摘要
野生动物是自然生态系统的重要组成部分，对其多样性的监测是进行野生动物保护与研究工作的核心环节，而利用红外相机获取野生动物图像数据则是野生动物监测最重要的手段。然而，利用红外相机捕获野生动物图像数据时，存在未捕捉到动物目标的空照片过多的问题，从海量的图像中检测出野生动物目标给研究工作带来沉重负担。如何高效的从野生动物图像数据中检测出野生动物目标成为当前野生动物监测领域亟待解决的问题。 YOLOv5目标检测算法以其准确且高效的出色表现，在工业检测领域得到广泛应用。但对于野生动物目标检测，由于野外环境极其复杂多变，YOLOv5算法在实际应用中存在一定错检漏检的问题。此外，受嵌入式设备功耗、体积、成本等条件的限制，要求所部署的模型应具备轻量化的特征。因此，本论文对YOLOv5算法进行改进并完成轻量化模型和高精度模型设计，从而实现野生动物目标检测检测精度的提高以及模型的嵌入式设备部署。主要完成的工作如下： 1.提出YOLOv5-RepLKNet-GConv轻量化模型算法。首先，引入RepLKNet替换YOLOv5中的CSP模块，扩大模型的感受野，进而增强了目标特征图的提取能力。其次，采用组卷积对RepLKNet模块进行优化，有效减少模型的参数量。经过实验数据分析，改进后模型相比改进前的模型，mAP增加2.2%，参数量降低了20%，显著提升了目标检测的检测精度，同时减小了模型大小。 2.提出基于ShuffleNet的YOLOv5-RepLKNet高精度模型算法。首先，引入通道混洗机制，有效地解决漏检和错检的问题。其次，使用Shape-IoU代替CIoU，克服CIoU对于边界框自身的形状和尺寸会对边界框回归产生影响的问题。通过实验结果分析表明，改进后模型相对在YOLOv5的基础上mAP实现5.85%的提升。 3.利用华为Atlas200嵌入式设备完成改进算法模型的嵌入式部署。基于Ubuntu系统，实现硬件与软件协同。将改进的轻量化模型迁移至Atlas200平台，实现了对野生动物的自动检测。经过实验验证，该算法在Atlas200上能够达到115fps的速度。
NETL