基于坐标注意力机制和YOLO v5s模型的山羊脸部检测方法.pdf

2023年月第54卷第7 期农报学业机械doi10.6041/j.issn.1000-1298.2023.07.031基于坐标注意力机制和YOLOv5s模型的山羊脸部检测方法郭阳阳1，2洪文浩丁屹黄小平1，2（1.安徽大学互联网学院，合肥2 30 0 39；2.农业生态大数据分析与应用技术国家地方联合工程研究中心，合肥2 30 0 39）摘要：山羊的脸部检测对羊场的智能化管理有着重要的意义。针对实际饲养环境中，羊群存在多角度、分布随机、灵活多变、羊脸检测难度大的问题，以YOLOv5s为基础目标检测网络，提出了一种结合坐标信息的山羊脸部检测模型。首先，通过移动设备获取舍内、舍外、单头以及多头山羊的图像并构建数据集。其次，在YOLOv5s的主干网络融人坐标注意力机制，以充分利用目标的位置信息，提高遮挡区域、小目标、多视角样本的检测精度。试验结果表明，改进YOL0v5s模型的检测精确率为95.6%，召回率为8 3.0%，mAPo.s为90.2%，顿速率为6 9f/s，模型内存占用量为13.2 MB；与YOLOv5s模型相比，检测精度提高1.3个百分点，模型所占内存空间减少1.2 MB；且模型的整体性能远优于FasterR-CNN、YO LO v 4、YO LO v 5s 模型。此外，本文构建了不同光照和相机抖动的数据集，来进一步验证本文方法的可行性。改进后的模型可快速有效地对复杂场景下山羊的脸部进行精准检测及定位，为动物精细化养殖时目标检测识别提供了检测思路和技术支持。关键词：羊脸检测；YOLOv5s；坐标注意力机制；精准畜牧中图分类号：TP391.4文献标识码：A文章编号：10 0 0-12 98（2 0 2 3)0 7-0 313-0 9OSID:Goat Face Detection Method by Combining CoordinateAttention Mechanism and YOLO v5s Model1,2DING YilGUo YangyangHONG WenhaoHUANG Xiaoping1,2(1.School of Internet,Anhui University,Hefei 230039,China2.National Engineering Research Center for Agro-Ecological Big Data Analysis and Application,Hefei 230039,China)Abstract:Animal face detection is of great significance to the intelligent management of animal farm.Atpresent,goats have the characteristics of multi angle,random distribution and flexibility in the actualfeeding environment,which greatly increases the difficulty of goat face detection.Therefore,a goat facedetection model combined with coordinate information was proposed based on YOLO v5s target detectionnetwork.Firstly,indoor,outdoor,single and multiple goat images were obtained by using mobile devicesto build sample data sets.Secondly,coordinate attention mechanism（CA）w a s i n t e g r a t e d i n t o t h ebackbone network of YOLO v5s to make full use of target position information and improve the targetrecognition accuracy in the occluded area,small target and multi view sample images.The proposedYOLO v5s-CA based approach achieved a precision of 95.6%,a recall of 83.0%,an mAPo.5 of90.2%,a frame rate of 69 f/s and a model size of 13.2 MB.Compared with that of the original YOLO v5smodel,the detection precision of YOLO v5s-CA was increased by 1.3 