基于改进Tiny-YOLO模型的群养生猪脸部姿态检测

来源：农业工程学报杂志2019年第18期北京时间：

作者：燕红文,刘振宇,崔清亮,胡志伟,李艳文,

摘要：生猪脸部包含丰富的生物特征信息，对其脸部姿态的检测可为生猪的个体识别和行为分析提供依据，而在生猪群养场景下，猪舍光照、猪只黏连等复杂因素给生猪脸部姿态检测带来极大挑战。该文以真实养殖场景下的群养生猪为研究对象，以视频帧数据为数据源，提出一种基于注意力机制与Tiny-YOLO相结合的检测模型DAT-YOLO。该模型将通道注意力和空间注意力信息引入特征提取过程中，高阶特征引导低阶特征进行通道注意力信息获取，低阶特征反向指引高阶特征进行空间注意力筛选，可在不显著增加参数量的前提下提升模型特征提取能力、提高检测精度。对5栏日龄20～105 d的群养生猪共35头的视频抽取504张图片，共计3 712个脸部框，并标注水平正脸、水平侧脸、低头正脸、低头侧脸、抬头正脸和抬头侧脸6类姿态，构建训练集，另取420张图片共计2 106个脸部框作为测试集。试验表明，DAT-YOLO模型在测试集上对群养生猪的水平正脸、水平侧脸、低头正脸、低头侧脸、抬头正脸和抬头侧脸6类姿态预测的AP值分别达到85.54%、79.30%、89.61%、76.12%、79.37%和84.35%，其6类总体mAP值比Tiny-YOLO模型、仅引入通道注意力的CAT-YOLO模型以及仅引入空间注意力的SAT-YOLO模型分别提高8.39%、4.66%和2.95%。为进一步验证注意力在其余模型上的迁移性能，在同等试验条件下，以YOLOV3为基础模型分别引入两类注意力信息构建相应注意力子模型，试验表明，基于Tiny-YOLO的子模型与加入相同模块的YOLOV3子模型相比，总体mAP指标提升0.46%～1.92%。Tiny-YOLO和YOLOV3系列模型在加入注意力信息后检测性能均有不同幅度提升，表明注意力机制有利于精确、有效地对群养生猪不同类别脸部姿态进行检测，可为后续生猪个体识别和行为分析提供参考。

关键词：图像处理, 模型, 目标检测, Tiny-YOLO, 通道注意力, 空间注意力