基于大模型的散养鸡多尺度目标检测方法及装置

本公开涉及图像处理，具体地，涉及一种基于大模型的散养鸡多尺度目标检测方法及装置。

背景技术：

1、由于禽肉的高蛋白质和低胆固醇，人们对禽肉的消费日益增长。与笼养鸡相比，无笼鸡拥有更多的空间和自由来表达自然行为，从而显著降低了自身的腹脂率并提高肌肉含量。然而，无笼饲养可能会出现更高的伤害和患病概率，因此研究无笼鸡的健康监测和福利管理具有重要的现实意义。

技术实现思路

1、本公开的目的是提供一种基于大模型的散养鸡多尺度目标检测方法及装置，以解决上述技术问题。

2、为了实现上述目的，本公开第一方面提供一种基于大模型的散养鸡多尺度目标检测方法，所述方法包括：

3、获取无笼鸡的鸡群图像；

4、将所述鸡群图像输入目标检测模型中，得到所述鸡群图像中每只鸡的位置信息和类别信息；

5、其中，所述目标检测模型用于通过如下操作得到所述鸡群图像中每只鸡的位置信息和类别信息：

6、对所述鸡群图像进行不同层级的特征提取，得到不同层级的层级特征图；

7、对不同层级的层级特征图进行特征融合处理，得到不同尺度的尺度特征图，并对不同尺度的尺度特征图进行特征拼接处理，得到目标多尺度特征图；

8、根据所述目标多尺度特征图确定所述鸡群图像中每只鸡的位置信息和类别信息。

9、可选地，所述对所述鸡群图像进行不同层级的特征提取，得到不同层级的层级特征图，包括：

10、对所述鸡群图像进行第一层级的特征提取，得到第一层级特征图；

11、对所述第一层级特征图进行第二层级的特征提取，得到第二层级特征图；

12、对所述第二层级特征图进行第三层级的特征提取，得到第三层级特征图；

13、将所述第一层级特征图、所述第二层级特征图以及所述第三层级特征图，确定为不同层级的层级特征图。

14、可选地，所述对所述鸡群图像进行第一层级的特征提取，得到第一层级特征图，包括：

15、对所述鸡群图像进行下采样处理，得到第一特征图；

16、提取所述第一特征图中的不同层级特征，并对提取的不同层级特征进行特征融合处理，得到第二特征图；

17、提取所述第二特征图中的深度特征，并对提取的所述深度特征进行特征融合处理，得到第三特征图；

18、提取所述第三特征图中的不同层级特征，并对提取的不同层级特征进行特征融合处理，得到第一层级特征图。

19、可选地，所述对所述第一层级特征图进行第二层级的特征提取，得到第二层级特征图，包括：

20、提取所述第一层级特征图中的深度特征，并对提取的深度特征进行特征融合处理，得到第四特征图；

21、提取所述第四特征图中的不同层级特征，并对提取的不同层级特征进行特征融合处理，得到第五特征图；

22、提取所述第五特征图中的不同层级特征，并对提取的不同层级特征进行特征融合处理，得到第二层级特征图。

23、可选地，所述对所述第二层级特征图进行第三层级的特征提取，得到第三层级特征图，包括：

24、提取所述第二层级特征图中的不同层级特征，并对提取的不同层级特征进行特征融合处理，得到第六特征图；

25、针对所述第六特征图中的每一个输入通道进行卷积操作，得到多个第七特征图，并针对每个所述第七特征图进行逐点卷积操作，得到多个第八特征图，并将多个所述第八特征图进行线性组合，得到第九特征图；

26、提取所述第九特征图中的不同层级特征，并对提取的不同层级特征进行特征融合处理，得到第三层级特征图。

27、可选地，所述提取所述第二特征图中的深度特征，并对提取的所述深度特征进行特征融合处理，得到第三特征图，包括：

28、对所述第二特征图进行特征提取，得到第一特征子图，并对所述第一特征子图进行下采样处理，得到第二特征子图；

29、对所述第二特征图进行特征提取，得到第三特征子图，对所述第三特征子图进行下采样处理，得到第四特征子图，并对所述第四特征子图进行特征提取处理，得到第五特征子图；

30、对所述第四特征子图进行下采样处理，得到第六特征子图，对所述第六特征子图中的关键特征进行提取，得到第七特征子图，并对所述第七特征子图进行反卷积操作，得到第八特征子图；

31、对所述第二特征子图、所述第五特征子图以及所述第八特征子图进行特征拼接处理，得到第三特征图。

32、可选地，所述对不同层级的层级特征图进行特征融合处理，得到不同尺度的尺度特征图，包括：

33、提取所述第三层级特征图中的静态上下文特征和动态上下文特征，并对所述静态上下文特征和所述动态上下文特征进行特征融合处理，得到第四层级特征图；

34、对所述第二层级特征图和所述第四层级特征图进行特征融合处理，得到第一尺度特征图；

35、对所述第一尺度特征图和所述第一层级特征图进行特征融合处理，得到第二尺度特征图；

36、对所述第一尺度特征图和所述第二尺度特征图进行特征融合处理，得到第三尺度特征图；

37、对所述第四层级特征图和所述第三尺度特征图进行特征融合处理，得到第四尺度特征图；

38、将所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图以及所述第四尺度特征图确定为不同尺度的尺度特征图。

