(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210109354.4 (22)申请日 2022.01.28 (71)申请人 内蒙古农业大 学 地址 010010 内蒙古自治区呼和浩特市赛 罕区昭乌达路3 06号 (72)发明人 于文波　穆昕钰　张春慧　宣传忠　 张永安　马彦华　姬振生　武佩　 (74)专利代理 机构 北京科迪生专利代理有限责 任公司 1 1251 专利代理师 金怡 (51)Int.Cl. G06V 20/20(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/80(2022.01)G06V 10/774(2022.01) G06V 10/40(2022.01) (54)发明名称 一种基于YOLOv4的羊舍内羊群个体身份识 别方法及系统 (57)摘要 本发明涉及一种基于YOLOv4神经网络模型 的羊舍内羊群个体身份识别方法及系统， 其方法 包括： S1： 采集羊只面部信息， 对面部图片 进行预 处理， 用标注框对羊脸进行标注， 得到数据集， 并 划分为训练集和测试集； S2： 构建基于YOLOv4的 羊只面部识别神经网络模型， 包括： Input、 Backbone、 Neck和Head； S3： 构建损失函数， 使用 羊脸面部 数据进行预训练， 使用训练集对其进行 训练， 将预训练后得到模型参数作为所述羊只面 部识别神经网络模型的初始参数， 使用训练集对 其进行训练； 将测试集输入训练好的YOL Ov4的神 经网络模型， 对其性能进行评估。 本发明提供的 方法采用非接触式识别方法， 成本低、 精度高且 安全有效， 从而避免掉标以及羊只容易产生应激 的问题。 权利要求书3页 说明书7页 附图5页 CN 114529840 A 2022.05.24 CN 114529840 A 1.一种基于 YOLOv4神经网络模型的羊舍内羊群 个体身份识别方法， 其特 征在于， 包括： 步骤S1： 采集羊群 中每只羊只的面部信息， 对面部图片进行预处理， 用标注框对羊脸进 行标注， 得到数据集， 并划分为训练集和 测试集； 步骤S2： 构 建基于YOLOv4的羊只面部识别神经网络模型， 其中， 所述基于羊只面部识别 神经网络模型包括： Input、 Backbone、 Neck和Head： Backbone作为主干特征提取网络， 在 Darknet53基础上加入CSPnet构建CSPDarknet 53， 并采用Mi sh激活函数； Neck作为加强特征 提取网络， 采用SSP与PA Net分别用于提取上下文特征和参数聚合； Head根据所述标注框， 使 用K means++算法重新计算锚框大小， 基于Neck的输出特征进行预测， 对 所生成的预测框经 过非极大抑制后， 计算 最终的目标检测框； 步骤S3： 构建损失函数， 使用羊脸面部数据进行预训练， 将预训练后得到模型参数作为 所述羊只面部识别神经网络模型 的初始参数， 使用所述训练集对其进行训练， 得到训练好 的羊只面部识别神经网络模型； 最终将所述测试集输入所述训练好的羊只面部识别神经网 络模型， 对其 性能进行评估。 2.根据权利要求1所述的基于YOLOv4神经网络模型的羊舍内羊群个体身份识别方法， 其特征在于， 所述步骤S1： 采集羊群中每只羊只的面部信息， 对面部图片进行预处理， 用标 注框对羊脸进行手工标注， 得到数据集， 并划分为训练集和 测试集， 具体包括： 步骤S11： 在不同时段采集羊群中羊只的视频信息； 步骤S12： 按照预设截帧频率对所述视频信息进行截取， 获取羊只图片， 并进行特征点 提取与匹配， 对每只羊的面部数据进行融合， 得到包 含每只羊完整面部数据的图片； 步骤S13： 对所述每只羊完整面部数据的图片进行平移、 旋转增广操作， 再对羊脸进行 手工标注， 得到数据集， 按预设比例将其分成训练集和 测试集。 3.根据权利要求1所述的基于YOLOv4神经网络模型的羊舍内羊群个体身份识别方法， 其特征在于， 所述步骤S2： 构建基于YOLOv4的羊只面部识别神经网络模型， 其中， 所述基于 羊只面部识别神经网络模型包括： Input、 Backbone、 Neck和Hea d： Backbone作为主干 特征提 取网络， 在Darknet53基础上加入CSPnet构建CSPDarknet53， 并采用Mish激活函数； Neck作 为加强特征提取网络， 采用SSP与PANet分别用于提取上下文特征和参数聚合； Head根据所 述标注框， 使用K  means++算法重新计算锚框大小， 基于Neck的输出特征进行预测， 