初曉玉，祖麗楠

(青島科技大學(xué) 自動(dòng)化與電子工程學(xué)院，山東 青島 266061)

0 引言

1950年代開始，國外畜禽養(yǎng)殖業(yè)逐步向集約標(biāo)準(zhǔn)化過渡，規(guī)?；笄蒺B(yǎng)殖開始成為畜禽養(yǎng)殖的趨勢，其對環(huán)境的要求比較嚴(yán)格[1]。因此，畜禽環(huán)境監(jiān)控系統(tǒng)的開發(fā)從20世紀(jì)70年代開始成為了必然的發(fā)展趨勢[2]。目前，在荷蘭、美國、日本和以色列等發(fā)達(dá)國家，智能化的環(huán)境控制系統(tǒng)已經(jīng)普遍在現(xiàn)代化養(yǎng)殖場中應(yīng)用。有些先進(jìn)的智能控制系統(tǒng)甚至整合了投喂料、疫病診斷、畜禽污染物管理等功能，形成了智能養(yǎng)殖管理系統(tǒng)[3]。國內(nèi)相關(guān)技術(shù)的研發(fā)主要集中在2 000年以后，涉及畜禽環(huán)境測量與監(jiān)控、單一指標(biāo)的監(jiān)控和干預(yù)、多指標(biāo)控制策略研究、硬件開發(fā)與系統(tǒng)組建等各方面，其工作主要側(cè)重于技術(shù)研發(fā)和驗(yàn)證[4]。

目前，機(jī)器視覺在畜牧養(yǎng)殖行業(yè)的技術(shù)研究有很多[5]。如：在羊群活動(dòng)分析任務(wù)中，F(xiàn)raess等人[6]通過計(jì)算視頻相鄰兩種中改變的像素?cái)?shù)量占總像素的比值得出羊群的活動(dòng)水平。在商業(yè)養(yǎng)殖場中，畜群的活動(dòng)和突變可能與設(shè)備故障、病害等異常情況有關(guān)，將圖像轉(zhuǎn)換為動(dòng)物分布指數(shù)，通過分布指數(shù)的突然變化，可以實(shí)時(shí)發(fā)現(xiàn)肉雞舍的設(shè)備故障[7]。Li等人采用Mask-RCNN算法檢測家禽的梳理行為[8]。Kashiha等人采用橢圓擬合模型的方法將鳥的輪廓從背景中提取出來[9]。Aydin等人[10]將和相機(jī)安裝在測試走廊的中央采集母雞的圖像，使用背景減法分割形狀，然后使用橢圓形狀模型定義雞的大小和方向，從而對雞的躺臥事件數(shù)(NOL)和躺臥時(shí)延(LTL)進(jìn)行分類并實(shí)時(shí)記錄。與人工計(jì)算結(jié)果相比，該自動(dòng)監(jiān)測系統(tǒng)識(shí)別NOL的準(zhǔn)確率為83%。隨后，Aydin等人通過提取特征向量對該圖像處理算法進(jìn)行改進(jìn)，實(shí)現(xiàn)了更高的準(zhǔn)確性[11]。Kristensen和Cornou等人[12]設(shè)計(jì)了一種可以自動(dòng)記錄肉雞活動(dòng)的模型。在他們的研究中，他們記錄了三周內(nèi)雞的活動(dòng)水平。采用一種方法來檢測給定年齡的肉雞活動(dòng)與規(guī)定水平的偏差，以便及時(shí)通知生產(chǎn)商。Riddle等人[13]使用ImageJ和MATLAB軟件研究了每只母雞站立、躺臥、棲息、拍打翅膀和吸塵行為所需的面積。但是，這中算法需要手動(dòng)選擇完美的圖像。Zhuang等人[14]通過SVM模型對患病肉雞進(jìn)行自動(dòng)預(yù)測和分類，為獲得姿態(tài)特征，采用k均值聚類方法對圖像進(jìn)行分割，采用細(xì)化方法獲得骨架結(jié)構(gòu)。SVM模型的準(zhǔn)確率達(dá)到99.47%，優(yōu)于其他機(jī)器學(xué)習(xí)算法。De Wet等人[15]是少數(shù)幾個(gè)基于機(jī)器視覺的肉雞稱重的例子之一，他們研究了肉雞的表面積和外圍輪廓作為體重描述參數(shù)用來估計(jì)肉雞每天的體重變化。他們在表面積的預(yù)測權(quán)重上實(shí)現(xiàn)了11%的平均相對誤差。

