摘要：翁智, 刘海鑫, 郑志强. CSD-YOLOv8s:基于无人机图像的密集小目标羊只检测模型[J]. 智慧农业(中英文), 2024, 6(4): 42-52.
引用格式
翁智, 刘海鑫, 郑志强. CSD-YOLOv8s:基于无人机图像的密集小目标羊只检测模型[J]. 智慧农业(中英文), 2024, 6(4): 42-52.
Citation:WENG Zhi, LIU Haixin, ZHENG Zhiqiang. CSD-YOLOv8s: Dense Sheep Small Target Detection Model Based on UAV images[J]. Smart Agriculture, 2024, 6(4): 42-52.
官网全文免费阅读
翁智1，2， 刘海鑫1，2， 郑志强1，2*（1.内蒙古大学 电子信息工程学院，内蒙古呼和浩特 010021，中国；2.内蒙古大学草原家畜生殖调控与繁育国家重点实验室，内蒙古呼和浩特 010030，中国）
摘要：［目的/意义］天然牧场下放牧牲畜数量的准确检测是规模化养殖场改造升级的关键。为满足规模化养殖场对大批羊群实现精准实时的检测需求，提出一种高精度、易部署的小目标检测模型CSD-YOLOv8s（CBAM SPPFCSPC DSConv-YOLOv8s），实现无人机高空视角下小目标羊只个体的实时检测。
［方法］首先，使用无人机获取天然草原牧场中包含不同背景及光照条件下的羊群视频数据并与下载的部分公开数据集共同构成原始图像数据。通过数据清洗和标注整理生成羊群检测数据集。其次，为解决羊群密集和相互遮挡造成的羊只检测困难问题，基于YOLO（You Only Look Once）v8模型构建具有跨阶段局部连接的SPPFCSPC（Spatial Pyramid Pooling Fast-CSPC）模块，提升网络特征提取和特征融合能力，增强模型对小目标羊只的检测性能。在模型的Neck部分引入了卷积注意力模块（Convolutional Block Attention Module, CBAM），从通道和空间两个维度增强网络的抗干扰能力，提升网络对复杂背景的抑制能力，进一步提高对密集羊群的检测性能。最后，为提升模型的实时性和可部署性，将Neck网络的标准卷积改为具有可变化内核的轻量卷积C2f_DS（C2f-DSConv）模块，减小了模型的参数量并提升了模型的检测速度。
［结果和讨论］与YOLO、Faster R-CNN（Faster Regions with Convolutional Neural Networks）及其他经典网络模型相比，改进后的CSD-YOLOv8s模型在检测速度和模型大小相当的情况下，在羊群检测任务中具有更高的检测精度。Precision达到95.2%，mAP达到93.1%，FPS（Frames Per Second）达到87 f/s，并对不同遮挡程度的羊只目标具有较强的鲁棒性，有效解决了无人机检测任务中因羊只目标小、背景噪声大、密集程度高导致羊群漏检和误检严重的问题。公开数据集验证结果表明，提出的模型对其他不同物体的检测精度均有所提高，特别是在羊只检测方面，检测精度提升了9.7%。
［结论］提出的CSD-YOLOv8s在无人机图像中更精准地检测草原放牧牲畜，对不同程度的聚集和遮挡目标实现精准检测，且具有较好的实时性，为养殖场大规模畜禽检测提供了技术支撑，具有广泛的应用潜力。
关键词：羊只检测；YOLOv8；小目标；SPPFCSPC；注意力机制；深度可分离卷积
文章图片
图1 无人机不同高度采集的羊群视频示例帧图像
Fig. 1 Example frame images of sheep video captured by UAVs at different altitudes
图2 羊群数据集部分数据示例
Fig. 2 Example of data from the sheep dataset
图3 羊群目标检测数据标注样例
Fig. 3 Sample data annotation for sheep target detection
图4 CSD-YOLOv8s羊群小目标检测模型结构
Fig. 4 Model structure of the proposed CSD-YOLOv8s for sheep small target detection
图5 不同SPPF模块改进方法结构图
Fig. 5 Structure diagrams of different SPPF module improvement methods
图6 改进的SPPFCSPC结构图
Fig. 6 Structure diagram of the improved SPPFCSPC
图7 CBAM模块总体流程图
Fig. 7 General flowchart of CBAM module
图8 深度可分离卷积过程图
Fig. 8 DSConv process diagram
图9 无人机羊群检测同模型检测结果
Fig. 9 UAV flock detection with modeling results
作者介绍
翁智 教授
翁智，教授，博士，硕士生导师，中国图象图形学会理事，内蒙古自治区教坛新秀，内蒙古自治区教学团队负责人，主持国家自然科学基金项目1项，内蒙古自治区关键技术攻关计划项目2项，内蒙古自治区高等学校青年科技英才支持计划项目1项。发表学术论文39篇，其中SCI检索23篇，出版教材4部。授权发明专利7项，实用新型专利15项，软件著作权11项。
郑志强 副教授
郑志强，副教授，博士，硕士生导师，主持或参与国家基金项目1项、中国自然资源部项目2项、内蒙古自治区关键技术攻关计划项目1项，内蒙古自然科学基金项目2项，教育厅科研项目1项，横向项目2项。发表学术论文15篇，其中SCI检索8篇。授权国家发明专利2项，实用新型专利3项，软件著作权4项。
转载请联系编辑部授权
本期支持单位
潍柴雷沃智慧农业科技股份有限公司
为方便农业科学领域读者、作者和审稿专家学术交流，促进智慧农业发展，为更好地服务广大读者、作者和审稿人，编辑部建立了微信交流服务群，有关专业领域内的问题讨论、投稿相关的问题均可在群里咨询。入群方法：加小编微信331760296，备注：姓名、单位、研究方向，小编拉您进群，机构营销广告人员勿扰。
发布征集
欢迎在我公众号发布科研团队介绍、创新科研成果及相关活动等信息。
来源：智慧农业资讯一点号
