文章详情

题名 · 作者 · 摘要 · 关键词 · DOI · 参考文献

基于改进YOLOv8n的轻量化工地堆放木材异常检测算法

王浩宇

（太原师范学院 计算机科学与技术学院，山西 晋中 030619）

栏目：人工智能 · 第 2025 年第 7 期 · 页码：58-63,70 · 2096-4706（2025）07-0058-07 · 中图分类号：TP183;TP391 · 文献标识码：A · DOI：10.19850/j.cnki.2096-4706.2025.07.011

摘要

在工地堆放木材物料时，室外环境容易导致木材表面出现受潮变形、干裂等异常状况。针对现有检测算法在木材物料表面异常检测方面精度欠佳、模型计算复杂度高等问题，提出一种以YOLOv8n为基础模型的轻量级小目标检测算法（YOLO-ESN）。该算法引入空间-通道重构卷积（SCConv）模块以及针对小目标检测的归一化Wasserstein距离（NWD）损失函数，同时将基于跨空间学习的高效多尺度注意力模块（EMA）嵌入主干网络，以此减轻遮挡及背景干扰带来的影响。改进后的算法在木材缺陷数据集上进行了实验验证，相较于原算法，其mAP@0.5提升了3.6%，参数量降低了23.3%，实现了对堆放木材物料异常情况的实时准确检测。

关键词

改进YOLOv8n算法；工地木材异常检测；轻量化；小目标检测

参考文献

  1. [1] 冯利军.建筑安全事故成因分析及预警管理研究 [D].天津：天津财经大学，2008.
  2. [2] 裴文博，王水亮.建筑工地常见的安全隐患问题原因分析及对策建议 [J].建筑安全，2020，35（10）：52-55.
  3. [3] QAYYUM R，KAMAL K，ZAFAR T，et al. Wood Defects Classification Using GLCM Based Features and PSO Trained Neural Network [C]//2016 22nd International Conference on Automation and Computing (ICAC).Colchester：IEEE，2016：273-277.
  4. [4] AGRAWAL P，GIRSHICK R，MALIK J. Analyzing the Performance of Multilayer Neural Networks for Object Recognition [C]//Computer Vision-ECCV 2014.Zurich：Springer，2014：329-344.
  5. [5] GIRSHICK R. Fast R-CNN [C]//2015 IEEE International Conference on Computer Vision (ICCV).Santiago：IEEE，2015：1440-1448.
  6. [6] REN S Q，HE K M，GIRSHICK R，et al. Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks [C]//IEEE Transactions on Pattern Analysis and Machine Intelligence，2015，39（6）：1137-1149.
  7. [7] REDMON J，DIVVALA S，GIRSHICK R，et al. You Only Look Once: Unified， Real-Time Object Detection [C]//2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR).Las Vegas：IEEE，2016：779-788.
  8. [8] LIU W，ANGUELOV D，ERHAN D，et al. SSD: Single Shot MultiBox Detector [C]//Computer Vision-ECCV 2016.Amsterdam：Springer，2016：21-37.
  9. [9] SERMANET P，EIGEN D，ZHANG X，et al. OverFeat: Integrated Recognition, Localization and Detection using Convolutional Networks [J/OL]. arXiv:1312.6229 [cs.CV].[2024-10-16].https://doi.org/10.48550/arXiv.1312.6229.
  10. [10] 陈俊宇.探究智慧工地在建筑工程安全管理和质量管理中的应用 [J].产品可靠性报告，2023（8）：45-46.
  11. [11] 韩强.面向小目标检测的改进YOLOv8算法研究 [D].长春：吉林大学，2023.
  12. [12] OUYANG D L，HE S，ZHANG G Z，et al. Efficient Multi-Scale Attention Module with Cross-Spatial Learning [C]//CASSP 2023-2023 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP).Rhodes Island：IEEE，2023：1-5.
  13. [13] WANG J W，XU C，YANG W，et al. A Normalized Gaussian Wasserstein Distance for Tiny Object Detection [J/OL].arXiv:2110.13389 [cs.CV].[2024-10-23].https://doi.org/10.48550/arXiv.2110.13389.
  14. [14] LI J F，WEN Y，HE L H，et al. SCConv: Spatial and Channel Reconstruction Convolution for Feature Redundancy [C]//2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR).Vancouver：IEEE，2023：6153-6162.
  15. [15] CHEN Y P，DAI X Y，LIU M C，et al. Dynamic Convolution: Attention Over Convolution Kernels [C]//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR).Seattle：IEEE，2020：11027-11036.
  16. [16] HU J，SHEN L，SUN G. Squeeze-and-Excitation Networks [C]//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition.Salt Lake City：IEEE，2018：7132-7141.
  17. [17] WOO S，PARK J，LEE J Y，et al. CBAM: Convolutional Block Attention Module [J/OL].arXiv:1807.06521 [cs.CV].[2024-09-28].https://doi.org/10.48550/arXiv.1807.06521.
  18. [18] IANDOLA F N，HAN S，MOSKEWICZ M W，et al. SqueezeNet: AlexNet-level accuracy with 50x fewer parameters and＜0.5 MB model size [J/OL].arXiv:1602.07360 [cs.CV].[2024-09-12].https://doi.org/10.48550/arXiv.1602.07360.
  19. [19] HOWARD A G，ZHU M L，CHEN B，et al. MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications [J/OL].arXiv:1704.04861 [cs.CV].[2024-09-10].https://doi.org/10.48550/arXiv.1704.04861.

作者简介

王浩宇（1996—），男，汉族，山西长治人，硕士研究生在读，研究方向：图像处理。