董振華 田娟秀 阮志

摘?要：?在農(nóng)牧業(yè)生產(chǎn)和生態(tài)環(huán)境監(jiān)測(cè)領(lǐng)域，精確識(shí)別牧群對(duì)于管理和監(jiān)測(cè)工作至關(guān)重要。然而，傳統(tǒng)的牧群目標(biāo)檢測(cè)方法存在著檢測(cè)精度低和效率低等問題。針對(duì)這些問題，本文提出了一種改進(jìn)的YOLOv5牧群（本文以羊和牛為檢測(cè)對(duì)象）識(shí)別算法。首先，在網(wǎng)絡(luò)中嵌入SA注意力機(jī)制模塊，通過組卷積來減少計(jì)算負(fù)擔(dān)，同時(shí)采用Channel?Shuffle操作來促進(jìn)不同組之間的信息交流。其次，我們引入CoordConv卷積，它有助于優(yōu)化神經(jīng)網(wǎng)絡(luò)在包含坐標(biāo)信息的任務(wù)中的表現(xiàn)，同時(shí)提升精度和召回率。最后，用EIOU損失函數(shù)替代原模型中的CIOU，在提高模型收斂速度的同時(shí)獲得更好的定位效果。經(jīng)過實(shí)驗(yàn)證明，優(yōu)化后的模型在自行制作的數(shù)據(jù)集上的平均精度達(dá)到了92.3%，較于原始YOLOv5模型提升了1.4%。改進(jìn)后的模型在檢測(cè)精度和速度方面都有明顯提升，可以快速而準(zhǔn)確地進(jìn)行牧群的檢測(cè)和識(shí)別。

關(guān)鍵詞：YOLOv5模型?牧群識(shí)別?注意力機(jī)制?卷積神經(jīng)?損失函數(shù)

中圖分類號(hào)：TD61;TM75;TP391.41

Detection?Methods?for?Herds?Based?on?the?Improved?YOLOv5?Model

DONG?Zhenhua??TIAN?Juanxiu*??RUAN?Zhi

College?of?Computer?and?Communication，?Hunan?Institute?of?Engineering，?Xiangtan，?Hunan?Province，?411104?China

Abstract：?The?accurate?identification?of?herds?is?essential?for?management?and?monitoring?in?the?fields?of?agricultural?and?animal?husbandry?production?and?ecological?environment?monitoring.?Nevertheless，?there?are?issues?in?the?conventional?target?recognition?method?of?herds，?like?low?detection?accuracy?and?low?efficiency.?This?paper?proposes?an?improved-YOLOv5?recognition?algorithm?of?herds?（sheep?and?cattle?are?used?as?detection?objects）?to?solve?these?issues.?First，?group?convolution?is?used?to?reduce?the?computational?load?by?embedding?the?SA?attention?mechanism?module?in?the?network，?and?the?information?exchange?among?different?groups?is?facilitated?by?Channel?Shuffle?operation.?Next，?the?CoordConv?convolution?is?introduced?to?help?optimize?the?performance?of?neural?networks?in?tasks?that?include?coordinate?information?while?enhancing?precision?and?the?recall?rate.?Lastly，?the?CIOU?in?the?original?model?is?substituted?with?the?EIOU?loss?function?to?obtain?better?localization?effects?while?improving?the?model's?rate?of?convergence.?Experimental?results?show?that?the?average?accuracy?of?the?optimized?model?on?the?self-produced?dataset?reaches?92.3%，?which?is?1.4%?higher?than?that?of?the?original?YOLOv5?model.?The?improved?model?have?significantly?improved?detection?accuracy?and?speed，?allowing?it?to?detect?and?identify?herds?rapidly?and?accuracely.

