基于自适应注意力机制的复杂场景下牛脸检测算法

• Published in: 农业工程学报 Vol. 39; no. 14; pp. 173 - 183
• Main Authors: 齐咏生, 焦杰, 鲍腾飞, 王朝霞, 杜晓旭
• Format: Journal Article
• Language: Chinese
• Published: 内蒙古工业大学电力学院,呼和浩特 010051 01.07.2023; 大规模储能技术教育部工程研究中心,呼和浩特 010080
• Subjects: 算法; complex scenes; adaptive attention mechanism; 机器视觉; 复杂场景; 牛脸检测; cattle face detection; 自适应注意力机制; YOLOV7-tiny; machine vision; algorithm
• ISSN: 1002-6819
• DOI: 10.11975/j.issn.1002-6819.202304218

TP391.4; 牛面部检测与识别是牛场智能化养殖的关键,但由于牧场养殖环境的复杂性,牛脸检测会受到模糊、逆光和遮挡3种常见环境因素的严重干扰.针对此问题,该研究提出一种复杂场景下基于自适应注意力机制的牛脸检测算法,该算法首先针对 3种干扰因素分别设计了评价指标,并将 3种不同类型的评价指标通过模糊隶属度函数进行归一化,并确定自适应权重系数,真实反映目标所处场景的复杂性;之后,基于YOLOV7-tiny在主干特征提取网络引入一种注意力机制CDAA(composite dual-branch adaptive attention),设计通道和空间注意力并行结构,并融合自适应权重系数,有效加强相应注意力分支的权重,提高网络在复杂场景下的特征提取能力,解决复杂场景下网络检测精度差的问题;最后,将图像场景评价指标引入损失函数,对大尺度网格损失函数的权重进行自适应调整,使网络在训练过程中更专注于数量较多的小型目标,从而提升网络整体的检测精度.为检测算法的有效性和实时性,在特定数据集上进行消融试验,并与多种经典检测算法进行对比,并移植至Jetson Xavier NX平台测试.测试结果表明,该算法检测精度达到 89.58%,相较于原YOLOV7-tiny网络,牛脸检测精度提高了7.34个百分点.检测速度达到62帧/s,在检测速度几乎不损失的条件下,检测效果优于原网络与对比网络.研究结果可为复杂场景下的牛脸高效检测提供参考.