-
题名基于DCT-YOLO的轻量化奶牛爬跨行为检测方法
- 1
-
-
作者
潘浩文
何梦腾
邓洪兴
许兴时
赵永杰
宋怀波
-
机构
西北农林科技大学机械与电子工程学院
陕西省农业信息感知与智能服务重点实验室
-
出处
《农业机械学报》
北大核心
2026年第2期245-255,共11页
-
基金
国家自然科学基金项目(32472964、32272931)
陕西省农业关键核心技术攻关项目(2025NYGG005)
+2 种基金
国家重点研发计划项目(2023YFD1301801)
陕西省重点产业创新链项目(2024NC-ZDCYL-05-12)
中央引导地方专项—区域科技创新体系建设项目(2025ZY-QYCXYL-04)。
-
文摘
针对现有接触式奶牛发情检测装置成本高易造成奶牛应激反应,部分基于深度学习的检测方法存在复杂环境影响下识别精度不高、模型复杂度高及部署困难等问题,基于YOLO v8n模型提出了DCT-YOLO的轻量化奶牛爬跨行为与发情奶牛检测模型。首先,骨干部分的特征提取与下采样采用YOLO v7的MPConv(MaxPool-Conv)模块提升模型对远景小目标奶牛爬跨行为的识别能力;其次,在检测头部分采用动态任务对齐检测头(Task align dynamic detection head,TADDH)融合爬跨行为与发情奶牛间的特征关联,达到通过爬跨行为这一显著特征增强网络对发情奶牛个体关注度的目的;上采样部分采用内容感知重组模块(Content-aware reassembly of features,CARAFE)通过跨维度交互进行发情奶牛特征增强。为了验证模型性能,标注了2 239幅图像用于模型训练与测试。试验结果表明,DCT-YOLO模型精确率为94.8%,召回率为80.1%,平均精度均值(mAP@0.5)为87.5%,浮点计算量为8.5×10^(9),参数量为2.08×10^(6),检测速度为256.41 f/s。与SSD、Faster R-CNN、YOLO v5n、YOLO v5s、YOLO v7-tiny、YOLO v8n和YOLO v8s目标检测模型相比,参数量分别降低91.19%、98.48%、16.93%、77.18%、65.41%、30.82%和81.31%,检测速度分别提高192.72、226.56、34.19、97.68、187.92、39.02、126.54 f/s,平均精度均值(mAP@0.5)仅比YOLO v8s低1.9个百分点,比其他模型的最高值高0.2个百分点,结果表明,模型取得了检测精度与速度的良好平衡。综上,本研究可为奶牛爬跨行为识别与发情奶牛定位等任务提供关键信息支撑。
-
关键词
奶牛爬跨行为
YOLO
v8
轻量化
CARAFE
TADDH
mpconv
-
Keywords
cow mounting behavior
YOLO v8
lightweight
CARAFE
TADDH
mpconv
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
