一种生猪面部关键点检测方法技术

本发明专利技术公开了一种生猪面部关键点检测方法，包括以下步骤，构建生猪面部图像的数据集；使用

【技术实现步骤摘要】
一种生猪面部关键点检测方法


[0001]本专利技术涉及的猪脸检测识别的
，尤其涉及一种生猪面部关键点检测方法
。

技术介绍

[0002]随着生猪养殖业的快速发展，基于非侵入式身份智能识别的生猪智能饲喂
、
体尺测量和体重预估等数字化的智慧养殖方式受到了广泛关注
。
目前，常见的生猪个体身份识别主要采用侵入式的方式，如佩戴耳标
、
打耳缺
、
画标记等方式
。
这些方法均有一定的局限性，耳标存在易污染
、
易损坏
、
射频信号距离有限等问题；耳缺会使猪只产生应激反应，造成伤口感染；背部标记符号容易褪色，且劳动力成本较高
。
近年来，基于猪脸识别的非侵入式生猪身份识别成为研究热点，生猪易动且面部姿态多变，导致猪脸关键点提取不准确，且目前没有准确快捷的猪脸关键点检测方法
。

技术实现思路

[0003]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例
。
在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分
、
说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围
。
[0004]鉴于上述现有存在的问题，提出了本专利技术
。
[0005]因此，本专利技术解决的技术问题是：如何提供一种能够满足猪脸数据精确
、r/>便捷
、
快速采集需求的生猪面部关键点检测方法
。
[0006]为解决上述技术问题，本专利技术提供如下技术方案：一种生猪面部关键点检测方法，包括以下步骤，构建生猪面部图像的数据集；使用
Labelme
工具对所述数据集进行目标框和关键点标注，其中目标框标注范围为猪只面部；基于
YOLOv5Face
模型，将原有的
YOLOv5s
模型骨干替换为
MobileOne
重参数化骨干网络，然后融合解耦全连接注意力模块构成
MOB
‑
DFC
模块，再将特征金字塔中的上采样替换为轻量化上采样算子
CARAFE
，将
YOLOv5s
‑
Face
模型改进为
YOLO
‑
MOB
‑
DFC
模型；利用所述
YOLO
‑
MOB
‑
DFC
模型对图像进行预测，生成目标的类别
、
边界框的坐标
、
五个关键点的位置信息以及置信度完成生猪面部关键点检测
。
[0007]优选的，所述
MOB
‑
DFC
模块由
MobileOne Block
和解耦全连接注意力机制构成，且所述
MOB
‑
DFC
模块通过下采样将特征图的大小缩小，再通过1×5和5×1非对称卷积提取特征，使用双线性插值上采样还原特征图，以匹配
MobileOne Block
分支特征的分辨率大小
。
[0008]优选的，包括以下步骤，所述
MOB
‑
DFC
模块使用全连接层实现注意力图的方式如下式
(1)
，式
(1)
中元素乘法符号
⊙
表示两个矩阵对应元素相乘的操作，
[0009]a
hw
＝
∑
h
′
，
w
′
F
hw
，
h
′
w
′
⊙
z
h
′
w
′ (1)
[0010]式中元素乘法符号
⊙
表示两个矩阵对应元素相乘的操作，将其分解成两个方向的卷积操作，并分别表示为式
(2)
和式
(3)
，其中
H
和
W
分别表示卷积核的高度和宽度；
[0011][0012][0013]式
(2)
和式
(3)
中，
a
′
hw
表示经过垂直方向卷积后输出特征图中的第
h
行
w
列的像素值，
z
h
′
w
表示第
h
′
行
w
列的输入特征图像素值，代表卷积核在
h
和
h
′
行之间的权重值，式
(2)
和式
(3)
分别对输入特征图进行垂直和水平方向的卷积操作，生成特征图，从而提取局部特征并捕捉远处的空间信息
。
[0014]优选的，所述轻量化上采样算子
CARAFE
由上采样模块和特征重组模块组成，利用上采样预测模块生成上采样核，再将特征重组模块与上采样核进行重组
。
[0015]优选的，还包括对所述
YOLOv5Face
模型的边框损失函数改进，包括以下步骤，将
YOLOv5Face
中的
CloU
损失函数替换为
EloU
损失函数，
EloU
损失函数中同时引入了
Focal Loss
解决了难易样本不平衡的问题，使得目标框回归过程更专注于锚框的质量，如下式
(4)
，
[0016][0017]式
(4)
中，
IoU
为真实边界框与预测边界框之间的交并比，
ρ2(b
，
b
gt
)
是预测边界框中心与真实边界框中心的欧式距离，
w
和
h
分别为预测边界框的宽和高，
w
gt
和
h
gt
分别为真实边界框的宽和高
。
[0018]优选的，所述关键点标注为生猪面部关键点，其包括双眼
、
两侧鼻翼及鼻尖中心
。
[0019]优选的，所述
YOLOv5Face
模型在
YOLOv5
预测边界框基础上，添加五个关键点，将
Wing Ioss
作为损失函数对关键点进行约束，使用分类损失
、
定位损失
、
置信度损失和关键点损失构成的损失函数，如下式，
[0020][0021][0022]Loss
＝
λ1L
cls
+
λ2L
obj
+
λ3L...

