[发明专利]基于YOLOv5l网络的笼养活兔检测计数方法

说明书

本发明公开了一种基于YOLOv5l网络的活兔检测计数方法，包括：利用热红外成像仪采集笼养环境下不同日龄的活兔图像数据，并进行图像标注生成数据集；构建YOLOv5l活兔检测网络，分别采取不同预处理方法、不同数据增强方法对数据集图像处理并进行训练、测试，获得最优模型。将最优模型导出为ONNX格式，并使用PyQt5构建交互界面，采用Sqlite构建本地数据集，将模型部署在交互界面上，用于活兔检测计数，其计数精确率为93.7％，召回率为87.9％，AP50为93.6％，优于YOLOv5n、YOLOv5s、YOLOv5m、YOLOv5x及SSD等网络，同时单张图片预测时间为0.024s，可实现准确、快速识别热红外活兔目标，推动肉兔养殖智能化发展。

技术领域

本发明涉及深度学习和目标检测技术领域，具体地，本发明涉及一种基于YOLOv5l网络的笼养活兔检测计数方法。

背景技术

随着精细农业的不断发展，采用智能养殖装备替代人工饲养、巡检养殖动物，已经是提高养殖效率、推动畜禽养殖业智能化发展的重要途径。活兔数量是肉兔养殖过程中重要的统计数据，该信息可间接反映养殖过程中肉兔的死淘率、为精准喂料装备提供信息支撑以及统计肉兔出栏率等，是兔舍信息化、智能化建设的基础。实际养殖活动中，活兔数量信息采集多为人工方式，采集频率一周一次。采用机器视觉的方法自动化统计活兔的数量可以减少人工投入、提高数据采集频率。但基于畜禽养殖多为高密度笼养或圈养，传统图像处理方法基于色差、光流等方法识别目标，难以适应高密度笼养环境下粘连、多目标的识别计数。基于深度学习的机器视觉技术具有识别精度高、识别速度快、对动物应激反应小的特点，是当前重要的养殖动物状态检测方法。当前计算机视觉图像信息主要有可见光图像、深度图像以及热红外图像三种。可见光图像具有分辨率高、图像细节丰富的特点，可用于养殖动物的行为分析、状态监测以及体重估算等。但实际调研中发现，可见光图像上死兔与活兔分类特征模糊，计数效果不佳。养殖动物体温是反应生长状况的重要指标，分析养殖动物的体温变化，能及时发现其中的病变、死淘个体，提高养殖收益。热红外图像反应的动物体表温度的差异，可放大死兔与活兔的特征差距。目前，热红外成像技术多用于鸡、猪、牛等养殖动物以及野兔等野外动物识别检测，肉兔养殖业的热红外目标检测未有报道。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明提供一种基于YOLOv5l网络的笼养活兔检测计数方法。该方法采用热红外成像仪采集活兔图像，并基于深度学习中通用目标检测框架YOLOv5，构建YOLOv5l活兔检测网络，实现准确、快速识别热红外活兔目标，推动肉兔养殖智能化发展。

本发明提供一种基于YOLOv5l网络的笼养活兔检测计数方法，所述方法包括：

S1.采集笼养环境下不同日龄的活兔图像；

S2.对所述图像进行预处理，利用经过预处理的图像构建数据集，并将所述数据集划分为训练集、验证集以及测试集；

S3.构建YOLOv5l网络：所述YOLOv5l活兔检测网络包括Input部分、Backbone部分、Neck部分以及Head部分；

S4.将得到的YOLOv5l网络在构建的数据集上进行训练、测试，

其中，所述Input部分包括Mosaic数据增强、图像尺寸缩放以及自适应锚框计算；

所述Backbone部分用于对输入特征图进行特征提取，其结构包括多层，其中，第一层为卷积结构，最后一层为SPPF(空间金字塔池化)结构，中间层包括C3结构和下采样卷积结构交替组成，并将提取到的上采样特征图送入Neck部分中；

所述Neck部分用于特征融合，结构包括FPN(特征金字塔)和PANet(路径聚合网络)结构，兼顾高层语义信息和低层位置信息，使算法提取到的特征更加全面、准确，有利于后续目标的检出；