基于改进yolo算法的牛只种类识别与行为检测

作     者：冯子懿 

作者单位：长春工业大学 

学位级别：硕士

导师姓名：邰志艳;蒋杨

授予年度：2024年

学科分类：082804[工学-农业电气化与自动化] 08[工学] 0828[工学-农业工程] 080203[工学-机械设计及理论] 0802[工学-机械工程] 

主      题：注意力机制 损失函数 轻量化 yolov7 牛只检测 

摘      要：在畜牧业领域内,精准养殖的关键环节在于对动物进行个体的信息采集与行为特征的智能检测,本文针对养殖过程中由于曝光、肢体被遮挡等复杂环境造成牛只种类识别和行为检测不准的问题,提出了基于yolov7算法的改进算法,研究工作主要包括: 首先,建立多种类牛只行为检测图像数据集。本论文数据来源包括两部分,一部分来自某牧场的实地采集视频,另一部分来自b站视频爬取,将视频按帧提取,整理成图片,以jpg的格式保存,并分为牛只种类与行为两部分。在种类识别部分,根据不同牛只的颜色、纹理等特征进行分类,分为荷兰斯坦牛、三河牛、雪龙黑牛、辽育白牛与黄牛五种牛只种类。在行为检测部分,包含牛只站立、行走、侧卧、饮水、采食五种日常行为。共处理筛选两万多张图片,并使用make-sense标注工具对图片数据进行一一标注,形成目标数据集对应的标注集文件。 其次,基于yolov7改进算法的检测准确率与检测速率优化。在Head部分融入自注意力机制,分别加入CA、Sim AM、CBAM三种注意力机制改进网络结构,自适应地选择输入特征,提高模型的检测精准率以及在复杂背景下的表现能力;考虑到牛只在日常行为采集过程中与设备距离远近的不同,对比了三种损失函数,最终引入超参Focal EIo U损失函数,在Loss部分平衡了高低质量样本的贡献,同时在多分类任务中提升了样本的识别准确率。经过实验分析,在种类识别部分,改进后模型的总体检测准确率达到95.1%,五种牛只种类的m AP@0.5均达到了90%以上,除背景中的漏检外,每类别与其他种类类别的误检率较低,反映了模型正确预测正样本纯度的能力。在行为检测部分,改进后模型的检测准确率达到95.2%,比改进前提高了5.4%,单张图片检测平均用时0.0106s,与SSD、Faster R-CNN等其他目标检测算法相比,改进后的yolov7模型检测准确率与检测速度均大幅提升。 最后,基于yolov7改进算法的轻量化。在算法检测准确率与检测速率优化的基础上,利用轻量化的Ghost卷积模块替换主干网络中的普通卷积模块,在保证检测性能的同时,将网络结构精简化,减小模型的参数量与计算量。经过实验分析,改进后的模型参数量为3.07M,相比原始模型减少了17.47%,浮点计算量下降了29.85%,而整体m AP在种类识别部分仅下降了0.7%,行为检测部分仅下降了0.6%,保证模型检测准确率与检测速率的同时,使得模型更加轻量化,同时改进后的模型也更适合部署在移动硬件设备上,适用于多种类动物日常行为的实时检测与分类。