YOLOv8A-SD:用于在养猪场俯场景的分段检测算法
Yiran Liao1, Yipeng Qiu2, Bo Liu3
1College of Mechanical and Electrical Engineering, Sichuan Agricultural University, Ya'an 625000, China.
Animals : an open access journal from MDPI
|April 12, 2025
概括
一个新的YOLOv8A-SD模型提高了猪检测和计数精度在空中农场监视. 通过使用原始图像进行训练和在实践部署的测试期间使用分段预处理来实现最佳结果.
科学领域:
- 计算机视觉 计算机视觉
- 农业技术 农业技术
- 人工智能的人工智能
背景情况:
- 精确的牲畜监测对于有效的农场管理至关重要.
- 空中监视对物体检测提出了独特的挑战,特别是在大型养猪场.
- 现有的检测模型可能会与照明,猪密度和空中视角的变化作斗争.
研究的目的:
- 开发和评估一种精细的物体检测模型,用于在空中监视录像中识别猪.
- 在复杂的养殖环境中提高猪计数的准确性和效率.
- 整合检测和细分任务,以增强监控能力.
主要方法:
- 介绍了YOLOv8A-SD模型,结合了AD自己的注意力机制.
- 实施双重任务策略,将对象检测和语义细分结合起来.
- 测试是在四川一个大型养猪场的顶部视图镜头上进行的,使用大量的数据集进行培训和验证.
主要成果:
- 在检测任务中,YOLOv8A-SD模型实现了高性能,96.1%的精度和96.3%的mAP50.
- 保持强的细分表现,以83.1%的IOU (交叉路口超过联盟) 表示.
- 通过对原始图像进行训练和在测试期间应用分段预处理,获得了计数精度 (25.05对实际25.09猪) 的最佳结果.
结论:
- 在复杂的空中监视场景中,YOLOv8A-SD模型在猪检测和计数方面表现出显著的有效性.
- 拟议的方法通过优化培训和测试预处理步骤来简化实际部署.
- 这项研究为智能农场管理提供了可靠的监控解决方案,提高了运营效率和动物福利.


