融合YOLOv5s与通道剪枝算法的奶牛轻量化个体识别方法
Light-weight recognition network for dairy cows based on the fusion of YOLOv5s and channel pruning algorithm
论文链接
知网链接
点击进入正文
该文章讨论了奶牛花斑、光照条件、不同剪枝方法、不同剪枝率对准确率的影响。
引用格式：
许兴时，王云飞，华志新，等. 融合YOLOv5s与通道剪枝算法的奶牛轻量化个体识别方法[J].农业工程学报，2023, 39(15): 153-163 doi: 10.11975/j.issn.1002-6819.202303122XU Xingshi, WANG Yunfei, HUA Zhixin, et al. Light-weight recognition network for dairy cows based on the fusion of YOLOv5s and channel pruning algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2023, 39(15): 153-163 doi: 10.11975/j.issn.1002-6819.202303122
相关视频资料：超链接
https://www.bilibili.com/video/BV1ii4y1C75h/?vd_source=d68da64987fce61a59890c929d25cd3d
摘要：
实时准确地识别奶牛个体身份是构建完善的奶牛精准养殖技术架构的先决条件。如何在快速精准识别奶牛个体的同时保证模型的轻量化是至关重要的。**本文提出了一种在低计算量和低参数量条件下快速准确识别奶牛个体身份的方法。**研究采用YOLOv5s作为原始模型，利用BN层中缩放因子对模型中通道的重要性进行判断并剪除不重要的通道，从而降低网络复杂度。为了更加有效地压缩模型，本研究在损失函数中增加稀疏损失项，实现模型通道的稀疏化。测试试验结果表明，剪枝后的模型平均精度mAP为99.50%，计算量为8.1 G，参数量为1.630 M，每秒帧数为135.14 帧。相比其他具有代表性的目标检测模型，本文方法拥有最小的模型复杂度。此外，相比其他模型，本文方法对奶牛斑纹特征依赖程度更低，在低照度条件下有着更加出色的表现。考虑该方法具有快速、准确、鲁棒、低计算量和低参数量的特点，在推进养殖场中奶牛精细化养殖方面具有巨大潜能。
材料部分
方法部分
本研究在这一部分的技术路线如下图所示。首先，利用手工标准的数据集训练奶牛个体识别YOLOv5s网络。其次， 对已得到的奶牛个体识别YOLOv5s网络进行稀疏训练、通道剪枝和微调操作，最终在保证准确度的前提条件下，减小模型大小、提高运行速度，最终实现实时准确的多目标奶牛个体识别。
选用YOLOv5s作为基础网络。
利用通道剪枝算法实现快速轻量的个体识别
在YOLOv5s模型上实现通道剪枝需要借助网络的BN层。BN层被认为能够有效提高网络泛化能力、加快网络训练速度、解决“Internal Covariate Shift”问题。BN层的具体操作如论文中所示。
如图4所示，通道剪枝算法首先通过稀疏训练使BN层中的参数γ趋向于0，之后，保留贡献度高的通道并剪除贡献度较小的通道，实现模型的压缩。
本研究中通道剪枝算法具体步骤如下：
步骤1：通道稀疏训练
步骤2：剪除低贡献度通道
步骤3：对剪枝后的模型进行微调
实验结果
文章结论
https://kns.cnki.net/kcms2/article/abstract?=3uoqIhG8C45S0n9fL2suRadTyEVl2pW9UrhTDCdPD67FaNsjKY-lvbPjDbEW1A2B1fh26pBaYTo01OdC9p2U-l_tLD9YaCL7&uniplatform=NZKPT
知网链接
