CN111881718A - 一种基于Yolo v3目标检测网络的奶牛体态识别方法 - Google Patents
一种基于Yolo v3目标检测网络的奶牛体态识别方法 Download PDFInfo
- Publication number
- CN111881718A CN111881718A CN202010512155.9A CN202010512155A CN111881718A CN 111881718 A CN111881718 A CN 111881718A CN 202010512155 A CN202010512155 A CN 202010512155A CN 111881718 A CN111881718 A CN 111881718A
- Authority
- CN
- China
- Prior art keywords
- network
- layer
- yolo
- data set
- cow
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于Yolo v3目标检测网络的奶牛体态识别方法,通过对VGG网络进行改进,修改第一层全连接层的结点数目,将第一层全连接层的结点数目由4096改为512;在每一层的池化之前都加入残差网络在每一层的池化之前都加入了两层卷积核为3×3的残差网络,如果深层网络的后面层是恒等映射,则模型退化为一个浅层网络;更换VGG网络中的激活函数为ELU函数(Exponential Linear Units);同时将最后一层的类别数改为数据集对应的类别数3。在卷积层之后,用GAP替代FC全连接层,使得在特征图与最终的分类间转换更加简单自然,通过该方法,提高了检测精度,减少计算量并缩短该算法的训练时间,克服奶牛行为视频分析系统的复杂情况和成本的问题,在实现预测情况下提高检测能力。
Description
技术领域:
本发明涉及信息化畜牧养殖领域,更具体的,涉及一种基于Yolo v3目标检测网络的奶牛体态识别方法。
背景技术:
奶牛生理状态监控系统是实现现代化奶牛养殖的重要工具,对提高养殖场产量,保证产品安全起着重要的作用。奶牛行为识别技术是奶牛生理状态监控系统得以实现的基础。有效地提高奶牛行为识别的准确率、识别速度、自动化程度,对构建一个高效准确的奶牛生理状态监控系统有积极的意义。行为数据收集和行为数据分类是奶牛行为识别技术实现的两个重要方面。
个体身份识别方法是自动分析奶牛行为的技术前提和应用基础。动物个体识别常采用无线射频识别(RFID)技术。但RFID技术识别视频视野中的奶牛个体时需要额外的设备与同步识别方法,增加了奶牛行为视频分析系统的复杂度和成本。然而奶牛视频中包含奶牛的个体信息,可直接对视频进行图像处理实现奶牛个体识别。
本发明提供了一种基于Yolo v3目标检测网络的奶牛体态识别方法,将机器视觉技术应用于奶牛体态识别,快速简便的识别奶牛的状态。
发明内容:
本发明的目的在于:本发明提供了一种基于Yolo v3目标检测网络的奶牛体态识别方法,克服现有方法在奶牛行为视频分析系统的复杂情况和成本的问题,在实现预测情况下提高检测能力。
本发明的目的可以通过以下技术方案来实现:
一种基于Yolo v3目标检测网络的奶牛体态识别方法,包括如下步骤:
步骤1:使用影像采集设备,在不同距离处,对处于站、趴、卧状态的奶牛进行实时的影像资料的采集,并在本地保留备份;
步骤2:通过代码对影像数据进行裁剪处理,形成数据集,形成数据集,并按一定比例分为训练数据集、测试数据集和验证数据集;
步骤3:对VGG网络进行改进:修改第一层全连接层的结点数目,在每一层的池化之前都加入残差网络;更换VGG网络中的激活函数为ELU函数(Exponential Linear Units);使用Global average pooling代替最后的全连接层;
步骤4:使用改进后的VGG网络作为Yolov3目标检测网络基础网络;
步骤5:使用该模型对构建的数据集进行训练,直到loss变量不再出现下降情况;
步骤6:使用训练好的模型对奶牛进行检测识别。
进一步,步骤1具体为,使用由UPS不间断电源供电的具有夜视功能、带本地储存卡以及云数据传输的影像采集设备收集数据,在不同距离处,对处于站立、坐姿、卧姿的三种不同姿势的奶牛进行实时的影像资料的采集,并且本地保留备份。
步骤2所述的数据集为VOC格式。
步骤3所述的残差网络为两层卷积核为3×3的残差网络。
步骤3所述的ELU函数表达式为
当x>0时
ELU(xi)=x
当x<0或x=0时
ELU(xi)=α(ex-1)
式中,xi表示输入的值,下标i表示输入的值的不同通道,α由训练自学习得到。
效果:根据现有技术,本发明的有益效果为:相比原darknet-53网络,本发明检测准确率更高、检测速度更快;使用ELU函数具备Leaky ReLU函数(PReLU)的全部优点,并且不会有Dead ReLU问题,输出的均值接近0,继而可以改善奶牛行为的检测结果。
