一种基于YOLOv5s模型识别鸡嘴特征的鸡舍温度辅助检测方法技术

本发明专利技术涉及一种基于YOLOv5s模型识别鸡嘴特征的鸡舍温度辅助检测方法，其特征是：所述鸡舍温度辅助检测方法包括一个YOLOv5s深度学习网络模型，利用YOLOv5s深度学习网络模型进行检测。本发明专利技术以鸡张嘴数量占比为检测指标，设计一种鸡舍温度辅助检测方法，与其他检测器配合综合评估鸡实际体感温度。由于鸡嘴识别对实时性要求较高，对其检测精度进行研究，在保证检测速度的前提下提高检测精度。证检测速度的前提下提高检测精度。证检测速度的前提下提高检测精度。

【技术实现步骤摘要】
一种基于YOLOv5s模型识别鸡嘴特征的鸡舍温度辅助检测方法


[0001]本专利技术属于目标检测
，具体涉及一种基于YOLOv5s模型识别鸡嘴特征的鸡舍温度辅助检测方法。

技术介绍

[0002]在鸡养殖过程中，需要对环境温湿度、空气、光照条件、环境噪声等指标进行规范以保证其不同生长阶段对生理体征的需求。其中鸡群体感温度是影响鸡生长状态的重要因素，尤其是对成活率、增重速度和饲料报酬的影响，其主要受环境的温湿度以及通风强度的影响。目前，鸡养殖的温度主要由分布在禽舍各处的温度检测探头获得，并传送给控制器通过输出加热、降温、通风等指令对鸡场环境进行调节。但温度探头与鸡只之间存在一定距离，其检测值只能体现环境的温度，并不能准确反应鸡的体感温度，这使控制器输出不能适配鸡群的真实需求，影响其成活率、增重速度甚至导致死亡。因此，为了精确控温，需要一种能够反应鸡实际体感温度的指标。目前饲养场大多采用对鸡的张嘴数量、羽毛等状态进行观察，据此调节环境控制器的输出。其中，鸡群的张嘴数量常被采用来辅助环境温度判断鸡的体感温度。由于鸡张嘴具有一定的随机性，所以用笼内鸡张嘴的占比作为判断指标较为合适，当笼内鸡张嘴数量达到一定比例时则视为当前鸡群的体感温度过高。而目前的养殖场均采用人工经验的方式对其进行判断，这种方式受鸡群饲养规模、人工经验及人工状态的影响，其实时性和准确性都很难保证。而自动化检测方式能在一定程度上解决人工检测存在的问题。因此当检测指标确定后，检测方法的精度以及检测速度是影响控制器输出准确性的主要因素。但目前并没有相关专利给出自动检测鸡张嘴数量占比的方法。
[0003]目前，基于深度学习的目标检测方法主要分为一阶段和二阶段检测方法，二阶段检测方法主要有R
‑
CNN、Fast R
‑
CNN和Faster R
‑
CNN。这类方法首先生成候选区域，再对生成的候选区域进行分类，这类算法虽然精度较高，但检测速度较低。一阶段算法主要有SSD和YOLO系列，该方法将目标检测视为回归问题，在牺牲精度的前提下大大提高了检测速度。

