【技術實現(xiàn)步驟摘要】
本專利技術涉及畜牧圖像識別，尤其是一種基于vit-yolox-dynamic?head的牛臉圖像動態(tài)檢測與跟蹤方法。
技術介紹
1、隨著養(yǎng)殖業(yè)的發(fā)展，特別是規(guī)模化養(yǎng)殖的普及，對個體牲畜的檢測和鑒定技術逐漸成為現(xiàn)代農(nóng)業(yè)管理的重要研究方向。傳統(tǒng)的識別方法有人工識別，耳標和rfid射頻識別技術。
2、其中，人工識別需要大量時間和人力，尤其在規(guī)模化養(yǎng)殖時不僅效率低下，而且容易出錯，人工識別無法做到實時跟蹤，對環(huán)境和動物行為具有敏感性，從而無法進行精細化管理。耳標在動物行為上具有一定局限性，需要全程手工打標，耗費大量人力物力，甚至可能會對其造成一定的生理傷害，并引起其過激反應，嚴重時可能導致牲畜暴力，影響其生長和健康，在實際應用中發(fā)現(xiàn)，耳標的使用會導致牲畜對某些疾病的易感性增強，而且耳標也可能會損壞和脫落，影響其可讀性。射頻技術使用無線電波識別跟蹤目標，在某些環(huán)境中可能會受到電磁干擾導致其在牲畜的精準識別上誤差增大，此外，rfid標簽成本昂貴，不同類型的rfid標簽，如高頻和超高頻標簽，可能與現(xiàn)有的讀寫設備不兼容，造成額外的設備更新或轉換的成本。
3、因此，如何利用圖像識別技術進行牛臉面部的準確識別與跟蹤已經(jīng)成為急需解決的技術問題。
技術實現(xiàn)思路
1、為解決現(xiàn)有技術解決難以對牛臉圖像進行精準識別與跟蹤的缺陷，本專利技術的目的在于提供一種可快速有效地對復雜場景下牛的臉部進行精準檢測與跟蹤的基于vit-yolox-dynamic?head的牛臉圖像動態(tài)檢測與跟蹤方法。p>
2、為實現(xiàn)上述目的，本專利技術采用了以下技術方案：一種基于vit-yolox-dynamichead的牛臉圖像動態(tài)檢測與跟蹤方法，該方法包括下列順序的步驟：
3、(1)牛臉圖像的獲取及預處理：利用視頻采集系統(tǒng)在牧場獲取不同數(shù)量牛目標、照明變化、牛姿態(tài)變化、遮擋、多角度情況下的牛群臉部視頻，并進行數(shù)據(jù)預處理，得到預處理后的牛群臉部圖像，預處理后的牛群臉部圖像組成目標檢測所需格式數(shù)據(jù)集；
4、(2)基于yolox模型構建牛臉圖像動態(tài)檢測與跟蹤模型；
5、(3)將目標檢測所需格式數(shù)據(jù)集輸入牛臉圖像動態(tài)檢測與跟蹤模型中進行訓練，得到訓練后的牛臉圖像動態(tài)檢測與跟蹤模型；
6、(4)獲取待檢測牛臉圖像并進行預處理，將預處理后的待檢測牛臉圖像輸入訓練后的牛臉圖像動態(tài)檢測與跟蹤模型，獲得牛臉圖像檢測結果。
7、在步驟(1)中，所述視頻采集系統(tǒng)為多路監(jiān)控系統(tǒng)，所述多路監(jiān)控系統(tǒng)包括攝像頭、錄像機、交換機和路由器；所述預處理是指將獲取到的視頻每隔20幀提取一張圖片，并使用labelme工具對牛頭進行標記，制作目標檢測所需格式數(shù)據(jù)集。
8、所述步驟(2)具體是指：所述yolox模型包括第一層、第二層、第三層和第四層，所述第一層為輸入層，輸入層接收的輸入圖像的大小為640×640；所述第二層為骨干網(wǎng)絡，骨干網(wǎng)絡包括darknet53結構和spp架構；所述第三層為頸部網(wǎng)絡，頸部網(wǎng)絡采用pafpn結構；所述第四層為用于處理特征圖并生成最終目標檢測結果的頭部網(wǎng)絡；
9、在第二層骨干網(wǎng)絡的darknet53結構中的csp模塊中融入vision?transformer模塊，將vision?transformer模塊作為csp模塊的主干，csp模塊和vision?transformer模塊共同形成vit-csp模塊；
10、vision?transformer模塊包括embedding、編碼器和多層感知機，vit-csp模塊的輸入首先經(jīng)過卷積層進行一次初步的特征提取和處理，其次經(jīng)過embedding的線性層將卷積處理后的特征進行線性變換，然后經(jīng)過編碼器的多頭注意力機制關注卷積處理后的特征不同位置的信息，捕捉輸入序列中的長距離依賴關系和重要特征，并將卷積處理后的特征合并得到更豐富的特征表示，再經(jīng)過多層感知機的全連接層處理和激活函數(shù)的非線性變換，最后得到包含不同層次信息的特征輸出圖；
11、在第三層頸部網(wǎng)絡中增加一次雙向門控循環(huán)單元的特征表達增強操作、上采樣操作和拼接操作；
12、在第四層頭部網(wǎng)絡采用多重注意力機制統(tǒng)一的物體檢測頭方法。
13、所述步驟(3)具體包括以下順序的步驟：
14、(3a)搭建python＝3.9.0、cuda＝10.2版本的pytorch神經(jīng)網(wǎng)絡訓練環(huán)境；
