一种群养生猪日常行为检测方法技术

本发明专利技术公开了一种群养生猪日常行为检测方法，该方法通过获取待检测目标区域内群养生猪日常行为的图像，输入到改进后的YOLOv4网络模型进行检测，可得到输出的图像中生猪日常行为的分类。其中，改进后的YOLOv4网络模型为：采用轻量MobileNetv3网络代替原有模型YOLOv4中的CSPDarknet53网络，可减少参数量，在降低计算量的同时不会造成精度上的损失；并进一步在检测器中引入深度可分离卷积和inception网络结构，拓宽网络宽度和深度，在保证识别准确率的前提下，检测速度更快、实时性更强。实时性更强。实时性更强。

【技术实现步骤摘要】
一种群养生猪日常行为检测方法


[0001]本专利技术涉及图像识别
，特别涉及一种群养生猪日常行为检测方法。

技术介绍

[0002]目前随着智慧农业的普及，智能化养殖越来越受到人们的重视。生猪日常行为的识别定位是数字化养殖的重要前期工作，如果生猪长期保持趴、坐等行为表明生猪可能处于病态等异常状态。利用深度学习目标检测技术快速准确检测出养殖过程中生猪的异常行为，对预警生猪疾病并对其及时采取应对措施具有十分重要的意义。
[0003]目前常见的牲畜日常行为的检测方法有传感器检测技术和计算机视觉技术，传统的传感器检测技术需要给生猪个体佩戴耳标类传感器，Traulsen等使用耳贴式加速度传感器对母猪的运动加速度进行采集,王凯等利用母猪颈部行为传感器获得行为数据，分析母猪发情行为。虽然此类方法可以纪录生猪个体的各项参数，但可能由于生猪的咬食而损坏，而且会造成生猪感染寄生虫等问题。随着计算机视觉技术的不断发展，基于卷积神经网络的视觉分析技术在智能化生猪养殖的诸多领域都取得了很大进展。例如，Marsort等提出基于卷积神经网络的自适应猪脸识别方法，准确率达到了83％；甘海明等提出基于时空信息融合的方法对母猪哺乳行为识别，达到了97.85％的识别率；燕红文等提出改进Tiny
‑
YOLO模型的生猪脸部行为识别方法，准确率达到了 82.38％；Eric T.Psota等提出一种全卷积神经网络对生猪进行实例分割，准确率达到了91％。
[0004]卷积神经网络检测的算法可以分为基于候选区域以R
‑
CNN、Fast R
‑
CNN 为代表的两阶段算法和基于回归以SSD、YOLO系列为代表的一阶段算法。其中YOLOv4算法汇集了之前的研究成果在检测精度上有了很大提升，但也存在明显的缺陷，如参数量众多导致运算量庞大，占用磁盘空间大，在实际生产环境中很难在运算能力较弱的嵌入式设备实现实时应用。

