【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)屬于深度學(xué)習(xí)目標(biāo)識別，尤其涉及基于改進(jìn)yolov10的輕量化小目標(biāo)識別方法。
技術(shù)介紹
1、隨著養(yǎng)殖業(yè)規(guī)模的不斷發(fā)展，畜禽養(yǎng)殖密度的增加，籠養(yǎng)雞的單個籠內(nèi)養(yǎng)殖數(shù)目也在不斷激增。在這種情況下，肉雞個體識別的難度和工作量陡然上升。傳統(tǒng)的rfid電子標(biāo)簽方法雖然有效，但由于成本高昂且對人力依賴性強(qiáng)，限制了其廣泛應(yīng)用。
2、隨著基于深度學(xué)習(xí)的目標(biāo)識別算法的快速發(fā)展，越來越多的目標(biāo)識別模型被提出，深度學(xué)習(xí)下的目標(biāo)識別算法可以通過卷積神經(jīng)網(wǎng)絡(luò)對輸入的圖像直接進(jìn)行特征提取，并通過深度網(wǎng)絡(luò)模型的學(xué)習(xí)直接回歸輸出結(jié)果，實(shí)現(xiàn)了輸入端到輸出端的目標(biāo)識別，但對于設(shè)備的要求較高，特別是對于可用資源有限的養(yǎng)殖場設(shè)備來說，能夠低成本實(shí)現(xiàn)高效肉雞個體識別的需求日益增長。
3、因此，需要設(shè)計(jì)一種高精度、高效率的雞臉識別方法，能夠在可用資源有限的設(shè)備上運(yùn)行，從而降低養(yǎng)殖場的設(shè)備成本，提高養(yǎng)殖場的管理效率。
技術(shù)實(shí)現(xiàn)思路
1、本專利技術(shù)提供了一種基于改進(jìn)yolov10的輕量化肉雞個體識別方法，以至少解決相關(guān)技術(shù)中肉雞個體識別的難度和工作量大、成本高的問題。
2、為了實(shí)現(xiàn)上述目標(biāo)，本專利技術(shù)提供如下技術(shù)方案：
3、一種基于改進(jìn)yolov10的輕量化肉雞個體識別方法，包括如下步驟：
4、s01.獲取待測數(shù)據(jù)；
5、s02.以yolov10網(wǎng)絡(luò)結(jié)構(gòu)為基礎(chǔ)網(wǎng)絡(luò)，使用改進(jìn)的特征提取單元sppelanf替換backbone中的c2f作為特征提取單元，
6、s03、將待測數(shù)據(jù)輸入至肉雞個體識別的初始深度學(xué)習(xí)模型，輸出識別結(jié)果，將識別結(jié)果分為一類圖像、二類圖像和三類圖像，其中一類圖像的精確率和召回率均大于等于85%，二類圖像的精確率和召回率僅有一個大于等于85%，三類圖像的精確率和召回率均小于85%，
7、將一類圖像直接添加到初始數(shù)據(jù)集中，
8、將二類圖像進(jìn)行第二次識別，若第二次識別后二類圖像的精確率和召回率均大于等于85%，則將二類圖像添加到初始數(shù)據(jù)集中，若第二次識別后二類圖像的精確率和召回率任意一個值小于85%，則將二類圖像添加至備用數(shù)據(jù)集中，
9、將三類圖像直接添加至備用數(shù)據(jù)集中，
10、輸出初始數(shù)據(jù)集；
11、s04、將初始數(shù)據(jù)集輸入到服務(wù)器中，服務(wù)器依據(jù)初始數(shù)據(jù)集對初始深度學(xué)習(xí)模型進(jìn)行初始化調(diào)整，輸出調(diào)整后的深度學(xué)習(xí)模型的識別結(jié)果。
12、進(jìn)一步地，所述改進(jìn)的特征提取單元sppelanf包括旋轉(zhuǎn)卷積、空間池化和加權(quán)特征金字塔網(wǎng)絡(luò)，通過多尺度特征提取與加權(quán)融合增強(qiáng)了模型對不同尺度目標(biāo)的感知能力；
13、所述旋轉(zhuǎn)卷積的應(yīng)用方式包括，將原始數(shù)據(jù)輸入到旋轉(zhuǎn)卷積模塊中，通過旋轉(zhuǎn)卷積模塊將原始數(shù)據(jù)進(jìn)行多角度旋轉(zhuǎn)，輸出旋轉(zhuǎn)卷積后的不同角度的特征圖，將不同角度的特征圖的拼接結(jié)果再輸入到旋轉(zhuǎn)卷積模塊，得到旋轉(zhuǎn)卷積后的數(shù)據(jù)；