15、(3b)設置圖像輸入尺寸為640×640，批量大小為8，最大迭代次數(shù)為50，使用sgd作為優(yōu)化器，權重衰減系數(shù)為0.0005，動量0.937作為默認值，初始學習率設置為0.01，采用余弦退火算法進行更新；
16、(3c)將目標檢測所需格式數(shù)據(jù)集輸入牛臉圖像動態(tài)檢測與跟蹤模型，訓練并生成權重文件。
17、所述物體檢測頭方法采用動態(tài)頭方法，具體是指：設定物體檢測頭采用注意力機制來增強尺度、空間位置和多任務感知能力，并將這三重注意力集成到目標檢測頭的統(tǒng)一注意力機制中，充分提取牛面部相關特征；
18、設定物體檢測頭將注意力函數(shù)轉換為三個連續(xù)的注意力，每個注意力只關注一個維度：
19、w(f)＝πc(πs(πl(wèi)(f)·f)·f)·f
20、式中，f表示原始的注意力函數(shù)，πl(wèi)(·)為尺度感知注意力函數(shù)，πs(·)為空間感知注意力函數(shù)πs(·)，πc(·)為任務感知注意力函數(shù)。
21、由上述技術方案可知，本專利技術的有益效果為：第一，本專利技術通過在yolox模型的主干網(wǎng)絡中融入vision?transformer模塊,增強了模型捕獲上下文信息的能力，同時充分利用了模型的參數(shù)效率，能夠更好地捕捉圖像中的全局信息，對于復雜背景和尺度不一的牛臉目標具有更強的識別能力；第二，本專利技術采用動態(tài)頭方法通過關聯(lián)時空特征和面部特征，進行多尺度特征融合同時自適應地調(diào)整特征層次，提升了模型對不同尺度和復雜背景中牛臉檢測與跟蹤能力；第三，本專利技術構建的牛臉圖像動態(tài)檢測與跟蹤模型在牛臉檢測與跟蹤任務上展現(xiàn)了較高的準確率和實時性能，實驗結果表明，牛臉圖像動態(tài)檢測與跟蹤模型在處理復雜背景下的牛臉目標時，表現(xiàn)出了顯著的效率提升，同時有良好的魯棒性，能夠應對多目標、小目標和背景復雜等挑戰(zhàn)。
本文檔來自技高網(wǎng)...【技術保護點】
1.一種基于ViT-YOLOX-Dynamic?Head的牛臉圖像動態(tài)檢測與跟蹤方法，其特征在于：該方法包括下列順序的步驟：
2.根據(jù)權利要求1所述的基于ViT-YOLOX-Dynamic?Head的牛臉圖像動態(tài)檢測與跟蹤方法，其特征在于：在步驟(1)中，所述視頻采集系統(tǒng)為多路監(jiān)控系統(tǒng)，所述多路監(jiān)控系統(tǒng)包括攝像頭、錄像機、交換機和路由器；所述預處理是指將獲取到的視頻每隔20幀提取一張圖片，并使用labelme工具對牛頭進行標記，制作目標檢測所需格式數(shù)據(jù)集。
3.根據(jù)權利要求1所述的基于ViT-YOLOX-Dynamic?Head的牛臉圖像動態(tài)檢測與跟蹤方法，其特征在于：所述步驟(2)具體是指：所述YOLOX模型包括第一層、第二層、第三層和第四層，所述第一層為輸入層，輸入層接收的輸入圖像的大小為640×640；所述第二層為骨干網(wǎng)絡，骨干網(wǎng)絡包括Darknet53結構和SPP架構；所述第三層為頸部網(wǎng)絡，頸部網(wǎng)絡采用PAFPN結構；所述第四層為用于處理特征圖并生成最終目標檢測結果的頭部網(wǎng)絡；
4.根據(jù)權利要求1所述的基于ViT-YOLOX-Dynam
5.根據(jù)權利要求3所述的基于ViT-YOLOX-Dynamic?Head的牛臉圖像動態(tài)檢測與跟蹤方法，其特征在于：所述物體檢測頭方法采用動態(tài)頭方法，具體是指：設定物體檢測頭采用注意力機制來增強尺度、空間位置和多任務感知能力，并將這三重注意力集成到目標檢測頭的統(tǒng)一注意力機制中，充分提取牛面部相關特征；
...【技術特征摘要】
1.一種基于vit-yolox-dynamic?head的牛臉圖像動態(tài)檢測與跟蹤方法，其特征在于：該方法包括下列順序的步驟：
2.根據(jù)權利要求1所述的基于vit-yolox-dynamic?head的牛臉圖像動態(tài)檢測與跟蹤方法，其特征在于：在步驟(1)中，所述視頻采集系統(tǒng)為多路監(jiān)控系統(tǒng)，所述多路監(jiān)控系統(tǒng)包括攝像頭、錄像機、交換機和路由器；所述預處理是指將獲取到的視頻每隔20幀提取一張圖片，并使用labelme工具對牛頭進行標記，制作目標檢測所需格式數(shù)據(jù)集。
3.根據(jù)權利要求1所述的基于vit-yolox-dynamic?head的牛臉圖像動態(tài)檢測與跟蹤方法，其特征在于：所述步驟(2)具體是指：所述yolox模型包括第一層、第二層、第三層和第四層，所述第一層為輸入層，輸入...
【專利技術屬性】
技術研發(fā)人員：郭陽陽，魏詩磊，黃林生，陳鵬，黃小平，韓聰，
申請(專利權)人：安徽大學，
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。