中國肉雞養(yǎng)殖規(guī)模飛速上漲，極大地提高了我國的肉雞產(chǎn)量[16]。高密度的規(guī)?；B(yǎng)殖同時(shí)也會(huì)對雞場的飼養(yǎng)管理方法提出更高要求，籠內(nèi)雞群的密集接觸容易產(chǎn)生疾病問題，而傳染病的出現(xiàn)會(huì)威脅整個(gè)雞場的安全生產(chǎn)[4]。因此，應(yīng)及早發(fā)現(xiàn)問題雞只并做隔離處理，防止傳染病的傳播。

目前肉雞養(yǎng)殖中能使用環(huán)境控制系統(tǒng)自動(dòng)控制溫濕度等環(huán)境參數(shù)，但對于病雞死雞的檢查仍需人工進(jìn)入雞舍查看，這種方法監(jiān)測結(jié)果往往依賴于工作人員的實(shí)際操作，首先實(shí)時(shí)性較差，不能及時(shí)清理問題雞只，其次人工的頻繁進(jìn)出查看會(huì)將細(xì)菌帶進(jìn)雞舍，影響雞群的健康生長[17]。因此從很大程度上影響了我國畜禽規(guī)模養(yǎng)殖環(huán)境測控設(shè)備的深度發(fā)展?；趫D像處理的動(dòng)物監(jiān)測系統(tǒng)可以做到自動(dòng)、無創(chuàng)、連續(xù)地監(jiān)測和識(shí)別動(dòng)物的不同行為及狀態(tài)。圖像處理技術(shù)可以同時(shí)監(jiān)測多個(gè)動(dòng)物個(gè)體、工作時(shí)長沒有限制且不會(huì)出現(xiàn)視覺疲勞，因此機(jī)器視覺在動(dòng)物監(jiān)測系統(tǒng)中的應(yīng)用將成為必然趨勢。

上述基于機(jī)器視覺的畜牧養(yǎng)殖技術(shù)提供了多種檢測算法，但由于不同的檢測任務(wù)有不同的目標(biāo)和約束條件，難度也會(huì)有所不同。因此，上述算法并不能很好地解決雞狀態(tài)檢測問題。原因如下：1)實(shí)際應(yīng)用：上述討論的相關(guān)算法大多是基于實(shí)驗(yàn)室的理想環(huán)境，實(shí)際應(yīng)用中的限制條件更多，如拍攝角度、拍攝距離、雞群密度等。2)目標(biāo)背景復(fù)雜：籠養(yǎng)雞不同于散養(yǎng)雞，雞籠內(nèi)雞群密度較大，且多處于俯臥姿態(tài)且相機(jī)安裝高度受限，背景中雞群交錯(cuò)重疊且混有大量雞籠框架信息。3)雞眼睛目標(biāo)較?。河捎谂臄z距離和雞眼睛本身特征影響，其在圖像上的尺寸約為20*20像素，屬于小目標(biāo)檢測，難度較高。4)雞眼睛不同形態(tài)特征不明顯：在雞狀態(tài)檢測任務(wù)中，需要識(shí)別出3種形態(tài)：全睜、半睜、全閉。其中半睜狀態(tài)的雞眼睛相較于全睜狀態(tài)的特征并不明顯，容易導(dǎo)致目標(biāo)分類錯(cuò)誤。

針對以上問題，為了能夠更好地實(shí)現(xiàn)機(jī)器視覺技術(shù)在畜牧養(yǎng)殖業(yè)的實(shí)際應(yīng)用，提出基于機(jī)器視覺的雞狀態(tài)檢測算法Clite-YOLOv5。具體貢獻(xiàn)如下：

1)改進(jìn)特征提取網(wǎng)絡(luò)：提出lite-CBC3模塊，該模塊將C3模塊輕量化之后融合CBAM注意力機(jī)制，在減少參數(shù)量的同時(shí)充分利用淺層淺層卷積神經(jīng)網(wǎng)絡(luò)中特征信息的提取。

