一种基于改进的yolov5的鸡只健康度监测方法
技术领域
1.本发明涉及鸡只健康监测技术领域，特别涉及一种基于改进的yolov5的鸡只健康度监测方法。
背景技术：2.中国是禽蛋生产和消费大国，鸡肉、鸡蛋的营养丰富、养殖周期短、成本低廉使得养鸡业成为畜牧业中最重要的分支之一。因此，广大人民对于鸡肉的品质要求也在不断提高。目前，对于鸡只健康程度的判断仍然以人工观察方式为主，国内外很多学者就此开展了鸡只健康度的自动检测研究。例如，sadeghi等对15只感染了a型产气荚膜梭菌的鸡和15只健康鸡的声音进行频域分析，采用监督学习神经网络对健康和不健康的鸡进行分类，在感染2天后的分类准确率为66.6％，感染8天后达到100％。colles等将光流法应用到商业农场的鸡群运动监测中，发现感染弯曲杆菌群的鸡群平均光流量较低，峰度较高，比传统的农场中应用的微生物学方法发现弯曲杆菌群的感染要早7－10天。dawkins等通过光流法统计的偏斜度和峰度值对一个商业农场的50个鸡群进行了早期足底皮炎和飞节烧伤的预测。campbell等为了监控单个鸡只的户外活动行为，将rfid电子标签捆绑在鸡只上，并在鸡舍的进出口放置天线，通过鸡只的进出行为判断其在户外活动的频率和持续时间。
3.目前，对于鸡只健康度的自动监测方法主要有基于声音监测、基于传统机器视觉技术监测、基于可穿戴设备监测的方法。但是，这几种方法都有很大的弊端。基于声音监测的方法主要针对鸡只群体情况进行研究，无法对每个鸡只个体进行准确的判别，另外，大量的环境噪声也势必对监测造成不利影响。基于传统机器视觉技术监测的方法主要是通过不同帧下像素的变化进行判断，主要有光流法、背景减除法、帧差法等，但是此类方法难以避免光照过度造成的图像失真问题。基于可穿戴设备监测的方法的测量精度很大程度依赖于使用该设备的鸡只数和该设备的天线数量，养殖场的鸡只一般数量相当庞大，在这种条件下，监测精度必然受到影响，并且安装和拆卸可穿戴设备需要大量人工，增加了养殖场的人力负担。因此，需要提供一种更方便、精确的鸡只健康监测方法，旨在解决上述问题。
4.公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
技术实现要素：5.本发明的目的在于提供一种基于改进的yolov5的鸡只健康度监测方法，从而克服现有的鸡只健康监测方法存在的噪声干扰、图像失真、人力和设备成本高昂的缺点。
6.为实现上述目的，本发明提供了一种基于改进的yolov5的鸡只健康度监测方法，包括如下步骤：
7.步骤s1，从大数据中心获取数据，进行预处理，构建数据立方体；
8.从大数据中心获取鸡只健康和病态的图片数据，引入特征提取层对图片数据进行清洗去噪、集成、转换的预处理，提取包括所涉及流的因素变量和运行机制的流特征信息，
以空间信息、时间信息、鸡只健康信息三个维度构建数据立方体作为原始图片信息库；利用labelimg对所述图片信息库中的图像进行yolo格式标注，标注出鸡只的位置和类别，所述类别包括健康与病态两种；
9.其中，所述大数据中心含有从养鸡场的摄像装置采集到的图片；
10.步骤s2，对步骤s1中标注后的图像进行数据增强的预处理；
11.对目标框尺寸处于0*0-32*32的小目标的损失进行考察，设置一个损失阈值τ，τ∈(0,1)，如小目标损失达到损失阈值τ则无需对图像进行数据增强的预处理，如小目标损失低于损失阈值τ则需对图像进行数据增强的预处理；
12.步骤s3，对yolo v5采用的先验锚框进行选取；
13.通过k-means聚类算法在coco数据集上选取得到先验锚框；
14.步骤s4，利用最邻近上采样改进算法对经步骤s3处理后的图像数据进行特征增强：
