基于SEEC-YOLO v5s的散养蛋鸡日常行为识别与统计系统.pdf
《基于SEEC-YOLO v5s的散养蛋鸡日常行为识别与统计系统.pdf》由会员分享,可在线阅读,更多相关《基于SEEC-YOLO v5s的散养蛋鸡日常行为识别与统计系统.pdf(13页珍藏版)》请在咨信网上搜索。
1、2023年9 月第54卷第9 期农报学业机械doi:10.6041/j.issn.1000-1298.2023.09.032基于SEEC-YOLO v5s 的散养蛋鸡日常行为识别与统计系统杨断利1,2王永胜1,2陈辉3.4孙二东王连增6宁炜7(1.河北农业大学信息科学与技术学院,保定0 7 10 0 1;2.河北省农业大数据重点实验室,保定0 7 10 0 1;3.河北农业大学动物科技学院,保定0 7 10 0 1;4.农业农村部肉蛋鸡养殖设施工程重点实验室,保定0 7 10 0 1;5.河北桃木疙瘩农业科技股份有限公司,保定0 7 430 0;6.河北省蛋鸡产业技术研究院,邯郸0 56 0
2、0 7;7.成都小巨人畜牧设备有限公司,成都6 11435)摘要:针对鸡只个体较小、个体间存在遮挡,对蛋鸡日常行为识别造成干扰的问题,提出了一种基于SEECYO LOv5s的蛋鸡日常行为识别方法。通过在YOLOv5s模型输出部分添加SEAM注意力模块、在特征融合部分引入显式视觉中心模块(EVCBlock),扩大了模型的感受野,提高了模型对小个体遮挡情况下的目标识别能力,提升了模型对蛋鸡站立、采食、饮水、探索、啄羽和梳羽6 种行为的识别精度。提出了一种基于视频顿数与视频顿率比值计算蛋鸡日常行为持续时间的统计方法,并对蛋鸡群体一天之中不同时间段及全天各行为变化规律进行了分析。将改进后的模型进行封装
3、、打包,设计了蛋鸡日常行为智能识别与统计系统。试验结果表明,SEECYO LO v 5s 模型对6种行为识别的平均精度均值为8 4.6 5%,比YOLOv5s模型高2.34个百分点,对比FasterRCNN、YO LO X s、YOLOv4-tiny和YOLOv7-tiny模型,平均精度均值分别提高4.30、3.0 6、7.11、2.99个百分点。本文方法对蛋鸡的日常行为监测及健康状况分析提供了有效的支持,为智慧养殖提供了借鉴。关键词:蛋鸡;日常行为识别;SEAM模块;EVCBlock模块;YOLOv5s中图分类号:TP391.4文献标识码:A文章编号:10 0 0-12 98(2 0 2 3
4、)0 9-0 316-13OSID:Daily Behavior Recognition and Real-time Statistics System ofFree-range Laying Hens Based on SEEC-YOLO v5sWANG Yongsheng1,2CHEN Hui3.4SUN ErdongWANG Lianzeng6YANG Duanlil,2NINGWei(1.College of Information Science and Technology,Hebei Agricultural University,Baoding 071001,China2.He
5、bei Key Laboratory of Agricultural Big Data,Baoding 071001,China3.College of Animal Science and Technology,Hebei Agricultural University,Baoding 071001,China4.Key Laboratory of Broiler and Layer Facilities Engineering,Ministry of Agriculture and Rural Affairs,Baoding 071001,China5.Hebei Taomu Geda A
6、gricultural Science and Technology Co.,Ltd.,Baoding 074300,China6.Hebei Layer Industry Technology Research Institute,Handan 056007,China7.Chengdu Little Giant Animal Husbandry Equipment Co.,Ltd.,Chengdu 611435,China)Abstract:The small size of the chickens and the shading of the chickens from each ot
