CFIS-YOLO: A Lightweight Multi-Scale Fusion Network for Edge-Deployable Wood Defect Detection
本研究解决了木材缺陷检测中传统方法成本高、主观性强及深度学习模型在边缘部署时难以平衡检测准确性与计算效率的难题。通过提出CFIS-YOLO模型，该模型引入了增强的C2f结构、动态特征重组合模块及新颖的损失函数，显著改善了多尺度特征融合及小物体定位，并在公共木材缺陷数据集上实现了77.5%的mAP，显示了其在资源受限环境中进行木材缺陷检测的实际有效性。
本研究提出CFIS-YOLO模型，旨在解决木材缺陷检测中的高成本和主观性问题。该模型通过增强结构和新损失函数，提高了多尺度特征融合和小物体定位能力，在公共数据集上达到了77.5%的mAP，验证了其在资源受限环境中的有效性。
