改进YOLO5Face的小鼠行为实时分析方法研究

传统的动物行为分析方法大部分是采取离线的形式,不能做到实时分析。为了解决此问题,本文提出了一种改进YOLO5Face的小鼠行为实时分析方法。本方法分为两个步骤:首先是小鼠关键点实时检测,然后是小鼠行为实时识别。针对小鼠关键点实时检测,在深度学习网络YOLO5Face的基础上改进:新增了一个更小的检测头来检测更小尺度的物体;主干网络中加入YOLOv8的C2f模块,让模型获得了更加丰富的梯度流信息,大大缩短了训练时间,提高了关键点检测精度;引入GSConv和Slim-neck,减轻模型的复杂度同时提升精度。结果表明:模型对鼻尖、左耳、右耳、尾基关键点检测的平均PCK指标达到了97.5%,推理速度为79 f/s,精度和实时帧率均高于DeepLabCut模型的性能。针对小鼠行为实时识别:利用上述改进的关键点检测模型获得小鼠关键点坐标,再将体态特征与运动特征相结合构造行为识别数据集,使用机器学习方法SVM进行行为分类。模型对梳洗、直立、静止、行走四种基本行为的平均识别准确率达到了91.93%。将关键点检测代码与行为识别代码拼接,整个代码运行的实时帧率可以达到35 f/s。

基于YOLO5Face在火车站口罩佩戴的检测系统

近年深度学习[4]的不断发展,但对于被遮挡的人脸检测仍是一个重大难题,在公共场所,对于佩戴口罩的人们的人脸检测更具有挑战性。面对这一难题,我们使用了YOLO5Face算法,一个基于YOLOv5最新的人脸检测算法,这个算法的优点便是无论大脸还是小脸,全脸还是半遮脸,大设备还是嵌入式设备,都有着很好的性能。