基于YOLOv8n的木材表面缺陷检测系统OptiWood-YOLO的探索性性能评估与局限性分析

《Forests》：OptiWood-YOLO: A Real-Time Defect Detection Method with a New Industrial Wood Dataset

　　本研究提出了 OptiWood-YOLO，一种基于 YOLOv8n 的自动化木材表面缺陷检测流程。通过与木材加工企业合作获取了存在缺陷的木材材料，并记录了包含受控实验室成像的图像采集过程。数据集包含 10,507 张图像，标注了六种木材表面检测类别——起皮、裂纹、指接、刨削撕裂、划痕和皱褶——以及一个辅助的"Objects"类别。我们研究了预处理和数据增强方法，并在固定的图像级训练/验证/测试划分下，将该检测器与 YOLOv11、Faster R-CNN 和 RT-DETR 进行了比较。OptiWood-YOLOv8n 报告的模型比较值为：精确率 0.54，召回率 0.47，mAP@0.5 为 0.46，mAP@0.5:0.95 为 0.23，而 YOLOv11 的 mAP@0.5 为 0.45。这些单次运行的点估计值表明 YOLO 的性能大致相当，而非经过统计验证的优越性。OptiWood-YOLOv8n 在指定评估环境下的报告吞吐量为 51.30 FPS。由于原始的图像级划分不能保证物理木材样本的独立性，且完整的来源和评估溯源记录不可用，因此报告的结果应被解释为在原始划分下的探索性性能，而非针对未见木材样本或生产线的已验证泛化能力。