林业科学

作者：纪敏1,高锐2,王晓欢1,*,刁兴良1,韩佳锴1,赵扬1,王国富1,张伟1,*

单位：1. 中国林业科学研究院木材工业研究所　北京 1000912. 福建省林业科学研究院　福州 350012

关键词：赤松结构用锯材,机器视觉节子检测平台,深度学习,YOLO 训练模型,高效层聚合网络

基金：国家重点研发计划项目（2024YFD2200700）；福建省科技重大专项（2024HZ026011）。

目的: 针对结构用锯材人工目测分等效率低、主观性强等问题，选取常用赤松结构用锯材，构建一种基于深度学习的节子在线检测方法，为提高结构用锯材分等的自动化与精度提供技术支撑。方法: 基于 YOLO 网络构建节子检测模型，引入高效层聚合网络（ELAN）以及结合 SIFT 特征的图像拼接、分割与融合方法，增强机器视觉缺陷检测系统在锯材分等及复杂生产线视觉任务中的适应能力。通过多尺度预测和损失函数最小化，抑制图像背景及噪声对缺陷检测的干扰，准确计算目标分类与定位损失，从而提高节子目标检测精度并优化模型在特定任务中的表现。结果: 工业现场应用结果表明，该系统对锯材表面节子缺陷的识别与检测精度达到90.97%，漏检率为9.03%，节子位置（X，Y）与尺寸（L，W）平均检测精度分别为86.29%与85.95%，检测速度可达到 20~30 m·min?1，能够满足结构用锯材在加工生产线中的应用需求。结论: 深度学习方法适用于实际锯材检测任务，可有效降低人工检测的主观性，并提升检测的准确率和效率。机器视觉检测技术的引入，有望推动木材分等技术的创新与发展，提升木材加工行业的质量控制水平，进而促进木结构建筑行业整体技术能力的进步。

来源：2025年第11期

《林业科学》期刊编辑部

查看林业科学杂志2025年第11期