一种基于深度学习的圈养山羊计数方法

技术领域

本发明涉及圈养山羊计数技术领域，具体为一种基于深度学习的圈养山羊计数方法。

背景技术

目前在我国的北方地区，由于山羊养殖业快速发展，出现一种新型的养殖模式，即农户个体养殖逐渐转变为大规模集中舍饲，形成联产合作社的养殖模式，即将不同农户的山羊同意由专业养殖公司统一圈养，养殖所属权仍归属于农户，但养殖效益由农户和养殖公司按比例分配。一般情况下，以上的养殖模式中，通过在山羊背部上涂染不同颜料来区分是谁家的山羊，以便集中管理。因此，对羊舍山羊数量的统计以及对各农户羊只的分类统计的集中管理具有非常重要意义。

传统的人工计数方法速度慢，耗时长，工作量大容易出错，效率低下并且做不到实时检测。基于无线射频技术的计数系统，需要给每只山羊佩戴无线射频标签，并使用无线射频识别天线来识别统计羊舍的山羊数量，花费高，而且由于无线信号受到羊只和其他障碍物的阻挡，导致计数错误率高。因此，急需一种高校便捷的山羊计数技术来统计羊舍山羊总数量和各个农户的羊只数量，保证羊只的舍养和放养过程中不丢失不被盗。

发明内容

本发明的目的在于提供一种基于深度学习的圈养山羊计数方法，以解决上述背景技术中提出传统的人工计数方法速度慢，耗时长，工作量大容易出错，效率低下并且做不到实时检测等实际问题。目前常用的基于无线射频技术的计数系统，需要给每只山羊佩戴无线射频标签，并使用无线射频识别天线来识别统计羊舍的山羊数量，花费高，而且由于无线信号受到羊只和其他障碍物的阻挡，导致计数错误率高的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于深度学习的圈养山羊计数方法，包括以下步骤：

S1.图像数据采集；

S2.图像数据标注；

S3.构建初步山羊检测神经网络模型；

S4.训练S3中构建的初步山羊检测神经网络模型；

S5.测试训练完成的山羊检测神经网络模型；

S6.实现实时统计羊只数量。

进一步而言，所述步骤S1中图像数据采集通过摄像头采集羊舍内的山羊图片，需要特别注意拍摄山羊背部涂染的不同颜料，并将收集到的所有图片统一处理，将所有图片裁剪到640×640大小，经过平移、旋转的方法扩大数据集。摄像头需要安装在羊舍内部，保证能够拍摄到羊舍内每个山羊以及他们身上涂染的颜料。为了检测结果更加准确，需要每个羊舍内单独安装摄像头，分别统计各个羊舍的养殖数量，便于养殖管理。

进一步而言，所述步骤S2中图像数据标注是将步骤S1中采集到的图片数据集顺序打乱进行标注工作，为了统计不同家的羊只数量，标注时需要将图片中涂染不同颜料的山羊分别进行标注命名，比如所有涂红色颜料的标签命名为red代表1号家的，所有涂蓝色颜料的命名为blue代表2号家的，以此类推，通过以上方法完成数据集的标注。

进一步而言，所述步骤S3是通过最新的YOLOv5算法实现山羊目标检测，YOLOv5算法是YOLO系列最新的算法，其网络结构主要是输入端，Backbone、Neck、Prediction这四大部分组成。

进一步而言，所述步骤S4训练S3中构建的初步山羊检测神经网络模型是通过将标注好的图片和原图分别保存并打乱顺序增加数据的随机性，将以上的数据送入YOLOv5目标检测模型中进行训练，生成相应的权重文件，并在模型中加入计数模块，得到可以统计羊舍羊只总体数量和各个农户的羊只数量的模型。

进一步而言，所述步骤S5测试训练完成的山羊检测神经网络模型是通过采集新的羊舍图片数据送入所述步骤S4中训练好的YOLOv5目标检测模型中，对该YOLOv5目标检测模型进行验证测试，根据检测的具体情况再对YOLOv5目标检测模型进行调整修改，得到最终检测统计使用的山羊检测神经网络模型。

进一步而言，所述步骤S6实现实时统计羊只数量，通过将摄像头收集传输的视频流数据送入以上建好的山羊检测神经网络模型中实时检测、统计羊舍山羊的总数量和各个农户的羊只数量，为了便于直观阅读，将统计出的羊只数量信息打印在图片或者视频界面上，完成实时检测和统计。

进一步而言，所述步骤S1-步骤S6中的数据传输均通过WiFi无线传输的方式进行。

与现有技术相比，本发明的有益效果是：

1、数据传输均通过WiFi无线传输的方式进行，保证实时传输不中断，保证视频流数据非常大的情况下不会出现数据漏传或者丢失的现象。

2、摄像头，安装在羊舍内部，保证能够拍摄到羊舍内每个山羊以及他们身上涂染的颜料。为了检测结果更加准确，需要每个羊舍内单独安装摄像头，分别统计各个羊舍的养殖数量，同时便于养殖管理。

