农业机械学报

作者：黄小平，冯涛，郭阳阳，梁栋

单位：安徽大学,安徽大学,安徽大学,安徽大学,

关键词：奶牛体况评分;轻量化;目标检测;注意力机制

基金：安徽省自然科学基金项目（1908085QF284）和安徽省教育厅自然科学基金项目（KJ2021A0024）

奶牛体况评分是评价奶牛产能与体态健康的重要指标。目前，随着现代化牧场的发展，智能检测技术已被应用于奶牛精准养殖中。针对目前检测算法的参数量多、计算量大等问题，以YOLO v5s为基础，提出了一种改进的轻量级奶牛体况评分模型（YOLO-MCE）。首先，通过2D摄像机在奶牛挤奶通道处采集奶牛尾部图像并构建奶牛BCS数据集。其次，在MobileNetV3网络中融入坐标注意力机制（Coordinate attention，CA）构建M3CA网络。将YOLO v5s的主干网络替换为M3CA网络，在降低模型复杂度的同时，使得网络特征提取时更关注于牛尾区域的位置和空间信息，从而提高了运动模糊场景下的检测精度。YOLO v5s预测层采用EIoU Loss损失函数，优化了目标边界框回归收敛速度，生成定位精准的预测边界框，进而提高了模型检测精度。试验结果表明，改进的YOLO v5s模型的检测精度为93.4%，召回率为85.5%，mAP@0.5为91.4%，计算量为2.0×109，模型内存占用量仅为2.28MB。?相较原始YOLO v5s模型，其计算量降低87.3%，模型内存占用量减少83.4%，在保证模型复杂度较低与实时性较高的情况下，实现了奶牛体况的高效评分。此外，改进的YOLO v5s模型的整体性能优于Faster R-CNN、SDD和YOLO v3目标检测模型。本研究为奶牛体况评分商业化提供理论基础和研究思路，为奶牛养殖业提供了智能化解决方案。

来源：2023年第6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6期