基于特征金字塔注意力与深度卷积网络的多目标生猪检测.pdf

第 36 卷 第 11 期 农 业 工 程 学 报 Vol.36 No.11 2020 年 6 月 Transactions of the Chinese Society of Agricultural Engineering Jun. 2020 193 基于特征金字塔注意力与深度卷积网络的多目标生猪检测 1 1 2※ 1 燕红文 ，刘振宇 ，崔清亮 ，胡志伟 （1. 山西农业大学信息科学与工程学院，太谷 030801 ；2. 山西农业大学工学院，太谷 030801 ） 摘 要：在生猪饲养环境中，猪只黏连、杂物遮挡等给生猪个体多目标检测带来很大困难。该研究以猪圈群养生猪为研 究对象，以视频帧为数据源，提出一种适用于生猪形体检测的特征金字塔注意力（Feature Pyramid Attention ，FPA ）与 Tiny-YOLO 相结合的模型 FPA-Tiny-YOLO 。该模型将注意力信息融入到特征提取过程，在不大幅增加计算量的前提下即 可提升特征提取能力、提高检测精度。对 8 栏日龄 20～105 d 的45 头生猪视频截取图像进行图像处理，获得标注图片 4 102 张，构建了 4 种深度 FPA 模块分别加入 YOLOV3 与 Tiny-YOLO 模型中。试验表明，深度为 3 的FPA 模块（即 FPA-3 ） 的 Tiny-YOLO 模型在测试集上对群养生猪多目标检测的召回率 Recall 、F1 与平均检测精度 mAP 指标值最佳，分别达到 86.09%、91.47%和 85.85%，比未引入FPA 模块的 Tiny-YOLO 模型均有不同程度的提高。选用不同的 IOU（Intersection Over Union ）和 score 阈值超参数值对模型预测结果均有不同程度影响；将测试集图像按照是否黏连与遮挡划分 4 种场景来探 究该模型的鲁棒性。试验表明，加入 FPA-3 模块后 Tiny-YOLO 的Recall 、F1 与 mAP 比Tiny-YOLO 分别提升 6.73、4.34 和 7.33 个百分点，说明特征金字塔注意力信息有利于精确、有效地对不同场景群养生猪进行多目标检测。研究结果可为 后续开展生猪身份识别和行为分析移动端应用提供参考。 关键词：图像处理；算法；目标检测；Tiny-YOLO；特征金字塔注意力（FPA ） doi ：10.11975/j.issn.1002-6819.2020.11.022 中图分类号：TP391 文献标志码：A 文章编号：1002-6819(2020)-11-0193-10 燕红文，刘振宇，崔清亮，等. 基于特征金字塔注意力与深度卷积网络的多目标生猪检测[J]. 农业工程学报，2020， 36(11)：193-202. doi ：10.11975/j.issn.1002-6819.2020.11.022 Yan Hongwen, Liu Zhenyu, Cui Qingliang, et al. Multi-target detection based on feature pyramid attention and deep convolution network for pigs[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(11): 193-202. (in Chinese with English abstract) doi ： 10.11975/j.issn.1002-6819.2020.11.022 1