基于深度学习的千足的检测和识别
Weitao Chen1, Zhaoli Yao2, Tao Wang1
1School of Information Engineering, Huzhou University, Huzhou, 313000, China.
Scientific reports
|November 12, 2024
概括
精确的千足种群量化对于智能农业至关重要. 本研究介绍了FCM-YOLO,这是一款轻量级的模型,可以提高实践应用中千足动物检测的准确性和速度.
科学领域:
- 农业技术 农业技术
- 计算机视觉 计算机视觉
- 野生动物监测 野生动物监测
背景情况:
- 准确的千足种群量化对于智能管理和行业升级至关重要.
- 现有的千足计数方法的准确性低,模型尺寸大,移动部署不佳,阻碍了实际使用.
研究的目的:
- 开发一种轻量级和高效的千足探测模型 (FCM-YOLO),以提高准确性和移动应用性.
- 解决当前模型在速度,尺寸和部署方面的局限性.
主要方法:
- 使用YOLOv5s框架,结合C3FS模块来减少参数和增加速度.
- 集成了一个CBAM注意力模块,以提高目标关注度,并压制不相关的信息.
- 提出了一个新的CMPDIOU损失函数,用于精确的边界框定位.
主要成果:
- FCM-YOLO的检测准确度达到了97.4%,比YOLOv5s.S.提高了2.7%.
- 浮点操作 (FLOP) 减少到11.5G,与YOLOv5s相比减少了4.3G.
- 证明了参数大小的减少和处理速度的增加.
结论:
- FCM-YOLO在千足动物检测和计数方面取得了重大进展.
- 该模型的轻量级设计和高精度支持在智能农业系统中的实际部署.
- 通过增强技术能力,为农村千足动物产业的现代化做出贡献.
