基于ShuffleNetv1-YOLOv5s的朱鹮繁殖行为实时检测方法技术

本发明专利技术公开了基于ShuffleNetv1

【技术实现步骤摘要】
基于ShuffleNetv1
‑
YOLOv5s的朱鹮繁殖行为实时检测方法


[0001]本专利技术涉及繁殖行为试验检测领域，具体是基于ShuffleNetv1
‑
YOLOv5s的朱鹮繁殖行为实时检测方法。

技术介绍

[0002]朱鹮，是世界上最为濒危的鸟类之一，在其保护过程中知悉其繁殖情况是朱鹮保护这一任务的重要环节，现阶段了解野外朱鹮繁殖情况均靠相关专业人员对其潜在出现区域进行科学考察，由于朱鹮活动范围较大，且生活环境复杂，所以现有方法耗时耗力，效率较低。当前，计算机视觉发展日新月异，利用固定相机或无人机及计算机视觉技术代替人工可对朱鹮出现区域进行长期监测，可自动获得某一区域朱鹮的详细繁殖情况。因此，使用基于计算机视觉的方法来代替人工巡察具有重要的意义。
[0003]近年来，计算机视觉中涌现出许多令人瞩目的基于深度学习的目标检测算法，这些算法可有效改善基于传统机器学习算法在进行目标检测时存在的检测精度低，抗干扰能力差，无法适应复杂环境的问题。其大致可以分为两类：一类是“两阶段检测”算法，其在执行时需要分两步完成，首先获得候选区域，然后进行区域内目标分类，标志性算法如R
‑
CNN、Fast
‑
R
‑
CNN、Faster
‑
R
‑
CNN。另一类就是一阶段检测算法，通过目标检测网络直接预测出目标的类别和位置信息，这类基于回归的目标检测算法有YOLO系列(You Only LookOnce)、与SSD(Single shot multibox detector)。这类算法的优点是检测速度较快、实时性好，但是相比于两步检测算法精度略低，但是以上经典网络的都存在模型过大，运算量太大，难以生产部署与在移动端移植。
[0004]本专利技术针对现有朱鹮繁殖行为检测算法存在网络参数量过大，检测效率低，难以实地部署与在移动端移植的问题，基于YOLOv5s目标检测算法提出了一种轻量化的朱鹮繁殖行为检测算法，在能够保持较高模型预测精度的同时大幅降低了模型的计算复杂度。