Key?Words：?YOLOv5?model;?Herd?recognition;?Attention?mechanism;?Convolutional?neural?network;?Loss?function

隨著農(nóng)牧業(yè)生產(chǎn)的發(fā)展和生態(tài)環(huán)境的變化，牧群的數(shù)量和分布情況需要及時(shí)準(zhǔn)確地監(jiān)測(cè)和管理。因此，對(duì)牧群進(jìn)行精確檢測(cè)成為提高牧民放牧效率的至關(guān)重要的一環(huán)。

早期的牧群檢測(cè)方法主要包括人工檢測(cè)法和無人機(jī)輔助檢測(cè)法等。雖然這些方法簡(jiǎn)單易行，但存在許多缺陷：目視檢測(cè)容易受到人員視覺水平和疲勞程度的影響；傳統(tǒng)無人機(jī)檢測(cè)精度較低，降低了牧民放牧效率。隨著計(jì)算機(jī)視覺技術(shù)的不斷發(fā)展，利用圖像處理技術(shù)進(jìn)行檢測(cè)已成為主流。

基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法主要分為兩大類：一類是兩階段目標(biāo)檢測(cè)算法，如R-CNN、Fast?R-CNN等，另一類是單階段目標(biāo)檢測(cè)算法，如SSD、YOLO等。兩階段算法通過卷積神經(jīng)網(wǎng)絡(luò)獲得可能包含物體的多個(gè)候選區(qū)域，然后對(duì)這些候選區(qū)域進(jìn)行處理以完成分類和定位任務(wù)。這種方法的優(yōu)點(diǎn)是精確度高，但計(jì)算量大，檢測(cè)速度慢。相比之下，單階段算法省略了提取候選區(qū)域的步驟，直接對(duì)每個(gè)特征圖進(jìn)行回歸預(yù)測(cè)，因此檢測(cè)速度更快，但精確度較低。

Lin等人[1]在RetinaNet算法的基礎(chǔ)上，使用新的Focal?loss損失函數(shù)來解決背景類別不平衡的問題。Zhao等人[2]在YOLOv3算法的基礎(chǔ)上，提出了一種新的聚類算法來估計(jì)預(yù)測(cè)邊界框的初始寬度和高度，從而提高了模型的收斂速度，并使其能夠選擇更具代表性的預(yù)測(cè)邊界框的初始寬度和高度。Yu等人[3]引入改進(jìn)的PANet結(jié)構(gòu)，使YOLOv4網(wǎng)絡(luò)在特征層具有更多的語義信息。王涵等人[4]使用DIoU-NMS方法替代傳統(tǒng)的NMS算法，以改善原YOLOv5模型中對(duì)重復(fù)遮擋目標(biāo)的識(shí)別。

通過大量的研究和不斷的優(yōu)化，YOLO算法在各個(gè)方面都得到了逐步的提升。本文基于YOLO系列中的YOLOv5原始模型，結(jié)合了牧群檢測(cè)的實(shí)際應(yīng)用場(chǎng)景，提出了一種改進(jìn)的YOLOv5算法。首先，在原模型中嵌入了SA?（Shuffle?Attention）注意力機(jī)制模塊，它首先將輸入在通道維度上拆分成多組，然后使用置換單元來描述特征在空間和通道維度上的相關(guān)性，最后，通過通道置換操作將所有特征整合在一起。其次，在檢測(cè)頭引入了CoordConv（Coordinate?Convolution）卷積，使網(wǎng)絡(luò)更好地感知特征圖中的位置信息。最后，使用EIOU（Efficient?Intersection?Over?Union-loss）損失函數(shù)，以加快模型的收斂速度，從而提高了牧群檢測(cè)場(chǎng)景下的識(shí)別精度和效率。

2?YOLOv5概述

YOLOv5是一種目標(biāo)檢測(cè)模型，它基于YOLO的架構(gòu)。YOLOv5算法由Backbone（骨干特征提取網(wǎng)絡(luò)），Neck（特征融合層）和Detect（輸出端）三個(gè)部分組成。

