【技术实现步骤摘要】
本专利技术涉及一种基于双模型推理的鸡张嘴目标检测置信度提升方法、装置及介质，属于养殖个体特征检测。
技术介绍
1、目前在笼养肉鸡的养殖行业中，肉鸡张嘴行为的检测是一个亟待解决的问题，首先肉鸡张嘴呼吸可能是其身体出现不适的一种表现。当肉鸡因为疾病导致呼吸困难时，它们会张嘴呼吸，张嘴呼吸的鸡只容易诱导呼吸道病的发生，因为张嘴呼吸会使大量的干燥空气直接进入肺部，损伤气管和支气管粘膜。其次张嘴行为可以反映饲养环境的舒适度。例如当饲养温度过高或通风不良的情况下，肉鸡容易出现张嘴呼吸的现象。最后张嘴行为还会影响肉鸡的生产性能，因为张嘴呼吸会影响肉鸡的正常采食和食欲，从而影响采食量。
2、综上可得，肉鸡张嘴行为的检测有着重要的意义，但肉鸡张嘴行为的检测有着目标较小，背景复杂，待检测目标较多等等问题，导致鸡张嘴检测的精确度和准确度都难以提升，本专利技术的目标在于设计一种可以提高肉鸡张嘴目标检测置信度的方法，从而为后续的其他基于肉鸡张嘴行为的研究奠定基础
技术实现思路
1、针对上述现有技术的不足，本专利技术的目的在于提供一种基于双模型推理的目标检测置信度提升方法。
2、根据本专利技术的实施方案，提供第一个方案为：
3、一种基于双模型推理的鸡张嘴目标检测置信度提升方法，包括如下步骤：
4、接收采集到的待测图像，对图像进行预处理；
5、输入推理模型一进行处理，该模型对输入的图像进行识别分类，目的在于尽可能多的检测到鸡张嘴目标；
6、
7、设置第一置信度和第二置信度作为分类依据；
8、置信度高于等于第一置信度的图像为一类图像，直接输出用于后续的动作分析和判定；
9、置信度低于等于第二置信度的图像为三类图像舍弃不再进行分析；
10、置信度处于第一置信度和第二置信度之间的图像为二类图像将通过推理模型二进行再次识别；
11、将二类图像输入推理模型二进行进一步的图像识别，该模型将二类图像进行图像扩增，增加图像的像素点，增加模型的分析信息，目的在于提高识别分析的准确性，提高后续用于分析所使用图像的置信度；
12、将二类图像通过推理模型二的识别后，确定保留的图像和图像对应的置信度；
13、输出置信度高于第三置信度的图像，用于后续的动作分析和判定。
14、进一步地，所述第二置信度为0.3，低于该置信度的图像，被认为是与分析无关的要素和图像，这些图像是需要剔除的干扰因素；
15、所述第一置信度为0.8，高该置信度的图像行为动作的可信度极高，直接输出用于后续的识别和分析；
16、置信度处于第一置信度和第二置信度之间的图像，需要进行再一次的识别分类，采用的二次识别的推理模型二进行优化设计，提高其识别分类的能力，以提高识别分类后的图像的置信度。
17、进一步地，所述第三置信度为0.7；
18、确定保留的图像和图像对应的置信度的步骤为，
19、比较扩增前的图像置信度a和扩增后图像的置信度b；
20、如果扩增后的图像置信度b高于扩增前的置信度a，则标记存储保留扩增后的图像和置信度b；
21、如果扩增后置信度保持不变，则保留扩增前图像和置信度a；
22、如果扩增后的置信度b低于扩增前的置信度a，则判定两次计算的置信度是否都大于第三置信度；
23、如果是则保留原图像和置信度a；
24、如果不都大于第三置信度，则比较两个模型计算的置信度的差值是否大于预设差值，如果大于则舍弃两个模型的图像，如果小于预设差值则保留置信度高数值和对应的图像；
25、预设差值为0.2；
26、如果都小于第三置信度，则舍弃两个模型的图像；
27、所述增加图像的像素点的数量为300，扩增图像的方向为上下左右四个方向。
28、进一步地，s2推理模型一的建立，
29、选定yolov8作为基础网络，调整训练参数，训练推理模型一，具体实现方法：
30、s21，选定yolov8作为基础网络，该算法与其他的yolo系列算法相比，主要特点在于使用c2f模块代替c3模块，并且使用sppf模块代替spp模块，在head部分，也将原来的耦合头变成解耦头；
31、s22，设置模型的训练参数，包括epoch、batch-size、image-size，
