基于改进YOLOv5的整车原木数量检测方法

摘要：

针对整车原木检测中存在密集小目标难检测、原木被遮挡易被漏检、目标检测模型复杂度太大难以部署等问题,提出一种基于YOLOv5的整车原木数量检测方法TWD-YOLOv5,来探究目标检测在整车原木场景下进行快速精准检测的可行性,从而实现智能检尺,提高检尺效率.本研究在原始YOLOv5模型的基础上通过修改模块数量、加入注意力机制和Transformer模块的操作来优化主干网络,结合新的检测尺度与基于Ghost卷积设计特征融合网络,提升网络检测小目标的能力,降低模型复杂度,选用CIoU作为边界框回归的损失函数和DIoU-nms作为边界框筛选算法,提高边框的回归精度和解决物体被遮挡的问题.本研究算法TWD-YOLOv5进行4组试验,从平均精度均值(mAP)、每秒传输帧数、原木真检率多种尺度指标进行评估,同时通过预测框完成对原木根数的计数.试验结果表明,本研究方法的mAP达到0.731,每秒传输帧数为7.33,模型参数降低了 40.5％,且测试集原木真检率达到了 99.551％,误检率为0.22％.该方法不仅大幅减少了模型复杂度,还保持了较高的检测精度.本研究的模型能对整车原木场景下的原木有良好的检测效果,解决了原木被遮挡的问题,且检测速度快,能做到实时检测,另外该算法有较强的鲁棒性且模型较小,可以满足部署至移动端进行目标检测的轻量化需求.

关键词：YOLOv5、目标检测、原木检测、特征融合、轻量化网络、原木计数、遮挡目标

所属期刊栏目：7

分类号：S781;TP391.4(森林采运与利用)

资助基金：福建省科技厅自然基金;福建省金森林业股份有限公司校企合作项目;福建省林业科技项目

在线出版日期：2022-08-03（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：135-143