农业机械学报

作者：郭建军，何国煌，徐龙琴，刘同来，冯大春，刘双印

单位：仲恺农业工程学院,仲恺农业工程学院,仲恺农业工程学院,仲恺农业工程学院,仲恺农业工程学院,仲恺农业工程学院,

关键词：肉鸽行为检测;改进YOLO v4;多尺度特征;自适应空间特征融合

基金：国家自然科学基金项目(61871475)、广东省基础与应用基础研究基金项目(2022B1515120059)、广州市重点研发计划项目（202103000033）、广东省普通高校创新团队项目（2021KCXTD019）、广东省企业科技特派员项目（GDKTP2021004400）和广州市增城区农村科技特派员项目(2021B42121631)

肉鸽行为表现与鸽舍环境舒适度和肉鸽健康状况密切相关。为实现肉鸽行为精准检测、及时掌握肉鸽健康状况，提出了基于改进YOLO v4模型的肉鸽行为检测方法。由于肉鸽社交等行为特征相似性程度高，为了在复杂环境下准确识别肉鸽行为，本文采用自适应空间特征融合（Adaptively spatial feature fusion，ASFF）模块改进YOLO v4模型，在特征金字塔网络中增加ASFF模块，根据特征权值自适应融合多层特征，充分利用不同尺度特征信息，并且ASFF模块能有效过滤空间冲突信息、抑制反向梯度不一致问题、改善特征比例不变性以及降低推理开销。基于多时段的肉鸽清洁和社交行为数据集，自制5类肉鸽行为图像数据库，采用OpenCV工具进行模糊、亮度、水雾和噪声等处理扩充图像数据集（共10320幅图像），增加数据多样性和模拟不同识别场景，提升模型泛化能力。本文按照比例8∶2划分训练集和验证集，训练总共迭代300个周期，对不同时段、角度、尺寸的肉鸽数据集进行检测。检测结果表明，在阈值0.50和0.75时YOLO v4-ASFF检测精度比YOLO v4的mAP50和mAP75提高14.73、14.97个百分点。对比Faster R-CNN、SSD、YOLO v3、YOLO v5和CenterNet模型验证本文模型检测性能，在测试集中mAP50分别提高13.98、14.00、18.63、14.16、10.87个百分点。视频检测速度为8.1f/s，在推理速度相当情况下，本文改进模型识别准确率更高，复杂环境泛化能力更强，且对相似度高的行为误检和漏检情况更少，可为智能化肉鸽养殖和科学管理提供技术参考。

来源：2023年第4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4期