一种基于深度学习的奶牛行为识别方法技术

本发明专利技术提供一种基于深度学习的奶牛行为识别方法，涉及图像识别技术领域，该方法包括获取行为图像数据和训练图像数据；对行为图像数据进行预处理，得到图像数据集；基于训练图像数据，对初始行为识别模型进行训练，得到行为识别模型；利用骨干网络，对图像数据集进行特征提取，利用注意力机制得到行为特征图；利用颈部结构对行为特征图进行处理，得到融合特征图；将融合特征图输入头部结构，获得识别结果；对识别结果进行后处理，得到最终的目标框及行为识别结果，提高了奶牛行为识别的速度和精确度，大大降低了养殖成本

【技术实现步骤摘要】
一种基于深度学习的奶牛行为识别方法


[0001]本说明书涉及图像识别
，特别涉及一种基于深度学习的奶牛行为识别方法
。

技术介绍

[0002]奶牛行为识别技术是一种利用现代计算机视觉和机器学习算法等技术手段对奶牛的行为进行监测和分析的方法
。
通过对奶牛行为的监测和分析，可以了解奶牛的健康状况
、
生产性能和生活习性等信息，有助于提高奶牛的养殖效益和健康水平
。
因传感器的成本高昂
、
易损特征和需要与奶牛亲密接触更易应激等缺陷，非接触视觉系统因其简单
、
低廉以及更安全的方式，更符合现代养殖场的需求
。
现在的非接触视觉系统通过识别奶牛的特征部位，构建特征关系向量，实现对奶牛的行为识别，可以保证多样背景中的识别准确率，但计算成本高，而为了降低计算成本，会导致识别的准确率下降
。
[0003]为了解决以上问题，提出了一种基于深度学习的奶牛行为识别方法，兼顾了识别的效率和准确率
。

技术实现思路

[0004]本说明书一个或多个实施例提供一种基于深度学习的奶牛行为识别方法
。
所述基于深度学习的奶牛行为识别方法包括：
S1
：获取行为图像数据和训练图像数据；
S2
：对所述行为图像数据进行预处理，得到图像数据集；
S3
：基于所述训练图像数据，对初始行为识别模型进行训练，得到行为识别模型；所述行为识别模型包括骨干网络
、
颈部结构和头部结构；
S4
：利用所述骨干网络，对所述图像数据集进行特征提取，利用注意力机制得到行为特征图；
S5
：利用所述颈部结构对所述行为特征图进行处理，得到融合特征图；
S6
：将所述融合特征图输入所述头部结构，获得识别结果；所述识别结果包括检测边界框
、
预测类别和对应置信度分数；
S7
：对所述识别结果进行后处理，得到最终的目标框及行为识别结果
。
[0005]本说明书一个或多个实施例提供一种基于深度学习的奶牛行为识别系统，包括获取模块
、
预处理模块
、
训练模块
、
特征提取模块
、
融合模块
、
识别模块和后处理模块：所述获取模块，用于获取行为图像数据和训练图像数据；所述预处理模块，用于对所述行为图像数据进行预处理，得到图像数据集；所述训练模块，用于基于所述训练图像数据，对初始行为识别模型进行训练，得到行为识别模型；所述行为识别模型包括骨干网络
、
颈部结构和头部结构；所述特征提取模块，用于利用所述骨干网络，对所述图像数据集进行特征提取，利用注意力机制得到行为特征图；所述融合模块，用于利用所述颈部结构对所述行为特征图进行处理，得到融合特征图；所述识别模块，用于将所述融合特征图输入所述头部结构，获得识别结果；所述识别结果包括检测边界框
、
预测类别和对应置信度分数；所述后处理模块，用于对所述识别结果进行后处理，得到最终的目标框及行为识别结果
。
[0006]本说明书一个或多个实施例提供一种基于深度学习的奶牛行为识别装置，包括处理器，所述处理器用于执行以上任一项所述的基于深度学习的奶牛行为识别方法
。
[0007]本说明书一个或多个实施例提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行以上任一项所述的基于深度学习的奶牛行为识别方法
。
[0008]在本说明书的一些实施例中，处理器通过训练图像数据获取行为识别模型，基于行为识别模型对行为图像数据进行识别，得到最终的目标框和行为识别结果
。
通过对
YOLOv8s
模型进行改良，运用
ShuffleNetv2
网络作为骨干网络，将颈部结构的
Conv
模块替换为
GSConv
模块，大大增加了奶牛行为的识别精确度和处理速度，从而及时对奶牛健康状况进行管理，提高生产效率；通过这种方式，可以降低计算成本以及具有免佩戴特性，提高了识别方法的应用范围，大大降低了养殖成本
。
附图说明
[0009]本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述
。
这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
[0010]图1是根据本说明书一些实施例所示的一种基于深度学习的奶牛行为识别系统的模块示意图；
[0011]图2是根据本说明书一些实施例所示的一种基于深度学习的奶牛行为识别方法的示例性流程图；
[0012]图3是根据本说明书一些实施例所示的获得行为识别模型的示例性流程图；
[0013]图4是根据本说明书一些实施例所示的第一行为识别模型的示例性示意图
。
具体实施方式
[0014]为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍
。
显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景
。
除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作
。
[0015]应当理解，本文使用的“系统”、“装置”、“单元”和
/
或“模块”是用于区分不同级别的不同组件
、
元件
、
部件
、
部分或装配的一种方法
。
然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语
。
[0016]如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和
/
或“该”等词并非特指单数，也可包括复数
。
一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素
。
[0017]本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作
。
应当理解的是，前面或后面操作不一定按照顺序来精确地执行
。
相反，可以按照倒序或同时处理各个步骤
。
同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作
。
[0018]图1是根据本说明书一些实施例所示的一种基于深度学习的奶牛行为识别系统的
模块示意图
。
[0019]在一些实施例中，所述基于深度学习的奶牛行为识别系统...

