一种基于改进的YOLOv7模型的猪只监测计数方法技术

本发明专利技术公开了一种基于改进的YOLOv7模型的猪只监测计数方法，包括以下步骤：S1、在猪场布置若干个摄像头进行视频监控；S2、获取步骤S1中摄像头拍摄的视频监控图像输入YOLOv7网络；S3、特征提取：经过特征提取骨干网络对步骤S2获得的转化后猪只图像进行边缘、纹理、颜色特征的提取，在特征提取骨干网络后插入CA注意力机制；S4、特征融合：将步骤S3提取出不同层级的猪只特征图进行特征间的优势互补，在特征融合后添加小目标检测层；S5、特征检测：利用猪只特征信息在图像中检测出猪只的位置信息；S6、猪只计数。本发明专利技术采用上述一种基于改进的YOLOv7模型的猪只监测计数方法，解决了现有技术中存在的遮挡问题和小目标检测问题，实现了更高精度的猪只计数。更高精度的猪只计数。更高精度的猪只计数。

【技术实现步骤摘要】
一种基于改进的YOLOv7模型的猪只监测计数方法


[0001]本专利技术涉及计算机视觉
，特别是涉及一种基于改进的YOLOv7模型的猪只监测计数方法。

技术介绍

[0002]猪只计数是我国大规模畜牧业生产管理和资产管理中的一项重要工作。准确的猪只计数可以改善猪的饲养、猪舍建设等管理，提高猪场的生产效益和经济效益。然而，目前缺乏可靠、准确的目标追踪计数方法。现阶段，养殖管理人员主要依靠传统的人工计数方法获得猪只个数信息，但这种方法管理成本高，并且，工作内容繁琐。
[0003]现有的猪只计数方法有很多，如基于密度图的目标检测、单阶段的目标检测、两阶段的目标检测。但是这些检测方法都有以下情况，如基于密度图的目标检测无法处理检测物体的重叠以及尺度的变化的问题；单阶段的目标检测对于小目标的检测有困难；两阶段的目标检测检测速度慢，训练时间过长，误报率较高。
[0004]对上述不同猪只计数方法检测效果不足的困扰，主要在于以下两方面：
[0005](1)遮挡问题：在目标检测中，遮挡包括两种，一种是猪只之间的互相遮挡，另一种则是猪只被圈栏物体的遮挡。
[0006]对于猪只之间遮挡，由于互相遮挡的两个目标类别一样，所以特征相近，目标检测算法无法准确定位，因此在阈值设定中过大过小都会影响检测结果。而对于其它物体的遮挡，目标检测算法无法区分猪只被遮挡住的特征。
[0007](2)小目标检测问题：对图像进行特征分类的前提是特征能够覆盖整幅图像，这对于小目标的物体来说是比较困难的。
[0008]当前单阶段目标检测中YOLO系列最新的网络结构YOLOv7虽然检测精度很高，但是其骨干网络是自上到下的方式，深层与浅层特征图在语义性与空间性上没有做到更好的均衡。而小目标存在于浅层的语义特征，在目标检测过程中难以挖掘小目标特征信息。

