针对整车原木检测中存在密集小目标难检测、原木被遮挡易被漏检、目标检测模型复杂度太大难以部署等问题，提出一种基于YOLOv5的整车原木数量检测方法TWD-YOLOv5,来探究目标检测在整车原木场景下进行快速精准检测的可行性，从而实现智能检尺，提高检尺效率。本研究在原始YOLOv5模型的基础上通过修改模块数量、加入注意力机制和Transformer模块的操作来优化主干网络，结合新的检测尺度与基于Ghost卷积设计特征融合网络，提升网络检测小目标的能力，降低模型复杂度，选用CIoU作为边界框回归的损失函数和DIoU-nms作为边界框筛选算法，提高边框的回归精度和解决物体被遮挡的问题。本研究算法TWD-YOLOv5进行4组试验，从平均精度均值（mAP）、每秒传输帧数、原木真检率多种尺度指标进行评估，同时通过预测框完成对原木根数的计数。试验结果表明，本研究方法的mAP达到0.731,每秒传输帧数为7.33,模型参数降低了40.5%,且测试集原木真检率达到了99.551%,误检率为0.22%。该方法不仅大幅减少了模型复杂度，还保持了较高的检测精度。本研究的模型能对整车原木场景下的原木有良好的检测效果，解决了原木被遮挡的问题，且检测速度快，能做到实时检测，另外该算法有较强的鲁棒性且模型较小，可以满足部署至移动端进行目标检测的轻量化需求。