【技术实现步骤摘要】
本专利技术涉及畜禽健康养殖，更具体的涉及一种基于深度学习的羊反刍行为识别方法及系统。
技术介绍
1、随着羊养殖的规模化和集约化发展，准确监测羊的行为信息对于评估其生理健康变得至关重要。及时发现羊的异常行为，采取治疗措施，可以一定程度上减少养殖场经济损失。反刍是牛羊等瘤胃动物特有的行为，其中羊的反刍监测是健康监控中的关键因素，反刍时间的变化与羊的健康状况和生理状态密切相关。健康羊的反刍持续而有力，而病羊的反刍缓慢，严重时甚至停止，经治疗后，反刍逐渐恢复是病情好转的重要指标。
2、目前，传统的对反刍行为监测的方法主要是依靠养殖员的人工观察或配有传感器的接触式设备，接触式设备主要有压力传感器、声学传感器、三轴加速度传感器3类。虽然接触式设备能够在一定程度上准确反映反刍行为信息，但其佩戴在动物身上可能引发应激反应，进而对动物福利产生不利影响。此外，接触式设备的高成本和易损坏性也限制了其在大规模养殖中的应用。在此背景下，采用计算机视觉方法对羊的反刍行为进行自动检测和识别，无需与动物身体接触，因而更为适宜。
3、然而，现有技术中利用计算机视觉对羊反刍行为的研究主要是使用传统的计算机视觉方法，在利用大量视频数据中的丰富信息方面存在局限，无法实现自动学习和优化，在不同环境和条件下适应性较差，无法对羊反刍行为进行准确识别。
技术实现思路
1、针对上述领域中存在的问题，本专利技术提出了一种基于深度学习的羊反刍行为识别方法及系统，通过yolov8目标检测模型和deepsort目标
2、为解决上述技术问题，本专利技术公开了一种基于深度学习的羊反刍行为识别方法，包括以下步骤：
3、获取用于羊反刍行为识别的视频数据，截取视频中的多张羊图像并选取关键帧图像进行标注，构造训练集，对yolov8目标检测模型进行训练，获得训练后的yolov8目标检测模型；
4、将待识别的视频数据转换为视频帧，输入训练后的yolov8目标检测模型，获取视频帧中带有id标记框的羊头部图像的检测框和特征；根据检测框和特征，通过deepsort目标跟踪算法预测目标的下一帧位置和状态，对前后两帧的多个目标进行最优匹配，输出多个目标的跟踪框与id编号，并对其进行更新，获取多个目标更新后的检测框和id编号；
5、根据更新后的检测框和id编号，通过判断当前帧与上一帧的间隔超过预设的帧数，当当前帧与上一帧的间隔超过预设的帧数时，保留当前帧并清除之前的所有帧，构造羊反刍分类视频数据集；
6、将羊反刍分类视频数据集输入构建的神经网络模型中，对反刍行为进行识别。
7、优选地，所述获取视频帧中带有id标记框的羊头部图像的检测框和特征，包括以下步骤：
8、通过视频处理库，将输入的视频数据转换为视频帧；
9、使用训练后的yolov8目标检测模型对视频帧进行分析，提取视频帧中带有id标记框的羊头部图像的检测框和羊头部图像的深度特征，并使用非极大值抑制算法去除相似的检测框。
10、优选地，所述输出多个目标的跟踪框与id编号，具体包括：
11、将提取视频帧中带有id标记框的羊头部图像作为检测目标，通过卡尔曼滤波跟踪检测目标在连续视频帧中的位置和状态，将检测器提供的检测框与卡尔曼滤波模型预测的结果进行比较；
12、对前一帧和当前帧中的目标进行匹配，得到匹配组合，并通过外观信息、马氏距离或iou计算匹配的代价；
13、以总代价最小为目标，通过匈牙利算法寻找最优匹配，跟踪目标的运动，输出各检测目标的跟踪框与id编号。
14、优选地，所述获取多个目标更新后的检测框和id编号，具体包括：
15、当目标移动或被长时间覆盖时，通过deepsort目标跟踪算法的重识别模型对检测目标的id编号进行更新；
16、通过提取每个检测目标的检测框的特征向量，构造每个目标最近lk＝100帧的向量计算该向量与当前帧第i个检测框的特征向量的最小余弦距离，对各检测目标的检测框和id编号进行更新；
17、最小余弦距离的计算公式为：
18、
19、优选地，所述构造羊反刍分类视频数据集，具体包括：
20、根据获取的多个目标更新后的检测框和id编号，通过滑动窗口法，设置每个窗口为32帧，并以一定步长向前滑动，生成多个重叠的帧序列；
21、根据多个重叠的帧序列连续跟踪的羊头部图像，在当前帧与上一帧的间隔超过3帧时，仅保留当前帧并清除之前的所有帧，生成连续的每只羊的头部运动视频并调整为固定大小的像素；
22、通过手动标注，将这些头部运动视频分为反刍行为和非反刍行为，并将视频分割为每段60帧的视频片段，对这些视频片段进行头部视频的左右翻转，扩充数据集。
