【技术实现步骤摘要】
本专利技术涉及多目标检测跟踪，尤其是涉及一种基于改进yolov5的猪只运动量统计方法。
技术介绍
1、随着养猪产业由集约化饲养向工厂化饲养的发展，养殖场中的猪只饲养管理水平的优劣直接影响到猪肉的品质和养猪场的效益。对每一头养殖场中的猪只的精细化管理难度加大，因此对猪只的运动量进行实时检测，有助于管理人员及时发现其身体异常情况同时保证肉质更加紧实。
2、猪只的健康与否可以通过运动量来判断，基于深度学习的多目标检测与跟踪的算法yolov5+deepsort较传统的方法具有检测精确度高、操作简单等优点。传统的基于深度学习的yolov5模型可以在复杂的环境中检测目标，并有较高的准确率，但在实际应用过程中，仍会出现漏检现象，达不到对每一头猪只的精细化管理。deepsort多目标跟踪算法的研究和应用领域已经较为广泛，但在跟踪过程中，经常会出现id丢失以及运动量统计不准确等问题。
3、而且养殖场的猪只数量多分布密集，并在固定长度的猪舍里面，猪只离摄像头过远，猪只之间相互遮挡，光线、背景的变化等都会导致猪只检测率降低，视频中猪只数量过多导致猪只检测耗时长，算法复杂度高，无法轻量化并移动到边缘设备当中使用。摄像头与地面的夹角影响像素距离转化为实际运动距离的准确度。而且现在研究中没有对猪只进行详细的运动量的分析和计算的实施方案。
技术实现思路
1、针对上述问题，本专利技术提出了一种基于改进yolov5模型的猪只运动量统计方法，包括：
2、采集猪只图片，进行数据集制备
3、对猪只个体进行标注；
4、搭建改进yolov5模型：主干网络采用densenet网络结构；选用ciou损失函数；
5、使用上述改进yolov5模型对数据集进行训练，获取改进yolov5检测模型；
6、根据改进yolov5检测模型对猪只进行检测；
7、搭建并通过deepsort模型对猪只运动轨迹进行统计；
8、像素距离转换为实际距离，并分析猪只的运动状态；
9、优选的，通过监控设备采集猪只图片，选取不同时间段和不同光线下的猪只图片作为所述数据集；
10、优选的，yolov5模型包括依次相连的输入端模块、backbone主干网络、neck网络和head网络；
11、优选的，改进yolov5模型的输入模块，采用肘部法则通过可视化损失函数与聚类中心点个数之间的关系，选择合适的聚类中心点个数，从而优化聚类性能。
12、优选的，通过所述肘部法则确定最佳聚集类中心点个数为3。
13、优选的，选取监控视频中的固定参照物确定像素与距离转化公式，实现视频中猪只移动的像素与实际猪只移动距离的转化，其中，根据所述固定参照物纵向从下到上选取的点上其平面所占的像素宽度变化趋势，计算出每个像素代表的实际距离，建立监控视频像素与实际距离的关系，确定像素与距离转化公式。
14、本专利技术提供的一种基于改进yolov5多目标检测以及deepsort多目标跟踪模型，采用监视器无接触获取信息，确保猪只正常活动，降低人工成本，实现实时性和准确性，提高对每头猪的精细化管理，精确计算出猪只的实际运动距离，为猪只身体状态的辅助检测提供可靠解决方案。
本文档来自技高网...【技术保护点】
1.一种基于改进YOLOv5模型的猪只运动量统计方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于改进YOLOv5模型的猪只运动量统计方法，其特征在于，通过监控设备采集所述猪只图片，选取不同时间段和不同光线下的猪只图片作为所述数据集。
3.根据权利要求1所述的一种基于改进YOLOv5模型的猪只运动量统计方法，其特征在于，所述YOLOv5模型包括依次相连的输入端模块、Backbone主干网络、Neck网络和Head网络。
4.根据权利要求1所述的一种基于改进YOLOv5模型的猪只运动量统计方法，其特征在于，在所述改进YOLOv5模型的输入模块，采用肘部法则并通过可视化损失函数与聚类中心点个数之间的关系，选择合适的聚类中心点个数，从而优化聚类性能。
5.根据权利要求4所述的一种基于改进YOLOv5模型的猪只运动量统计方法，其特征在于，通过所述肘部法则确定最佳聚集类中心点个数为3。
6.根据权利要求1所述的一种基于改进YOLOv5模型的猪只运动量统计方法，其特征在于，所述DeepSORT模型引入了目标外观信息关
7.根据权利要求1所述的一种基于改进YOLOv5模型的猪只运动量统计方法，其特征在于，所述将像素距离转化为实际距离的方法为选取监控视频中的固定参照物确定像素与距离转化公式，实现视频中猪只移动的像素与实际猪只移动距离的转化；
8.根据权利要求7所述的一种基于改进YOLOv5模型的猪只运动量统计方法，其特征在于，当摄像头高为5米，向下的角度为65°，所述固定参照物的宽为2.5米时，所属固定参照物纵向每个像素所代表的实际距离的变化趋势与拟合出的像素-距离转化公式为：
9.根据权利要求7所述的一种基于改进YOLOv5模型的猪只运动量统计方法，其特征在于，连接相邻两帧图像获取猪只个体识别框的中心点生成线段，计算出移动的像素距离，将所述线段的中点像素所代表的距离乘以所述整个线段长度，作为猪只的移动距离。
10.根据权利要求7所述的一种基于改进YOLOv5模型的猪只运动量统计方法，其特征在于，所述移动的像素距离使用欧式距离计算。
...【技术特征摘要】
1.一种基于改进yolov5模型的猪只运动量统计方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于改进yolov5模型的猪只运动量统计方法，其特征在于，通过监控设备采集所述猪只图片，选取不同时间段和不同光线下的猪只图片作为所述数据集。
3.根据权利要求1所述的一种基于改进yolov5模型的猪只运动量统计方法，其特征在于，所述yolov5模型包括依次相连的输入端模块、backbone主干网络、neck网络和head网络。
4.根据权利要求1所述的一种基于改进yolov5模型的猪只运动量统计方法，其特征在于，在所述改进yolov5模型的输入模块，采用肘部法则并通过可视化损失函数与聚类中心点个数之间的关系，选择合适的聚类中心点个数，从而优化聚类性能。
5.根据权利要求4所述的一种基于改进yolov5模型的猪只运动量统计方法，其特征在于，通过所述肘部法则确定最佳聚集类中心点个数为3。
6.根据权利要求1所述的一种基于改进yolov5模型的猪只运动量统计方法，其特征在于，所述deepsort模型引入了目标外观信息关联策略，对每个检测到的猪只个体生成特征向量，并建立一个特征集合，存储目标成功关联的最...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。