOv5s模型可以在保证模型检测效果的前提下，有效地降低模型的参数量和计算量，使其可轻松部署在资源有限的边缘设备中。3.5Lite-YOLOv5s检测结果分析为了进一步验证模型检测能力，对训练结果进行分析，结果统计列于表5，训练PR曲线如图8所示，部分缺陷检测结果如图9所示。表5列出模型训练结果，由结果可知模型对于刨花、粉尘斑及胶斑油污三类缺陷的检测效果较好，其精确率、召回率和mAP0.50结果基本都在90%以上，能够满足刨花板表面缺陷的检测精度要求。漏芯缺陷由于现场采集到的缺陷样本较少，相比其他缺陷检测结果较差。表4模型规模评价指标结果Tab.4Evaluation results of model scale index模型YOLOv5sLite-YOLOv5s(SPPF)Lite-YOLOv5s训练时间/h4.5014.4224.340层数213350348参数量702091325641052564873权重文件大小/MB14.75.85.8浮点计算量/GFLOPs15.85.55.5表3模型精度评价指标结果Tab.3Evaluation results of model accuracy index模型YOLOv5sLite-YOLOv5sP/%90.892.1R/%90.689.7mAP/%0.5092.991.60.50:0.9562.960.9表5Lite-YOLOv5s模型训练结果Tab.5Lite-YOLOv5s model training results类别刨花粉尘斑胶斑油污漏芯全部P/%97.096.289.685.792.1R/%94.999.890.773.489.7mAP/%0.5094.799.593.678.791.60.50:0.9564.465.463.350.460.9图8Lite-YOLOv5s模型PR曲线Fig.8Lite-YOLOv5s model PR curve图9部分缺陷检测结果Fig.9Partial defect detection results65木材科学与技术第 37 卷PR曲线主要用于测试不同刨花板表面缺陷类型对模型性能的影响。PR 曲线越靠近右上角越好。从图8结果可以看出，粉尘斑缺陷最靠近右上角，其精确率和召回率指标结果较好；刨花和胶斑油污缺陷在后面有所下降，其原因为刨花缺陷尺寸较小存在漏检情况，而胶斑油污缺陷存在部分图像缺陷不明显，与刨花板板面颜色几乎一致，干扰了模型检测结果；漏芯缺陷效果最差，主要原因是现场采集到的样本图像相对较少，且缺陷边界不明显，与正常区域存在过渡状态，难以确定缺陷边界，导致检测结果较差。针对测试集数据，模型部分检测结果如图9所示。其中预测框侧边的数字代表模型预测缺陷类型的置信度。从图9中可以看出模型可以较准确地对缺陷位置和缺陷类别进行标注。4 结语 本研究提出