微量DNA提取工作站作为探究病毒起源、核酸检测及多样性评估等常用样本检测平台之一,在公安法检、疾疫检测等领域具有至关重要的作用。机器自检是微量DNA提取工作站的核心功能之一,旨在工作站检测前对关键工件进行智能识别与检测,以防在后期检测过程中出现差错,影响检测结果甚至造成样本损坏这种无法挽回的损失。目前,基于人工智能的发展和目标检测技术的进步,使得以深度学习方法进行工作站工件智能识别与检测成为了可能。鉴于卷积神经网络在工件检测领域的突出表现,本文通过改进YOLOv5网络来完成提取站关键工件的智能识别与检测。首先,我们开展了DNA提取站工件数据集的采集工作。针对DNA提取站运行过程中出现的光照变换、耗材遮挡和数据样本量过少等现象,对数据图像进行预处理,增强图像质量,提高工件检测模型对数据的泛化能力。最终建立的DNA提取站专用工件数据集共1200张图片,为后续工件检测相关算法的研究提供可靠的数据支撑。其次,针对耗材工件排列密集、尺度变化大等问题,提出了一种基于YOLOv5的密集工件检测模型。为了解决基础模型在工件检测实际应用中存在的诸多问题,本文通过增大初始层卷积核以期扩增模型感受野,改进激活函数为Hardswish以降低延迟成本,同时引入DIo U-NMS非极大值抑制方法增强对密集工件的检测。在本文自建数据集上进行对比试验,结果表明,改进后的YOLOv5s检测模型各个检测指标都得到了提升,有效提高了工件检测模型性能,减少了密集工件检测的漏检率和误检率。最后,针对工作站操作系统中因硬件性能较低而卷积神经网络参数量较多,难以部署、实时检测速度慢等问题,提出了融合注意力机制的轻量化YOLOv5工件检测模型。轻量化模型保留原有空间金字塔池化与多尺度特征融合模块,将Ghost Bottleneck引入到残差结构中组成C3-Ghost-X轻量模块,融合注意力机制SE block,同时缩减模型宽度。实验结果表明,轻量化YOLOv5网络检测精度可达96%,检测速度比原始YOLOv5s网络快10倍,实现了模型轻量化的目的,提升了工件检测算法实际工作的适用性。