木材工业中对木髓精确定位的迫切需求，木髓作为评估木材纹理方向的关键几何参考，直接影响胶合木、交叉层压木材等工程木材的力学性能与加工精度。然而，传统生产流程仍高度依赖人工目视检测，这种方法不仅劳动强度大、主观性强，且准确率仅70–80%，难以满足现代木材制造业对自动化与实时质量控制的要求。此外，木髓检测本身面临多重技术挑战：木髓在截面图像中通常呈现为极小目标，易在神经网络下采样过程中丢失特征；其视觉特征与木节、裂纹、树脂道等干扰物高度相似；实际生产中还存在大量无木髓样本，导致严重的类别不平衡问题。这些因素共同使得木髓的自动检测成为一项尚未被充分探索且极具难度的任务。为了解决上述问题，南京林业大学阙泽利木结构工作室成员贾舒可硕士为骨干的团队以『Wood-YOLOv11: An Optimized YOLOv11-Based Model for Real-Time Pith Detection in Sawn Timber』为题，开展了系统研究，相关成果近期发表于《Applied Sciences》期刊（https://doi.org/10.3390/app152413056）。
论文为解决上述问题而提出的Wood-YOLOv11模型。该模型基于先进的一阶段检测器YOLOv11进行任务适配优化，旨在实现锯材截面上木髓的高精度、实时定位。研究的核心贡献体现在四个方面：一是构建了一个专门用于木髓检测的数据集，包含多种木材树种、混合成像来源以及高质量的木髓标注，并特意包含了大量无木髓样本以模拟真实工业场景；二是提出了一种负样本感知的训练策略，通过显式利用无木髓图像和采用加权二元交叉熵损失函数来缓解极端的类别不平衡问题；三是采用了高分辨率输入配置和经过调优的复合损失函数权重，以提升对小目标的定位能力；四是设计了一套全面的评估流程，除了常规的mAP、精确率与召回率指标外，还包括对无木髓样本的误检分析、模型配置的消融实验以及与主流检测器的对比。在自定义标注的锯材数据集上的验证结果表明，Wood-YOLOv11取得了优异的性能，其mAP@0.5达到92.1%，精确率为95.18%，召回率为87.72%，同时保持每秒27帧的推理速度，证明了其处理复杂纹理背景和小尺寸目标的有效性，为木材加工行业的智能化转型提供了一个鲁棒、实时且高效的技术方案。
研究方法部分系统阐述了实现Wood-YOLOv11的技术路径。首先，在数据层面，研究团队通过实验室专业拍摄和从公开木材数据库获取两种方式，收集了包含杉木和云杉共1640张高分辨率截面图像，并确保正样本（有木髓）与负样本（无木髓）数量平衡。所有图像均使用LabelImg工具进行了严格的人工标注，仅定义“木髓”一个目标类别。在模型架构上，本研究并未改动YOLOv11的基本网络模块，而是充分利用其原有的高效骨干网络、特征金字塔融合结构以及解耦检测头，并重点引入了其中的C2PSA注意力机制和SPPF模块来增强模型对关键区域的聚焦能力和多尺度感知能力。损失函数优化是方法的核心，作者构建了一个复合损失函数，整合了用于提升边界框回归精度的CloU损失、用于应对类别不平衡的加权二元交叉熵损失以及用于优化边界细节的分布焦点损失，并通过实验确定了各项的最优权重。训练过程中采用了840×840的高输入分辨率以保留小目标细节，使用AdamW优化器和余弦退火学习率调度策略，并结合Mosaic、Mixup等多种数据增强技术来提升模型的泛化性能。
Wood-YOLOv11模型在木髓检测任务上表现卓越，其性能优于YOLOv7、YOLOv8、Faster R-CNN和SSD等主流检测模型，实现了准确率与实时性的良好平衡。消融实验证实，高分辨率输入、负样本感知训练策略以及复合损失函数中的各项组件均为提升最终性能的关键因素。该模型展现出的高精确率、高召回率和低误检率，使其完全适用于木材工业自动化质量管控管线的部署要求。
这项研究具有重要的理论与实践意义。在技术层面，它成功地将前沿的目标检测框架YOLOv11适配到一个具有挑战性的特定工业视觉任务中，为解决小目标检测、复杂纹理干扰和极端类别不平衡等共性问题提供了可借鉴的优化思路与方法论，例如负样本感知训练和针对性的损失函数设计。在工业应用层面，Wood-YOLOv11为实现锯材木髓的自动化、实时化检测提供了切实可行的解决方案，有望彻底改变传统依赖人工的质检模式，大幅提升木材加工的效率、一致性与可靠性，直接助力木材制造行业的智能化升级。展望未来，该模型框架可进一步扩展为能够同步检测木节、裂纹、树脂道等多种木材特征的综合性自动分级系统，并可探索部署于边缘计算设备，实现生产线上的实时现场分析，从而与X射线、激光扫描等其他传感模态相结合，构建起更为完整的木材质量综合评价体系。（供稿：贾舒可 审核：阙泽利）
* Jia, Shuke, Fanxu Kong, Baolei Jin, Chenyang Jin, and Zeli Que. 2025. "Wood-YOLOv11: An Optimized YOLOv11-Based Model for Real-Time Pith Detection in Sawn Timber" Applied Sciences 15, no. 24: 13056. https://doi.org/10.3390/app152413056
