【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及深度學(xué)習(xí)的目標(biāo)檢測(cè)，更具體的說是涉及一種多目標(biāo)融合的奶牛發(fā)情行為檢測(cè)方法及系統(tǒng)。
技術(shù)介紹
1、在規(guī)模化、集約化養(yǎng)殖中，及時(shí)準(zhǔn)確地監(jiān)測(cè)發(fā)情期奶牛并進(jìn)行人工配種和繁殖管理可以有效縮短生育與產(chǎn)犢的時(shí)間間隔，保障牧場(chǎng)經(jīng)濟(jì)效益。傳統(tǒng)的方法是人工觀察發(fā)情母牛的行為跡象(如活躍度增加、互相嗅聞、站立跳躍等)和生理狀態(tài)來判斷奶牛是否處于發(fā)情狀態(tài)，但是傳統(tǒng)的人工觀測(cè)方法不僅費(fèi)時(shí)費(fèi)力，而且準(zhǔn)確性有限，尤其在大規(guī)模養(yǎng)殖場(chǎng)中更為困難。因此，研究奶牛個(gè)體發(fā)情的實(shí)時(shí)、準(zhǔn)確監(jiān)測(cè)對(duì)現(xiàn)代奶牛養(yǎng)殖具有重要意義。
2、近年來，隨著計(jì)算機(jī)視覺領(lǐng)域中視頻圖像處理算法的提出，研究人員采用了一種基于視頻圖像處理的方法來識(shí)別動(dòng)物的行為。基于視頻圖像處理的動(dòng)物發(fā)情行為識(shí)別方法提高了動(dòng)物福利，但該方法需要人工提取特征，效率低下且具有一定的主觀性。因?yàn)榫矸e神經(jīng)網(wǎng)絡(luò)具有良好的特征提取能力和泛化能力，能夠從復(fù)雜的圖像數(shù)據(jù)中學(xué)習(xí)到有效的特征表示，因此基于卷積神經(jīng)網(wǎng)絡(luò)等深度學(xué)習(xí)技術(shù)進(jìn)行奶牛發(fā)情監(jiān)測(cè)逐漸受到關(guān)注。隨著深度學(xué)習(xí)的不斷發(fā)展，以rcnn、fast-rcnn等為代表的兩階段檢測(cè)算法和以yolo、ssd等為代表的一階段檢測(cè)算法在檢測(cè)精度和速度上取得了不錯(cuò)的效果。基于深度學(xué)習(xí)的牲畜目標(biāo)檢測(cè)和識(shí)別算法應(yīng)用前景廣闊。然而，當(dāng)前算法雖然對(duì)奶牛發(fā)情行為監(jiān)測(cè)有一定效果，但在實(shí)際應(yīng)用中仍存在許多困難：首先，因?yàn)榘l(fā)情奶牛與普通奶牛之間較為相似，不便于區(qū)分，因此在牛舍環(huán)境下檢測(cè)奶牛的發(fā)情行為需要高精度檢測(cè)；其次，奶牛處于生長(zhǎng)發(fā)育階段，大小不一，會(huì)使多個(gè)不同尺度的奶牛出現(xiàn)在同幅
3、因此，如何提供能夠解決上述問題的一種多目標(biāo)融合的奶牛發(fā)情行為檢測(cè)方法及系統(tǒng)，是本領(lǐng)域技術(shù)人員亟需解決的問題。
技術(shù)實(shí)現(xiàn)思路
1、有鑒于此，本專利技術(shù)提供了一種多目標(biāo)融合的奶牛發(fā)情行為檢測(cè)方法及系統(tǒng)，以輕量化網(wǎng)絡(luò)yolov8n為基礎(chǔ)框架，提出一種pbf-yolo算法用于牧場(chǎng)奶牛發(fā)情行為的監(jiān)測(cè)，以實(shí)現(xiàn)對(duì)奶牛發(fā)情行為的快速、準(zhǔn)確檢測(cè)。
2、為了實(shí)現(xiàn)上述目的，本專利技術(shù)提供如下技術(shù)方案：
3、一種多目標(biāo)融合的奶牛發(fā)情行為檢測(cè)方法，包括：
4、s1：采集奶牛發(fā)情行為圖像，并對(duì)所述奶牛發(fā)情行為圖像進(jìn)行圖像增強(qiáng)；
5、s2：構(gòu)建pbf-yolo深度學(xué)習(xí)網(wǎng)絡(luò)模型，所述pbf-yolo深度學(xué)習(xí)網(wǎng)絡(luò)模型包括：輕量模塊、背景信息增強(qiáng)模塊和特征聚合模塊；