15.其中，所述最临近上采样改进算法用于yolo v5中的多尺度特征融合网络(neck)，所述最临近上采样改进算法中引进了一种通道增强特征金字塔网络，所述通道增强特征金字塔网络由三个部分组成：亚像素跳跃融合(sub-pixel skip fusion)、亚像素内容增强(sub-pixel context enhancement)以及通道注意力引导模块(channel attention guided module)：
16.(1)亚像素跳跃融合
17.采用基于卷积的上采样方法，在处理高度和宽度特征时，采用了一种像素混淆的方法；像素混淆的原理式如下：
[0018][0019]
式中，r表示放大比例，f表示输入特征，ps(f)
x，y，c
表示坐标(x，y，c)上的输出特征像素；
[0020]
为了避免计算量随着低分辨率图像通道维数的增加大幅增加，以及采样高分辨率图像带来的额外训练，通道增强特征金字塔网络采用最临近上采样方法；由于高层特征中已经具有充足的通道数，因此使用亚像素跳跃融合仅对低分辨率图像直接进行上采样，而无需减少通道，避免了高层特征中的语义信息损失，如下式:
[0021][0022]
(2)亚像素内容增强
[0023]
在通道增强特征金字塔网络中，采用亚像素内容增强(sce)，sce可将局部信息和全局信息进行融合，加大高层特征c5的感受野，增强i的信息容纳能力：
[0024]
第一，提取局部信息，在高层特征c5上应用3
×
3卷积；同时，变换通道维度至2w
×
2h，并采用2倍上采样亚像素卷积；第二，利用3
×
3最大池化将输入特征下采样,降低宽度和高度至w
×
h；同时，采用1
×
1卷积扩展通道尺寸；然后采用4倍上采样的亚像素卷积算法；第三，提取全局信息，在高层特征c5上进行全局平均池化；然后，然后，将w
×h×
8c压缩通道到w
×h×
c，并扩展宽度及高度，使其达到4w
×
4h；第四，将以上三个特征图叠加为特征i。
[0025]
(3)通道注意力引导模块
[0026]
为了避免特征i中的噪声造成监测精度的降低，采用通道注意力引导模块：
[0027]
特征图i经式(1)(2)(3)获得通道数为c’的隐层子区域特征q、k以及图像增强特征v，{q,k}∈rc’×h×w，v∈rc×h×w；如下所示：
[0028]
q＝reshape[conv1×1×
c’(i)]
t
ꢀꢀꢀ
(1)
[0029]
k＝reshape[conv1×1×
c’(i)]
ꢀꢀꢀ
(2)
[0030]
v＝conv1×1×
c’(i)
ꢀꢀꢀ
(3)
[0031]
计算q和k的关系矩阵a如式(4),a∈r
x
×h×w，x＝h
×
w。通过sigmoid激活函数和平均池化操作，得子区域特征相关性注意力矩阵a’，a’∈r1×h×w；
[0032][0033]
式中，表示张量相乘；
[0034]
最后，获取区域间特征语义关系的注意力表征e，如式(5),e∈rc×h×w；
[0035]
e＝a
’⊙vꢀꢀꢀ
(5)
[0036]
式中，
⊙
表示按元素相乘。
[0037]
步骤s5，设置yolo v5模型的参数并进行训练：
[0038]
设置yolo v5模型的迭代次数、初始学习率、动量参数、批次大小等参数，将步骤s4进行特征增强后得到的数据进行迭代训练；
[0039]
步骤s6，摄像设备实时监测区分鸡只健康度：
[0040]
使用步骤s5训练后的yolo v5模型对摄像设备实时采集的图像进行监测，从中分类标记出健康鸡只和病态鸡只。
[0041]
进一步的，步骤s2所述的损失阈值τ为0.7。
[0042]
进一步的，步骤s2中判断每一次迭代后的小目标损失是否达到损失阈值τ的过程为：
[0043][0044]
式中，i
t+1
表示在t+1次迭代中输入的小目标数据，ic表示选择拼接图像，i表示选择正常图像，表示t次迭代中小目标对象的损失比例。
[0045]
进一步的，步骤s2中对图像进行数据增强的方法为：采用mosaic+数据增强的方式，即，利用4张图片裁剪、缩放、旋转并进行拼接。
[0046]
进一步的，步骤s3所述的k-means聚类算法是一种结合二叉树的k-means改进算法，包括以下步骤：