2)改進(jìn)目標(biāo)框抑制算法：提出Fuse-NMS算法對重疊框進(jìn)行調(diào)整，該算法將置信度分?jǐn)?shù)作為權(quán)重參數(shù)，對重疊框按照該權(quán)重對目標(biāo)框位置進(jìn)行精修。提高了目標(biāo)位置預(yù)測的精確度。

3)模型輕量化：提出采用深度可分離卷積對骨干網(wǎng)絡(luò)的普通卷積進(jìn)行替換，減少模型參數(shù)量和計(jì)算量，從而更易于移動(dòng)端部署。

1 數(shù)據(jù)集建立及處理

以現(xiàn)代標(biāo)準(zhǔn)肉雞養(yǎng)殖場中籠養(yǎng)模式下的肉雞作為研究對象，采集了真實(shí)養(yǎng)殖環(huán)境中籠養(yǎng)雞的原始圖像。肉雞的籠養(yǎng)模式下，雞籠大小為1.2米*1米*0.6米，每個(gè)籠內(nèi)約有12只雞。

異常雞不同于健康雞眼睛呈圓形，病雞眼睛多呈橢圓形或細(xì)長狀與健康雞只的眼睛形態(tài)有明顯區(qū)別，而死雞的眼睛呈緊閉狀態(tài)。由于正常情況下雞只閉眼以及半閉眼的狀態(tài)較少，因此現(xiàn)場采集時(shí)，采用多機(jī)位架設(shè)攝像頭采集視頻流的方式對雞眼睛狀態(tài)進(jìn)行捕捉，后期對視頻流進(jìn)行抽幀，將雞只眨眼時(shí)從睜眼到閉眼的狀態(tài)進(jìn)行精確的捕捉。經(jīng)過上述步驟，共抽取到有效雞只照片2 146張，像素大小為1 920*1 080，保存格式為JPG。使用Labelimg[18]軟件對圖像進(jìn)行標(biāo)注，標(biāo)注標(biāo)簽分別為：0(全睜眼)、1(半睜眼)、2(閉眼)，由于雞眼睛目標(biāo)過小，因此選擇將整個(gè)雞頭作為標(biāo)注對象，標(biāo)注示例如圖1所示。各類別數(shù)量如表1所示。

表1 數(shù)據(jù)集各類別標(biāo)簽數(shù)量

圖1 標(biāo)注示例

2 YOLOv5目標(biāo)檢測算法原理

目前目標(biāo)檢測主要分為兩類，分別是兩階段和一階段檢測算法[19]，其中兩階段算法主要有RCNN系列[20]，此系列算法適合精度需求較的目標(biāo)檢測任務(wù)，其缺點(diǎn)是檢測速度非常慢，不能滿足實(shí)時(shí)檢測的需求[21]。一階段算法以YOLO系列為代表，此系列算法采用回歸的思想，形成了端到端的檢測網(wǎng)絡(luò)[22]，因此，YOLO系列在檢測速度上有明顯的提升。根據(jù)任務(wù)背景對于的實(shí)時(shí)性需求，以YOLOv5算法為基礎(chǔ)，分別針對網(wǎng)絡(luò)的特征提取能力、假陽性檢測框抑制能力以及模型的參數(shù)量3個(gè)方面進(jìn)行改進(jìn)。

YOLOv5網(wǎng)絡(luò)結(jié)構(gòu)：

YOLOv5網(wǎng)絡(luò)結(jié)構(gòu)共包括輸入端、主干、頸部和頭部網(wǎng)絡(luò)四部分[23]。輸入端主要包括Mosaic數(shù)據(jù)增強(qiáng)，自適應(yīng)錨框計(jì)算等[24]。Mosaic數(shù)據(jù)增強(qiáng)極大的豐富了檢測物體的背景；自適應(yīng)描框計(jì)算是在訓(xùn)練時(shí)對真實(shí)框相對于預(yù)測框的位置偏移反復(fù)進(jìn)行迭代更新，得到最合適的預(yù)測框[25]。在主干網(wǎng)絡(luò)中，YOLOv5采用了新的CSP-Darknet53，用于提取特征并向下級頸部網(wǎng)絡(luò)傳遞[26]；頸部網(wǎng)絡(luò)將原本YOLOv4頸部網(wǎng)絡(luò)中的PAN結(jié)構(gòu)替換為增加了CSP結(jié)構(gòu)的New CSP-PAN，用于將提取的特征進(jìn)行有效的融合[27]；頭部網(wǎng)絡(luò)與YOLOv3相同，用于輸出檢測的目標(biāo)信息[28]。

