为了应对羊只图像分割数据集较为稀缺的现状，构建了一个专用的羊只图像分割数据集。选择位于呼和浩特市白塔村的中小型养殖场作为数据采集点，拍摄了四段斜俯视角的视频，作为研究的基础数据。首先，对采集的羊只视频数据进行帧采样，本文设置的抽帧的时间间隔设置为每5秒一帧，总共抽取了400张待标注的图片。本文使用Labelme标注工具，首先要对每个待标注的对象用打点的方式，来选取对象的轮廓，在确定好一个对象的外轮廓之后，对每个标好的对象进行类别标记。用于区分对象是不是一类物体，并且将类别名保存在JSON文件中。为了能更好地模拟真实场景与增强模型的泛化能力，本文对原始数据进行了数据增强的操作，数据由原来的400张变为3600张。数据集的部分示例如 图1 所示。

为了选择一种算法作为羊只计数方法改进的基础模型，设计了对比实验，并使用公共数据集VOC2012对三个经典的图像分割模型进行了训练和评估，以分割平均精度均值(mAP)作为评价标准。实验结果如 表1 所示。

从实验结果分析可得，Mask R-CNN的mAP最高，为47.37。在养殖场景中的羊只图像分割计数任务中，需要准确的分割结果，并且考虑目标的定位和检测。因此，选择使用Mask R-CNN作为基础模型。

在选择MaskR-CNN作为基础模型后，需要对其主干网络进行轻量化改进。本文选取Inverted Residual对Mask R-CNN的主干网络进行轻量化改进。倒残差结构Inverted Residual最早由MobileNetV2引入，是一种在轻量级卷积神经网络中常用的模块，它的作用是提高模型的效率和性能。倒残差采用的是先升维再降维的反向操作，其结构如 图2 所示。

本文在替换过程中，保留了ResNet50中layer0部分，由于这部分负责对输入图像做预处理，本文希望在新的网络结构中保留相同功能，所以没有进行替换。其余四个模块均按照 图3 中的结构进行了替换。其中，in-dim为输入维度，out-dim为输出维度，stride表示步幅，当stride = 1时卷积核每次移动一个像素，输出特征图的空间尺寸就与输入相同，当stride = 2时进行下采样，虽然减小了特征图的空间分辨率，但增加了感受野。通过这样的改进，可以得到一个轻量化网络结构如 图3 所示。

考虑到主干网络参数量减少而造成准确度下降的情况，本文在主干网络中引入SE注意力机制来缓解这一情况。由 图4 可知，SE模块主要包含以下几个步骤。

1) Squeeze对输入特征图进行全局平均池化，将每个通道的特征图转换为一个单一的值。假设输入特征图为X，其形状为H × W × C (高度、宽度和通道数)。全局平均池化后得到的特征向量z形状为1 × 1 × C。

$z_c=F_{sq}\left(X\right)=\frac{1}{H\times W}{\displaystyle \underset{i=1}{\overset{H}{\sum }}{\displaystyle \underset{j=1}{\overset{W}{\sum }}{X}_{i,j,c}}}$

2) Excitation通过两个全连接层来学习每个通道的重要性权重。首先是一个带有ReLU激活函数的全连接层，然后是一个带有sigmoid激活函数的全连接层。

$s=F_{ex}\left(z,W\right)=\delta \left[W_2•\text{ReLU}\left(W_1•z\right)\right]$

其中，W₁和W₂是两个全连接层的权重矩阵， $\delta$是sigmoid激活函数，s是学到的每个通道的权重。

3) Scale将学到的权重s重新作用到输入特征图的每个通道上。具体地，使用广播机制将每个通道的特征图乘以对应的权重。

${\hat{X}}_{i,j,c}=F_{scale}\left(s_c,X_{i,j,c}\right)=s_c•X_{i,j,c}$

对于Mask R-CNN-I模型，底层通常捕捉基础且简单的特征，如边缘、颜色和纹理，这些特征对图片理解很重要，但缺乏抽象性。因此，在底层加入注意力机制效果不明显，因为特征几乎同等重要。注意力机制对深层网络的抽象特征进行加权，可以突出对任务最有帮助的特征。因此，我们在高层的moblile2、moblile3、moblile4模块中加入注意力机制，使网络对任务更敏感。加入后的网络结构如 图5 所示。

FPN是一种特征金字塔结构，它通过自下而上和自上而下的水平连接来提取多尺度的特征。在特征融合部分将FPN与ASPP (空洞空间卷积池化金字塔)结合起来。这样的组合充分利用了FPN的多尺度特征金字塔结构，以及ASPP在局部和全局感受野上的有效信息捕捉能力。这有助于提高模型对目标的理解和分割性能。

ASPP用于增加感受野并捕获多尺度的上下文信息，同时保持特征图的空间分辨率。一般情况下，它被加在网络的深层部分，以捕捉高级语义信息而不是边缘或纹理等信息，这有助于改善网络对复杂对象和场景的理解。对于像素级的图像分割任务，在深层网络中加入ASPP可以扩大感受野，而在浅层加入可能会忽略有用的细节信息。因此，本文选择在FPN的M5、M4层引入ASPP，以利用网络已经提取的复杂特征，在不增加模型规模的情况下，增强对不同尺度结构的理解和处理能力。其引入位置如 图6 所示。

通过对Mask R-CNN的主干网络进行了轻量化改进，SE注意力机制的引入，以及，在特征融合部分加入了ASPP空洞金字塔池化，提升模型对多尺度信息的捕获能力。本文提出的模型总体架构如 图7 所示。

