融合YOLOv5s与通道剪枝算法的奶牛轻量化个体识别方法

实时准确地识别奶牛个体身份是构建完善的奶牛精准养殖技术架构的先决条件。如何在快速精准识别奶牛个体的同时保证模型的轻量化是至关重要的。本文提出了一种在低计算量和低参数量条件下快速准确识别奶牛个体身份的方法。研究采用YOLOv5s作为原始模型,利用BN层中缩放因子对模型中通道的重要性进行判断并剪除不重要的通道,从而降低网络复杂度。为了更加有效地压缩模型,本研究在损失函数中增加稀疏损失项,实现模型通道的稀疏化。测试试验结果表明,剪枝后的模型平均精度mAP为99.50%,计算量为8.1 G,参数量为1.630 M,每秒帧数为135.14 帧。相比其他具有代表性的目标检测模型,本文方法拥有最小的模型复杂度。此外,相比其他模型,本文方法对奶牛斑纹特征依赖程度更低,在低照度条件下有着更加出色的表现。考虑该方法具有快速、准确、鲁棒、低计算量和低参数量的特点,在推进养殖场中奶牛精细化养殖方面具有巨大潜能。     

基于YOLO v5-OBB与CT的浸种玉米胚乳裂纹检测

浸种是玉米生产中重要的播前增种技术,对浸种过程中裂纹的高效检测是分析玉米胚乳裂纹变化规律的基础,是优良品种性状选育的关键之一,尚存在内部胚乳裂纹不可见、自动化检测程度不高等困难。基于CT扫描技术,在YOLO v5n检测网络的基础上,设计了YOLO v5-OBB旋转目标检测网络,其中OBB为有向目标边框,该网络使用旋转矩形框代替普通矩形框,并在Backbone部分加入位置注意力模块(CA),同时采用倾斜非极大值抑制算法(Skew-NMS)进行非极大值抑制得到最终预测框,以此实现长宽比大、方向不一的玉米胚乳裂纹检测。经过300次迭代训练,模型在测试集上的精确率P为94.2%,召回率R为81.7%,平均精度(AP)为88.2%,模型内存占用量为4.21 MB,单幅图像平均检测时间为0.01 s,与SASM、S²A-Net和ReDet旋转目标检测网络相比,AP分别提高15.0、16.9、7.0个百分点,单幅图像平均检测时间分别减少0.19、0.22、0.46 s,同时YOLO v5-OBB模型内存占用量分别为SASM、S²A-Net和ReDet模型的...     

融合YOLO v5n与通道剪枝算法的轻量化奶牛发情行为识别

及时、准确地监测奶牛发情行为是现代化奶牛养殖的必然要求。针对人工监测奶牛发情不及时、效率低等问题,该研究提出了一种融合YOLO v5n与通道剪枝算法的轻量化奶牛发情行为识别方法。在保证模型检测精度的基础上,基于通道剪枝算法,对包括CSPDarknet53主干特征提取网络等在内的模块进行了修剪,以期压缩模型结构与参数量并提高检测速度。为了验证算法的有效性,在2239幅奶牛爬跨行为数据集上进行测试,并与Faster R-CNN、SSD、YOLOX-Nano和YOLOv5-Nano模型进行了对比。试验结果表明,剪枝后模型均值平均精度（mean Average Precision, mAP）为97.70%,参数量（Params）为0.72 M,浮点计算量（Floating Point operations, FLOPs）为0.68 G,检测速度为50.26 帧/s,与原始模型YOLOv5-Nano相比,剪枝后模型mAP不变的情况下,Params和FLOPs分别减少了59.32和49.63个百分点,检测速度提高了33.71个百分点,表明该剪枝操作可有效提升模型性能。与Faster R-CNN、SSD、YOLOX-Nano模型相比,该研究模型的mAP在与之相近的基础上,参数量分别减少了135.97、22.89和0.18 M,FLOPs分别减少了153.69、86.73和0.14 G,检测速度分别提高了36.04、13.22和23.02 帧/s。此外,对模型在不同光照、不同遮挡、多尺度目标等复杂环境以及新环境下的检测结果表明,夜间环境下mAP为99.50%,轻度、中度、重度3种遮挡情况下平均mAP为93.53%,中等尺寸目标和小目标情况下平均mAP为98.77%,泛化性试验中奶牛爬跨行为检出率为84.62%,误检率为7.69%。综上,该模型具有轻量化、高精度、实时性、鲁棒性强、泛化性高等优点,可为复杂养殖环境、全天候条件下奶牛发情行为的准确、实时监测提供借鉴。     

