基于多元复合深度学习的肉鸽行为识别算法研究

为实现肉鸽行为准确识别,研究提出一种基于多元复合深度学习的肉鸽行为识别算法.该算法通过使用YOLOX-s模型检测肉鸽目标区域作为AlphaPose肉鸽姿态预估模型输入预估肉鸽骨架每个关键点,结合连续视频帧的骨架变化关键点数据构建肉鸽骨架时空图作为ST-GCN肉鸽行为识别模型输入,实现肉鸽行为识别.对YOLOX-s模型使用CSPResNet替代其主干网络,并减少CSP模块中的残差块以保留更多肉鸽图像的中层细节特征,在姿态预估模型中使用ECCWB-LiteHRNet作为其单目标姿态估计器,以提高肉鸽关键点特征识别能力.结果显示,改进后的YOLOX-s模型平均精度、检测速度分别为0.985、40.2 fps,较原模型提高了0.002、6.9 fps;姿态预估模型平均精度、平均召回率和检测速度分别为0.887、0.921和28.5 fps,较原模型提高了0.036、0.016和12.9 fps;ST-GCN模型行为识别平均准确率为0.970,单帧推理时间约为15 ms,最终多进程模型并行推理平均帧处理速度为28.5 fps,经过Tensorrt加速后平均帧处理速度可达50.8 fps.研究表明,ST-GCN模型能够快速准确地识别出肉鸽当前行为,且改进后的姿态预估模型可为ST-GCN模型提供更加稳定的骨架数据,为通过行为特征感知肉鸽身体信息及开展数字化健康管理提供技术支撑.