附图说明
图1为奶牛体态识别流程图。
图2为原VGG网络结构图。
图3为Global Average Pooling与全连接层FC的准确度比较图。
图4为Global Average Pooling与全连接层FC的损失度比较图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
下面结合附图对本发明的技术方案进行详细说明,但本发明的内容并不局限于此。如图1所示,本发明实施例公开的一种基于Yolo v3目标检测网络的奶牛状态检测与识别方法,包括以下步骤:
1.采集奶牛体态视频
使用影像采集设备,在不同距离处,对处于站、趴、卧状态的奶牛进行实时的影像资料的采集,并在本地保留备份;
2.数据集的制作
建立存放VOC格式的奶牛体态数据集文件夹,文件夹中的三个子文件夹分别为Annotation、ImageSets和JPEGImages,JPEGImages文件夹中包含了PASCAL VOC所有的图片信息,包括了训练图片和测试图片。按照00001.jpg排序,因为对视频分割形成的图片进行了裁剪,像素尺寸大小不一,通过自带resize.py代码将其全部转换到到300×300的图像。Annotations文件夹中存放的是xml格式的标签文件,每一个xml文件都对应于JPEGImages文件夹中的一张图片;ImageSets存放的是每一种类型对应的图像数据,其中Action下存放的是奶牛趴、卧、站立的图像;Segmentation下存放的是可用于分割的数据;Main下存放的是图像物体识别的数据,总共分为3类,Main文件夹下包含了3个分类的lie_train.txt、lie_val.txt、lie_trainval.txt,stand_train.txt、stand_val.txt、stand_trainval.txt和sit_train.txt、sit_val.txt、sit_trainval.txt。前面的表示图像的name,区分正负样本,其中_train中存放的是训练使用的数据,每一个class的train数据都有5700个。_val中存放的是验证结果使用的数据,每一个class的val数据都有5652个。_trainval将上面两个进行了合并,每一个class有11352个,train和val两者没有交集,也就是训练数据和验证数据没有有重复,保证在选取训练数据的时候,也是随机产生的。
3.修改VGG网络
原VGG网络结构图如图2。
对VGG网络进行改进:修改第一层全连接层的结点数目,将第一层全连接层的结点数目由4096改为512;在每一层的池化之前都加入残差网络在每一层的池化之前都加入了两层卷积核为3×3的残差网络,如果深层网络的后面层是恒等映射,则模型退化为一个浅层网络;更换VGG网络中的激活函数为ELU函数(Exponential Linear Units);同时将最后一层的类别数改为数据集对应的类别数3;修改后,第一层全连接层的参数数目为12845568,第二层的参数为6156,参数数量共减少了8026588。
在卷积层之后,通过比较,选择使用Global Average Pooling代替最后的全连接层,使得在特征图与最终的分类间转换更加简单自然,同时去除需要大量训练调优的参数,降低了空间参数,使模型更加健壮,抗过拟合效果更佳,准确度比较如图3,损失度比较如图4。
4.训练网络模型
使用改进后的模型对数据进行训练。对网络模型参数进行初始化,修改迭代次数为500000,修改学习率为0.001,根据数据集中的奶牛体态类别数目将模型中的类别数改为对应的数字3,使用CPU进行训练。
5.检测
将不同体态牛的图片输入训练好的Yolo v3目标检测网络模型中,就可以直接检测出图片中的奶牛的体态,可以对奶牛的站立、趴、卧三种状态精确识别。
本发明提高了奶牛体态的检测速度,同时检测的准确率也是非常高的。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (4)
1.一种基于Yolo v3目标检测网络的奶牛体态识别方法,其特征在于,该方法包括
步骤1:使用影像采集设备,在不同距离处,对处于站、趴、卧状态的奶牛进行实时的影像资料的采集,并在本地保留备份;
步骤2:通过代码对影像数据进行裁剪处理,形成数据集,并按一定比例分为训练数据集、测试数据集和验证数据集;
步骤3:对VGG网络进行改进:修改第一层全连接层的结点数目,在每一层的池化之前都加入残差网络;更换VGG网络中的激活函数为ELU函数(Exponential Linear Units);使用Global average pooling代替最后的全连接层;
步骤4:使用改进后的VGG网络作为Yolo v3目标检测网络基础网络;
步骤5:使用该模型对构建的数据集进行训练,直到loss变量不再出现下降情况;