percentage points,and thememory space was reduced by 1.2 MB.And the overall performance of the YOLO v5s-CA was betterthan that of the Faster R-CNN,YOLO v4 and YOLO v5s.Experimental results showed that theproposed YOLO v5s-CA approach can improve the detection precision of occluding and small targets byintroducing target coordinate information.In addition,datasets with different lighting and camera shakewere simulated and constructed to further verify the feasibility of the proposed method.Overall,theproposed deep learning-based goat face detection approach can quickly and effectively detect and locategoat faces in complex scenes,providing detection ideas and technical support for target detection andrecognition in intelligent animal farm.Key words:goat face detection;YOLO v5s;coordinate attention mechanism;precision animal farm收稿日期：2 0 2 2-11-13修回日期：2 0 2 3-0 2-0 7基金项目：安徽省自然科学基金项目（190 8 0 8 5QF284）和安徽省教育厅自然科学基金项目（KJ2021A0024）作者简介：郭阳阳（1991一），男，讲师，博士，主要从事畜禽智能化监测技术研究，E-mail：g u o y a n g y a n g l 1352 9 a h u.e d u.c n通信作者：黄小平（198 4一），男，讲师，博士，主要从事畜牧养殖信息化研究，E-mail：h x p i n g m a i l.u s t c.e d u.c n314农2023年机业报学械0引言随着居民生活水平的不断提高和消费主体的不断转变，羊肉的需求也日益增加，但当下肉羊养殖方式较为传统，产业化进程较缓慢。现代化农业的发展，促进了畜牧业向规模化、智能化、现代化方向发展，而信息化是重要标志2】，其中动物的目标区域精准检测对牧场信息化具有重要意义3-4。在目标检测基础上可进一步挖掘动物的深层次信息（体况、行为、疾病等），对实现动物生长信息和健康状况监测提供了数据支撑传统的动物检测方法常通过电子耳标、项圈等集成传感器设备给定动物标号来实现动物个体检测与识别。但随着时间延长，传感器设备会出现脱落、标签模糊等现象，从而造成目标信息丢失、误检测等情况5，此外,长时间的佩戴会导致牲畜感染或患上某些疾病，影响动物福利6-7 。而计算机视觉作为一种非接触式无创伤的目标检测方法在智慧畜牧业中得到广泛应用。计算机视觉技术主要从图像或视频中提取生物视觉相关特征（例如,形状、颜色、纹理等），在此基础上通过机器学习等算法实现动物区域检测，但检测效果依赖于相关特征提取的是否充分8-10 深度学习技术的发展，使其特征的提取能力提高，有效解决外界因素带来的干扰，满足现代化畜牧业的需求11-12 。门。目前，深度学习技术已被应用到动物目标检测中，其中基于面部特征的目标检测是热门研究点之二13-1)。秦兴等15)在双线性卷积神经网络（BilinearCNN）的基础上提出了一种非侵人式的猪面部检测识别模型，猪面部检测识别准确率达到了95.7 3%。XU等16 提出了一种李生密集胶囊网络（SiameseDBcapsulenetwork，SD BCN）对牛脸图像进行了检测，检测准确率达到93%。张宏鸣等17 将通道注意力算法（Efficient channel coalescespatial informationattention，ECCSA）融人到MobileFaceNet的深度卷积层和残差层中，并采用余弦退火进行动态学习率调优，构建了羊脸检测识别模型（ECCSA-MFC）。试验结果表明，该方法在人工筛选的数据集中准确率达到9 6.7 3%。SONG等18 提出了一种基于YOLOv3模型修剪的羊脸检测方法（YOLOv3P）。通过使用羊脸数据集对YOLOv3中的锚顿进行聚类，mAP从95.3%增加到96.4%，模型尺寸也缩小到原始模型尺寸的1/4。上述研究表明，高质量面部数据集对面部检测识别模型的性能提升有至关重要的作用，但并没有提升模型在更加复杂多变的现实环境中的检测性能。