Page 46 - 《华中农业大学学报》2025年第2期

40 华 中 农 业 大 学 学 报 第 44 卷

挑战。 师阿拉尔市八团露天养殖场收集了 200 头安格斯牛
为应对这些挑战，本研究设计 1 种改进的 YO‐ 的面部图像，采集时间为 2023 年 10 月 5 日—2024 年
LOv8n 模型 ［16-17］ ，以安格斯牛在不同生长阶段的面 5 月 1 日，每月 1 次。每张图像分辨率为 6 000 像素×
部图像构建数据集，通过结合增强感受野特征融合 4 000像素，采集距离为 0.5~2 m，模拟真实面部识别
单元（ERFFU）和轻量级卷积检测头（LPCDH），提 环境。如图 1所示，图像涵盖牛只在不同姿态下的正
升安格斯牛面部特征的识别能力，并采用组泰勒剪 脸和侧脸视图，采集时间为上午 10：00 和下午 4：00，
枝方法 ［18］ ，剪除不必要的神经元，减少计算成本和内 以减少光照变化影响。
存 占 用 ，进 一 步 优 化 识 别 流 程 和 简 化 模 型 复 杂 为应对复杂环境中的遮挡问题，采取了策略确
度 ［19-20］ ，旨在实现安格斯牛高效、精准的面部识别， 保数据集的多样性 ［21-22］ ，最终筛选出 11 000 幅高质
为智能畜牧业的发展提供技术支持。 量面部图像（正脸 5 810张，左脸 2 185张和右脸 1 990
张，遮挡图像 1 015 张）。所有图像经过精确标注，避
1 材料与方法
免耳标信息影响识别结果。数据集随机分为训练
1.1 数据采集和数据集构建 集、验证集和测试集，比例为 7∶2∶1，并确保测试集与
使用佳能 800D 相机在新疆生产建设兵团第一 训练集采集时间不同，以增强评估的准确性。

A：正脸；B：左脸；C：右脸；D：遮挡。A：Front face； B：Left side face； C：Right side face； D：Obstruction.
图1 不同角度和有障碍物的牛脸样本数据集图像
Fig.1 Sample dataset images of cattle faces from different angles and with obstructions
1.2 改进YOLOv8n安格斯牛面部检测模型 结构如图 3 所示。该模块基于 ERFBlock 进行改进，
YOLOv8 模 型 融 合 了 YOLOv5、YOLOv6 和 旨在增强目标检测模型的性能。具体内容如下：假
YOLOX的优点 ［23-24］ ，以适应不同的应用场景。通过 设输入特征图 X，输入图像通过卷积层处理得到 Y 0 ，
架构优化，YOLOv8 在资源受限环境中实现了实时 其中，输入通道数扩展为原始大小的 2 倍，形成隐藏
识别和快速部署，并表现出了卓越的性能。 通道，得到的通道被分成 2 个独立的部分： Y 1 和 Y 2 。

改进后的 Yolov8n 使用 640 像素×640 像素×3
为了更有效地捕捉更多特征信息，本研究应用基础
通道的安格斯牛图像作为输入，训练过程中通过 Al‐
残差块的概念，将 Y 2 的一部分通过 1×1 卷积层处
bumentations 进行在线数据增强 ［25］ 。在模型改进方
理，得到 Y ′ 1 ，然后将其输入到 ERFBlock中，计算如公
面，为增强特征提取能力，本研究提出了扩展感受野
式（1）~（3）所示。
特征单元（ERFFU），通过高效的注意力分配强化空
（1）
间特征捕捉。检测头部分采用新型轻量级并行卷积 Y 0 = X × K 0 + b 0
Y 1，Y 2 = Chunk(Y 0) （2）
检 测 头（LPCDH），在 提 高 精 度 的 同 时 解 决 YO‐
（3）
LOv8n 检测头参数过大的问题。此外，引入组泰勒 Y ' 1 = Y 1 × K 1 + b 1
ERFBlock 的计算过程如公式（4）所示。其中，
剪枝（group Taylorp pruning）进一步减小参数量和计
g i × i 表示分组卷积， k 为积核的大小， Norm 是规范
算负担，使模型更适用于资源受限环境（图2）。
1.3 模型改进 化， F是将注意力图与变换的感受野空间特征相乘而
为更准确地捕捉安格斯牛的关键面部特征，本 获得。具体来说，ERFBlock首先对输入特征图 Y ′ 1 进
研究提出 1 种扩展感受野特征融合单元（ERFFU）， 行全局平均池化（AvgPool），以捕捉全局空间信息。