3 改進(jìn)的Clite-YOLOv5算法

雞眼睛狀態(tài)的識(shí)別算法不僅要實(shí)現(xiàn)復(fù)雜雞籠環(huán)境下的高精度目標(biāo)識(shí)別，還要考慮到嵌入式移動(dòng)硬件的部署，因此，應(yīng)盡可能地壓縮模型的參數(shù)量和計(jì)算量。為此，提出Clite-YOLOv5目標(biāo)檢測算法，如圖2所示。Clite-YOLOv5采用提出的lite-CBC3模塊重構(gòu)了主干網(wǎng)絡(luò)，該模塊對C3模塊進(jìn)行了刪減并添加了輕量的CBAM注意力模塊[29]，實(shí)現(xiàn)了對目標(biāo)特征更好地提取；同時(shí)，改進(jìn)了DIoU-NMS算法[30]，增加了重疊目標(biāo)框?qū)τ谧罱K目標(biāo)框的決定權(quán)，在改善目標(biāo)檢測框被誤刪的同時(shí)提高檢測框的預(yù)測精度；使用深度可分離卷積[31]替代主干網(wǎng)絡(luò)中的普通卷積，極大地減少了模型的參數(shù)量，使其更適合在移動(dòng)端部署。

圖2 Clite-YOLOv5結(jié)構(gòu)示意圖

3.1 主干網(wǎng)絡(luò)重建

對YOLOv5的主干網(wǎng)絡(luò)進(jìn)行了重構(gòu)，在提高精度的同時(shí)盡可能壓縮模型大小。為了提取圖像中的特征信息，主干網(wǎng)絡(luò)中包含了大量的卷積層，但過多卷積層的堆疊并不能明顯提升模型效果，同時(shí)這些卷積層包含了大量的參數(shù)，導(dǎo)致模型過于臃腫。因此改進(jìn)了主干網(wǎng)絡(luò)中的C3模塊得到lite-C3模塊，如圖3所示，將C3模塊中橋接分支上的卷積層刪除，使另一分支輸出的特征圖直接與輸入特征圖進(jìn)行拼接操作，能夠有效減少模型的參數(shù)量。

圖3 lite-C3模塊結(jié)構(gòu)示意圖

隨著網(wǎng)絡(luò)層數(shù)的加深，高層語義信息越能被更好的提取，但高層的特征圖的分辨率通常較低。由于雞眼睛屬于小目標(biāo)，且其處于復(fù)雜的雞籠環(huán)境中，過于深層的卷積操作可能會(huì)導(dǎo)致雞眼睛的特征信息難以提取。因此，為了能夠充分利用淺層卷積神經(jīng)網(wǎng)絡(luò)中的高分別率信息，最大限度地提取淺層網(wǎng)絡(luò)中小目標(biāo)的特征信息，提出lite-CBC3模塊，該模塊在淺層特征提取階段就增加了較為輕量的注意力機(jī)制CBAM，實(shí)現(xiàn)從淺層到深層網(wǎng)絡(luò)的多特征提取，lite-CBC3模塊結(jié)構(gòu)圖如圖4所示。

圖4 lite-CBC3模塊結(jié)構(gòu)示意圖

lite-CBC3模塊能夠更好的區(qū)分背景與目標(biāo)，提高小目標(biāo)的檢測能力，同時(shí)彌補(bǔ)刪除部分卷積層導(dǎo)致的精度略有下降的問題。

3.2 改進(jìn)NMS算法

YOLOv5原網(wǎng)絡(luò)中采用的是普通NMS非極大值抑制算法[32]，該算法按照置信度分?jǐn)?shù)，將檢測框分為最高分?jǐn)?shù)檢測框與其他檢測框，依次將其他檢測框與最高分?jǐn)?shù)框進(jìn)行IoU計(jì)算，并將IoU大于閾值的其他檢測框刪除，上述操作可以有效去掉重復(fù)的檢測框，該算法用公式(1)表示為：

(1)

