摘 要: | 猪只检测对其后续的个体识别及行为识别有着重要的支撑作用。然而现阶段关于猪只检测的研究较少且没有达到理想的检测结果。另一方面,在猪只养殖中,杂物的遮挡、猪的重叠等给生猪检测带来了较大的困难。为克服上述困难同时获得较好的生猪检测性能,本文进行了生猪检测模型及数据集构建方式的研究,探讨了不同YOLO模型及不同数据集构建方式对猪只检测性能的影响。以圈养猪为研究对象、以监控视频为数据源开展了一系列研究。首先,对比了YOLOv2、YOLOv3及YOLOv4不同模型下生猪的检测性能,旨在探索最优的生猪检测模型。通过实验发现,YOLOv4具有最好的生猪检测性能。其次,构建了规模为4000张、8000张、12000张图像的数据集及不同视角的生猪检测数据集,探讨不同规模和不同视角数据集对生猪检测精度的影响。通过实验得出,规模为12000张的数据集精度最高,平均检测精度为82.21%;侧视和俯视视角数据集的平均检测精度分别为90.68%和77.91%。最后,构建了图片包含不同猪只个数的检测数据集,分别为少目标和多目标数据集。实验得出,少目标和多目标数据集的生猪检测精度分别为79.14%和94.25%。以上实验结果表明,YOLOv4模型具有最好的检测性能;且数据集规模越大,结果越好;同时构建数据集时应尽量挑选单张图片中目标个数多的样本。
|