CFIS-YOLO：面向边缘部署的轻量级多尺度融合网络用于木质缺陷检测

木质缺陷检测对于确保木质加工行业的质量控制至关重要。然而，当前的工业应用面临两个主要挑战：传统方法成本高昂、主观且费力，而主流深度学习模型常常难以在边缘部署之间实现检测准确率和计算效率的平衡。为此，本研究提出CFIS-YOLO，一个为边缘设备优化的轻量级目标检测模型。该模型引入了增强的C2f结构、动态特征重组模块以及一种包含辅助边界框和角度约束的新型损失函数。这些创新措施提高了多尺度特征融合和小目标定位，同时显著降低了计算开销。在公开的木质缺陷数据集上评估的CFIS-YOLO实现了77.5%的平均精度（[email protected]），超越基线YOLOv10s的4个百分点。在SOPHON BM1684X边缘设备上，CFIS-YOLO提供了135 FPS的检测速度，将功耗降低至原始实现的17.3%，仅在mAP上下降0.5个百分点。这些结果表明，CFIS-YOLO是面向资源受限环境中实际木质缺陷检测的实用且有效的解决方案。