科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对仔猪个体小、易被遮挡且仔猪目标检测方法不易在嵌入式端部署等问题，提出一种适用于Jetson Nano端部署的哺乳期仔猪目标检测方法，在准确检测哺乳期仔猪目标的同时，使模型实地部署更加灵活。使用哺乳期仔猪图像建立数据集，数据量为14000幅，按8:1:1划分训练集、测试集和验证集。利用深度学习网络提取哺乳期仔猪特征，构建仔猪目标检测模型。融合推理网络中的Conv、BN、Activate Function层，合并相同维度张量，删除Concat层，实现网络结构量化，减少模型运行时的算力需求。将优化后模型迁移至Jetson Nano，在嵌入式平台进行测试。实验结果表明，在嵌入式端，量化后YOLO v5中的4种模型的单帧图像平均运行时间分别为65、170、315和560ms，检测准确率分别为96.8%、97.0%、97.0%和96.6%，能够在Jetson Nano设备上对哺乳期仔猪目标实现精准检测，为仔猪目标检测的边缘计算模式奠定基础。
- 单位
