采用改进RetinaNet的笼养肉鸽繁育期个体检测模型

作     者：刘双印 范文婷 邓皓 何国煌 陈耀聪 周冰 李锦慧 冯大春 吴惠粦 李景彬 尹航 Liu Shuangyin;Fan Wenting;Deng Hao;He Guohuang;Chen Yaocong;Zhou Bing;Li Jinhui;Feng Dachun;Wu Huilin;Li Jingbin;Yin Hang

作者机构：仲恺农业工程学院广州市农产品质量安全溯源信息技术重点实验室广州510225 石河子大学机械电气工程学院石河子832000 仲恺农业工程学院信息科学与技术学院广州510225 仲恺农业工程学院智慧农业创新研究院广州510225 广州国家现代农业产业科技创新中心广州510000 

基　　金：国家自然科学基金项目(61871475) 广东省自然科学基金项目(2021A1515011605) 广州市创新平台建设计划实验室建设专项项目(201905010006) 广州市重点研发计划项目(202103000033) 广东省科技兴农项目(2021KJ383,2021KJ138) 广东省普通高校创新团队项目(2021KCXTD019) 广东省科技计划项目(2020A1414050060) 现代农业机械兵团重点试验室开放课题(BTNJ2021002) 

出 版 物：《农业工程学报》 (Transactions of the Chinese Society of Agricultural Engineering)

年 卷 期：2022年第38卷第13期

页      码：184-193页

摘      要：实现繁育期精准个体检测是提高集约养殖环境下肉鸽繁育效率和精准管控效果的有效手段,其中小目标鸽蛋及粘连乳鸽的精准检测是关键。该研究提出了一种基于改进RetinaNet的目标检测模型,以RetinaNet网络为基础框架,将ResNet50特征提取网络与特征金字塔网络(FeaturePyramidNetworks,FPN)结合,增加特征金字塔网络中特征检测尺度,提升对图像中遮挡鸽蛋与粘连乳鸽的检测精度;在分类和回归子网络前引入卷积注意力模块(ConvolutionalBlock Attention Module,CBAM),提升对小目标检测的精度。试验结果表明,该研究提出的模型对于笼养肉鸽个体检测的平均精度均值(mean Average Precision,m AP)达到80.89%,相对SSD等传统模型有明显提升;对成鸽、乳鸽与鸽蛋检测的平均精度(Average Precision,AP)分别为95.88%,79.51%和67.29%,相对原始RetinaNet模型提高了2.16、21.74和22.48个百分点,在保证成鸽精准检测的基础上,提升了对复杂环境下存在局部遮挡的小目标鸽蛋以及粘连乳鸽的检测精度,为实现集约化养殖环境下肉鸽繁育周期个体检测和精准管控提供有效支持。

主 题 词：图像识别 养殖 小目标检测 鸽蛋 粘连乳鸽 RetinaNet模型 特征金字塔网络 卷积注意力模块 

学科分类：081203[081203] 08[工学] 0835[0835] 0812[工学-测绘类] 

核心收录：

D　O　I：10.11975/j.issn.1002-6819.2022.13.021

馆 藏 号：203114465...