Comparative Study of YOLO Architectures for Automated Wood Defect Detection
Notice bibliographique
Résumé
The North American residential construction industry relies on wood as the principal material for structural framing, as well as for kitchen cabinets, decorative trim moldings, and door casings. In this regard, wood quality is a key determinant of structural integrity and aesthetics in construction. Traditional wood defect inspection during construction and furniture manufacture is time-consuming, inconsistent, and error prone. Machine-vision technology could solve these issues and improve wood quality assessment. The use of automated defect detection systems can improve inspection efficiency and accuracy while reducing manual labour. This paper evaluates the performance of four advanced You Only Look Once (YOLO) object detection models: YOLOv5l-seg, YOLOv7-E6E, YOLOv8l, and YOLOv9e for automated wood defect identification. Each variant involves a balance between accuracy and computational efficiency. YOLOv5l-seg supports segmentation, YOLOv7-E6E improves feature extraction, YOLOv8l speeds up inference, and YOLOv9e uses transformer-based components for better detection. Using a dataset of 3,300 annotated images spanning ten defect types, it was found that YOLOv9e achieves the highest precision (90.15%), demonstrating strong potential for real-time wood inspection in construction and manufacturing workflows. The results are discussed in the context of their applicability to off-site construction systems for quality tracking and defect traceability.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».