一种林麝行为检测方法
本发明涉及目标检测,具体地,涉及一种林麝行为检测方法。
背景技术:
1、在精准畜牧业中,动物行为变化被视为健康、生产与福利状态的重要指示。长期连续的行为监测是实现精细化养殖管理与异常预警的重要基础。对于圈养林麝这类珍稀经济动物而言,日常行为的持续记录可直接支撑健康状态筛查、应激反应评估与养殖策略优化,具有重要的产业应用价值。
2、现有动物行为识别技术主要分为两大类技术路径:一类是基于姿态估计与时序建模的精细识别方案,通过骨架关键点提取、视频分类、多模态信息融合等方式实现动物行为分析。该类方法能够捕捉连续动作的时序变化,输出精细化的结构信息,但应用于圈养林麝场景时存在明显局限:姿态估计与骨架时序建模依赖高密度的关键点标注,数据制备成本极高;且在圈舍夜间弱光、围栏遮挡、远距离成像以及林麝深色毛发与暗背景融合的条件下,局部关键点极易出现检测缺失与漂移,导致骨架序列失效;同时长时序视频模型的输入构建、片段标注与推理算力成本均远高于单帧检测方案,难以适配多圈舍、全天候的大规模长期监控场景。另一类是基于单帧目标检测的实时行为识别方案,以yolo系列、ssd、efficientdet、yolox、pp-yoloe、rtmdet、rt-detr等为代表的实时目标检测器,凭借结构紧凑、推理速度快、部署便捷的优势,已成为畜禽养殖监控场景下单帧行为识别的主流技术框架,能够直接输出单帧图像中的目标框、行为类别与置信度,为后续行为频次统计、轨迹关联与异常分析提供基础数据。
3、然而,将现有通用目标检测器直接应用于圈养林麝固定监控场景时,面对强弱光分布不均、目标轮廓与暗部背景融合、图像整体对比度低的视觉退化问题,单帧行为识别的准确度难以满足实际养护记录需求:
4、一方面,现有检测器普遍采用单rgb通道的卷积模块作为输入特征提取单元,其特征提取效果高度依赖原始图像的原生对比度与信噪比;而在林麝圈舍监控场景中,夜间补光不足、清晨逆光、墙角阴影与地面反光导致图像光照分布极不均匀,林麝的深色毛发极易与墙角、地面的暗部区域发生像素级融合,导致目标边缘、头颈轮廓、后躯姿态等关键判别信息被淹没在背景噪声中;普通卷积难以从低信噪比的暗区像素中提取出有效的边缘与纹理特征,导致浅层特征中目标语义信息缺失,从输入端限制了后续检测精度的上限;此外,现有低光增强方案多为独立的前置图像处理模块,无法与检测网络实现端到端的联合优化,且普遍采用全域统一增强策略,易造成正常光照区域过曝、色彩失真与噪声放大,难以兼顾暗区增强与亮区特征保真。
5、另一方面,现有检测器的主干网络多采用固定网格的卷积结构,采样位置与感受野大小固定,而林麝监控图片中弱光区域目标轮廓模糊,固定感受野难以捕捉完整的模糊边界,同时又易在正常光照区域引入过多背景冗余信息,最终导致主干网络提取的特征判别力不足,目标定位与分类精度同步下降;可变形卷积改进方案虽能实现采样位置自适应,但偏移预测仅依赖当前层特征,弱光下易出现无规则采样漂移,反而加剧特征退化,最终导致单帧林麝行为检测的准确度与鲁棒性较差。
技术实现思路
1、本发明的目的在于提供一种林麝行为检测方法,以解决上述背景技术中提出的现有技术在弱光、低对比度和/或目标与背景融合条件下,对林麝轮廓特征提取能力不足,导致单帧林麝行为识别的准确率和召回率低的问题。
2、为实现上述目的,本发明提供如下技术方案:
3、一种林麝行为检测方法,包括以下步骤:
4、获取林麝的行为图片,预处理所述行为图片得到训练数据集;
