基于改进制造技术

本发明专利技术公开了一种基于改进

【技术实现步骤摘要】
基于改进FairMOT的猪只实时运动量异常检测方法


[0001]本专利技术涉及视频的多目标跟踪的
，尤其是指一种基于改进
FairMOT
的猪只实时运动量异常检测方法
。

技术介绍

[0002]在猪只养殖过程中，精确和实时的猪只运动量监测对于猪只健康状况的评估和疾病预防非常重要
。
传统的手动监测方法需要大量的人力和时间，并且容易造成误差
。
因此，开发一种自动化
、
高效
、
准确的猪只运动量监测方法具有重要意义
。
[0003]目前，深度学习技术在图像处理
、
目标检测和多目标跟踪领域得到了广泛应用
。
其中，多目标跟踪技术可以用于实现猪只运动量监测
。
当前多目标跟踪最优的方法通常分为两大类：两阶段多目标跟踪和单阶段多目标跟踪
。
两阶段多目标跟踪使用两个单独的模型，首先用检测模型定位图像中目标的边界框位置，然后用关联模型对每个边界框提取重识别特征，并根据这些特征定义的特定度量将边界框与现有的一个跟踪结果联结起来
。
单阶段多目标跟踪在进行目标检测的同时也进行重识别特征提取，核心思想是在单个网络中同时完成对象检测和身份嵌入，以通过共享大部分计算来减少推理时间
。
相比于两阶段多目标跟踪算法，单阶段多目标跟踪可以明显地节省计算时间从而有一个更高的实时性
。
目前应用于猪只跟踪的多目标跟踪技术多是两阶段的，存在实时性不够高的问题
。
此外，猪场背景单一和猪只特征区别不大的问题导致多目标跟踪技术的跟踪精度不高和
ID switch
频繁
。

