一个集成的收集和分配机制和注意力增强的可变形卷积模型用于猪行为识别
Rui Mao1,2, Dongzhen Shen1, Ruiqi Wang1
1College of Information Engineering, Northwest A&F University, Yangling 712100, China.
Animals : an open access journal from MDPI
|May 11, 2024
概括
这项研究介绍了DM-GD-YOLO,这是用于猪行为识别的先进AI模型. 它准确地识别出正常和异常的猪行为,支持改善动物福利和农场管理.
科学领域:
- 动物科学动物科学
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 准确识别猪行为对于健康监测和管理至关重要.
- 猪行为中的非刚性变形对传统的计算机视觉模型构成挑战.
- 现有的模型往往在复杂的动物行为方面难以进行全面的特征提取.
研究的目的:
- 开发一种先进的模型来识别常见和异常的猪行为.
- 在猪行为分析中增强非刚性变形的特征提取能力.
- 通过智能管理,改善猪健康监测和以福利为重点的育种.
主要方法:
- 使用可变形卷积网络 (DCN) 与多路径坐标注意力 (MPCA) 机制来增强特征提取 (DCN-MPCA模块).
- 将DCN-MPCA模块集成到骨干网络的跨尺度跨特征 (C2f) 模块中.
- 在YOLOv8网络的子中使用收集和分发 (GD) 机制来改进特征融合,创建了DM-GD-YOLO模型.
主要成果:
- DM-GD-YOLO模型在11999张猪图像的数据集上实现了高性能,识别了四种常见行为和三种异常行为.
- 实现了88.2%的精度,92.2%的回忆,平均平均精度 (mAP) 为95.3%.
- 在猪监控方面表现优于像Faster R-CNN,EfficientDet,YOLOv7和YOLOv8这样的流行模型.
结论:
- 新的DM-GD-YOLO模型在猪行为识别准确性和效率方面提供了显著的改进.
- 为智能猪管理提供强有力的技术支持,增强动物福利和育种实践.
- 通过先进的AI解决方案,为猪业的现代化和转型做出贡献.