[0047]
步骤s31，求取并输入数据集中的各个样本点的重心；
[0048]
步骤s32，计算各点到重心的欧式距离；
[0049]
步骤s33，将距离重心最近的点作为质心，即根节点来构建二叉树，如出现距离重心最近的点有多个的情况，则将这些点映射在不同坐标上，将映射后的数值依次比较，保留出现较小数值的点，最终确定一个点作为根节点；
[0050]
步骤s34，求其余点到根节点的欧氏距离，以这些点中离根节点最近的点作为该根节点的左子节点，如出现距离根节点最近的点有多个的情况，解决方法参考步骤s33；
[0051]
步骤s35，对其余节点同样遵循离其最近的点作为其左子节点的规则，若节点到离
其最近的节点的欧氏距离大于该节点与其父节点的欧氏距离，则离其最近的点作为其右子节点；
[0052]
步骤s36，对暂无右子节点的节点，求其余点到此节点的欧氏距离并将距离最近点作为其右子节点；如出现距离该节点最近的点有多个的情况，解决方法参考步骤s33；
[0053]
步骤s37，计算从根节点到最右子节点的所有节点欧式距离，并取平均值，将各距离与平均值比较，把大于等于平均值的欧氏距离相关的两个节点切割开，至此完成数据集中各个点的分类；
[0054]
根据上述基于二叉树的k-means改进算法可得到二叉树，并依据基于二叉树的k-means改进算法进行节点切割。
[0055]
进一步的，步骤s5中，所述的迭代次数为20000次，初始学习率为0.001，动量参数为0.92，批次大小为64；在进行迭代训练时，使用warmup训练方法预热，采用一维线性插值对学习率进行更新，预热结束后，采用余弦退火策略对学习率进行更新，余弦退火超参数
[0056]
本发明的有益效果
[0057]
本发明的鸡只健康度监测方法，通过在预处理中设置阈值进行判断，不仅可以丰富数据集，而且可以有效节省gpu的使用，起到合理分配运算资源的作用；结合二叉树的k-means改进算法采取了就近原则，有效避免了初始质心选择的随机性，减少了算法执行过程中过多的人为干涉；通道增强特征金字塔的亚像素跳跃融合取代了原来特征金字塔网络(fpn)中的1
×
1卷积，有效避免了因通道数减少而造成的语义信息丢失；子像素内容增强模块可以提取更多的特征，充分利用高层语义信息；通道注意力引导模块获得区域间特征语义的依赖关系，对特征i进行优化和去噪，进而提高监测精度。
附图说明
[0058]
图1为本发明的鸡只健康度监测方法的流程图；
[0059]
图2为进行了yolo格式标注的鸡只图；
[0060]
图3为通道增强特征金字塔网络流程图；
[0061]
图4为亚像素跳跃融合的流程图；
[0062]
图5为亚像素内容增强的流程图；
[0063]
图6为通道注意力引导模块的流程图。
具体实施方式
[0064]
下面结合附图，对本发明的具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。
[0065]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。除非另有其它明确表示，否则在整个说明书和权利要求书中，术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分，而并未排除其它元件或其它组成
部分。
[0066]
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
[0067]
另外，为了更好的说明本发明，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本发明同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件未作详细描述，以便于凸显本发明的主旨。
[0068]
实施例1
[0069]
请参见图1，一种基于改进的yolov5的鸡只健康度监测方法，包括如下步骤：
