通过深度学习方法在没有子的房子里自动检测棕色
Yangyang Guo1, Prafulla Regmi2, Yi Ding3
1School of Internet, Anhui University, Hefei, Anhui 230039, China; Department of Poultry Science, University of Georgia, Athens, GA 30602, USA.
Poultry science
|June 11, 2023
概括
一个新的YOLOv5-C3CBAM-BiFPN模型能够准确地检测母,即使是在密集的,封闭的环境中. 这种深度学习方法增强了自动监控,以改善家禽福利和管理.
科学领域:
- 农业技术 农业技术
- 计算机视觉 计算机视觉
- 动物科学动物科学
背景情况:
- 对动物行为的自动监测对于畜牧管理至关重要.
- 高种群密度和小尺寸对计算机视觉系统构成挑战.
- 准确检测产母对于监测福利和绩效至关重要.
研究的目的:
- 开发和评估一个改进的深度学习模型,以准确检测产卵.
- 为了应对在高密度和封闭环境中检测的挑战.
- 提高自动化家禽监测系统的稳定性和准确性.
主要方法:
- 一个新的YOLOv5-C3CBAM-BiFPN模型被建立用于产卵母的检测.
- 该模型集成了一个卷积块注意模块 (C3CBAM) 和一个双向特征金字塔网络 (BiFPN).
- 测试和比较使用了720张图像的数据集,其密度和遮程度各不相同.
主要成果:
- YOLOv5-C3CBAM-BiFPN模型实现了高性能指标:98.2%的精度,92.9%的回忆,96.7%的mAP和95.4%的F1得分.
- 该模型显示分类速率为每秒156.3 (f/s).
- 增强型号的性能优于其他注意力机制的标准YOLOv5型号.
结论:
- 开发的YOLOv5-C3CBAM-BiFPN模型为产母的检测提供了出色的性能.
- 深度学习方法可以在现实生产环境中准确和快速识别.
- 这项技术适用于家禽行业的实时监控应用.
