一种基于深度学习的家禽健康状态智能化模式识别方法与流程

本发明涉及深度学习与模式识别，具体而言，涉及一种基于深度学习的家禽健康状态智能化模式识别方法。

背景技术：

1、家禽养殖业是农业生产的重要组成部分，家禽健康状态的精准识别对于疫病防控、降低经济损失和保障食品安全具有重要意义。近年来，深度学习技术尤其是视觉transformer（vision transformer，vit）在图像识别领域取得了显著进展，为家禽健康状态识别提供了新的技术思路。然而，实际应用仍面临以下关键难题：

2、一方面，现有加权损失函数或仅基于单个样本的预测置信度计算权重，未从类别整体层面感知各类别的学习难度，同一类别内部权重不一致；或仅依赖样本数量，无法反映各类别在训练过程中的动态变化。此外，损失感知与频率感知的融合系数多依赖人工经验设定，缺乏自适应调整能力。

3、另一方面，现有群体智能优化算法的所有个体共享同一适应度函数，易以牺牲部分类别性能为代价；同时，现有算法的协作机制仅依赖全局最优或个体最优进行位置更新，缺乏对搜索历史信息的利用，在大规模超参数空间中收敛慢、效率低；最后，现有方法仅进行单次完整训练评估，每次评估计算量巨大，缺乏“先粗筛、再精调”的分阶段策略，导致超参数搜索效率低下，难以在有限计算资源下获得最优配置。

4、综上所述，现有技术亟需一种能够从类别层面动态感知各类别学习难度、自适应融合多维度加权信号、并实现超参数高效自动优化的家禽健康状态识别方法。

技术实现思路

1、本发明的目的在于提供一种基于深度学习的家禽健康状态智能化模式识别方法，以解决现有技术中加权损失函数缺乏类别层面动态感知、群体智能优化算法个体目标同质化、以及超参数寻优缺乏分阶段递进机制的技术问题，最终提升了家禽健康状态智能识别准确率。

2、本发明是这样实现的：

3、实现本发明目的技术解决方案为：一种基于深度学习的家禽健康状态智能化模式识别方法，其特征在于，包括以下步骤：

4、步骤s1：获取家禽粪便图像数据集及健康状态标签；

5、步骤s2：构建基于视觉transformer的家禽健康状态识别基线深度学习模型；

6、步骤s3：构建动态加权损失函数；所述动态加权损失函数中，各类别的加权系数由该类别当前批次的平均损失与类别频率分布的加权融合结果动态确定，并通过指数移动平均进行平滑处理；

7、步骤s4：采用群体智能优化算法对所述动态加权损失函数中的超参数进行两阶段寻优，获得最优超参数组合；所述群体智能优化算法包含n个精英个体，每个精英个体对应一个类别，以该类别对应的f1分数作为该个体的专属适应度函数，各精英个体通过历史梯度估计和群体协作信息进行位置更新，实现超参数的并行搜索与协同优化；

8、步骤s5：基于所述最优超参数组合，采用所述动态加权损失函数对所述基线深度学习模型进行训练，获得目标深度学习模型；

9、步骤s6：将待识别的家禽粪便图像输入所述目标深度学习模型，输出健康状态识别结果。

10、进一步的，步骤s3中，所述加权损失函数为基于类别感知的动态加权损失函数，该损失函数通过以下步骤确定各类别的加权系数：

11、步骤s31：获取当前训练批次中各类别的样本数量nc ；

12、步骤s32：计算当前批次中各类别的平均交叉熵损失lc；

13、lc=1/bc×σi:yi =c(-log(p(yi∣xi)))

14、其中，i为当前批次中的样本序号，xi为第 i 个样本，yi为第 i个样本的真实类别标签，bc为当前批次中类别c的样本数量，p(yi∣xi)为模型对样本xi 预测为真实标签 yi的概率；

15、步骤s33：基于各类别的平均损失 lc，通过温度缩放计算损失感知权重：

16、wcloss=exp(lc/τ)/ (σj=1:c(exp(lj/τ)))×c

17、其中， wcloss为类别 c的损失感知权重，c为类别总数，τ为温度系数；

18、步骤s34：基于各类别的样本数量nc，计算频率感知权重wcfreq：

19、wcfreq=1/nc/(σj=1:c(1/nj))×c

20、步骤s35：将所述损失感知权重和频率感知权重进行自适应融合，得到各类别的初始加权系数wc,ini，并对wc,ini归一化后得到各类别最终加权系数wc：

21、wc,ini=α×wcloss+(1-α)×wcfreq

22、wc = wc,ini/σj=1:c(wc,ini)×c

23、其中，α为平衡系数，用于控制损失感知和频率感知的融合比例；

24、步骤s36：采用指数移动平均对各类别的加权系数进行平滑处理，得到各类别的最终平滑加权系数：

25、oc(t)=β×oc(t-1)+(1-β)×wc(t)

26、其中，oc(t)和 oc(t-1)为第t轮和t-1轮迭代中类别c的最终平滑加权系数，β为动量系数，wc(t)为第t次迭代的加权系数。

27、步骤s37：利用所述最终平滑加权系数对标准交叉熵损失函数进行加权，得到基于类别感知的动态加权损失函数：

28、lcadwl=1/b×σi=1:b (oyi×-log(p(yi∣xi)))

29、其中，b为批次大小，其中，oyi为步骤s36中得到的样本xi所属类别yi的平滑加权系数。

30、进一步的，步骤s35中，所述平衡系数α随训练进度自适应调整：

31、α(e)= α0×(1-0.3e/t)