[0070]
步骤s1，从大数据中心获取数据，进行预处理，构建数据立方体；
[0071]
从大数据中心获取鸡只健康和病态的图片数据，引入特征提取层对图片数据进行清洗去噪、集成、转换的预处理，提取包括所涉及流的因素变量和运行机制的流特征信息，以空间信息、时间信息、鸡只健康信息三个维度构建数据立方体作为原始图片信息库；请参见图2，利用labelimg对所述图片信息库中的图像进行yolo格式标注，标注出鸡只的位置和类别，所述类别包括健康与病态两种；
[0072]
其中，所述大数据中心含有从养鸡场的摄像装置采集到的图片；
[0073]
步骤s2，对步骤s1中标注后的图像进行数据增强的预处理；
[0074]
为了避免目标框尺寸处于0*0-32*32的小目标分布不均匀使最终网络鲁棒性受到影响，对小目标损失进行考察，并基于反馈对一部分图像进行数据增强的预处理，方法如下：
[0075]
(1)根据实际设置一个损失阈值τ，τ∈(0,1)；在实际情况中，若图像中小物体的数量较多，可以将该损失阈值设置成一个稍大的值，在本实施例中，将损失阈值设置为0.7；
[0076]
(2)每一次迭代后对小目标的损失进行考察，如小目标损失达到损失阈值τ则无需对图像进行数据增强的预处理，如小目标损失低于损失阈值τ则需对图像进行数据增强的预处理；判断小目标损失是否达到损失阈值τ的过程为：
[0077][0078]
式中，i
t+1
表示在t+1次迭代中输入的小目标数据，ic表示选择拼接图像，i表示选择正常图像，表示t次迭代中小目标对象的损失比例；
[0079]
(3)对图像进行数据增强的方法为：采用mosaic+数据增强的方式，即利用4张图片裁剪、缩放、旋转并进行拼接；
[0080]
步骤s3，对yolo v5采用的先验锚框进行选取；
[0081]
yolo v5采用的先验锚框，是通过k-means聚类算法在coco数据集上选取得到的，但是该算法的聚类中心点是随机选取的，会因为初始质心的选择不同而对边界框预测产生影响，因此，本实施例使用一种结合二叉树的k-means改进算法在coco数据集上选取得到先验锚框；其中，结合二叉树的k-means改进算法，包括以下步骤：
[0082]
步骤s31，求取并输入数据集中的各个样本点的重心；
[0083]
步骤s32，计算各点到重心的欧式距离；
[0084]
若重心为(x1，y1)、存在一点(x2，y2)，则该点到重心的欧式距离为：
[0085][0086]
步骤s33，将距离重心最近的点作为质心(即根节点)来构建二叉树，如出现距离重心最近的点有多个的情况，则将这些点映射在不同坐标上，将映射后的数值依次比较，保留出现较小数值的点，最终确定一个点作为根节点；
[0087]
步骤s34，求其余点到根节点的欧氏距离，以这些点中离根节点最近的点作为该根节点的左子节点。如出现距离根节点最近的点有多个的情况，解决方法参考步骤s33；
[0088]
步骤s35，对其余节点同样遵循离其最近的点作为其左子节点的规则，若节点到离其最近的节点的欧氏距离大于该节点与其父节点的欧氏距离，则离其最近的点作为其右子节点；
[0089]
步骤s36，对暂无右子节点的节点，求其余点到此节点的欧氏距离并将距离最近点作为其右子节点；如出现距离该节点最近的点有多个的情况，解决方法参考步骤s33；
[0090]
步骤s37，计算从根节点到最右子节点的所有节点欧式距离，并取平均值，将各距离与平均值比较，把大于等于平均值的欧氏距离相关的两个节点切割开。至此完成数据集中各个点的分类；
[0091]
例如，对于二维空间内的点：(1，2)、(0.1，0.3)、(2.1，3)、(3，5.1)、(6，6.1)、(0.9，6)、(7，1.1)，将这七个点从1到7依次排列命名。经计算(2.1,3)为初始质心，求取各点到该点的欧氏距离如表1所示：
[0092]
表1各点与质心的欧氏距离
[0093][0094][0095]
