[发明专利]一种基于轻量化YOLOv4的家畜图像目标检测方法及装置

说明书

本发明公开了一种基于轻量化YOLOv4的家畜图像目标检测方法及装置。所述方法，包括：对标注有待检测目标的家畜图像进行预处理，得到训练图像，并将所述训练图像收集在训练图像集中；将YOLOv4的主干特征提取网络CSPdarknet53替换为mobilenetv3网络，构建轻量化YOLOv4的目标检测模型；利用所述训练图像集迭代训练所述目标检测模型，从得到的所有训练后的目标检测模型中选择检测精度最高的模型作为最优目标检测模型；将检测图像输入所述最优目标检测模型，得到所述检测图像的目标检测结果。本发明能够在提高检测精度的同时提高检测速度，进一步实现高效准确地目标检测。

技术领域

本发明涉及计算机视觉技术领域，尤其涉及一种基于轻量化YOLOv4的家畜图像目标检测方法及装置。

背景技术

为了实现生猪等家畜的健康养殖，逐渐应用计算机视觉技术对家畜图像进行目标检测，以关注家畜的生活状态。基于深度学习的目标检测方法可分为两阶段的目标检测方法和单阶段的目标检测方法。两阶段的目标检测方法是基于区域建议的目标检测与识别算法，主要包括Fast R-CNN、Faster R-CNN和R-FCN，这类方法虽然检测精度较高，但计算成本也很高，检测速度较慢。单阶段的目标检测方法是基于回归的目标检测与识别算法，主要包括YOLO和SSD，这类方法虽然检测速度较高，但检测精度较低。而对于李菊霞等人的基于YOLOv4的猪只饮食行为检测的研究，其提出了基于YOLOv4的猪只饮食行为检测模型在不同视角、不同遮挡程度以及不同光照下均能准确预测猪只饮食行为，其平均检测精度(mAP)达到95.5％，分别高于YOLOv3、Tiny-YOLOv4模型2.8、3.6个百分点，比Faster R-CNN模型高1.5个百分点，比RetinaNet、SSD模型高5.9、5个百分点，但考虑到YOLOv4构建的目标检测模型的参数数量和计算量较大，难以提高检测速度。

因此，现有的目标检测方法难以在提高检测精度的同时提高检测速度，无法进一步实现高效准确地进行目标检测。

发明内容

为了克服现有技术的缺陷，本发明提供一种基于轻量化YOLOv4的家畜图像目标检测方法及装置，能够在提高检测精度的同时提高检测速度，进一步实现高效准确地进行目标检测。

为了解决上述技术问题，第一方面，本发明一实施例提供一种基于轻量化YOLOv4的家畜图像目标检测方法，包括：

对标注有待检测目标的家畜图像进行预处理，得到训练图像，并将所述训练图像收集在训练图像集；

将YOLOv4的主干特征提取网络CSPdarknet53替换为mobilenetv3网络，构建轻量化YOLOv4的目标检测模型；

利用所述训练图像集迭代训练所述目标检测模型，从得到的所有训练后的目标检测模型中选择检测精度最高的模型作为最优目标检测模型；

将检测图像输入所述最优目标检测模型，得到所述检测图像的目标检测结果。

进一步地，所述将YOLOv4的主干特征提取网络CSPdarknet53替换为mobilenetv3网络，构建轻量化YOLOv4的目标检测模型，还包括：

将YOLOv4的卷积层替换为深度可分离卷积层。

进一步地，所述预处理包括图像裁剪、图像翻转、图像缩放中的任一种或多种图像处理。

进一步地，所述利用所述训练图像集迭代训练所述目标检测模型，从得到的所有训练后的目标检测模型中选择检测精度最高的模型作为最优目标检测模型，具体为：

采用迁移学习方法，利用所述训练图像集对预训练后的所述目标检测模型进行微调，得到微调后的目标检测模型；

采用随机梯度下降法，利用所述训练图像集对所述微调后的目标检测模型进行冻结迭代训练和解冻迭代训练，得到所述训练后的目标检测模型；