(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 202210803960.6 (22)申请日 2022.07.07 (71)申请人 广西大学 地址 530004 广西壮 族自治区南宁市西乡 塘区大学东路10 0号 (72)发明人 蒙艳玫　张佳承　韦锦　董振　 蒙丽雯　 (74)专利代理 机构 南宁颂博远信知识产权代理 事务所(普通 合伙) 45141 专利代理师 吴宁芬 (51)Int.Cl. G06V 20/52(2022.01) G06V 10/82(2022.01) G06V 10/80(2022.01) G06V 10/762(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于改进的YOLOv5的鸡只健康度监测 方法 (57)摘要 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。 权利要求书3页 说明书8页 附图4页 CN 115272956 A 2022.11.01 CN 115272956 A 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Yo lo 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权　利　要　求　书 1/3 页 2 CN 115272956 A 2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}∈RC′ ×H×W， V∈RC×H×W； 如下所示： Q＝Reshape[Co nv1×1×C′(I)]T  (1) K＝Reshape[Co nv1×1×C′(I)]  (2) V＝Conv1×1×C′(I)  (3) 计算Q和K的关系矩阵A如式(4),A∈ RX×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∈RC×H×W； E＝A′ ⊙V  (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， It+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。 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权　利　要　求　书 2/3 页 3 CN 115272956 A 3