基于YOLOv5以及SlowFast的大象健康管理系统技术方案

本发明专利技术公开了一种基于YOLOv5以及SlowFast的大象健康管理系统，包括：大象的行为数据采集子系统：用于采集大象行为视频；大象的行为检测子系统：分析大象行为视频，通过YOLOv5算法以及SlowFast网络检测大象的特征行为，实时输送到数据库中，对大象的特征行为进行计数统计；大象生活环境监测子系统：监测室外的大象生活环境信息，实时发送至数据库存储；大象健康评估子系统：将不同类别的行为划分相应的权重，根据大象的行为量对应的区间，为大象的健康状况进行系统性的自动化打分；分析大象生活环境对其健康状态的影响。本发明专利技术提供的方法非接触地获得大象的行为数据、健康评估等信息，有利于提高大象的福利水平。有利于提高大象的福利水平。有利于提高大象的福利水平。

【技术实现步骤摘要】
基于YOLOv5以及SlowFast的大象健康管理系统


[0001]本专利涉及计算机视觉、动物福利养殖、计算机网络等
具体是一种基于YOLOv5以及SlowFast的大象健康管理系统。

技术介绍

[0002]动物的健康管理在当下这种集约化、规模化的养殖业中一直是一个热门话题，其中有一些动物学家通过定量分析动物在单一变量下的行为表现、生理指标，以数值形式评估动物福利的优劣。不管是从养殖业本身的经济效益还是动物福利本身的需求出发，具体精确的识别方法将关乎着养殖带来的经济效益以及动物福利的要求。目前相关的通过动物的行为表现来实现健康管理的技术，国内外虽然早有相关研究，但对于通过研究大象行为来实现健康管理却少有报道，仍处于研究阶段。大象作为国家一级保护动物和世界濒危动物，研究自动化、智能化识别大象行为，评估大象健康水平研究的方法对提高大象养殖（饲养）福利，保证我国物种多样性具有重大意义。
[0003]大象健康评估是动物园大象饲养环节中的重要任务之一，及时准确的获取大象行为信息能够有效提高大象福利水平。目前，国内外对于大象健康评估主要依靠大象馆相关人员观察大象行为，不仅效率低下、费时费力，而且无法做到连续观察和自动化行为分析。同时，大象行为复杂，活动区域多样，这要求观察者高度熟悉大象行为特性。然而，在实际动物园场景下，管理人员往往负责多种动物管理，长时间、高强度工作难免会使管理人员因疲劳而对大象行为评估产生主观臆断，导致大象管理环节的纰漏。
[0004]利用机器视觉技术结合行为识别算法是实现动物行为监测的主要途径之一。随着人工智能的不断发展，机器视觉技术已经渗透到动物养殖的多个环节。本项目基于机器视觉技术，结合目标检测和行为识别方法，在多角度、多区域的复杂场景下实现自动化、智能化大象静态姿态检测和动态行为识别，并对多个角度的识别结果进行筛选和决策，准确统计公母象每天各类行为变化，量化大象行为数据。同时，本项目利用传感器、无线通信和网页开发技术，采集大象生存环境数据，研究环境参数与大象行为之间的关联，并为动物园管理人员提供高度可视化的大象智能化健康管理系统，辅助动物园评估大象健康水平和改善大象生存环境。

