基于特征金字塔注意力与深度卷积网络的多目标生猪检测

• 作者: 刘振宇 崔清亮 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 算法 目标检测 Tiny-YOLO 特征金字塔注意力(FPA)
• 年，卷（期）: 2020,（11）
• 所属期刊栏目: 农业信息与电气技术
• 页码范围: 193-202
• 页数: 10页
• 分类号: TP391
• 字数: 8472字
• 语种: 中文
• DOI: 10.11975/j.issn.1002-6819.2020.11.022

摘要

在生猪饲养环境中,猪只黏连、杂物遮挡等给生猪个体多目标检测带来很大困难.该研究以猪圈群养生猪为研究对象,以视频帧为数据源,提出一种适用于生猪形体检测的特征金字塔注意力(Feature Pyramid Attention,FPA)与Tiny-YOLO相结合的模型FPA-Tiny-YOLO.该模型将注意力信息融入到特征提取过程,在不大幅增加计算量的前提下即可提升特征提取能力、提高检测精度.对8栏日龄20～105 d的45头生猪视频截取图像进行图像处理,获得标注图片4102张,构建了4种深度FPA模块分别加入YOLOV3与Tiny-YOLO模型中.试验表明,深度为3的FPA模块(即FPA-3)的Tiny-YOLO模型在测试集上对群养生猪多目标检测的召回率Recall、F1与平均检测精度mAP指标值最佳,分别达到86.09％、91.47％和85.85％,比未引入FPA模块的Tiny-YOLO模型均有不同程度的提高.选用不同的IOU(Intersection Over Union)和score阈值超参数值对模型预测结果均有不同程度影响;将测试集图像按照是否黏连与遮挡划分4种场景来探究该模型的鲁棒性.试验表明,加入FPA-3模块后Tiny-YOLO的Recall、F1与mAP比Tiny-YOLO分别提升6.73、4.34和7.33个百分点,说明特征金字塔注意力信息有利于精确、有效地对不同场景群养生猪进行多目标检测.研究结果可为后续开展生猪身份识别和行为分析移动端应用提供参考.

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	胡志伟	山西农业大学信息科学与工程学院	6	10	2.0	3.0