PD-YOLO:一项关于在住户羊群中日常行为检测的研究

科学领域:

• 计算机视觉 计算机视觉
• 人工智能的人工智能
• 动物科学动物科学

背景情况:

• 羊的行为识别对于监测健康和预防牲畜疾病爆发至关重要.
• 现实世界农业场景带来了诸如羊拥挤和封闭等挑战,导致检测准确度低,识别速度缓慢.
• 现有的模型很难满足在复杂环境中实时,准确的羊行为分析的需求.

研究的目的:

• 为智能农业应用开发一种轻量级和高效的羊行为识别模型.
• 为了提高羊行为检测的准确性和速度,特别是在拥挤的条件下.
• 提供实用解决方案,实时监测羊的健康和福利.

主要方法:

• 提出了一种基于YOLOv8n架构的轻量级绵羊行为识别模型PD-YOLO.
• 集成了一个并行卷积块注意模块 (PCBAM),以改善特征提取和减少背景噪声.
• 在骨干网络中用深度可分离的卷曲取代普通卷曲,以减少模型大小和计算复杂性.

主要成果:

• 对于羊的姿势,PD-YOLO模型实现了高平均精度 (mAP):95.8% (躺),98.9% (食) 和96.2% (站).
• 与YOLOv8n相比表现出显著改善,mAP增加分别为8.5%,0.8%,0.8%.
• 模型尺寸减少了13.3%,计算负载减少了12.1%,实现了52.1 FPS的推断速度.

结论:

• PD-YOLO模型在羊行为识别方面提供了卓越的性能,解决了现有方法的局限性.
• 该模型的效率和准确性使其适用于智能绵羊养殖中的实时应用.
• 在RK3399Pro开发板上成功部署验证了其实用性和在畜牧管理中广泛采用的潜力.