14、所述特征提取包括，將旋轉(zhuǎn)卷積后的數(shù)據(jù)分別輸入池化層和加權(quán)特征金字塔網(wǎng)絡(luò)中，得到池化層處理后的數(shù)據(jù)，將池化層處理后的數(shù)據(jù)輸入至加權(quán)特征金字塔網(wǎng)絡(luò)中，在加權(quán)特征金字塔網(wǎng)絡(luò)中對旋轉(zhuǎn)卷積后的數(shù)據(jù)和經(jīng)過池化層處理的數(shù)據(jù)進(jìn)行加權(quán)處理，得到特征輸出結(jié)果；
15、將特征輸出結(jié)果通過與加權(quán)特征金字塔網(wǎng)絡(luò)連接的通道瓶頸進(jìn)行壓縮。
16、進(jìn)一步地，所述池化層包括最大池化模塊，最大池化模塊分為三級，每一級分別設(shè)置有一個二維最大池化單元，旋轉(zhuǎn)卷積后的數(shù)據(jù)進(jìn)入最大池化模塊后，順序進(jìn)入三級二維最大池化單元，在二維最大池化單元中進(jìn)行二維最大池化，每進(jìn)行完一次二維最大池化，將二維最大池化的結(jié)果輸出到下一級二維最大池化單元中，直至三次二維最大池化全部完成，且每進(jìn)行完一次二維最大池化，均將二維最大池化的結(jié)果輸出到加權(quán)特征金字塔網(wǎng)絡(luò)中。
17、進(jìn)一步地，所述改進(jìn)的卷積單元fwconv通過使用不同的卷積方式對輸入數(shù)據(jù)進(jìn)行卷積處理，每個卷積方式為一條單獨(dú)的路徑，每條路徑并行處理輸入數(shù)據(jù)，使用可學(xué)習(xí)的加權(quán)分配方法對各路徑的輸出結(jié)果進(jìn)行加權(quán)融合，以實(shí)現(xiàn)更靈活的特征提取；
18、所述卷積處理的方法包括：設(shè)置有五條路徑，五條路徑分為三條卷積路徑和兩條多角度池化路徑，三條卷積路徑分別為，
19、第一卷積路徑，第一卷積路徑包含1×1卷積層、3×3深度可分離卷積層和膨脹卷積層，通過深度可分離卷積和膨脹卷積的結(jié)合強(qiáng)化特征處理；
20、第二卷積路徑，第二卷積路徑包含1×1卷積層、5×5深度可分離卷積層和膨脹卷積層，通過定義不同深度可分離卷積的卷積核，進(jìn)行多尺度特征處理；
21、第三卷積路徑，第三卷積路徑包含1×1卷積層和3×3空洞卷積層，通過標(biāo)準(zhǔn)卷積和空洞卷積結(jié)合的方式進(jìn)行特征處理；
22、兩條多角度池化路徑分別為，
23、第一池化路徑，第一池化路徑為最大池化路徑，包含最大池化層和1×1卷積層，通過先池化后卷積的方式對紋理特征進(jìn)行處理；
24、第二池化路徑，第二池化路徑為平均池化路徑，包含平均池化層和1×1卷積層，通過先池化后卷積的方式對背景特征進(jìn)行處理；
25、將五條路徑處理過的特征輸入到動態(tài)權(quán)衡機(jī)制中，通過插值調(diào)整尺寸確保獲得的特征圖形狀一致，并對獲得的特征圖進(jìn)行加權(quán)融合輸出結(jié)果，再將結(jié)果進(jìn)行1×1卷積和批歸一化處理輸出最終特征圖。
26、進(jìn)一步地，設(shè)置一種動態(tài)更新機(jī)制，所述動態(tài)更新機(jī)制包括，自適應(yīng)模型更新和自動化訓(xùn)練流程；
27、所述自適應(yīng)模型更新包括，系統(tǒng)接收待測數(shù)據(jù)并確定待測數(shù)據(jù)的生長周期，服務(wù)器將待測數(shù)據(jù)的生長周期對應(yīng)的訓(xùn)練參數(shù)輸入到深度學(xué)習(xí)模型中，深度學(xué)習(xí)模型根據(jù)訓(xùn)練參數(shù)識別待測數(shù)據(jù)并輸出識別結(jié)果；
28、所述自動化訓(xùn)練流程包括，深度學(xué)習(xí)模型能夠?qū)Υ郎y數(shù)據(jù)中未標(biāo)記的數(shù)據(jù)自動生成偽標(biāo)簽，用于更新深度學(xué)習(xí)模型中的特征圖，深度學(xué)習(xí)模型根據(jù)深度學(xué)習(xí)模型中的特征圖自動生成訓(xùn)練樣本并進(jìn)行訓(xùn)練，將訓(xùn)練得到的訓(xùn)練參數(shù)保存到服務(wù)器中，可供深度學(xué)習(xí)模型調(diào)用，從而達(dá)到適應(yīng)肉雞外觀變化的效果，實(shí)現(xiàn)肉雞個體全周期動態(tài)識別。
