典型文献
融合YOLO v5n与通道剪枝算法的轻量化奶牛发情行为识别
文献摘要：
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2239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.
文献关键词：
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
中图分类号：
作者姓名：
王政;许兴时;华志新;尚钰莹;段援朝;宋怀波
作者机构：
西北农林科技大学机械与电子工程学院,杨凌 712100
文献出处：
引用格式：
[1]王政;许兴时;华志新;尚钰莹;段援朝;宋怀波-.融合YOLO v5n与通道剪枝算法的轻量化奶牛发情行为识别)[J].农业工程学报,2022(23):130-140
A类：
v5n,奶牛爬跨行为,Params,发情检测
B类：
通道剪枝,剪枝算法,行为识别,奶牛养殖,人工监测,模型检测,检测精度,CSPDarknet53,主干特征提取网络,修剪,期压,压缩模型,模型结构,参数量,高检,检测速度,行为数据集,Faster,SSD,YOLOX,Nano,YOLOv5,均值平均精度,mean,Average,Precision,mAP,浮点计算,计算量,Floating,Point,operations,FLOPs,模型性能,研究模型,遮挡,多尺度目标,复杂环境,新环境,小目标,泛化性,误检率,养殖环境,全天候,下奶,图像识别
AB值：
0.289009
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。
