【技術實現(xiàn)步驟摘要】
本專利技術涉及深度學習的目標檢測，更具體的說是涉及一種多目標融合的奶牛發(fā)情行為檢測方法及系統(tǒng)。
技術介紹
1、在規(guī)模化、集約化養(yǎng)殖中，及時準確地監(jiān)測發(fā)情期奶牛并進行人工配種和繁殖管理可以有效縮短生育與產(chǎn)犢的時間間隔，保障牧場經(jīng)濟效益。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)的人工觀測方法不僅費時費力，而且準確性有限，尤其在大規(guī)模養(yǎng)殖場中更為困難。因此，研究奶牛個體發(fā)情的實時、準確監(jiān)測對現(xiàn)代奶牛養(yǎng)殖具有重要意義。
2、近年來，隨著計算機視覺領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別動物的行為。基于視頻圖像處理的動物發(fā)情行為識別方法提高了動物福利，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。因為卷積神經(jīng)網(wǎng)絡具有良好的特征提取能力和泛化能力，能夠從復雜的圖像數(shù)據(jù)中學習到有效的特征表示，因此基于卷積神經(jīng)網(wǎng)絡等深度學習技術進行奶牛發(fā)情監(jiān)測逐漸受到關注。隨著深度學習的不斷發(fā)展，以rcnn、fast-rcnn等為代表的兩階段檢測算法和以yolo、ssd等為代表的一階段檢測算法在檢測精度和速度上取得了不錯的效果。基于深度學習的牲畜目標檢測和識別算法應用前景廣闊。然而，當前算法雖然對奶牛發(fā)情行為監(jiān)測有一定效果，但在實際應用中仍存在許多困難：首先，因為發(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)境下檢測奶牛的發(fā)情行為需要高精度檢測；其次，奶牛處于生長發(fā)育階段，大小不一，會使多個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融合的奶牛發(fā)情行為檢測方法及系統(tǒng)，是本領域技術人員亟需解決的問題。
技術實現(xiàn)思路
1、有鑒于此，本專利技術提供了一種多目標融合的奶牛發(fā)情行為檢測方法及系統(tǒng)，以輕量化網(wǎng)絡yolov8n為基礎框架，提出一種pbf-yolo算法用于牧場奶牛發(fā)情行為的監(jiān)測，以實現(xiàn)對奶牛發(fā)情行為的快速、準確檢測。
2、為了實現(xiàn)上述目的，本專利技術提供如下技術方案：
3、一種多目標融合的奶牛發(fā)情行為檢測方法，包括：
4、s1：采集奶牛發(fā)情行為圖像，并對所述奶牛發(fā)情行為圖像進行圖像增強；
5、s2：構建pbf-yolo深度學習網(wǎng)絡模型，所述pbf-yolo深度學習網(wǎng)絡模型包括：輕量模塊、背景信息增強模塊和特征聚合模塊；
6、s3：通過所述pbf-yolo深度學習網(wǎng)絡模型識別奶牛發(fā)情行為感興趣區(qū)域，對奶牛發(fā)情行為進行檢測。
7、優(yōu)選的，s1：采集奶牛發(fā)情行為圖像，并對所述奶牛發(fā)情行為圖像進行圖像增強，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頻帶；
10、基于頻帶分析奶牛發(fā)情行為圖像的亮度分布，計算奶牛發(fā)情行為圖像中亮度的平均值、最大值、最小值；
11、通過對比原始奶牛發(fā)情行為圖像和目標奶牛發(fā)情行為圖像的亮度值，計算色彩增益因子；
12、將計算出的增益應用到圖像的色彩分量上，實現(xiàn)對所述奶牛發(fā)情行為圖像進行圖像增強。
13、優(yōu)選的，計算色彩增益因子的表達式為：
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，所述構建pbf-yolo深度學習網(wǎng)絡模型包括：
17、采用yolov8n網(wǎng)絡作為pbf-yolo深度學習網(wǎng)絡模型的主干網(wǎng)絡；
18、利用通道卷積構建的輕量模塊改進yolov8n網(wǎng)絡中的c2f模塊；
19、加入背景信息增強模塊和特征聚合模塊。
20、優(yōu)選的，所述輕量模塊包括：
21、一個通道卷積，將兩個1×1卷積層附加到所述通道卷積后；
22、設置快捷連接；
23、將歸一化層和silu激活層置于兩個1×1卷積層中間。
24、優(yōu)選的，所述背景信息增強模塊包括：
