基于深度学习的奶牛乳头检测方法研究

摘要

为提高奶牛乳头目标检测的精度和速度，在YOLOv5算法中引入卷积注意力机制（Convolutional Block Attention Module,CBAM）和轻量级卷积模块（Ghost module），提出一种改进的CG-YOLOv5目标识别算法。改进的方法：首先，引入CBAM注意力机制，用于学习和提取奶牛乳头目标图像相关特征；其次，通过Ghost模块轻量化C3骨干网络，减少参数和计算量；最后，采用EIoU(Efficient iou)损失函数替换CIoU(Complete iou)的方法，以提高模型的回归精度和收敛速度。试验结果表明：改进的CG-YOLOv5目标识别算法在奶牛乳头数据集上表现出色，平均检测精度达到92%，检查帧率达到33.6，相较于原YOLOv5算法分别提高4%和16%。该算法在检测精度和速度上均优于原YOLOv5算法，验证了提出的CG-YOLOv5算法在奶牛乳头实时检测等场景的适用性。

关键词

YOLOv5 / 奶牛乳头数据集 / CBAM注意力机制 / Ghost模块 / EIoU损失函数

基金资助

安徽省自然科学基金项目（2208085MF169）; 安徽省高校协同创新项目（GXXT-2019-018）