6、s3：通過所述pbf-yolo深度學(xué)習(xí)網(wǎng)絡(luò)模型識(shí)別奶牛發(fā)情行為感興趣區(qū)域，對(duì)奶牛發(fā)情行為進(jìn)行檢測(cè)。
7、優(yōu)選的，s1：采集奶牛發(fā)情行為圖像，并對(duì)所述奶牛發(fā)情行為圖像進(jìn)行圖像增強(qiáng)，包括：
8、采集奶牛發(fā)情行為圖像；
9、將奶牛發(fā)情行為圖像通過小波變換分解成多個(gè)頻帶；
10、基于頻帶分析奶牛發(fā)情行為圖像的亮度分布，計(jì)算奶牛發(fā)情行為圖像中亮度的平均值、最大值、最小值；
11、通過對(duì)比原始奶牛發(fā)情行為圖像和目標(biāo)奶牛發(fā)情行為圖像的亮度值，計(jì)算色彩增益因子；
12、將計(jì)算出的增益應(yīng)用到圖像的色彩分量上，實(shí)現(xiàn)對(duì)所述奶牛發(fā)情行為圖像進(jìn)行圖像增強(qiáng)。
13、優(yōu)選的，計(jì)算色彩增益因子的表達(dá)式為：
14、
15、式中，lmax、lmin分別表示為奶牛發(fā)情行為圖像中亮度的平均值、最大值、最小值。
16、優(yōu)選的，所述構(gòu)建pbf-yolo深度學(xué)習(xí)網(wǎng)絡(luò)模型包括：
17、采用yolov8n網(wǎng)絡(luò)作為pbf-yolo深度學(xué)習(xí)網(wǎng)絡(luò)模型的主干網(wǎng)絡(luò)；
18、利用通道卷積構(gòu)建的輕量模塊改進(jìn)yolov8n網(wǎng)絡(luò)中的c2f模塊；
19、加入背景信息增強(qiáng)模塊和特征聚合模塊。
20、優(yōu)選的，所述輕量模塊包括：
21、一個(gè)通道卷積，將兩個(gè)1×1卷積層附加到所述通道卷積后；
22、設(shè)置快捷連接；
23、將歸一化層和silu激活層置于兩個(gè)1×1卷積層中間。
24、優(yōu)選的，所述背景信息增強(qiáng)模塊包括：
25、
26、式中，和分別表示基于高度方向和基于寬度方向的全局平均池化，x是輸入的奶牛發(fā)情行為圖像，是對(duì)高度方向和寬度方向坐標(biāo)信息進(jìn)行編碼得到的兩組聚合特征。
27、優(yōu)選的，所述特征聚合模塊包括：
28、
29、式中，(·,·)表示對(duì)兩組聚合特征進(jìn)行concat操作，v0表示共享1×1卷積，v0∈r1×1×c×c/r，δ表示非線性操作；
30、對(duì)中間特征進(jìn)行批量歸一化和非線性激活操作，并通過分裂得到2個(gè)特征變換后的輸出：
31、
32、以上是特征聚合模塊生成2組坐標(biāo)關(guān)注的整個(gè)過程，特征聚合模塊的輸出表示為：
33、
34、式中，fco(·,·)為坐標(biāo)乘法，z表示經(jīng)過特征聚合模塊重新標(biāo)定的輸出特征圖，σ表示sigmoid激活函數(shù)。
35、一種多目標(biāo)融合的奶牛發(fā)情行為檢測(cè)系統(tǒng)，包括：
36、數(shù)據(jù)采集模塊：采集奶牛發(fā)情行為圖像，并對(duì)所述奶牛發(fā)情行為圖像進(jìn)行圖像增強(qiáng)；
37、模型構(gòu)建模塊：構(gòu)建pbf-yolo深度學(xué)習(xí)網(wǎng)絡(luò)模型，所述pbf-yolo深度學(xué)習(xí)網(wǎng)絡(luò)模型包括：輕量模塊、背景信息增強(qiáng)模塊和特征聚合模塊；
38、行為檢測(cè)模塊：通過所述pbf-yolo深度學(xué)習(xí)網(wǎng)絡(luò)模型識(shí)別奶牛發(fā)情行為感興趣區(qū)域，對(duì)奶牛發(fā)情行為進(jìn)行檢測(cè)。
