基于SNSS-YOLO v7的肉牛行为识别方法.pdf
《基于SNSS-YOLO v7的肉牛行为识别方法.pdf》由会员分享,可在线阅读,更多相关《基于SNSS-YOLO v7的肉牛行为识别方法.pdf(10页珍藏版)》请在咨信网上搜索。
1、第54卷第10 期2023年10 月农报学机械业doi:10.6041/j.issn.1000-1298.2023.10.026基于 SNSS一YOLOv7的肉牛行为识别方法段青玲1.2赵芷青1.2蒋涛3 桂小飞3张宇航1.2(1.中国农业大学信息与电气工程学院,北京10 0 0 8 3;2.农业农村部智慧养殖技术重点实验室,北京10 0 0 8 3;3.北京福通互联科技集团有限公司,北京10 130 0)摘要:肉牛活动过程中所表现出的行为是肉牛健康状况的综合体现,实现肉牛行为的快速准确识别,对肉牛疾病防控、自身发育评估和发情监测等具有重要作用。基于机器视觉的行为识别技术因其无损、快速的特点,
2、已应用在畜禽养殖行为识别中,但现有的基于机器视觉的肉牛行为识别方法通常针对单只牛或单独某个行为开展研究,且存在计算量大等问题。针对上述间题,本文提出了一种基于SNSSYO LO v 7(Sl i mNe c k&Se p a r a t e d a n denhancement attentionmodule&Simplified spatial pyramid pooling-fast-YOLOv7)的肉牛行为识别方法。首先在复杂环境下采集肉牛的爬跨、躺卧、探究、站立、运动、舔砥和互斗7 种常见行为图像,构建肉牛行为数据集;其次在YOLOv7颈部采用SlimNe c k 结构,以减小模型计算
3、量与参数量;然后在头部引人分离和增强注意力模块(Se p a r a t e d a n d e n h a n c e me n t a t t e n t i o n mo d u l e,SEA M)增强Neck层输出后的检测效果;最后使用SimSPPF(Si mp l i f i e dspatial pyramid pooling-fast)模块替换原YOLOv7的SPPCSPC(Spatial pyramid pooling cross stage partial conv)模块,在增大感受野的同时进一步减少参数量。在自建数据集上测试,本文提出的肉牛行为识别方法的平均精度均值(mA
4、 P 0.5)为95.2%,模型内存占用量为39MB,参数量为1.92 6 10。与YOLOv7、YO LO v 6 m、YO LO v 5m、YOLOX-S、T PH-YO LO v 5、Fa s t e r R-CNN相比,模型内存占用量分别减小47.9%、45.4%、7.6%、43.1%、57.8%和92.5%,平均精度均值(mAP0.5)分别提高1.4、2.2、3.1、13.7、1.9、4.5个百分点,试验结果表明,本文方法能够实现肉牛行为的准确识别,可以部署在计算资源有限的设备上,为实现畜禽养殖智能化提供支持。关键词:肉牛;行为识别;深度学习;YOLOv7;多目标识别中图分类号:TP
5、391.41;S8 2 3文献标识码:A文章编号:10 0 0-12 98(2 0 2 3)10-0 2 6 6-0 9OSID:部Behavior Recognition Method of Beef Cattle Based on SNSS-YOLO v7DUAN Qinglingl-2ZHAO ZhiqingJIANG Tao3GUI Xiaofei?ZHANGYuhang1,21.2(1.College of Information and Electrical Engineering,China Agricultural University,Beijing 100083,China
6、2.Key Laboratory of Smart Breeding Technology,Ministry of Agriculture and Rural Affairs,Bejing 100083,China3.Beijing Futong Internet Technology Group Co.,Ltd.,Bejing 101300,China)Abstract:The behavior of beef cattle in the process of activity is the comprehensive embodiment of thehealth status of be
7、ef cattle.The rapid and accurate recognition of beef cattle behavior plays an importantrole in the prevention and control of beef cattle diseases,their own development assessment and estrusmonitoring.Behavior recognition technology based on machine vision has been applied to behaviorrecognition of l
8、ivestock and poultry breeding because of its lossless and fast characteristics.However,theexisting behavior recognition methods of beef cattle based on machine vision were usually studied for asingle cow or a single behavior,and there were problems such as large amount of calculation.In view ofthe a
