基于改进YOLOv5s的大米外观品质无损检测模型

作者：顾海洋; 蒋雪松^*; 沈飞^*; 郁鑫智; 周宏平

来源：中国粮油学报, 2023, 38(11): 230-237.

DOI：10.20048/j.cnki.issn.1003-0174.000168

• YOLO
• 目标检测
• 深度学习
• 注意力机制
• 大米外观品质

针对大米在外观品质中需要快速识别需求，提出了一种基于改进YOLOv5s网络的大米外观品质识别模型(CG-YOLOv5)。为提高大米的识别率，文本增加了小目标检测层。其次，为使模型轻量化，用Ghost模块代替YOLOv5s的骨干网络。为进一步提升模型的性能，通过实验研究了不同的注意力机制对模型性能的影响，最终选取CBAM注意力机制加入到YOLOv5s网络中。为直观展示CBAM注意力机制的效果，对大米图像进行了特征图可视化。实验结果表明修改后网络的mAP达到了96.5%,相比YOLOv5s网络提升了4.3个百分点。在相同数据集下，与8种主流的检测网络进行对比，并在不同光照情况下的实验结果表明，该方法的检测mAP和检测时间皆优于其他8种检测网络；在检测时间上，该方法的平均检测时间为41 ms,相较于YOLOv3快119 ms,相较于YOLOv4-tiny快35 ms。

• 单位
  电子工程学院; 南京林业大学; 南京财经大学