基于改进YOLOv5的病死猪猪头的识别及三维定位方法

【目的】旨在为病死猪搬运机器人提供抓取目标,提出一种基于改进YOLOv5的病死猪猪头的识别及三维定位方法。【方法】将YOLOv5目标检测算法主干特征提取网络(backbone)替换成轻量化特征提取网络MobileNetV2,降低所得训练权重参数大小;在主干特征提取网络中引入CBAM注意力机制来提高对病死猪猪头的关注度;使用RealsenseD435深度相机获取目标图像,建立针对病死猪猪头的三维空间坐标的成像模型;并设计对比试验与定位试验对其进行验证。【结果】相较于YOLOv5特征提取网络,轻量化处理主干网络能使权重文件大小从13.7 MB下降到5.9 MB,降幅达到56%;CBAM注意力机制的引入使算法单张图片的检测速度从17.9 ms下降到11.6 ms,减少6.3 ms;RealsenseD435深度相机构造的三维定位模型在X,Y,Z轴方向上的平均误差分别为0.021,0.023,0.042 m,均小于0.05 m。【结论】改进的YOLOv5目标检测模型能有效降低权值文件大小,提高检测速率。RealsenseD435深度相机构建的三维定位模型能够准确定位到病死猪头部,并计算出其三维空间坐标。所以基于改进YOLOv5的病死猪猪头的识别及三维定位方法,满足病死猪搬运机器人的识别定位要求。

基于YOLOv3的病死猪猪头的识别方法

【目的】为在养殖场实现非接触对病死、死因不明或染疫猪猪头进行目标检测。【方法】课题组提出了一种基于YOLOv3的病死猪猪头的识别方法,将采集的病死猪图片通过处理制成数据集,并按一定比例分成训练验证集与测试集,通过YOLOv3模型训练,得到预训练权重参数,用评价指标对模型检测效果进行评估,从而获得最优模型的训练测试比。【结果】在训练测试比为8∶2时,YOLOv3算法模型对病死猪猪头的识别平均精度值达91.74%,准确率达95.56%,召回率达89.58%,满足目标检测精度要求,且该模型的平均准确率、准确率、召回率均高于SSD和Faster R-CNN算法模型。【结论】YOLOv3算法模型有助于在对病死猪进行无害化处理时,为机械手提供抓取目标,实现处理设备的智能化、无人化发展。