【IoT毕设.5.1】STM32+机智云AIoT+猪只检测算法设计
本帖最后由 Kara 于 2022-7-28 16:41 编辑【IoT毕设.5.1】STM32+机智云AIoT+猪只检测算法设计
5.1 引言进一步针对猪舍中的猪只进行监测，基于计算机视觉技术，利用猪舍中安装的监控视频，进行智能分析。对猪只智能分析的前提是同时对视频中多个猪只进行定位，并维持他们的身份标识ID，记录每个个体的轨迹。此类问题在计算机视觉领域属于多目标跟踪（MultipleObjectTracking,MOT）问题。多目标跟踪问题仍是一个开放的问题，面临多重挑战，如：个体频繁遮挡、轨迹交叉和外观高度相似等。多目标跟踪算法具有很强的通用性，可以迁移到相似任务中，广泛的应用是在行人与车辆跟踪，如SORT、Deep-SORT。
在猪只目标跟踪上，首先要解决的就是猪只定位问题。目标检测算法发展迅速，通用目标检测问题已经得到了解决，检测效果如图5.1所示。但由于通用模型未包含猪只（Pig）一类，因此该类算法无法直接用于猪只检测，需要利用猪舍图像标注数据进行算法模型重新训练。 图5.1通用检测算法检测效果
其次，得到检测结果后，需要对视频图像中目标的矩形框进行身份关联。数据关联的本质是在目标检测的基础上寻找最优的关联目标对，从而形成一段连续的轨迹。较为简单的一种方法，是用相邻两帧的检测结果进行重叠率计算（IntersectionOverUnion,IOU），目标对边界框（BoundingBox）的重叠率越高（接近1.0），说明前后两帧的检测目标是同一目标的可能性就越大，从而建立关联。IOU表示预测框和真实框交集部分面积与并集部分面积的比值，该值表示预测框与真实框的接近程度。
但单纯使用重叠率计算也会存在一些问题，如漏检、误检或遮挡问题，因此检测器的检测结果存在的误差将可能导致跟踪失败。一些研究人员提出，利用轨迹预测的方法修正检测器误差，如粒子滤波算法和卡尔曼滤波算法。
最后，为了得到猪只更细节的状态信息，本篇提出采用轻量化的分割算法。通过对猪只的检测结果图像块进行分割，进而得到猪只的精细轮廓，进一步得到猪只在视野中的像素面积比重。由于监控相机与猪舍之间相对静止，因此可以进行背景建模，进行尺寸标定，根据猪只体重与猪只在监控视野中所占面积，可以大致得到猪只的体重信息。
基于本篇所提的猪只检测算法，可以对猪只进行多种维度的分析，包括：猪群数量统计、猪群总体运动量分析、猪群体重估计和猪只异常行为分析等。
5.2 算法原理与设计 5.2.1 算法整体结构设计本篇所提的猪只检测算法，主要解决三个任务，分别是：猪只检测、猪只跟踪与猪体分割。检测算法是跟踪与分割的基石，也是后续对猪只行为分析的基础，算法整体结构设计如图5.2所示。 图5.2算法整体结构设计
选用目标检测算法YOLOv4用于本文的猪只检测任务，该算法是在YOLOv1算法上经过多次改进而来，具有计算速度快、检测精度高的优点。利用猪只数据集对该算法进行训练，经过训练后能够实现实现
下一篇内容：【IoT毕设.5.2】STM32+机智云AIoT+猪只检测算法设计
页:
[1]