基于改进YOLOv7与CycleGAN伪样本生成的跨品种少样本生猪检测框架

《Biology》:Exploratory Single-Nucleus RNA Sequencing Suggests Glial-Specific NPY Upregulation and Cell-Type-Specific Metabolic Alterations in Temporal Lobe Epilepsy Chao Jiang, Yan Zhao, Yaning Ding, Shanshan Wu, Le Su, Chenyang Bai, Jian Wang, Chuang Guo and Zhiqiang Cui

【字体: 大 中 小 】 时间:2026年04月23日 来源:Biology 3.5

编辑推荐:

  为解决生猪养殖中因品种差异、标注成本高导致的检测模型泛化难题,研究人员通过优化YOLOv7的锚框、引入ECA通道注意力与LSE池化,并结合CycleGAN进行伪样本生成,构建了跨品种少样本生猪检测框架。在仅有10张标注图像的杜洛克猪数据集上,该方法取得了85.52%的mAP,为标注数据有限的精准畜牧监测提供了有效解决方案。

  
在现代规模化生猪养殖中,自动化的视频监控是实现精准畜牧养殖、提升动物福利和生产效率的关键技术。而这一切智能分析的前提,是能够在复杂的猪舍环境中稳定、准确地识别出每一头猪。然而,现实很“骨感”:猪只常常挤作一团、相互遮挡,光照条件变化多端,而不同品种的猪在外观上,比如毛色、纹理,也可能大相径庭。更重要的是,为每个新品种的猪收集并人工标注海量图片,既费时又昂贵。这使得现有的目标检测模型,在面对一个仅有寥寥几张标注图片的新品种时,往往表现不佳。如何让小样本“学”出大本事,成为了推动智能养殖落地必须啃下的“硬骨头”。
为此,一项发表在《Biology》上的研究提出了一种创新的解决方案。研究人员独辟蹊径,将目标检测模型的改进与人工智能“造图”技术相结合,开发出一个专为跨品种、少样本条件设计的生猪检测框架。他们就像一位既会改进工具,又会创造训练材料的“全能教练”,让模型在数据极度匮乏的情况下,依然能练就火眼金睛。
为了开展这项研究,作者主要运用了以下几项关键技术:首先,对基础检测模型YOLOv7进行了三项核心改进,包括基于k-means||算法的锚框(Anchor)优化、集成高效通道注意力(ECA)模块,以及用对数-和-指数(LSE)池化替代全局平均池化,以提升在密集场景中的定位和特征判别能力。其次,为了扩充极少的靶品种(杜洛克猪)训练数据,研究采用了改进的CycleGAN(循环生成对抗网络)进行图像到图像的风格迁移,并引入了基于预训练VGG19网络的感知损失(Perceptual Loss)来提升生成图像的质量,从而合成伪杜洛克猪样本。数据集方面,研究构建了包含6000张标注图像的白猪基础数据集和仅含37帧图像的杜洛克猪少样本数据集,后者用于模拟真实的低资源学习场景。
3.1. 实验平台与实验配置
研究在配备NVIDIA A100 GPU的高性能服务器上进行。模型训练采用两阶段迁移学习策略:先冻结骨干网络训练200个周期(Epoch),再解冻全部网络继续训练200个周期,使用余弦学习率衰减。
3.2. 在白猪基础数据集上的性能
在白猪数据集上,改进后的YOLOv7模型取得了98.16%的mAP(平均精度均值),优于基线模型的96.79%。其中,锚框优化贡献了0.93%的提升,而ECA与LSE池化的结合进一步带来了增益。特征响应热图显示,改进后的模型能更集中地激活猪体区域,并在拥挤场景中减少背景干扰。
3.3. 在杜洛克少样本数据集上的检测性能
在极具挑战的杜洛克少样本数据集(仅10张训练图)上,基线YOLOv7的mAP仅为60.18%。加入锚框优化和ECA-LSE模块后,mAP提升至74.31%。这表明,针对模型结构本身的改进能有效缓解因数据稀缺和品种外观差异带来的性能下降。
3.4. 基于CycleGAN的伪样本生成效果
为了进一步突破数据瓶颈,研究利用改进的CycleGAN生成伪杜洛克猪图像来扩充训练集。使用原始CycleGAN生成样本后,模型mAP提升至79.68%。而当使用加入了感知损失的改进版CycleGAN后,生成图像质量更高(FID分数从17.02降至15.90,IS分数从2.13提升至2.28),下游检测性能也进一步提升至85.52% mAP。可视化结果对比显示,改进模型生成的伪样本在毛色、纹理的转换上更连贯、逼真。检测结果对比图也直观表明,完整框架能更精确地框出猪只,并减少在密集区域的漏检。
3.5. 对比实验
与其他主流检测模型对比,在杜洛克少样本数据集上,提出的框架(85.52% mAP)显著优于Faster R-CNN(80.40%)、CenterNet(70.01%)和YOLOv8(31.45%)。在伪样本生成方法对比中,本研究采用的改进CycleGAN也优于DCGAN和SRGAN等方法。
4. 讨论
4.1. 改进的YOLOv7检测器的性能
讨论部分指出,锚框优化使预设的候选框形状更贴合猪在各种姿态下的真实边界框分布,这是提升定位精度的基础。而ECA-LSE模块的引入,则通过重新校准特征通道的重要性和更好地平衡显著特征与上下文信息,增强了模型在拥挤、遮挡场景下的特征分辨能力。这两方面的改进共同应对了养殖场视觉任务的特殊性。
4.2. 基于CycleGAN的伪样本生成的有效性
研究表明,利用CycleGAN进行跨品种风格迁移,是解决目标域标注数据稀缺的有效策略。用感知损失替代像素级损失,能驱使生成器产出在语义特征层面更接近真实靶品种的图像,从而为检测器提供更高质量、多样化的“训练素材”。虽然增加伪样本数量能持续提升性能,但大约30个高质量样本已能带来大部分增益,这对降低实际应用中的数据成本具有积极意义。当然,在极度拥挤、严重遮挡或光照条件极端的场景中,模型仍会出现漏检或框体不完整的情况,说明该方法尚未完全解决所有挑战。
4.3. 与现有目标检测方法的比较
与YOLOv8、Faster R-CNN等通用检测器相比,本研究所提出的框架在少样本条件下展现出了明显优势。这证明了将检测器针对性改进与靶域数据扩充相结合的策略,在处理农业视觉任务中因数据匮乏和领域偏移(如品种差异)共同导致的难题时,是行之有效的。
5. 结论
综上所述,这项研究成功构建了一个用于少样本条件下的跨品种生猪检测框架。该框架通过优化YOLOv7的锚框和集成ECA-LSE模块来强化检测器自身能力,并利用融合感知损失的CycleGAN生成高质量伪样本以弥补目标域数据不足。实验表明,该方法在白猪数据集上达到98.16% mAP,在仅用10张标注图像的杜洛克猪数据集上取得了85.52% mAP的有效性能。这项工作为标注成本高昂的精准畜牧业提供了一种实用的自动监测解决方案,通过“改进模型”与“创造数据”双管齐下的方式,显著降低了对大规模标注数据的依赖,推动了智能养殖技术在真实、复杂生产环境中的应用前景。研究者已就相关技术申请了专利(CN119904730B)。未来的工作可扩展至更多品种、多视角场景,并与行为分析模块结合,以实现更全面的畜禽健康监测。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号