此外，羊只通常遍体纯色，羊头灵活，给脸部检测识别增加了一定难度；羊养殖环境较为复杂，遮挡、重叠、光线干扰等会造成漏检、误检问题的发生，在保证所构建模型检测准确率的前提下，也应满足牧场实时性的需求。本文以黄淮山羊为研究对象，构建具有多样性的数据集（包含舍内、舍外、单头以及多头的山羊图像）。基于YOLOv5s检测模型，提出一种引人坐标注意机制的山羊面部检测识别方法。即在YOLOv5s模型的主干网络中引人坐标注意力机制，以充分利用山羊脸部的位置信息，从而提高遮挡、小目标、多视角样本的识别准确率和快速性，改善整体模型的性能。为进一步验证本研究方法的鲁棒性和应用性，构建模拟相机抖动和不同光照（白天、夜间）下的数据集，并对模型进行测试。1材料与方法1.1羊脸数据采集山羊图像采集于安徽省合肥博大牧业科技开发有限公司。在实际饲养环境下，通过手机拍摄并获取自然状态下的黄淮山羊图像。每幅图像中包含12 0 只山羊不等。图像格式为jpg格式。数据集中包含不同角度、不同场景（舍内、舍外）、遮挡、单头以及多头等纯白色山羊，以充分模拟羊场的复杂性。采集的部分山羊图像如图1所示(a)舍内单头(b)舍外多头(c)舍内多头图1采集的山羊图像Fig.1Collected images of goats315郭阳阳等：基于坐标注意力机制和YOLOv5s模型的山羊脸部检测方法第7 期1.2数据集构建为了检测本研究采用模型的泛化性，从拍摄的图像中选取40 0 幅作为样本数据集，其中存在遮挡且多头羊只的样本量约为30 0。数据集按4：1分配为训练集与测试集。使用Labelme图像标注工具对羊脸进行标记，并将得到的json文件转化为txt形式，制作YOLOv5s模型所需格式数据集。YOLOv5s的作者在其源代码中添加了大量的数据增强策略，本研究基于Mosaic数据增强方式19,选择图像色度、饱和度、亮度随机调整，以及图像翻转、错切、缩放、平移等数据增强方法，并将由4幅随机图像按照一定的概率转换成单幅图像作为每次的输入图像，从而扩大数据的多样性。最终样本数据集扩充为40 0 0 幅。从图2 中可知，与单幅图像的增强变换结果相比（图2 c2i），Mosaic图像增强（图2 b）不仅扩充了样本数量，也进一步丰富了多场景多尺度信息，(a）原图(b)Mosaic增强(c）上下翻转(d）左右翻转(e）色域变化(f)角度变换(g)不规则裁减(h）大小变换(i)平移变换图2增强图像示例Fig.2Example of augmented images2羊脸检测识别方法2.1YOLOv5s网络结构YOLOv5属于轻量级模型，运行速度快，可满足牧场实时准确的需求，且模型内存占用量小，保证了该模型可移植到移动设备中，应用更加便携灵活。YOLOv5具有YOLOv5s、YO LO v 5m、YO LO v 51、YOLOv5x共4个模型，网络宽度和深度依次增大。本研究选择YOLOv5s作为基础模型。YOLOv5s网络架构由Input、Ba c k b o n e、Ne c k、Output组成，各部分具体组成如下。Input:采用Mosaic数据增强方式19,对图像进行缩放、翻转、马赛克、色彩变化等操作，并自动计算数据集的最佳锚框值。Backbone:由CSPNet20模块和SPPF2模块组成。CSPNet将基础层的特征映射成两部分，并通过局部跨层结构融合，获取不同层更丰富的特征图。SPPF模块进行最大池化操作并进行张量拼接。Neck：由PANet22模块组成。PANet自顶向下将高层特征图中的语义信息与不同层CSP模块的输出特征进行有效聚合，再采用自底向上路径聚合结构聚合浅层特征。Output:采用GIOU_Loss23为损失函数，增加了相交尺度的衡量，采用非最大抑制算法去除损失函数中贡献值较小的预测结果，生成边界框和预测类别。2.2引入坐标注意机制的YOLOv5检测模型针对实际饲养环境下羊只多角度、多尺度等特点，且为了进一步在山羊图像中精确地检测出脸部区域，本研究在YOLOv5s的基础上引人坐标注意力机制（Coordinate attention,CA）,即YOLO v5s-CA模型，使模型关注于目标区域位置信息，以提高对遮挡和小目标区域的检测精度。改进后的山羊脸部检测网络结构图如图3所示，在主干网络每个C3模块后加人坐标注意力机制模块。注意力机制作为提升卷积神经网络模型性能的一种有效方法，得到了广泛的应用2 4-2 6 。其中，坐标注意力（Coordinate attention，CA）【2 7 是一种新的高效注意力机制，其结构图如图4所示。