一种基于YOLOv12n-CSD模型的牛舍养殖场景下奶牛背视识别方法

本发明具体涉及一种基于yolov12n-csd模型的牛舍养殖场景下奶牛背视识别方法。

背景技术：

1、在现代化奶牛养殖产业中，准确高效的奶牛个体识别对于养殖场的精细化管理具有重要作用。作为奶牛生产管理的关键环节，准确的奶牛身份识别是行为分析、发情监测、疾病预警和产奶性能评估的重要前提条件。传统耳标和rfid技术虽广泛应用，但容易造成奶牛应激，且存在易脱落、丢失、维护成本和人工依赖度高等问题，具有较大的局限性。

2、近年来，随着计算机视觉与人工智能技术的发展，以及精准畜牧对智能化管理需求的不断提高，基于计算机视觉的奶牛非接触式识别方法逐渐成为研究热点。fu等人提出了一种结合ghost模块与卷积注意力机制的方法实现奶牛的非接触式个体识别，在牛只侧视图数据集上识别准确率达到98.58%。也有提出基于牛只脸部rgb-d信息融合的个体身份识别方法，选取inception resnet v2作为facenet模型的主干网络，结合牛脸图像特征正则化方法，最高识别准确率达到98.6%。还有提出了基于关键区域定位的牛只识别算法，该算法通过目标检测方法准确定位牛脸或背部的核心区域来进行特征提取以大幅降低背景噪声的干扰，最高识别精度达到99.11%。采用center-triplet loss来联合监督降低类内差异，最高识别准确率达到88.21%。现有算法中有基于yolox-s-tkecb 的奶牛侧视躯干识别算法，该算法引入转移学习并添加cbam注意力机制，同时优化聚类算法和多尺度特征融合方法，改进后的模型最高识别准确率为97.87%。上述算法虽然利用计算机视觉的方法可以在不影响奶牛正常活动的情况下识别出牛只身份，但是现有的奶牛个体识别算法研究多基于牛脸、侧视躯干或关键局部区域开展，针对真实牛舍监控场景下背部视角的研究缺失，未有能够通过上述方法借鉴到真实牛舍监控场景下背部视角中的相关处理方式，未能有有效解决结合真实牛舍养殖环境下奶牛背部出现的特征形变问题，总之，目前未有结合真实牛舍养殖环境下奶牛背部出现的特征形变的对应准确、识别和分割的规范稳定处理方法。

技术实现思路

1、为克服现有技术所存在的缺陷，现提供一种基于yolov12n-csd模型的牛舍养殖场景下奶牛背视识别方法，以解决上述问题。

2、一种基于yolov12n-csd模型的牛舍养殖场景下奶牛背视识别方法，牛舍养殖场景下奶牛背视识别方法为将carafe上采样模块、se通道注意力方法、neck网络部分跨层连接方法、dcnv2模块与yolov12n模型相结合构建yolov12n-csd模型，将构建完毕的yolov12n-csd模型对采集的牛舍养殖场景下奶牛背视数据进行识别和评价的连续处理过程。

3、作为优选方案：将carafe上采样模块、se通道注意力方法、neck网络部分跨层连接方法、dcnv2模块与yolov12n模型相结合构建yolov12n-csd模型的过程分为三部分配合完成，三部分配合完成的过程为：

4、首先完成carafe上采样过程，即将原模型neck中的第一处最近邻插值上采样替换为内容感知重组上采样，从而完成适应奶牛形态变化，增强特征重组性能的采样过程后形成neck部分标准卷积；

5、然后在backbone末端引入se通道注意力方法，通过se通道注意力方法实现优化跨层特征融合路径，在增强关键通道特征表达的同时保留预定要求的上层特征信息后形成处理后的backbone末端，将处理后的backbone末端输出特征图输入至neck部分标准卷积中形成处理后neck部分标准卷积；

6、最后替换处理后neck部分标准卷积为第二代可变形卷积网络dcnv2模块，即完成了dcnv2模块的构建过程。

7、作为优选方案：完成carafe上采样过程，即将原模型neck中的第一处最近邻插值上采样替换为内容感知重组上采样，从而完成适应奶牛形态变化，增强特征重组性能的采样过程后形成neck部分标准卷积的过程为：替换原模型neck中第一处最近邻插值上采样为carafe上采样，利用特征图的底层语义信息，扩大感受野区域，从而完成增强目标边缘细节提取性能的处理过程，carafe上采样分为核预测模块和特征重组模块，首先在核预测模块中，将的输入特征图进行通道压缩得到特征图，将输出特征图进行内容编码得到的上采样核，再对上采样核进行归一化操作，确保卷积核权重和为1；其次在特征重组模块中，利用预测的上采样核在局部区域内完成特征的聚合重组，从而完成奶牛花纹特征提取过程。