根据上述基于二叉树的k-means改进算法可得到二叉树，并依据基于二叉树的k-means改进算法进行节点切割。
[0096]
步骤s4，利用最邻近上采样改进算法对经步骤s3处理后的图像数据进行特征增强：
[0097]
其中，所述最临近上采样改进算法用于yolo v5中的多尺度特征融合网络(neck)，多尺度特征融合网络(neck)提高了网络特征融合能力，但原始的最临近上采样算法基于像素间的空间距离，仅考虑子像素邻域，使得其感受野仅为1
×
1，为了增大其感受野，增加特征图的局部信息，获得更为丰富的语义特征，在最临近上采样算法中引进一种通道增强特征金字塔网络(参见图3)对其进行改进，该通道增强特征金字塔网络由三个部分组成：亚像
素跳跃融合(sub-pixel skip fusion)、亚像素内容增强(sub-pixel context enhancement)以及通道注意力引导模块(channelattention guided module)：
[0098]
(1)亚像素跳跃融合(请参见图4)
[0099]
采用基于卷积的上采样方法，将低分辨率特征融合到高分辨率中，在处理高度和宽度特征时，采用了一种像素混淆的方法；像素混淆的原理式如下：
[0100][0101]
式中，r表示放大比例，f表示输入特征，ps(f)
x，y，c
表示坐标(x，y，c)上的输出特征像素；
[0102]
为了避免计算量随着低分辨率图像通道维数的增加大幅增加，以及采样高分辨率图像带来的额外训练，通道增强特征金字塔网络采用最临近上采样方法；由于高层特征中已经具有充足的通道数，因此使用亚像素跳跃融合仅对低分辨率图像直接进行上采样，而无需减少通道，避免了高层特征中的语义信息损失，如下式:
[0103][0104]
(2)亚像素内容增强
[0105]
在通道增强特征金字塔网络中，采用亚像素内容增强(sce)，sce可将局部信息和全局信息进行融合，加大高层特征c5的感受野，增强i的信息容纳能力：假设输入特征图c5行三级上下文特征；
[0106]
第一，提取局部信息，在高层特征c5上应用3
×
3卷积；同时，变换通道维度至2w
×
2h，并采用2倍上采样亚像素卷积；第二，利用3
×
3最大池化将输入特征下采样,降低宽度和高度至w
×
h；同时，采用1
×
1卷积扩展通道尺寸；然后采用4倍上采样的亚像素卷积算法；第三，提取全局信息，在高层特征c5上进行全局平均池化；然后，将w
×h×
8c压缩通道到w
×h×
c，并扩展宽度及高度，使其达到4w
×
4h；第四，将以上三个特征图叠加为特征i。
[0107]
经过这样的处理后，通道增强特征金字塔网络充分利用了最高层特征中的语义信息；(3)通道注意力引导模块
[0108]
为了避免特征i中的噪声造成监测精度的降低，采用通道注意力引导模块(cagm)：
[0109]
请参见图6，特征图i经式(1)(2)(3)获得通道数为c’的隐层子区域特征q、k以及图像增强特征v，{q,k}∈rc’×h×w，v∈rc×h×w；如下所示：
[0110]
q＝reshape[conv1×1×
c’(i)]
t
ꢀꢀꢀ
(1)
[0111]
k＝reshape[conv1×1×
c’(i)]
ꢀꢀꢀ
(2)
[0112]
v＝conv1×1×
c’(i)
ꢀꢀꢀ
(3)
[0113]
计算q和k的关系矩阵a如式(4),a∈r
x
×h×w，x＝h
×
w。通过sigmoid激活函数和平均池化操作，得子区域特征相关性注意力矩阵a’，a’∈r1×h×w；
[0114][0115]
式中，表示张量相乘；
[0116]
最后，获取区域间特征语义关系的注意力表征e，如式(5),e∈rc×h×w；
[0117]
e＝a
’⊙vꢀꢀꢀ
(5)
[0118]
式中，
⊙
表示按元素相乘。
[0119]
步骤s5，设置yolo v5模型的参数并进行训练：
[0120]
