DAFS-YOLO：面向无人机草地密集羊群场景的稠密感知特征增强检测网络

《AgriEngineering》：DAFS-YOLO: Dense-Aware Feature Enhancement for UAV-Based Grassland Livestock Detection in Dense Sheep Scenes

　　

利用无人机（UAV）影像自动检测草地家畜可支撑家畜资源调查与放牧管理。然而相较于牛马等大体型牲畜，宽视场图像中的羊通常尺度小、分布稠密、间距近且易与相似背景纹理混淆，导致漏检、背景误检与重复检测。为此，研究人员提出DAFS-YOLO用于无人机密集羊群场景下的家畜检测。稠密感知浅层卷积模块（DASConv）增强稠密场景中羊只小目标的浅层特征可分辨性，降低漏检与背景误检；局部空间-语义互补映射模块（LSCM）在特征传播中保留更丰富的浅层空间信息，改善小目标定位；高斯软非极大值抑制（Gaussian Soft-NMS）优化密集羊区高重叠候选框筛选并减少重复检测。在自建无人机家畜数据集上，DAFS-YOLO的mAP0.5与mAP0.5:0.95达0.930与0.634，较YOLOv11n分别提升4.4与4.8个百分点，羊类分别为0.922与0.564；参数量仅2.65 M，在SheepCounter上具良好跨数据集泛化性，为智能无人机家畜监测提供有效方案。

研究背景方面，无人机（UAV）草地家畜检测面临羊只尺度小、分布稠密、相邻个体部分遮挡与边界粘连、且与裸地石块等背景纹理相似的问题，传统人工解译效率低，通用检测器（Faster R-CNN、YOLO系列、SSD、DETR）在稠密小目标场景存在漏检、重复检测与背景误检。已有YOLO改进多关注轻量骨干、注意力、小目标检测头与多尺度融合，但缺乏对稠密羊群浅层弱响应、相邻个体特征混淆及高重叠框过滤的针对性设计。该研究以YOLOv11n为基线，提出DAFS-YOLO，旨在不依赖切片推理的前提下提升稠密小羊检测性能，论文发表于《AgriEngineering》。

关键技术方法上，研究人员在内蒙古四旗（扎鲁特旗、西乌珠穆沁旗、科尔沁右翼前旗、鄂温克族自治旗）于2025年7—9月用DJI Mavic 3系列悬停采集568张高分影像，X-AnyLabeling初标结合伪标签人工校正得到40811实例（羊35085、牛4541、马1185），按图像级分层划分8:2，羊小目标占比96.6%；以YOLOv11n为基线的Backbone-Neck-Head框架中，浅层以DASConv替换前两Conv，Backbone首C3k2后嵌LSCM，后处理以Gaussian Soft-NMS替传统NMS，统一1024×1024整图输入、AdamW训练300 epoch对比YOLOv5n/v8n/v11n/v13n、FBRT-YOLO、DMN-YOLO及在SheepCounter验证。

研究结果部分，2 材料与方法中2.1数据获取与处理建立内蒙古四旗568图数据集并定义稠密羊场景（单图≥100羊或局部簇集）；2.2 YOLOv11分析基线在连续下采样、稠密边界模糊与相似背景激活三方面不足；2.3 DAFS-YOLO检测网络中2.3.1 DASConv经局部提取、邻域抑制（均值池化减输入）、水平垂直卷积三分支拼接1×1/3×3融合，由羊区灰度统计中心强周边弱特性增强目标中心、抑邻域扩散，消融显示放首两Conv最优、邻域系数(1.0,0.8)最佳、去方向支则Recall与mAP_0.5:0.95降；2.3.2 LSCM基于FCM改型，通道拆分比α=0.75，语义支3×3→3×3→1×1、空间支点卷积，空间权引入3×3深度可分离卷积（DWConv）建模邻域、通道权全局平均池化+1×1重标定，残差缩放因子γ₀=0.1，嵌首C3k2后最优，较FCM参少0.23 M、FLOPs低1.4 G且羊mAP_0.5:0.95高3.6点；2.3.3 Gaussian Soft-NMS以s_i=s_iexp(?IoU(M,b_i)²/σ²)、σ=0.4连续衰减替硬删，对比NMS/IoA-SoftNMS/DIoU-NMS等σ=0.4综合最优。3 实验与分析里3.1指标用P、R、mAP_0.5、mAP_0.5:0.95、Params、GFLOPs、FPS；3.2设1024×1024、batch 8、max_det 2000、RTX 4090+PyTorch 2.2.1；3.3对比实验DAFS-YOLO全类P/R/mAP_0.5/mAP_0.5:0.95=0.918/0.883/0.930/0.634，羊类0.917/0.863/0.922/0.564，较YOLOv11n全类提5.7/8.2/4.4/4.8点、羊类提7.5/5.5/3.9/6.0点，参2.65 M、FLOPs 9.8 G，可视化红框误检蓝框漏检少于比对模型；3.4 SheepCounter泛化DAFS-YOLO达0.959/0.942/0.966/0.571，较YOLOv11n提1.9/1.4/1.5/0.8点；3.5消融中3.5.1三模块全加最优，DASConv主提Recall、LSCM主提mAP_0.5:0.95、Soft-NMS零参增益，特征图可见DASConv集中激活、LSCM补弱响应，3.5.2—3.5.9逐证DASConv置首两Conv、系数(1.0,0.8)、LSCM置首C3k2后、γ₀=0.1、α=0.75、σ=0.4为优。

讨论与结论翻译总结：研究人员指出DAFS-YOLO通过DASConv增强稠密小羊浅层体区与方向结构分辨、LSCM补空间-语义传播、Gaussian Soft-NMS连续衰减保邻真框抑冗余，协同降本漏误重三类误差；局限为自建集仅内蒙古夏秋568图、季节与地类覆盖窄，树影建筑严重遮挡仍漏检，牛马长尾分布未显式均衡，相似背景非家畜仍误激活，FLOPs由6.3升至9.8 G且Soft-NMS后处理延时增；未来扩多季多地类、加少数类与难负样本、引遮挡感知与剪枝蒸馏。该研究证实针对稠密小目标浅层特征与高重叠后处理的协同改型可在轻量参数下显著提升无人机草地羊群检测定位，为牧业遥感监测提供可迁移方案。