3、本发明中使用到的相关设备成本较低，不会使用到高价的昂贵的射频标签，在统计羊只数量的时候花费较少，山羊目标检测中的山羊检测神经网络模型需要大量的数据训练形成，再用于山羊检测功能，准确率较高，不易发生故障。并且使用YOLOv5算法大大提高了羊只计数的速度，耗时短，实时检测时工作量较少，效率较高。

附图说明

图1为本发明的方法结构示意图；

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，本发明提供一种技术方案：

一种基于深度学习的圈养山羊计数方法，包括以下步骤：

S1.图像数据采集；

S2.图像数据标注；

S3.构建初步山羊检测神经网络模型；

S4.训练S3中构建的初步山羊检测神经网络模型；

S5.测试训练完成的山羊检测神经网络模型；

S6.实现实时统计羊只数量。

本发明中，所述步骤S1中图像数据采集通过摄像头采集羊舍内的山羊图片，并将收集到的所有图片统一处理，将所有图片裁剪到640×640大小，经过平移、旋转的方法扩大数据集，山羊背部涂染有不同颜料。摄像头，安装在羊舍内部，保证能够拍摄到羊舍内每个山羊以及他们身上涂染的颜料。为了检测结果更加准确，需要每个羊舍内单独安装摄像头，分别统计各个羊舍的养殖数量，便于养殖管理。

本发明中，所述步骤S2中图像数据标注是将步骤S1中采集到的图片数据集顺序打乱进行标注工作，为了统计不同家的羊只数量，标注时需要将图片中涂染不同颜料的山羊分别进行标注命名，比如所有涂红色颜料的标签命名为red代表1号家的，所有涂蓝色颜料的命名为blue代表2号家的，以此类推，通过以上方法完成数据集的标注。

本发明中，所述步骤S3是通过最新的YOLOv5算法实现山羊目标检测，YOLOv5算法是YOLO系列最新的算法，其网络结构主要是输入端，Backbone、Neck、Prediction这四大部分组成。

本发明中，所述步骤S4训练S3中构建的初步山羊检测神经网络模型是通过将标注好的图片和原图分别保存并打乱顺序增加数据的随机性，将以上的数据送入YOLOv5目标检测模型中进行训练，生成相应的权重文件，并在模型中加入计数模块，得到可以统计羊舍羊只总体数量和各个农户的羊只数量的模型。

本发明中，所述步骤S5测试训练完成的山羊检测神经网络模型是通过采集新的羊舍图片数据送入所述步骤S4中训练好的YOLOv5目标检测模型中，对该YOLOv5目标检测模型进行验证测试，根据检测的具体情况再对YOLOv5目标检测模型进行调整修改，得到最终检测统计使用的山羊检测神经网络模型。

本发明中，所述步骤S6实现实时统计羊只数量，通过将摄像头收集传输的视频流数据送入以上建好的山羊检测神经网络模型中实时检测、统计羊舍山羊的总数量和各个农户的羊只数量，为了便于直观阅读，将统计出的羊只数量信息打印在图片或者视频界面上，完成实时检测和统计。

本发明中，所述步骤S1-步骤S6中的数据传输均通过WiFi无线传输的方式进行。

实施例：

首先农户会在自家的山羊背部涂染不同颜色的染料，再将山羊送到大规模集中饲养的羊舍中。

S1.图像数据采集；

通过摄像头采集羊舍内的山羊图片，并将收集到的所有图片统一处理，将所有图片裁剪到640×640大小，经过平移、旋转的方法扩大数据集。摄像头，安装在羊舍内部，保证能够拍摄到羊舍内每个山羊以及他们身上涂染的颜料。为了检测结果更加准确，需要每个羊舍内单独安装摄像头，分别统计各个羊舍的养殖数量，便于养殖管理。

S2.图像数据标注；

将步骤S1中采集到的图片数据集顺序打乱进行标注工作，为了统计不同家的羊只数量，标注时需要将图片中涂染不同颜料的山羊分别进行标注命名，比如所有涂红色颜料的标签命名为red代表1号家的，所有涂蓝色颜料的命名为blue代表2号家的，以此类推，通过以上方法完成数据集的标注。

S3.构建初步山羊检测神经网络模型；

通过最新的YOLOv5算法实现山羊目标检测。

S4.训练S3中构建的初步山羊检测神经网络模型；

通过将标注好的图片和原图分别保存并打乱顺序增加数据的随机性，将以上的数据送入YOLOv5目标检测模型中进行训练，生成相应的权重文件，并在模型中加入计数模块，得到可以统计羊舍羊只总体数量和各个农户的羊只数量的模型。

S5.测试训练完成的山羊检测神经网络模型；

通过采集新的羊舍图片数据送入所述步骤S4中训练好的YOLOv5目标检测模型中，对该YOLOv5目标检测模型进行验证测试，根据检测的具体情况再对YOLOv5目标检测模型进行调整修改，得到最终检测统计使用的山羊检测神经网络模型。

S6.实现实时统计羊只数量。

通过将摄像头收集传输的视频流数据送入以上建好的山羊检测神经网络模型中实时检测统计羊舍山羊的总数量和各个农户的羊只数量，为了便于直观阅读，将统计出的羊只数量信息打印在图片或者视频界面上，完成实时检测和统计。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内，不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。