基于改进Yolov5n的猪只盘点算法

作者：杨秋妹; 陈淼彬; 黄一桂; 肖德琴; 刘又夫; 周家鑫

来源：农业机械学报, 2022, 1-20.

• 猪只计数
• 目标检测
• 注意力机制
• 多尺度感知

猪只盘点是规模化养殖中的重要环节，为生猪精准饲喂和资产管理提供了依据。人工盘点不仅耗时低效，而且容易出错。当前已有基于深度学习的生猪智能盘点算法，但在遮挡重叠、光照等复杂场景下盘点精度较低。为提高复杂场景下生猪盘点的精度，提出了一种基于改进Yolov5n的猪只盘点算法。该算法从提升猪只目标检测性能出发，构建了一个多场景的生猪数据集；其次，在主干网络中引入SE-Net通道注意力模块，引导模型更加关注遮挡条件下猪只目标信息的通道特征。同时，增加了检测层进行多尺度特征融合处理，使模型更容易学习收敛并预测不同尺度的猪只对象，提升模型遮挡场景的检测性能；最后，对边界框损失函数以及非极大值抑制处理进行了改进，使模型对遮挡的目标有更好的识别效果。实验结果表明，与原Yolov5n算法相比，改进算法的平均绝对误差（MAE）、均方根误差（RMSE）和漏检率分别降低了0.509、0.708和3.02%，平均精度值（AP）提高了1.62%，达到了99.39%，在复杂遮挡重叠场景下具有较优的精确度和鲁棒性。与猪只盘点算法CClusnet、CCNN和PCN相比，该算法的MAE为0.173，比上述3种算法分别低0.257、1.497和1.567。在时间性能上，单幅图像的平均识别时间仅为0.056s，符合实际猪场生产的实时性要求。

• 单位
  华南农业大学