9、bove problems,a method based on Slim-Neck&Separated and enhancement attention module&Simplified spatial pyramid pooling-fast-YOLO v7(SNSS-YOLO v7)was proposed.Firstly,sevencommon behavior images of beef cattle,such as mounting,lying,searching,standing,walking,lickingand fighting,were collected in th
10、e complex environment to construct a beef cattle behavior dataset.Secondly,the Slim-Neck structure was used in the neck of YOLO v7 to reduce the amount of calculationand parameters of the model.Then,separated and enhancement attention module(SEAM)wasintroduced into the head to enhance the detection
11、effect after the output of the Neck layer.Finally,the收稿日期:2 0 2 3-0 4-14修回日期:2 0 2 3-0 5-0 7基金项目:北京市博士后工作经费项目(2 0 2 2 ZZ10 9)和校企合作项目(2 0 2 30 5510 8 10 142)作者简介:段青玲(196 7 一),女,教授,博士生导师,主要从事智能信息处理研究,E-mail:d q l i n g c a u.e d u.c n267第10 期段青玲等:基于SNSSYO LO v 7 的肉牛行为识别方法simplified spatial pyramid poo
12、ling-fast(Si m SPPF)m o d u l e w a s u s e d t o r e p l a c e t h e s p a t i a l p y r a m i dpooling cross stage partial conv(SPPCSPC)module of the original YOLO v7,which further reduced thenumber of parameters while increased the receptive field.Tested on the self-built dataset,the meanaverage
13、precision(mAPo.5)of the beef cattle behavior recognition method proposed was 95.2%,themodel size was 39 MB,and the number of parameters was 1.926 107.Compared with YOLO v7,YOLOv6m,YOLO v5m,YOLOX-S,TPH-YOLO v5 and Faster R-CNN,the model size was reduced by47.9%,45.4%,7.6%,43.1%,57.8%and 92.5%,respect
14、ively.The mean average precision(mAP0.5)was improved by 1.4 percentage points,2.2 percentage points,3.1 percentage points,13.7percentage points,1.9 percentage points,and 4.5 percentage points,respectively.The experimentalresults showed that the proposed method can achieve accurate recognition of bee
15、f cattle behavior,and canbe deployed on devices with limited computing resources to provide support for intelligent livestockbreeding.Key words:beef cattle;behavior recognition;deep learning;YOLO v7;multi-object recognition0引言肉牛是一种以生产牛肉为主的牛,是我国重要的畜禽养殖品种之一。牛肉因富含蛋白质和维生素等营养物质,对人体健康有益而深受消费者喜欢 1-2 。在肉牛养殖
16、中,肉牛活动过程中所表现出的行为是其健康状况的综合体现,对疾病防控、自身发育评估和发情监测有重要意义。快速准确地识别肉牛爬跨、躺卧、探究、站立、运动、舔砥和互斗等常见行为能够帮助养殖者及时评估肉牛的生理健康状况,实现肉牛的精准化管理。国内外研究学者开展了肉牛行为识别技术研究,主要分为基于传感器的接触式肉牛行为识别 3-4 和基于计算机视觉的非接触式肉牛行为识别 5-6 两种方式。基于传感器的接触式肉牛行为识别方法是在牛只不同部位佩戴传感器,根据采集的肉牛活动量、温度和声音等数据,判断肉牛的不同行为 7-8 。该方法容易造成牛只的应激反应,易损坏传感器,从而影响牛只行为识别的准确率。基于计算机视
17、觉的非接触式肉牛行为识别方法通过采集视频图像,利用机器学习技术对图像进行处理,实现肉牛行为识别。该方法成本较低,可以避免接触式识别方法带来的肉牛应激反应问题。GUO等 9 提出了基于图像区域几何和光流特征分析的爬跨行为识别方法,首先使用融合颜色和纹理的背景减法获得奶牛目标,然后使用顿间差分法提取奶牛的几何和光流特征,最后使用支持向量机(Su p p o r t v e c t o r ma c h i n e,SVM)算法进行特征分类,实现奶牛爬跨行为的识别,识别准确率为90.9%。JIANG等10 1提出了基于噪声和双向长短期记忆模型的跛行检测方法,首先采用FLYOLOv3(Fl i t e
