基于改进YOLO v10的牛只种类与行为识别

摘要

【目的】实现精准养殖中牛只活动状态的实时监控，助力养殖户及时识别牛只异常行为，并为牛只的饲料分配、疾病监测及繁殖管理提供支持。【方法】本研究将YOLO v10模型改进为LDCM-YOLO v10n，并基于此对牛只种类及行为进行检测。具体改进如下：首先，在YOLO v10的Backbone端采用C2f-LSKA结构，以增强模型的特征提取能力；其次，引入DySample上采样算子，旨在有效捕捉图像的细微变化与密集语义信息，规避传统上采样方法中存在的图像模糊及感受野受限问题；同时，将YOLO v10中的PSA替换为CloFormer注意力机制，从而更精准地区分牛只特征与背景噪声，并提升小目标识别精度；此外，加入多尺度空洞注意力机制(Multiscale dilated attention mechanism, MSDA)，以增强感受野范围内各尺度的聚合语义信息，同时有效减少自注意力机制的冗余；最后，采用Inner-IoU损失函数，解决普通IoU损失函数无法根据目标尺度灵活调整损失计算的问题。【结果】在牛只行为数据集上，LDCM-YOLO v10n模型的mAP@0.50较YOLO v3、YOLO v5、YOLO v6、YOLO v8n、YOLO v9及YOLO v10n模型分别提升15.4、10.7、12.0、8.4、7.9和5.1个百分点；在牛只种类数据集上，LDCM-YOLO v10n模型的mAP@0.50较上述模型分别提升32.4、11.9、10.4、9.5、9.0和6.4个百分点。【结论】LDCM-YOLO v10n模型在牛只行为与种类检测中表现优异，为精准养殖提供了强有力的技术支撑。

关键词

卷积神经网络 / 牛 / 图像识别 / YOLO v10模型 / 人工智能