基于ECA-YOLO v5s网络的重度遮挡肉牛目标识别方法

肉牛目标检测和数量统计是精细化、自动化、智能化肉牛养殖要解决的关键问题,受肉牛个体颜色及纹理相近和遮挡等因素的影响,现有肉牛目标检测方法实用性较差。本研究基于YOLO v5s网络与通道信息注意力模块(ECABasicBlock),提出了一种融合通道信息的改进YOLO v5s网络(ECA-YOLO v5s),在YOLO v5s模型的骨干特征提取网络部分添加了3层通道信息注意力模块。ECA-YOLO v5s网络实现了重度遮挡环境下多目标肉牛的准确识别。对养殖场监控视频分帧得到的肉牛图像采用了一种基于结构相似性的冗余图像剔除方法以保证数据集质量。数据集制作完成后经过300次迭代训练,得到模型的精确率为89.8%,召回率为76.9%,全类平均精度均值为85.3%,检测速度为76.9 f/s,模型内存占用量为24 MB。与YOLO v5s模型相比,ECA-YOLO v5s的精确率、召回率和平均精度均值分别比YOLO v5s高1.0、0.8、2.2个百分点。为了验证不同注意力机制应用于YOLO v5s的性能差异,本研究对比了CBAM(Convolutional block attention mo...     

奶牛运动行为智能监测研究进展与技术趋势

奶牛运动行为蕴含着诸多健康信息。信息化、智能化技术的应用有助于养殖场及时掌握奶牛健康状况,提高养殖效率。本文主要针对奶牛运动行为智能监测技术的研究进展予以分析,首先对奶牛基本运动（躺卧、行走、站立）、发情、呼吸、反刍及跛行等行为的监测意义进行阐述,明确了奶牛行为监测的必要性;其次按照时间顺序分别从接触式监测方法和非接触式监测方法两方面综述了国内外相关研究现状,对相关研究的原理及成果进行详细介绍,并进行了分类总结;对奶牛行为监测产业发展现状进行了分析,介绍了国外主流牧场自动化设备供应商主营业务及代表产品;之后分别提出了当前接触式和非接触式奶牛运动行为监测方法的问题与挑战。最后,针对相关关键技术的发展趋势进行了展望。     

基于SimCC-ShuffleNetV2的轻量化奶牛关键点检测方法

针对现有深度学习技术在奶牛关键点检测研究中尚存在网络复杂度高、检测速度慢等问题，提出了一种轻量化奶牛关键点检测模型SimCC-ShuffleNetV2。在模型中，主干网络采用ShuffleNetV2用于特征提取，有利于实现网络的轻量化；检测头采用SimCC用于关键点位置预测，SimCC采取坐标分类的方法使得检测更加简单高效。为了验证模型的性能，本研究设计了奶牛的关键点及骨架结构，并标注了3 600幅图像用于模型的训练与测试。试验结果表明，SimCC-ShuffleNetV2模型的AP_50:95为88.07%,浮点运算量为1.5×10⁸,参数量为1.31×10⁶,检测速度为10.87 f/s,可以实现奶牛关键点的精确与高效检测。与基于回归的DeepPose网络、基于热力图的HRNet网络进行了对比试验，结果表明SimCC-ShuffleNetV2取得了精度与速度的良好平衡。同时，本研究通过更换不同主干与不同检测头的方式，对比验证了不同模块对模型性能影响，本研究所提出的模型在所有试验中均取得了最佳结果，表明ShuffleNe...