欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2024114070709
申请人: 中国农业大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于深度学习的羊只生命特征识别方法,其特征在于,包括:

确定研究的羊只生命特征:基于专家问询、文献查阅与现场观察确定研究的羊只生命特征,包括反刍、应激、萎靡、正常、卧息及睡眠;

制作羊只生命特征数据集:搭建视觉系统采集羊只生命特征图像,并进行数据集标注与划分,然后对训练集中数据较少的生命特征进行数据增强,最终得到羊只生命特征数据集;

构建基于深度学习的羊只生命特征识别模型,包括图像特征提取模块、多尺度特征融合模块与生命特征输出模块,所述图像特征提取模块用于从羊只生命特征图像中提取多尺度的特征表示,所述多尺度特征融合模块用于将提取的多尺度的特征表示进行融合与增强,所述生命特征输出模块识别融合后的特征信息,输出识别结果;

基于羊只生命特征数据集对羊只生命特征识别模型进行训练得到权重;

基于羊只生命特征数据集的测试集对训练后的羊只生命特征识别模型进行性能评估,输出羊只生命特征识别结果;

所述羊只生命特征识别模型的多尺度特征融合模块包括轻量级特征提升模块、特征拼接模块、特征增强模块及特征整合模块,具体为:所述轻量级特征提升模块由预测模块与重组模块构成,预测模块通过卷积层对输入的特征图进行降维,再通过另一个卷积层预测特征图每个位置需要的权重参数,重组模块利用预测出的权重和原始特征图生成上采样后的特征图,所述轻量级特征提升模块的关键公式为:式中,i和j是输出特征图y的坐标,Kup是权重大小,S为放大因子,p,q为遍历的区域,m为遍历的每个元素,为位置(i,j)处第m个元素的权重,该权重由预测模块预测得出,xi+p·S,j+q·S为输入特征图x中对应位置的元素,所述轻量级特征提升模块的放大因子设置为2,输出的特征图尺寸为输入特征图尺寸的两倍;

所述特征拼接模块用于将不同尺度的特征图结合起来,保证羊只生命特征识别模型能够充分利用不同尺度的信息;

所述特征增强模块首先对输入的特征图进行局部增强操作,局部增强公式为:式中,Lb,c,i,j是局部增强后的特征图在第b个批次,第c个通道,空间位置(i,j)的值,Xb,c,i,j是输入特征图在批次b、通道c和空间位置(i,j)的值,k是局部增强窗口大小,定义了每个局部区域的尺寸,m和n是局部窗口内像素位置的索引,其次,采用全局增强操作,将整个特征图转换为一个单一的值,有利于捕获全局特征,全局增强公式为:式中,Gb,c表示增强后的特征图在批次b、通道c的值,H和W分别为输入特征图的高度和宽度;

然后,将局部特征和全局特征分别通过一维卷积进行特征转换与重构,对于局部增强后的特征,通过逐元素乘法将局部特征与输入特征图结合,突出局部特征;对于全局增强后的特征,通过加法将全局增强特征与局部增强特征结合,融合全局上下文信息;

最后,将经过局部和全局增强处理的特征图进行反增强操作,恢复原始空间维度;

所述特征整合模块的权重矩阵大小为3,滑动距离为2,能够减少特征图的空间维度,同时增加特征图的通道数,抽取更高级的抽象特征;特征整合模块在特征拼接模块之后,可以进一步整合来自不同层的特征图,融合特征信息;

所述生命特征输出模块由三个检测头组成,每个检测头均包含两个分支,分别通过2个3*3的卷积与1个1*1的二维卷积计算边界框损失与分类损失,所述生命特征输出模块使用优化函数改善模型训练过程,其中,优化函数为:式中,

