一种基于改进的YOLOv5的鸡只健康度监测方法技术

本发明专利技术公开了一种基于改进的YOLOv5的鸡只健康度监测方法，包括以下步骤：从大数据中心获取数据，进行预处理，构建数据立方体；对图像数据进行预处理；对Yolov5采用的先验锚框进行选取；利用最邻近上采样改进算法对图像数据进行特征增强；设置Yolov5模型的参数并进行训练：摄像设备实时监测区分鸡只健康度。本发明专利技术的鸡只健康度监测方法，不仅可以丰富数据集，而且可以有效节省GPU的使用，起到合理分配运算资源的作用，有效避免了初始质心选择的随机性，减少了算法执行过程中过多的人为干涉，有效避免了因通道数减少而造成的语义信息丢失，充分利用高层语义信息，提高了监测精度。提高了监测精度。提高了监测精度。

【技术实现步骤摘要】
一种基于改进的YOLOv5的鸡只健康度监测方法


[0001]本专利技术涉及鸡只健康监测
，特别涉及一种基于改进的YOLOv5的鸡只健康度监测方法。

技术介绍

[0002]中国是禽蛋生产和消费大国，鸡肉、鸡蛋的营养丰富、养殖周期短、成本低廉使得养鸡业成为畜牧业中最重要的分支之一。因此，广大人民对于鸡肉的品质要求也在不断提高。目前，对于鸡只健康程度的判断仍然以人工观察方式为主，国内外很多学者就此开展了鸡只健康度的自动检测研究。例如，Sadeghi等对15只感染了A型产气荚膜梭菌的鸡和15只健康鸡的声音进行频域分析，采用监督学习神经网络对健康和不健康的鸡进行分类，在感染2天后的分类准确率为66.6％，感染8天后达到100％。Colles等将光流法应用到商业农场的鸡群运动监测中，发现感染弯曲杆菌群的鸡群平均光流量较低，峰度较高，比传统的农场中应用的微生物学方法发现弯曲杆菌群的感染要早7－10天。Dawkins等通过光流法统计的偏斜度和峰度值对一个商业农场的50个鸡群进行了早期足底皮炎和飞节烧伤的预测。Campbell等为了监控单个鸡只的户外活动行为，将RFID电子标签捆绑在鸡只上，并在鸡舍的进出口放置天线，通过鸡只的进出行为判断其在户外活动的频率和持续时间。
[0003]目前，对于鸡只健康度的自动监测方法主要有基于声音监测、基于传统机器视觉技术监测、基于可穿戴设备监测的方法。但是，这几种方法都有很大的弊端。基于声音监测的方法主要针对鸡只群体情况进行研究，无法对每个鸡只个体进行准确的判别，另外，大量的环境噪声也势必对监测造成不利影响。基于传统机器视觉技术监测的方法主要是通过不同帧下像素的变化进行判断，主要有光流法、背景减除法、帧差法等，但是此类方法难以避免光照过度造成的图像失真问题。基于可穿戴设备监测的方法的测量精度很大程度依赖于使用该设备的鸡只数和该设备的天线数量，养殖场的鸡只一般数量相当庞大，在这种条件下，监测精度必然受到影响，并且安装和拆卸可穿戴设备需要大量人工，增加了养殖场的人力负担。因此，需要提供一种更方便、精确的鸡只健康监测方法，旨在解决上述问题。
[0004]公开于该
技术介绍
部分的信息仅仅旨在增加对本专利技术的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。