5、对yolo11n模型进行改进,具体包括:将yolo11n主干网络的输入conv模块替换为hvienhancestem模块,所述hvienhancestem模块包括串联的特征提取单元和特征融合单元,所述特征提取单元包括并联的rgb分支和hvi分支,所述rgb分支用于提取输入图像中的原始颜色与边缘纹理特征,所述hvi分支用于基于hvi颜色空间的亮度-色度解耦特性,提取输入图像中的暗部轮廓与局部姿态特征;所述特征融合单元用于融合所述原始颜色与边缘纹理特征和所述暗部轮廓与局部姿态特征,得到融合特征和光照感知权重矩阵,所述融合特征为所述hvienhancestem模块的输出特征;将yolo11n主干网络中的c3k2模块替换为adagfb模块,所述adagfb模块包括偏移预测分支和局部增强分支,所述偏移预测分支用于基于所述光照感知权重矩阵计算adagfb输入特征的采样偏移量,基于所述采样偏移量和可变形卷积对adagfb输入特征进行采样,得到几何自适应特征,所述局部增强分支用于增强所述几何自适应特征,得到几何增强特征,所述几何增强特征为所述adagfb模块的输出特征;引入sdiou损失作为yolo11n模型的边界框回归损失,所述sdiou损失包括iou损失项、中心距离损失项和动态尺度损失项,所述iou损失项用于约束预测框与真实框之间的重叠程度,所述中心距离损失项用于约束预测框与真实框之间的中心点距离,所述动态尺度损失项用于基于真实框的像素面积和所述光照感知权重矩阵,约束预测框与真实框之间的尺度匹配程度;
6、基于所述训练数据集对改进后的yolo11n模型进行训练、测试和验证,得到hgs-yolo11n模型;
7、基于所述hgs-yolo11n模型识别待检测林麝图片中的林麝行为。
8、本发明一种林麝行为检测方法的原理为:将传统yolo11n主干网络的原生输入卷积模块替换为hvienhancestem模块,该模块的目的是在检测网络最前端增强弱光、阴影和低对比度区域中的边缘、纹理和局部姿态特征,模块内设rgb和hvi并行双分支,rgb分支保留输入图像的原始颜色、边缘、纹理和空间细节,可避免正常光照样本在颜色空间转换后产生不必要的信息偏移,hvi分支提供亮度与色度解耦后的低照度表征,有利于突出暗部轮廓、深色毛发边界和局部姿态特征,特征融合单元根据输入光照状态自适应调节两路特征的贡献,生成融合特征和逐像素光照感知权重矩阵,使网络在弱光区域强化有效信息,同时减少对正常光照区域的过度增强;为增强主干网络对林麝姿态变化导致的局部结构变化的适应能力,本发明将yolo11n主干网络中的c3k2模块均替换为几何自适应特征模块(adaptive geometric feature block,adagfb模块),adagfb模块的偏移预测分支结合光照感知权重矩阵动态约束可变形卷积的采样偏移,弱光区域扩大采样范围捕捉模糊躯体边缘,正常光照区域限制偏移避免特征漂移,经可变形采样得到贴合林麝不同姿态的几何自适应特征;再通过局部增强分支完成特征加权与多路径残差融合,降噪并强化目标特征后输出几何增强特征并向后传递;最后引入sdiou损失作为边界框回归损失,该损失同步约束预测框与真实框之间的重叠程度、中心点距离和尺度差异,可减小目标框过大、过小或偏移导致的定位误差,有助于提高复杂姿态、弱光和局部遮挡条件下的边界框回归稳定性;利用林麝养殖圈舍的真实监控图片训练改进后的yolo11n模型,最终得到可直接用于识别单帧监控图片中林麝行为的hgs-yolo11n模型,为后续行为频次统计、持续时间记录和时序行为分析提供稳定的前端视觉结果。
