CN114049550A - 基于深度学习的笼养死亡肉鸡自动识别方法 - Google Patents
基于深度学习的笼养死亡肉鸡自动识别方法 Download PDFInfo
- Publication number
- CN114049550A CN114049550A CN202111191952.2A CN202111191952A CN114049550A CN 114049550 A CN114049550 A CN 114049550A CN 202111191952 A CN202111191952 A CN 202111191952A CN 114049550 A CN114049550 A CN 114049550A
- Authority
- CN
- China
- Prior art keywords
- dead
- broiler
- cage
- training
- network
- 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
- 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 Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于深度学习的笼养死亡肉鸡自动识别方法,其技术特点是:包括采集并标注死亡肉鸡的图像,建立笼养死亡肉鸡检测数据集;以yolov5网络结构为基准网络,引入ghost轻量级结构及注意力机制,构建轻量级yolov5网络结构作为笼养肉鸡死亡状态识别检测网络,通过训练得到笼养肉鸡死亡状态识别检测的推理模型;将待检测识别的肉鸡图像输入至笼养肉鸡死亡状态识别检测的推理模型,检测肉鸡图像中是否存在死鸡及其位置。本发明设计合理,可以准确检测识别复杂背景情况下的笼养肉鸡死亡状态,并且能够在同一张图像或视频流中检测识别笼养肉鸡状态并给出图像中的坐标信息,降低了模型的计算复杂度,提高了经济效益。
Description
技术领域
本发明属于深度学习目标检测技术领域,尤其是一种基于深度学习的笼养死亡肉鸡自动识别方法。
背景技术
目前,在笼养肉鸡的集约化生产过程中,机械化和半自动化的养殖模式已经基本实现。但是,大部分的大规模养鸡场还仅仅依靠人的肉眼和经验对鸡的状态(死亡或者健康)进行判断,养殖人员通过肉眼逐个查看鸡冠、翅膀、羽毛、行为体征状态来判断养殖鸡是否健康。
在大规模养鸡生产中,上述人工检测方法耗时、主观性强、劳动强度大且无法提供早期检测功能。如果死鸡不及时处理,则会出现腐败及自溶现象,产生大量的细菌,伴随恶臭。这对于生活在养鸡场内的活鸡危害是十分大的,极大地增加了其他肉鸡的患病或死亡率。而且,若出现类似禽流感的病毒还有可能传染给其他哺乳类动物甚至人类,接触被感染的家禽或受污染的环境是人类被感染的主要方式。此外,鸡舍员工在进入养鸡场的过程中很容易带入外界的病菌,如其频繁进入,增添了因外在病菌造成禽类感染病发生的可能性。因此,如实现笼养状态下死鸡的智能检测识别功能具有极大的现实意义。
发明内容
本发明的目的在于克服现有技术的不足,提供一种设计合理且能够准确检测笼养死亡肉鸡及其位置信息的基于深度学习的笼养死亡肉鸡自动识别方法。
本发明解决现有的技术问题是采取以下技术方案实现的:
一种基于深度学习的笼养死亡肉鸡自动识别方法,包括以下步骤:
步骤1、采集并标注死亡肉鸡的图像,建立笼养死亡肉鸡检测数据集;
步骤2、以yolov5网络结构为基准网络,引入ghost轻量级结构及注意力机制,构建轻量级yolov5网络结构作为笼养肉鸡死亡状态识别检测网络,通过训练得到笼养肉鸡死亡状态识别检测的推理模型;
步骤3、将待检测识别的肉鸡图像输入至笼养肉鸡死亡状态识别检测的推理模型,检测肉鸡图像中是否存在死鸡及其位置。
进一步,所述步骤1的具体实现方法,包括以下步骤:
步骤1.1、在肉鸡养殖基地,通过图像采集终端采集实际笼养死鸡的图像;利用LabelImg工具对采集的图像标注信息;
步骤1.2、对标注后的图像进行数据增强处理,建立笼养死亡肉鸡检测数据集。
进一步,所述标注信息括:图像内死鸡的位置坐标信息、死鸡尺寸长宽信息以及死鸡类别信息,所述标注信息以xml格式存储。
进一步,所述数据增强处理方法包括采用像素内容变换、空间几何变换方法对整个数据集进行补充扩容,以及hsv对比度提升增强方法、mosaic数据增强方法或mixup数据增强方法。
