科研之友
微信
新浪微博
Facebook
分享链接
摘要
目前猪群图像检测均为基于水平框的目标检测算法，对于图像中猪体粘连和相互遮挡情况检测率较低，针对图像中的猪只长宽比例较大和可能发生任意角度旋转的特点，提出了一种基于双扩张层和旋转框定位的群猪目标检测算法(Dual dilated layer and rotary box location network, DR-Net)。采集3个猪场的群猪图像，利用数据增强保留9 600幅图像制作数据集；基于膨胀卷积搭建提取图像全局信息的双扩张层，借鉴Res2Net模块改进CSP层融合多尺度特征，猪只目标以旋转框定位并采用五参数表示法在模型训练中利用Gaussian Wasserstein distance计算旋转框的回归损失。试验结果表明，DR-Net对猪只目标识别的精确率、召回率、平均精确率、MAE、RMSE分别为98.57%、97.27%、96.94%、0.21、0.54,其检测效果优于YOLO v5,提高了遮挡与粘连场景下的识别精度和计数精度。利用可视化特征图分析算法在遮挡和粘连场景下能够利用猪只头颈部、背部或尾部特征准确定位目标。该研究有助于智能化猪场建设，可为后续猪只行为识别研究提供参考。
- 出版日期2023
- 单位河北工业大学