技术实现思路

[0005]本专利技术的目的在于，为了解决上述现有技术存在的不足之处，提出一种群养生猪日常行为检测方法，该方法可。
[0006]为实现上述目的，本专利技术采取的技术方案为：
[0007]本专利技术实施例提供一种群养生猪日常行为检测方法，包括：
[0008]S1、获取待检测目标区域内群养生猪日常行为的图像；
[0009]S2、通过预先训练得到的生猪行为检测模型对所述图像进行检测；所述检测模型通过多组训练数据对改进后的YOLOv4网络模型进行训练得到的；所述多组训练数据的每一组数据包括生猪日常行为的目标框；所述改进后的 YOLOv4网络模型采用轻量MobileNetv3网络，且在检测器中引入深度可分离卷积和inception网络结构；
[0010]S3、根据所述检测模型的检测结果，确定所述图像中生猪日常行为的分类。
[0011]进一步地，改进后的YOLOv4网络模型采用轻量MobileNetv3网络，包括：
[0012]改进后的YOLOv4网络模型采用轻量MobileNetv3网络，删除 MobileNetv3后面的卷积层和池化层网络，保留网络的Bneck结构用于提取特征，包含其中SE模块；
[0013]分别在Bneck的第7层、第13层、第16层进行提取特征图。
[0014]进一步地，在检测器中引入深度可分离卷积，包括：
[0015]将采用1
×
1的点卷积和3
×
3的深度卷积代替原有的3
×
3传统卷积，同时使用非线性的h
‑
swish函数作为激活函数取代原有检测网络中使用的LeakyReLU函数。
[0016]进一步地，在检测器中引入inception网络结构，包括：
[0017]采用1
×
3、3
×
1的卷积核替换原结构中5
×
5的卷积核；
[0018]采用平均池化代替原结构的最大池化。
[0019]进一步地，所述改进后的YOLOv4网络模型的训练步骤，包括：
[0020]通过监控摄像头采集猪场实际场景下的不同时段、不同角度的生猪图像；
[0021]对所述生猪图像进行处理，根据预设比例分为训练集、验证集和测试集；
[0022]对YOLOv4网络模型进行改进，采用轻量MobileNetv3网络，且在检测器中引入深度可分离卷积和inception网络结构，得到改进后的YOLOv4网络模型；
[0023]使用所述训练集包括的处理后的所述生猪图像，对所述改进后的YOLOv4 网络模型进行迭代优化训练；
[0024]当满足预设条件后，终止训练，得到训练后的生猪行为检测模型。
[0025]进一步地，所述训练后的生猪行为检测模型的损失函数为：
[0026]total_loss＝L
loc
+L
conf
+L
cls
ꢀꢀ
(4)
[0027](4)式中，L
loc
表示坐标位置损失，采用CIOU误差；L
conf
表示置信度损失；L
cls
表示类别损失，采用二值交叉熵函数；
[0028][0029][0030][0031](5)
‑
(7)式中，s2表示网格数；B表示每个网格中的先验框个数；IOU(A,B) 表示预测框和真实框的交并比；ρ(A
ctr
,B
ctr
)表示预测框和真实框的中心点的欧式距离；m表示同时包含预测框和真实框的最小封闭区域的对角线距离；w
gt
和 h
gt
表示真实框的宽、高；w和h表示预测框的宽、高；表示第i个网格单元的第j个边界框是否包含目标，分别取1，0；表示第i个网格单元的第 j个边界框是否不包含目标，分别取0，1；表示预测置信度，表示真实置信度，λ
noobj
表示权重系数；c表示类别，表示单元格中目标属于类别c的概
率，表示预测概率。
[0032]进一步地，对所述生猪图像进行处理包括：
[0033]设置预设采样间隔，对采集到的生猪图像进行筛选，所选样本包含不同时间段、不同光照强度和不同拍摄交底的样本，并统一尺寸；
[0034]使用Mosaic数据增强增加样本的数量；
[0035]通过labelImg图像标注工具对生猪图像的日常行为进行标注，并赋予标签名称。
[0036]与现有技术相比，本专利技术具有如下有益效果：
[0037]本专利技术实施例提供的一种群养生猪日常行为检测方法，该方法通过获取待检测目标区域内群养生猪日常行为的图像，输入到改进后的YOLOv4网络模型进行检测，可得到输出的图像中生猪日常行为的分类。其中，改进后的 YOLOv4网络模型为：采用轻量MobileNetv3网络代替原有模型YOLOv4中的CSPDarknet53本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种群养生猪日常行为检测方法，其特征在于，包括：S1、获取待检测目标区域内群养生猪日常行为的图像；S2、通过预先训练得到的生猪行为检测模型对所述图像进行检测；所述检测模型通过多组训练数据对改进后的YOLOv4网络模型进行训练得到的；所述多组训练数据的每一组数据包括生猪日常行为的目标框；所述改进后的YOLOv4网络模型采用轻量MobileNetv3网络，且在检测器中引入深度可分离卷积和inception网络结构；S3、根据所述检测模型的检测结果，确定所述图像中生猪日常行为的分类。2.根据权利要求1所述的一种群养生猪日常行为检测方法，其特征在于，改进后的YOLOv4网络模型采用轻量MobileNetv3网络，包括：改进后的YOLOv4网络模型采用轻量MobileNetv3网络，删除MobileNetv3后面的卷积层和池化层网络，保留网络的Bneck结构用于提取特征，包含其中SE模块；分别在Bneck的第7层、第13层、第16层进行提取特征图。3.根据权利要求2所述的一种群养生猪日常行为检测方法，其特征在于，在检测器中引入深度可分离卷积，包括：将采用1
×
1的点卷积和3
×
3的深度卷积代替原有的3
×
3传统卷积，同时使用非线性的h
‑
swish函数作为激活函数取代原有检测网络中使用的Leaky ReLU函数。4.根据权利要求3所述的一种群养生猪日常行为检测方法，其特征在于，在检测器中引入inception网络结构，包括：采用1
×
3、3
×
1的卷积核替换原结构中5
×
5的卷积核；采用平均池化代替原结构的最大池化。5.根据权利要求4所述的一种群养生猪日常行为检测方法，其特征在于，所述改进后的YOLOv4网络模型的训练步骤，包括：通过监控摄像头采集猪场实际场景下的不同时段、不同角度的生猪图像；对所述生猪图像进行处理，根据预设比例分为训练集、验证集和测试集；对YOLOv4网络模型进行改进，采用轻量MobileNetv3...

【专利技术属性】
技术研发人员：李斌，陶亮，李广博，焦俊，辜丽川，马慧敏，时国龙，慕京生，徐浩然，
申请(专利权)人：蒙城县京徽蒙农业科技发展有限公司，
类型：发明
国别省市：