进一步,所述步骤2的具体实现方法包括以下步骤:
步骤2.1、选定基础网络yolov5,该基础网络的Backbone包括Focus结构、CSP结构及SPP结构,Neck为FPN+PAN结构:引入ghost轻量级结构,将标准的bottleneck结构替换为基于ghost的bottleneck结构;将基准模型中高纬度网络的普通卷积模块替换为深度可分离卷积模块;在骨干网络中低纬度网络检测层引入CBAM注意力机制并维持网络维度不变;将修改后的各结构和模块按照原yolov5网络结构形式顺序堆叠,从而得到轻量级yolov5网络结构;
步骤2.2、对步骤1得到的笼养死亡肉鸡检测数据集进行预处理,并将预处理后的数据集划分为训练验证集和测试集,所述训练验证集包括训练集和验证集;
步骤2.3、设置模型训练参数;
步骤2.4、在GPU服务器上搭建训练模型所用的虚拟环境,将训练集输入至轻量级yolov5网络结构进行目标检测模型训练,训练完成后得到用于笼养肉鸡死亡状态识别检测的推理模型;将验证集输入笼养肉鸡死亡状态识别检测的推理模型中进行验证,根据验证得到的效果,对推理模型进行优化,最终得到效果最好的笼养肉鸡死亡状态识别检测的推理模型。
进一步,所述步骤2.2对笼养死亡肉鸡检测数据集进行预处理的方法为:将所有xml格式文件转换为txt格式并对坐标进行归一化,完成后的txt格式文件包含目标类别、左上角坐标和右下角坐标。
进一步,所述数据集划分方法为:将90%数据作为训练验证集,10%数据作为测试集,并且将训练验证集划分为90%的训练集和10%的验证集。
进一步,所述步骤2.3设置模型训练参数包括:初始学习率为0.001,动量参数为0.937,权重系数为0.0005,训练阈值为0.65,image-size为640640,epochs为300,batch-size为16。
本发明的优点和积极效果是:
1、本发明采用yolov5网络结构并引入注意力机制构建笼养肉鸡死亡状态识别检测网络,可以准确检测识别复杂背景情况下的笼养肉鸡死亡状态,并且能够在同一张图像或视频流中检测识别笼养肉鸡状态并给出图像中的坐标信息,降低了模型的计算复杂度,方便了终端设备的部署,同时也提高了经济效益。
2、本发明在建立选定yolov5网络结构过程中,引入了ghost结构,减少网络参数量;引入Meta-Aconc(Activate or Not)自适应激活函数,引入CBAM(Convolutional BlockAttention Module)注意力机制改进骨干网络部分,增强细节特征的检测;在高维度网络中使用深度可分离卷积,降低了网络的参数量,从而高效地检测笼养的死亡肉鸡,可广泛用于肉鸡养殖领域。
附图说明
图1为本发明的自动识别流程图;
图2为本发明的基于ghost的bottleneck结构示意图;
图3为本发明的注意力机制结构图;
图4为本发明的网络结构图。
具体实施方式
以下结合附图对本发明实施例做进一步详述。
本发明采用基于深度学习的目标检测算法实现笼养死亡肉鸡自动识别功能。目前,基于深度学习的目标检测算法主要分为两类:Two stage和One stage。本发明充分考虑到笼养鸡基地的实际部署应用情况,选择One stage典型代表算法之一的yolo系列的yolov5模型。其可以在较低精度损失的基础上,在极短的时间内精准检测到死鸡,具备极高的实时性能。
基于上述说明,本发明提出的一种基于深度学习的笼养死亡肉鸡自动识别方法,如图1所示,包括以下步骤:
步骤1、采集并标注死亡肉鸡的图像,经图像数据预处理,建立笼养死亡肉鸡检测数据集。
本步骤的具体实现方法为:
步骤1.1、在大规模的肉鸡养殖基地,基于手机等移动设备采集实际笼养死鸡的图像;利用LabelImg工具对收集的数据集进行标注,标注信息存储为xml格式,标注信息主要包括图像内死鸡的位置坐标信息、死鸡尺寸长宽信息以及死鸡类别信息。
步骤1.2、标注完成后,观察数据发现到三层笼框所受光照强度不一样,且数据采集角度不一样,还有其余不同影响因素不均。因此,需要对标注后的图像进行预处理,预处理采用数据增强的方法,如像素内容变换、空间几何变换等目标检测通用数据增强手段对整个数据集进行扩容。此外数据处理过程还包括hsv对比度提升、mosaic数据增强、mixup数据增强等处理方法。
