文献类型：期刊文章

作　　者：黄小平[1,2] 冯涛[1] 郭阳阳[1,2] 梁栋[1,2]

HUANG Xiaoping;FENG Tao;GUO Yangyang;LIANG Dong(School of Internet,Anhui University,Hefei 230039,China;National Engineering Research Center for Agro-Ecological Big Data Analysis and Application,Hefei 230039,China)

机构地区：[1]安徽大学互联网学院,合肥230039 [2]农业生态大数据分析与应用技术国家地方联合工程研究中心,合肥230039

出　　处：《农业机械学报》

基　　金：安徽省自然科学基金项目(1908085QF284);安徽省教育厅自然科学基金项目(KJ2021A0024)。

年　　份：2023

卷　　号：54

期　　号：6

起止页码：287-296

语　　种：中文

收录情况：BDHX、BDHX2020、CAB、CAS、CSCD、CSCD2023_2024、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：奶牛体况评分是评价奶牛产能与体态健康的重要指标。目前,随着现代化牧场的发展,智能检测技术已被应用于奶牛精准养殖中。针对目前检测算法的参数量多、计算量大等问题,以YOLO v5s为基础,提出了一种改进的轻量级奶牛体况评分模型(YOLO-MCE)。首先,通过2D摄像机在奶牛挤奶通道处采集奶牛尾部图像并构建奶牛BCS数据集。其次,在MobileNetV3网络中融入坐标注意力机制(Coordinate attention,CA)构建M3CA网络。将YOLO v5s的主干网络替换为M3CA网络,在降低模型复杂度的同时,使得网络特征提取时更关注于牛尾区域的位置和空间信息,从而提高了运动模糊场景下的检测精度。YOLO v5s预测层采用EIoU Loss损失函数,优化了目标边界框回归收敛速度,生成定位精准的预测边界框,进而提高了模型检测精度。试验结果表明,改进的YOLO v5s模型的检测精度为93.4%,召回率为85.5%,mAP@0.5为91.4%,计算量为2.0×109,模型内存占用量仅为2.28 MB。相较原始YOLO v5s模型,其计算量降低87.3%,模型内存占用量减少83.4%,在保证模型复杂度较低与实时性较高的情况下,实现了奶牛体况的高效评分。此外,改进的YOLO v5s模型的整体性能优于Faster R-CNN、SDD和YOLO v3目标检测模型。本研究为奶牛体况评分商业化提供理论基础和研究思路,为奶牛养殖业提供了智能化解决方案。

关 键 词：奶牛体况评分  轻量化  目标检测 注意力机制  

分 类 号：TP391.4]