技术实现思路

[0009]本专利技术的目的是提供一种基于改进的YOLOv7模型的猪只监测计数方法，解决了现有技术中存在的遮挡问题和小目标检测问题。
[0010]为实现上述目的，本专利技术提供了一种基于改进的YOLOv7模型的猪只监测计数方法，包括以下步骤：
[0011]S1、在猪场布置若干个摄像头进行视频监控；
[0012]S2、获取步骤S1中摄像头拍摄的视频监控图像，将视频图像转化成640*640的图像输入YOLOv7网络；
[0013]S3、特征提取：经过特征提取骨干网络对步骤S2获得的转化后猪只图像进行边缘、纹理、颜色特征的提取，将猪只图像转换为机器学习的图像数据，在特征提取骨干网络后插入CA注意力机制(Coordinate注意力机制
‑
协调注意力机制)；
[0014]S4、特征融合：将步骤S3提取出不同层级的猪只特征图进行特征间的优势互补，获得准确的识别结果，在特征融合后添加小目标检测层；
[0015]S5、特征检测：将猪只特征信息与猪只信息相匹配，在图像中检测出猪只的位置信息；
[0016]S6、猪只计数：对检测数据分析，统计当前图像猪只总数并展示。
[0017]优选的，步骤S3中，特征提取骨干网络包括ELAN模块(聚合卷积)和MP模块(最大池化卷积)，ELAN模块由多个卷积模块融合而成，MP模块包括三种特征提取。
[0018]优选的，MP模块的特征提取过程具体如下：
[0019](1)通过最大池化与卷积结合将图像尺寸变为与经过池化相同的特征图像尺寸；
[0020](2)通过平均池化与卷积结合将图像尺寸变为与经过池化相同的特征图像尺寸；
[0021](3)在经过四次卷积后，将第二次与第四次卷积先进行信息融合，再与另外两种网络结构融合，最后将三种提取特征的方式融合，获得图像信息。
[0022]优选的，步骤(1)中，最大池化与卷积结合过程为：图像先经过最大池化层后连接一个卷积核为1、步长为1的卷积，此时图像尺寸变为四分之一，通道数变为一半；再将原图经过卷积核为1、步长为1的卷积并连接一个卷积核为3、步长为2的卷积将图像尺寸变为与经过池化相同的特征图像尺寸。
[0023]优选的，步骤(2)中，平均池化与卷积结合过程为：图像先经过平均池化层后连接一个卷积核为1、步长为1的卷积，而此时图像尺寸变为四分之一，通道数变为一半；再将原图经过卷积核为1、步长为1的卷积并连接一个卷积核为3，步长为2的卷积将图像尺寸变为与经过池化相同的特征图像尺寸。
[0024]优选的，步骤S3中，CA注意力机制首先对于原图像进行两种处理，一方面将原图像特征保存以用来分配权重；另一方面将原图分别经过平均池化压缩宽度和压缩高度，再将两者提取的信息结合；之后经过卷积压缩通道数获取精确位置信息，最后经过激活函数FRELU。
[0025]因此，本专利技术的一种基于改进的YOLOv7模型的猪只监测计数方法，其技术效果如下：
[0026](1)在网络结构中的改进MP模块，通过残差思想和引入平均池化更好地进行信息融合，随着深度的增加，残差思想可以获取更高的精度，平均池化可以降低邻域大小受限造成的估计值方差，更多地保留图像的特征信息。
[0027](2)在原网络结构提取深层语义特征后添加了改进的CA注意力机制，突出图像中待检测猪只信息，在原网络结构特征融合过程中添加了对浅层语义特征的提取，有效加强了对远处猪只小目标的检测，即通过添加注意力机制和小目标检测层有效提升了目标检测效果，使得远景的猪只个体也可以被检测到，并且目标重叠与被遮挡问题也有效改善，从而能够高效、精确地预测生猪个体数量，实现了猪只自动计数，解决了人工现场管理猪只群体方法费时费力且主观性强的问题。
[0028]下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。
附图说明
[0029]图1是本专利技术YOLOv7的流程示意图；
[0030]图2是本专利技术MP模块的示意图；
[0031]图3是本专利技术CA注意力机制的示意图；
[0032]图4是本专利技术YOLOv7模型的结构示意图。
具体实施方式
[0033]下面结合实施例，对本专利技术进一步描述。
[0034]实施例
[0035]现有技术中的YOLOv7网络
[0036]a.首先将猪只数据图像输入网络，经过特征提取骨干网络对猪只图像进行特征的提取，骨干网络的具体过程是图像由一开始的640*640，经过步长为2的卷积逐步降采样缩小尺寸至20*20；
[0037]b.随后，提取到的特征经过特征融合处理得到三种不同尺寸的特征，该过程中融合了骨干网络包括80*80之后提取的特征图；
[0038]c.最终，融合三种不同尺寸的特征被送入检测头，经过检测之后输出得到结果。
[0039]一种基于改进的YOLOv7模型的猪只监测计数方法，具体步骤如下：
[0040]S1、在猪场布置若干个摄像头进行视频监控；
[0041]S2、获取步骤S1摄像头拍摄的猪只群体监控视频图像，将本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进的YOLOv7模型的猪只监测计数方法，其特征在于，具体步骤如下：S1、在猪场布置若干个摄像头进行视频监控；S2、获取步骤S1中摄像头拍摄的视频监控图像，将视频图像转化成640*640的图像输入YOLOv7网络；S3、特征提取：经过特征提取骨干网络对步骤S2获得的转化后猪只图像进行边缘、纹理、颜色特征的提取，将猪只图像转换为机器学习的图像数据，在特征提取骨干网络后插入CA注意力机制；S4、特征融合：将步骤S3提取出不同层级的猪只特征图进行特征间的优势互补，获得准确的识别结果，在特征融合后添加小目标检测层；S5、特征检测：将猪只特征信息与猪只信息相匹配，在图像中检测出猪只的位置信息；S6、猪只计数：对检测数据分析，统计当前图像猪只总数并展示。2.根据权利要求1所述的一种基于改进的YOLOv7模型的猪只监测计数方法，其特征在于：步骤S3中，特征提取骨干网络包括ELAN模块和MP模块，ELAN模块由多个卷积模块融合而成，MP模块包括三种特征提取。3.根据权利要求2所述的一种基于改进的YOLOv7模型的猪只监测计数方法，其特征在于，MP模块的特征提取过程具体如下：(1)通过最大池化与卷积结合将图像尺寸变为与经过池化相同的特征图像尺寸；(2)通过平均池化与卷积结合将图像尺寸变为与经过池化相同的特征图像尺寸；(3)在经过...

【专利技术属性】
技术研发人员：马钦，林华浦，彭佳辉，张凯，孙一杰，
申请(专利权)人：中国农业大学，
类型：发明
国别省市：