步骤2、选定yolov5网络结构作为基准网络,引入ghost轻量级结构,在高纬度的网络层中使用深度可分离卷积,降低网络的参数量,并在骨干网络引入了注意力机制,使得网络更关注于具有死亡肉鸡的区域,减少漏检率,构建出轻量级yolov5网络结构作为笼养肉鸡死亡状态识别检测网络,经GPU训练后,得到笼养肉鸡死亡状态识别检测的推理模型。
本步骤的具体实现方法包括以下步骤:
步骤2.1、搭建轻量级yolov5网络结构:选定基础网络yolov5,该基础网络的Backbone主要包括Focus结构、CSP结构及SPP结构,Neck为FPN+PAN结构。对模型进行改进,得到更适用于嵌入部署的轻量级yolov5模型:引入ghost结构,将标准的bottleneck结构替换为基于ghost的bottleneck结构(其结构如图2所示),减少网络结构中的一些无效特征图,减少计算量,减轻模型结构,提高监测速度、实时性;将基准模型中高纬度网络的普通卷积模块替换为深度可分离卷积模块,有效的降低参数量;在骨干网络中低纬度网络检测层引入CBAM注意力机制(其结构如图3所示),同时关注通道注意力和空间注意力,花费较少的计算损耗,让特征学习更加专注,提取有效特征。将修改后的各结构和模块按照原yolov5网络结构形式顺序堆叠,即可得到轻量级yolov5网络结构,如图4所示。
步骤2.2、对步骤1得到的笼养死亡肉鸡检测数据集进行预处理,将所有的标注文件由xml格式转换为txt格式并对坐标进行归一化,完成后的txt文本包含目标类别、左上角坐标、右下角坐标,并将90%数据作为训练验证集,10%数据作为测试集,且将训练验证集划分为90%的训练集和10%的验证集,即可完成图像输入前的所有预处理。
步骤2.3、设置模型训练参数:设定一些常用的参数,有如:初始学习率为0.001,动量参数为0.937,权重系数为0.0005,训练阈值为0.65,image-size为640640,epochs为300,batch-size为16等。这些均是经过不断验证得出相对较好效果的参数变量。
步骤2.4、对目标检测模型进行训练及优化:在GPU服务器上搭建训练模型所用的虚拟环境,完成后将训练集输入至轻量级yolov5网络结构进行目标检测模型训练,训练完成后即可得到用于笼养肉鸡死亡状态识别检测的推理模型。根据验证得到的效果,对模型进行优化,最后得到效果相对最好的模型。
步骤3、将待检测识别的肉鸡图像输入至笼养肉鸡死亡状态识别检测的推理模型,检测肉鸡图像中是否存在死鸡及其位置信息。
在本步骤中,将待检测图像或视频流输入至步骤2训练完成后得到的目标检测推理模型,即可在输出文件或者输出视频流中找到其中死亡肉鸡并框出坐标位置,实现笼养死亡肉鸡的检测定位。
需要强调的是,本发明所述的实施例是说明性的,而不是限定性的,因此本发明包括并不限于具体实施方式中所述的实施例,凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式,同样属于本发明保护的范围。
Claims (8)
1.一种基于深度学习的笼养死亡肉鸡自动识别方法,其特征在于:包括以下步骤:
步骤1、采集并标注死亡肉鸡的图像,建立笼养死亡肉鸡检测数据集;
步骤2、以yolov5网络结构为基准网络,引入ghost轻量级结构及注意力机制,构建轻量级yolov5网络结构作为笼养肉鸡死亡状态识别检测网络,通过训练得到笼养肉鸡死亡状态识别检测的推理模型;
步骤3、将待检测识别的肉鸡图像输入至笼养肉鸡死亡状态识别检测的推理模型,检测肉鸡图像中是否存在死鸡及其位置。
2.根据权利要求1所述的基于深度学习的笼养死亡肉鸡自动识别方法,其特征在于:所述步骤1的具体实现方法,包括以下步骤:
步骤1.1、在肉鸡养殖基地,通过图像采集终端采集实际笼养死鸡的图像;利用LabelImg工具对采集的图像标注信息;
步骤1.2、对标注后的图像进行数据增强处理,建立笼养死亡肉鸡检测数据集。
3.根据权利要求2所述的基于深度学习的笼养死亡肉鸡自动识别方法,其特征在于:所述标注信息括:图像内死鸡的位置坐标信息、死鸡尺寸长宽信息以及死鸡类别信息,所述标注信息以xml格式存储。
4.根据权利要求2所述的基于深度学习的笼养死亡肉鸡自动识别方法,其特征在于:所述数据增强处理方法包括采用像素内容变换、空间几何变换方法对整个数据集进行补充扩容,以及hsv对比度提升增强方法、mosaic数据增强方法或mixup数据增强方法。
5.根据权利要求1所述的基于深度学习的笼养死亡肉鸡自动识别方法,其特征在于:所述步骤2的具体实现方法包括以下步骤:
步骤2.1、选定基础网络yolov5,该基础网络的Backbone包括Focus结构、CSP结构及SPP结构,Neck为FPN+PAN结构:引入ghost轻量级结构,将标准的bottleneck结构替换为基于ghost的bottleneck结构;将基准模型中高纬度网络的普通卷积模块替换为深度可分离卷积模块;在骨干网络中低纬度网络检测层引入CBAM注意力机制并维持网络维度不变;将修改后的各结构和模块按照原yolov5网络结构形式顺序堆叠,从而得到轻量级yolov5网络结构;
步骤2.2、对步骤1得到的笼养死亡肉鸡检测数据集进行预处理,并将预处理后的数据集划分为训练验证集和测试集,所述训练验证集包括训练集和验证集;
步骤2.3、设置模型训练参数;
步骤2.4、在GPU服务器上搭建训练模型所用的虚拟环境,将训练集输入至轻量级yolov5网络结构进行目标检测模型训练,训练完成后得到用于笼养肉鸡死亡状态识别检测的推理模型;将验证集输入笼养肉鸡死亡状态识别检测的推理模型中进行验证,根据验证得到的效果,对推理模型进行优化,最终得到效果最好的笼养肉鸡死亡状态识别检测的推理模型。
6.根据权利要求5所述的基于深度学习的笼养死亡肉鸡自动识别方法,其特征在于:所述步骤2.2对笼养死亡肉鸡检测数据集进行预处理的方法为:将所有xml格式文件转换为txt格式并对坐标进行归一化,完成后的txt格式文件包含目标类别、左上角坐标和右下角坐标。
7.根据权利要求5所述的基于深度学习的笼养死亡肉鸡自动识别方法,其特征在于:所述数据集划分方法为:将90%数据作为训练验证集,10%数据作为测试集,并且将训练验证集划分为90%的训练集和10%的验证集。
8.根据权利要求5所述的基于深度学习的笼养死亡肉鸡自动识别方法,其特征在于:所述步骤2.3设置模型训练参数包括:初始学习率为0.001,动量参数为0.937,权重系数为0.0005,训练阈值为0.65,image-size为640640,epochs为300,batch-size为16。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111191952.2A CN114049550A (zh) | 2021-10-13 | 2021-10-13 | 基于深度学习的笼养死亡肉鸡自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111191952.2A CN114049550A (zh) | 2021-10-13 | 2021-10-13 | 基于深度学习的笼养死亡肉鸡自动识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114049550A true CN114049550A (zh) | 2022-02-15 |
Family
ID=80204654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111191952.2A Pending CN114049550A (zh) | 2021-10-13 | 2021-10-13 | 基于深度学习的笼养死亡肉鸡自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114049550A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114550166A (zh) * | 2022-04-25 | 2022-05-27 | 科大天工智能装备技术(天津)有限公司 | 一种面向智慧大棚的果实检测方法、装置及存储介质 |
CN114883010A (zh) * | 2022-04-26 | 2022-08-09 | 深圳市中融数字科技有限公司 | 牲畜存亡状态判别方法、装置、存储介质及终端设备 |
CN115147782A (zh) * | 2022-08-02 | 2022-10-04 | 广州度凌科技有限公司 | 一种死亡动物识别方法及装置 |
CN115471871A (zh) * | 2022-09-22 | 2022-12-13 | 四川农业大学 | 一种基于目标检测和分类网络的麻鸭性别分类识别方法 |
-
2021
