融合重参数化和注意力机制的猪脸关键点检测方法

作者：黄志杰; 徐爱俊^*; 周素茵; 叶俊华; 翁晓星; 项云

来源：农业工程学报, 2023, 39(12): 141-149.

• 深度学习
• 猪脸关键点检测
• 重参数化
• MobileOne
• YOLOv5Face
• 注意力机制

面部对齐是猪脸识别中至关重要的步骤，而实现面部对齐的必要前提是对面部关键点的精准检测。生猪易动且面部姿态多变，导致猪脸关键点提取不准确，且目前没有准确快捷的猪脸关键点检测方法。针对上述问题，该研究提出了生猪面部关键点精准检测模型YOLO-MOB-DFC，将人脸关键点检测模型YOLOv5Face进行改进并用于猪脸关键点检测。首先，使用重参数化的MobileOne作为骨干网络降低了模型参数量；然后，融合解耦全连接注意力模块捕捉远距离空间位置像素之间的依赖性，使模型能够更多地关注猪面部区域，提升模型的检测性能；最后，采用轻量级上采样算子CARAFE充分感知邻域内聚合的上下文信息，使关键点提取更加准确。结合自建的猪脸数据集进行模型测试，结果表明，YOLO-MOB-DFC的猪脸检测平均精度达到99.0%，检测速度为153帧/s，关键点的标准化平均误差为2.344%。相比RetinaFace模型，平均精度提升了5.43%，模型参数量降低了78.59%，帧率提升了91.25%，标准化平均误差降低了2.774%；相较于YOLOv5s-Face模型，平均精度提高了2.48%，模型参数量降低了18.29%，标准化平均误差降低了0.567%。该文提出的YOLO-MOB-DFC模型参数量较少，连续帧间的标准化平均误差波动更加稳定，削弱了猪脸姿态多变对关键点检测准确性的影响，同时具有较高的检测精度和检测效率，能够满足猪脸数据准确、快速采集的需求，为高质量猪脸开集识别数据集的构建以及非侵入式生猪身份智能识别奠定基础。

• 单位
  浙江省农业机械研究院; 浙江农林大学