基于改进YOLOv5的碎米检测数据集

碎米检测是评估大米品质的重要环节，传统的碎米检测是由人工挑选完成的，这种方式耗时费力，误差率高，而且公开可用的碎米检测数据集并不多。为解决该问题，本文创建了一个大米碎米数据集，该数据集共由2435张图片和对应标签文件组成，其中包含3种类别；并提出了一个改进的YOLOv5碎米检测模型，该模型引入ShuffleNetv2轻量化结构作为特征提取结构，大大减少了模型的参数量，在此基础上，引入了BiFPN结构作为特征融合结构，使用α_IoU作为回归框损失对损失函数进行改进。实验表明，改进之后的模型精度可达98.9%，比原YOLOv5高0.3%，参数量和计算量也比原模型减少了85%以上，其中精度相比于YOLOv3、SSD、RestinaNet、FasterRCNN分别高了0.4%、33.3%、27.9%、27.2%。相关数据集将在https://github.com/THFrag/broken-rice-detection上提供。

Broken Rice Detection Dataset Based on Improved YOLOv5