基于目标检测与跟踪算法的群养羊只行为识别方法及系统

文档序号:40165415发布日期:2024-11-29 15:58阅读:39来源:国知局
基于目标检测与跟踪算法的群养羊只行为识别方法及系统

本发明属于农业信息化,尤其涉及一种基于目标检测与跟踪算法的群养羊只行为识别方法及系统。


背景技术:

1、羊养殖业是我国畜牧业的重要组成部分,并且我国的羊养殖业正由个体化养殖朝着规模化、集约化的方向发展。但是随着养殖规模与养殖密度的逐渐增大,羊群的患病概率也呈现上升趋势,以及羊只的精细化管理也受到了重大挑战。传统人工监测方式存在难以不间断监测,工作强度大,效率低,误诊率高等问题。

2、人工智能技术在各个领域中快速融合发展,羊的养殖也逐步向智能化方向转变,基于射频识别技术的可穿戴设备在羊只监测方面取得了一定的成功。但这样的方法也存在一定的缺点,例如可能需要在牲畜耳朵上打孔会对牲畜造成伤害,穿戴设备会因牲畜的运动而容易脱落以及在大型养殖环境下成本高。

3、计算机视觉技术在动物监测方面得到广泛应用,可提供一种无接触式、自动化的方式来实时监测羊的行为。但大部分已有的基于视频的计算机视觉技术对羊只监测方向都是针对羊只的计数统计,在实际的较大规模羊只养殖场景,更加需要对羊只行为进行监测以及实时追踪到每一只羊,以实现真正的精细化、无人化、智能化管理。

4、羊只的生活习性使得羊群会经常性的拥挤在一起,从而出现严重的长时间遮挡问题以及羊只外观特征极为相似又为目标追踪增加了难度。


技术实现思路

1、为克服上述现有技术的不足,本发明提供一种基于目标检测与跟踪算法的群养羊只行为识别方法及系统,用于在复杂场景下,通过高效准确的方法实现对群养羊只的实时多目标追踪与行为识别。

2、根据本发明说明书的一方面,提供一种基于目标检测与跟踪算法的群养羊只行为识别方法,包括:

3、获取群养羊只的视频数据;

4、将获取的群养羊只的视频数据输入训练后的yolov9c目标检测模型,输出羊只的位置和行为状态信息;

5、根据得到的羊只位置和行为状态信息,结合改进bytetrack算法,对所有羊只进行持续追踪;

6、其中,所述改进bytetrack算法包括:在创建新轨迹之前引入时间距离匹配模块,以及创建新轨迹时引入id延时分配机制;所述引入时间距离匹配模块用于结合长短时丢失轨迹队列,对卡尔曼滤波难以预测位置而丢失的目标再匹配,包括:对未匹配成功的高分检测框和长短时丢失轨迹计算两两之间的欧式距离;计算每个失追踪轨迹相对当前帧丢失追踪的时长;根据丢失轨迹与检测框之间的欧式距离,结合轨迹丢失时长,计算出轨迹与检测框两两之间的关系系数。

7、作为进一步的技术方案,所述yolov9c目标检测模型的训练包括:

8、获取群养羊只的图像数据集,并对挑选出的图像数据中的所有羊只进行标注,生成用于训练的数据集;

9、使用标注好的数据集训练yolov9c目标检测模型,得到最佳模型参数。

10、作为进一步的技术方案,所述改进bytetrack算法还包括:

11、设计一种长短时丢失轨迹队列,用于保存短时间的丢失轨迹以及长时间的丢失轨迹;

12、引入id延时分配机制,用于在高置信度检测框完全匹配失败后,延时分配目标。

13、作为进一步的技术方案,引入id延时分配机制,用于在高置信度检测框完全匹配失败后,延时分配目标,包括:

14、当前帧为第一帧时,分配新id与新轨迹并将新轨迹标记为已激活轨迹;

15、当前帧不为第一帧时,不分配新id,分配新轨迹并将新轨迹标记为未激活轨迹;

16、在未激活轨迹与检测框匹配阶段,该新轨迹连续匹配次数小于预设次数时,丢弃该新轨迹;

17、在未激活轨迹与检测框匹配阶段,该新轨迹连续匹配次数满足预设次数时,为该新轨迹分配新id并将轨迹标记为已激活轨迹。

18、作为进一步的技术方案,根据得到的羊只位置和行为状态信息,结合改进bytetrack算法,对所有羊只进行持续追踪,包括:

19、使用非极大值抑制算法筛除掉多余检测框,将删除后的检测结果输入改进bytetrack算法;

20、改进bytetrack算法按照检测框置信度得分将检测框分为高置信度和低置信度两组,使用卡尔曼滤波预测下一帧目标位置,预测轨迹与高分检测框进行第一次iou匹配,预测轨迹与低分检测框进行第二次iou匹配,未激活轨迹与高分检测框进行iou匹配,失追踪轨迹与高分检测框进行时间距离匹配;

21、使用匈牙利算法得到前三次匹配结果,按照时间距离关系系数大小得到最后一次匹配结果,根据匹配结果更新所有轨迹状态;

