融合重参数化和注意力机制的猪脸关键点检测方法.pdfVIP

第 39 卷 　 第 12 期 农 业 工 程 学 报　 Vol.39　No.12 2023 年 　　 6 月 Transactions of the Chinese Society of Agricultural Engineering Jun. 2023 141     融合重参数化和注意力机制的猪脸关键点检测方法 1 1※ 1 2 3 3 黄志杰  ，徐爱俊  ，周素茵  ，叶俊华  ，翁晓星  ，项　云  （1.   浙江农林大学数学与计算机科学学院，杭州 311300；2.   浙江农林大学环境与资源学院，杭州 311300； 3.   浙江省农业机械研究院，金华 321000） 摘　要：面部对齐是猪脸识别中至关重要的步骤，而实现面部对齐的必要前提是对面部关键点的精准检测。生猪易动且 面部姿态多变，导致猪脸关键点提取不准确，且目前没有准确快捷的猪脸关键点检测方法。针对上述问题，该研究提出 了生猪面部关键点精准检测模型YOLO-MOB-DFC，将人脸关键点检测模型YOLOv5Face进行改进并用于猪脸关键点检 测。首先，使用重参数化的MobileOne作为骨干网络降低了模型参数量；然后，融合解耦全连接注意力模块捕捉远距离 空间位置像素之间的依赖性，使模型能够更多地关注猪面部区域，提升模型的检测性能；最后，采用轻量级上采样算子 CARAFE充分感知邻域内聚合的上下文信息，使关键点提取更加准确。结合自建的猪脸数据集进行模型测试，结果表明， YOLO-MOB-DFC 的猪脸检测平均精度达到99.0%，检测速度为 153帧/s，关键点的标准化平均误差为2.344%。相比 RetinaFace模型，平均精度提升了5.43%，模型参数量降低了78.59%，帧率提升了91.25%，标准化平均误差降低了 2.774%；相较于YOLOv5s-Face模型，平均精度提高了2.48%，模型参数量降低了18.29%，标准化平均误差降低了 0.567%。该文提出的YOLO-MOB-DFC模型参数量较少，连续帧间的标准化平均误差波动更加稳定，削弱了猪脸姿态多 变对关键点检测准确性的影响，同时具有较高的检测精度和检测效率，能够满足猪脸数据准确、快速采集的需求，为高 质量猪脸开集识别数据集的构建以及非侵入式生猪身份智能识别奠定基础。 关键词：深度学习；猪脸关键点检测；重参数化；MobileOne；YOLOv5Face；注意力机制 doi：10.11975/j.issn.1002-6819.202303201 中图分类号：TP391.41；S828　　　　文献标志码：A　　　　文章编号：1002-6819(2023)12-0141-09 黄志杰，徐爱俊，周素茵，等. 融合重参数化和注意力机制的猪脸关键点检测方法[J]. 农业工程学报，2023，39（12）： 141-149. doi: 10.11975/j.issn.1002-6819.202303201　　 HUANG Zhijie, XU Aijun, ZHOU Suyin, et al. Key point detection method for pig face fusing reparameterization and attention mechanisms[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2023, 39(12): 141- 149. (in Chinese with English abstract)　　doi: 10.11975/j.issn.1002-6819.202303201　　 性更高的开集识别。在开集识别过程中，必须进行精细、   0　引　言