其通过精确的位置信息对通道关系和长期依赖性进行编码，第1步将坐标信息嵌人通道注意力中，对输人X，采用尺寸（H,1）和（1,W)的池化核沿着水平坐标方向工X式中输人特征图316农2023年机业报学械BackboneNeckPredictionConvC3ConvConcatYOLOC3HeadConvCAUpsampleConvInputC3ConvConcatC3CAYOLOHeadConvConcatC3ConvC3CAUpsampleConcatConvConv83YOLOC3HeadCASPPF图3改进的YOLOv5s结构Fig.3ImprovedYOLOv5s structureC/rx1x(HxW)C/rx1x(HxW)Concat+Conv2dBatchNorm+Nom-linearCxHx1Conv2dConv2dCx1xWCx1xWCxHx1SigmoidSigmoidCx1xWYAvg PoolCxHx1X Avg PoolResidualRe-weightCxHxW输出CxHxW输人图4坐标注意力模块结构Fig.4CA model structure和竖直坐标方向对每个通道进行编码，H、W 分别为输人特征的高度和宽度,因此，高度为h的第c个通道的输出表达式为W-11x.(h,i)(1)W=0式中z（h）一一高度为h的第c个通道的输出x。（h,i）一一第i行特征向量同理，宽度为w的第c个通道的输出表达式为H-11Zx.(j,w)(2)Hi=0中宽度为w的第c个通道的输出x。（j,w）一一第j列特征向量利用一维全局池化操作将2 个空间方向进行特征聚合，使得注意力模块捕捉到沿着一个空间方向的相关关系，并保存沿着另一个空间方向的位置信息，这有助于网络更准确地获取感兴趣的目标。第2 步生成坐标注意力，首先将两个空间方向的输出张量进行拼接，使用11卷积进行F,变换操作，表达式为f=8(F,(2,)(3)式中一在水平方向和竖直方向上编码空间信息的中间特征图一非线性激活函数F11卷积变换一hZZ编码输出然后将切分为2 个单独的张量，再分别利用11卷积变换成X相同的通道数，最后利用Sigmoid激活函数得到注意力权重矩阵为g*=0(F,(f)(4)g=g(F.(f)(5)式中、f在水平方向和竖直方向的切分张量F,、F11 卷积变换g、g h水平、竖直方向的注意力权重矩阵Sigmoid激活函数最终输出量y（i,j）为y.(i,j)=x(i,j)g(i)g(j)(6)g*(i)g(j)-水平方向和竖直方向的注意力图最后获取的y。（i,j)增强了目标位置信息的敏感度，通过自顶向下将改进后获取的各层y。（i j）进行聚合，采用非最大抑制算法去除贡献值较小的预测结果，生成边界框和预测类别，实现羊脸区域检测317郭阳阳等：基于坐标注意力机制和YOLOv5s模型的山羊脸部检测方法第7 期3试验平台及模型评价指标3.1试验平台与对比模型本研究试验平台配置：操作系统为Windows10；CPU 为 Intel(R)Core(TM)i5-10200H 2.4 GHz;GPU为NVIDIAGeForceRTX1650 Ti;CPU显存为4GB；内存为16 GB；加速环境为CUDAv10.2；Pytorch版本为1.9.1;Python版本为3.9.0。为了验证YOLOv5s-CA模型的检测速率和轻量化，将YOLOv5s和YOLOv5s-CA主干网络替换成轻量级网络MobileNetv3，即构建YOLOv5s-MobileNetv3和YOLO v5s-MobileNet v3-CA模型,并与YOLOv5-CA模型进行对比分析。此外，为了验证本研究方法的整体性能，选择FasterRCNN、YO LO v 4和YOLOv5s模型作为对比模型。3.2评价指标采用mAPo.5、mA Po.5:0.95、精确率、召回率、顿速率和内存占用量作为模型评价指标，精确率（Pr e c i s i o n，P）表示预测正样本中为正样本的比例，召回率（Recall，R）表示所有正样本中预测正确的比例。mAPo.5表示交并比（IOU）为0.5时平均精度均值，mAP.5.0.9s表示I0U从0.5到0.95、间隔为0.05时平均精度均值。帧速率表示目标网络每秒可以检测的图像数。4丝结果与讨论4.1不同模型检测速度与轻量化结果对比在构建的数据集基础上，将YOLOv5s-CA与YOLOv5s、YO LO v 5s-M o b ile Ne t v 3和YOLO v5s-MobileNetv3C A 模型进行对比研究。由表1可知，将主干网络替换成轻量级网络MobileNetv3后，模型内存占用量明显下降，检测速率有所提升，但检测精度低于原模型（YOLOv5s94.3%，YO LO v 5s-CA95.6%）。YO LO v 5s-C A 的顿速率为6 9f/s,模型内存占用量为13.2 MB，可满足轻量化实时性检测的需求。此外，在YOLOv5s主干网络融人坐标注意力机制（CA）后，较YOLOv5s模型的准确率提升1.3个百分点，召回率下降1.1个百分点，mAPo.5提升0.8 个百分点，顿速率下降8 f/s。可见，YOLOv5s-CA模型融合坐标注意力机制牺牲了较小的顿速率但提升了检测精度。