对所生 成的预测框经 过非极大抑制后， 计算 最终的目标检测框， 具体包括： 步骤S21： 构建Backbone作为主干特征提取网络， 在Darknet53基础上加入CSPnet构建 CSPDarknet 53， 其中， 所述CSPDarknet 53包括： 1个卷积层以及5个Resblock_body模块， 其中 Resblock_body模块包括： 2个卷积块、 标准 化和Mish 激活函数； 步骤S22： 构建Neck作为加强特征提取网络， 采用SSP用于增加感受野并分离出最重要 的上下文和PANet用于对SSP和不同Backbone特征层的参数聚合， 基于YOLOv4现有结构进行 调整， 通过将SSP的输出进行卷积 并堆叠得到的S1， 再经过卷积和上采样后与PANet的一路 输出P3进行5次卷积并堆叠后输出P5。 P5与PANet的另外两路输出P1和P3， 共同作为后续 Head的输入； 步骤S23： 构建Head， 包括若干个1 ×1的卷积与3 ×3的卷积的整合， 并根据所述手工标 注框， 使用K  means++算法重新计算多个不同大小的锚框大小， 按照从小到大分配给Head 的 输入P1、 P3、 P5所对应的特征层， 每个所述特征层分配3个锚框， 输出预测框， 对所述预测框权　利　要　求　书 1/3 页 2 CN 114529840 A 2经过非极大抑制后， 计算 最终的目标检测框 。 4.根据权利要求3所述的基于YOLOv4神经网络模型的羊舍内羊群个体身份识别方法， 其特征在于， 所述步骤S23中使用K  means++算法重新计算多个不同大小的锚框大小， 按照 从小到大分配给Head的输入P1、 P3、 P5所对应的特征层， 每个所述特征层分配3个锚框， 输出 预测框， 对所述预测框经 过非极大抑制后， 计算 最终的目标检测框， 具体包括： 步骤S231： 随机 选取一个所述标注框作为初始的聚类中心c1； 步骤S232： 对每个样本点xi， 分别求取xi与目前已存在的所有聚类中心之间的最短距 离， 用D(x)表示， 接着利用 求取每个样本成为下一个聚类中心的概率， 最后根据轮 盘法选出 下一个聚类中心； 步骤S233： 重复步骤S232， 当得到K个聚类中心时则停止， 找到与xi距离最小的聚类中 心， 将xi划分为该中心对应的类别之中； 步骤S234： 对每一个 类别ci， 利用 重新计算该类别的中心； 步骤S235： 循环步骤S232 ～S233， 当求取的聚类中心不再发生变化则停止； 步骤S236： 根据所述锚框， 对Neck的输出特征进行预测， 对所生成的预测框经过非极大 抑制后， 计算 最终的目标检测框 。 5.根据权利要求1所述的基于YOLOv4神经网络模型的羊舍内羊群个体身份识别方法， 其特征在于， 所述步骤S 3中构建损失函数， 使用羊脸面部数据进 行预训练， 将预训练后得到 模型参数作为所述羊只面部识别神经网络模型的初始参数， 具体包括： 步骤S31： 构建如公式(1)所示的均方差损失MSE， 模型训练过程中， 在置信度损失函数 与分类损失函数部分， 用所构建的均方差损失MSE代替原有YOLOv4模型中的交叉熵损失 BCE， 以提高所述羊只面部识别神经网络模型训练时在 复杂环境中对小目标的检测识别能 力： 其中， ym为真实数据， 为拟合数据， M为样本数目； 步骤S32： 使用羊脸面部数据对所述羊只面部识别神经网络模型进行预训练， 使其能较 好地提取羊只面部的本质特征， 利用YOLO模型中训练时的迁移学习思想， 把预训练的结果 作为所述羊只面部识别模型训练时的初始参数， 使用所述训练集对其进行训练， 以加快模 型的收敛速度， 得到训练好的羊只面部识别神经网络模型。 6.一种基于YOLOv4神经网络模型的羊舍内羊群个体身份识别系 统， 其特征在于， 包括 下述模块： 获取数据集模块， 采集羊群 中每只羊只的面部信息， 对面部图片进行预处理， 用标注框 对羊脸进行 标注， 得到数据集， 并划分为训练集和 测试集； 构建模型模块， 构 建基于YOLOv4的羊只面部识别神经网络模型， 其中， 所述基于羊只面 部识别神经网络模型包括： Input、 Backbone、 Neck和Head： Backbone作为主干特征提取网 络， 在Darknet53基础上加入CSPnet构建CSPDarknet53， 并采用Mish激活函数； Neck作为加 强特征提取网络， 采用SSP与PANet分别用于提取上下文特征和参数聚合； Head根据所述标 注框， 使用K  means++算法重新计算锚框大小， 基于Neck的输出特征进行预测， 对所生成的权　利　要　求　书 2/3 页 3 C