融合YOLO+v5n与通道剪枝算法的轻量化奶牛发情行为识别.pdfVIP

第 38 卷 第 23 期 农 业 工 程 学 报 Vol.38 No.23 130 2022 年 12 月 Transactions of the Chinese Society of Agricultural Engineering Dec. 2022 融合 YOLO v5n 与通道剪枝算法的轻量化奶牛发情行为识别 ※ 王 政，许兴时，华志新，尚钰莹，段援朝，宋怀波 （1. 西北农林科技大学机械与电子工程学院，杨凌 712100 ；2. 农业农村部农业物联网重点实验室，杨凌 712100 ； 3. 陕西省农业信息感知与智能服务重点实验室，杨凌 712100 ） 摘 要：及时、准确地监测奶牛发情行为是现代化奶牛养殖的必然要求。针对人工监测奶牛发情不及时、效率低等问题， 该研究提出了一种融合 YOLO v5n 与通道剪枝算法的轻量化奶牛发情行为识别方法。在保证模型检测精度的基础上，基 于通道剪枝算法，对包括 CSPDarknet53 主干特征提取网络等在内的模块进行了修剪，以期压缩模型结构与参数量并提高 检测速度。为了验证算法的有效性，在 2 239 幅奶牛爬跨行为数据集上进行测试，并与 Faster R-CNN 、SSD、YOLOX-Nano 和 YOLOv5-Nano 模型进行了对比。试验结果表明，剪枝后模型均值平均精度（mean Average Precision, mAP ）为97.70%， 参数量（Params ）为0.72 M ，浮点计算量（Floating Point operations, FLOPs ）为0.68 G，检测速度为 50.26 帧/s ，与原始 模型 YOLOv5-Nano 相比，剪枝后模型 mAP 不变的情况下，参数量和计算量分别减少了 59.32%和 49.63% ，检测速度提 高了 33.71%，表明该剪枝操作可有效提升模型性能。与 Faster R-CNN 、SSD、YOLOX-Nano 模型相比，该研究模型的 mAP 在与之相近的基础上，参数量分别减少了 135.97、22.89 和 0.18 M ，FLOPs 分别减少了 153.69、86.73 和 0.14 G，检 测速度分别提高了 36.04、13.22 和 23.02 帧/s 。此外，对模型在不同光照、不同遮挡、多尺度目标等复杂环境以及新环境 下的检测结果表明，夜间环境下 mAP 为 99.50%，轻度、中度、重度 3 种遮挡情况下平均 mAP 为 93.53%，中等尺寸目 标和小目标情况下平均 mAP 为 98.77%，泛化性试验中奶牛爬跨行为检出率为 84.62%，误检率为 7.69% 。综上，该模型 具有轻量化、高精度、实时性、鲁棒性强、泛化性高等优点，可为复杂养殖环境、全天候条件下奶牛发情行为的准确、 实时监测提供借鉴。 关键词：图像识别；行为；模型；发情检测；通道剪枝；YOLO v5n ；奶牛爬跨行为；复杂环境 doi ：10.11975/j.issn.1002-6819.2022.23.014 中图分类号：TP391.4 文献标志码：A 文章编号：1002-6819(2022)-23-0130-11 王政，许兴时，华志新，等. 融合YOLO v5n与通道剪枝算法的轻量化奶牛发情行为识别[J]. 农业工程学