22、卡尔曼滤波更新,输出追踪结果。

23、根据本发明说明书的一方面,提供一种基于目标检测与跟踪算法的群养羊只行为识别系统,包括:

24、输入模块,用于获取群养羊只的视频数据;

25、目标识别检测模块,用于将获取的群养羊只的视频数据输入训练后的yolov9c目标检测模型,输出羊只的位置和行为状态信息;

26、目标追踪模块,用于根据得到的羊只位置和行为状态信息,结合改进bytetrack算法,对所有羊只进行持续追踪;其中,所述改进bytetrack算法包括:在创建新轨迹之前引入时间距离匹配模块,以及创建新轨迹时引入id延时分配机制;所述引入时间距离匹配模块用于结合长短时丢失轨迹队列,对卡尔曼滤波难以预测位置而丢失的目标再匹配,包括:对未匹配成功的高分检测框和长短时丢失轨迹计算两两之间的欧式距离;计算每个失追踪轨迹相对当前帧丢失追踪的时长;根据丢失轨迹与检测框之间的欧式距离,结合轨迹丢失时长,计算出轨迹与检测框两两之间的关系系数。

27、作为进一步的技术方案,所述yolov9c目标检测模型的训练包括:

28、获取群养羊只的图像数据集,并对挑选出的图像数据中的所有羊只进行标注,生成用于训练的数据集;

29、使用标注好的数据集训练yolov9c目标检测模型,得到最佳模型参数。

30、根据本发明说明书的一方面,提供一种电子设备,包括:至少一个处理器、至少一个存储器和通信接口;其中,所述处理器、存储器和通信接口相互间进行通信;所述存储器存储有被所述处理器执行的程序指令,所述处理器调用所述程序指令,以执行所述的方法。

31、根据本发明说明书的一方面,提供一种非暂态计算机读存储介质,所述非暂态计算机读存储介质存储计算机指令,所述计算机指令使所述计算机执行所述的方法。

32、与现有技术相比,本发明的有益效果在于:

33、本发明将yolov9c模型与改进后的bytetrack多目标追踪算法相融合,实现了在实际群养羊只养殖的复杂场景下,通过视频监控自动实现对羊只的多目标追踪与行为识别。本发明显著缓解了由于长时间遮挡、移动过快以及羊只外观特征相似等因素导致难以对羊群进行实时追踪与行为识别等问题。



技术特征:

1.基于目标检测与跟踪算法的群养羊只行为识别方法,其特征在于,包括:

2.根据权利要求1所述基于目标检测与跟踪算法的群养羊只行为识别方法,其特征在于,所述yolov9c目标检测模型的训练包括:

3.根据权利要求1所述基于目标检测与跟踪算法的群养羊只行为识别方法,其特征在于,所述改进bytetrack算法还包括:

4.根据权利要求3所述基于目标检测与跟踪算法的群养羊只行为识别方法,其特征在于,引入id延时分配机制,用于在高置信度检测框完全匹配失败后,延时分配目标,包括:

5.根据权利要求1所述基于目标检测与跟踪算法的群养羊只行为识别方法,其特征在于,根据得到的羊只位置和行为状态信息,结合改进bytetrack算法,对所有羊只进行持续追踪,包括:

6.基于目标检测与跟踪算法的群养羊只行为识别系统,其特征在于,包括:

7.根据权利要求6所述基于目标检测与跟踪算法的群养羊只行为识别系统,其特征在于,所述yolov9c目标检测模型的训练包括:

8.一种电子设备,其特征在于,包括:至少一个处理器、至少一个存储器和通信接口;其中,所述处理器、存储器和通信接口相互间进行通信;所述存储器存储有被所述处理器执行的程序指令,所述处理器调用所述程序指令,以执行权利要求1至5任一项权利要求所述的方法。

9.一种非暂态计算机读存储介质,其特征在于,所述非暂态计算机读存储介质存储计算机指令,所述计算机指令使所述计算机执行权利要求1至5中任一项权利要求所述的方法。


技术总结
本发明公开一种基于目标检测与跟踪算法的群养羊只行为识别方法及系统,方法包括:对ByteTrack追踪算法进行改进,在创建新轨迹之前引入时间距离匹配模块,在高分框完全匹配失败后,创建新轨迹时引入ID延时分配机制;采集并制作目标检测数据集,将羊只行为分为站立(stand)、进食(eat)、趴卧(grovel)三种状态;使用YOLOv9c目标检测算法检测视频图像中羊只位置坐标以及行为;ByteTrack算法处理来自YOLOv9c算法检测到的视频帧中羊只坐标及行为状态信息,对多只羊只同时进行追踪。本发明可应用于群养羊只养殖场管理,为实时监测羊只行为提供了一种有效的技术手段,很大程度上缓解了其他追踪算法难以长时间持续追踪的问题。

技术研发人员:郑芳,李国亮,夏传宇,田芳,李嘉位,倪福川
受保护的技术使用者:华中农业大学
技术研发日:
技术公布日:2024/11/28
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1