【技术保护点】

【技术特征摘要】
1.
一种基于深度学习的奶牛行为识别方法，其特征在于，包括：
S1
：获取奶牛行为图像数据和奶牛训练图像数据；
S2
：对所述奶牛行为图像数据进行预处理，得到图像数据集；
S3
：基于所述奶牛训练图像数据，对初始行为识别模型进行训练，得到行为识别模型；所述行为识别模型包括骨干网络
、
颈部结构和头部结构；
S4
：利用所述骨干网络，对所述图像数据集进行特征提取，利用注意力机制得到行为特征图；
S5
：利用所述颈部结构对所述行为特征图进行处理，得到融合特征图；
S6
：将所述融合特征图输入所述头部结构，获得识别结果；所述识别结果包括检测边界框
、
预测类别和对应置信度分数；
S7
：对所述识别结果进行后处理，得到最终的目标框及行为识别结果
。2.
根据权利要求1所述的基于深度学习的奶牛行为识别方法，其特征在于，所述
S3
包括：基于所述训练图像数据，通过标注，获取所述训练数据集；通过对
YOLOv8s
模型进行改进，获取初始行为识别模型；所述初始行为识别模型包括骨干网络
、
颈部结构和头部结构；利用所述训练数据集对初始行为识别模型进行训练，获得行为识别模型
。3.
根据权利要求2所述的基于深度学习的奶牛行为识别方法，其特征在于，所述通过对
YOLOv8s
模型进行改进，获取初始行为识别模型包括：将
YOLOv8s
模型中骨干网络替换为
ShuffleNetv2
网络结构，并加入注意力机制，用于进行特征提取；将
YOLOv8s
模型颈部结构中的
Conv
模块替换为
GSConv
模块，用于进行特征识别
。4.
根据权利要求2所述的基于深度学习的奶牛行为识别方法，其特征在于，所述利用所述训练数据集对初始行为识别模型进行训练，得到行为识别模型还包括：
S41
：将所述训练数据集分为训练集和验证集；
S42
：通过所述训练集对初始行为识别模型进行训练，得到第一行为识别模型；
S43
：利用所述验证集对所述第一行为识别模型进行验证，判断验证结果是否符合要求，若符合，则将第一行为识别模型作为最终的行为识别模型输出，否...

【专利技术属性】
技术研发人员：郭雷风，马亚宾，席天宇，么炜，袁明，杨晨东，蒋桂娥，卢炜华，张国拴，
申请(专利权)人：中国农业科学院农业信息研究所，
类型：发明
国别省市：