技术实现思路

[0005]本专利技术针对现有朱鹮繁殖行为检测算法存在网络参数量过大，检测效率低，难以实地部署与在移动端移植的问题，基于YOLOv5s目标检测算法提出了一种轻量化的朱鹮繁殖行为检测算法，在能够保持较高模型预测精度的同时大幅降低了模型的计算复杂度。
[0006]本专利技术提供了基于ShuffleNetv1
‑
YOLOv5s的朱鹮繁殖行为实时检测方法，包括以下步骤：
[0007]S1、收集野外各种环境下的朱鹮繁殖图像资料；
[0008]S2、使用Labellmg对图像进行YOLO格式标注；
[0009]S3、将数据集按8:2划分为训练集与测试集；
[0010]S4、使用深度学习框架pytorch构建网络模型；
[0011]S5、修改训练参数与网络超参数并使用训练集进行训练；
[0012]S6、用测试集进行网络性能测试；
[0013]S7、测试指标较高且达到稳定；
[0014]S8、得到训练好的网络模型；
[0015]S9、使用训练好的网络模型进行野外朱鹮进食行为检测。
[0016]优选的，所述步骤S4中构建基于YOLOv5s的轻量化目标检测网络模型，使用的Bottleneck结构是一种包含深度可分离卷积以及Channel Shuffle的模块，其包括两种结构，保持输入经过该模块后输出特征图长宽不变时采用模块的A，即其中步距(stride)设置均为1；与输入经过该模块后输出特征图长宽减小为原一半时采用的模块B，即其中步距(stride)设置包含有2。
[0017]优选的，所述A模块包括：一个支路经过卷积核大小为1*1、步距为1的组卷积与BN层、Relu激活层，在通道方向进行Channel Shuffle操作，经过卷积核大小为3*3、步距为1的深度可分离卷积与BN层，卷积核大小为1*1，步距为1的普通卷积与BN层、Relu激活层，再与另一个不做任何操作的支路在通道上进行相加，相加后经过Relu激活函数。
[0018]优选的，所述B模块包括：一个支路经过卷积核大小为1*1、步距为1的组卷积与BN层、Relu激活层，在通道方向进行Channel Shuffle操作，经过卷积核大小为3*3、步距为2的深度可分离卷积与BN层，卷积核大小为1*1，步距为1的普通卷积与BN层、Relu激活层，另一个支路经过步距为2平均池化层，两个支路拼接后经过Relu激活函数。
[0019]优选的，当使用A模块时，其中卷积核参数设置时保证输入输出特征图通道数相同，当使用B模块时，其中卷积核参数设置时保证输出特征图为输入特征图通道数的两倍；
[0020]优选的，所述步骤S4中在YOLOv5s的特征融合网络中嵌入ECA模块，使用高效通道注力机制ECA模块，使用1个1维卷积来实现临近通道间的特征提取，卷积核大小为5。
[0021]优选的，所述步骤5中利用朱鹮图像训练集对所述基于YOLOv5s的轻量化目标检测网络模型进行训练，设置网络训练初始参数，包括图片输入尺寸、动量参数、权重衰减正则项参数、图片角度变化参数、饱和度与曝光变化参数、色调变化参数、初始学习率、训练迭代次数以及网络超参数，调整动量参数、权重衰减正则项参数、始学习率以及训练迭代次数。
[0022]本专利技术的有益之处在于：
[0023]1、本专利技术从汉中朱鹮国家级自然保护区中采集朱鹮的图像资料，使用LabelImg对图像中的有繁殖行为的朱鹮进行标注，并对图像进行旋转、正切、随机裁剪、色彩空间变换等多种方式的数据增强，构建了一个数据量较为充足、能够全面展现朱鹮繁殖时期的数据集。
[0024]2、本专利技术提出了一种基于YOLOv5s的轻量化朱鹮繁殖行为算法，其对YOLOv5s目标检测网络进行了网络压缩与压缩后的精度提升。使用了ShuffleNetv1中的Bottleneck进行了模型主干网络重构，实现了网络的轻量化设计，大幅降低了网络的参数量与计算量，如图2、图3。
[0025]3、原始ShuffleNetv1网络的第一层由普通卷积层，BN层和非线性激活层构成，本专利技术将其替换为Stem模块，使用的Stem模块如图4。
[0026]4、将ECA添加到YOLOv5的PANet特征融合网络中，如图2、图5，可以在略微提升网络计算量的情况下有效提升模型的检测精度，并通过实验进行了验证。
附图说明
为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。图1为本专利技术基于YOLOv5s的轻量化目标检测网络模型示意图；图2为本专利技术YOLOv5s的特征融合网络中嵌入E本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于ShuffleNetv1
‑
YOLOv5s的朱鹮繁殖行为实时检测方法，其特征在于，包括以下步骤：S1、收集野外各种环境下的朱鹮繁殖图像资料；S2、使用Labellmg对图像进行YOLO格式标注；S3、将数据集按8:2划分为训练集与测试集；S4、使用深度学习框架pytorch构建网络模型；S5、修改训练参数与网络超参数并使用训练集进行训练；S6、用测试集进行网络性能测试；S7、测试指标较高且达到稳定；S8、得到训练好的网络模型；S9、使用训练好的网络模型进行野外朱鹮进食行为检测。2.基于ShuffleNetv1
‑
YOLOv5s的朱鹮繁殖行为实时检测方法，其特征在于：所述步骤S4中构建基于YOLOv5s的轻量化目标检测网络模型，使用的Bottleneck结构是一种包含深度可分离卷积以及ChannelShuffle的模块，其包括两种结构，保持输入经过该模块后输出特征图长宽不变时采用模块的A，即其中步距(stride)设置均为1；与输入经过该模块后输出特征图长宽减小为原一半时采用的模块B，即其中步距(stride)设置包含有2。3.根据权利要求2所述的基于ShuffleNetv1
‑
YOLOv5s的朱鹮繁殖行为实时检测方法，其特征在于：所述A模块包括：一个支路经过卷积核大小为1*1、步距为1的组卷积与BN层、Relu激活层，在通道方向进行ChannelShuffle操作，经过卷积核大小为3*3、步距为1的深度可分离卷积与BN层，卷积核大小为1*1，步距为1的普通卷积与BN层、Relu激活层，再与另一个不做任何操作的支路在通道上进行相加，相加后经过Relu激活函数。4.根据权利要求1所述的基于S...

【专利技术属性】
技术研发人员：张鹏超，张凡，黄俊霖，王磊，皇金锋，
申请(专利权)人：陕西理工大学，
类型：发明
国别省市：