基于改进ConvNeXt模型的黄羽鸡表皮层黑色素智能分级方法

• Published in: 农业工程学报 Vol. 40; no. 3; pp. 165 - 174
• Main Authors: 肖德琴, 陈芳玲, 刘又夫, 谢青梅, 张新珩
• Format: Journal Article
• Language: Chinese
• Published: 华南农业大学农业农村部华南热带智慧农业技术重点实验室,广州 510642 01.02.2024; 华南农业大学数学与信息学院,广州 510642%华南农业大学动物科学学院,广州 510642
• Subjects: 注意力机制; quality grading; attention mechanism; polarised light; yellow feather broilers; 模型; 深度学习; 品质分级; 黄羽鸡; 偏振光; deep learning; model; ConvNeXt
• ISSN: 1002-6819
• DOI: 10.11975/j.issn.1002-6819.202310116

S126; 为解决活体黄羽鸡表皮层黑色素分级方法成本高、效率低下、分级环境易受环境光干扰等问题,该研究探索一种基于ConvNeXt模型的黄羽鸡表皮层黑色素智能分级方法ConvNeXt-WPCA,用于实现活体黄羽鸡表皮层黑色素智能分级.ConvNeXt-WPCA模型通过以下 3点改进提高模型对黄羽鸡黑色素的识别效果:1)针对黄羽鸡黑色素图像RGB三通道内黑色素信息分布不均衡问题,改变输入图片通道权重来增强模型对黑色素特征的提取能力;2)使用部分卷积代替深度可分离卷积,减少模型计算量和内存访问次数提高对计算资源的利用率;3)引入坐标注意力机制,引导模型关注黄羽鸡胸腹部及肛门附近皮肤提升模型精度.同时,该研究还设计一种双光源图像获取装置,分别在自然光和偏振光条件下拍摄黄羽鸡样本,以减小分级结果受环境光干扰的影响,并探索偏振光在黑色素分级任务中的应用潜力.结果表明ConvNeXt-WPCA模型相较标准ConvNeXt模型,针对自然光下黄羽鸡黑色素图像数据集分级准确率提升 9.68个百分点,最终达到 89.03%的识别准确率,针对偏振光下黄羽鸡黑色素图像数据集分级准确率提升 15.26个百分点,最终达到 98.87%的识别准确率.该研究证实基于偏振光条件获取的黄羽鸡表皮层黑色素图像分级效果优于自然光条件,提出的ConvNeXt-WPCA黄羽鸡表皮层黑色素分级方法识别准确率高,同时模型参数量及浮点计算量均有降低,为黄羽鸡表皮层黑色素智能分级实际应用提供了理论基础及技术支持.