农业机械学报

作者：宋怀波，李嵘，王云飞，焦义涛，华志新

单位：西北农林科技大学,西北农林科技大学,西北农林科技大学,西北农林科技大学,西北农林科技大学,

关键词：肉牛;目标检测;ECABasicBlock;YOLO v5s;重度遮挡环境

基金：陕西省重点产业创新链(群)-农业领域项目(2019ZDLNY02-05)、国家重点研发计划项目(2017YFD0701603)和中央高校基本科研业务费专项资金项目(2452019027)

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76.9f/s，模型内存占用量为24MB。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 module)、CA(Coordinate attention)、SE(Squeeze and excitation)和ECA(Efficient channel attention)4种注意力机制，试验结果表明，ECA注意力机制的平均精度均值分别比CBAM、CA、SE高0.5、0.6、0.2个百分点。并且分析讨论了不同遮挡情况以及光照情况的检测结果，结果表明，ECA-YOLO v5s网络可以准确、快速地检测不同遮挡以及光照情况的肉牛目标。模型具有较高的鲁棒性，且模型较小，便于模型的迁移应用，可为肉牛目标检测及质押监管等研究提供必要的技术支撑。

来源：2023年第3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3期