融合YOLO v5n与通道剪枝算法的轻量化奶牛发情行为识别

摘要：

及时、准确地监测奶牛发情行为是现代化奶牛养殖的必然要求.针对人工监测奶牛发情不及时、效率低等问题,该研究提出了一种融合YOLO v5n与通道剪枝算法的轻量化奶牛发情行为识别方法.在保证模型检测精度的基础上,基于通道剪枝算法,对包括CSPDarknet53主干特征提取网络等在内的模块进行了修剪,以期压缩模型结构与参数量并提高检测速度.为了验证算法的有效性,在2239幅奶牛爬跨行为数据集上进行测试,并与Faster R-CNN、SSD、YOLOX-Nano和YOLOv5-Nano模型进行了对比.试验结果表明,剪枝后模型均值平均精度(mean Average Precision,mAP)为97.70％,参数量(Params)为0.72 M,浮点计算量(Floating Point operations,FLOPs)为0.68 G,检测速度为50.26帧/s,与原始模型YOLOv5-Nano相比,剪枝后模型mAP不变的情况下,参数量和计算量分别减少了59.32％和49.63％,检测速度提高了33.71％,表明该剪枝操作可有效提升模型性能.与Faster R-CNN、SSD、YOLOX-Nano模型相比,该研究模型的mAP在与之相近的基础上,参数量分别减少了135.97、22.89和0.18 M,FLOPs分别减少了153.69、86.73和0.14 G,检测速度分别提高了36.04、13.22和23.02帧/s.此外,对模型在不同光照、不同遮挡、多尺度目标等复杂环境以及新环境下的检测结果表明,夜间环境下mAP为99.50％,轻度、中度、重度3种遮挡情况下平均mAP为93.53％,中等尺寸目标和小目标情况下平均mAP为98.77％,泛化性试验中奶牛爬跨行为检出率为84.62％,误检率为7.69％.综上,该模型具有轻量化、高精度、实时性、鲁棒性强、泛化性高等优点,可为复杂养殖环境、全天候条件下奶牛发情行为的准确、实时监测提供借鉴.

关键词：图像识别、行为、模型、发情检测、通道剪枝、YOLO v5n、奶牛爬跨行为、复杂环境

所属期刊栏目：38

分类号：TP391.4(计算技术、计算机技术)

资助基金：国家自然科学基金;陕西省技术创新引导计划

在线出版日期：2023-03-07（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：130-140