7、her are factors thatmake it difficult to identify the daily behaviour of laying hens.To address this problem,a method of dailybehavior identification of laying hens based on SEEC-YOLO v5s was proposed.By adding a SEAMattention module(separated and enhancement attention module)to the output part of t
8、he YOLO v5smodel and introducing an EVCBlock module(e x p l i c i t v i s u a l c e n t e r)t o t h e f e a t u r e f u s i o n p a r t,t h eperceptual field of the model was expanded,the recognition ability of the model for occluded targets wasimproved,and the recognition accuracy of the model for
9、the six behaviors of standing,feeding,drinking,exploring,feather pecking and grooming of laying hens was improved.A statistical method was proposedto calculate the duration of daily behavior of laying hens based on the ratio of video frames to video framerate,and various behavioral changes of laying
10、 hens at different times of the day and throughout the day收稿日期:2 0 2 3-0 3-2 2 修回日期:2 0 2 3-0 6 12基金项目:国家自然科学基金项目(32 17 2 7 7 9)、财政部和农业农村部:国家现代农业产业技术体系项目(CARS-40)和河北省科技研发平台建设专项(2 2 56 7 6 150 H)作者简介:杨断利(197 3一),女,副教授,主要从事机器视觉、智能检测与控制研究,E-mail:50 2 2 17 591 q q.c o m通信作者:陈辉(198 1一),女,教授,博士生导师,主要从事禽舍环
11、境与工程研究,E-mail:5316 1310 7 q q.c o m317杨断利J等:基于SEEC-YOLOv5s的散养蛋鸡日常行为识别与统计系统第9 期were analyzed.The improved model was encapsulated and packaged to develop an intelligentidentification and automatic statistics system for the daily behavior of laying hens.The test results showedthat the mAP of SEEC-YOLO
12、v5s model for six behaviors recognition was 84.65%,which was 2.34percentage points higher than that of YOLO v5s model,and compared with that of Faster R-CNN,YOLO X-s,YOLO v4-tiny and YOLO v7-tiny models,the mAP was improved by 4.30 percentagepoints,3.06 percentage points,7.11 percentage points and 2
13、.99 percentage points,respectively.Themethod can provide effective support for daily behavior monitoring and health condition analysis of layinghens,and provide a reference for smart farming.Key words:laying hens;daily behavior recognition;SEAM module;EVCBlock module;YOLO v5s0引言我国蛋鸡养殖业发展迅速,目前已经成为鸡蛋产
