一种基于改进的YOLOv5算法的羊群计数方法

本发明属于计算机视觉目标检测领域，尤其涉及一种基于改进的yolov5算法的羊群计数方法。

背景技术：

1、草原作为世界上分布最广的重要的陆地植被类型之一，在维护生物多样性、净化空气、固碳、调节水土流失和沙尘暴等方面具有重要的生态功能。合理的放牧政策是带动区域经济、防止草原沙漠化及保障民生的关键，放牧优化问题的研究也为国家、政府制定放牧政策和草原管理决策提供科学的依据。适度的放牧可以改善草原土壤质量、提高草原生物的多样性。因此，对放牧的羊群数量的有效检测是解决问题必不可少的一环。

2、传统的羊群计数方式以人工为主，耗费人力而且计数难度大，出错率高。尤其在羊群规模较大时，更加耗费时间、效率低下。羊群的数目不仅对于牧场监管人员重要，对牧民们更是重要。一旦羊群发生丢失，若不能及时发现，便会给牧民造成经济损失。因此对牧民们而言，一套能实时检测羊群的计数方案很重要，以便牧民们在发现羊群遗失时及时补救。

3、随着科学技术的发展，目前羊群计数的解决方案主要有射频标签技术与计算机视觉技术两大方向。射频标签技术主要是在羊只身上安装rfid电子标签，在羊群出入通道安装技术设备，该方法功能单一、成本较高，而且也不便于搬迁。随着计算机视觉技术的飞速发展，深度学习与视觉技术的结合也给羊群检测领域带来新的思路。目前，对于目标检测可以借助于深度学习技术来实现，比如rcnn，可以较为准确的检测出静态羊群数量，但是在实时性上有待提升。双阶段的目标检测方法以ssd和yolo系列较为火热，其中yolo系列算法在视频实时检测、轻量级网络中有更优的表现。

4、因此，亟需设计一种即能够解决耗费人力大、出错率高的问题，也能提高技术的实时性与准确性的羊群技术方法。

技术实现思路

1、发明目的：针对背景技术中指出的问题，本发明提供一种基于改进的yolov5算法的羊群计数方法，在计数准确性、可行性、实用性等方面都有提升，将深度学习与人工智能融入到传统畜牧产业，实现畜牧业智能化。

2、技术方案：本发明公开一种基于改进的yolov5算法的羊群计数方法，包括如下步骤：

3、步骤1：通过无人机采集草场羊群的图片作为原始样本数据集，并对其进行预处理，将其分成训练集、验证集；

4、步骤2：搭建羊群检测网络模型，所述羊群检测网络模型对yolov5s模型进行改进，改进yolov5s模型包括将骨干网络替换为轻量化的ghostnet网络，并在颈部引入ecanet通道注意力机制，并且在改进yolov5s模型基础上，采用知识蒸馏方法对模型进行压缩；

5、步骤3：训练步骤2中改进yolov5s模型，设置初始参数与预训练权重，最终将训练结果作为羊群检测网络模型的最优权重；

6、步骤4：输入验证集进行检测步骤3中训练后的羊群检测网络模型；

7、步骤5：利用改进训练后的羊群检测网络模型对羊群进行实时检测。

8、进一步地，所述步骤1中图片预处理包括：

9、将原始样本数据集中的羊只进行标注，标注的类包括羊和人两类；标注完成后，将标注文件的格式统一为txt格式。

10、进一步地，所述步骤2中搭建羊群检测网络模型之前还包括：利用k-means++聚类算法对羊群数据集中已经标注的ground truth聚类，优化yolov5模型的anchor参数，寻找更适合羊群目标检测的anchor参数。

