基于改进YOLO v4的肉鸽行为检测模型研究

肉鸽行为表现与鸽舍环境舒适度和肉鸽健康状况密切相关。为实现肉鸽行为精准检测、及时掌握肉鸽健康状况,提出了基于改进YOLO v4模型的肉鸽行为检测方法。由于肉鸽社交等行为特征相似性程度高,为了在复杂环境下准确识别肉鸽行为,本文采用自适应空间特征融合(Adaptively spatial feature fusion,ASFF)模块改进YOLO v4模型,在特征金字塔网络中增加ASFF模块,根据特征权值自适应融合多层特征,充分利用不同尺度特征信息,并且ASFF模块能有效过滤空间冲突信息、抑制反向梯度不一致问题、改善特征比例不变性以及降低推理开销。基于多时段的肉鸽清洁和社交行为数据集,自制5类肉鸽行为图像数据库,采用OpenCV工具进行模糊、亮度、水雾和噪声等处理扩充图像数据集(共10320幅图像),增加数据多样性和模拟不同识别场景,提升模型泛化能力。本文按照比例8∶2划分训练集和验证集,训练总共迭代300个周期,对不同时段、角度、尺寸的肉鸽数据集进行检测。检测结果表明,在阈值0.50和0.75时YOLO v4 ASFF检测精度比YOLO v4的mAP50和mAP75提高14.73、14.97个百分点。对比Faster R CNN、SSD、YOLO v3、YOLO v5和CenterNet模型验证本文模型检测性能,在测试集中mAP50分别提高13.98、14.00、18.63、14.16、10.87个百分点。视频检测速度为8.1 f/s,在推理速度相当情况下,本文改进模型识别准确率更高,复杂环境泛化能力更强,且对相似度高的行为误检和漏检情况更少,可为智能化肉鸽养殖和科学管理提供技术参考。