- 2021-10-13 CN CN202111191952.2A patent/CN114049550A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114550166A (zh) * | 2022-04-25 | 2022-05-27 | 科大天工智能装备技术(天津)有限公司 | 一种面向智慧大棚的果实检测方法、装置及存储介质 |
CN114883010A (zh) * | 2022-04-26 | 2022-08-09 | 深圳市中融数字科技有限公司 | 牲畜存亡状态判别方法、装置、存储介质及终端设备 |
CN115147782A (zh) * | 2022-08-02 | 2022-10-04 | 广州度凌科技有限公司 | 一种死亡动物识别方法及装置 |
CN115471871A (zh) * | 2022-09-22 | 2022-12-13 | 四川农业大学 | 一种基于目标检测和分类网络的麻鸭性别分类识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114049550A (zh) | 基于深度学习的笼养死亡肉鸡自动识别方法 | |
WO2020007363A1 (zh) | 识别目标数量的方法、装置及计算机可读存储介质 | |
CN107844797A (zh) | 一种基于深度图像的哺乳母猪姿态自动识别的方法 | |
CN107229947A (zh) | 一种基于动物识别的金融保险方法及系统 | |
Zhang et al. | Design of sick chicken automatic detection system based on improved residual network | |
CN111294565A (zh) | 一种智能化养猪监测方法和管理端 | |
CN108182423A (zh) | 一种基于深度卷积神经网络的禽类动物行为识别方法 | |
CN111160271B (zh) | 一种基于深度学习的室内养鸡场病鸡检测系统 | |
CN112101259A (zh) | 一种基于堆叠沙漏网络的单只猪体姿态识别系统及方法 | |
CN114898405B (zh) | 基于边缘计算的便携式肉鸡异常监测系统 | |
CN115527234A (zh) | 一种基于改进YOLOv5模型的红外图像笼内死鸡识别方法 | |
CN108334938A (zh) | 一种基于图像识别的蚊媒自动监测系统 | |
CN110287902B (zh) | 畜禽存活检测方法、装置、设备及计算机程序产品 | |
CN114092378A (zh) | 动物健康检测的方法、装置、设备及存储介质 | |
KR102393265B1 (ko) | 버섯 병해충 검출 시스템 | |
Zhou et al. | Detection of abnormal chicken droppings based on improved Faster R-CNN | |
CN108304818A (zh) | 一种蚊媒图像自动识别方法 | |
CN112861663A (zh) | 一种基于语义分割的家禽姿态监测方法和系统 | |
CN112215107A (zh) | 一种猪的行为识别方法及装置、电子设备和存储介质 | |
CN113807199B (zh) | 一种基于卷积神经网路的生猪常见病害识别方法 | |
CN116311530A (zh) | 基于Kinect相机的仔猪异常行为识别方法及系统 | |
CN111626196B (zh) | 基于知识图谱的典型牛科动物身体结构智能分析方法 | |
Saenong et al. | Identification of Poultry Reproductive Behavior Using Faster R-CNN with MobileNet V3 Architecture in Traditional Cage Environment | |
Deng et al. | A real-time sheep counting detection system based on machine learning. | |
CN108288057B (zh) | 一种移动式家禽生命信息检测装置 |
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 |