技术实现思路

[0005]本专利技术的目的在于提供一种基于改进的YOLOv5的鸡只健康度监测方法，从而克服现有的鸡只健康监测方法存在的噪声干扰、图像失真、人力和设备成本高昂的缺点。
[0006]为实现上述目的，本专利技术提供了一种基于改进的YOLOv5的鸡只健康度监测方法，包括如下步骤：
[0007]步骤S1，从大数据中心获取数据，进行预处理，构建数据立方体；
[0008]从大数据中心获取鸡只健康和病态的图片数据，引入特征提取层对图片数据进行清洗去噪、集成、转换的预处理，提取包括所涉及流的因素变量和运行机制的流特征信息，
以空间信息、时间信息、鸡只健康信息三个维度构建数据立方体作为原始图片信息库；利用LabelImg对所述图片信息库中的图像进行Yolo格式标注，标注出鸡只的位置和类别，所述类别包括健康与病态两种；
[0009]其中，所述大数据中心含有从养鸡场的摄像装置采集到的图片；
[0010]步骤S2，对步骤S1中标注后的图像进行数据增强的预处理；
[0011]对目标框尺寸处于0*0
‑
32*32的小目标的损失进行考察，设置一个损失阈值τ，τ∈(0,1)，如小目标损失达到损失阈值τ则无需对图像进行数据增强的预处理，如小目标损失低于损失阈值τ则需对图像进行数据增强的预处理；
[0012]步骤S3，对Yolo v5采用的先验锚框进行选取；
[0013]通过K
‑
means聚类算法在Coco数据集上选取得到先验锚框；
[0014]步骤S4，利用最邻近上采样改进算法对经步骤S3处理后的图像数据进行特征增强：
[0015]其中，所述最临近上采样改进算法用于Yolo v5中的多尺度特征融合网络(Neck)，所述最临近上采样改进算法中引进了一种通道增强特征金字塔网络，所述通道增强特征金字塔网络由三个部分组成：亚像素跳跃融合(Sub
‑
pixel Skip Fusion)、亚像素内容增强(Sub
‑
pixel Context Enhancement)以及通道注意力引导模块(Channel Attention Guided Module)：
[0016](1)亚像素跳跃融合
[0017]采用基于卷积的上采样方法，在处理高度和宽度特征时，采用了一种像素混淆的方法；像素混淆的原理式如下：
[0018][0019]式中，r表示放大比例，F表示输入特征，PS(F)
x，y，c
表示坐标(x，y，c)上的输出特征像素；
[0020]为了避免计算量随着低分辨率图像通道维数的增加大幅增加，以及采样高分辨率图像带来的额外训练，通道增强特征金字塔网络采用最临近上采样方法；由于高层特征中已经具有充足的通道数，因此使用亚像素跳跃融合仅对低分辨率图像直接进行上采样，而无需减少通道，避免了高层特征中的语义信息损失，如下式:
[0021][0022](2)亚像素内容增强
[0023]在通道增强特征金字塔网络中，采用亚像素内容增强(SCE)，SCE可将局部信息和全局信息进行融合，加大高层特征C5的感受野，增强I的信息容纳能力：
[0024]第一，提取局部信息，在高层特征C5上应用3
×
3卷积；同时，变换通道维度至2W
×
2H，并采用2倍上采样亚像素卷积；第二，利用3
×
3最大池化将输入特征下采样,降低宽度和高度至W
×
H；同时，采用1
×
1卷积扩展通道尺寸；然后采用4倍上采样的亚像素卷积算法；第三，提取全局信息，在高层特征C5上进行全局平均池化；然后，然后，将W
×
H
×
8C压缩通道到W
×
H
×
C，并扩展宽度及高度，使其达到4W
×
4H；第四，将以上三个特征图叠加为特征I。
[0025](3)通道注意力引导模块
[0026]为了避免特征I中的噪声造成监测精度的降低，采用通道注意力引导模块：
[0027]特征图I经式(1)(2)(3)获得通道数为C
’
的隐层子区域特征Q、K以及图像增强特征V，{Q,K}∈R
C
’×
H
×
W
，V∈R
C
×
H
×
W
；如下所示：
[0028]Q＝Reshape[Conv1×1×
C
’
(I)]T
ꢀꢀꢀ
(1)
[0029本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进的YOLOv5的鸡只健康度监测方法，其特征在于，包括如下步骤：步骤S1，从大数据中心获取数据，进行预处理，构建数据立方体；从大数据中心获取鸡只健康和病态的图片数据，引入特征提取层对图片数据进行清洗去噪、集成、转换的预处理，提取包括所涉及流的因素变量和运行机制的流特征信息，以空间信息、时间信息、鸡只健康信息三个维度构建数据立方体作为原始图片信息库；利用LabelImg对所述图片信息库中的图像进行Yolo格式标注，标注出鸡只的位置和类别，所述类别包括健康与病态两种；其中，所述大数据中心含有从养鸡场的摄像装置采集到的图片；步骤S2，对步骤S1中标注后的图像进行数据增强的预处理；对每一次迭代后目标框尺寸处于0*0
‑
32*32的小目标损失进行考察，设置一个损失阈值τ，τ∈(0,1)，如小目标损失达到损失阈值τ则无需对图像进行数据增强的预处理，如小目标损失低于损失阈值τ则需对图像进行数据增强的预处理；步骤S3，对Yolo v5采用的先验锚框进行选取；通过K
‑
means聚类算法在Coco数据集上选取得到先验锚框；步骤S4，利用最邻近上采样改进算法对经步骤S3处理后的图像数据进行特征增强：其中，所述最临近上采样改进算法用于Yolo v5中的多尺度特征融合网络，所述最临近上采样改进算法中引进了一种通道增强特征金字塔网络，所述通道增强特征金字塔网络由三个部分组成：亚像素跳跃融合、亚像素内容增强以及通道注意力引导模块：(1)亚像素跳跃融合采用基于卷积的上采样方法，在处理高度和宽度特征时，采用了一种像素混淆的方法；像素混淆的原理式如下：式中，r表示放大比例，F表示输入特征，PS(F)
x，y，c
表示坐标(x，y，c)上的输出特征像素；为了避免计算量随着低分辨率图像通道维数的增加大幅增加，以及采样高分辨率图像带来的额外训练，通道增强特征金字塔网络采用最临近上采样方法；由于高层特征中已经具有充足的通道数，因此使用亚像素跳跃融合仅对低分辨率图像直接进行上采样，而无需减少通道，避免了高层特征中的语义信息损失，如下式:(2)亚像素内容增强在通道增强特征金字塔网络中，采用亚像素内容增强，亚像素内容增强可将局部信息和全局信息进行融合，加大高层特征C5的感受野，增强I的信息容纳能力：第一，提取局部信息，在高层特征C5上应用3
×
3卷积；同时，变换通道维度至2W
×
2H，并采用2倍上采样亚像素卷积；第二，利用3
×
3最大池化将输入特征下采样,降低宽度和高度至W
×
H；同时，采用1
×
1卷积扩展通道尺寸；然后采用4倍上采样的亚像素卷积算法；第三，提取全局信息，在高层特征C5上进行全局平均池化；然后，将W
×
H
×
8C压缩通道到W
×
H
×
C，并扩展宽度及高度，使其达到4W
×
4H；第四，将以上三个特征图叠加为特征I。(3)通道注意力引导模块
为了避免特征I中的噪声造成监测精度的降低，采用通道注意力引导模块：特征图I经式(1)(2)(3)获得通道数为C
′
的隐层子区域特征Q、K以及图像增强特征V，{Q,K}∈R
C
′×
H
×
W
，V∈R
C
×
H
×
W
；如下所示：Q＝Reshape[Conv1×1×
C
′
(I)]
T
ꢀꢀ
(1)K＝Reshape[Conv1×1×
C
′
...

【专利技术属性】
技术研发人员：蒙艳玫，张佳承，韦锦，董振，蒙丽雯，
申请(专利权)人：广西大学，
类型：发明
国别省市：