数据集：本文选取在1.1节中构建的数据集，共计3600张图片。按照8:2的比例划分为训练集和测试集。

评价指标：本文使用的评价指标如下：Params/M (参数量)：表示模型中需要优化的可训练参数的数量，Macc/G (计算量)：表示模型的计算复杂度，单帧时间/s：表示推理单帧图像所需的时间，MS/M (模型大小)：表示模型所占用的存储空间大小，Count_Accuracy/% (计数准确度)：评价羊只计数的准确度。其中Count_Accuracy的计算公式如下：

$Count\text{\_}Accuracy=\left(1-\frac{{\displaystyle {\sum }_{i=1}^n|total\text{\_}project{s}_i-annotated\text{\_}coun{t}_i|}}{annotated\text{\_}coun{t}_i}\right)\times \frac{1}{total\text{\_}annotated}\times 100\%$

其中total_projects为模型预测的羊只数量，annotated_count为真实标注的羊只数量，total_annotated 为标注数据的数量。

超参数设置：算法开发环境的硬件配置包括 Xeon(R) Silver 4214R处理器、RTX 3080显卡、4 GB显存，操作系统为Windows 11。软件方面使用了PyCharm 2021、CUDA 11.3、CUDNN 8.2、Pytorch框架以及Python 3.8。训练参数设置为：Epochs为110，Batch Size为8，学习率为0.004，优化器为SGD，权重衰减为1e−4，动量为0.9。

基线模型：本文对基于YOLOv5 [12] 、SSD [13] 和DeepLabv3Plus [14] 的计数方法进行了重复试验，以进行性能比较。

为了验证Mask R-CNN-I-S-A模型中各个组件的有效性，本文进行了消融实验。通过逐步移除模型中的关键组件来评估这些组件对模型性能的影响。在本文中，我们主要关注以下几个组件的消融实验：Inverted Residual模块，SE注意力机制模块，ASPP模块。其中Mask R-CNN：基础模型，不包含任何新增模块。Mask R-CNN-I：在基础模型中添加Inverted Residual模块。Mask R-CNN-I-S：在基础模型中添加Inverted Residual模块和SE注意力机制模块。Mask R-CNN-I-S-A：完整模型，包含所有新增模块。消融实验结果如 表2 所示。

根据表中的数据，逐步引入Inverted Residual模块、SE注意力机制模块和ASPP模块后，模型在轻量化的同时也实现了计数准确率的提升。具体而言：参数数量从基础模型Mask R-CNN的23.51 M减少

至Mask R-CNN-I-S-A的14.47 M，减少了32.95%。单帧推理时间从Mask R-CNN的0.2216秒减少至Mask R-CNN-I-S-A的0.1726秒，减少了22.12%。计数准确率从Mask R-CNN的96.09%提升至Mask R-CNN-I-S-A的96.27%，提高了0.18个百分点。这些结果表明，通过逐步加入Inverted Residual模块、SE注意力机制模块和ASPP模块，模型不仅实现了轻量化，而且在保持较高计数准确率的同时，显著提升了推理速度。具体原因如下：Inverted Residual模块采用深度可分离卷积(Depthwise Separable Convolution)，有效减少了模型的参数数量，从而降低了模型的复杂度。SE注意力机制模块的引入有助于提高计数准确率，因为它能够更好地聚焦于重要特征，增强了模型对关键特征的关注。ASPP模块的加入提升了多尺度物体的检测能力，通过不同尺度的空洞卷积捕捉多尺度上下文信息，增强了模型的泛化能力和鲁棒性。

综合来看，这些改进措施不仅提升了模型在羊只计数任务上的性能，而且在资源受限的环境下也保持了高效的推理能力。尤其在羊只密集的场景中，这种轻量化和高效推理的特性显得尤为重要。在羊只密集的场景中应用。分割效果如 图8 所示。

本文将改进后得到的Mask R-CNN-InvertedResidual-SE-ASPP简记为Mask R-CNN-I-S-A，并与基于YOLOv5、SSD及DeepLabv3Plus的计数方法进行了重复试验比较，以便更全面地评估它们的性能。评估指标包括每种方法的参数量、计算量、单帧推理时间、模型大小及计数准确率。对比实验结果如 表3 所示。

从表中数据可知根Mask R-CNN-I-S-A模型的参数数量为14.47 M，相比于YOLOv5 (21.2 M)、SSD (25.08 M)以及DeepLabv3Plus (38.9 M)明显较少。这意味着，在保持高性能的同时，该模型实现了轻量化的设计。此外，Mask R-CNN-I-S-A的计算量为15.94 G，与SSD (15.46 G)接近，但低于YOLOv5 (24.5 G)和DeepLabv3Plus (31.35 G)。这一结果表明该模型在计算效率上具有良好的表现。在处理时间方面，Mask R-CNN-I-S-A单帧处理时间为0.1726秒，介于YOLOv5 (0.1193秒)和SSD (0.2120秒)之间，并且优于DeepLabv3Plus (0.3174秒)，这说明在保持较高准确度的同时，其处理速度也较快。在内存占用方面，Mask R-CNN-I-S-A为222MB，介于YOLOv5 (44.3 MB)和SSD (95.71 MB)之间，但低于DeepLabv3Plus (304 MB)，显示了该模型在内存使用上的优势。最重要的是，Mask R-CNN-I-S-A的计数准确率达到96.27%，超过了YOLOv5 (80.33%)、SSD (83.07%)以及DeepLabv3Plus (92.35%)。这一优异性能主要归功于Inverted Residual模块的有效使用，它减少了模型的参数数量；SE注意力机制模块的引入帮助模型更好地关注关键特征；而ASPP模块则提升了模型对不同尺度物体的检测能力，增强了整体的泛化能力和鲁棒性。

综上所述，Mask R-CNN-I-S-A在羊只计数任务上表现突出，尤其是在保证高准确率的同时实现了轻量化设计，这使其非常适合在资源受限的环境中部署和应用。