基于改进YOLOv7-tiny的圈养生猪姿态识别研究与实现.pdfVIP

重庆师范大学硕士学位论文中文摘要

基于改进YOLOv7-tiny的圈养生猪姿态识别研究与实现

摘要

生猪的姿态反映其健康状况和环境舒适度，是养殖管理的重要指标。传统的姿

态识别依赖于养殖人员的经验和专业知识，通过人工观测和判断进行，然而这种方

法存在耗时耗力和信息获取不及时的问题。随着智能化养殖理念的兴起，采用智能

系统实现自动姿态识别已成为不可忽视的趋势。通过监测和识别生猪的姿态，养殖

人员能够及时发现潜在的健康问题或对养殖场的环境条件进行改善，高猪只的

生长效益和福祉。为了在智能化系统中实现对生猪姿态信息的准确、快速获取，本

文采用了目标检测技术，该技术能够依据生猪不同姿势的显著特征进行精准识别

并且可以有效处理实时数据，为智慧猪场管理供数据支撑。主要研究内容如下：

（1）构建圈养生猪姿态数据集。本文采取了从实际养殖场环境中收集视频数

据的方式，在不同的猪舍环境中进行录像，并通过截帧处理，使用LabelImg数据

标注软件对处理后的图片数据进行PascalVOC格式的标注。同时采用数据增强技

术，对样本数据进行扩充，最终创建了一个完备的生猪姿态识别数据集。

（2）针对小猪身上由于特征不明显且容易发生堆叠而导致姿态识别准确率较

低的问题，本文以YOLOv7-tiny为基准模型，出了一种融合多头卷积注意力的

生猪姿态识别模型。首先，对主干特征取网络和特征融合网络中大量存在的

ELAN模块进行了优化，通过引入了动态蛇形卷积，模型能够自适应地聚焦于生猪

的局部结构，从而更加精准的取特征。其次，引入了多头卷积注意力模块到主干

特征取网络中，以更准确的捕获到姿态中的关键特征。最后，采用基于动态非单

调聚焦机制的WIoUv3损失函数，通过平衡低质量和高质量样本的比例，缓解了

自建数据集样本不均衡的问题，从而进一步高了模型的精度和整体性能。实验结

果显示，改进的模型检测精度达到92%，明显优于其他主流检测算法，为圈养环境

下生猪姿态识别供了高效的姿态识别技术。

（3）考虑到部分生猪体型庞大、特征明显，此时对检测速度有更苛刻的要求，

本文以YOLOv7-tiny为基准模型，出了一种轻量级的生猪姿态识别模型YOLO-

PCF，该模型在保持检测精度的同时，进一步高了检测速度并减小模型的大小。

首先，使用结构更优的C2f模块替代了主干特征取网络中大量堆叠的ELAN模

块，这一替换在保持模型轻量化的同时，有效升了特征取和表达能力。其次，

基于FasterNet构建了一个轻量化模块，通过优化内部结构和减少冗余特征的操作，

进一步降低模型的计算复杂度，从而高了检测速度。最后，为了弥补LeakyReLU

I

重庆师范大学硕士学位论文中文摘要

缺少的非线性表达能力，用性能更优的SiLU激活函数替换LeakyReLU，从而升

了模型训练时的收敛速度。实验结果表明，改进后的模型YOLO-PCF与基准网络

相比，保持原有精度的前下，参数量和浮点运算次数分别减少了26%和25%。

与其他轻量级网络相比，在检测精度、检测速度以及参数量上都有一定的优势，适

用于对速度有更高要求的使用场景。

（4）基于本文研究方法设计并开发了一款生猪姿态识别系统，该系统采用

PyQt进行界面设计，具备在图片或视频中准确识别生猪姿态并统计生猪数量的功

能。通过可视化手段，用户能够直观地获取姿态统计结果。此外，系统还允许用户

实时监测养殖场中的生猪，以便精准有效地监测生猪的状态。这一综合性系统为生

猪养殖管理供了有力工具。

关键词：姿态识别，目标检测，YOLOv7-tiny，智慧养殖

II

重庆师范大学硕士学位论文英文摘要

ResearchandImplementationofCaptivePigPose

Re