Key points are not available for this paper at this time.
木材缺陷检测是目前林业领域的研究热点。然而，现有的木材缺陷检测研究主要集中在检测单一类型的缺陷或常见缺陷，如结疤、虫害和裂缝，这无法满足高质量木材的加工需求。此外，还存在小目标缺陷识别率低和密集缺陷识别完整性差等问题。为了解决这些问题，我们通过数据增强技术构建了一个包含多种木材表面缺陷的大规模数据集。我们还在YOLOv5网络结构中引入了坐标注意力模块、变换器编码器模块和Swin变换器模块。优化了主干网络CSP-Darknet53，并在脖部部分引入BiFPN，以实现多尺度加权双向特征融合。此外，我们在预测部分实现了新的三个头：Shead、Mhead和Lhead。对比实验表明，STC-YOLOV5优于一些目标检测算法。消融实验表明每个模块有效提升了检测性能。与YOLOv5相比，本文提出的STC-YOLOV5将mAP提高了3.1%。所有类型和规模的木材表面缺陷检测效果更佳，具有广泛应用于林业行业的潜力.
Han等（Sun，）研究了这个问题。