29、進(jìn)一步地，所述自動化訓(xùn)練流程中生成偽標(biāo)簽的方法包括，
30、設(shè)置精確率和召回率閾值作為分類依據(jù)；
31、精確率和召回率均高于等于90%的圖像為一類數(shù)據(jù)，將這部分?jǐn)?shù)據(jù)的偽標(biāo)簽直接引入到訓(xùn)練中；
32、精確率和召回率存在一個高于等于90%的圖像為二類數(shù)據(jù)，將這部分?jǐn)?shù)據(jù)的偽標(biāo)簽按照較高的權(quán)重引入到訓(xùn)練中；
33、精確率和召回率均低于90%的圖像為三類數(shù)據(jù)，將這部分?jǐn)?shù)據(jù)的偽標(biāo)簽按照較低的權(quán)重引入到訓(xùn)練中；
34、權(quán)重由歸一化處理得到。
35、進(jìn)一步地，所述獲取待測數(shù)據(jù)的步驟包括，
36、s11、采集需本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.基于改進(jìn)YOLOv10的輕量化肉雞個體識別方法，其特征在于，步驟包括，
2.根據(jù)權(quán)利要求1所述的基于改進(jìn)YOLOv10的輕量化肉雞個體識別方法，其特征在于，
3.根據(jù)權(quán)利要求2所述的基于改進(jìn)YOLOv10的輕量化肉雞個體識別方法，其特征在于，
4.根據(jù)權(quán)利要求2所述的基于改進(jìn)YOLOv10的輕量化肉雞個體識別方法，其特征在于，
5.根據(jù)權(quán)利要求1所述的基于改進(jìn)YOLOv10的輕量化肉雞個體識別方法，其特征在于，設(shè)置一種動態(tài)更新機(jī)制，所述動態(tài)更新機(jī)制包括，自適應(yīng)模型更新和自動化訓(xùn)練流程；
6.根據(jù)權(quán)利要求5所述的基于改進(jìn)YOLOv10的輕量化肉雞個體識別方法，其特征在于，所述自動化訓(xùn)練流程中生成偽標(biāo)簽的方法包括，
7.根據(jù)權(quán)利要求6所述的基于改進(jìn)YOLOv10的輕量化肉雞個體識別方法，其特征在于：所述獲取待測數(shù)據(jù)的步驟包括，
8.一種基于改進(jìn)YOLOv10的輕量化肉雞個體識別裝置，其特征在于，包括，
9.一種計(jì)算機(jī)可讀存儲介質(zhì)，存儲有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時，使得所述
10.一種計(jì)算機(jī)設(shè)備，包括存儲器和處理器，所述存儲器存儲有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被所述處理器執(zhí)行時，使得所述處理器執(zhí)行如權(quán)利要求1至8中任一項(xiàng)所述方法的步驟。
...【技術(shù)特征摘要】
1.基于改進(jìn)yolov10的輕量化肉雞個體識別方法，其特征在于，步驟包括，
2.根據(jù)權(quán)利要求1所述的基于改進(jìn)yolov10的輕量化肉雞個體識別方法，其特征在于，
3.根據(jù)權(quán)利要求2所述的基于改進(jìn)yolov10的輕量化肉雞個體識別方法，其特征在于，
4.根據(jù)權(quán)利要求2所述的基于改進(jìn)yolov10的輕量化肉雞個體識別方法，其特征在于，
5.根據(jù)權(quán)利要求1所述的基于改進(jìn)yolov10的輕量化肉雞個體識別方法，其特征在于，設(shè)置一種動態(tài)更新機(jī)制，所述動態(tài)更新機(jī)制包括，自適應(yīng)模型更新和自動化訓(xùn)練流程；
6.根據(jù)權(quán)利要求5所述的基于改進(jìn)yolov10的輕量化...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：陳長喜，高斌，郭永敏，馬雅麗，楊愷斯，
申請(專利權(quán))人：天津農(nóng)學(xué)院，
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。