其中：Si是置信度，BM為當(dāng)前最大置信度預(yù)測框，Bi為其他預(yù)測框，Qth為IOU閾值。

但是當(dāng)兩個(gè)相同類別的不同物體距離接近時(shí)，會(huì)因?yàn)镮OU的計(jì)算值比較大，經(jīng)過NMS處理后只剩下一個(gè)預(yù)測框，導(dǎo)致漏檢。為此，有人提出DIOU-NMS算法，該算法在計(jì)算IOU的基礎(chǔ)上添加了一個(gè)懲罰項(xiàng)，將兩個(gè)框的中心點(diǎn)距離也作為過濾指標(biāo)，其公式(2)如下所示：

RDIoU=ρ2(b，bgt)/c2

(2)

其中：b和bgt表示兩個(gè)預(yù)測框的中心點(diǎn)，ρ2(b，bgt)是兩個(gè)中心點(diǎn)之間的歐式距離，c是包含兩個(gè)預(yù)測框的最小方框的對角線長度。如果兩個(gè)預(yù)測框之間的IOU比較大，同時(shí)兩個(gè)框之間的中心距離也較大時(shí)，這兩個(gè)框就都不會(huì)被過濾掉。

從DIOU-NMS算法原理上來看，該算法可以在一定程度上解決檢測框誤刪的問題。但在雞眼睛的檢測任務(wù)中，雞舍中的雞只相互遮擋，不僅存在NMS算法誤刪檢測框的問題，同時(shí)還存在多個(gè)檢測框都不能準(zhǔn)確預(yù)測的問題。因此，提出Fuse-NMS算法，該算法對DIoU-NMS進(jìn)行了改進(jìn)，保留了將要被刪除的預(yù)測框Bi，并將其與當(dāng)前最大置信度的預(yù)測框BM進(jìn)行加權(quán)融合，得到新預(yù)測框BMi的位置。新預(yù)測框BMi將根據(jù)BM和Bi的相關(guān)信息計(jì)算得到左上角及右下角坐標(biāo)點(diǎn)的位置信息，計(jì)算方法如公式(3)、(4)所示。

f(pM，pi)=pM+(pi-pM)×Ci

(3)

BMiL(x，y)=(f(xML，xiL)，f(yML，yiL))

BMiR(x，y)=(f(xMR，xiR)，f(yMR，yiR))

(4)

公式(3)中，f(pM，pi)為計(jì)算新預(yù)測框BMi橫(縱)坐標(biāo)值的函數(shù)，pM為BM的橫(縱)坐標(biāo)值，pi為Bi的橫(縱)坐標(biāo)值，Ci為Bi的置信度分?jǐn)?shù)；公式(4)中BMiL(x，y)為新預(yù)測框BMi左上角坐標(biāo)，BMiR(x，y)為新預(yù)測框BMi右下角角坐標(biāo)。從上述公式可以看出，Bi的置信度分?jǐn)?shù)越高，對新預(yù)測框的位置影響越大，從而盡可能高質(zhì)量地保留了網(wǎng)絡(luò)對于目標(biāo)位置的預(yù)測信息，使輸出結(jié)果更加精確。

Fuse-NMS算法流程如圖5所示，算法會(huì)根據(jù)置信度分?jǐn)?shù)對檢測框進(jìn)行排序并放入列表S，并將分?jǐn)?shù)最高的檢測框BM移入最終檢測列表F，根據(jù)公式(2)依次計(jì)算剩余檢測框Bi的Si值，對于IoU值大于閾值Qth，即Si為0的檢測框，將視為重復(fù)框并進(jìn)行加權(quán)融合，用融合后的Bmi位置信息更新列表F中的Bm；遍歷完列表S后剩余的檢測框再重新取出當(dāng)前列表中置信度分?jǐn)?shù)最高的檢測框BM，重復(fù)上述操作直至列表S為空，輸出最終檢測框列表F。

圖5 Fuse-NMS算法流程圖

3.3 模型輕量化

為了能夠縮減模型的參數(shù)量和計(jì)算量，提高模型的運(yùn)行效率，提出將主干網(wǎng)絡(luò)中的普通卷積替換為深度可分離卷積。深度可分離卷積(Depthwise Separable Convolution)是一種卷積神經(jīng)網(wǎng)絡(luò)中常用的卷積操作，與傳統(tǒng)的卷積操作相比，它有著更小的參數(shù)數(shù)量和更快的計(jì)算速度，同時(shí)仍然保持著較好的性能表現(xiàn)。