设置yolo v5模型的迭代次数为20000次、初始学习率为0.001、动量参数为0.92、批次大小为64，将步骤s4进行特征增强后得到的数据进行迭代训练；在进行迭代训练时，使用warmup训练方法预热，采用一维线性插值对学习率进行更新，预热结束后，采用余弦退火策略对学习率进行更新，余弦退火超参数
[0121]
步骤s6，摄像设备实时监测区分鸡只健康度：
[0122]
使用步骤s5训练后的yolo v5模型对摄像设备实时采集的图像进行监测，从中分类标记出健康鸡只和病态鸡只。
技术特征：1.一种基于改进的yolov5的鸡只健康度监测方法，其特征在于，包括如下步骤：步骤s1，从大数据中心获取数据，进行预处理，构建数据立方体；从大数据中心获取鸡只健康和病态的图片数据，引入特征提取层对图片数据进行清洗去噪、集成、转换的预处理，提取包括所涉及流的因素变量和运行机制的流特征信息，以空间信息、时间信息、鸡只健康信息三个维度构建数据立方体作为原始图片信息库；利用labelimg对所述图片信息库中的图像进行yolo格式标注，标注出鸡只的位置和类别，所述类别包括健康与病态两种；其中，所述大数据中心含有从养鸡场的摄像装置采集到的图片；步骤s2，对步骤s1中标注后的图像进行数据增强的预处理；对每一次迭代后目标框尺寸处于0*0-32*32的小目标损失进行考察，设置一个损失阈值τ，τ∈(0,1)，如小目标损失达到损失阈值τ则无需对图像进行数据增强的预处理，如小目标损失低于损失阈值τ则需对图像进行数据增强的预处理；步骤s3，对yolo v5采用的先验锚框进行选取；通过k-means聚类算法在coco数据集上选取得到先验锚框；步骤s4，利用最邻近上采样改进算法对经步骤s3处理后的图像数据进行特征增强：其中，所述最临近上采样改进算法用于yolo v5中的多尺度特征融合网络，所述最临近上采样改进算法中引进了一种通道增强特征金字塔网络，所述通道增强特征金字塔网络由三个部分组成：亚像素跳跃融合、亚像素内容增强以及通道注意力引导模块：(1)亚像素跳跃融合采用基于卷积的上采样方法，在处理高度和宽度特征时，采用了一种像素混淆的方法；像素混淆的原理式如下：式中，r表示放大比例，f表示输入特征，ps(f)
x，y，c
表示坐标(x，y，c)上的输出特征像素；为了避免计算量随着低分辨率图像通道维数的增加大幅增加，以及采样高分辨率图像带来的额外训练，通道增强特征金字塔网络采用最临近上采样方法；由于高层特征中已经具有充足的通道数，因此使用亚像素跳跃融合仅对低分辨率图像直接进行上采样，而无需减少通道，避免了高层特征中的语义信息损失，如下式:(2)亚像素内容增强在通道增强特征金字塔网络中，采用亚像素内容增强，亚像素内容增强可将局部信息和全局信息进行融合，加大高层特征c5的感受野，增强i的信息容纳能力：第一，提取局部信息，在高层特征c5上应用3
×
3卷积；同时，变换通道维度至2w
×
2h，并采用2倍上采样亚像素卷积；第二，利用3
×
3最大池化将输入特征下采样,降低宽度和高度至w
×
h；同时，采用1
×
1卷积扩展通道尺寸；然后采用4倍上采样的亚像素卷积算法；第三，提取全局信息，在高层特征c5上进行全局平均池化；然后，将w
×
h
×
8c压缩通道到w
×
h
×
c，并扩展宽度及高度，使其达到4w
×
4h；第四，将以上三个特征图叠加为特征i。(3)通道注意力引导模块
为了避免特征i中的噪声造成监测精度的降低，采用通道注意力引导模块：特征图i经式(1)(2)(3)获得通道数为c
′
的隐层子区域特征q、k以及图像增强特征v，{q,k}∈r
c
′×
h
×
w
，v∈r
c
×
h
×
w
；如下所示：q＝reshape[conv1×1×
c
′
(i)]
t
ꢀꢀ
(1)k＝reshape[conv1×1×
c
′
(i)]
ꢀꢀ
(2)v＝conv1×1×
c
′
(i)
ꢀꢀ
(3)计算q和k的关系矩阵a如式(4),a∈r
x
×
h
×
w
，x＝h