8、作为优选方案：在backbone末端引入se通道注意力方法，通过se通道注意力方法实现优化跨层特征融合路径，在增强关键通道特征表达的同时保留预定要求的上层特征信息后形成处理后的backbone末端，将处理后的backbone末端输出特征图输入至neck部分标准卷积中形成处理后neck部分标准卷积的处理过程为：

9、将yolov12n的backbone最后一层引入se通道注意力方法，从而完成优化neck网络的跨层特征融合路径的处理过程，se通道注意力方法是通过显式建模通道间的非线性依赖关系来增强模型的特征表达性能，首先利用全局平均池化对空间维度信息进行压缩处理，随后通过由降维与升维全连接层和sigmoid激活函数生成通道权重，最终通过逐通道乘法将权重作用于原始特征图，完成对关键特征的增强与冗余信息的抑制处理，从而提高特征表达性能；

10、对neck网络中的特征融合路径进行优化时，在中层特征融合节点处修改跨层连接分支，将低层concat节点输出的原始多尺度融合特征与高层卷积模块的输出进行拼接处理，完成有效保留目标的原始细节的处理过程，确保原始多尺度细节特征直接参与后续特征融合，从而减少连续卷积操作造成的特征丢失，提升模型对奶牛背部纹理、轮廓边缘及形变区域的表达性能。

11、作为优选方案：替换处理后neck部分标准卷积为第二代可变形卷积网络dcnv2模块，即完成了dcnv2模块的构建过程为将处理后neck部分标准卷积中第一处标准卷积替换为dcnv2模块，将dcnv2模块、空间偏移学习和特征权重调制机制相结合获取各个采样点的二维空间偏移量以及同步预测各个采样点对应偏移量的权重，确保网络动态调整采样点位置能够贴合目标的不规则轮廓和特征形变，同时调节权重来调整各采样点特征的贡献度，完成降低无关背景的干扰处理，提升牛背特征产生形变时模型对关键特征区域的聚焦和融合性能。

12、作为优选方案：将构建完毕的yolov12n-csd模型对采集的牛舍养殖场景下奶牛背视数据进行识别和评价的连续处理过程为：

13、选取识别和分割平均精度均值map@0.5、参数量parameter、处理速度fps、运算量gflops作为yolov12n-csd模型的五个评价指标，通过五个指标完成对yolov12n-csd模型进行评价的过程为：

14、

15、

16、

17、

18、上式中，表示真阳性，表示假阳性，表示假阴性，表示精确率，表示召回率，表示平均精度，表示平均精度均值，表示类别数，的值越高说明yolov12n-csd模型的检测性能越好。

19、作为优选方案：当平均精度均值map@0.5≥0.85、参数量parameter≤3.5m、处理速度fps≥30 、运算量gflops的衡量算力消耗≤8g时，表明yolov12n-csd模型的检测性能优秀；

20、当平均精度均值map@0.5处于0.7~0.8之间、参数量parameter≤3.5m、处理速度fps≥25、运算量gflops的衡量算力消耗≤10g时，表明yolov12n-csd模型的检测性能良好；

21、当平均精度均值map@0.5低于0.7、参数量parameter＞5m、处理速度fps＜15、运算量gflops的衡量算力消耗＞15g时，表明yolov12n-csd模型的检测性能较差。

22、本发明的有益效果在于：

23、本发明为结合真实牛舍养殖环境下奶牛背部出现的特征形变对应进行的准确识别和分割的规范处理方式，实现奶牛个体准确、快速识别效果。采用carafe上采样，扩大采样核感受野；引入se注意力机制，增强关键通道特征表达，同时优化neck网络的特征融合路径，提高模型特征融合能力，加快模型的处理速度；引入dcnv2模块，通过可变形卷积增强模型对几何形变的适应能力，提高模型在奶牛特征形变条件下的识别能力。本发明构建的yolov12n-csd模型的识别和分割平均精度分别能够达到87.8%和85.5%，适配于真实牛舍的监控条件，对真实牛舍监控条件下的奶牛身份的准确识别提供规范手段。