【技术保护点】

【技术特征摘要】
1.
一种生猪面部关键点检测方法，其特征在于：包括以下步骤，构建生猪面部图像的数据集；使用
Labelme
工具对所述数据集进行目标框和关键点标注，其中目标框标注范围为猪只面部；基于
YOLOv5Face
模型，将原有的
YOLOv5s
模型骨干替换为
MobileOne
重参数化骨干网络，然后融合解耦全连接注意力模块构成
MOB
‑
DFC
模块，再将特征金字塔中的上采样替换为轻量化上采样算子
CARAFE
，将
YOLOv5s
‑
Face
模型改进为
YOLO
‑
MOB
‑
DFC
模型；利用所述
YOLO
‑
MOB
‑
DFC
模型对图像进行预测，生成目标的类别
、
边界框的坐标
、
五个关键点的位置信息以及置信度完成生猪面部关键点检测
。2.
根据权利要求1所述的生猪面部关键点检测方法，其特征在于：所述
MOB
‑
DFC
模块由
MobileOne Block
和解耦全连接注意力机制构成，且所述
MOB
‑
DFC
模块通过下采样将特征图的大小缩小，再通过1×5和5×1非对称卷积提取特征，使用双线性插值上采样还原特征图，以匹配
MobileOne Block
分支特征的分辨率大小
。3.
根据权利要求1所述的生猪面部关键点检测方法，其特征在于：包括以下步骤，所述
MOB
‑
DFC
模块使用全连接层实现注意力图的方式如下式
(1)
，式
(1)
中元素乘法符号
⊙
表示两个矩阵对应元素相乘的操作，
a
hw
＝
∑
h
′
,w
′
F
hw,h
′
w
′
⊙
z
h
′
w
′ (1)
式中元素乘法符号
⊙
表示两个矩阵对应元素相乘的操作，将其分解成两个方向的卷积操作，并分别表示为式
(2)
和式
(3)
，其中
H
和
W
分别表示卷积核的高度和宽度；分别表示卷积核的高度和宽度；式
(2)
和式
(3)
中，
a'
hw
表示经过垂直方向卷积后输出特征图中的第
h
行
w
列的像素值，
z
h
′
w
表示第
h
′
行
w
列的输入特征图像素值，代表卷积核在
h
和
h
′
行之间的权重值，式
(2)
和式
(3)
分别对输入特征图进行垂直和水平方向的卷积操作，生成特征图，从而提取局部特征并捕捉远处的空间信息
。4.
根据权利要求1所述的生猪面部关键点检测方法，其特征在于：所述轻量化上采样算子
CARAFE
由上采样模块和特征重组模块组成，利用上采样预测模块生成上采样核，再将特征重组模块与上采样核进行重组
。5.
根据权利要求1所述的生猪面部关键点检测方法，其特征在于：还包括对所述
YOLOv5Face
模型的边框损失函数改进，包括以下步骤，将
YOLOv5Face
中的
CIoU
损失函数替换为
EIoU
损失函数，
EIoU
损失函数中同时引入了
Focal Loss
，如下式
(4)
，式
(4)
中，
IoU
为真实边界框与预测边界框之间的交并比，
ρ2(b,b
gt
)
是预测边界框中心与真实边界框中心的欧式距离，
w
和
h
分别为预测边界框的宽和高，
w
gt
和
h
gt
分别为真实边界
框的宽和高；所述关键点标注为...

【专利技术属性】
技术研发人员：徐爱俊，黄志杰，周素茵，盛曦，翁晓星，项云，
申请(专利权)人：中润农牧科技浙江有限公司，
类型：发明
国别省市：