一种增强型轻量深度网络的牧区牲畜高效检测

作者：齐咏生; 杜晓旭; 朱俊峰; 高胜利; 刘利强

来源：计算机工程, 2022, 1-12.

DOI：10.19678/j.issn.1000-3428.0064802

• 目标检测
• 深度学习
• 计算机视觉
• YOLOV4-Tiny
• 注意力机制
• 特征融合

大规模牲畜养殖、放牧过程中，对个体进行实时监控，及时更新群体信息是亟待解决的问题，而实现大数据管理牲畜首先需要准确的监测牲畜，然而牧区环境与城市不同，牲畜的实时监测难度大、算法鲁棒性差，尤其是存在目标尺寸变化大、光照、环境因素干扰严重等问题，为此提出一种增强型YOLOV4-tiny目标检测网络(E-YOLOV4-tiny)，该网络首先针对牧区牲畜尺寸波动问题，采用一种多尺度特征融合的金字塔网络，兼顾浅层局部细节特征与深层语义信息，并通过改进残差结构，减少主干网络参数量，以适应嵌入式平台需求；之后通过引入一种新的复合聚类算法设计锚框，在保证可移植性前提下提高算法精度；最后针对牧区环境特点，提出一种新的CMA(Compound multi-channel attention)注意力机制，改善目标检测网络精度差的问题同时增强算法鲁棒性。为测试算法实时性，将算法移植到Jetson AGX嵌入式平台进行验证，实验结果表明E-YOLOV4-tiny检测精度达到87.89%，检测速度达到32帧/秒，相较于传统YOLOV4-Tiny，在保持几乎相同的检测速率条件下，平均检测精度提升了9.32%。

• 单位
  水利部牧区水利科学研究所; 内蒙古工业大学