基于改进TransformerCNN的轻量化笼养鸡发声识别模型

摘要

为解决传统笼养鸡发声检测难度高、实时性差等问题，本研究提出一种基于轻量化TransformerCNN的鸡只发声检测模型。首先，通过引入EfficientViT轻量网络，替换传统骨干网络，减少参数量和计算复杂度，从而提升检测模型的实时性；其次，将ReLU替换为Hardswish激活函数，在不增加额外的权重和偏置参数的前提下，提升模型的识别准确率；最后，采用线性自注意力机制替代传统的Softmax操作，进一步增强了模型对鸡只发声特征的捕捉能力，提高检测的鲁棒性。结果表明：1）相较于基础的TransformerCNN模型，引入EfficientViT、线性自注意力和Hardswish激活函数后，模型精确度略有下降，但在推理速度、计算复杂度和实时性方面表现更佳。2）与其他轻量化骨干网络相比，EfficientViT在推理速度、计算量和模型存储需求上具有明显优势，适用于实时分类任务。3）与主流分类模型对比，TC+EfficientViT在检测精度、实时性和模型体积方面均有优势，满足高效、实时的部署需求。综上，在智能福利化养殖环境中，通过无接触式检测鸡只发声，能够建立笼养鸡群体发声数据库，为进一步分析鸡只健康状况提供关键数据。

关键词

笼养鸡 / 发声识别 / 轻量化模型 / 实时检测 / EfficientViT

基金资助

江苏省科技项目(BE2022379)