基于GSD-YOLO的复杂场景仔猪检测和计数方法

文献类型： 中文期刊

第一作者： 曾志雄

作者： 曾志雄;黄迎辉;林锴;罗毅智;吴灶铭;吕恩利

作者机构：

关键词： 仔猪计数;目标检测;YOLO v8n;轻量化;重度遮挡

期刊名称： 农业机械学报

ISSN： 1000-1298

年卷期： 2025 年 56 卷 006 期

页码： 247-257

收录情况： EI ; 北大核心 ; CSCD

摘要： 哺乳期仔猪因体型小、生性好动、易被遮挡且聚集重叠，人工盘点效率低且易出错。现有方法在复杂猪场环境和频繁遮挡下难以平衡检测准确率与资源受限部署需求，增加了漏检和误检风险。为此，本文提出了一种基于YOLO v8n的轻量化仔猪检测模型GSD-YOLO。模型通过引入柔性非极大值抑制边界框交并操作和Inner-MPDIoU损失函数，优化边界框回归以降低误检和漏检率；并嵌入坐标注意力机制(Coordinate attention for efficient mobile network design, CA),增强了目标区域的特征表达能力，有效解决长程依赖问题。为实现嵌入式设备的高效部署，模型引入GhostNet模块优化特征提取和融合，减少通道间特征冗余的同时降低模型参数量。模型重构了一种轻量化的检测头Detect＿DG,在模型体积缩减18.48%的同时，进一步提升了检测精度。与YOLO v8n相比，GSD-YOLO的F1分数和平均精度分别提升1.0、0.6个百分点，参数量降低61.28%,帧率提高12.5%。GSD-YOLO在综合检测性能上优于YOLO v11等4种主流模型。结果表明，该模型在不同遮挡、重叠和光照下检测仔猪目标的准确率更优，且模型内存占有量较小，仅有2.6 MB。将GSD-YOLO部署到边缘计算设备Jetson Orin NX和安卓(Android)移动端，为实际应用中的仔猪检测提供了有效的技术支撑。

分类号： TP391.41%S828

  • 相关文献

[1]基于改进YOLO v8的轻量化稻瘟病孢子检测方法. 罗斌,李家超,周亚男,潘大宇,黄硕. 2024

[2]基于RT-WEDT的麦穗检测与计数方法. 李婕,杨子豪,郑权,乔江伟,涂静敏. 2024

[3]MDSD-YOLO:一种复杂道路场景目标检测方法. 赵龙阳,李天豪,张会兵,刘琦,孟瑞敏. 2025

[4]一种剑麻装载机的轻量化设计与应用. 陈涛,金刚,覃旭,黄显雅,彭欣怡,刘明,吴密,周肇峰. 2021

[5]基于轻量化卷积神经网络的改进模型与验证. 李润龙,王运圣,徐识溥,刘勇. 2020

[6]改进Multi-scale ResNet的蔬菜叶部病害识别. 王春山,周冀,吴华瑞,滕桂法,赵春江,李久熙. 2020

[7]喷雾机喷杆结构的研究现状及展望. 乔白羽,丁素明,薛新宇,崔龙飞,周晴晴,张亚萍. 2017

[8]基于LW-YOLOv3模型的棉花主茎生长点检测与定位研究. 孙想,吴华瑞,朱华吉,杨雨森,陈诚,何思琪,王春山. 2021

[9]电驱自走式农机测试平台的设计. 余涛,刘俊杰,杨存志,叶岩,孙先明,李国林. 2021

[10]轻型拖车车架设计和静动力学仿真研究. 石凯飞. 2022

[11]基于RDN-YOLO的自然环境下水稻病害识别模型研究. 廖娟,刘凯旋,杨玉青,严从宽,张爱芳,朱德泉. 2024

[12]基于改进YOLOv4算法的番茄叶部病害识别方法. 储鑫,李祥,罗斌,王晓冬,黄硕. 2023

[13]基于改进YOLO v5s的轻量化植物识别模型研究. 马宏兴,董凯兵,王英菲,魏淑花,黄文广,苟建平. 2023

[14]基于 YOLOV5-MobilenetV3和声呐图像的鱼类识别轻量化模型. 罗毅智,陆华忠,周星星,袁余,齐海军,李斌,刘志昌. 2023

[15]基于边缘设备的轻量化小目标果实检测模型. 张文利,陈开臻,刘鈺昕,段玉林,郭威,史云. 2021

[16]果园凿型铲式深松机优化设计与试验. 李亚丽,曹中华,湛小梅,杨清慧,崔晋波,李英. 2021

[17]融合注意力机制的荔枝轻量化检测方法研究. 王聪,文晟,兰玉彬,严倩,姜永华,张建桃,罗菊川. 2025

[18]基于YOLOv8的竹笋分割方法研究. 郑镇辉,张淡然,王槊,韦丽娇,吴海韵,肖景丰. 2025

[19]多源场景下粘虫板小目标害虫轻量化检测识别模型. 杨信廷,胡焕,陈晓,李汶政,周子洁,李文勇. 2025

[20]基于改进RT-DETR的轻量化豆荚检测模型. 刘亿琳,卢承方,黄岚,詹炜,王俊,邱丽娟. 2025

作者其他论文 更多>>

微信小程序