基于改进的YOLOv5s模型与图像融合技术用于笼养鸡死亡鸡检测的方法研究

简介：
目的 方法 结果 结论该方法运用图像配准融合技术以提升死鸡目标特征的显著性。基于SURF和RANSAC算法，研究人员达到了热红外图像与可见光图像之间特征点的最佳对应关系。随后经过仿射变换模型的处理和校正，然后使用小波变换对图像进行了细致的分解与重构，最终生成了完整的配准融合图像。整个流程的目标是减少不同数据模式之间的差异，并提升特征匹配的有效性。随后，研究团队以YOLOv5s为基础开发出一个改进的目标检测模型，并将其命名为YOLOv5s-SE。该原始版本的YOLOv5s以其快速性和准确性著称，是实时目标检测领域的重要工具。为了进一步优化模型的性能，在复杂背景下尤其是存在遮挡的情况下，研究者引入了Squeeze-and-Excitation（SE）注意力机制。这种机制能够动态调节特征通道的重要性，从而强化关键特征并降低对背景干扰的影响。此外，他们还采用了CIoU_Loss和DIoU_NMS等损失函数与非极大值抑制策略优化模型性能，以此来提升定位精度。实验结果表明，配准后融合的图像与原始图像之间的相关性均值达到了0.86，这说明了良好的图像融合效果。将YOLOv5s-SE模型应用于融合后的图像时，其检测精确率及平均性能明显优于仅依赖于可见光或红外单 modal图像。通过优化后的新模型在融合数据集上的检测精确率提升了约3.3个百分点，最终达到了97.7%。这些结果验证了YOLOv5s-SE模型不仅能够维持高效的操作速度，还显著提升了目标检测的准确性水平，在实际工业场景中完全满足了对实时性要求的需求。 本研究巧妙地整合了图像处理技术和深度学习模型，开发出了高效且自动化的方法，用于大规模养鸡场中的死鸡鉴定。通过优化算法设计，该模型显著降低了人工监测的工作量，并将生产效率提高了约20%，其应用前景将在类似领域中显现出来。