-
题名改进YOLOv8s的轻量化牛脸识别模型
- 1
-
-
作者
邴树营
张玉玉
纪元浩
严蓓蓓
邹明
许金普
-
机构
青岛农业大学动漫与传媒学院
青岛农业大学动物医学院
-
出处
《中国农机化学报》
北大核心
2025年第8期128-134,共7页
-
基金
山东省自然科学基金面上项目(ZR2022MC152)
山东省重大科技创新工程项目(2021LZGC014—3)
+1 种基金
青岛市产业培育计划科技惠民专项(23—1—3—6—zyyd—nsh)
山东省牛产业技术体系(SDAIT—09—11)。
-
文摘
为实现在奶牛养殖场复杂环境下,非接触且实时检测奶牛面部个体身份,提出一种基于YOLOv8s目标检测网络的性能优良且轻量化的识别模型。以17头荷斯坦奶牛作为研究对象,在奶牛进食通道旁安装摄像机,定时、自动获取奶牛视频,用视频帧分解技术得到奶牛面部图像,并用结构相似性指数方法对图像间的相似性进行度量,剔除相似性过高的图像,再通过人工标注奶牛个体编号。以YOLOv8s模型为基础在主干网络中加入注意力机制CBAM,提升算法精度,引入Slim—Neck设计范式,使用GSConv轻量级卷积模块替换传统卷积模块(SC),使用基于GSConv设计的VoV—GSCSP模块替换C2f模块,进而减轻模型负担,同时保持准确性。改进YOLOv8s的模型内存占用量为21.3 MB,比YOLOv8s的占用量小1.3 MB,检测速度FPS、精确率P、召回率R、平均精度均值mAP分别提升39.57%、5.68%、7.74%、3.33%。改进YOLOv8s可在保证网络模型轻量化和精度的同时对奶牛面部识别,具有较好的鲁棒性,能够实现复杂环境下养殖场的奶牛面部个体识别。
-
关键词
奶牛养殖
牛脸识别
yolov8s算法
轻量化
注意力机制
-
Keywords
dairy cow breeding
cow face recognition
yolov8s algorithm
lightweight
attention mechanism
-
分类号
S823
[农业科学—畜牧学]
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名改进的YOLOv8s摔倒检测算法研究
- 2
-
-
作者
朱强军
程靓靓
汪慧兰
王杨
-
机构
芜湖学院大数据与人工智能系
安徽师范大学物理与电子信息学院
安徽师范大学计算机与信息学院
-
出处
《电子测量技术》
北大核心
2024年第19期190-196,共7页
-
基金
安徽省高校自然科学研究重点项目(2023AH052459)
安徽师范大学皖江学院重点自然科研项目(WJKYZD-202301)
+1 种基金
安徽省高等学校省级质量工程项目(2022sx052)
安徽师范大学皖江学院教学质量工程项目(WJXGK-202201)资助。
-
文摘
为了能够准确的识别老人摔倒姿态,提出了一种改进的YOLOv8s摔倒检测模型。首先,在YOLOv8s模型的主干网络中引入SE注意力机制模块,将通道特征分成多个子图特征,让不同组的特征进行融合,使网络自适应地聚焦于关键特征,抑制对当前任务贡献度较小的特征,提高了特征提取能力;其次,用EIoU替换CIoU损失函数,加快收敛速度,提高了模型的精确率和稳定性;最后,将训练好的模型在URFD+等数据集上验证。实验结果表明,该模型精确率达到了99.50%,召回率达到了99.00%,mAP50达到了99.50%,比原模型的性能全面提升。与YOLOv5s+K-means++模型比较,精确率提升了3.22%,召回率提升了5.32%,mAP50提升了2.38%;与C2D-YOLO模型比较,精确率提升了10.00%,召回率提升了11.40%,mAP50提升了7.80%;与YOLOv5s+C3new模型比较,精确率提升了2.50%,召回率提升了6.80%,mAP50提升了4.1%。改进后模型较原模型和目前先进模型有较大的优势。
-
关键词
摔倒检测
yolov8s算法
EIoU损失函数
sE注意力机制
-
Keywords
fall detection
yolov8s algorithm
EIoU loss function
sE attention mechanism
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
TN911.7
[电子电信—通信与信息系统]
-
-
题名基于多尺度注意力机制的无人机小目标检测算法
被引量：1
- 3
-
-
作者
冯迎宾
郭枭尊
晏佳华
-
机构
沈阳理工大学自动化与电气工程学院
-
出处
《兵工学报》
北大核心
2025年第1期12-21,共10页
-
基金
辽宁省教育厅高校基础科研项目(LJKMZ20220614)
辽宁省属本科高校基本科研业务费专项项目(SYLUGXRC44)。
-
文摘
针对无人机航拍图像密集度大、目标尺寸小、背景复杂等难点,提出一种基于多尺度注意力机制的小目标检测(Small target detection of BPAN-EF_C2f YOLOv8s,SBE_YOLOv8s)算法,通过设计一种基于多尺度注意力机制的特征提取模块(EMA-Faster Block_C2f,EF_C2f),替换YOLOv8网络中的C2f模块,提高网络对小目标特征的提取能力;在特征融合网络中增加P1检测层,并设计一种跨尺度特征融合结构(Bi-Path Aggregation Network,BPAN),融合小目标特征信息;增加一个微小目标检测头,使用SIoU Loss作为边界框损失函数,提升小目标检测精度和网络收敛速度。在公开数据集VisDrone2019上进行实验验证。验证结果表明:与YOLOv8s算法相比,新算法在检测精度上提升了6.9%、mAP50提升了9.1%,模型参数量减少了44.6%,检测速度为28帧/s,新算法在小目标检测领域具有一定的实用性。
-
关键词
多尺度注意力机制
yolov8s算法
特征提取
跨尺度特征融合
小目标检测
-
Keywords
multi-scale attention mechanism
yolov8s algorithm
feature extraction
cross-scale feature fusion
small target detection
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
