基于改进YOLOv5s的大米外观品质无损检测模型

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。