基于YOLOv5的红外相机野生动物图像识别

摘要：

为在红外相机等资源受限平台上实时、准确地实现海量野生动物图像自动识别,改善野生动物监测过程中数据传输负载重、时效性低等问题,基于YOLOv5模型,利用5类物种的红外相机图像构建数据集,对YOLOv5s、YOLOv5m、YOLOv51、YOLOv5x四种网络结构进行训练.通过对比不同网络结构的精度、检测速度、体积,明确最优网络结构;同时分析模型在复杂背景信息干扰下的识别效果,评价YOLOv5在真实野外场景的适用性;并通过与其他同类算法的比较,明确YOLOv5用于野生动物识别的优势.实验结果表明:四种网络结构的识别精度均较高,F1-score和平均精度(mAP)均在90％以上,其中YOLOv5m的综合性能最好;YOLOv5在多种复杂背景信息干扰下识别效果仍较好,能够很好地适应真实野外场景;与其他算法相比,YOLOv5同时具有精度高、鲁棒性强、资源占用低等优势.YOLOv5是一种轻量化的模型且性能优越,为在资源受限的平台上进行野生动物实时识别提供了新的契机.

关键词：机器视觉、野生动物、目标检测、YOLOv5、图像识别、深度学习

所属期刊栏目：59

分类号：TP391.4(计算技术、计算机技术)

资助基金：中国林业科学研究院中央级公益性科研院所基本科研业务费专项CAFYBB2019ZB011

在线出版日期：2022-08-01（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：372-380