9、优选的,所述特征融合单元包括卷积融合分支和门控感知分支,所述卷积融合分支用于对所述原始颜色与边缘纹理特征和所述暗部轮廓与局部姿态特征进行通道拼接,得到拼接特征;所述门控感知分支用于基于所述拼接特征生成光照感知权重矩阵,基于所述光照感知权重矩阵对所述拼接特征进行自适应加权,得到所述融合特征;
10、林麝监控图片存在强弱光分布不均的特点,若采用固定权重融合双分支特征,则难以兼顾正常光照区域的细节保留与弱光区域的特征增强,易出现正常光区域过增强引入噪声以及暗区增强力度不足的问题,本发明通过门控感知分支实现逐区域的自适应特征加权,在正常光照区域抑制过度增强,保留原始颜色纹理细节,在弱光区域强化暗部轮廓特征响应,兼顾特征保真度与暗光增强效果,从而提高融合特征的质量。
11、优选的,所述hvienhancestem模块的计算公式包括:
12、;
13、;
14、;
15、式中,、和分别为拼接特征、原始颜色与边缘纹理特征和暗部轮廓与局部姿态特征,为特征融合映射函数,表示通道拼接操作,为光照感知权重矩阵,为sigmoid激活函数,为门控特征映射函数,为融合特征,表示逐元素乘法;输入图像经rgb和hvi并行双分支的处理,得到和并行特征,其中保留原始成像信息,提供照度条件下的亮度-色度解耦表征,二者并行计算的意义在于避免单一颜色空间对全部样本施加固定约束,使网络能够同时利用原始视觉信息和暗部增强信息;双分支特征经通道级拼接与卷积融合得到拼接特征,为避免对正常光照区域过度增强,门控分支根据拼接特征生成自适应的光照感知权重矩阵,并基于光照感知权重矩阵加权处理拼接特征,最终得到融合特征作为模块的输出特征。
16、优选的,所述局部增强分支包括第一残差路径和第二残差路径,所述第一残差路径用于基于所述几何自适应特征生成注意力权重,基于所述注意力权重对所述几何自适应特征进行加权,得到加权特征;所述第二残差路径用于融合所述adagfb输入特征、所述几何自适应特征和所述加权特征,得到所述几何增强特征;
17、adagfb模块在可变形卷积输出后保留两级残差路径:一方面将注意力加权后的特征与原始可变形特征相加,避免局部权重过度抑制有效响应;另一方面将模块输出与输入特征相加,以维持原始语义信息并稳定深层网络训练,通过局部注意力加权强化有效目标特征、抑制背景噪声,提升特征的信噪比;通过多路径残差融合同时保留原始输入信息、可变形采样信息与加权增强信息,丰富特征维度的同时保证训练梯度稳定,提升主干网络的特征提取能力。
18、优选的,所述adagfb模块的计算公式包括:
19、;
20、;
21、;
22、;
23、;
24、;
25、式中,为主干网络的阶段层级索引,为第层adagfb模块的基准采样偏移,为偏移映射函数,为第层adagfb模块的输入特征,为第层adagfb模块的采样偏移量,为截断函数,为偏移量基准权重,为第层的层级光照权重矩阵,为第层几何自适应特征,表示可变形卷积采样,为第层注意力权重,表示1×1卷积,为第层加权特征,表示逐元素乘法,为第层adagfb模块输出的几何增强特征,为relu激活函数;
26、adagfb模块通过光照感知权重矩阵引导的偏移截断机制,实现弱光区域自动扩大采样偏移上限、强化暗部轮廓的感受野覆盖,正常光照区域缩小偏移范围、抑制特征漂移;结合局部注意力加权与残差融合,适配不同光照区域的几何采样需求,提升对林麝暗部躯体和毛发边缘的特征提取精度。
27、优选的,所述层级光照权重矩阵的获得方式包括:基于当前层特征图的高度和宽度对所述光照感知权重矩阵进行双线性插值操作,得到当前层的所述层级光照权重矩阵;由hvienhancestem模块输出的全局光照感知权重矩阵,与主干网络不同层级adagfb模块的特征图的空间分辨率不匹配,空间位置无法逐像素对齐,通过双线性插值将光照感知权重缩放至与当前层特征图一致的尺寸,使光照引导机制能够覆盖所有层级的adagfb模块。