14、量最多的国家 I-2】。随着物质生活的提高,人们对优质蛋白的市场需求也在不断扩大,食品安全需要养殖业减抗、无抗生产 3。健康养殖是实现无抗养殖的前提,家禽的行为信息与其生理健康状况密切相关 4-5。目前,对蛋鸡健康状况的监测主要采用人工观察的方式,此方法不仅需要大量的劳动力、效率低下,而且易受主观因素影响。近年来,国内外学者在机器视觉技术识别动物行为研究领域开展了大量研究。李丽华等 6 通过K-means聚类算法实现了对本交笼种鸡的采食、饮水、打斗、交配和振翅行为的识别。RIDDLE等 7 手动识别了图像中的蛋鸡站立、躺卧、栖息、拍打翅膀、沐浴灰尘等行为。劳凤丹等 8 通过对蛋鸡图像的分割、形
15、态学处理提取参数、利用贝叶斯分类的方法,实现了对单只蛋鸡的运动、饮水、采食、修饰、抖动、休息、拍翅膀、探索、举翅膀行为的识别。刘修林 9 利用最大类间方差法实现了复杂背景下的鸡体分割,然后根据位置信息实现了啄食、饮水、运动、静止行为的识别。XIAO等 10 通过改进活动轮廓模型,分割出笼养鸡的图像技术,提出了一种利用双目视觉系统获取行为信息的检测方法。ZHUANG等 首先从复杂背景中提取家禽目标,然后计算家禽骨架结构、建立特征向量,对家禽是否处于啄食状态进行了分析,同时利用支持向量机方法对家禽的健康状况进行了评估。上述文献在动物行为识别方面取得了相应的进展,但这些研究方法均具有人工图像分割、手
16、动提取参数或特征的特点,分割效果依赖于人的主观经验,无法保证分割精度的稳定性。随着深度学习技术的发展,越来越多的学者开始尝试将深度学习技术应用于动物行为识别。王凯【12 提出了改进YOLOv3模型(TDYO LO v 3),实现了对蛋鸡的采食、躺、站立、探索和修饰行为的检测。WANG等 13 采用YOLOv3模型和迁移学习的方法,实现了对笼内2 0 只蛋鸡的交配、站立、喂食、散步、打架和饮水6 种行为的识别。MBELWA等 14 通过改进的卷积神经网络(CNN),并采用迁移学习的方法,通过对鸡粪便的识别,实现了对患有疾病鸡的检测。ZHANG 等 15 通过改进的 ResNet 模型(ResNe
17、t-FPN),实现了对病鸡的检测。WANG等 16 应用RPN+ResNet模型根据粪便种类,实现对消化疾病的检测,从而对鸡的健康状况进行预测。LIN等17 利用FasterR-CNN模型实现了鸡只运动和饮水行为的识别。不仅站立、采食、饮水、探索和梳羽行为能够反映蛋鸡的健康状况,啄羽行为也能反映蛋鸡的健康状况 18 。上述文献在蛋鸡健康状态的行为识别中,鸡舍背景简单且缺少对蛋鸡啄羽行为的关注。利用深度学习技术识别蛋鸡行为,具有网络模型自动提取行为特征、不需人工参与的特点,不仅能够解决人工观察法耗费大量劳动力的弊端,而且还能够解决图像处理法的分割效果依赖于人的主观性、分割精度不稳定的问题 19。
18、因此,本研究基于深度学习技术,选用YOLOv5模型,通过引人SEAM注意力模块和显式视觉中心模块(EVCBlock),对YOLOv5模型进行优化,实现遮挡情况下的小个体蛋鸡站立、采食、饮水、探索、啄羽和梳羽6 种日常行为的自动识别,提升模型的识别精度。在行为识别的基础上,进一步对蛋鸡群体行为的变化规律进行统计分析。1数据采集与预处理1.1数据采集本试验于2 0 2 2 年9月7 2 4日在河北桃木疙瘩农业科技股份有限公司中庄养殖基地长3m、宽2m、柱高1.2 m、顶高2 m的移动式鸡舍内饲养了20只健康状态良好的太行山蛋鸡,鸡舍内部放置一个食槽、一个饮水桶和一个产蛋箱,于每日0 9:0 0 和
19、15:00喂食、拾取鸡蛋。试验采用焦距为2.8 mm、顿率为2 5f/s、分辨率为2 56 0 像素192 0 像素的海康威视(DS2 CD 3T 56 FW D V2 15)广角摄像头对蛋鸡每日0 9:0 0 一18:0 0 间的日常行为进行录制,农3182023年机报学械业并通过网线将数据传输到容量为4TB的海康威视网络硬盘录像机(DS-7804N-K1/4P(D)中。摄像头安装在鸡舍内部中间顶部,距地面2 m,垂直向下拍摄 2 0 。采集环境如图1所示。摄像头食槽蛋箱饮水桶图1采集环境Fig.1Acquisitionenvironment1.2数据预处理本文选择蛋鸡站立、采食、饮水、探索
