更桑吉 安见才让

摘要： 根据不同的放牧方式有多种畜牧业管理模式，文章通过研究和改进图像识别模型来提高畜牧业动物图像检测技术及畜牧业管理水平。选择YOLOv3-Darknet53模型作为对象进行研究和改进，通过k-means++算法重新进行聚类分析，提高YOLOv3-Darknet53模型对畜牧业动物图像目标检测的检测精度。实验表明，改进模型对畜牧业动物图像目标检测的精度达到86.179%。F特征值在yak上提高了1%，S特征值在yak和sheep上分别提高了0.2%、1%，mAP提高了0.3%。

关键词： YOLOv3; 畜牧业; 目标检测; 维度聚类

中图分类号：TP399          文献标识码：A    文章编号：1006-8228（2021）10-20-03

Research on the improvement of animal image target detection in animal husbandry

Geng Sangji， Anjian Cairang

（School of computer， Qinghai University for Nationalities， Xining， Qinghai 810007， China）

Abstract： According to different grazing methods， there are many animal husbandry management modes. This paper studies and improves the image recognition model to improve the animal husbandry image detection technology and animal husbandry management level. YOLOv3-Darknet53 model is chosen as the object to be studied and improved， by redoing the clustering analysis with k-means++ algorithm， the detection accuracy of YOLOv3-Darknet53 model in animal husbandry image target detection is improved. The experimental results show that the accuracy of the improved model is 86.179%. The F eigenvalue is increased by 1% on yak， the S eigenvalue is increased by 0.2% on yak and 1% on sheep， and the mAP is increased by 0.3%.

Key words： YOLOv3; animal husbandry; target detection; dimension clustering

0 引言

随着硬件设备和网络技术的不断发展，人们获取图像的渠道一直在增加，圖像的数据量也呈指数型增长，在一定程度上逐渐满足着研究者们对数据的需求量。图像本身自带着丰富的信息，并且图像可以直观地将信息内容展现出来，图像作为一种传播信息的介质已融入到我们的日常生活。利用深度学习图像处理技术自动从图像中定位目标，被广泛应用于交通、医学、身份认证等领域，并且扮演着很重要的角色。

目前青海省的畜牧业管理模式有单户放牧、连户放牧、雇人放牧等多种形式，草场面积和家庭的劳动力影响着畜牧的数量和品种，也影响着畜牧业管理的便利度，因此，人们所采取的管理方法也各不相同。不管采用何种放牧形式，都需要投入大量的财力物力去管理，若要改善管理畜牧业的管理安全和管理水平就要从传统的管理模式走向现代化管理模式，本课题通过研究和改进图像识别模型[1-2]，来提高畜牧业动物图像检测能力及畜牧业管理水平。……