基于多尺度边缘信息提取器和上下文融合的封闭意识的子检测
Fei Pan1, Fang Huang1, Luping Zhang2
1College of Information Engineering, Sichuan Agricultural University, Ya'an 625014, China.
Animals : an open access journal from MDPI
|September 27, 2025
概括
这项研究介绍了Chicken-YOLO,这是一个先进的模型,用于在复杂的舍环境中检测. 它在照明不好和遮蔽的情况下显著提高了准确性,超过了现有的方法.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 农业技术 农业技术
背景情况:
- 化舍环境对准确的检测存在挑战,原因是光线不均和严重的封闭.
- 现有的检测模型在这些复杂的农业环境中经常产生不满意的准确性.
研究的目的:
- 开发一种对封闭有意识的养检测模型,以解决照明不良和严重封闭的问题.
- 在现实生产环境中提高检测的准确性和稳定性.
主要方法:
- 使用头部和部共同注释方法和多阶段共同增强,构建了一个专门的图像数据集.
- 提出的Chicken-YOLO,包括一个多尺度边缘信息提取器 (MSEIExtractor),上下文导向下采样 (CGDown) 和一个带有多尺度分离和增强注意力模块 (DHMSEAM) 的检测头.
主要成果:
- YOLO取得了优异的检测性能,与YOLO11n基线相比,mAP50和mAP50:95的改善率分别为1.7%和1.6%.
- 该模型显示mAP50高于YOLO11s,参数 (58.8%) 和计算成本 (42.3%) 显著降低.
- 特别值得注意的是,在专门的测试集中,性能增长特别明显,因为光线较差 (3.0% mAP50增加) 和遮蔽 (1.8% mAP50增加).
结论:
- -YOLO有效地提高了在光线较差的情况下的目标捕获,并在封闭的情况下保持了轮连续性.
- 该模型表现出对养环境中复杂干扰的强度.
- 拟议的方法为农业中自动化监测提供了重大进展.
