基于YOLOv5-RF的糙米内部裂纹识别方法研究

摘要

[目的]为准确识别糙米内部裂纹，提出了一种基于改进YOLOv5l的糙米裂纹识别算法——YOLOv5-RF。[方法]使用深度卷积代替CBS(convolution+batch normalization+sigmoid linear unit)模块中的普通卷积构建出DWBS(depthwise convolution+batch normalization+sigmoid linear unit)模块，然后将DWBS模块堆叠成辅助骨干网络，再与原始的Darknet-53主干网络相结合形成基于DWBS模块的同级复合骨干网络，以提高糙米内部裂纹特征提取能力；在颈部网络使用逆向连接层来增强解码端特征的丰富性，用于提高解码端对糙米内部裂纹的识别能力；利用CBAM(convolutional block attention module)注意力模块调整SPPF(spatial pyramid pooling-fast)模块的通道注意力表达，通过构建一种SPPF模块与CBAM模块结合的网络结构来提高编码阶段的语义信息表达质量。[结果]所提出的YOLOv5-RF算法的平均准确率、召回率和准确率分别为94.01%、86.92%、90.85%,相比YOLOv5l算法分别提升了4.72%、6.23%、1.23%,但添加模块对模型检测速度的影响却很小。[结论]所提方法能够准确进行糙米内部裂纹的识别，可为稻谷爆腰率检测提供技术参考。

关键词

糙米裂纹 / 目标识别 / 特征信号增强 / 逆向连接层