基于改进的深度双分辨率网络,用于识别异常排泄物的高效细分模型
Pengguang He1,2,3, Rui Wu1,2,3, Da Liu1,3
1College of Biosystems Engineering and Food Science, Zhejiang University, Hangzhou, Zhejiang 310058, China.
Journal of animal science
|April 8, 2024
概括
这项研究开发了一种轻量级细分模型 (DDRNet-s-KD),用于自动监测异常的排泄物. 该模型实现了高精度和速度,使其适用于农场的边缘设备.
科学领域:
- 农业工程 农业工程
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 排便的特征表明群体的健康状况.
- 以前用于便的物体检测方法面临着标签和准确性挑战.
- 农场边缘计算需要高效的实时算法.
研究的目的:
- 开发一种轻量级的细分模型,用于自动化监测异常排泄物.
- 优化模型,以便在资源受限的边缘设备上部署.
- 与现有方法相比,提高准确性和推断速度.
主要方法:
- 重新定义了排泄物识别作为细分任务.
- 增强了带有注意力机制和多损失功能的基础细分网络 (DDRNet).
- 开发了一个轻量级版本 (DDRNet-s-KD),使用组卷积和知识蒸.
- 将模型量化为8位整数,并转换为TensorRT格式用于边缘部署.
主要成果:
- DDRNet-s-KD模型实现了79.43%和86.10 FPS的平均子系数 (mDice).
- 与基准相比,mDice增长了2.91%和FPS增长了61.2%.
- 量子化模型大小减少到13.7 MB (82.96%的减少),并在Jetson Xavier NX上实现了137.51 FPS.
结论:
- 拟议的轻量级细分模型对于监测异常的排泄物是有效的.
- 该模型的效率和小尺寸适合在农业环境中部署边缘设备.
- 这种方法为其他农业嵌入式系统提供了有价值的参考.