11、进一步地，所述步骤2中轻量化的ghostnet网络具体为：

12、先通过conv生成特征图，然后对生成的特征图进行cheap操作生成冗余特征图，最后将conv生成的特征图与cheap操作生成的特征图进行concat操作。

13、进一步地，所述步骤2中ecanet的实现具体为：

14、eca模块去除了se模块中的全连接层，直接在全局平均池化层之后使用1x1卷积层；

15、通过一维卷积来完成跨通道间的信息交互，卷积核的大小通过一个函数来自适应变化，自适应函数为：其中γ＝2，b＝1。

16、进一步地，所述ecanet通道注意力机制具体实现过程如下：

17、(1)将输入特征图经过全局平均池化，特征图从[h,w,c]的矩阵变成[1,1,c]的向量；

18、(2)根据特征图的通道数计算得到自适应的一维卷积核大小kernel_size；

19、(3)将kernel_size用于一维卷积中，得到对于特征图的每个通道的权重；

20、(4)将归一化权重和原输入特征图逐通道相乘，生成加权后的特征图。

21、进一步地，所述步骤2中在改进yolov5模型基础上，采用知识蒸馏方法对模型进行压缩的具体操作为：

22、采用传统yolov5m模型作为教师模型，本发明步骤2中改进yolov5s模型作为学生模型进行蒸馏。

23、进一步地，所述步骤3中训练改进yolov5s模型时，设置初始参数与预训练权重，将训练迭代轮数epochs设置为300，初始学习率设置为0.01。

24、本发明具有如下技术优点或者有益效果：

25、本申请在计数准确性、可行性、实用性等方面都有提升，可以结合无人机从高空对放牧羊群的数目进行有效统计，对牧民财产保护和牧场的草蓄平衡都有重要意义和价值。

26、(1)本发明采用k-means++聚类算法对羊群数据集中已经标注的ground truth聚类，寻找更适合羊群目标检测的anchor参数。可以更好的满足羊群目标检测的需求。

27、(2)本发明采用轻量化的ghostnet网络作为骨干网络，在维持相似特征提取力的同时，降低模型复杂度和模型参数量，使网络轻量化，提高检测速度；并且研究表明模型的速度提升为原来的s倍。

28、(3)本发明在yolov5模型基础上增加ecanet通道注意力机制，ecanet可以看做是senet的改进版，避免了维度缩减，并有效捕获了跨通道交互。通过适当的跨通道交互，在保持性能的同时，减少参数的调整，降低模型的复杂性，提升网络的精度。

29、(4)本发明对改进yolov5模型进行知识蒸馏，是模型压缩的一种常用的方法，对模型进行蒸馏，可以解决占用显存高的问题，并且提高模型的速度，增加模型的准确度。

技术特征：

1.一种基于改进的yolov5算法的羊群计数方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于改进的yolov5算法的羊群计数方法，其特征在于，所述步骤1中图片预处理包括：

3.根据权利要求1所述的基于改进的yolov5算法的羊群计数方法，其特征在于，所述步骤2中搭建羊群检测网络模型之前还包括：利用k-means++聚类算法对羊群数据集中已经标注的ground truth聚类，优化yolov5模型的anchor参数，寻找更适合羊群目标检测的anchor参数。

4.根据权利要求2所述的基于改进的yolov5算法的羊群计数方法，其特征在于，所述步骤2中轻量化的ghostnet网络具体为：

5.根据权利要求2所述的基于改进的yolov5算法的羊群计数方法，其特征在于，所述步骤2中ecanet的实现具体为：

6.根据权利要求5所述的基于改进的yolov5算法的羊群计数方法，其特征在于，所述ecanet通道注意力机制具体实现过程如下：

7.根据权利要求1所述的基于改进的yolov5算法的羊群计数方法，其特征在于，所述步骤2中在改进yolov5模型基础上，采用知识蒸馏方法对模型进行压缩的具体操作为：

8.根据权利要求1所述的基于改进的yolov5算法的羊群计数方法，其特征在于，所述步骤3中训练改进yolov5s模型时，设置初始参数与预训练权重，将训练迭代轮数epochs设置为300，初始学习率设置为0.01。

技术总结
本发明提出一种基于改进的YOLOv5算法的羊群计数方法，首先利用无人机采集羊群图片，然后对图片中羊群进行标注，按照8:2的比例制作训练集和验证集，改进羊群检测模型并训练，构建YOLOv5s模型，采用轻量化的GhostNet网络作为骨干网络，引入ECANet通道注意力机制与知识蒸馏，降低模型复杂度和模型参数量，将验证集图像传输到改进后的模型中对羊群识别检测。与现有技术相比，本发明结合无人机从高空对放牧羊群的数目进行有效统计，在计数准确性、可行性、实用性等方面都有提升，将深度学习与人工智能融入到传统畜牧产业，实现畜牧业智能化。

技术研发人员：陈冬梅,赵环宇,赵延波,蔡萍萍,冯翔翊,刘伟,杜董生
受保护的技术使用者：淮阴工学院
技术研发日：
技术公布日：2024/1/13