×
w，通过sigmoid激活函数和平均池化操作，得子区域特征相关性注意力矩阵a
′
，a
′
∈r1×
h
×
w
；式中，表示张量相乘；最后，获取区域间特征语义关系的注意力表征e，如式(5),e∈r
c
×
h
×
w
；e＝a
′⊙vꢀꢀ
(5)式中，
⊙
表示按元素相乘；步骤s5，设置yolo v5模型的参数并进行训练：设置yolo v5模型的迭代次数、初始学习率、动量参数、批次大小等参数，将步骤s4进行特征增强后得到的数据进行迭代训练；步骤s6，摄像设备实时监测区分鸡只健康度：使用步骤s5训练后的yolo v5模型对摄像设备实时采集的图像进行监测，从中分类标记出健康鸡只和病态鸡只。2.按照权利要求1所述的鸡只健康度监测方法，其特征在于：步骤s2所述的损失阈值τ为0.7。3.按照权利要求1所述的鸡只健康度监测方法，其特征在于，步骤s2中判断小目标损失是否达到损失阈值τ的过程为：式中，i
t+1
表示在t+1次迭代中输入的小目标数据，i
c
表示选择拼接图像，i表示选择正常图像，表示t次迭代中小目标对象的损失比例。4.按照权利要求1所述的鸡只健康度监测方法，其特征在于，步骤s2中对图像进行数据增强的方法为：采用mosaic+数据增强的方式，即，利用4张图片裁剪、缩放、旋转并进行拼接。5.按照权利要求1所述的鸡只健康度监测方法，其特征在于，步骤s3所述的k-means聚类算法是一种结合二叉树的k-means改进算法，包括以下步骤：步骤s31，求取并输入数据集中的各个样本点的重心；步骤s32，计算各点到重心的欧式距离；步骤s33，将距离重心最近的点作为质心，即根节点来构建二叉树，如出现距离重心最近的点有多个的情况，则将这些点映射在不同坐标上，将映射后的数值依次比较，保留出现较小数值的点，最终确定一个点作为根节点；步骤s34，求其余点到根节点的欧氏距离，以这些点中离根节点最近的点作为该根节点
的左子节点，如出现距离根节点最近的点有多个的情况，解决方法参考步骤s33；步骤s35，对其余节点同样遵循离其最近的点作为其左子节点的规则，若节点到离其最近的节点的欧氏距离大于该节点与其父节点的欧氏距离，则离其最近的点作为其右子节点；步骤s36，对暂无右子节点的节点，求其余点到此节点的欧氏距离并将距离最近点作为其右子节点；如出现距离该节点最近的点有多个的情况，解决方法参考步骤s33；步骤s37，计算从根节点到最右子节点的所有节点欧式距离，并取平均值，将各距离与平均值比较，把大于等于平均值的欧氏距离相关的两个节点切割开，至此完成数据集中各个点的分类；根据上述基于二叉树的k-means改进算法可得到二叉树，并依据基于二叉树的k-means改进算法进行节点切割。6.按照权利要求1所述的鸡只健康度监测方法，其特征在于：步骤s5中，所述的迭代次数为20000次，初始学习率为0.001，动量参数为0.92，批次大小为64；在进行迭代训练时，使用warmup训练方法预热，采用一维线性插值对学习率进行更新，预热结束后，采用余弦退火策略对学习率进行更新，余弦退火超参数
技术总结本发明公开了一种基于改进的YOLOv5的鸡只健康度监测方法，包括以下步骤：从大数据中心获取数据，进行预处理，构建数据立方体；对图像数据进行预处理；对Yolov5采用的先验锚框进行选取；利用最邻近上采样改进算法对图像数据进行特征增强；设置Yolov5模型的参数并进行训练：摄像设备实时监测区分鸡只健康度。本发明的鸡只健康度监测方法，不仅可以丰富数据集，而且可以有效节省GPU的使用，起到合理分配运算资源的作用，有效避免了初始质心选择的随机性，减少了算法执行过程中过多的人为干涉，有效避免了因通道数减少而造成的语义信息丢失，充分利用高层语义信息，提高了监测精度。提高了监测精度。提高了监测精度。
技术研发人员：蒙艳玫 张佳承 韦锦 董振 蒙丽雯
受保护的技术使用者：广西大学
技术研发日：2022.07.07
技术公布日：2022/11/1