技术实现思路

[0005]本专利技术针对
技术介绍
中存在的问题，提出了一种基于YOLOv5以及SlowFast的大象健康管理系统。通过YOLOv5检测算法，实现对室外活动的大象的行为进行分类，并对大象的采食、休息以及爬跨行为实时目标检测；通过SlowFast算法对室内活动的大象动作进行特征提取，对大象刻板行为进行实时行为检测；利用级联YOLOv5模型和SlowFast算法的方法检测大象的行为，是研究大象行为并对大象进行健康评估，以此提高大象的福利水平的重要基础。
[0006]技术方案：一种基于YOLOv5以及SlowFast的大象健康管理系统，它包括：大象的行
为数据采集子系统、大象的行为检测子系统、大象生活环境监测子系统和大象健康评估子系统；具体的：大象的行为数据采集子系统：用于采集大象行为视频；大象的行为检测子系统：分析大象行为视频，通过YOLOv5算法以及SlowFast网络检测大象的特征行为，实时输送到数据库中，对大象的特征行为进行计数统计；大象生活环境监测子系统：监测室外的大象生活环境信息，实时发送至数据库存储；大象健康评估子系统：将不同类别的行为划分相应的权重，根据大象的行为量对应的区间，为大象的健康状况进行系统性的自动化打分；同时，分析大象生活环境对其健康状态的影响。
[0007]具体的，大象的行为检测子系统的模型构建包括以下步骤：S1、数据采集：基于大象的行为数据采集子系统获得视频及图像数据，图像数据实时从视频中截取，截取频率为每秒一帧图片；S2、概念定义：大象采食、休息、爬跨以及刻板行为定义以及大象性别定义；S3、数据划分：基于大象行为的定义划分大象行为数据集；S4、网络设计：平衡检测速度和检测精度，采用YOLOv5和SlowFast为检测网络模型；S5、YOLOv5模型训练：利用动作分类图片数据集训练YOLOv5模型，作为室外大象行为的检测器；S6、SlowFast模型训练：利用动作分类视频数据集训练SlowFast模型，作为室内大象刻板行为的检测器；S7、行为统计及可视化：将室外及室内大象各类行为检测结果传输至后台数据库，编写SQL语句自动化统计每天各类行为时长及次数，发布至前端可视化页面。
[0008]优选的，大象的行为数据采集子系统包括：采集大象行为视频的摄像头，分布设置于大象的生活区以及室外运动场；摄像头一方面连续存储视频数据到视频存储单元，另一方面直连服务器。
[0009]优选的，大象行为包括：采食行为、休息行为、爬跨行为以及刻板行为；具体的行为定义为：采食行为：鼻子卷起食物，填到嘴里 3 次以上；休息行为：侧卧到室内地板或室外地面上，持续一分钟以上；爬跨行为：雄性大象谋求与雌性大象交配的行为；刻板行为：移动类刻板行为：大象在两个点重复性的来回走动，或者一直绕圈，重复 3 次以上；晃动类刻板行为：大象身体某部位重复同一个动作 3 次以上。
[0010]具体的，步骤S4所述网络设计中，检测网络模型的损失函数为：
[0011]式中s
×
s 表示将整幅图片分成s
×
s个栅格，ciouErr为坐标误差，objErr为置信度误差，clsErr为分类误差，根据损失函数的收敛情况来判断模型训练迭代次数。
[0012]具体的：坐标误差的获取公式为：
[0013][0014]式中，IoU为预测框与实际框的交并比，为预测框与实际框的中心点连线的欧氏距离，c为同时包含预测框和实际框的最小闭包区域的对角线距离，v为宽高比度量函数，w为预测框的宽，h为预测框的高，为目标框的宽，为目标框的高；置信度误差的获取公式为：的获取公式为：式中，w
n
为超参数，y
n
为第n个样本对应的类别的真实值，x
n
为第n个样本的对应的模型输出，exp为指数函数；为sigmod函数，表示将x
n
经过sigmoid激活函数处理；分类误差的获取公式为：式中，N表示类别总个数，为经过激活函数后得到的当前类别的概率，为当前类别的真实值。
