一种密集条件下跨时间序列的家蚕个体身份识别方法技术

本发明专利技术提供一种密集条件下跨时间序列的家蚕个体身份检索识别方法。该方法利用深度学习中的目标检测技术，首先在时间序列的起始时刻使用检测模型检测出家蚕个体，并对检测到的每只家蚕分配一个身份编号，而后使用卡尔曼滤波器预测每只家蚕在下一时刻的位置，而后再次使用目标检测模型在第二时刻进行个体检测，并使用匈牙利算法将上一时刻的预测结果与当前时刻的检测结果进行关联匹配，关联成功的家蚕即为同一只家蚕，共用一个身份编号，从第二时刻起对于新检测到的个体增加身份编号，未检测到的家蚕始终保留身份编号，再次使用卡尔曼滤波预测每只家蚕在下一帧的位置，通过在序列帧图像上循环进行个体检测、位置预测、身份匹配和位置更新等步骤，实现在密集条件下跨时间序列的家蚕个体身份检索识别。列的家蚕个体身份检索识别。列的家蚕个体身份检索识别。

【技术实现步骤摘要】
一种密集条件下跨时间序列的家蚕个体身份识别方法


[0001]本专利技术属于农业信息化领域，尤其涉及一种密集条件下跨时间序列的家蚕个体身份检索识别方法。

技术介绍

[0002]家蚕属于一种高密度饲养的昆虫，在真实环境下识别出每只家蚕的身份能够开展病害早期诊断、精准饲喂和生命形态分析等。
[0003]现有关于个体身份检索识别的方法主要用于行人重识别，由于行人始终处于站立状态，因此行人身份检索识别方法无法直接应用到家蚕上；还有部分方法实现畜禽的个体身份识别，但识别场景较为简单，未能够涉及密集环境下。
[0004]本专利技术主要根据家蚕的位置不会发生突变，同一时间段内蚕箔中的家蚕数量不会发生变化，以及每只家蚕的深度特征不同，使用个体检测和匹配的方式检索识别家蚕个体，只需训练家蚕个体检测模型，即可广泛使用方法开展家蚕个体身份检索和识别，结果也更加客观准确。

技术实现思路

[0005]本专利技术的目的在于解决上述现有技术存在的缺陷，使用深度学习和视觉技术，提供一种密集条件下跨时间序列的家蚕个体身份检索识别方法。
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种密集条件下跨时间序列的家蚕个体身份识别方法，其特征在于包括以下步骤：S1.通过目标检测模型对固定区域中的家蚕进行初始时刻的个体检测，并对检测到的每只家蚕分配一个身份编号；S2.使用卡尔曼滤波预测每只家蚕在下一时刻的位置，并通过目标检测模型进行该时刻的个体检测，并对检测到的每只家蚕分配一个临时身份编号；S3.采用检索识别模型对当前时刻的检测结果与上一时刻的检测结果进行对象匹配，匹配成功的家蚕，共用同一身份编号，未匹配成功的家蚕，保留身份编号；S4.重复S2
‑
S3，直至未匹配的家蚕，在某时刻匹配成功，实现家蚕身份识别。2.根据权利要求1所述的一种密集条件下跨时间序列的家蚕个体身份识别方法，其特征在于所述S1中的目标检测模型是基于深度学习的目标检测模型，检测精度达到96％以上，检测速度≥25帧/秒。3.根据权利要求1所述的一种密集条件下跨时间序列的家蚕个体身份识别方法，其特征在于，目标检测模型的检测环境是：图像的输入尺寸为1280
×
640像素的3通道彩色图像，每张图像覆盖60cm
×
40cm的蚕箔，蚕箔中的家蚕数量为90只左右。4.根据权利要求1或2所述的一种密集条件下跨时间序列的家蚕个体身份识别方法，其特征在于所述目标检测模型以YOLOv7为基础构架，在特征提取和融合网络中添加了基于特征映射的通道校准网络，在训练过程中，使用βCIoU函数作为个体检测模型训练的边界框回归函数。5.根据权利要求3所述的一种密集条件下跨时间序列的家蚕个体身份识别方法，其特征在于所述通道校准网络的工作流程为：S1.1对特征图Q＝W
Q
X进行线性映射，其中，W
Q
是可学习的参数；S1.2使用式1的全局平均池化方法进行特征汇聚，得到特征权重，u＝AvgPooling(Q)
ꢀꢀꢀꢀꢀ
式1其中，AvgPool代表全局平均池化S1.3采用ECANet提出的1D卷积获取每个通道之间的依赖关系，采用式2进行激活运算，w＝δ(1DConv(u))
ꢀꢀꢀ
...

【专利技术属性】
技术研发人员：石洪康，陈肖，李林波，肖文福，祝诗平，张剑飞，
申请(专利权)人：西南大学，
类型：发明
国别省市：