一种基于边缘计算与改进yolo的生猪姿态跟踪方法技术

本发明专利技术公开了一种基于边缘计算与改进yolo的生猪姿态跟踪方法，包括：采集生猪姿态行为图像，获得行为监测数据集；对所述行为监测数据集按比例进划分，获得训练集、测试集；构建目标识别模型，将所述训练集输入所述目标识别模型中进行识别，获得识别检测结果；构建目标跟踪模型，将所述识别检测结果输入所述目标跟踪模型对猪群进行进一步识别跟踪处理，获得生猪行为跟踪结果；本发明专利技术通过边缘计算与改进算法，满足了群养多猪只姿态实时稳定跟踪的要求，并且算法对不同数量、不同方位的的猪只的识别跟踪效果都非常好，有助于推动群养生猪的无人化、健康化养殖，并为后期生猪预警疾病并对其采取应对措施打下坚实的基础。对其采取应对措施打下坚实的基础。对其采取应对措施打下坚实的基础。

【技术实现步骤摘要】
一种基于边缘计算与改进yolo的生猪姿态跟踪方法


[0001]本专利技术属于生猪养殖领域，特别是涉及一种基于边缘计算与改进 yolo的生猪姿态跟踪方法。

技术介绍

[0002]生猪的健康状况决定着生猪产业的发展与经济效益，多数生猪疾病的临床或亚临床体征表现之前常伴随行为异常，故对猪只的运动姿态等行为的监测有助于判断猪只健康情况。但是目前生猪的日常管理基本都是靠人工进行，具有主观性和不确定性。因此将人工智能和嵌入式技术引入生猪养殖管理中，借助计算机视觉和嵌入式技术特点，实现低成本、无接触地监测猪只个体姿态行为，包括生猪站立、坐立、趴卧、侧卧等不同姿态，并对其进行实时跟踪，对预警生猪疾病并对其及时采取应对措施具有十分重要的意义。
[0003]目前国内外学者对生猪养殖领域的跟踪与识别研究主要分为两类，分别是基于形态学的生猪识别研究和基于深度学习的生猪识别与跟踪研究。李丹等人提出了一种基于Mask R
‑
CNN的猪只爬跨行为识别算法，能够自动有效地检测猪只爬跨行为。ZHU等人利用阈值分割和形态学处理等机器视觉技术，实现非接触地对猪只饮水行为进行识别。何屿彤等人采用基于改进YOLOv3模型的非侵入式方法，对生猪多个体识别进行研究。ALAMEER等人基于YOLOv2与Faster R
‑
CNN监测猪只的姿态与饮水行为，其无需传感器或对个体识别即可监测猪只行为。谢秋菊等人通过采用DenseNet融合CBAM的融合注意力机制实现个体猪脸识别。董力中等人提出了一种基于姿态与时序特征的猪只行为识别方法，结合YOLOv5s猪只检测模型和ST
‑
GCN行为识别算法共同组建了猪只行为识别系统，能够有效的识别出猪只姿态行为特征。张伟等人基于CenterNet设计断奶仔猪目标检测模型，结合 DeepSORT算法实现断奶仔猪的多目标跟踪，改善猪只外观高度相似与遮挡情况下的跟踪效果。以上研究主要使用深度学习技术对生猪养殖过程中的行为姿态进行识别，或者只对生猪个体进行跟踪，并未充分考虑群养多猪只姿态特征进行跟踪的研究，也未针对实际情况下的嵌入式边缘计算节点部署进行相应优化。

