黄安祥, 沈雷, 蓝雷斌, 方一昊
牛只目标检测是基于深度学习的牛只个体注册与牛只识别的前提,不同实际场景下光照、色彩与牛只品种的差异使得牛只图像低层特征多样化,而高层特征中语义信息若不能完全匹配多样化的低层特征,则无法得到较好的检测精度。为解决检测模型高层特征语义不足问题,本文提出了新的牛只特征提取骨干网络ResMO-Backbone与特征融合网络Dense-Neck,进而提出了基于ResMO-Dense-YOLO的牛只检测算法。在骨干网络中利用ResMO模块多语义层面关注牛只高层特征的特性丰富语义信息,结合SPPF结构和多层卷积结构扩大感受野,使得模型更好地提取牛只的高层特征;然后提出基于DenseBlock的特征金字塔和基于DenseBlock的路径聚合网络级联的Neck网络Dense-Neck,利用DenseBlock对特征多次复用的特性,结合特征金字塔与路径聚合网络多尺度融合的特性进一步融合牛只的低层特征位置信息与高层特征语义信息,提高模型检测精度。本文的模型与FLYOLOv3、SSD、YOLOv5s等目标检测模型相比,在实验室采集的奶牛通道、奶牛牛舍和肉牛牛舍数据集中平均精确率分别提高40.1%、30.3%、4.0%,召回率分别提高34.9%、23.1%、6.8%,mAP提高了49.2%、35.3%、5.0%。