YOLOv5的輸入端采用了和YOLOv4一樣的Mosaic數(shù)據(jù)增強(qiáng)方式。即將4張圖片進(jìn)行拼接以豐富檢測(cè)物體的背景，增加模型的魯棒性，同時(shí)減少對(duì)Batch?Size的需求。骨干網(wǎng)絡(luò)在YOLOv5s中充當(dāng)特征提取器的角色。它負(fù)責(zé)從輸入圖像中提取具有不同級(jí)別的抽象特征。YOLOv5使用CSPDarknet53作為其骨干網(wǎng)絡(luò)，CSP（Cross-Stage?Partial?Network）是Darknet的改進(jìn)版本[5]。它包括多個(gè)卷積層和池化層，這些網(wǎng)絡(luò)層逐漸減小特征圖的尺寸，但保留了更高級(jí)別的特征。骨干網(wǎng)絡(luò)幫助模型識(shí)別圖像中的不同結(jié)構(gòu)和紋理，使得模型能夠理解物體的形狀和紋理等低級(jí)信息。Neck模塊位于骨干網(wǎng)絡(luò)和輸出端之間，由特征金字塔（Feature?Pyramid?Networks，F(xiàn)PN）和路徑聚合網(wǎng)絡(luò)（Path?Aggregation?Networks，PAN）[6]構(gòu)成特征融合網(wǎng)絡(luò)PANet。PANet通過融合不同層級(jí)的特征圖，以提升目標(biāo)檢測(cè)性能，有助于模型更好地理解目標(biāo)的尺度和背景信息。Detect（輸出端）層負(fù)責(zé)生成目標(biāo)物體的邊界框和類別概率分布，從而執(zhí)行對(duì)象檢測(cè)任務(wù)。這些核心組件相互配合，從而有效地提取多尺度特征信息進(jìn)行目標(biāo)檢測(cè)。YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x是YOLOv5的不同版本，它們?cè)谀Ｐ徒Y(jié)構(gòu)和性能方面有所不同。綜合考慮數(shù)據(jù)集規(guī)模與自身設(shè)備情況，本文選擇參數(shù)量小，運(yùn)行速率高的YOLOv5s模型來進(jìn)行模型的預(yù)訓(xùn)。

3?改進(jìn)的YOLOv5網(wǎng)絡(luò)模型

改進(jìn)后的YOLOv5網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，首先，將原網(wǎng)絡(luò)結(jié)構(gòu)中的第一個(gè)BottleneckCSP模塊替換為SA注意力機(jī)制模塊，它通過將輸入特征在通道維度上分組，然后利用置換單元來捕捉特征之間的空間和通道依賴性，促進(jìn)了特征之間的通信，進(jìn)一步提升了模型性能。其次，在檢測(cè)頭引入了CoordConv卷積，將位置信息嵌入到卷積操作中，有助于更精確地定位目標(biāo)，減少了定位錯(cuò)誤的可能性。最后，使用EIOU損失函數(shù)，它結(jié)合了交并比（IoU）和歐氏距離（Euclidean?distance）的度量，以更準(zhǔn)確地評(píng)估檢測(cè)框的質(zhì)量。這些改進(jìn)之處有助于網(wǎng)絡(luò)學(xué)習(xí)生成更準(zhǔn)確的檢測(cè)結(jié)果，減少了訓(xùn)練過程中的不穩(wěn)定性，提高了模型的魯棒性。

3.1?引入SA注意力機(jī)制

深度學(xué)習(xí)中，注意力機(jī)制具備獨(dú)特的能力，它能夠有針對(duì)性地突出基本特征，同時(shí)抑制不相關(guān)的特征，從而顯著提升模型在特征提取方面的效能。這種機(jī)制在目標(biāo)檢測(cè)中被廣泛采用，因?yàn)樗行岣吡藱z測(cè)的準(zhǔn)確性。為了更進(jìn)一步提升模型的特征提取潛力，本文在YOLOv5模型的“頸部”引入了SA注意力機(jī)制。將輸入的特征圖設(shè)為，其中c代表通道數(shù)，h代表高度，w代表高度。為了提高計(jì)算效率，主干網(wǎng)絡(luò)對(duì)特征圖進(jìn)行分組，用來將X沿通道分為g個(gè)子特征圖分支，每個(gè)在訓(xùn)練中逐漸捕獲具體的語義回應(yīng)，然后通過注意力模塊為每個(gè)子特征生成對(duì)應(yīng)的系數(shù)，表示為。這些分支在特征提取過程中并行計(jì)算，從而加快了運(yùn)算速度。此外，每個(gè)分支在特征提取過程中還經(jīng)過一個(gè)注意力模塊，以獲取新的權(quán)重參數(shù)。在每個(gè)分支進(jìn)入注意力模塊后，再將沿通道細(xì)分為兩個(gè)子分支，以進(jìn)一步優(yōu)化特征提取，表示為。如圖2所示，和分別利用通道內(nèi)部和子特征圖之間的特征信息，生成了初步的通道注意力特征圖和空間注意力特征圖，以協(xié)助模型捕獲不同特征圖的來源信息。

