本技术属于木材缺陷检测的技术领域，更具体地，涉及一种基于改进YOLOv8l的木材表面缺陷检测方法、电子设备及存储介质。所述方法包括:使用FasterNet改进传统的YOLOv8l的Backbone，利用FasterNet中部分卷积PConv的设计来减小参数量和计算量；提出了一种增强型加权双向特征金字塔网络EFPN，通过辅助分支加强不同特征层之间的信息交换，并设计了扩张重参数模块DRM来充分捕获不同尺度上的特征。改进后的YOLOv8l更加适用于检测木材表面的多尺度缺陷，不仅提高了检测精度，并且参数量和计算量更小，为木材表面缺陷检测提供了一种高效、精准的解决方案。
背景技术
木材作为一种重要的自然资源，广泛应用于建筑、家具、造纸等行业。然而，受自然、人为等因素的影响，木材不可避免地存在各种缺陷，这些缺陷是影响木材使用价值的最主要因素，同时影响木材产品的质量、美观性、实用性。目前，木皮单板和胶合板生产在中国的木材加工市场占据主导地位，广泛应用于家具、门、或室内设计元素的涂层和装饰表面。在胶合板的加工过程中，需要合理的选择木皮单板，这是因为生长环境、原木剥落后的储存和运输以及后期的木材加工，都会导致许多单板表面缺陷，如死节、活节、裂缝、树皮、缺口和干疤，这些缺陷会破坏木皮的一致性和完整性，降低机械强度，并影响板材的使用和使用寿命。因此，检测木皮表面的缺陷是胶合板加工过程中至关重要的一步，这对单板的分拣、组成或后续修补非常重要。
到目前为止，木皮单板表面缺陷的检测通常依赖于人工检测，该方法需要大量的工人长时间高强度的进行工作，导致检测质量不稳定、检测标准不一致、检测效率差等问题。因此，亟须设计一种自动化和智能化的解决方案来克服当前的问题。
近年来，基于深度学习的缺陷检测方法因其在特征提取和图像分类方面的出色能力而被使用，这些方法通常基于计算机视觉领域的目标检测算法来实现。一些研究人员将目标检测算法应用到木材缺陷检测中，通过大量图像数据进行训练，使模型能够准确的检测木材缺陷。目标检测算法根据网络结构可分为双阶段检测算法(例如R-CNN、Fast R-CNN、Faster R-CNN等)和单阶段检测算法(例如YOLO系列、SSD、DETR等)。双阶段检测算法通常计算成本较高，难以满足工业应用的实时要求。相比之下，单阶段检测算法以端到端的方式预测和分类对象。它们通常具有更快的推理速度，但由于没有区域建议子网络(RPN)，准确度相对较低。但近年来，通过不断的改进，这些算法已经能够在保持较快推理速度的同时，实现较高的精度。YOLOv8凭借其无锚框方法和更先进的设计，实现了更快的检测速度和更高的准确度。在YOLOv8中，图像经过预处理后，首先通过Backbone提取图像中的特征，然后在Neck进行融合，最后传递至Head，通过一系列卷积层以及分类和回归损失函数得到目标的类别和位置。
然而，由于木材表面缺陷在对象尺度、大小和长宽比上存在显著变化，传统的Backbone由于网络结构较深，在缺陷特征提取时容易提取较多的冗余信息，这会导致模型参数量和计算量较大，检测速度慢，对于关键信息的定位不够精准；此外，传统的Neck在特征层交互过程中会遭受特征信息丢失和退化，削弱了模型多尺度特征的表达能力。这些因素限制了木材表面缺陷检测的准确性和效率。
中国专利文献CN117876663A公开一种基于深度神经网络的木材缺陷检测方法及系统，该方法包括以下步骤：获取木材的缺陷数据集，并将缺陷数据集划分为训练集、验证集与测试集；基于YOLOv8模型构建初始缺陷检测模型，包括：将YOLO模型中Neck网络的Conv模块替换为RFCA模块；还将RFCA注意力机制中的ReLU激活函数替换为了SiLU激活函数。Head部分增加一个小目标解耦检测头，提升小目标的检测能力，其次，使用Wise-IoU损失函数替换CIoU损失函数，最后引入迁移学习的思想，构建改进的YOLOv8模型。利用训练集对初始缺陷检测模型进行模型训练，得到最终缺陷检测模型；将验证集输入最终缺陷检测模型，并输出检测结果。然后将测试集、本地视频以及移动端实时采集图像输入至木材缺陷智能检测系统中，输出检测结果。
针对上述问题，本发明提出一种基于改进YOLOv8l的木材表面缺陷检测方法。
实现思路