典型文献
基于改进YOLOV5s网络的奶牛多尺度行为识别方法
文献摘要：
奶牛站立、喝水、行走、躺卧等日常行为与其生理健康密切相关,高效准确识别奶牛行为对及时掌握奶牛健康状况,提高养殖场经济效益具有重要意义.针对群体养殖环境下奶牛行为数据中,场景复杂、目标尺度变化大、奶牛行为多样等对行为识别造成的干扰,该研究提出一种改进YOLOV5s奶牛多尺度行为识别方法.该方法在骨干网络顶层引入基于通道的Transformer注意力机制使模型关注奶牛目标区域,同时增加路径聚合结构的支路与检测器获取奶牛行为图像的底层细节特征,并引入SE(Squeeze-and-Excitation Networks)注意力机制优化检测器,构建SEPH(SE Prediction Head)识别重要特征,提高奶牛多尺度行为识别能力.试验验证改进后的奶牛行为识别模型在无权重激增的同时,多尺度目标识别结果的平均精度均值较YOLOV5s提高1.2个百分点,尤其是对奶牛行走识别结果的平均精度4.9个百分点,研究结果为群体养殖环境下,全天实时监测奶牛行为提供参考.
文献关键词：
机器视觉;图像识别;奶牛行为识别;YOLOV5s;Transformer;多尺度;注意力机制
中图分类号：
作者姓名：
白强;高荣华;赵春江;李奇峰;王荣;李书琴
作者机构：
西北农林科技大学信息工程学院,杨凌 712100;北京市农林科学院信息技术研究中心,北京 100097;国家农业信息化工程技术研究中心,北京 100097
文献出处：
引用格式：
[1]白强;高荣华;赵春江;李奇峰;王荣;李书琴-.基于改进YOLOV5s网络的奶牛多尺度行为识别方法)[J].农业工程学报,2022(12):163-172
A类：
SEPH
B类：
YOLOV5s,站立,喝水,躺卧,日常行为,生理健康,准确识别,养殖场,养殖环境,下奶,行为数据,标尺,尺度变化,骨干网络,Transformer,注意力机制,目标区域,路径聚合,支路,检测器,细节特征,Squeeze,Excitation,Networks,机制优化,优化检测,Prediction,Head,识别能力,奶牛行为识别,识别模型,无权重,激增,多尺度目标,目标识别,平均精度均值,百分点,全天,机器视觉,图像识别
AB值：
0.35349
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
