农业机械学报

作者：段青玲，赵芷青，蒋涛，桂小飞，张宇航

单位：中国农业大学,中国农业大学,北京福通互联科技集团有限公司,北京福通互联科技集团有限公司,中国农业大学,

关键词：肉牛;行为识别;深度学习;YOLO v7;多目标识别

基金：北京市博士后工作经费项目(2022-ZZ-109)和校企合作项目（202305510810142）

肉牛活动过程中所表现出的行为是肉牛健康状况的综合体现，实现肉牛行为的快速准确识别，对肉牛疾病防控、自身发育评估和发情监测等具有重要作用。基于机器视觉的行为识别技术因其无损、快速的特点，已应用在畜禽养殖行为识别中，但现有的基于机器视觉的肉牛行为识别方法通常针对单只牛或单独某个行为开展研究，且存在计算量大等问题。针对上述问题，本文提出了一种基于SNSS-YOLO v7（Slim-Neck & Separated and enhancement attention module & Simplified spatial pyramid pooling-fast-YOLO v7）的肉牛行为识别方法。首先在复杂环境下采集肉牛的爬跨、躺卧、探究、站立、运动、舔砥和互斗7种常见行为图像，构建肉牛行为数据集；其次在YOLO v7颈部采用Slim-Neck结构，以减小模型计算量与参数量；然后在头部引入分离和增强注意力模块（Separated and enhancement attention module，SEAM）增强Neck层输出后的检测效果；最后使用SimSPPF（Simplified spatial pyramid pooling-fast）模块替换原YOLO v7的SPPCSPC（Spatial pyramid pooling cross stage partial conv）模块，在增大感受野的同时进一步减少参数量。在自建数据集上测试，本文提出的肉牛行为识别方法的平均精度均值（mAP@0.5）为95.2%，模型内存占用量为39 MB，参数量为1.926×107。与YOLO v7、YOLO v6m、YOLO v5m、YOLOX-S、TPH-YOLO v5、Faster R-CNN相比，模型内存占用量分别减小47.9%、45.4%、7.6%、43.1%、57.8%和92.5%，平均精度均值（mAP@0.5）分别提高1.4、2.2、3.1、13.7、1.9、4.5个百分点，试验结果表明，本文方法能够实现肉牛行为的准确识别，可以部署在计算资源有限的设备上，为实现畜禽养殖智能化提供支持。

来源：2023年第10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10期