為了在捕獲通道之間的特征信息時(shí)避免引入過多的參數(shù)量，該方法采用了以下步驟：首先，通過全局平均池化（Global?Averaging?Pooling，GAP）得到子圖的通道特征，記為：

接著使用增強(qiáng)的特征表示，最后通過激活函數(shù)控制增強(qiáng)后的特征信息，得到。式中，：

由于空間注意力更加注重信息的來源，我們不僅要計(jì)算獲得的通道注意力輸出后，還要計(jì)算的空間注意力，以確保兩個(gè)分支在合并時(shí)充分獲取所有特征信息。使用GN（Group?Normalization）處理以提取空間特征，接著利用強(qiáng)化的特征表示，最后通過激活函數(shù)控制增強(qiáng)后的特征信息以得到。式中，：

將兩個(gè)注意力特征子圖連接合并，記為。由于和GN超參數(shù)都是產(chǎn)生于SA模塊，因此減少了參數(shù)量的引入。最后，用Channel?Shuffle算子在通道維度對(duì)跨組信息進(jìn)行融合，合并后的輸出與X的尺寸保持一致，使得SA很容易加入到各種骨干網(wǎng)絡(luò)中。

3.2?EIOU損失函數(shù)

在目標(biāo)檢測(cè)領(lǐng)域，損失函數(shù)的選擇對(duì)于模型的性能至關(guān)重要。而目標(biāo)檢測(cè)模型通常使用分類損失、定位損失和目標(biāo)置信度損失這三個(gè)部分來構(gòu)建總損失函數(shù)。其中，位置損失函數(shù)通常采用（Intersection?over?Union）來衡量，用于評(píng)估預(yù)測(cè)邊界框和實(shí)際目標(biāo)邊界框之間的重疊程度。如果兩個(gè)邊界框（通常稱為A框和B框）的重疊面積較大，值將更高，表明模型的預(yù)測(cè)較為準(zhǔn)確。相反，如果值較低，那么模型的預(yù)測(cè)效果將較差。計(jì)算公式如（4）所示。

原YOLOv5s模型使用?CIOU?作為目標(biāo)框的位置回歸損失函數(shù)，其中A和B為兩個(gè)邊界框，分別為預(yù)測(cè)框和真實(shí)框的中心點(diǎn)坐標(biāo)，?分別為預(yù)測(cè)框和真實(shí)框的寬和高。真實(shí)框和預(yù)測(cè)框中心點(diǎn)的歐式距離用表示，?為其最小外接矩陣的對(duì)角線距離。為衡量縱橫比一致性參數(shù)，是權(quán)重函數(shù)。

雖然考慮了邊界框回歸的重疊面積、中心點(diǎn)距離、縱橫比。但公式中的參數(shù)主要反映了縱橫比的差異，而沒有充分考慮寬高分別與置信度的真實(shí)差異，這可能會(huì)限制模型有效的優(yōu)化相似性。針對(duì)這一問題，本文引入EIOU損失函數(shù)來更準(zhǔn)確地對(duì)比縱橫比和尺寸差異：

和為預(yù)測(cè)框與真實(shí)框的最小外接矩陣的寬和高，和分別為兩框在寬度和高度上的歐式距離。該方法繼承了CIOU的重疊損失和中心距離損失，但對(duì)寬高損失進(jìn)行了調(diào)整。通過在懲罰過程中直接懲罰寬度和高度的預(yù)測(cè)結(jié)果，更準(zhǔn)確地反映了預(yù)測(cè)框與目標(biāo)框之間的寬高差異，從而提高網(wǎng)絡(luò)的收斂速度和回歸精度。

3.3?引入CoordConv卷積

為了使卷積能夠更好的感知空間信息，本文引入CoordConv卷積（見圖3?坐標(biāo)卷積）。傳統(tǒng)卷積層通常具有三個(gè)特性：參數(shù)較少、計(jì)算高效以及平移不變性。然而，CoordConv模塊只保留了前兩個(gè)特性，同時(shí)讓模型可以自主決定平移不變性的程度。這有助于提升模型的泛化性能。