表1轻量级网络对比Tab.1Comparison of lightweight networks精确率/召回率/mAPo.s/mAPo.5:0.9/顿速率/内存占用量/模型%(fs)MBYOLOv5s94.384.189.455.37714.4YOLOv5s-MobileNetv386.373.879.541.3847.4YOLOv5s-MobileNetv3-CA77.960.667.233.4787.3YOLOv5s-CA95.683.090.252.56913.2以YOLOv5s为基础网络的模型采用Mosaic数据增强方式，图像输入尺寸为6 40 像素6 40 像素，批量大小为8，最大送代次数为30 0，使用随机梯度下降（Stochasticgradientdescent,SCD）作为优化器，权重衰减为0.0 0 0 5，动量为0.937，初始学习率设置为0.0 1,训练过程中采用余弦退火算法进行学习率更新。训练过程中各模型验证集损失值及mAPo.5变化如图5所示。可以看出，YOLOv5s-CA与YOLOv5s基础网络收敛速度相近，且二者收敛速度明显优于将主干网络替换成MobileNetv3的模型，在mAPo.5方面，YOLOv5s-CA最终超过了YOLOv5s，表现最优，约100个迭代周期后趋于平稳，而基于MobileNetv3模型的效果明显不佳。综上可知，轻量级网络MobileNetv3对于模型性能提升效果不大，在顿速率略高的情况下，检测精度反而降低，由此可见，0.18rYOLOv50.16YOLOv5-CAYOLOv5-MobileNet0.14-YOLOv5-MobileNet-CA0.120.100.080.06050100150200250300送代次数8060%/ayu40YOLOv5-YOLOv5-CA20-YOLOv5-MobileNet-YOLOv5-MobileNet-CA050100150200250300送代次数图5训练过程中损失值和mAPo.s变化曲线Fig.5Changes in loss and mAPo.s during training农3182023年机业报学械YOLOv5s一CA的整体性能在检测精度和检测速度方面均取得了不错的效果。4.2不同模型对山羊脸部检测结果的对比为了验证本文方法的有效性，与FasterR一CNN、YO LO v 4和YOLOv5s模型在测试数据集上进行了检测对比分析,结果如表2 所示。由表2 可知，YOLOv5s-CA与FasterR-CNN相比,其检测精确率提高17.3个百分点，召回率提高0.1个百分点，mAPo.5提高5.4个百分点，顿速率是FasterR-CNN的8.6 3倍；与YOLOv4相比，其检测精确率提高27.5个百分点，召回率提高10.7 个百分点，mAP.5提高2 1.0 个百分点，帧速率是YOLOv4的2.0 3倍。可以看出,YOLOv5s-CA相比FasterR-CNN和YOLOv4,其检测精确率及性能均更优，且在检测速度上有明显的提升。此外，YOLOv5s-CA和YOLOv5s均取得了较优的检测结果，本研究对YOLOv5s-CA和YOLOv5s的检测性能结合检测结果图像进一步对比分析，检测结果如图6 所示。表2不同模型检测结果Tab.2Different model experiment results精确率/召回率/mAPo.5/顿速率/内存占用模型%(fs)量/MBFaster R-CNN78.382.984.88108.2YOLO v468.172.369.234243.9YOLOv5s94.384.189.47714.4YOLOv5s-CA95.683.090.26913.2(a)原图(b)YOLOv5s检测结果(c)YOLOv5s-CA检测结果图6 YOLOv5s和YOLOv5s-CA的检测结果对比Fig.6Comparison of detection effects between YOLO v5s and YOLO v5s-CA从图6 中可以看出，YOLOv5s和YOLOv5s-CA模型在单只羊的脸部检测效果均较好，没有较大差异。而对于多只羊图像中的羊脸检测，由于图像中存在头部区域重叠和小目标，YOLOv5s模型会重复检测或漏检；YOLOv5s-CA融人坐标注意力机制，更好地利用了坐标信息从而更精确地获取感兴趣的特征，在检测多目标重叠或小目标情况上效果有所提升4.3不同光照和模糊化下山羊脸部检测结果对比为了适应不同光照以及摄像机抖动带来的检测干扰，选择10 0 幅图像分别进行Gamma（=0.50.7;=1.53.5）亮度调整和采用PIL库中的BLUP进行模糊处理，构建数据集来模拟不同光照和相机抖动的情况。在光照增强、光照减弱、模糊3种数据集上，对已构建的YOLOv5s-CA模型进行可行性分析，结果如表3所示。从表3中可以看出，在光照增强和减弱情况下，YOLOv5s-CA的检测精度略高于YOLOv5s，但在表3不同光照和模糊条件下的检测结果Tab.3Different lighting and blur conditionsexperiment results%模型处理条件精确率召回率mAPo.5光照增强91.683.188.2YOLOv5s光照减弱92.383.689.0模糊化88.778.183.3光照增强92.982.888.4YOLOv5s-CA光照减弱93.083.888.7模糊化87.174.581.5模糊化中略低于YOLOv5s。