一个有效的算法用于在无人驾驶飞行器图像中检测小型牲畜物体
Wenbo Chen1,2,3,4, Dongliang Wang1, Xiaowei Xie2,3,4
1Key Laboratory of Land Surface Pattern and Simulation, Institute of Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China.
Animals : an open access journal from MDPI
|June 26, 2025
概括
一个新的畜牧网络 (LSNET) 算法改进了使用无人机 (UAV) 来检测小型牲畜. 这种人工智能驱动的方法提高了草原管理和畜牧业现代化.
科学领域:
- 农业技术 农业技术
- 遥感 遥感 遥感 遥感
- 人工智能的人工智能
背景情况:
- 牲畜种群调查对于有效的草原管理至关重要,包括疾病预防和资源评估.
- 无人驾驶飞行器 (UAV) 为调查提供了优势,但在图像中检测小,密集的牲畜仍然具有挑战性.
- 现有的方法在空中图像中难以准确识别小型牲畜.
研究的目的:
- 开发一种高效的算法,使用无人机图像精确检测牲畜种群.
- 改善在空中调查中识别小型和密集的放牧动物.
- 通过先进的检测技术,加强畜牧管理和草原的可持续性.
主要方法:
- 提出了畜牧网络 (LSNET),这是一个基于YOLOv7的新型深度学习算法.
- 整合了一个低级预测头 (P2) 用于小物体检测,并删除了一个深级头 (P5),以减少向下采样效应.
- 引入了大型内核注意力空间金字塔聚合 (LKASPP) 模块,用于高级语义特征捕获,并使用了 WIoU v3 损失函数.
主要成果:
- 通过LSNET算法,对小型牲畜物体的检测准确度得到了显著提高.
- 与标准YOLOv7.7相比,平均平均精度 (mAP) 提高了1.47%.
- 从内蒙古的无人机图像中成功开发了一个专门的牧场牲畜数据集.
结论:
- 拟议的LSNET算法为大型农业环境中的牲畜检测提供了实用和有效的解决方案.
- 集成P2头部,LKASPP模块和WIoU v3损失功能可以提高小牲畜的检测.
- 这项工作有助于农业技术的进步和更有效的畜牧管理实践.