深度可分離卷積本質(zhì)上由兩個(gè)部分組成。第一個(gè)部分是深度卷積(Depthwise Convolution)，它是一種僅在輸入的每個(gè)通道上獨(dú)立進(jìn)行的卷積操作，可以對每個(gè)通道單獨(dú)地提取特征，不同通道之間不會(huì)互相影響，這使得它的參數(shù)數(shù)量相較于傳統(tǒng)的卷積操作要小得多。但這一操作并不能將各通道上的信息進(jìn)行交互融合，而一個(gè)目標(biāo)的特征信息一般由多個(gè)通道的特征信息組合而成，因此需要第二個(gè)部分逐點(diǎn)卷積(Pointwise Convolution)來進(jìn)行通道維度的信息融合，它是一種多通道卷積操作，其采用1*1卷積核與生成的特征圖進(jìn)行卷積并在通道維度上進(jìn)行疊加生成一張新的特征圖，從而增強(qiáng)了卷積的非線性性。

深度可分離卷積中深度卷積和逐點(diǎn)卷積的具體計(jì)算步驟如下：如圖6所示，假設(shè)輸入圖片的特征維度為W*H*D，其中W、H為輸入特征圖的寬高、D通道數(shù)，假設(shè)深度卷積的卷積核大小為K。

圖6 深度可分離卷積

深度卷積(DW)的計(jì)算步驟為：對于輸入圖像的每一個(gè)通道，單獨(dú)使用一個(gè)K*K卷積核與輸入特征圖進(jìn)行卷積操作，共得到D張輸出特征圖，則深度卷積的卷積運(yùn)算量如公式(5)所示。

FLOPs(DW)=D×W×H×K×K

(5)

逐點(diǎn)卷積(PW)的計(jì)算步驟為：對深度卷積輸出的特征圖(W*H*D)使用N個(gè)1*1*D卷積核進(jìn)行卷積運(yùn)算，輸出得到N個(gè)新特征圖，即完成深度可分離卷積操作。則逐點(diǎn)卷積的卷積運(yùn)算如公式(6)所示。

FLOPs(PW)=N×W×H×D

(6)

經(jīng)過深度可分離卷積的總運(yùn)算量即為二者相加，如公式(7)所示。相較于普通卷積的運(yùn)算量如公式(8)所示，深度可分離卷積的運(yùn)算量大大減少。

FLOPs(DSC)=K×K×D+D×N

(7)

FLOPs(C)=(2×D×K2-1)×W×H×N

(8)

深度可分離卷積通過深度卷積和逐點(diǎn)卷積兩個(gè)操作的組合將普通卷積計(jì)算參數(shù)量的乘法運(yùn)算轉(zhuǎn)變?yōu)榧臃ㄟ\(yùn)算，實(shí)現(xiàn)了與傳統(tǒng)卷積相似的特征提取效果，但是相對于傳統(tǒng)卷積，它具有更快的計(jì)算速度和更少的參數(shù)數(shù)量及運(yùn)算量，節(jié)省了計(jì)算和存儲(chǔ)成本，同時(shí)也減小了過擬合的風(fēng)險(xiǎn)，對于輕量級計(jì)算設(shè)備等資源限制性場景有著非常好的應(yīng)用前景。

4 實(shí)驗(yàn)分析

4.1 實(shí)驗(yàn)環(huán)境及參數(shù)配置

訓(xùn)練參數(shù)設(shè)置如下：初始學(xué)習(xí)率為0.01；動(dòng)量參數(shù)為0.937；權(quán)重衰減系數(shù)為0.000 5；迭代次數(shù)為300，每次迭代訓(xùn)練圖像的數(shù)量為8；輸入圖像大小為640*640。實(shí)驗(yàn)環(huán)境如表2所示。

表2 環(huán)境配置

4.2 評價(jià)指標(biāo)

本研究中，采用P(Precision)、R(Recall)和mAP(mean average Precision)作為客觀評價(jià)指標(biāo)對訓(xùn)練后的雞眼睛目標(biāo)檢測模型進(jìn)行評價(jià)。各指標(biāo)計(jì)算公式分別如公式(9)、(10)、(11)所示：

(9)

(10)

(11)

