基于改进Tiny-YOLO模型的群养生猪脸部姿态检测

• 作者: 刘振宇 崔清亮 李艳文 燕红文 胡志伟
• 来源期刊: 农业工程学报
• 学科: 工学
• 关键词: 图像处理 模型 目标检测 Tiny-YOLO 通道注意力 空间注意力
• 年，卷（期）: 2019,（18）
• 所属期刊栏目: 农业信息与电气技术
• 页码范围: 170-180
• 页数: 11页
• 分类号: TP391
• 字数: 9500字
• 语种: 中文
• DOI: 10.11975/j.issn.1002-6819.2019.18.021

摘要

生猪脸部包含丰富的生物特征信息,对其脸部姿态的检测可为生猪的个体识别和行为分析提供依据,而在生猪群养场景下,猪舍光照、猪只黏连等复杂因素给生猪脸部姿态检测带来极大挑战.该文以真实养殖场景下的群养生猪为研究对象,以视频帧数据为数据源,提出一种基于注意力机制与Tiny-YOLO相结合的检测模型DAT-YOLO.该模型将通道注意力和空间注意力信息引入特征提取过程中,高阶特征引导低阶特征进行通道注意力信息获取,低阶特征反向指引高阶特征进行空间注意力筛选,可在不显著增加参数量的前提下提升模型特征提取能力、提高检测精度.对5栏日龄20～105 d的群养生猪共35头的视频抽取504张图片,共计3 712个脸部框,并标注水平正脸、水平侧脸、低头正脸、低头侧脸、抬头正脸和抬头侧脸6类姿态,构建训练集,另取420张图片共计2 106个脸部框作为测试集.试验表明,DAT-YOLO模型在测试集上对群养生猪的水平正脸、水平侧脸、低头正脸、低头侧脸、抬头正脸和抬头侧脸 6 类姿态预测的 AP 值分别达到85.54%、79.30%、89.61%、76.12%、79.37%和84.35%,其6类总体mAP值比Tiny-YOLO模型、仅引入通道注意力的CAT-YOLO模型以及仅引入空间注意力的SAT-YOLO模型分别提高8.39%、4.66%和2.95%.为进一步验证注意力在其余模型上的迁移性能,在同等试验条件下,以YOLOV3为基础模型分别引入两类注意力信息构建相应注意力子模型,试验表明,基于Tiny-YOLO的子模型与加入相同模块的YOLOV3子模型相比,总体mAP指标提升0.46%～1.92%.Tiny-YOLO和YOLOV3系列模型在加入注意力信息后检测性能均有不同幅度提升,表明注意力机制有利于精确、有效地对群养生猪不同类别脸部姿态进行检测,可为后续生猪个体识别和行为分析提供参考.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	刘振宇	山西农业大学信息科学与工程学院	58	190	10.0	12.0
2	燕红文	山西农业大学信息科学与工程学院	17	35	3.0	5.0
3	崔清亮	山西农业大学工学院	63	512	12.0	21.0
4	李艳文	山西农业大学信息科学与工程学院	3	6	2.0	2.0
5	胡志伟	山西农业大学信息科学与工程学院	6	10	2.0	3.0