技术实现思路

[0004]本专利技术的目的在于克服现有技术的缺点与不足，提出了一种基于改进
FairMOT
的猪只实时运动量异常检测方法，可有效解决由于猪场环境干扰和目标重叠导致的猪只视频跟踪精度低和
ID switch
频繁的问题，同时使用单阶段的改进
FairMOT
算法有效提高了跟踪的实时性和准确性
。
[0005]为实现上述目的，本专利技术所提供的技术方案为：基于改进
FairMOT
的猪只实时运动量异常检测方法，包括以下步骤：
[0006]S1、
获取猪只的初始视频，对视频进行裁剪后使用
DarkLabel
软件对视频中的猪只进行标注，得到猪只的
MOT
格式数据集，并将数据集划分为训练集
、
验证集和测试集；
[0007]S2、
将训练集和验证集输入到改进
FairMOT
算法模型中进行训练和验证；其中，对
FairMOT
算法模型的改进是将
FairMOT
算法模型的检测分支的
CenterNet
检测器替换成改进
YOLOv5s
检测器以提高算法的跟踪精度，在重识别分支上用
Triplet Loss
函数替换原来的交叉熵损失函数以减少算法的
ID switch
；其中，对
YOLOv5s
检测器的改进是在
YOLOv5s
检测器的骨干网络中加入基于自注意力机制
MHSA
的全局增强模块
GEM
；参数训练和验证完成后，最终得到一个最优的算法模型；
[0008]S3、
使用最优的算法模型对测试集中的猪只进行实时多目标跟踪，计算每只猪只的跟踪轨迹得出猪只的运动量，设置猪只的运动量阈值，当猪只的运动量超过阈值时发出
警告，从而实现对猪只实时运动量的异常检测
。
[0009]进一步，所述步骤
S1
包括以下步骤：
[0010]S101、
获取的猪只的初始视频收集自猪场监控；
[0011]S102、
使用
DarkLabel
这一个数据集格式制作软件对视频中每一帧的猪只对象进行标注，并将标注以
MOT
的视频数据标注格式保存，得到猪只的
MOT
格式数据集；
[0012]S103、
对数据集进行分割生成供训练使用的训练集
、
供训练期间验证的验证集和供训练后测试的测试集
。
[0013]进一步，在步骤
S2
中，所述改进
FairMOT
算法模型包括：骨干网络
DLA
‑
34、
检测分支和重识别分支；
[0014]所述骨干网络
DLA
‑
34
采用
ResNet
‑
34
作为主干，并应用增强版本的深度层聚合
DLA
以融合多层特征；所有上采样模块中的卷积层都被变形卷积所取代，使得它们能够根据目标尺度和姿态动态调整感受野，有助于缓解对齐问题；
[0015]在检测分支上，使用改进
YOLOv5s
检测器替换
CenterNet
检测器使得模型算法在跟踪精度上得到提升；其中，对
YOLOv5s
检测器的骨干网络进行改进，在骨干网络中加入基于自注意力机制
MHSA
的全局增强模块
GEM
，考虑了自注意力优化和高频信息补充；
[0016]MHSA
为多头注意力机制，用于解决卷积神经网络的特征提取模块受限于感受野大小
、
对图像的全剧信息和上下文信息提取能力弱的问题，将其在骨干网络中引入以获得长距离的特征依赖并对全局信息进行建模；在自注意力计算方面，
MHSA
首先使用
1x1
卷积将输入图像分别展平为
Q、K、V
向量，随后计算自注意力并获得权值图；此外，在计算自注意力时加入相对位置编码
R
h
和
R
w
，以使得
MHSA
能够有效获取特征间的位置感知编码，从而在建模时能够有效利用数据间的相对位置关系；
[0017]全局增强模块
GEM
用于解决自注意力模块在高频信息提取能力弱的问题，它能够划分为高频信息提取模块
LEM
‑
MLP、
全局自注意力模块
MHSA
和空间
‑
通道双维注意力模块
BiMLP
；其中，
MHSA
用于自注意力提取，而
LEM
‑
MLP
用于为自注意力模块补充高频信息，以弥补自注意力机制的缺陷并提升特征信息的完整度；局部信息补充设计上，在
MHSA
前加入了由局本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于改进
FairMOT
的猪只实时运动量异常检测方法，其特征在于，包括以下步骤：
S1、
获取猪只的初始视频，对视频进行裁剪后使用
DarkLabel
软件对视频中的猪只进行标注，得到猪只的
MOT
格式数据集，并将数据集划分为训练集
、
验证集和测试集；
S2、
将训练集和验证集输入到改进
FairMOT
算法模型中进行训练和验证；其中，对
FairMOT
算法模型的改进是将
FairMOT
算法模型的检测分支的
CenterNet
检测器替换成改进
YOLOv5s
检测器以提高算法的跟踪精度，在重识别分支上用
Triplet Loss
函数替换原来的交叉熵损失函数以减少算法的
ID switch
；其中，对
YOLOv5s
检测器的改进是在
YOLOv5s
检测器的骨干网络中加入基于自注意力机制
MHSA
的全局增强模块
GEM
；参数训练和验证完成后，最终得到一个最优的算法模型；
S3、
使用最优的算法模型对测试集中的猪只进行实时多目标跟踪，计算每只猪只的跟踪轨迹得出猪只的运动量，设置猪只的运动量阈值，当猪只的运动量超过阈值时发出警告，从而实现对猪只实时运动量的异常检测
。2.
根据权利要求1所述的基于改进
FairMOT
的猪只实时运动量异常检测方法，其特征在于，所述步骤
S1
包括以下步骤：
S101、
获取的猪只的初始视频收集自猪场监控；
S102、
使用
DarkLabel
这一个数据集格式制作软件对视频中每一帧的猪只对象进行标注，并将标注以
MOT
的视频数据标注格式保存，得到猪只的
MOT
格式数据集；
S103、
对数据集进行分割生成供训练使用的训练集
、
供训练期间验证的验证集和供训练后测试的测试集
。3.
根据权利要求2所述的基于改进
FairMOT
的猪只实时运动量异常检测方法，其特征在于，在步骤
S2
中，所述改进
FairMOT
算法模型包括：骨干网络
DLA
‑
34、
检测分支和重识别分支；所述骨干网络
DLA
‑
34
采用
ResNet
‑
34
作为主干，并应用增强版本的深度层聚合
DLA
以融合多层特征；所有上采样模块中的卷积层都被变形卷积所取代，使得它们能够根据目标尺度和姿态动态调整感受野，有助于缓解对齐问题；在检测分支上，使用改进
YOLOv5s
检测器替换
CenterNet
检测器使得模型算法在跟踪精度上得到提升；其中，对
YOLOv5s
检测器的骨干网络进行改进，在骨干网络中加入基于自注意力机制
MHSA
的全局增强模块
GEM
，考虑了自注意力优化和高频信息补充；
MHSA
为多头注意力机制，用于解决卷积神经网络的特征提取模块受限于感受野大小
、
对图像的全剧信息和上下文信息提取能力弱的问题，将其在骨干网络中引入以获得长距离的特征依赖并对全局信息进行建模；在自注意力计算方面，
MHSA
首先使用
1x1
卷积将输入图像分别展平为
Q、K、V
向量，随后计算自注意力并获得权值图；此外，在计算自注意力时加入相对位置编码
R
h
和
R
w
，以使得
MHSA
能够有效获取特征间的位置感知编码，从而在建模时能够有效利用数据间的相对位置关系；全局增强模块
GEM
用于解决自注意力模块在高频信息提取能力弱的问题，它能够划分为高频信息提取模块
LEM
‑
MLP、
全局自注意力模块
MHSA
和空间
‑
通道双维注意力模块
BiMLP
；其中，
MHSA
用于自注意力提取，而
LEM
‑
MLP
用于为自注意力模块补充高频信息，以弥补自注意力机制的缺陷并提升特征信息的完整度；局部信息...

【专利技术属性】
技术研发人员：古万荣，陈蔚钊，黄锦涛，
申请(专利权)人：华南农业大学，
类型：发明
国别省市：