其中：TP為正確識(shí)別雞眼睛目標(biāo)的數(shù)量；FP為將背景錯(cuò)誤地識(shí)別為雞眼睛目標(biāo)的數(shù)量；FN為沒有識(shí)別出雞眼睛目標(biāo)的數(shù)量；C為雞眼睛目標(biāo)類別的數(shù)量；N為測試集圖片的數(shù)量；K為IoU閾值；P(k)表示精度；R(k)為召回率。

4.3 實(shí)驗(yàn)結(jié)果對比

4.3.1 消融實(shí)驗(yàn)

為驗(yàn)證提出的改進(jìn)方法的有效性，設(shè)計(jì)了消融實(shí)驗(yàn)，給出了各模型的Recall、mAP、參數(shù)量以及檢測速度FPS。檢測結(jié)果如表3所示。

表3 消融實(shí)驗(yàn)結(jié)果

從表3中可以看出，原YOLOv5算法的mAP為85.76%，精度較低；從YOLOv5(lite-CBC3)實(shí)驗(yàn)結(jié)果可以看出，加入lite-CBC3模塊后，模型精度提升了4.67%，召回率提升了4.31%，可以看出該模塊對于雞眼睛的檢測有明顯的提升效果；實(shí)驗(yàn)YOLOv5(Fuse-NMS)將原有NMS算法替換為Fuse-NMS，從實(shí)驗(yàn)結(jié)果來看，mAP提高了3.59%，召回率提高了6.47%，在減少檢測框誤刪方面有明顯的提升效果；YOLOv5(深度可分卷積)實(shí)驗(yàn)結(jié)果表示在替換為深度可分離卷積后，模型性能略有下降，但模型的參數(shù)量大大減少，更加易于移動(dòng)的部署；Clite-YOLOv5為提出的最終模型，相較于原YOLOv5模型，提出的模型在精度上提高了7.12%，召回率提升了7.93%，參數(shù)量減少了19.79萬，同時(shí)檢測速度能夠滿足實(shí)時(shí)檢測任務(wù)的需要。

為了能夠直觀看出模型改進(jìn)前后的檢測效果，選取了部分典型的檢測效果圖進(jìn)行相關(guān)分析。

圖中包含了所有檢測類別，從圖8左邊的圖片中可以看出，原YOLOv5對于目標(biāo)與背景較難區(qū)分且有一定遮擋時(shí)檢測效果不佳，出現(xiàn)漏檢現(xiàn)象；圖8右邊圖像中，當(dāng)兩個(gè)目標(biāo)較為靠近時(shí)出現(xiàn)了將兩個(gè)目標(biāo)看作一個(gè)目標(biāo)的錯(cuò)誤；從圖9可以看出，提出的Clite-YOLOv5可以能夠檢測出左邊圖像中的漏檢目標(biāo)，同時(shí)右邊兩個(gè)靠近的目標(biāo)也能夠?qū)崿F(xiàn)精確檢測。

圖8 YOLOv5檢測效果圖

圖9 Clite-YOLOv5檢測效果

4.3.2 主流算法比較

將提出的算法與現(xiàn)有主流算法進(jìn)行比較，實(shí)驗(yàn)結(jié)果如表4所示。從表中可以看出提出的Clite-YOLOv5模型檢測算法在檢測精度和檢測速度上都優(yōu)于其他算法。

表4 主流算法比較結(jié)果

5 結(jié)束語

為實(shí)現(xiàn)移動(dòng)端部署雞狀態(tài)檢測技術(shù)，提出Clite-YOLOv5雞狀態(tài)檢測模型，該模型對YOLOv5的特征提取網(wǎng)絡(luò)進(jìn)行了改進(jìn)，提出了融合CBAM注意力機(jī)制的輕量化模塊lite-CBC3，輕量主干網(wǎng)絡(luò)的同時(shí)提高網(wǎng)絡(luò)對淺層特征的提取能力；提出將NMS非極大值抑制算法改為Fuse-NMS算法，該算法按照權(quán)重將重疊框信息作用于目標(biāo)框，實(shí)現(xiàn)目標(biāo)位置的微調(diào)，提高目標(biāo)的定位精度；提出采用深度可分離卷積替換主干網(wǎng)絡(luò)中的普通卷積，減少模型參數(shù)量。實(shí)驗(yàn)結(jié)果表明提出的算法檢測精度與速度都優(yōu)于現(xiàn)有算法，且適合在移動(dòng)端部署。