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，是對高度方向和寬度方向坐標信息進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，(·,·)表示對兩組聚合特征進行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、對中間特征進行批量歸一化和非線性激活操作，并通過分裂得到2個特征變換后的輸出：
31、
32、以上是特征聚合模塊生成2組坐標關注的整個過程，特征聚合模塊的輸出表示為：
33、
34、式中，fco(·,·)為坐標乘法，z表示經(jīng)過特征聚合模塊重新標定的輸出特征圖，σ表示sigmoid激活函數(shù)。
35、一種多目標融合的奶牛發(fā)情行為檢測系統(tǒng)，包括：
36、數(shù)據(jù)采集模塊：采集奶牛發(fā)情行為圖像，并對所述奶牛發(fā)情行為圖像進行圖像增強；
37、模型構建模塊：構建pbf-yolo深度學習網(wǎng)絡模型，所述pbf-yolo深度學習網(wǎng)絡模型包括：輕量模塊、背景信息增強模塊和特征聚合模塊；
38、行為檢測模塊：通過所述pbf-yolo深度學習網(wǎng)絡模型識別奶牛發(fā)情行為感興趣區(qū)域，對奶牛發(fā)情行為進行檢測。
39、經(jīng)由上述的技術方案可知，與現(xiàn)有技術相比，本專利技術公開提供了一種多目標融合的奶牛發(fā)情行為檢測方法及系統(tǒng)，針對牛場環(huán)境下奶牛發(fā)情行為檢測精度低的問題，提出一種基于多目標奶牛行為監(jiān)測方法。該方法的核心思想是：首先使用圖像增強方法，解決由環(huán)境等因素影響導致圖像對比度不足，細節(jié)不充分，色彩偏差等問題；其次，為提高神經(jīng)網(wǎng)絡的運行速度，設計通道卷積重構yolov8n中的c2f模塊，有效減少參數(shù)量，從而降低整體模型的復雜性，構建滿足實時監(jiān)控需求的輕量級神經(jīng)網(wǎng)絡；之后，提出一個全新的背景信息增強模塊，充分捕捉目標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，設計一個特征聚合模塊，通過對不同方向的特征進行聚合，使算法更加關注淺層信息的位置。在獲取每個方向的權值后，將其與兩側的輸入結合，使輸出特征圖的淺層信息得到更好的表達。該方法相比傳統(tǒng)的目標檢測方法更加準確，效果更好，有較好的實用價值。
本文檔來自技高網(wǎng)...【技術保護點】
1.一種多目標融合的奶牛發(fā)情行為檢測方法，其特征在于，包括：
2.根據(jù)權利要求1所述的一種多目標融合的奶牛發(fā)情行為檢測方法，其特征在于，S1：采集奶牛發(fā)情行為圖像，并對所述奶牛發(fā)情行為圖像進行圖像增強，包括：
3.根據(jù)權利要求2所述的一種多目標融合的奶牛發(fā)情行為檢測方法，其特征在于，計算色彩增益因子的表達式為：
4.根據(jù)權利要求1所述的一種多目標融合的奶牛發(fā)情行為檢測方法，其特征在于，所述構建PBF-YOLO深度學習網(wǎng)絡模型包括：
5.根據(jù)權利要求1所述的一種多目標融合的奶牛發(fā)情行為檢測方法，其特征在于，所述輕量模塊包括：
6.根據(jù)權利要求1所述的一種多目標融合的奶牛發(fā)情行為檢測方法，其特征在于，所述背景信息增強模塊包括：
7.根據(jù)權利要求1所述的一種多目標融合的奶牛發(fā)情行為檢測方法，其特征在于，所述特征聚合模塊包括：
8.一種利用權利要求1至7任一項所述的多目標融合的奶牛發(fā)情行為檢測方法的多目標融合的奶牛發(fā)情行為檢測系統(tǒng)，其特征在于，包括：
【技術特征摘要】
1.一種多目標融合的奶牛發(fā)情行為檢測方法，其特征在于，包括：
2.根據(jù)權利要求1所述的一種多目標融合的奶牛發(fā)情行為檢測方法，其特征在于，s1：采集奶牛發(fā)情行為圖像，并對所述奶牛發(fā)情行為圖像進行圖像增強，包括：
3.根據(jù)權利要求2所述的一種多目標融合的奶牛發(fā)情行為檢測方法，其特征在于，計算色彩增益因子的表達式為：
4.根據(jù)權利要求1所述的一種多目標融合的奶牛發(fā)情行為檢測方法，其特征在于，所述構建pbf-yolo深度學習網(wǎng)絡模型包括：...
【專利技術屬性】
技術研發(fā)人員：劉利強，齊詠生，欒浩天，李永亭，寇志偉，郭雨鑫，
申請(專利權)人：內蒙古工業(yè)大學，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。