步骤6:使用训练好的模型对奶牛进行检测识别。
2.根据权利要求1所述的一种基于Yolo v3目标检测网络的奶牛体态识别方法,其特征在于,步骤1使用由UPS不间断电源供电的具有夜视功能、带本地储存卡以及云数据传输的影像采集设备收集数据,在不同距离处,对处于站立、坐姿、卧姿的三种不同姿势的奶牛进行实时的影像资料的采集,并且本地保留备份。
3.根据权利要求1所述的一种基于Yolo v3目标检测网络的奶牛体态识别方法,其特征在于,步骤2所述的数据集为VOC格式。
4.根据权利要求1所述的一种基于Yolo v3目标检测网络的奶牛体态识别方法,其特征在于,步骤3中所述的ELU函数表达式为
当x>0时
ELU(xi)=x
当x<0或x=0时
ELU(xi)=α(ex-1)
式中,xi表示输入的值,下标i表示输入的值的不同通道,α由训练自学习得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010512155.9A CN111881718A (zh) | 2020-06-08 | 2020-06-08 | 一种基于Yolo v3目标检测网络的奶牛体态识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010512155.9A CN111881718A (zh) | 2020-06-08 | 2020-06-08 | 一种基于Yolo v3目标检测网络的奶牛体态识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111881718A true CN111881718A (zh) | 2020-11-03 |
Family
ID=73153862
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010512155.9A Pending CN111881718A (zh) | 2020-06-08 | 2020-06-08 | 一种基于Yolo v3目标检测网络的奶牛体态识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111881718A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113159166A (zh) * | 2021-04-19 | 2021-07-23 | 国网山东省电力公司威海供电公司 | 基于边缘计算的嵌入式图像识别检测方法、系统、介质及设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108427754A (zh) * | 2018-03-15 | 2018-08-21 | 京东方科技集团股份有限公司 | 一种信息推送方法、计算机存储介质及终端 |
CN109902609A (zh) * | 2019-02-22 | 2019-06-18 | 淮阴工学院 | 一种基于YOLOv3的交通标志检测与识别方法 |
CN110210462A (zh) * | 2019-07-02 | 2019-09-06 | 北京工业大学 | 一种基于卷积神经网络的仿生海马认知地图构建方法 |
CN110781870A (zh) * | 2019-11-29 | 2020-02-11 | 东北农业大学 | 一种基于ssd卷积神经网络的奶牛反刍行为识别方法 |
CN111062282A (zh) * | 2019-12-05 | 2020-04-24 | 武汉科技大学 | 基于改进yolov3模型的变电站指针式仪表识别方法 |
WO2020093042A1 (en) * | 2018-11-02 | 2020-05-07 | Deep Lens, Inc. | Neural networks for biomedical image analysis |
-
2020
- 2020-06-08 CN CN202010512155.9A patent/CN111881718A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108427754A (zh) * | 2018-03-15 | 2018-08-21 | 京东方科技集团股份有限公司 | 一种信息推送方法、计算机存储介质及终端 |
WO2020093042A1 (en) * | 2018-11-02 | 2020-05-07 | Deep Lens, Inc. | Neural networks for biomedical image analysis |
CN109902609A (zh) * | 2019-02-22 | 2019-06-18 | 淮阴工学院 | 一种基于YOLOv3的交通标志检测与识别方法 |