28、优选的,所述sdiou损失的计算公式包括:
29、;
30、;
31、;
32、;
33、式中,表示sdiou损失,、和分别表示iou损失项、中心距离损失项和尺度损失项,为动态尺度损失权重,和分别代表预测框和真实框,,,和分别代表预测框和真实框的中心点坐标,,,和分别为预测框中心点的横坐标和纵坐标,和分别为预测框的宽度和高度,和分别为真实框中心点的横坐标和纵坐标,和分别为真实框的宽度和高度,表示预测框和真实框的中心点之间的欧氏距离,表示同时包围预测框和真实框的最小外接矩形的对角线长度,为防止分母为零的极小常数;通过最小外接框对角线归一化中心距离、通过最大边长归一化尺度差异,保证损失函数在不同尺寸目标下的尺度鲁棒性;配合动态尺度损失权重灵活调整尺度惩罚强度,实现稳定、精准的边框回归约束。
34、优选的,所述动态尺度损失权重的计算方式包括:基于真实框的像素面积和预设基准尺度阈值计算目标尺度因子,聚合真实框区域内的所述光照感知权重矩阵得到真实框区域对应的目标光强度因子,基于所述目标尺度因子和所述目标光强度因子修正预设尺度损失权重,得到所述动态尺度损失权重;通过引入目标尺度因子和目标光强度因子修正基准尺度损失权重,实现针对性强化暗光下林麝行为目标的边框回归精度。
35、优选的,所述训练数据集的获得方法具体包括:从林麝圈舍的监控视频中抽取若干候选帧图片,根据预设样本筛选规则从所述候选帧图片中筛选出可用样本图片,对所述可用样本图片进行数据增强、边界框标注和林麝行为类别标注,得到所述训练数据集。
36、优选的,所述林麝行为包括:排遗行为、站立取食、卧息状态以及站立-行走合并状态;基于行为可见性和工程部署需求,本发明将排遗行为、站立取食和卧息状态等在单帧图像中具有相对稳定整体轮廓或局部姿态线索的行为作为检测对象,同时,由于本发明为单帧目标检测,对林麝行走、搜索等依赖帧间位移和动作连续性的行为难以通过单帧图像进行识别,为降低单帧标注的不确定性,将站立与缓慢行走合并为站立-行走合并状态进行检测识别。
37、本发明提供的一个或多个技术方案,至少具有如下技术效果或优点:
38、1.通过引入具有rgb与hvi双分支并行特征提取架构的hvienhancestem模块,保留输入图片中的原始颜色、边缘、纹理和空间细节,同时增强暗部轮廓、深色毛发边界和局部姿态特征;通过门控融合机制生成逐像素光照感知权重矩阵,使网络在弱光区域强化有效信息,同时减少对正常光照区域的过度增强,在提升暗区特征质量的同时有效减少亮区色彩失真、噪声放大的缺陷;
39、2.采用adagfb模块替代原生c3k2模块,以光照感知权重矩阵动态约束可变形卷积的采样偏移范围,弱光区域扩大采样偏移上限,拓展感受野以捕捉模糊的躯体轮廓与毛发边缘;正常光照区域缩小偏移范围,抑制无规则采样导致的特征漂移;结合局部注意力加权与多路径残差融合,在强化有效目标特征、抑制背景噪声的同时保证训练梯度稳定;
40、3.采用sdiou损失作为边界框回归损失,从交并比、中心距离和尺度匹配三个维度共同约束预测框;引入目标尺度因子与目标区域光强度因子双因子联动机制,对处于弱光区域的小尺度行为目标叠加放大惩罚权重,针对性解决暗光下小目标回归梯度不足、定位偏差大的痛点。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com