木材是一种天然、可再生且可持续的材料，具有低碳足迹，在建筑、建筑和制造等工业领域得到广泛应用。在全球追求可持续发展和碳中和的背景下，由于木材的可生物降解性和可回收性，它越来越多地被用作传统建筑材料的替代品，并在现代绿色建筑系统中显示出巨大潜力。与钢铁和混凝土等不可再生材料相比，木材的生产能耗更低，对环境的影响也较小，使其成为可持续和低碳建筑实践的重要组成部分。
然而，在大规模应用中，结构木材材料中的表面和内部缺陷严重限制了其机械性能和装饰质量。这些缺陷包括裂纹、节疤、虫害、腐朽和髓心，可能会影响木材组件的结构安全性和视觉完整性，从而导致材料利用效率低下。研究表明，木材的有效利用率通常只有50%–70% [1]，其中很大一部分因缺陷而被降级或丢弃，造成资源浪费和经济损失。在承重结构和建筑饰面中，准确的缺陷识别尤为重要，以确保安全、耐久性和质量控制。
目前，手动视觉检测仍是建筑和制造业中识别木材缺陷的主要方法。尽管这种方法具有一定的灵活性，但它效率低下、主观性强且容易让操作员疲劳，难以满足现代工业生产对高吞吐量、标准化和实时性能的要求 [2]。在连续或复杂的工作流中，手动检测容易漏检和误判，直接影响木材组件的分级、分类和后续加工精度。因此，开发一种高效、稳定且可部署的自动化木材缺陷检测系统，能够无缝集成到实际工业检测工作流中，对于推动智能制造和可持续建筑实践至关重要。
近年来，计算机视觉和深度学习技术的快速发展为自动化工业检测提供了强大的工具。基于卷积神经网络（CNN）的对象检测算法 [3]，如YOLO系列、Faster R-CNN和SSD，在检测钢材、纺织品、陶瓷和印刷电路板等材料表面的缺陷方面取得了显著成功 [4]，而最近关于轻量级双向网络和多任务或基于特征分离的多模态学习的研究展示了跨领域特征融合在工业和结构检测任务中的潜力 [5]、[6]。一些研究将这些模型引入木材缺陷检测任务，并取得了有希望的初步结果 [7]。然而，木材缺陷检测面临独特的挑战 [8]、[9]：缺陷在形状、大小和空间分布上差异很大，小目标在图像中占很大比例。此外，木材的自然纹理在边界、亮度和形状方面与某些缺陷（如裂纹和髓心）具有很强的视觉相似性，这可能导致特征混淆和检测错误。现有模型仍然难以检测小缺陷、准确定位模糊边界以及抑制背景纹理干扰，难以满足工业应用所需的高精度和鲁棒性。
尽管取得了这些进展，但在针对建筑应用中的结构木材进行实时、轻量化和鲁棒缺陷检测方面，仍存在关键的研究空白。现有研究主要集中在通用木材缺陷数据集的算法改进上，往往忽略了承重建筑材料自动化检测的严格可靠性要求。YOLOv11架构虽然在通用场景中效率较高，但在特定于木材的工业环境中存在三个主要局限性：（1）重复的下采样会抑制细小裂纹和微缺陷的弱边缘响应；（2）基于卷积的聚合会模糊低对比度边界与复杂的纹理；（3）深度融合会将缺陷线索与重复的自然图案混淆，导致误报。这些局限性直接对应于木材检测中的三个主要挑战，即细节丢失、边界模糊定位和纹理干扰。此外，大多数先前的工作缺乏与实际建筑质量控制流程的无缝集成，限制了其可部署性。
因此，本研究的核心问题是如何设计一种基于YOLOv11的轻量级检测架构，能够在复杂的木材纹理干扰下提高小缺陷和弱边界的检测能力，同时保持实时推理效率，以满足工业检测需求。
为应对这一挑战，本文提出了CSE-YOLO，这是一个基于YOLOv11的轻量级框架，集成了三个面向任务的模块：CGBlock_DS用于在木材纹理干扰下保留微妙的缺陷线索，C3k2_SAER用于增强多尺度弱边界表示，C3k2_ELGCA+用于改进局部-全局特征融合，以实现更具区分性的检测。
在公开可用的木材缺陷数据集上的实验结果表明，CSE-YOLO在检测精度和实时性能之间取得了良好的平衡。与YOLOv11相比，该模型的mAP50从84.35%提高到88.63%，召回率从81.11%提高到83.24%，参数量仅为4.04百万个，确保了适合工业规模实时检测的推理速度。这些结果表明，所提出的模型提高了小缺陷的检测能力并减少了纹理干扰，证明了其在结构木材材料检测中的可靠性。
为了进一步评估所提出方法在完整检测工作流中的适用性，开发了一个实验室级别的自动化木材缺陷检测原型系统。该系统集成了工业相机、定向照明和嵌入式计算平台。系统实现了从图像采集、模型推理到结果输出和可视化的完整工作流程。开发了人机交互式可视化界面，实时显示缺陷位置、类别和置信度分数，提供了直观的检测过程监控和可追溯性。实验室测试表明，该原型系统实现了稳定的检测性能和实时响应，初步验证了其在自动化木材检测场景中的适用性。这个原型为CSE-YOLO在完整检测工作流中的工程适用性提供了初步的实验室验证，并暗示了其在未来建筑用木材材料质量检测中的潜在应用。