CN110210462A (zh) * | 2019-07-02 | 2019-09-06 | 北京工业大学 | 一种基于卷积神经网络的仿生海马认知地图构建方法 |
CN110781870A (zh) * | 2019-11-29 | 2020-02-11 | 东北农业大学 | 一种基于ssd卷积神经网络的奶牛反刍行为识别方法 |
CN111062282A (zh) * | 2019-12-05 | 2020-04-24 | 武汉科技大学 | 基于改进yolov3模型的变电站指针式仪表识别方法 |
Non-Patent Citations (1)
Title |
---|
牟少敏等: "《模式识别与机器学习技术》", 30 June 2019, 冶金工业出版社 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113159166A (zh) * | 2021-04-19 | 2021-07-23 | 国网山东省电力公司威海供电公司 | 基于边缘计算的嵌入式图像识别检测方法、系统、介质及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108922622B (zh) | 一种动物健康监测方法、装置及计算机可读存储介质 | |
US20210182567A1 (en) | Method for accelerated detection of object in videos, server, and non-transitory computer readable storage medium | |
US20210182611A1 (en) | Training data acquisition method and device, server and storage medium | |
EP4030381A1 (en) | Artificial-intelligence-based image processing method and apparatus, and device and storage medium | |
WO2019221965A1 (en) | Unsupervised cross-domain distance metric adaptation with feature transfer network | |
CN110210513B (zh) | 数据分类方法、装置及终端设备 | |
CN112581438B (zh) | 切片图像识别方法、装置和存储介质及电子设备 | |
CN110874550A (zh) | 数据处理方法、装置、设备和系统 | |
CN110765882B (zh) | 一种视频标签确定方法、装置、服务器及存储介质 | |
CN111242019B (zh) | 视频内容的检测方法、装置、电子设备以及存储介质 | |
WO2023124278A1 (zh) | 图像处理模型的训练方法、图像分类方法及装置 | |
WO2021169642A1 (zh) | 基于视频的眼球转向确定方法与系统 | |
WO2024001123A1 (zh) | 基于神经网络模型的图像识别方法、装置及终端设备 | |
CN113591758A (zh) | 一种人体行为识别模型训练方法、装置及计算机设备 | |
CN110414298A (zh) | 一种猴脸多属性联合识别方法 | |
CN111881718A (zh) | 一种基于Yolo v3目标检测网络的奶牛体态识别方法 | |
CN113704534A (zh) | 图像处理方法、装置及计算机设备 | |
CN112966780A (zh) | 一种动物行为识别方法及系统 | |
CN113191235A (zh) | 杂物检测方法、装置、设备及存储介质 | |
CN113158773A (zh) | 一种活体检测模型的训练方法及训练装置 | |
CN113743434A (zh) | 一种目标检测网络的训练方法、图像增广方法及装置 | |
CN115661527A (zh) | 基于人工智能的图像分类模型训练方法、分类方法及装置 | |
CN116229315A (zh) | 基于由粗到细粒度信息捕捉的时序动作检测方法及装置 | |
CN115937492A (zh) | 一种基于特征识别的变电设备红外图像识别方法 | |
CN114092746A (zh) | 一种多属性识别方法、装置、存储介质及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201103 |
|
WD01 | Invention patent application deemed withdrawn after publication |