基于迭代目标检测模型的梅花鹿图像自动标注方法、系统及设备

本发明涉及算机视觉、深度学习以及智慧畜牧业，具体涉及一种基于迭代目标检测模型的梅花鹿图像自动标注方法、系统及设备。

背景技术：

1、随着智慧农业与精准畜牧业的飞速发展，基于计算机视觉的动物个体识别与行为监控已成为研究热点。在规模化梅花鹿养殖中，目标检测算法展现出了巨大的工业自动化潜力，但训练高度鲁棒的视觉模型依赖于大量且高质量的图像标注数据。在真实的养殖场环境中，传统的人工标注不仅耗费其高昂的时间与人力成本，且易因主观疲劳导致漏标与错标。为缓解该数据瓶颈，利用预训练模型进行自动标注以加速专有数据集的生产成为了必然趋势。这种范式在背景单一的理想测试集上能获得较高理论精度，一定程度上加快了初始数据集的构建速度。然而，当部署于复杂多变的梅花鹿圈养环境时，现有技术暴露出严重的工业落地痛点。首先，现有模型深陷“高评价指标陷阱”，在实际自动标注工程中存在评价目标根本性的“指标不对齐”。由于梅花鹿养殖场背景特征高度耦合，常规基线网络容易发生“捷径学习”，为了在训练阶段提高召回率而拟合特定形状背景物等虚假的背景关联特征。当部署到实际应用场景中时，会产生大量的背景误检（假阳性），引发严重的“伪标签污染”，这时需要引入人工审查以大量的时间成本进行修正，稀释了自动标注带来的效率优势。其次，受限于畜牧场边缘计算设备的算力，行业内普遍采用的常规轻量化网络方案（如直接使用深度可分离卷积）往往会粗暴地切断特征通道间的隐式信息连接。在处理梅花鹿群居重叠及圈舍环境遮挡等复杂区域时，这种通道信息断裂会导致模型的特征表达能力严重衰减，容易产生漏检或无法输出高质量的独立包围框。再次，现有的目标检测网络在预测端普遍采用直接回归边界框绝对数值的确定性逻辑，在面对梅花鹿迅速运动产生的运动模糊及密集重叠时，发生严重的定位偏移。这种原有结构鲁棒性较差，生成的边界框不贴合目标轮廓，导致大量低质量标签流入数据集。最后，目前的自动标注方案多停留在单次预测的开环阶段，缺乏将人工微调纠错后的高质量数据高效回流并反哺模型的“人在回路”主动学习闭环机制，导致模型无法随着数据的累积实现自适应进化，后期维护成本高。

技术实现思路

1、本发明的目的是针对现有技术中存在的自动标注假阳性高、伪标签污染严重、密集遮挡下定位漂移及人工清洗成本高等问题，本发明提供一种基于迭代目标检测模型的梅花鹿图像自动标注方法、系统及设备，通过算法架构与主动学习闭环的深度融合，从源头抑制误检，提升标注效能。

2、为实现上述目的，本发明首先提供了一种基于迭代目标检测模型的梅花鹿图像自动标注方法，包括以下步骤：

3、s1：获取不同气象条件、不同光照模式与拍摄视角下的梅花鹿原始图像数据构建包含人工标注样本的初始数据集；

4、s2：基于yolov9s架构构建用于提取梅花鹿特征并输出预测框的sal-yolo模型，所述sal-yolo模型包括主干特征提取网络、颈部特征融合网络和lightblurdetect检测头；

5、s2.1：所述sal-yolo模型以yolov9s为基准网络架构，具体实现方法为：在主干网络repncspelan4提取的深层特征基础上，于输出端嵌入由sppelan与lska组成的联合增强模块，旨在通过构建超大全局感受野来净化背景噪声；

6、所述lska模块采用四阶段分解机制，将一个的标准卷积核分解为级联的水平方向深度卷积、垂直方向深度卷积、水平方向深度扩张卷积以及垂直方向深度扩张卷积；

7、其生成注意力映射图的数学计算公式如下：

8、

9、

10、

11、

12、其中，代表sppelan输出的原始特征图，代表深度卷积，表示具备扩张率的深度卷积，为生成的空间注意力权重，表示元素级乘法；

13、s2.2：所述颈部特征融合网络中引入了gsconv轻量化卷积模块，用于融合多尺度特征，所述gsconv轻量化卷积模块的处理过程包括：

14、将输入的特征图输入标准卷积层，进行通道压缩与特征映射，生成第一中间特征；

15、将所述第一中间特征输入深度可分离卷积层，提取局部空间特征，生成第二中间特征；

16、将所述第一中间特征与所述第二中间特征进行通道维度的拼接；

17、s2.3：将所述yolov9s原生检测头替换为lightblurdetect轻量化检测头，用于提高运动模糊场景下的边界框解耦精度，所述lightblurdetect轻量化检测头的处理过程包括：

