《农业工程学报》2024年第40卷第15期刊载了河北农业大学等单位付辰伏、任力生与王芳的论文——“自动化场景区分下FABF-YOLOv8s轻量化肉牛行为识别方法”。该研究由河北省省级科技计划项目（项目号：19220119D）资助。
引文信息：付辰伏，任力生，王芳. 自动化场景区分下FABF-YOLOv8s轻量化肉牛行为识别方法[J]. 农业工程学报，2024，40(15)：152-163.
DOI: 10.11975/j.issn.1002-6819.202404073
研究目的与方法：
针对现有目标检测模型在自然天气环境下肉牛行为识别易受复杂背景干扰及模型参数量、计算量、权重文件占用内存较大等问题，该研究提出基于自动化场景区分的轻量化肉牛多行为识别方法。
首先，通过FasterNet模型自动区分天气场景。其次，对YOLOv8s网络进行轻量化设计改进，在Backbone端更换FasterNet 轻量级模型主干，结合尺度内特征交互AIFI，捕获重要特征信息；利用加权双向特征金字塔BiFPN作为Neck端网络，选择特征提取网络C2f-Faster作为节点，缩减卷积过程中参数量和计算量的同时提高模型精度，使其更适用肉牛行为识别及后期的部署。然后，使用MPDIoU 函数，解决肉牛交叉遮挡等局限性问题。最后，设计系统可视化界面，以图像和视频形式输入模型，借助可视化系统完成对肉牛行为识别效果展示。
结果与结论：
试验结果表明，FABF-YOLOv8s（FasterNet、AIFI、BiFPN、C2f-Faster，FABF）模型在肉牛行为数据集上，相较于YOLOv5s、YOLOv7和原YOLOv8s模型的mAP@0.5分别提升了1.1、4.7、0.4个百分点，参数量和浮点数计算量分别减少59.48%和43.66%，降低到4.51 M和16.0 GFLOPs。引入自然场景因素构建的FasterNet-FABF-YOLOv8s模型mAP@0.5达到了94.6%。研究表明，自动化场景区分下构建轻量化肉牛行为识别系统，可为农户监测肉牛健康状况以及自动化智慧养殖提供技术支持。
本文由丨《农业工程学报》编辑部丨精编发布
欢迎留言、分享、点赞
转载、投稿、咨询
邮箱：tcsae@tcsae.org
发布征集
欢迎广大作者、读者投稿至我刊公众号，包括但不限于创新科研成果、科技写作技巧、书籍推介、优秀科技工作者介绍、科研团队招聘/招生、行业资讯以及相关活动等农业工程领域信息。
公众号文章投稿邮箱：abe-newmedia@tcsae.org
»» 点击 阅读原文 免费获取全文