32、其中，α0为初始平衡系数，e为当前训练轮次，t为预设最大训练轮次；即训练初期更依赖频率感知权重以关注少数类，训练后期更依赖损失感知权重以精细化调整。

33、进一步的，步骤s4中，所述群体智能优化算法为基于类别感知的精英协同搜索算法，具体包括以下步骤：

34、步骤s41：初始化异质化精英种群：在超参数搜索空间内随机生成n个精英个体，所述精英个体的数量n与数据集的类别数量相等，每个精英个体i唯一对应一个类别ci，并以该类别的f1分数fci(θ) 作为该个体的专属适应度函数；

35、步骤s42：对每个精英个体进行目标函数初始评估，记录各精英个体的初始位置θi(0)和初始适应度值，并存储至该精英的评估历史中；

36、步骤s43：并行搜索更新：每个精英个体i根据其专属适应度函数和群体协作信息，按照以下双驱动力位置更新公式更新其位置：

37、θi(t+1)= θi(t)+ η(t)×▽fcih(θi(t))+ κ(t)×σj≠iωij×(θj(t)- θi(t))

38、其中，θi(t)为第i个精英个体在第t轮迭代中的位置，▽fcih(θi(t))为基于历史评估数据估计的适应度函数梯度方向，采用局部线性回归拟合梯度方向；η(t)为专属驱动力系数，κ(t)为协作驱动力系数，ωij为精英个体j对精英个体i的协作权重；

39、所述协作权重ωij由精英个体j在当前迭代中的适应度值fcj 和其与个体i在搜索空间中的距离共同决定：

40、ωij=exp(-dij2/2σ2)×fcj/(σk≠iexp(-dik2/2σ2)×fck)

41、其中，dij为个体i与个体j在搜索空间中的欧氏距离，dik为个体i与精英个体k在搜索空间中的欧氏距离，σ为距离尺度参数，协作权重ωij满足σj≠iωij=1；fck代表第 k个精英个体在当前迭代时的适应度值。

42、步骤s44：对更新后的精英个体进行目标函数评估，更新各精英个体的位置、适应度值和评估历史；

43、步骤s45：重复执行步骤s43至步骤s44，直至达到预设的迭代次数，各精英个体分别输出使其负责类别f1分数最大化的超参数组合，汇总后去重，形成候选参数集合。

44、进一步的，步骤s43中，所述专属驱动力系数η(t)和协作驱动力系数κ(t) 随迭代进程自适应调整：

45、η(t)=η0×(1-t/tmax)

46、κ(t)=κ0×t/tmax

47、其中，t为当前迭代次数，tmax为预设最大迭代次数，η0和 κ0分别为初始专属驱动力系数和初始协作驱动力系数；即优化初期以专属驱动力为主，各精英个体独立探索各自负责类别的最优区域；优化后期以协作驱动力为主，各精英个体相互牵引，促进候选参数的协同融合。

48、进一步的，步骤s4中，所述两阶段寻优具体包括：

49、第一阶段：采用步骤s4所述群体智能优化算法进行超参数搜索，以各精英个体负责类别的f1分数为专属适应度函数，对各候选超参数组合进行预设第一轮次数的模型训练评估，生成候选参数集合s；

50、第二阶段：以总体准确率为优化目标，在所述候选参数集合s上对各候选超参数组合进行预设第二轮次数的模型训练评估，选择使总体准确率最高的超参数组合作为最终最优参数；

51、其中，所述预设第一轮次数小于所述预设第二轮次数。

52、进一步的，步骤s43中，所述基于历史评估数据估计适应度函数梯度方向，具体方法为：

53、从评估历史中选取距当前位置θi(t)最近的k个历史点，构建局部线性模型：

54、f(θ)≈▽fcih·θ+b

55、其中，▽fcih为估计的适应度函数梯度方向，b为偏置项，通过最小二乘法求解所述局部线性模型的系数，取斜率向量作为梯度方向的估计值；当所述k个历史点共线或不足时，梯度方向估计值置为零向量。

56、本发明的有益效果是：

57、首先，本发明提出的基于类别感知的动态加权损失函数（class-aware dynamicweighted loss，cadwl），通过计算各类别当前批次的平均损失，从类别整体层面感知各类别的学习难度，克服了现有方法仅依赖单个样本置信度的缺陷；同时将损失感知与频率感知自适应融合，并采用指数移动平均进行平滑处理，保证了加权系数的稳定演化，融合系数随训练进度自适应调整，实现了训练阶段优化重点的平滑迁移。其次，本发明提出的基于类别感知的精英协同搜索算法（class-aware elite collaborative search，ceacs），通过异质化精英种群设计，使每个精英个体专属负责一个类别，克服了传统群体智能算法所有个体共享同一适应度函数导致部分类别性能被牺牲的缺陷；采用基于历史梯度估计的专属驱动力与基于距离和适应度加权的协作驱动力相结合的双驱动力更新机制，并在迭代过程中动态调整两种驱动力的权重，实现了探索与利用的有效平衡。最后，本发明采用两阶段递进寻优策略，第一阶段以较少训练轮次快速筛选候选参数，第二阶段以较多训练轮次精确评估最优参数，在保证优化精度的同时大幅降低了计算成本。本发明将类别感知动态加权损失函数与精英协同搜索算法有机融合，显著提升了家禽健康状态识别的准确率，具有参数自适应性好、计算效率高、识别结果可靠等优点，可广泛应用于智能化养殖场景下的家禽健康状态自动监测。