18、利用共享的常规卷积层对输入的特征图进行全局映射，并通过批归一化和激活函数处理，生成共享中间特征；

19、构建并行的分类支路与回归支路，将所述共享中间特征分别输入至深度可分离卷积中提取细粒度特征；

20、在分类支路中，通过1×1卷积输出目标为梅花鹿的分类置信度；

21、在回归支路中，通过1×1卷积输出目标的边界框回归分布向量；

22、s3：采用迭代主动学习闭环机制，利用所述初始数据集对所述sal-yolo模型进行训练获取权重；

23、s4：使用最优权重对未标注梅花鹿图像进行自动化推理预标注，将其自动转换为标准格式的初步标签文件；

24、s5：对所述初步标签文件进行人工校验与修改，将核对后的数据并入初始数据集以实现数据迭代扩充。

25、进一步的，步骤s2.3中所述的回归支路中采用分布期望回归机制处理模糊边界，具体处理过程包括：

26、将目标边缘落在第个区间的离散概率通过softmax函数计算，公式如下：

27、

28、最终边界框坐标的预测值通过以下公式计算：

29、

30、其中，为等间距离散区间的划分数量。

31、进一步的，步骤s3中所述的迭代主动学习闭环机制具体包括三个扩充阶段：

32、冷启动阶段：使用完全人工标注的少量图像构建初始数据集，训练模型获取初始权重；

33、第一次扩充阶段：加载所述初始权重对未标注梅花鹿图像进行推理预标注，经人工手动微调漏检与误检样本后，将修正数据并入训练集进行增量训练，获取第二代权重；

34、第二次扩充阶段：加载所述第二代权重对大规模未标注梅花鹿图像进行预标注，经人工微调复杂样本后并入训练集，完成最终数据集扩充，并训练生成完全体模型。

35、进一步的，采用自动标注效能得分评估人机协同修正成本，具体方法为：

36、将修正漏检、误检以及正确但不规范预测框这三类错误的惩罚系数分别设定为5、3和1；

37、最终的自动标注效能得分计算公式如下：

38、

39、其中，为漏检数，为误检数，为交并比在预设范围内的正确但不规范预测框数，为系统的理论满分。

40、另外，本发明还提供了一种基于迭代目标检测模型的梅花鹿图像自动标注系统，包括：

41、图像处理模块，用于获取待标注的梅花鹿原始图像，并通过预处理与数据增强构建数据集；

42、目标检测编码器，包含引入lska注意力机制的主干特征提取网络与引入gsconv轻量化卷积的颈部网络，用于提取多层级的目标融合特征；

43、轻量化检测解码器，包含lightblurdetect检测头，用于输出目标的分类置信度与边界框预测结果；

44、批注与审计模块，用于将预测结果自动转换为初步标签文件，并提供人机协同界面以微调漏检与误检的边界框；

45、闭环迭代模块，用于加载上一代权重文件，利用扩充后的高质量数据集对目标检测编码器和轻量化检测解码器进行迭代微调。

46、进一步的，所述轻量化检测解码器包括：

47、特征共享单元，用于通过常规卷积对输入特征进行通道压缩与全局映射；

48、细粒度提取单元，用于通过深度可分离卷积进行并行特征提取；

49、离散期望回归单元，用于将边界框坐标视为概率分布，通过求取数学期望的方式输出最终的边界框定位结果。

50、最后，本发明提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述梅花鹿图像自动标注方法的步骤。

51、本发明的有益效果

52、与现有技术相比，本发明具有以下优势：

53、（1）揭示自动标注工程中指标不对齐的痛点，在主干网络嵌入sppelan与lska联合增强模块。通过四阶段分解的大可分离卷积核注意力机制，模型构建了超大的全局感受野，能够精准提取空间上下文，从空间逻辑上净化圈舍背景噪声，阻断“捷径学习”，降低了假阳性误检率，在复杂场景下大幅减少了背景误检数量。

54、（2）颈部网络引入gsconv模块，在大幅削减参数量的同时，通过通道混洗机制保留了隐式特征连接，实现了多尺度特征的高效无损融合；配合lightblurdetect检测头，将硬性坐标回归转化为柔性的分布期望回归，以较低的算力成本解决密集遮挡与运动模糊场景下的定位漂移难题，实现了模型精确率的提升。

55、（3）构建工程效能闭环与智能化迭代控制，提出“模型预打标-人在回路微调-数据回流”的三阶段迭代主动学习机制，并引入自动标注效能得分ales。该得分客观量化人机协同修正成本，作为系统状态反馈的技术指标，当ales低于预设阈值时，系统自动判定当前模型对复杂场景的适应力不足，触发闭环迭代模块启动下一轮增量训练；同时，系统始终选择ales得分最高的权重作为部署模型，实现了从评价体系到模型进化的自动化闭环控制，大幅降低人工标签清洗成本。