20、、啄羽和梳羽共6 种与蛋鸡健康状况评估相关的行为作为研究对象,蛋鸡行为判定标准如表1所示,各行为示例如图2 所示。表1登蛋鸡行为判定标准Tab.1Laying hens behavior determination criteria行为种类行为描述标签站立鸡只腿部直立,支撑身体stand采食鸡只在食槽前,头部探人食槽eat饮水鸡只在饮水桶旁,头部探人饮水桶drink探索鸡只处于站立状态下,头部低下explore啄羽鸡只用喙啄其它鸡只peck梳羽鸡只用喙梳理自己的羽毛preening feather(a)站立(b)采食(c)饮水(d)探索(e)啄羽(f)梳羽图2各行为示例图Fig.2Exampl
21、e diagrams of each behavior利用顿提取的方法每隔30 帧提取1幅图像,随机选择不同时间下的图像作为蛋鸡日常行为识别数据集。数据集中图像的质量会显著影响模型的训练效果 2 1,因此,需要对提取出的图像进行数据清洗,去除模糊图像。最后利用Labellmg工具对蛋鸡日常行为识别数据集进行标注,制作成Pascal Voc22格式数据集,并按照7:2:1的比例划分为训练集、验证集和测试集。为了避免模型过拟合,增强算法的鲁棒性 2 3本文采用离线增强方式,随机选择旋转、缩放、镜像的方式对训练集中的图像进行数据增强。数据增强后的样本如图3所示。(a)镜像、旋转、缩放(b)旋转、缩放
22、图3数据增强效果图Fig.3Data enhancement effect diagrams经过数据预处理后,蛋鸡日常行为识别数据集共包括30 19幅图像。如图3所示,同时对原图像进行了镜像、旋转和缩放操作,增加了图像的多样性。试验总体流程图如图4所示。数据采集截取图像图像标注使用LabelImg工具训练集、验证集、测试图像预处理数据集划分集比例为7:2:1模型训练图像数据增强模型验证及测试旋转缩放镜像蛋鸡行为识别结果分析图4试验总体流程图Fig.4General flow chart of experiment如图4所示,整个试验首先进行数据采集,获得蛋鸡日常行为图像,其次对图像进行预处理操
23、作,为模型训练做准备。经模型训练后,进行性能测试和结果分析。2蛋鸡日常行为识别方法2.1YOLOv5s网络结构YOLOv5模型兼顾了推理速度和检测精度 2 4根据网络结构的深度和宽度的不同,将YOLOv5模型分为YOLOv5n、YO LO v 5s、YO LO v 5m、YO LO v 51和YOLOv5x共5个版本。为了选取合适的版本,使用本试验的蛋鸡日常行为识别数据集分别训练上述5个模型,利用测试集进行识别效果评估,不同版319杨断利等:基于SEEC-YOLOv5s的散养蛋鸡日常行为识别与统计系统第9 期本的YOLOv5模型检测精度对比如表2 所示。表2不同版本的YOLOv5模型检测精度对
24、比Tab.2Comparison of detection accuracy of differentversions of YOLO v5 models精确率/召回率/F1值/平均精度模型参数量%均值/%YOLOv5n70.8270.0270.4272.061.770 106YOLOv5s81.5576.5278.9582.317.030 106YOLOv5m81.1879.5280.3482.892.087 107YOLOv5180.4579.0979.7683.574.614 107YOLO v5x80.6480.7480.6984.148.621 107从表2 可知,YOLOv5s模型
25、对蛋鸡日常行为识别的精确率为8 1.55%,召回率为7 6.52%,F1值为7 8.95%,平均精度均值为8 2.31%,参数量为7.0 310。与YOL0v5n模型相比,精确率、召回率、F1值和平均精度均值分别提升10.7 3、6.50、8.53、10.2 5个百分点,参数量仅增加5.2 6 10,与YOLOv5m、YO LO v 51以及YOLOv5x模型相比,虽然平均精度均值降低了0.58、1.2 6、1.8 3个百分点,但是参数量分别减少1.38 410 7、3.91110、7.918 10。综合模型检测精度和模型复杂度,本文选取YOLOv5s模型作为蛋鸡日常行为识别基本模型。YOLO
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于SEEC-YOLO v5s的散养蛋鸡日常行为识别与统计系统 基于 SEEC YOLO v5s 散养 蛋鸡 日常行为 识别 统计 系统
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。