模糊化后可能导致目标区域边界不明显，从而获取的位置信息略有偏差，但目前硬设备已较好地解决了抖动问题。图7 为不同情况下的检测结果。可以看出，对于单只山羊，模型均得到了较好的检测结果。而对于多只山羊，在不同光照情况下，YOLOv5s会出现漏检而YOLOv5s-CA的检测结果有所改善。在模糊化情况下，两个模型检测结果相差不大。319郭阳阳等：基于坐标注意力机制和YOLOv5s模型的山羊脸部检测方法第7 期光照增强光照减弱模糊化(a)原图(b)YOLOv5s检测结果(c)YOLOv5s-CA检测结果图7YOLOv5s和YOLOv5s-CA在不同光照和模糊条件下检测结果对比Fig.7 Comparison of detection effects between YOLO v5s and YOLO v5s-CA under different lighting and blur conditions2023年农320机报学业械4.4讨论4.4.1数据集对检测结果的影响模型检测效果主要依赖于脸部特征，故脸部特征的有效获取直接影响检测的性能。YOLOv5s-CA在引人坐标注意力机制基础上更加充分地获取脸部区域特征。数据集中包含多角度、多尺度以及多目标等纯白色山羊图像。纯白色山羊不具有明显的花纹和斑块等特征，给山羊脸部检测增加了一定的难度。羊头部存在多角度的现象，当头部扭转、低头造成的头部特别是脸部特征的大量丢失，该情况下不能很好地检测出目标区域；此外，遮挡（外物遮挡、种间遮挡）造成脸部信息的丢失时检测效果较差。但相对于YOLOv5s模型，YOLOv5s-CA在该数据上的检测效果有所提升。4.4.2模型应用性分析与展望本研究中的YOLOv5s-CA模型内存占用量为13.2 MB，顿速率为6 9 f/s，检测精确率为95.6%，故可移植到移动平台实现便携灵活操作。此外，在检测到羊群的脸部区域的基础上，可以作为个数统计的辅助手段；其次，羊群中存在攻击、爬跨等社会行为，这也是生产者比较关注的行为。攻击行为存在安全隐患；爬跨行为对应发情行为，这对于生产者都是重要的信息。而这些行为可通过脸部区域与身体区域的相对位置关系来进行判断，例如攻击行为（图8 黄色框对应攻击行为）：羊头低下准备攻击，头部位置相对较低；爬跨行为（图8 红色框对应爬跨行为）：头部区域远高于身体区域。下一步可进一步检测获取身体区域来实现社会行为的识别，但对于密集性羊群、多角度、多尺度的数据集中，关联同一只羊的脸部区域与身体区域仍具有较大的挑战。图：羊群社会行为示例Fig.8Example of social behaviors5结论（1)在YOLOv5s的主干网络中加人坐标注意力机制，充分获取目标区的位置信息，提高了对重叠区域和小目标区域的检测性能。改进YOLOv5s模型的检测精度为95.6%，召回率为8 3.0%，mAPo.5为90.2%，顿速率为6 9f/s，模型内存占用量为13.2 MB。（2）将YOLOv5s中的主干网络替换为MobileNetv3进行轻量级网络对比分析，结果表明轻量级网络对于模型的整体性能提升不大，其检测速度有所提升但检测精度明显下降，而YOLOv5s-CA在检测精确率和检测速度上均较优。（3）改进YOLOv5s模型的检测精确率分别比Faster R-CNN、YO LO v 4和YOLO v5s高17.3、2 7.5、1.3个百分点，可以有效改善漏检、误检问题。但在羊群过于拥挤、头部区域重叠严重、头部扭转等造成脸部信息大量丢失时，检测效果较差，仍有待提高。参考文献1丁丽娜中国羊肉市场供求现状及未来趋势研究D.北京：中国农业大学，2 0 14.DING Lina.Research on the current situation and future trend of mutton supply and demand in ChinaD.Beijing:ChinaAgricultural University,2014.(in Chinese)2滕光辉畜禽设施精细养殖中信息感知与环境调控综述J智慧农业，2 0 19，1（3）：1-12.TENG Guanghui.Information sensing and environment control of precision facility livestock and poultry farming J.SmartAgriculture,2019,1(3):1-12.(in Chinese)3何东健，刘冬，赵凯旋。精准畜牧业中动物信息智能感知与行为检测研究进展J农业机械学报，2 0 16，47(5）：2 31-2 44.HE Dongjian,LIU Dong,ZHAO Kaixuan.Review of perceiving animal information and behavior in precision livestock farmingJ.Transactions of the Chinese Society for Agricultural Machinery,2016,47(5):231-244.