在輸入特征圖后面引入了i和j兩個(gè)坐標(biāo)通道，分別表示原始輸入的x和y坐標(biāo)。當(dāng)CoordConv的坐標(biāo)通道與卷積的權(quán)重為零時(shí)，它的行為與傳統(tǒng)卷積相似，保持了完全的平移不變性。但一旦權(quán)重不為零，CoordConv會(huì)表現(xiàn)出一定的平移依賴性。從而允許模型學(xué)習(xí)具有一定程度平移依賴性的能力，類似于殘差連接的靈活性。因此，在需要感知空間信息的任務(wù)中使用CoordConv不會(huì)增加額外的計(jì)算負(fù)擔(dān)，同時(shí)也不完全消除平移不變性，使得網(wǎng)絡(luò)可以根據(jù)具體任務(wù)需求學(xué)習(xí)平移不變性或者一定程度的平移依賴。

4?結(jié)果與討論

4.1?實(shí)驗(yàn)環(huán)境與數(shù)據(jù)集

網(wǎng)絡(luò)訓(xùn)練基于深度學(xué)習(xí)框架PyTorch實(shí)現(xiàn)，并使用CUDA11.1進(jìn)行訓(xùn)練。實(shí)驗(yàn)GPU為RTX3090，顯存24GB，CPU為?Intel（R）?Xeon（R）?Gold?6330?CPU?@?2.00GHz。本文以YOLOv5s為基礎(chǔ)模型，輸入圖像大小為640*640，采用SGD方法訓(xùn)練150輪，batchsize設(shè)置為16，初始學(xué)習(xí)率為1.5，同時(shí)學(xué)習(xí)率衰減策略設(shè)置為余弦退火（Cosine?annealing）。

由于目前還沒有統(tǒng)一的牧群檢測(cè)的數(shù)據(jù)集，因此通過網(wǎng)絡(luò)爬蟲和視覺中國視頻抽幀自行構(gòu)建數(shù)據(jù)集，同時(shí)對(duì)采集到的圖片采用Mosaic數(shù)據(jù)增強(qiáng)，最終得到約3?150張圖片，并按照7：1：2比例劃分訓(xùn)練集、驗(yàn)證集、測(cè)試集。

4.2?評(píng)價(jià)指標(biāo)

本文實(shí)驗(yàn)采用平均精度均值（mAP）、召回率（Recall）和每秒檢測(cè)幀數(shù)（FPS）作為評(píng)價(jià)指標(biāo)。召回率（Recall）代表正確預(yù)測(cè)為正占全部正樣本的比例，mAP為平均精度均值，是所有類別檢測(cè)精度的平均值，F(xiàn)PS指的是模型每秒處理的圖片數(shù)量，用來衡量檢測(cè)速度。

TP為模型正確地將正類別的樣本預(yù)測(cè)為正類別的數(shù)量，F(xiàn)N為被預(yù)測(cè)成負(fù)類的正樣本數(shù)。AP代表一個(gè)目標(biāo)的檢測(cè)精度，k代表檢測(cè)類別數(shù)。Frames代表幀數(shù)，Time表示檢測(cè)時(shí)間。

4.3?消融實(shí)驗(yàn)

在相同硬件和數(shù)據(jù)集條件下，我們進(jìn)行了一系列消融實(shí)驗(yàn)，包括使用不同的模型變體：原始YOLOv5s網(wǎng)絡(luò)、YOLOv5s-EIOU網(wǎng)絡(luò)（單獨(dú)加入EIOU損失函數(shù)）、YOLOv5s-EIOU-SA網(wǎng)絡(luò)（同時(shí)加入EIOU損失函數(shù)和SA注意力機(jī)制），以及（ours）網(wǎng)絡(luò)（同時(shí)加入EIOU損失函數(shù)、SA模塊和CoordConv卷積）。

