采用改进YOLOv5s检测牧区牲畜

TP391.4; 畜牧业自动化管理面临的一个关键挑战是如何准确地检测大规模放牧养殖牲畜的种群,确定其数量和实时更新群体信息.牲畜规模化、自动化检测受环境场地等因素影响,当前目标检测算法经常出现漏检、误检等情况.该研究基于YOLOV5s目标检测网络设计了一种牲畜检测算法LDHorNet(livestock detect hor net),参考HorNet的递归门控卷积设计了HorNB模块对网络模型进行改进,以提高检测算法的空间交互能力和检测精度.然后在网络结构中嵌入CBAM(convolutional block attention module)注意力机制,以提高小目标的检测精度和注意力权重,...

Full description

Saved in:
Bibliographic Details
Published in农业工程学报 Vol. 39; no. 24; pp. 165 - 176
Main Authors 苏宇, 肖志云, 鲍鹏飞
Format Journal Article
LanguageChinese
Published 内蒙古工业大学电力学院,呼和浩特 010051 01.12.2023
内蒙古自治区高等学校智慧能源技术与装备工程研究中心,呼和浩特 010051
内蒙古自治区机电控制重点实验室,呼和浩特 010051
Subjects
损失函数
livestock detection
注意力机制
pastoral areas
LDHorNet
attention mechanism
目标检测
深度学习
deep learning
loss function
target detection
牧区
牲畜检测
Online AccessGet full text

Cover

More Information
Summary:TP391.4; 畜牧业自动化管理面临的一个关键挑战是如何准确地检测大规模放牧养殖牲畜的种群,确定其数量和实时更新群体信息.牲畜规模化、自动化检测受环境场地等因素影响,当前目标检测算法经常出现漏检、误检等情况.该研究基于YOLOV5s目标检测网络设计了一种牲畜检测算法LDHorNet(livestock detect hor net),参考HorNet的递归门控卷积设计了HorNB模块对网络模型进行改进,以提高检测算法的空间交互能力和检测精度.然后在网络结构中嵌入CBAM(convolutional block attention module)注意力机制,以提高小目标的检测精度和注意力权重,并利用Repulsion损失函数提高目标检测网络的召回率和预测精度.试验结果表明,所提出的LDHorNet算法的精准率、召回率分别为95.24%、88.87%,平均精准率均值 mAP_0.5、mAP_0.5:0.95分别为 94.11%、77.01%,比 YOLOv5s、YOLOv8s、YOLOv7-Tiny精准率分别提高了 2.83、2.93和 9.79个百分点,召回率分别提高了 6.66和 4.95、13.42个百分点,平均精准率均值mAP_0.5:0.95分别提高 12.46、5.26和 20.97个百分点.该算法对于小目标和遮挡场景下的牲畜检测效果优于原算法与对比算法,表现出良好的鲁棒性,具有广泛的应用前景.
ISSN:1002-6819
DOI:10.11975/j.issn.1002-6819.202308231