एक ध्यान तंत्र-सुधारित YOLOv7 वस्तु पहचान एल्गोरिदम कैनाबिस डक गिनती अनुमान के लिए

भंडारण घनत्व घरेलू जानवरों और पोल्ट्री उत्पादन पर एक महत्वपूर्ण कारक प्रस्तुत करता है, साथ ही पशु कल्याण पर भी। हालाँकि, कैनाबिस डक प्रजनन उद्योग में वर्तमान मैनुअल गिनती विधि अप्रभावी है, श्रम में महंगी है, कम सटीक है, और दोहरी गिनती और छूट के प्रति संवेदनशील है। इस संबंध में, यह पत्र गहरे शिक्षण एल्गोरिदम का उपयोग करता है ताकि घनत्व वाले कैनाबिस डक झुंडों की संख्या की रियल-टाइम निगरानी की जा सके और बुद्धिमान खेती उद्योग के विकास को बढ़ावा दिया जा सके। हमने एक नया बड़े पैमाने पर कैनाबिस डक वस्तु पहचान छवि डेटासेट बनाया, जिसमें 1500 कैनाबिस डक वस्तु पहचान पूर्ण-शरीर फ्रेम लेबलिंग और सिर-केवल फ्रेम लेबलिंग शामिल है। इसके अतिरिक्त, यह पत्र एक सुधारे हुए ध्यान तंत्र YOLOv7 एल्गोरिदम, CBAM-YOLOv7 का प्रस्ताव करता है, जिसमें नेटवर्क की हड्डी नेटवर्क में तीन CBAM मॉड्यूल जोड़े गए हैं ताकि विशेषताओं को निकालने की नेटवर्क की क्षमता में सुधार किया जा सके और तुलना प्रयोगों के लिए SE-YOLOv7 और ECA-YOLOv7 पेश किए गए। प्रयोगात्मक परिणामों से पता चलता है कि CBAM-YOLOv7 की उच्च सटीकता थी, और रिकॉल, mAP@0.5, और mAP@0.5:0.95 को थोड़ा सुधार मिला। CBAM-YOLOv7 का मूल्यांकन सूचकांक SE-YOLOv7 और ECA-YOLOv7 की तुलना में अधिक सुधारित हुआ। इसके अलावा, हमने दो लेबलिंग विधियों के बीच एक तुलना परीक्षण भी किया और पाया कि सिर-केवल लेबलिंग विधि ने उच्च मात्रा में विशेषता जानकारी के नुकसान की ओर ले गई, और पूर्ण-शरीर फ्रेम लेबलिंग विधि ने बेहतर पहचान प्रभाव प्रदर्शित किया। एल्गोरिदम प्रदर्शन मूल्यांकन के परिणाम बताते हैं कि इस पत्र में प्रस्तावित बुद्धिमान कैनाबिस डक गिनती विधि संभव है और यह स्मार्ट विश्वसनीय स्वचालित डक गिनती के विकास को बढ़ावा दे सकती है।