技术实现思路

[0004]为了克服现有技术的不足，本专利技术以鸡张嘴数量占比为检测指标，设计一种鸡舍温度辅助检测方法，与其他检测器配合综合评估鸡实际体感温度。由于鸡嘴识别对实时性要求较高，对其检测精度进行研究，在保证检测速度的前提下提高检测精度。
[0005]本专利技术的技术方案为：一种基于YOLOv5s模型识别鸡嘴特征的鸡舍温度辅助检测方法，所述鸡舍温度辅助检测方法包括一个YOLOv5s深度学习网络模型，其特征是：所述YOLOv5s深度学习网络模型包括图像处理部分、ShuffleNetv2轻量级结构、Neck部分和Prediction部分，所述Neck部分包括一个CBAM注意力机制模块，图像处理部分对输入图像经缩放后，大小统一为640
×
640,并经过切片操作、ShuffleNetV2轻量级结构的五次下采样，提取大小分别为80
×
80、40
×
40、20
×
20三个尺度的特征，在Neck部分采用FPN和PAN结
构提取融合特征，并在实施融合特征提取后进入所述CBAM注意力机制模块；提取后的特征图最终经过Prediction部分的三次卷积得到三种尺度的预测结果，分别为80
×
80
×
24、40
×
40
×
24，20
×
20
×
24。
[0006]所述鸡舍温度辅助检测方法包括如下步骤：
[0007]1)获取多张鸡嘴部图像方法
[0008]利用多张鸡嘴部图像获取方法识别图像，每张所述鸡嘴部图像中均包含多只鸡张嘴和闭嘴图像。
[0009]2)构建数据集
[0010]利用数据集构建方法和标注方法对图片中鸡的嘴部区域进行张嘴、闭嘴两种类别的标注，得到标注后的鸡嘴部图像，标定后的所述鸡嘴部图像包括嘴部状态类别信息及边界框。利用标定后的所述鸡嘴部图像构建鸡嘴部识别数据集。
[0011]3)网络结构改进
[0012]以YOLOv5网络结构作为基准网络，引入ShuffleNetv2轻量级结构及CBAM注意力机制，利用网络结构改进方法构建鸡嘴部设别模型。
[0013]4)利用公开数据集对鸡嘴部识别模型进行预训练，再利用鸡嘴部识别数据集对模型进行微调，得到最终得到鸡嘴部识别模型。
[0014]所述数据集构建方法为：对初始数据集进行清理，去除低质量图像数据；利用Roboflow对采集的图像进行标注，分为张嘴和闭嘴两个分类标签，且随机划分训练集、测试集和验证集比例分别为7:2:1，导出格式为YOLOv5 PyTorch，得到鸡嘴部识别数据集；标注信息包括：图像内鸡嘴部位置信息、嘴部尺寸长宽信息以及嘴部状态类别信息；
[0015]所述标注方法为：从利用图像识别模块进行识别，完整暴露嘴部特征的，需要进行标注；暴露不足50％但有明显特征的，需要标注；暴露不足50％且没有明显特征，不予标注。
[0016]网络结构改进步骤为：
[0017]1)将yolov5s网络中的主干网络Backbone由Darknet53结构改为轻量化网络ShuffleNetv2；SN_1为ShuffleNetv2的基本单元，SN_2为空间下采样的ShuffleNetv2单元，卷积核大小为1*1；
[0018]2)在neck部分添加CBAM注意力机制。
[0019]网络初始时参数是：设置初始参数，初始学习率为0.01，动量参数为0.937，权重衰减系数为0.0005，迭代次数为300，每次迭代训练图像的数量为8，输入图像大小为640*640；加载coco数据集预训练模型，利用鸡嘴部识别数据集对预训练模型进行微调，训练完成后得到鸡嘴部识别模型。
[0020]所述多张鸡嘴部图像获取方法为：在大规模鸡养殖基地的巡检机器人上配有工业相机，通过对巡检机器人上的工业相机所录制的视频进行采集和抽帧处理得到鸡嘴部图像。
[0021]1)本专利技术在YOLOv5模型的基础上引入了ShuffleNetv2轻量化网络结构减少网络参数量，使之能够符合鸡场控制设备的嵌入式需求；引入CBAM注意力机制提高模型检测精度。
[0022]2)本专利技术采用改进的yolov5网络识别鸡嘴部状态并对其进行分析，确定鸡的实时体感温度，同时将分析结果送入控制系统，控制系统通过控制相关机构的状态将温度、湿
度、通风强度等调整到适宜状态，整个控制过程实现闭环控制，能做到实时监控鸡生理状态而非简单物理温度，保证鸡处于最佳的生存环境。
[0023]为了验证上述基于深度学习的目标检测方法，利用训练好的鸡嘴识别模型对测试图片进行检测，以精确率、召回率、精度和检测速度为性能指标，结果如表1所示。
[0024]从表1可以得出：
[0025]1、在整个测试集本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于YOLOv5s模型识别鸡嘴特征的鸡舍温度辅助检测方法，所述鸡舍温度辅助检测方法包括一个YOLOv5s深度学习网络模型，其特征是：所述YOLOv5s深度学习网络模型包括图像处理部分、ShuffleNetv2轻量级结构、Neck部分和Prediction部分，所述Neck部分包括一个CBAM注意力机制模块，图像处理部分对输入图像经缩放后，大小统一为640
×
640,并经过切片操作、ShuffleNetV2轻量级结构的五次下采样，提取大小分别为80
×
80、40
×
40、20
×
20三个尺度的特征，在Neck部分采用FPN和PAN结构提取融合特征，并在实施融合特征提取后进入所述CBAM注意力机制模块；提取后的特征图最终经过Prediction部分的三次卷积得到三种尺度的预测结果，分别为80
×
80
×
24、40
×
40
×
24，20
×
20
×
24，所述鸡舍温度辅助检测方法包括如下步骤：1)获取多张鸡嘴部图像方法利用多张鸡嘴部图像获取方法识别图像，每张所述鸡嘴部图像中均包含多只鸡张嘴和闭嘴图像。2)构建数据集利用数据集构建方法和标注方法对图片中鸡的嘴部区域进行张嘴、闭嘴两种类别的标注，得到标注后的鸡嘴部图像，标定后的所述鸡嘴部图像包括嘴部状态类别信息及边界框。利用标定后的所述鸡嘴部图像构建鸡嘴部识别数据集。3)网络结构改进以所述YOLOv5网络结构作为基准网络，引入所述ShuffleNetv2轻量级结构及所述CBAM注意力机制模块，利用网络结构改进方法构建鸡嘴部设别模型。4)利用公开数据集对鸡嘴部识别模型进行预训练，再利用鸡嘴...

【专利技术属性】
技术研发人员：祖丽楠，郭富新，周春丽，鞠云鹏，初晓玉，
申请(专利权)人：青岛风极智能科技有限公司，
类型：发明
国别省市：