通過對(duì)實(shí)驗(yàn)結(jié)果數(shù)據(jù)的分析，我們可以總結(jié)如下：EIOU損失函數(shù)相較于CIOU更精確地考慮了目標(biāo)的尺度和長寬比信息，從而提高了邊界框之間的重疊度度量，優(yōu)化了定位精度。因此，單獨(dú)使用EIOU損失函數(shù)的YOLOv5s-EIOU模型相對(duì)于原始YOLOv5s在平均檢測(cè)精度上提高了0.6%。雖然YOLOv5s-EIOU-SA引入了注意力模塊，導(dǎo)致模型復(fù)雜度略有增加，檢測(cè)時(shí)間略有減慢（約0.1?s），但平均精度mAP提高了0.2%。這進(jìn)一步證明了注意力模塊通過增強(qiáng)關(guān)鍵特征的識(shí)別能夠提高檢測(cè)精度。我們提出的模型（ours）在保證檢測(cè)速度的同時(shí)，將平均精度提高了1.4%。改進(jìn)前后檢測(cè)效果如圖5，圖6所示。

綜合考慮各種因素，我們的模型在保持高精度的同時(shí)，也提高了圖像檢測(cè)速度。為了更清晰地比較改進(jìn)前后模型檢測(cè)效果，我們選取了一些明顯的檢測(cè)結(jié)果進(jìn)行對(duì)比，具體檢測(cè)結(jié)果如圖5所示。通過比對(duì)檢測(cè)結(jié)果圖像，可以看出，原始YOLOv5s模型在檢測(cè)時(shí)存在漏檢情況，召回率相對(duì)較低，而改進(jìn)的YOLOv5s-EIOU-SA-Coordconv（ours）模型明顯提升了檢測(cè)結(jié)果。

5?結(jié)語

本文針對(duì)傳統(tǒng)檢測(cè)算法精度低，效率低等問題，提出了一種改進(jìn)的YOLOv5牧群檢測(cè)算法。首先，通過在網(wǎng)絡(luò)中嵌入SA注意力機(jī)制模塊，能夠提高模型對(duì)特征的提取能力；同時(shí)，在頸部和頭部引入CoordConv卷積，使網(wǎng)絡(luò)能夠更好的感受特征圖中的空間位置信息，從而提高檢測(cè)精度；此外，采用EIOU損失函數(shù)優(yōu)化輸出預(yù)測(cè)邊界框，避免出現(xiàn)過大的檢測(cè)框，進(jìn)一步提升定位效果。實(shí)驗(yàn)結(jié)果表明：改進(jìn)后的模型網(wǎng)絡(luò)對(duì)圖像中的目標(biāo)識(shí)別有著較高的準(zhǔn)確率，檢測(cè)速度也較于原YOLOv5模型有所提升，在未來的工作中，可以將本文算法在無人機(jī)上進(jìn)行部署上，使得智能無人機(jī)設(shè)備對(duì)牧群檢測(cè)有更高的檢測(cè)精度，進(jìn)一步提高模型的實(shí)用性，從而大大提高牧民的放牧效率。

參考文獻(xiàn)

• LIN?T?Y，?GOYAL?P，?GIRSHICK?R，?et?al.?Focal?loss?for?dense?object?detection[C]//Proceedings?of?the?IEEE?Transactions?on?Pattern?Analysis?&?Machine?Intelligence.?2017：?2999-3007.
• ZHAO?L，?LI?S.?Object?detection?algorithm?based?on?improved?YOLOv3[J].?Electronics，?2020，?9（3）：?537.
• YU?J，?ZHANG?W.?Face?mask?wearing?detection?algorithm?based?on?improved?YOLO-v4[J].?Sensors，?2021，?21（9）：?3263.
• 王涵，劉海明，邵雨虹.一種改進(jìn)YOLOv5算法的金屬表面缺陷檢測(cè)研究[J/OL].機(jī)械科學(xué)與技術(shù)：1-6[2023-10-24].https：//doi.org/10.13433/j.cnki.1003-8728.20230315.
• WANG?C?Y，?LIAO?H?Y?M，?WU?Y?H，?et?al.?CSPNet：?A?new?backbone?that?can?enhance?learning?capability?of?CNN[C]//Proceedings?of?the?IEEE/CVF?Conference?on?Computer?Vision?and?Pattern?Recognition?Workshops.?2020：?1571-1580.
• 黃悅?cè)A，劉恒沖，陳慶，等.基于USRNet與改進(jìn)YOLOv5x的輸電線路絕緣子故障檢測(cè)方法[J].高電壓技術(shù)，?2022，?48（9）：3437-3446.