基于SimCC-ShuffleNetV2的轻量化奶牛关键点检测方法

针对现有深度学习技术在奶牛关键点检测研究中尚存在网络复杂度高、检测速度慢等问题,提出了一种轻量化奶牛关键点检测模型SimCC-ShuffleNetV2。在模型中,主干网络采用ShuffleNetV2用于特征提取,有利于实现网络的轻量化;检测头采用SimCC用于关键点位置预测,SimCC采取坐标分类的方法使得检测更加简单高效。为了验证模型的性能,本研究设计了奶牛的关键点及骨架结构,并标注了3600幅图像用于模型的训练与测试。试验结果表明,SimCC-ShuffleNetV2模型的AP50:95为88.07%,浮点运算量为1.5×10^(8),参数量为1.31×10^(6),检测速度为10.87 f/s,可以实现奶牛关键点的精确与高效检测。与基于回归的DeepPose网络、基于热力图的HRNet网络进行了对比试验,结果表明SimCC-ShuffleNetV2取得了精度与速度的良好平衡。同时,本研究通过更换不同主干与不同检测头的方式,对比验证了不同模块对模型性能影响,本研究所提出的模型在所有试验中均取得了最佳结果,表明ShuffleNetV2与SimCC的组合具备良好的关键点检测性能。为了验证模型的有效性,将模型应用于4种动作视频中提取骨架序列并将其送入ST-GCN网络以实现不同动作的分类,其分类准确率为84.56%,表明本研究提出的SimCC-ShuffleNetV2模型是良好的关键点提取器,可为奶牛行为识别等任务提供关键信息支撑。