计算机工程

作者：齐咏生, 杜晓旭, 朱俊峰, 高胜利, 刘利强

单位：1. 内蒙古自治区机电控制重点实验室, 呼和浩特 0100512. 内蒙古工业大学 电力学院, 呼和浩特 0100513. 水利部牧区水利科学研究所, 呼和浩特 0100514. 内蒙古北方龙源风力发电有限责任公司, 呼和浩特 010050

关键词：目标检测,深度学习,计算机视觉,YOLOv4-tiny算法,注意力机制,特征融合

基金：国家自然科学基金(61763037); 内蒙古自治区机电控制重点实验室开放基金(IMMEC2020001); 内蒙古自治区科技计划项目(2021GG164); 内蒙古自治区自然科学基金(2021MS06018); 内蒙古自治区2022年度基本科研业务费项目(JY20220353)

实现大数据管理牲畜需要实时监测牲畜，但对牲畜进行实时监测容易受到目标尺寸变化大、光照、环境因素等干扰，因此检测难度大，现有牲畜检测算法存在鲁棒性差等问题。提出一种基于增强型YOLOv4-tiny的目标检测算法(E-YOLOv4-tiny)，采用多尺度特征融合的金字塔网络，兼顾浅层局部细节特征与深层语义信息，解决牧区牲畜尺寸波动问题。通过改进残差结构，减少主干网络参数量，以适应嵌入式平台需求。引入一种新的复合聚类算法设计锚框，在保证可移植性的前提下提高算法精度。针对牧区环境特点，提出一种新的复合多通道注意力机制，改善目标检测网络精度差的问题，增强算法鲁棒性。实验结果表明，E-YOLOv4-tiny算法的平均精度均值(mAP)为0.878 9，帧率为32帧/s，相较于传统YOLOv4-tiny算法，在保持几乎相同的检测速率条件下，mAP提升了9.32%。

来源：2023年第7期

《计算机工程》期刊编辑部

查看计算机工程杂志2023年第7期