原木贸易过程中,原木材积的精确测量与经济效益直接相关。通常,同一批木材的长度相对固定,其材积计算依赖于原木端面检测算法。但是,原木端面形状各异、数量不一,给成捆原木端面检测带来巨大的挑战。因此,为了减少原木端面图像中的漏检原木数目,使模型能够更加完整地识别图像中的所有原木,同时考虑算法模型的可移植性,提出一种基于改进YOLOv4-Tiny的成捆原木端面检测模型,通过引入压缩和激励(Squeeze　and　Excitation,SE)网络实现注意力机制以增强目标原木的特征,同时将YOLOv4-Tiny的解码网络中的卷积层改为深度可分离卷积(Depthwise　Separable　Convolution,DSC),减少了模型的参数量。实验结果表明,所提出的模型能够有效地提高原始YOLOv4-Tiny的检测性能,精准率达到了93.3%,召回率达到了95.07%,同时模型的权重大小相比较原始模型减少了29.91%。