典型文献
基于改进YOLOv5的复杂跨域场景下的猪个体识别与计数
文献摘要：
为解决复杂跨域场景下猪个体的目标检测与计数准确率低下的问题,该研究提出了面向复杂跨域场景的基于改进YOLOv5(You Only Look Once version 5)的猪个体检测与计数模型.在骨干网络中分别集成了CBAM(Convolutional Block Attention Module)即融合通道和空间注意力的模块和Transformer自注意力模块,并将CIoU(Complete Intersection over Union)Loss替换为EIoU(Efficient Intersection over Union)Loss,以及引入了SAM(Sharpness-Aware Minimization)优化器并引入了多尺度训练、伪标签半监督学习和测试集增强的训练策略.试验结果表明,这些改进使模型能够更好地关注图像中的重要区域,突破传统卷积只能提取卷积核内相邻信息的能力,增强了模型的特征提取能力,并提升了模型的定位准确性以及模型对不同目标大小和不同猪舍环境的适应性,因此提升了模型在跨域场景下的表现.经过改进后的模型的mAP@0.5值从87.67％提升到98.76％,mAP@0.5:0.95值从58.35％提升到68.70％,均方误差从13.26降低到1.44.该研究的改进方法可以大幅度改善现有模型在复杂跨域场景下的目标检测效果,提高了目标检测和计数的准确率,从而为大规模生猪养殖业生产效率的提高和生产成本的降低提供技术支持.
文献关键词：
模型;计算机视觉;目标检测;计数;注意力机制;半监督学习
中图分类号：
作者姓名：
宁远霖;杨颖;李振波;吴潇;张倩
作者机构：
中国农业大学信息与电气工程学院,北京 100083;农业农村部农业信息获取技术重点实验室,北京 100083;农业农村部国家数字渔业中心,北京100083
文献出处：
引用格式：
[1]宁远霖;杨颖;李振波;吴潇;张倩-.基于改进YOLOv5的复杂跨域场景下的猪个体识别与计数)[J].农业工程学报,2022(17):168-175
A类：
Sharpness
B类：
YOLOv5,跨域,个体识别,目标检测,You,Only,Look,Once,version,个体检测,计数模型,骨干网络,别集,CBAM,Convolutional,Block,Attention,Module,合通,空间注意力,Transformer,自注意力模块,CIoU,Complete,Intersection,over,Union,Loss,EIoU,Efficient,SAM,Aware,Minimization,优化器,多尺度训练,伪标签,半监督学习,测试集,训练策略,要区,卷积核,特征提取能力,定位准确性,猪舍环境,mAP,均方误差,改进方法,现有模型,检测效果,生猪养殖业,计算机视觉,注意力机制
AB值：
0.517592
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
