(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 202211078547.4 (22)申请日 2022.09.05 (71)申请人 河北农业大 学 地址 071000 河北省保定市灵雨寺街289号 申请人 霍晓静 (72)发明人 霍哓静　王英超　王文娣　王辉　 唐娟　李丽华　张亭亭　 (51)Int.Cl. G06V 40/10(2022.01) G06V 10/10(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于改进YOLOv5模型的红外图像笼内 死鸡识别方法 (57)摘要 本发明提供了一种基于改进YOLOv5模型的 红外图像笼内死鸡识别方法， 主要包括以下步 骤： S1： 构建数据集， S2： 构建基于改进YOLOv5 的 红外图像笼内死鸡目标检测深度学习模型， S3： 训练和评估构建的基于改进YOLOv5的红外 图像 笼内死鸡目标检测深度学习模型。 本发明对 YOLOv5网络模型进行改进， 降低了笼内死鸡误 检、 漏检的情况， 精确率和召回率分别达到了 96.4％和91.2％。 在实际应用中， 可以将模型部 署在嵌入式端等设备中， 实现移动端实时检测笼 内死鸡状况。 权利要求书3页 说明书8页 附图2页 CN 115527234 A 2022.12.27 CN 115527234 A 1.一种基于改进YOLOv5模型的红外图像笼内死鸡识别方法， 其特征在于： 包括以下步 骤： S1： 构建数据集 S1‑1获取笼内鸡只的红外图像： 使用红外热像仪采集笼内鸡只的红外图像； S1‑2图像扩充处理： 在步骤1 ‑1的基础上， 对得到的鸡只的所述红外图像进行翻转、 旋 转， 并随机调整亮度， 采用基本图像处 理方法进行图像扩充， 得到数据集； S1‑3数据集标注： 使用图像标注工具Label img对步骤S1 ‑2获得的数据集进行 标注； S1‑4图像预处 理： 将标注好的数据集划分为训练集、 验证集和 测试集； S2： 构建基于改进YOLOv5的红外图像笼内死鸡目标检测深度学习模型 S2‑1构建改进YOLOv5模型 所述改进YOLOv5模型具体由输入端、 主干网络B ackbone、 颈部Neck和输出端四个部分 组成； S2‑2主干网络引入卷积注意力模块CBAM 在步骤2‑1的基础上， 在所述改进YOLOv5模型的主干网络Backbone提取网络的卷积层 中引入CBAM卷积注意力模块； 所述CBAM卷积注意力模块包括两个子模块， 他们分别是通道注意力模块和空间注意力 模块。 S2‑2.1通道注意力特 征图Mc的确定 所述通道注意力 模块首先将输入的F∈RC×H×W特征图， 分别 进行平均池化和最大池化两 种池化操作， 得到 两种特征信息 和 其中， C为特 征图通道数， H为高度， W 为宽度； 再将得到的所述两种特征信息 和 输入至两个全连接层MLP中， 之后进行 Sigmoid激活函数运 算， 最终得到通道 注意力特 征图Mc； 其计算公式如式下： 式中： F表示输入特征图， 代表sigmoid激活函数， MLP代表全连接操作， 代表全局 平均池化向量， 代表全局最大池化向量， W0和W1为两个输入 共享权重； S2‑2.2空间注意力特 征图Ms的确定 所述的空间注意力模块将所述输入特征图F∈RC×H×W与所述注意力特征图信息Mc的乘 积作为输入， 然后分别进行平均池化和最 大池化操作得到两个特征信息 和 并将其 拼接成特 征图； 对所述特征图首先进行卷积核大小为7*7和卷积核个数为1的卷积操作， 再进行 Sigmoid激活函数运算得到最终的空间注意力 特征图Ms， 所述空间注意力特征图Ms的计算 公式如下： 式中： f7×7代表卷积核大小为7 ×7的卷积运算， 代表全局平均池化特征图， 代表 全局最大池化特 征图；权　利　要　求　书 1/3 页 2 CN 115527234 A 2S2‑2.2获取最终的注意力特 征图 所述CBAM卷积注意力模块将所述通道注意力特征图Mc以及所述空间注意力特征图Ms 依次进行通道注意力加权和空间注意力加权， 从而得到最终经注意力加权后的特征图F"， 其计算公式如下： 式中F为输入特征图， 为元素乘法， Mc为通道注意力特性图， F'为经通道注意力机制 加权得到特 征图， Ms为空间注意力特 征图， F"为注意力机制加权得到特 征图； S2‑3 Neck网络添加双向特 征金字塔网络BiFPN 在S2‑2的基础上， 在所述改进YOLOv5模型的Neck网络上加入双向特征金字塔网络 BiFPN； 所述双向特征金字塔网络BiFPN首先利用跨尺度连接方式， 在相同层级 的输入和输出 之间使用残差连接的方式增 加一个连接； 所述双向特征金字塔网络BiFPN再使用加权特征融合方式， 通过为每个输入的特征赋 予相应的权 重统一特 征分辨率信息， 以此来融合 不同分辨 率的特征； 完成基于改进YOLOv5的红外图像笼内死鸡目标检测深度学习模型的构建； S3： 训练和评估构建的基于改进YOLOv5的红外图像笼内死鸡目标检测深度学习模型； S3‑1设置模型训练参数： 将训练参数输入到S2构 建的基于改进YOLOv5的红外图像笼内 死鸡目标检测深度学习模型中； S3‑2将步骤S1 ‑4预处理后的所述训练集和所述验证集的图像输入到步骤S3 ‑1设置模 型训练参数后的基于改进YOLOv5的红外图像笼内死鸡目标检测深度学习模型中； 采用训练集对所述改进 的YOLOv5模型进行训练， 通过验证集验证训练的分类效果， 得 到训练后的网络模型； S3‑3在步骤S3 ‑2的基础上， 将步骤S1 ‑4预处理后的所述测试集图像输入到改进的 YOLOv5模 型中， 主干网络提取笼内死鸡的特征信息， 对 特征信息进行加权特征信息融合， 获 得识别结果； S3‑4根据步骤3 ‑3的识别结果， 对基于改进YOLOv5的红外图像笼内死鸡目标检测深度 学习模型进行评估。 2.根据权利要求1所述的基于改进YOLOv5模型的红外图像笼内死鸡识别方法， 其特征 在于： 所述步骤S1 ‑3中所述标注工具Labelimg对图像数据集进行标注后， 得到VOC格式的 xml文件， 所述文件 包含死鸡在图像中的位置信息和死鸡类别 信息。 3.根据权利要求1所述的基于改进YOLOv5模型的红外图像笼内死鸡识别方法， 其特征 在于： 所述步骤S1 ‑4图像预处理中的预处理方法具体包括： 随机选取70％的所述红外图像 作为训练集， 20％的所述红外图像作为验证集， 10％的所述红外图像作为测试集； 所述的红 外图像通过红外热像仪采集。 4.根据权利要求1所述的基于改进YOLOv5模型的红外图像笼内死鸡识别方法， 其特征 在于： 所述步骤S3 ‑1中， 训练参数设定为： 初始学习率0.01， 优化器为Adam， 权重衰减为 0.001， 动量参数为0.9， 批量大小为16， 训练迭代次数 epochs为300。 5.根据权利要求1所述的基于改进YOLOv5模型的红外图像笼内死鸡识别方法， 其特征权　利　要　求　书 2/3 页 3 CN 115527234 A 3