[发明专利]一种基于深度学习的笼养肉鸡状态检测和计数系统

权利要求书

1.一种基于深度学习的笼养肉鸡状态检测和计数系统，其特征在于，包括以下步骤：

S1、采集并标注笼养肉鸡的图像；

S2、进行数据离线增强，建立笼养肉鸡状态检测数据集；

S3、以YOLOv5s为基准网络，替换主干网络为EfficientNetV2结构，引入深度可分离卷积和注意力机制，优化图像后处理过程NMS算法，构建高精度轻量级YOLOv5s网络作为笼养肉鸡状态检测网络；

S4、修改训练参数进行笼养肉鸡状态检测网络训练；

S5、观测评估指标，得到最优网络模型，结合目标跟踪任务完成计数，并进行测试；

S6、将网络模型部署在巡检机器人嵌入式平台，实现实时检测与计数；

S7、巡检机器人与用户端相连，实现实时监测。

2.根据权利要求1所述的一种基于深度学习的笼养肉鸡状态检测和计数系统，其特征在于，所述步骤S1具体步骤如下：

S1.1、在鸡群养殖基地，利用摄像头在鸡栏前方拍摄采集笼养肉鸡视频，并在拍摄过程中变换拍摄角度和距离；

S1.2、对视频进行筛选处理，得到所需的视频帧，导出为.jpg格式的图像，像素为1920×1080，完成图像的采集；

S1.3、使用LabelImg工具对采集到的图像进行标注，选用不同标签，标注出图像中所有不同状态肉鸡整体框，标注文件存储为xm1格式，其中包含目标外接矩形的顶点坐标和类名信息。

3.根据权利要求1所述的一种基于深度学习的笼养肉鸡状态检测和计数系统，其特征在于，所述步骤S2具体步骤如下：

S2.1、对步骤S1得到的笼养肉鸡图像进行数据离线增强，通过对选取的图像随机进行旋转、翻转、裁剪、亮度变换、图像抖动等方式，扩大数据规模，构建笼养肉鸡状态检测数据集；

S2.2、按照8∶1∶1的比例划分数据集，即从笼养肉鸡状态检测数据集中随机选取80％的数据作为训练集，10％的数据作为验证集，10％的数据作为测试集。

4.根据权利要求1所述的一种基于深度学习的笼养肉鸡状态检测和计数系统，其特征在于：所述步骤S3中选定YOLOv5s为基准网络，该网络结构输入端自适应图像缩放与自适应锚框计算，Backbone包括CSP结构及SPPF结构，Neck为FPN+PAN结构，替换主干网络为EfficientNetV2结构，采用深度可分离卷积代替颈部网络中进行下采样的3×3普通卷积，并在颈部网络末端引入CBAM注意力机制，将修改和添加的各结构按照原YOLOv5s网络结构形式顺序堆叠，将图像后处理过程中的NMS非极大值抑制算法替换为DIoU-NMS，从而得到高精度轻量级YOLOv5s网络。

5.根据权利要求1所述的一种基于深度学习的笼养肉鸡状态检测和计数系统，其特征在于，所述步骤S4具体步骤如下：

S4.1、在GPU服务器上搭建训练模型所用的虚拟环境，并搭载深度学习框架Pytorch构建网络模型；

S4.2、设置不同训练初始参数进行笼养肉鸡状态检测网络训练，所述参数包括图片输入尺寸、优化器、动量参数、权重衰减、学习率、批量大小以及训练迭代次数。

6.根据权利要求5所述的一种基于深度学习的笼养肉鸡状态检测和计数系统，其特征在于：所述网络模型训练过程中使用Mosaic或MixUp数据增强方法，提高数据多样性。

7.根据权利要求1所述的一种基于深度学习的笼养肉鸡状态检测和计数系统，其特征在于，所述步骤S5具体步骤如下：

S5.1、在测试集上验证步骤S4已完成训练的模型的表现性能，通过观测比较评估指标精准度、召回率、加权分数、平均精度均值，确定最优笼养肉鸡状态检测模型；

S5.2、训练基于深度学习的DeepSort目标跟踪模型，结合笼养肉鸡目标检测与跟踪任务，使用训练好的跟踪模型对检测到的不同状态肉鸡进行跟踪，记录其ID，统计场景中存在的不同状态下的肉鸡数量，完成笼养肉鸡实时计数；

S5.3、将待检测的视频输入到所述训练好的网络模型中，完成笼养肉鸡的状态检测和计数，为了便于直观阅读，将统计出的鸡群信息数量打印在视频界面。