18、 rlayerYOLOv3)算法提取奶牛背部位置坐标,并获得奶牛目标,然后提取奶牛背部曲率,采用噪声和双向长短期记忆模型,实现奶牛跛行的识别,识别准确率为96.1%。刘月峰等 1 提出了基于改进YOLOv3的奶牛进食行为识别方法,使用幅值代剪枝算法对YOLOv3进行优化,实现奶牛进食行为的识别,识别准确率为7 9.9%。王少华等 12 提出了基于改进YOLOv3的奶牛发情行为识别方法,使用锚点框聚类、DenseBlock和边框损失函数对YOLOv3进行优化,实现奶牛发情行为的识别。上述方法仅实现了牛只单一行为的识别,如果要识别多种行为,需要对多个模型进行集成,无法满足实际生产的需求。在多行为识
19、别方面,QIAO等 13 提出了基于C3D(C o n v o lu t io n a l3D)网络和ConvLSTM(Co n v o l u t i o n a l LST M n e t w o r k)的牛只行为识别方法,实现了小牛和奶牛的采食、探索、舔、行走和站立5种行为的分类,小牛和奶牛分类准确率分别为90.32%和8 6.6 7%。WU等 14 提出了基于卷积神经网络和长短期记忆网络的奶牛行为识别方法,实现了单只奶牛的躺卧、站立、行走、饮水和反台5种行为的识别,识别准确率为97.6%。YIN等 15 提出了基于EfficientNet-LSTM的奶牛行为识别方法,使用双向特征金字
20、塔网络(Bi-directionalfeaturepyramidnetwork,BiFPN)优化EfficientNet实现特征聚合,并使用注意力机制优化双向长短期记忆网络实现时间维度的串联,最后实现了单只奶牛的行走、站立、躺卧、哺乳和饮水5种行为的识别,识别准确率为95.2%。MA等 16 提出了基于ReXNet3D(Ra n k e x p a n s i o n n e t w o r k s 3D)的奶牛行为识别方法,在ReXNet(Rank expansion networks)中添加时间信息,实现了单只奶牛的躺卧、站立和行走3种行为的识别,识别准确率为95%。上述方法仅实现了单只牛
21、的多种行为识别,无法直接应用在规模化养殖场多只牛的场景中。综上所述,基于计算机视觉的非接触式牛只行为识别是目前研究热点,已开展了大量的相关研究,农2682023年报机学业械但仍存在以下问题:在实际养殖环境中存在多只肉牛且行为多种多样,现有模型无法适用于养殖场的实际情况;现有模型存在参数多和模型大的特点,不利于在算力有限的边缘端设备上部署应用。针对上述问题,本文提出一种基于SNSSYOLOv7的肉牛行为识别方法,首先在实际养殖环境下采集肉牛行为数据,构建肉牛行为数据集;其次在YOLOv7颈部采用Slim-Neck结构,以减小模型计算量与参数量;然后在头部引人SEAM模块增强Neck层输出后的检测
22、效果;最后使用SimSPPF模块替换原YOLOv7的SPPCSPC模块,在增大感受野的同时进一步减少参数量。1材料与方法1.1试验数据本文试验数据通过肉牛养殖基地实地采集和网络抓取两种渠道获取。以内蒙古锡林郭勒盟正蓝旗鑫源牧场为试验场地,通过视频摄像设备(海康威视DS-2CD3T86FWDV2-I3S)采集养殖场的肉牛行为数据。通过上述两种渠道获取肉牛多天的日常活动视频,人工筛选出具有爬跨、躺卧、探究、站立、运动、舔砥和互斗7 种行为的视频片段7 5条,视频片段长度不等。按照比例8:2 随机选择6 0 条视频片段做训练集,15条视频片段做测试集。为避免图像相似度过高,对视频片段采取视频抽顿的方
23、式,每间隔2 5顿抽取一幅图像,共获得训练集图像1959幅,测试集图像50 1幅,构成本文的行为识别数据集。表1给出了肉牛7 种行为判定标准和数据集信息。表1F肉牛行为判定标准和数据集信息Tab.1Beef cattle behavior recognition criteria anddatasetdescription行为行为行为行为描述标签序号类别数量一只牛身体的1/3以上部分爬爬跨470mounting跨在另一只牛身上躺卧腿弯曲与地面接触5197lying探究头靠近地面或与地面接触503searching4条腿支撑身体站立,头未与站立2.779standing地面进行接触身体与4条腿的
24、位置发生移运动492walking动,头未与地面进行接触舔砥头转向腹部,用舌头舔食身体449licking互斗2头肉牛头部互相顶撞214fighting为了模拟实际生产环境,保证算法的实用性,构建肉牛行为识别数据集时综合考虑以下因素:姿态变化。采集包含肉牛多种姿态的图像,以增加样本的多样性。密集程度。采集不同密集程度下的肉牛图像,每幅图像中包含多头肉牛和多种行为,以增加识别算法对不同场景的适应性。光照变化。采集不同自然光照条件下的肉牛图像,以增加识别算法对不同光照条件的适应性。为了进一步增强图像的复杂性,本文采用马赛克增强的方法进行数据增强。采用Labellmg人工标注每幅图像中肉牛的爬跨、躺
25、卧等7 种行为。数据集中的部分图像如图1所示。其中,图1a、1d 是网络抓取的图像,图1b、1c、l e、l f 是在肉牛养殖基地获取的图像。图中标注的目标为爬跨肉牛、目标为躺卧肉牛、目标为探究肉牛、目标为站立肉牛、目标为运动肉牛、目标为舔肉牛、目标为互斗肉牛(a)爬跨和躺卧行为(b)站立、探究和互斗行为(c)站立、运动和舔行为(d)爬跨和运动行为(e)躺卧和探究行为(f)躺卧、站立和运动行为图1肉牛不同行为示意图Fig.1Diagrams of different behaviors of beef cattle1.2肉牛行为识别模型1.2.1肉牛行为识别模型架构YOLOv7算法是优秀的目标
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于SNSS-YOLO v7的肉牛行为识别方法 基于 SNSS YOLO v7 肉牛 行为 识别 方法
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。