式中,λ和μ是权重系数,是模型预测区域与真实标签区域的交集与并集的比值,和分别是真实框中心点坐标,和分别是预测框中心点坐标,dw和dh分别是真实框与预测框中心点的宽度差和高度差,wp是预测框的宽度,ht是真实框的高度,max(xt,xp)即真实框与预测框x坐标的最大值,max(yt,yp)即真实框与预测框y坐标的最大值,θ的值在模型训练过程中确定,pt是模型将生命特征类别预测为正类别的概率,γ为调整正负类别的平衡系数。

2.根据权利要求1所述的方法,其特征在于,所述羊只生命特征识别模型的图像特征提取模块遵循轻量化策略,核心模块为轻量级特征提取模块,所述轻量级特征提取模块由局部处理函数、两个逐点处理函数、标准化与激活函数构成,具体为:所述局部处理函数使用一个3*3的权重矩阵在输入特征图上滑动,计算局部区域的加权和,局部处理后的特征图表示为:Olc=I*Wlc+blc

式中,I是输入特征图,*代表卷积操作,Wlc为局部处理函数核权重,blc为补偿项;

所述逐点处理函数的权重矩阵大小为1*1,用于在通道维度上变化,而不改变特征图的空间维度,逐点处理函数后的输出特征图表示为:Output=Olc×Wi+bi

式中,Wi代表为逐点处理函数核权重,bi为补偿项,i代表第i次逐点处理;

标准化函数与激活函数放置在两个逐点处理函数之间,标准化函数表达式为:式中,Output是逐点处理函数后的输出特征图,μ和σ2分别为当前批次数据的均值和方差,γ与β是可学习参数,∈是一个增强数值稳定性的常数。

3.根据权利要求1所述的方法,其特征在于,所述羊只生命特征识别模型的图像特征提取模块在轻量级特征提取模块之外,还包括嵌入型特征精简模块、合并型特征精简模块与多级特征提取模块,具体为:所述嵌入型特征精简模块为一个滑动距离为4的矩阵,用于初始的特征提取,权重矩阵大小为4,通过卷积操作能够将原始羊只生命特征图像的尺寸减少4倍,缩小至160*160,特征图尺寸变化的公式为:式中,Hin和Win分别为输入特征图的长和宽,p_size与p_stride分别为权重矩阵的大小与滑动距离,Hout和Wout分别为输出特征图的长和宽,将原始的通道维度数从3扩展到40;

所述合并型特征精简模块为一个滑动距离为2的常规卷积,权重矩阵大小为2,使特征图的尺寸减少2倍,特征图尺寸变化的公式为:式中,Hout和Wout分别为输出特征图的长和宽,Hin和Win分别为输入特征图的长和宽,S为滑动距离,k为权重矩阵大小,3个合并型特征精简模块依次输出了80*80、40*40、20*20的特征图,同时3个合并型特征精简模块的输出通道数分别为80、160和320;

所述多级特征提取模块通过捕获图像的全局和局部特征,并将这些特征融合在一起,得到尺度为160*160、80*80、40*40、20*20的四种特征图。

4.根据权利要求1所述的方法,其特征在于,基于羊只生命特征数据集的测试集对训练后的羊只生命特征识别模型进行性能评估,评估模型轻量化程度的指标为参数量和计算量,其中,参数量计算公式为:参数量=∑(K×K×Cin×Cout)

式中,K是滤波器尺寸的大小,Cin是输入通道数,Cout是输出通道数;

计算量的计算公式为:

计算量=∑(K×K×Cin×Cout×H×W)*109

式中,K是滤波器尺寸的大小,Cin是输入通道数,Cout是输出通道数,H和W分别代表输出特征图的高度和宽度;

评估模型精度方面的指标为所有生命特征类别的综合精度,计算公式为:

综合精度=a*σ+b*δ

其中,a+b=1且a,b∈[0,1],σ为粗略定位精度,δ为精细定位精度,σ和δ的计算公式为:式中,n为生命特征类别的个数,当任务场景仅需要粗略定位时,a>b,反之a