(in Chinese)4QIAO Y,KONG H,CLARK C,et al.Intelligent perception for cattle monitoring:a review for cattle identification,bodycondition score evaluation,and weight estimationJ.Computers and Electronics in Agriculture,2021,185:106143.5BABOT D,HERNANDEZ-JOVER M,CAJA G,et al.Comparison of visual and electronic identification devices in pigs:on-farm performancesJ.Journal of Animal Science,2006,84(9):2575-2581.6FOSGATE G T,ADESIYUN A A,HIRD D W.Ear-tag retention and identification methods for extensively managed waterbuffalo(Bubalus bubalis)in TrinidadJ.Preventive Veterinary Medicine,2006,73(4):287-296.321郭阳阳等：基于坐标注意力机制和YOLOv5s模型的山羊脸部检测方法第7 期7CARNE S,CAJA G,ROJAS-OLIVARES M A,et al.Readability of visual and electronic leg tags versus rumen boluses andelectronic ear tags for the permanent identification of dairy goatsJ.Journal of Dairy Science,2010,93(11):5157-5166.8ANDREW W,GREATWOOD C,BURGHARDT T.Visual localisation and individual identification of holstein friesian cattle viadeep learning CJ/Proceedings of the IEEE International Conference on Computer Vision Workshops,2017:2850-2859.9KUMAR S,SINCH S K,SINCH R,et al.Recognition of cattle using face imagesJ/OL.Animal Biometrics,2017:79-110.D0I:10.1007/978-981-10-7956-6_3.10GUO Y,AGGREY S E,OLADEINDE A,et al.A machine vision-based method optimized for restoring broiler chicken imagesoccluded by feeding and drinking equipmentJ.Animals,2021,11(1):123.11QIAO Y,SU D,KONG H,et al.Individual cattle identification using a deep learning based framework J.IFAC-Papers0nLine,2019,52(30):318-323.12LI G,HUANG Y,CHEN Z,et al.Practices and applications of convolutional neural network-based computer vision systems inanimal farming:a reviewJ.Sensors,2021,21(4):1492.13XU B,WANG W,GUO L,et al.CattleFaceNet:a cattle face identification approach based on RetinaFace and ArcFace lossJ.Computers and Electronics in Agriculture,2022,193:106675.14杨蜀秦，刘杨启航，王振，等.基于融合坐标信息的改进YOLOV4模型识别奶牛面部J.农业工程学报，2 0 2 1，37(15):129-135.YANG Shuqin,LIU Yangqihang,WANG Zhen,et al.Improved YOLO V4 model for face recognition of diary cow by fusingcoordinate informationJ.Transaction