Reconocimiento facial de cabras en entornos naturales utilizando el algoritmo YOLOv4 mejorado
Autores: Zhang, Fu; Wang, Shunqing; Cui, Xiahua; Wang, Xinyue; Cao, Weihua; Yu, Huang; Fu, Sanling; Pan, Xiaoqing
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Reconocimiento facial de cabras en entornos naturales utilizando el algoritmo YOLOv4 mejorado
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Ciencias Agrícolas y Biológicas Generales
Palabras clave
Reconocimiento facial de cabras
Modelo YOLOv4
Cabras lecheras
Precisión de detección
Velocidad
Rasgos faciales
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 31
Citaciones: Sin citaciones
Dada la baja precisión y la lentitud en el reconocimiento de caras de cabras en entornos reales de cría, las cabras lecheras fueron tomadas como objetos de investigación y los fotogramas de video fueron utilizados como fuentes de datos. Se propuso un modelo de reconocimiento de caras de cabras YOLOv4 mejorado para mejorar la precisión de detección; la red principal original fue reemplazada por una red de extracción de características GhostNet liviana. La red piramidal del modelo se mejoró a un mecanismo de gestión de canales con una estructura piramidal espacial. La red de agregación de caminos del modelo se mejoró a una red de fusión con estructura residual en forma de doble parámetro, con el fin de mejorar la capacidad del modelo para detectar características detalladas y distinguir diferencias entre caras similares. Se adoptó el método de carga de pesos de preentrenamiento de transfer learning, y la velocidad de detección, el peso del modelo y la precisión media promedio (mAP) se utilizaron como los principales indicadores de evaluación del modelo de red. Se aumentaron un total de 2522 imágenes de 30 cabras lecheras, y el conjunto de entrenamiento, el conjunto de validación y el conjunto de pruebas se dividieron según 7:1:2. Los resultados de prueba del modelo YOLOv4 mejorado mostraron que el mAP alcanzó el 96.7%, y la velocidad de cuadros promedio alcanzó los 28 cuadros/s en la detección de caras frontales. En comparación con el YOLOv4 tradicional, el mAP mejoró en un 2.1%, y la velocidad de cuadros promedio mejoró en 2 cuadros/s. El nuevo modelo puede extraer efectivamente las características faciales de las cabras lecheras, lo que mejora la precisión y velocidad de detección. En cuanto a la detección de caras de perfil, la precisión de detección promedio de la red de reconocimiento de caras de cabras YOLOv4 mejorada puede llegar al 78%. En comparación con el modelo YOLOv4 tradicional, el mAP aumentó en un 7%, lo que demostró efectivamente la precisión mejorada de reconocimiento de perfil del modelo. Además, el modelo mejorado es propicio para mejorar la precisión de reconocimiento de las poses faciales de las cabras desde diferentes ángulos, y proporciona una base técnica y una referencia para establecer un modelo de reconocimiento de caras de cabras en situaciones complejas.
Descripción
Dada la baja precisión y la lentitud en el reconocimiento de caras de cabras en entornos reales de cría, las cabras lecheras fueron tomadas como objetos de investigación y los fotogramas de video fueron utilizados como fuentes de datos. Se propuso un modelo de reconocimiento de caras de cabras YOLOv4 mejorado para mejorar la precisión de detección; la red principal original fue reemplazada por una red de extracción de características GhostNet liviana. La red piramidal del modelo se mejoró a un mecanismo de gestión de canales con una estructura piramidal espacial. La red de agregación de caminos del modelo se mejoró a una red de fusión con estructura residual en forma de doble parámetro, con el fin de mejorar la capacidad del modelo para detectar características detalladas y distinguir diferencias entre caras similares. Se adoptó el método de carga de pesos de preentrenamiento de transfer learning, y la velocidad de detección, el peso del modelo y la precisión media promedio (mAP) se utilizaron como los principales indicadores de evaluación del modelo de red. Se aumentaron un total de 2522 imágenes de 30 cabras lecheras, y el conjunto de entrenamiento, el conjunto de validación y el conjunto de pruebas se dividieron según 7:1:2. Los resultados de prueba del modelo YOLOv4 mejorado mostraron que el mAP alcanzó el 96.7%, y la velocidad de cuadros promedio alcanzó los 28 cuadros/s en la detección de caras frontales. En comparación con el YOLOv4 tradicional, el mAP mejoró en un 2.1%, y la velocidad de cuadros promedio mejoró en 2 cuadros/s. El nuevo modelo puede extraer efectivamente las características faciales de las cabras lecheras, lo que mejora la precisión y velocidad de detección. En cuanto a la detección de caras de perfil, la precisión de detección promedio de la red de reconocimiento de caras de cabras YOLOv4 mejorada puede llegar al 78%. En comparación con el modelo YOLOv4 tradicional, el mAP aumentó en un 7%, lo que demostró efectivamente la precisión mejorada de reconocimiento de perfil del modelo. Además, el modelo mejorado es propicio para mejorar la precisión de reconocimiento de las poses faciales de las cabras desde diferentes ángulos, y proporciona una base técnica y una referencia para establecer un modelo de reconocimiento de caras de cabras en situaciones complejas.