摘要
随着人工智能技术在肉牛养殖业中的广泛应用，牛脸检测模型已成为智能养殖管理中不可或缺的一部分。然而，养殖场环境通常较为复杂，存在光照变化、遮挡、由于摄像头采集距离不同造成的目标大小不一等情况。本文基于复杂养殖环境的特点和牛脸检测技术的发展现状，针对YOLOv7与YOLOv8的不同网络结构特性提出了两种基于深度学习的复杂环境下牛脸检测算法，共完成了以下工作： 1.基于YOLOv7设计了一种复杂场景下的牛脸检测模型(MT-CF-DM)，提出的模型主干网络由GhostNet和CBAM注意力机制组成，对Neck网络的设计三个创新模块:轻量化金字塔结构L-SPPCSPC、创新型BiFPN和C2f结构。L-SPPCSPC用于减少模型参数数量。创新型BiFPN用于利用特征信息并提高模型的检测能力。C2f用于保持网络的轻量化并获得更全面的梯度流数据。实验结果表明，提出的模型参数为15.8M，模型大小为22.3M，GFLOPs为25.8，FPS为97.6，与YOLOv7相比，我们提出的模型将参数减少了56.8%，FPS提高了48.3，mAP由96.4%提升到98.5%，为后续的模型改进提供了思路与方法 2.复杂环境多变不可控等特性对目标检测模型的准确性方面有了更加严格的要求，因此需要在复杂环境下对模型准确性方面进行进一步研究。YOLOv8采用更深的网络层次和更复杂的特征提取模块，基于此，对YOLOv8n准确性方面进行进一步改进，提出了高精度的牛脸检测模型AMSCP-YOLOv8-MBCA。首先设计了多尺度卷积神经网络模块AMSConvP，采用不同尺度的卷积核来提取图像特征，有效整合了多尺度信息。对Bottleneck结构再设计，强化了对多目标及小尺寸牛脸的检测能力。其次，设计了多路径注意力机制MBCA，通过增加通道注意力的分支使得注意力机制的应用更为全面和高效。最终模型的mAP@0.5由原YOLOv8的92.5%提升到现模型的98.9%，Precision从92%提升到96.6%，Recall从82.6%提升到95.7%。 3.基于第三章轻量化改进思路，进一步在AMSCP-YOLOv8-MBCA模型基础上进行轻量化设计，提出了AMLD-Model。设计了融合了注意力机制与分组卷积技术的LADS下采样模块，采用共享卷积核的策略，提出了轻量级共享卷积检测头LSDH，显著降低了模型的参数量和计算负担。实验结果表明，参数数量由原始的4.6×106缩减至1.7×106，减少了63.04%，模型规模由7.4M减少至4.1M，减少了44.5%，GFLOPs由11.5缩减至5.4，减少了53%，同时mAP@0.5仍保持在98%以上，在轻量化的同时保证了准确性。 4.基于AMLD-Model进一步研究了复杂环境下不同光照条件对牛脸检测模型的影响。分别在白天与夜间不同光照条件下进行了深入分析。在SDI基础上融入了浅层牛脸特征，同时采用GSConv进行轻量化设计。最终实验结果表明，在无光照条件处理下，模型的mAP@0.5可以提升0.2%，在模拟添加不同日间光照条件下，模型的mAP@0.5最高可以提升1.8%；在模拟添加不同夜间光照条件下，晴天夜晚和阴天夜晚下的mAP@0.5均可以提升20%左右。
NETL