技术实现思路

[0004]本专利技术的目的是提供一种基于边缘计算与改进yolo的生猪姿态跟踪方法，以解决上述现有技术存在的问题。
[0005]为实现上述目的，本专利技术提供了一种基于边缘计算与改进yolo 的生猪姿态跟踪方法，包括：
[0006]采集生猪姿态行为图像，获得行为监测数据集；对所述行为监测数据集按比例进行划分，获得训练集、测试集；
[0007]构建目标识别模型，将所述训练集输入所述目标识别模型中进行识别，获得识别检测结果；
[0008]构建目标跟踪模型，将所述识别检测结果输入所述目标跟踪模型对猪群进行进一
步识别跟踪处理，获得生猪行为跟踪结果。
[0009]优选地，采集猪只个体姿态行为图像，获得行为监测数据集的过程包括：
[0010]收集生猪群养视频图像与现有数据库中的开源视频图像并进行混合，获得混合图像；对所述混合图像通过隔时抽帧方式获取初始生猪姿态行为图像，对所述初始生猪姿态行为图像进行数据增广处理，生成所述行为监测数据集；其中，所述数据增广处理包括随机颜色通道转换、随机饱和度变换、随机色度变换。
[0011]优选地，所述目标识别模型通过空洞卷积、CA协调注意力机制主干网络、BN层剪枝对原始YOLOv5s模型进行轻量化改进处理获得；
[0012]所述轻量化改进处理的过程包括：
[0013]将所述YOLOv5s模型的输入端中第一个CBS层中的6
×
6卷积删除，替换为一个3
×
3普通卷积和一个扩张率为2的3
×
3的空洞卷积；其中，所述CBS层包括Conv层、BN层和SiLU层；同时，将所述CA 协调注意力机制连接至所述YOLOv5s模型的backbone主干网络中；通过Loss函数为所述BN层添加正则约束，引入缩放因子，将所述缩放因子施加稀疏性正则化，生成修剪网络，将所述修剪网络进行微调，生成改进的YOLOv5模型。
[0014]优选地，所述BN层的计算公式为：
[0015][0016][0017]其中，Z
in
和Z
out
是BN层的输入和输出，表示中间变量；B表示当前的小批量，其中μ
B
和σ
B
是B上输入激活的平均值和方差，γ和β是可训练的缩放和平移动态转换系数。
[0018]优选地，所述Loss函数的表达式为：
[0019][0020]其中Loss_0表示原始损失函数，第二项是约束，g(γ)＝|γ|称为L1范数，λ是正则系数，Γ表示γ的范围。
[0021]优选地，所述目标识别模型基于所述识别检测结果进行级联匹配，获得第一匹配结果；将所述第一匹配结果进行IOU匹配，获得第二匹配结果；对所述第二匹配结果进行进一步跟踪，生成跟踪结果，将所述跟踪结果进行卡尔曼滤波检测，生成预测结果，根据所述预测结果判断轨迹是否匹配成功，若成功，输出匹配结果，否则返回进行再次匹配。
[0022]优选地，将所述第一匹配结果进行IOU匹配的过程包括：
[0023]当所述第一匹配结果为第一未匹配轨迹结果、第一未匹配检测结果时进行IOU匹配，当所述第一匹配结果为第一匹配轨迹结果时进行进一步跟踪。
[0024]优选地，对所述第二匹配结果进行进一步跟踪的过程包括：当所述第二匹配结果为第二未匹配轨迹结果时，确定轨迹，当所述第二匹配结果为第二未匹配检测结果时，进行新的跟踪，当所述第二匹配结果为第二匹配轨迹时，进行进一步跟踪。
[0025]优选地，所述确定轨迹的过程包括：当未匹配轨迹为未确定轨迹时，进行删除，当未匹配轨迹为确定轨迹时，判断循环次数是否达到预设阈值，若确定轨迹大于等于预设阈值，则进行删除，若确定轨迹小于预设阈值，则进行进一步跟踪判断。
[0026]优选地，将所述预测结果再次进行匹配的过程包括：当所述预测结果为确定预测结果时，进行级联匹配，当所述预测结果为未确定预测结果时，进行IOU匹配。
[0027]本专利技术的技术效果为：满足了群养多猪只姿态实时稳定跟踪的要求，并且算法对不同数量、不同方位的的猪只的识别跟踪效果都非常好，有助于推动群养生猪的无人化、健康化养殖，并为后期生猪预警疾病并对其采取应对措施打下坚实的基础。
附图说明
[0028]构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0029]图1为本专利技术实施例中的基于目标检测的跟踪算法流程图；
[0030]图2为本专利技术实施例中的空洞卷积改进点图；
[0031]图3为本专利技术实施例中的注意力机制结构图；
[0032]图4为本专利技术实施例中的CA注意力机制在YOLOv5s中的连接位置图；
...

【技术保护点】

【技术特征摘要】
1.一种基于边缘计算与改进yolo的生猪姿态跟踪方法，其特征在于，包括以下步骤：采集生猪姿态行为图像，获得行为监测数据集；对所述行为监测数据集进行划分，获得训练集、测试集；构建目标识别模型，将所述训练集输入所述目标识别模型中进行识别，获得识别检测结果；构建目标跟踪模型，将所述识别检测结果输入所述目标跟踪模型对猪群进行识别跟踪处理，获得生猪行为跟踪结果。2.根据权利要求1所述的基于边缘计算与改进yolo的生猪姿态跟踪方法，其特征在于，采集生猪姿态行为图像，获得行为监测数据集的过程包括：收集生猪群养视频图像与现有数据库中的开源视频图像并进行混合，获得混合图像；对所述混合图像通过隔时抽帧方式获取初始生猪姿态行为图像，对所述初始生猪姿态行为图像进行数据增广处理，生成所述行为监测数据集；其中，所述数据增广处理包括随机颜色通道转换、随机饱和度变换、随机色度变换。3.根据权利要求1所述的基于边缘计算与改进yolo的生猪姿态跟踪方法，其特征在于,所述目标识别模型通过空洞卷积、CA协调注意力机制主干网络、BN层剪枝对原始YOLOv5s模型进行轻量化改进处理获得；所述轻量化改进处理的过程包括：将所述YOLOv5s模型的输入端中第一个Conv
‑
BN
‑
SiLU层中的6
×
6卷积删除，替换为一个3
×
3普通卷积和一个扩张率为2的3
×
3的空洞卷积；其中，所述CBS层包括Conv层、BN层和SiLU层；同时，将所述CA协调注意力机制网络连接至所述YOLOv5s模型的backbone主干网络中；通过Loss函数为所述BN层添加正则约束，引入缩放因子，将所述缩放因子施加稀疏性正则化，生成修剪网络，将所述修剪网络进行微调，生成改进的YOLOv5模型。4.根据权利要求3所述的基于边缘计算与改进yolo的生猪姿态跟踪方法，其特征在于，所述BN层的计算公式为：所述BN层的计算公式为：其中，Z
in
和Z
out
是BN层的输入和输出，表示中间变量；B表示当...

【专利技术属性】
技术研发人员：查文文，潘伟豪，焦俊，辜丽川，朱诚，陈威，王宁，汤先美，
申请(专利权)人：安徽农业大学，
类型：发明
国别省市：