基于增强型轻量深度网络的牧区牲畜高效检测

摘要：

实现大数据管理牲畜需要实时监测牲畜,但对牲畜进行实时监测容易受到目标尺寸变化大、光照、环境因素等干扰,因此检测难度大,现有牲畜检测算法存在鲁棒性差等问题.提出一种基于增强型YOLOv4-tiny的目标检测算法(E-YOLOv4-tiny),采用多尺度特征融合的金字塔网络,兼顾浅层局部细节特征与深层语义信息,解决牧区牲畜尺寸波动问题.通过改进残差结构,减少主干网络参数量,以适应嵌入式平台需求.引入一种新的复合聚类算法设计锚框,在保证可移植性的前提下提高算法精度.针对牧区环境特点,提出一种新的复合多通道注意力机制,改善目标检测网络精度差的问题,增强算法鲁棒性.实验结果表明,E-YOLOv4-tiny算法的平均精度均值(mAP)为0.878 9,帧率为32帧/s,相较于传统YOLOv4-tiny算法,在保持几乎相同的检测速率条件下,mAP提升了9.32%.

关键词：目标检测、深度学习、计算机视觉、YOLOv4-tiny算法、注意力机制、特征融合

所属期刊栏目：49

分类号：TP391.41(计算技术、计算机技术)

资助基金：国家自然科学基金;内蒙古自治区机电控制重点实验室开放基金;内蒙古自治区科技计划项目;内蒙古自治区自然科学基金项目;内蒙古自治区基本科研业务费项目

在线出版日期：2023-07-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：278-287