农业机械学报

作者：杨秋妹，陈淼彬，黄一桂，肖德琴，刘又夫，周家鑫

单位：华南农业大学,华南农业大学,华南农业大学,华南农业大学,华南农业大学,华南农业大学,

关键词：猪只计数;目标检测;注意力机制;多尺度感知

基金：国家重点研发计划项目（2021YFD2000802）

猪只盘点是规模化养殖中的重要环节，为生猪精准饲喂和资产管理提供了依据。人工盘点不仅耗时低效，而且容易出错。当前已有基于深度学习的生猪智能盘点算法，但在遮挡重叠、光照等复杂场景下盘点精度较低。为提高复杂场景下生猪盘点的精度，提出了一种基于改进YOLO v5n的猪只盘点算法。该算法从提升猪只目标检测性能出发，构建了一个多场景的生猪数据集；其次，在主干网络中引入SE-Net通道注意力模块，引导模型更加关注遮挡条件下猪只目标信息的通道特征。同时，增加了检测层进行多尺度特征融合处理，使模型更容易学习收敛并预测不同尺度的猪只对象，提升模型遮挡场景的检测性能；最后，对边界框损失函数以及非极大值抑制处理进行了改进，使模型对遮挡的目标有更好的识别效果。实验结果表明，与原YOLO v5n算法相比，改进算法的平均绝对误差(MAE)、均方根误差(RMSE)以及漏检率分别降低0.509、0.708以及3.02个百分点，平均精度(AP)提高1.62个百分点，达到99.39%，在复杂遮挡重叠场景下具有较优的精确度和鲁棒性。算法的MAE为0.173，与猪只盘点算法CClusnet、CCNN和PCN相比，分别降低0.257、1.497和1.567。在时间性能上，单幅图像的平均识别时间仅为0.056s，符合实际猪场生产的实时性要求。

来源：2023年第1期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2023年第1期