23、优选地，所述构建的神经网络模型为c3d卷积神经网络模型，通过c3d卷积神经网络模型对对视频里的羊行为进行实时分析，当检测到羊在进行反刍行为时，打上咀嚼的标签，通过帧差法计算反刍时间；当检测到羊处于非反刍行为时，打上正常的标签，不进行计时。
24、优选地，所述当检测到羊在进行反刍行为时，包括以下步骤：
25、记录当前帧的索引作为起始时间；
26、当起始时间已经存在时，通过计算当前帧索引与起始时间的差值并将其除以帧率，得到当前反刍行为的持续时间为：
27、
28、其中，ruminating time为反刍行为的持续时间，current frame index为当前帧的帧数，starting frame index为起始帧的帧数，fps为帧率。
29、优选地，所述当检测到羊处于非反刍行为时，包括以下步骤：
30、当之前已经记录了反刍的起始时间时，通过计算当前帧索引与起始时间的差值并将其除以帧率，得到当前间隔时间并清除起始时间，以准备下一次计时并与之后的间隔时间进行累加；
31、间隔时间为：
32、
33、其中，interval time为间隔时间，currentframe index为当前帧的帧数，startingframeindex为起始帧的帧数，fps为帧率。
34、优选地，还包括将每只羊的反刍行为的持续时间与间隔时间相加，得到该只羊的总行为时间，并将其实时显示在羊的标记框上；
35、总行为时间为：
36、total time＝ruminating time+interval time
37、其中，total time为总行为时间，ruminating time为反刍行为的持续时间，interval time为间隔时间。
38、优选地，还包括一种基于深度学习的羊反刍行为识别系统，包括：
39、yolov8目标检测模块，用于获取用本文档来自技高网...
【技术保护点】
1.一种基于深度学习的羊反刍行为识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度学习的羊反刍行为识别方法，其特征在于，所述获取视频帧中带有ID标记框的羊头部图像的检测框和特征，包括以下步骤：
3.根据权利要求2所述的基于深度学习的羊反刍行为识别方法，其特征在于，所述输出多个目标的跟踪框与ID编号，具体包括：
4.根据权利要求3所述的基于深度学习的羊反刍行为识别方法，其特征在于，所述获取多个目标更新后的检测框和ID编号，具体包括：
5.根据权利要求4所述的基于深度学习的羊反刍行为识别方法，其特征在于，所述构造羊反刍分类视频数据集，具体包括：
6.根据权利要求5所述的基于深度学习的羊反刍行为识别方法，其特征在于，所述构建的神经网络模型为C3D卷积神经网络模型，通过C3D卷积神经网络模型对对视频里的羊行为进行实时分析，当检测到羊在进行反刍行为时，打上咀嚼的标签，通过帧差法计算反刍时间；当检测到羊处于非反刍行为时，打上正常的标签，不进行计时。
7.根据权利要求6所述的基于深度学习的羊反刍行为识别
8.根据权利要求7所述的基于深度学习的羊反刍行为识别方法，其特征在于，所述当检测到羊处于非反刍行为时，包括以下步骤：
9.根据权利要求8所述的基于深度学习的羊反刍行为识别方法，其特征在于，还包括将每只羊的反刍行为的持续时间与间隔时间相加，得到该只羊的总行为时间，并将其实时显示在羊的标记框上；
10.一种基于深度学习的羊反刍行为识别系统，其特征在于，包括：
...【技术特征摘要】
1.一种基于深度学习的羊反刍行为识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度学习的羊反刍行为识别方法，其特征在于，所述获取视频帧中带有id标记框的羊头部图像的检测框和特征，包括以下步骤：
3.根据权利要求2所述的基于深度学习的羊反刍行为识别方法，其特征在于，所述输出多个目标的跟踪框与id编号，具体包括：
4.根据权利要求3所述的基于深度学习的羊反刍行为识别方法，其特征在于，所述获取多个目标更新后的检测框和id编号，具体包括：
5.根据权利要求4所述的基于深度学习的羊反刍行为识别方法，其特征在于，所述构造羊反刍分类视频数据集，具体包括：
6.根据权利要求5所述的基于深度学习的羊反刍行为识别方法，其特征在于，所述构建的神经网络模型为c3...
【专利技术属性】
技术研发人员：于文波，刘永琦，曲辉，范斌，贺长彬，杨响，
申请(专利权)人：内蒙古农业大学，
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。