CFIS-YOLO: A Lightweight Multi-Scale Fusion Network for Edge-Deployable Wood Defect Detection

要約

木材処理産業の品質管理を確保するには、木材の欠陥検出が重要です。
ただし、現在の産業用アプリケーションは2つの主要な課題に直面しています。従来の方法は費用がかかり、主観的で、労働集約的ですが、主流の深い学習モデルは、エッジ展開の検出精度と計算効率のバランスをとるのに苦労しています。
これらの問題に対処するために、この研究では、エッジデバイス用に最適化された軽量オブジェクト検出モデルであるCFIS-Yoloを提案しています。
このモデルでは、強化されたC2F構造、動的特徴の組換えモジュール、および補助境界ボックスと角張った制約を組み込んだ新しい損失関数を導入します。
これらの革新は、マルチスケール機能の融合と小さなオブジェクトのローカリゼーションを改善しながら、計算オーバーヘッドを大幅に削減します。
公共の木材欠陥データセットで評価されたCFIS-Yoloは、平均平均精度（map@0.5）を77.5 \％に達成し、ベースラインYolov10sを4パーセントポイント上回ります。
Sophon BM1684X Edgeデバイスでは、CFIS-Yoloは135 FPSを提供し、電力消費を元の実装の17.3％に減らし、MAPに0.5パーセントポイント低下のみを負担します。
これらの結果は、CFIS-Yoloがリソースに制約のある環境での実際の木材欠陥検出のための実用的で効果的なソリューションであることを示しています。

要約(オリジナル)

Wood defect detection is critical for ensuring quality control in the wood processing industry. However, current industrial applications face two major challenges: traditional methods are costly, subjective, and labor-intensive, while mainstream deep learning models often struggle to balance detection accuracy and computational efficiency for edge deployment. To address these issues, this study proposes CFIS-YOLO, a lightweight object detection model optimized for edge devices. The model introduces an enhanced C2f structure, a dynamic feature recombination module, and a novel loss function that incorporates auxiliary bounding boxes and angular constraints. These innovations improve multi-scale feature fusion and small object localization while significantly reducing computational overhead. Evaluated on a public wood defect dataset, CFIS-YOLO achieves a mean Average Precision (mAP@0.5) of 77.5\%, outperforming the baseline YOLOv10s by 4 percentage points. On SOPHON BM1684X edge devices, CFIS-YOLO delivers 135 FPS, reduces power consumption to 17.3\% of the original implementation, and incurs only a 0.5 percentage point drop in mAP. These results demonstrate that CFIS-YOLO is a practical and effective solution for real-world wood defect detection in resource-constrained environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google