(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211159949.7 (22)申请日 2022.09.22 (71)申请人 四川农业大 学 地址 625000 四川省雅 安市雨城区新康路 46号 (72)发明人 谢天宇　蒋凯林　王建军　周蓓　 汪灵悦　闫瑞　袁嘉男　李丹阳　 郑兴泽　弓欣瑶　刘扬　刘芩利　 李焦　冯凌　 (74)专利代理 机构 成都巾帼知识产权代理有限 公司 5126 0 专利代理师 邢伟 (51)Int.Cl. G06V 40/10(2022.01) G06V 10/25(2022.01)G06V 10/764(2022.01) G06V 10/82(2022.01) (54)发明名称 一种基于目标检测和分类网络的麻鸭性别 分类识别方法 (57)摘要 本发明涉及一种基于目标检测和分类网络 的麻鸭性别分类识别方法， 包括： 构建数据集， 并 标注数据集中每张图像中的麻鸭全身； 对数据进 行预处理， 然后进行自适应图片缩放， 再通过 Focal Loss对目标检测中正负样本比例进行调 节； 通过添加CB AM注意力机制的Yolov7网络 结构 对图像进行麻鸭头部的目标检测得到麻鸭头部 图像， 并进行筛选和统一尺寸后输入到分类网络 中， 对麻鸭头部图像进行性别分类， 得到麻鸭性 别比例。 本发 明可通过计算机数据库可以记录每 一只麻鸭的生长、 销售的全过程， 实现麻鸭生长 信息可追踪、 鸭肉来源可追溯、 鸭肉去向可记录， 有利于在未来构建产品来源可追溯、 去向可查 证、 责任可追究的智能化产业追溯体系。 权利要求书2页 说明书9页 附图3页 CN 115471871 A 2022.12.13 CN 115471871 A 1.一种基于目标检测和分类网络的麻鸭性别分类识别方法， 其特征在于： 所述性别分 类识别方法包括： 构建数据集， 并根据边界框标注规则标注数据集中每张图像中的麻鸭全身； 通过Mixup数据增强、 Mosaic数据增强和HSV颜色空间增强的方法对数据进行预处理， 然后进行自适应图片缩放， 再通过 Focal Loss对目标检测中正负 样本比例进行调节； 使用CBAM注意力机制改进Yolov7网络结构， 通过添加CBAM注意力机制的Yolov7网络结 构对经过 处理后的图像进 行麻鸭头部的目标检测得到麻鸭头部图像， 并对麻鸭头部图像进 行筛选和统一尺寸后输入到VovNet_27slim分类网络中， 由分类网络对麻鸭头部图像进行 性别分类， 得到麻鸭性别比例。 2.根据权利要求1所述的一种基于目标检测和分类网络的麻鸭性别分类识别方法， 其 特征在于： 所述Mixup数据增强包括： 将不同类之间的图像进行融合， 以线性插值的方式构 建新的训练样本和标签， 从而扩充训练数据集， 通过以下公式对数据标签进行处 理： 其中， (xi,yi)和(xj,yj)两组数据对表示原始数据集中的训练样本和 其对应的标签， 表示进给Mixup数据增强操作后的训练样本， 表示 所对应的标签， λ表示由参数为a， b的 Beta分布计算出来的混合系数， a和b分别表示两种不同类图像的融合比例。 3.根据权利要求2所述的一种基于目标检测和分类网络的麻鸭性别分类识别方法， 其 特征在于： 所述Mosaic数据增强包括： 从经过Mixup数据增强后的麻鸭数据集中随机提取一批图像数据， 并从中随机选择4张 图像进行随机缩放、 随机分布拼成新图像； 重新选择不同一批尺寸的图像数据， 再从中随机选择4张图像进行随机缩放、 随机分布 拼成新图像， 得到 Mosaic数据增强后的数据。 4.