39、可选地，所述对不同尺度的尺度特征图进行特征拼接处理，得到目标多尺度特征图，包括：

40、对所述第二尺度特征图、所述第三尺度特征图以及所述第四尺度特征图进行特征拼接处理，得到目标多尺度特征图。

41、可选地，所述根据所述目标多尺度特征图确定所述鸡群图像中每只鸡的位置信息和类别信息，包括：

42、针对目标多尺度特征图中的每个特征，确定所述特征的交并比分数和分类分数；

43、根据预设的交并比分数阈值、预设的分类分数阈值、所述交并比分数以及所述分类分数确定目标特征；

44、根据所述目标特征，确定所述鸡群图像中每只鸡的位置信息和类别信息。

45、本公开第二方面提供一种基于大模型的散养鸡多尺度目标检测装置，所述装置包括：

46、获取模块，用于获取无笼鸡的鸡群图像；

47、处理模块，用于将所述鸡群图像输入目标检测模型中，得到所述鸡群图像中每只鸡的位置信息和类别信息；

48、其中，所述目标检测模型包括：

49、特征提取模块，用于对所述鸡群图像进行不同层级的特征提取，得到不同层级的层级特征图；

50、特征融合模块，用于对不同层级的层级特征图进行特征融合处理，得到不同尺度的尺度特征图，并对不同尺度的尺度特征图进行特征拼接处理，得到目标多尺度特征图；

51、确定模块，用于根据所述目标多尺度特征图确定所述鸡群图像中每只鸡的位置信息和类别信息。

52、通过上述技术方案，可以直接将无笼鸡的鸡群图像输入目标检测模型，从而得到鸡群图像中每只鸡的位置信息和类别信息。由此可以通过端到端的方式实现对鸡群图像中每只鸡的检测。另一方面，由于目标检测模型在对鸡群图像中的鸡只进行检测时，是先对鸡群图像中不同层级的特征进行提取，然后再对不同层级的特征进行融合得到具有多尺度信息的目标尺度特征图，最后再通过对目标尺度特征图进行检测得到每只鸡的位置信息和类别信息。由此能够实现复杂场景下多规模无笼鸡的准确识别，解决小目标特征容易丢失以及鸡群聚集遮挡引起的检测区分困难问题。

53、本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。

技术特征：

1.一种基于大模型的散养鸡多尺度目标检测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述对所述鸡群图像进行不同层级的特征提取，得到不同层级的层级特征图，包括：

3.根据权利要求2所述的方法，其特征在于，所述对所述鸡群图像进行第一层级的特征提取，得到第一层级特征图，包括：

4.根据权利要求2所述的方法，其特征在于，所述对所述第一层级特征图进行第二层级的特征提取，得到第二层级特征图，包括：

5.根据权利要求2所述的方法，其特征在于，所述对所述第二层级特征图进行第三层级的特征提取，得到第三层级特征图，包括：

6.根据权利要求3中所述的方法，其特征在于，所述提取所述第二特征图中的深度特征，并对提取的所述深度特征进行特征融合处理，得到第三特征图，包括：

7.根据权利要求2所述的方法，其特征在于，所述对不同层级的层级特征图进行特征融合处理，得到不同尺度的尺度特征图，包括：

8.根据权利要求7所述的方法，其特征在于，所述对不同尺度的尺度特征图进行特征拼接处理，得到目标多尺度特征图，包括：

9.根据权利要求1-8中任一项所述的方法，其特征在于，所述根据所述目标多尺度特征图确定所述鸡群图像中每只鸡的位置信息和类别信息，包括：

10.一种基于大模型的散养鸡多尺度目标检测装置，其特征在于，所述装置包括：

技术总结
本公开涉及一种基于大模型的散养鸡多尺度目标检测方法及装置，方法包括：获取无笼鸡的鸡群图像；将鸡群图像输入目标检测模型中，得到鸡群图像中每只鸡的位置信息和类别信息。采用上述方式，可以直接将鸡群图像输入目标检测模型，从而得到每只鸡的位置信息和类别信息。由此可以通过端到端的方式实现对鸡群图像中每只鸡的检测。另一方面，由于检测过程中，是先对鸡群图像中不同层级的特征进行提取，然后再对提取的特征进行融合得到具有多尺度信息的目标尺度特征图，最后再通过对目标尺度特征图进行检测得到每只鸡的信息。由此能够实现复杂场景下多规模无笼鸡的准确识别，解决小目标特征容易丢失以及鸡群聚集遮挡引起的检测区分困难问题。

技术研发人员：韩宇星,李晓欣,蔡明睿,殷成铖,谭欣婕
受保护的技术使用者：华南农业大学
技术研发日：
技术公布日：2024/9/23