32、s22中的模型训练在最后十轮训练中关闭mosaic增强，优化器选择为sgd在内的设置；
33、s23，使用模型一的训练数据进行训练。
34、进一步地，s3推理模型二的建立，
35、训练第二个推理模型，此模型在普通卷积之间引入了spd-conv模块，还加入了seattention注意力机制和bifpn双向加权金字塔拼接模块,发挥三种模块之间的互相作用，使其能够更好的识别鸡张嘴目标；
36、将spd-conv、bifpn、seattention作为一种组合，且按顺序应用在模型二的网络改进中，先使用spd-conv对肉鸡张嘴行为进行高效的空间特征提取；使用bifpn对spd-conv提取出的肉鸡张嘴特征进行特征融合，增强多尺度信息的表达能力；将seattention放在bifpn后面，对融合后的肉鸡张嘴特征图进行通道级别的注意力加权，提升重要特征的表达，削弱无关信息；具体步骤为，
37、在基础网络中加入选定的组合模块，即spd-conv、bifpn、seattention组合，同时引入小目标检测层作为模型二的训练网络；
38、设置模型的训练参数，包括epoch、batch-size、image-size；
39、使用模型二的训练数据进行训练。
40、进一步地，所述模型一的训练数据的获取方法为，
41、s1，准备模型训练数据的数据，建立推理模型前，需要准备模型训练所是使用的数据集，具体的建立方法如下；
42、ss1，采集并标注的图像，通过工具进行标注，建立目标图像的检测数据集；
43、ss11，图像采集通过图像采集设备进行，例如相机，监控取得检测目标微光图像；
44、ss12，利用相关工具对采集的图像进行标注和预处理；
45、ss13对标注后的图像进行数据清洗和预处理，建立关笼养肉鸡张嘴行为检测数据集；
46、在对数据的标注过程中，使用的相关工具为labelimg工具；
47、ss12中标注的信息包括：肉鸡张嘴行为发生时嘴部状态的坐标信息、张嘴的尺寸信息以及张嘴类别信息，其标注信息以xml格式进行存储；标注后的预处理指将所有xml格式文件转换为txt格式对坐标进行归一本文档来自技高网...
【技术保护点】
1.一种基于双模型推理的鸡张嘴目标检测置信度提升方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于双模型推理的鸡张嘴目标检测置信度提升方法，其特征在于，包括：
3.根据权利要求2所述的基于双模型推理的鸡张嘴目标检测置信度提升方法，其特征在于，包括：
4.根据权利要求3所述的基于双模型推理的鸡张嘴目标检测置信度提升方法，其特征在于，包括：
5.根据权利要求4所述的基于双模型推理的鸡张嘴目标检测置信度提升方法，其特征在于，包括：
6.根据权利要求5所述的基于双模型推理的鸡张嘴目标检测置信度提升方法，其特征在于，包括：
7.根据权利要求6所述的基于双模型推理的鸡张嘴目标检测置信度提升方法，其特征在于，包括：
8.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至7中任
...【技术特征摘要】
1.一种基于双模型推理的鸡张嘴目标检测置信度提升方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于双模型推理的鸡张嘴目标检测置信度提升方法，其特征在于，包括：
3.根据权利要求2所述的基于双模型推理的鸡张嘴目标检测置信度提升方法，其特征在于，包括：
4.根据权利要求3所述的基于双模型推理的鸡张嘴目标检测置信度提升方法，其特征在于，包括：
5.根据权利要求4所述的基于双模型推理的鸡张嘴目标检测置信度提升方法，其特征在于，包括：
6.根...
【专利技术属性】
技术研发人员：陈长喜，马雅丽，郭永敏，高斌，孔祥超，
申请(专利权)人：天津农学院，
类型：发明
国别省市：
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。