基于改进YOLO v5n的舍养绵羊行为识别方法

作     者：翟亚红 王杰 徐龙艳 祝岚 原红光 赵逸凡 ZHAI Yahong;WANG Jie;XU Longyan;ZHU Lan;YUAN Hongguang;ZHAO Yifan

作者机构：湖北汽车工业学院电气与信息工程学院十堰442002 沁阳市北盛牧业有限公司沁阳454550 

出 版 物：《农业机械学报》 (Transactions of the Chinese Society for Agricultural Machinery)

年 卷 期：2024年第55卷第4期

页      面：231-240页

核心收录：

学科分类：081203[工学-计算机应用技术] 08[工学] 0905[农学-畜牧学] 09[农学] 0835[工学-软件工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：湖北省教育厅重点科研项目(D20211802) 湖北省科技厅重点研发计划项目(2022BEC008) 

主　　题：舍养绵羊 智慧养殖 行为识别 注意力机制 YOLO v5n 绵羊数据集 

摘      要：日常行为是家畜健康状况的重要体现,在传统的行为识别方法中,通常需要人工或者依赖工具对家畜进行观察。为解决以上问题,基于YOLO v5n模型,提出了一种高效的绵羊行为识别方法,利用目标识别算法从羊圈斜上方的视频序列中识别舍养绵羊的进食、躺卧以及站立行为。首先用摄像头采集养殖场中羊群的日常行为图像,构建绵羊行为数据集;其次在YOLO v5n的主干特征提取网络中引入SE注意力机制,增强全局信息交互能力和表达能力,提高检测性能;采用GIoU损失函数,减少训练模型时的计算开销并提升模型收敛速度;最后,在Backbone主干网络中引入GhostConv卷积,有效地减少了模型计算量和参数量。实验结果表明,本研究提出的GS-YOLO v5n目标检测方法参数量仅为1.52×10^(6),相较于原始模型YOLO v5n减少15%;浮点运算量为3.3×10^(9),相较于原始模型减少30%;且平均精度均值达到95.8%,相比于原始模型提高4.6个百分点。改进后模型与当前主流的YOLO系列目标检测模型相比,在大幅减少模型计算量和参数量的同时,检测精度均有较高提升。在边缘设备上进行部署,达到了实时检测要求,可准确快速地对绵羊进行定位并检测。