39、經(jīng)由上述的技術(shù)方案可知，與現(xiàn)有技術(shù)相比，本專利技術(shù)公開提供了一種多目標(biāo)融合的奶牛發(fā)情行為檢測(cè)方法及系統(tǒng)，針對(duì)牛場(chǎng)環(huán)境下奶牛發(fā)情行為檢測(cè)精度低的問題，提出一種基于多目標(biāo)奶牛行為監(jiān)測(cè)方法。該方法的核心思想是：首先使用圖像增強(qiáng)方法，解決由環(huán)境等因素影響導(dǎo)致圖像對(duì)比度不足，細(xì)節(jié)不充分，色彩偏差等問題；其次，為提高神經(jīng)網(wǎng)絡(luò)的運(yùn)行速度，設(shè)計(jì)通道卷積重構(gòu)yolov8n中的c2f模塊，有效減少參數(shù)量，從而降低整體模型的復(fù)雜性，構(gòu)建滿足實(shí)時(shí)監(jiān)控需求的輕量級(jí)神經(jīng)網(wǎng)絡(luò)；之后，提出一個(gè)全新的背景信息增強(qiáng)模塊，充分捕捉目標(biāo)周圍的背景信息和空間信息，更加有效地區(qū)分奶牛發(fā)情行為和其他背景，提高模型精度。最后，設(shè)計(jì)一個(gè)特征聚合模塊，通過對(duì)不同方向的特征進(jìn)行聚合，使算法更加關(guān)注淺層信息的位置。在獲取每個(gè)方向的權(quán)值后，將其與兩側(cè)的輸入結(jié)合，使輸出特征圖的淺層信息得到更好的表達(dá)。該方法相比傳統(tǒng)的目標(biāo)檢測(cè)方法更加準(zhǔn)確，效果更好，有較好的實(shí)用價(jià)值。
本文檔來自技高網(wǎng)...【技術(shù)保護(hù)點(diǎn)】
1.一種多目標(biāo)融合的奶牛發(fā)情行為檢測(cè)方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的一種多目標(biāo)融合的奶牛發(fā)情行為檢測(cè)方法，其特征在于，S1：采集奶牛發(fā)情行為圖像，并對(duì)所述奶牛發(fā)情行為圖像進(jìn)行圖像增強(qiáng)，包括：
3.根據(jù)權(quán)利要求2所述的一種多目標(biāo)融合的奶牛發(fā)情行為檢測(cè)方法，其特征在于，計(jì)算色彩增益因子的表達(dá)式為：
4.根據(jù)權(quán)利要求1所述的一種多目標(biāo)融合的奶牛發(fā)情行為檢測(cè)方法，其特征在于，所述構(gòu)建PBF-YOLO深度學(xué)習(xí)網(wǎng)絡(luò)模型包括：
5.根據(jù)權(quán)利要求1所述的一種多目標(biāo)融合的奶牛發(fā)情行為檢測(cè)方法，其特征在于，所述輕量模塊包括：
6.根據(jù)權(quán)利要求1所述的一種多目標(biāo)融合的奶牛發(fā)情行為檢測(cè)方法，其特征在于，所述背景信息增強(qiáng)模塊包括：
7.根據(jù)權(quán)利要求1所述的一種多目標(biāo)融合的奶牛發(fā)情行為檢測(cè)方法，其特征在于，所述特征聚合模塊包括：
8.一種利用權(quán)利要求1至7任一項(xiàng)所述的多目標(biāo)融合的奶牛發(fā)情行為檢測(cè)方法的多目標(biāo)融合的奶牛發(fā)情行為檢測(cè)系統(tǒng)，其特征在于，包括：
【技術(shù)特征摘要】
1.一種多目標(biāo)融合的奶牛發(fā)情行為檢測(cè)方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的一種多目標(biāo)融合的奶牛發(fā)情行為檢測(cè)方法，其特征在于，s1：采集奶牛發(fā)情行為圖像，并對(duì)所述奶牛發(fā)情行為圖像進(jìn)行圖像增強(qiáng)，包括：
3.根據(jù)權(quán)利要求2所述的一種多目標(biāo)融合的奶牛發(fā)情行為檢測(cè)方法，其特征在于，計(jì)算色彩增益因子的表達(dá)式為：
4.根據(jù)權(quán)利要求1所述的一種多目標(biāo)融合的奶牛發(fā)情行為檢測(cè)方法，其特征在于，所述構(gòu)建pbf-yolo深度學(xué)習(xí)網(wǎng)絡(luò)模型包括：...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：劉利強(qiáng)，齊詠生，欒浩天，李永亭，寇志偉，郭雨鑫，
申請(qǐng)(專利權(quán))人：內(nèi)蒙古工業(yè)大學(xué)，
類型：發(fā)明
國(guó)別省市：
還沒有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。