根据权利要求3所述的一种基于目标检测和分类网络的麻鸭性别分类识别方法， 其 特征在于： 所述自适应图片缩放包括： 计算缩放比例： 设置原始图片的尺寸是x1×y1， 原始缩放图片的尺寸是x2×y2， 将原始缩 放图片的长、 宽对应除以原始图片的长、 宽后， 得到α和β 两个缩放系数， 选择其中小的缩放 系数φ＝mi n( α, β )， 其中， x2/x1＝α， y2/y1＝β； 计算缩放后的尺寸： 将原始图片的长、 宽都乘以较小的缩放系数α后， 得到期望缩放图 片的尺寸x3×y3， 其中， x1*φ＝x3， y1*φ＝y3； 计算黑边填充数值： 将原始缩放图片的宽度减去期望缩放图片的宽度后， 得到需要填 充的原始黑边宽度m1； 然后对该黑边宽度 取余， 除数为128， 得到期望黑边宽度m2； 最后将期 望黑边宽度除以2， 即将填充的黑边均分到期望缩放图片的两端， 将x1×y1的图片缩放到了 x3×(y3+m2)。 5.根据权利要求1所述的一种基于目标检测和分类网络的麻鸭性别分类识别方法， 其 特征在于： 所述Focal  Loss的计算公式包括： FL(pt)＝‑αt(1‑pt)γlog(pt) 通过调整loss的计算公式提高网络结构准确度， 其中， pt是不同类别的分类概率； γ是权　利　要　求　书 1/2 页 2 CN 115471871 A 2一个大于0的值， 称为调制系数， 通过减少易分类样本的权重， 从而使得模型在训练时更专 注于难分类的样本； αt是一个[0， 1]间的小数， 通过设定αt的值控制正负样本对总的loss的 共享权重， 取小的值降低负样本的权重； γ和αt都是固定值， 不参与训练， 二者的组合使得 Focal loss既能控制难易分类样本的权 重， 又能调整正负 样本的权 重。 6.根据权利要求1所述的一种基于目标检测和分类网络的麻鸭性别分类识别方法， 其 特征在于： 所述使用CBAM注意力机制改进Yolov7网络结构包括： Yolov7网络结构包括输入 端模块、 Backbone模块、 Hea d模块和Prediction模块； 将CBA M注意力机制添加到Yolov7网络 结构中的所述Backbo ne模块和所述Head模块之间， 以加强特 征的提取。 7.根据权利要求1所述的一种基于目标检测和分类网络的麻鸭性别分类识别方法， 其 特征在于： CBAM包括通道注意力模块和空间注意力模块， CBAM注意力机制提取特征图的流 程如下： 通道注意力模块将输入的尺寸为H*W*C特征图分别经过一个全局最大池化操作和全局 平均池化操作， 得到两个尺寸为1*1*C的特征图， 将 两个特征图分别送入一个两层的神经网 络； 随后将输出的特征进行基于element ‑wise的加和操作， 再经过sigmoi d激活操作， 生成 最终的channel  attention  feature， 最后将channel  attention  feature与原始 输入特征 图进行乘法操作， 得到空间注意力模块的输入特 征； 空间注意力模块将前一步获得的特征图作为输入特征图经过一个全局最大池化操作 和全局平均池化操作， 得到两个尺寸为H*W*1的特征图并且进 行concat操作， 对 特征图进行 降维操作之后， 再经过sigmoid激活操作生成spatial  attention  feature， 最后将spatial   attention feature与输入特 征图进行乘法操作， 得到最终的特 征图。 8.根据权利要求1 ‑7中任意一项所述的一种基于目标检测和分类网络的麻鸭性别分类 识别方法， 其特 征在于： 所述 性别分类识别方法还 包括评价 步骤， 所述评价 步骤包括： 通过 来表示预测结果为正例的样本中为正样本的比例， 以及通过 表示预测结果 为正样本中实际正样本数量占全样本中正样本的比例， 其中， TP表示正样本预测为 正类， FP表示负 样本预测为 正类， FN表示 正样本预测为负类； 根据Precisi on和Recal l计算精确率和召回率的加权平均F1 ‑sore， 即 其中， Precision体现模型对负样本的区分能 力， Precision越高， 模 型对负样本的区分能力越强， Recall体现模 型对正样 本的识别能力， Recall越高， 模型对正样本的识别能力越强， 而F1 ‑score是两者的综合， F1 ‑score越高， 则 表示模型越稳健。权　利　要　求　书 2/2 页 3 CN 115471871 A 3