基于深度学习的轻量级猪只检测网络研究.pdf

基于深度学习的轻量级猪只检测网络研究

摘要

生猪养殖是我国畜牧业的主体，在我国畜牧业中有着举足轻重的作用。近年来，

受社会环境因素等影响，生猪养殖行业散养户退出明显，进一步加快了我国生猪养殖

标准化、规模化、现代化进程。随着数字化时代的到来，人工智能被广泛应用于家居、

制造、金融、医疗等众多领域。将生猪养殖与人工智能结合是大势所趋，构建智能化

猪场，将养殖逐渐智能化、无人化才能顺应产业发展。其中，猪只的检测任务作为其

他许多猪只识别任务的基础，对猪只养殖智能化十分重要，而目前猪只检测算法在实

际应用中还存在精度不够高、速度不够快的问题。本课题以目标检测网络YOLOv5为

整体框架，对检测速度与精度进一步提升，设计了轻量级猪只检测网络。

首先，本文对猪只检测的骨干网络做出轻量化改进，设计了三种轻量化改进策略。

策略一基于分组卷积与通道重排，采用分组卷积降低计算量，通道重排融合不同分组

输入的特征，并提出了四种轻量化设计思想。策略二用深度可分离卷积，为使激活函

数获得更充分的特征，使用深度卷积与逐点卷积将特征提取部分上升到高维，并将部

分高维激活函数做出相应改进以更好地获取特征。策略三结合策略一的分组卷积与轻

量化结构设计思想，引入GhostModule将输入特征图分成两组，一组使用本征卷积生

成特征，另一组采用策略二中的深度卷积降低运算量。此外，还在GhostModule中加

入了解耦全连接注意力使卷积结构可以捕捉到远距离空间的像素之间的相关性，大大

增强了模型的表达能力。实验分别对三种改进策略进行精度与速度测试，三种改进策

略均获得检测速度的提升，其中，融合了前两种轻量化改进思路的策略三改进相较于

原检测网络精度下降最小，速度提升最大。

其次，本文针对轻量化后的检测网络精度下降问题，对特征金字塔结构做出修剪，

并加入了坐标注意力以补偿精度损失。原检测网络使用PAFPN融合自顶向下的语义信

息与自底向上的位置信息，改进后的结构在原结构的基础上，将作用小的节点删除，

增加跳跃连接以补偿更多的猪只特征信息。用坐标注意力机制将猪只特征的通道信息

与坐标信息融合起来，进一步增强特征提取能力。对特征金字塔的改进与坐标注意力

的消融实验证明，两者对于检测网络精度提升都起到了正向作用。

最后，本文将轻量化的改进与精度改进结合，并将新检测网络命名为PDNet。通

过最后的综合实验测试，证明了本文各模块改进和新猪只检测网络的有效性。

关键词：生猪养殖；目标检测；轻量化；深度可分离卷积；特征金字塔

哈尔滨工程大学专业学位硕士学位论文

Abstract

SwineproductionisthemainstayofChinasanimalhusbandryandplaysacrucialrolein

it.Inrecentyears,influencedbysocialandenvironmentalfactors,theswineproductionindustry

hasseenasignificantwithdrawaloffreerangefarmers,furtheracceleratingthestandardization,

scale,andmodernizationprocessofswineproductioninChina.Withtheadventofthedigital

era,artificialintelligencehasbeenwidelyappliedinmanyfieldssuchashomefurnishing,

manufacturing,finance,healthcare,etc.Integratingswineproductionwithartificialintelligence

isthetrend,andbuildingintelligentpigfarmsrequiresgraduallyintelligentandunmanned

farming