基于深度学习的家蚕计数与体长测量研究

摘要

家蚕计数与体长测量是在家蚕养殖过程中的必要环节，传统家蚕计数及体长测量方法主要人工完成，易受主观因素影响，较难实现对家蚕数量和家蚕体长的快速、准确监控。本文使用深度学习的方法实现了家蚕计数及家蚕体长测量，以饲料育家蚕为研究对象，构建了家蚕关键点检测数据集，提出了YOLOv8-Pose-GE算法。该算法在YOLOv8Pose的Backbone部分加入GAM注意力机制，可以放大全局交互，进行多层感知器的3D排列，提高模型特征提取能力的同时减少信息损失；在Neck部分添加ECA注意力机制，具有实现全局空间信息聚合的部分和进行跨通道交互进行建模的部分，可以提升模型对重要特征的感知能力，使模型更好的处理提取家蚕关键点特征。YOLOv8-Pose-GE的mAP、P和R分别为94.7%、95.31%和87.98%，均优于其他常用的关键点检测算法。该算法同时兼顾了速度，其FPS达到37.61 s^-1。本方法可以依靠YOLOv8-Pose-EG的head部分输出的坐标来对家蚕及家蚕关键点位置进行定位，并按顺序依次用直线连接家蚕关键点，由连线长度得到家蚕体长，同时实现家蚕计数。本文对家蚕拍摄录像中随机截取10帧图片进行计数实验，其MAE＿L、MRE＿L和MSD＿L由分别为1.6头、3.6%和2.1头，说明模型具有较高的准确性的同时具有较高的稳定性。本文对40头家蚕（1-5龄家蚕中各随机取8头）进行测量实验，由结果分析得，该算法具有家蚕龄期越高，测量效果越好的特点，尤其5龄，MAE＿L、MRE＿L、MSD＿L和PCC分别为12.29 px、1.87%、4.15px和0.977，总体误差较小。该算法满足家蚕计数及体长测量的需要，为提高家蚕养殖的质量，加强家蚕品种选育提供技术支持。

关键词

家蚕 / 深度学习 / 计数 / 体长 / 关键点检测