[0015]具体的，步骤S5所述的YOLOv5模型训练中，采用随机梯度下降和动量法予以优化，初始动量为0.937，batch_size为32，初始学习率为0.01，训练迭代次数共16000次，在10000次和11000次迭代时，学习率缩小10倍，权重更新公式如下：，j=0,...,n式中j表示特征数量，θ表示特征权重，i表示数据样本，lr代表学习率，每次迭代更新一次权重，每迭代1000次备份权重模型，模型在训练13000次左右趋于平稳；式中，目的是使得最小化。
[0016]具体的，步骤S6所述的SlowFast算法的训练中，采用双路径的视频识别，以低帧速率运行的慢速路径以捕获空间语义，以及以高帧速率运行的快速路径以捕获精细时间分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于YOLOv5以及SlowFast的大象健康管理系统，其特征在于它包括：大象的行为数据采集子系统、大象的行为检测子系统、大象生活环境监测子系统和大象健康评估子系统；具体的：大象的行为数据采集子系统：用于采集大象行为视频；大象的行为检测子系统：分析大象行为视频，通过YOLOv5算法以及SlowFast网络检测大象的特征行为，实时输送到数据库中，对大象的特征行为进行计数统计；大象生活环境监测子系统：监测室外的大象生活环境信息，实时发送至数据库存储；大象健康评估子系统：将不同类别的行为划分相应的权重，根据大象的行为量对应的区间，为大象的健康状况进行系统性的自动化打分；同时，分析大象生活环境对其健康状态的影响。2.根据权利要求1所述的系统，其特征在于大象的行为检测子系统的模型构建包括以下步骤：S1、数据采集：基于大象的行为数据采集子系统获得视频及图像数据，图像数据实时从视频中截取，截取频率为每秒一帧图片；S2、概念定义：大象采食、休息、爬跨以及刻板行为定义以及大象性别定义；S3、数据划分：基于大象行为的定义划分大象行为数据集；S4、网络设计：平衡检测速度和检测精度，采用YOLOv5和SlowFast为检测网络模型；S5、YOLOv5模型训练：利用动作分类图片数据集训练YOLOv5模型，作为室外大象行为的检测器；S6、SlowFast模型训练：利用动作分类视频数据集训练SlowFast模型，作为室内大象刻板行为的检测器；S7、行为统计及可视化：将室外及室内大象各类行为检测结果传输至后台数据库，编写SQL语句自动化统计每天各类行为时长及次数，发布至前端可视化页面。3.根据权利要求1或2所述的系统，其特征在于大象的行为数据采集子系统包括：采集大象行为视频的摄像头，分布设置于大象的生活区以及室外运动场；摄像头一方面连续存储视频数据到视频存储单元，另一方面直连服务器。4.根据权利要求2所述的系统，其特征在于大象行为包括：采食行为、休息行为、爬跨行为以及刻板行为；具体的行为定义为：采食行为：鼻子卷起食物，填到嘴里 3 次以上；休息行为：侧卧到室内地板或室外地面上，持续一分钟以上；爬跨行为：雄性大象谋求与雌性大象交配的行为；刻板行为：移动类刻板行为：大象在两个点重复性的来回走动，或者一直绕圈，重复 3 次以上；晃动类刻板行为：大象身体某部位重复同一个动作 3 次以上。5.根据权利要求2所述的系统，其特征在于步骤S4所述网络设计中，检测网络模型的损失函数为：式中s
×
s 表示将整幅图片分成s
×
s个栅格，
ciouErr为坐标误差，objErr为置信度误差，clsErr为分类误差，根据损失函数的收敛情况来判断模型训练迭代次数。6.根据权利要求5所述的系统，其特征在于：坐标误差的获取公式为：的获取公式为：式中，IoU为预测框与实际框的交并比，为预测框与实际框的中心点连线的欧氏距离，c为同时包含预测框和实际框的最小闭包区域的对角线距离，v为宽高比度量函数，w为预测框的宽，h为预测框的高，为目标框的宽，为目标框的高；置信度误差的获取公式为：的获取公...

【专利技术属性】
技术研发人员：陈蓉，李梅荣，刘龙申，周杰，卿舒婷，梁作敏，尹韬，郭瑞，程家求，邓长林，周薇，
申请(专利权)人：南京农业大学，
类型：发明
国别省市：