综合卷积和注意力增强 - - 你只看一次:在母猪中检测虚假雌激素和雌激素的轻量级模型,使用小目标阴道检测
Yongpeng Duan1, Yazhi Yang2, Yue Cao1
1College of Information Science and Engineering, Shanxi Agricultural University, Taigu 030801, China.
Animals : an open access journal from MDPI
|February 26, 2025
概括
这项研究引入了一种增强的YOLOv8模型,用于准确检测母猪雌激素,提高养猪效率. 根据ICAE-YOLO模型,可以准确地识别的各个阶段,包括假,从而提高农场的利能力.
科学领域:
- 人工智能的人工智能
- 动物科学动物科学
- 计算机视觉 计算机视觉
背景情况:
- 精确的位检测对于母猪生产率和农场利能力至关重要.
- 短期和错误的期复杂化了及时的授精.
- 现有的方法缺乏在各种条件下实时监控所需的精度.
研究的目的:
- 开发和验证一个增强的YOLOv8模型 (ICAE-YOLO),用于准确检测阴道,以确定母猪的发育阶段.
- 通过分类五个状态,包括伪性冲动来提高冲动检测的精度.
- 为了在具有挑战性的农业环境中提供实时,自动化位监测的强大解决方案.
主要方法:
- 开发了一个增强的YOLOv8模型,ICAE-YOLO,集成了卷积和注意力融合模块 (CAFM),双动态令牌混合 (DDTM),扩展智能剩余 (DWR) 和聚焦器-交叉点在联盟 (Focaler-IoU).
- 该模型在6402张母猪图像的数据集上进行了训练和测试.
- 性能与YOLOv8n,YOLOv5n,YOLOv7tiny,YOLOv9t,YOLOv10n,YOLOv11n以及更快的R-CNN进行了比较.
主要成果:
- ICAE-YOLO的平均平均精度 (mAP) 为93.4%,F1得分为92.0%.
- 与所有基准模型相比,该模型显示出更高的识别准确性.
- ICAE-YOLO在模型大小 (4.97 M) 和计算效率 (8.0 GFLOPs) 之间保持了有利的平衡.
结论:
- 拟议的ICAE-YOLO模型提供了对母猪的高度准确和实时状检测.
- 这项技术可以显著提高集约养猪场的自动化雌性监测.
- 该模型的性能为提高母猪繁殖效率和农场利能力提供了坚实的基础.
