CN119251865B 基于图像融合和改进YOLOv9的死鸡检测方法 （中国矿业大学）

号基于图像融合和改进YOLOv9的死鸡检测方法本发明公开了一种基于图像融合和改进目标特征的显著性并消除光照不均的影响；其型的准确性和泛化能力；接着引入Rep_DCNv3模挡情况下的死鸡特征；最后，采用MPDIoU替代环境下死鸡巡检自动化程度低和人工巡检费时2所述Rep_DCNv3模块，在Backbone特征提取网络中通过DCNv3替换YOLOv9算法所述DCNv3通过自适应卷积核进行动态调整以适应目标形状，在死鸡被活鸡遮挡情况所述特征提取器，用于挖掘红外图像和可见光图像的互补和共同特征将红外图像和可见光图像中提取的深度特征汇聚并连接，输入3大尺寸的卷积核用于识别图像中的大范围模形状A左上角的欧几里得距离，d2为形状B的右下角到形状A右下角的欧几里得距离；4现如权利要求1至6中任一所述的基于图像融合和改进YOLOv95的代表为基于区域的卷积神经网络(R_CNN)及其衍生算法，单阶段算法以其快速准确的检6[0007]本发明所要解决的问题是：提供一种基于图像融合和改进YOLOv9的死鸡检测方7换YOLOv9算法RepNCSPELAN模块中的卷积核，进行死鸡检测模型在处理重度遮挡目标时的[0024]所述DCNv3通过自适应卷积核进行动态调整以适应目标形状，在死鸡被活鸡遮挡[0033]S4.1、通过考虑目标死鸡之间的部分重叠和距离信息，评估目标框的匹配程度8角到形状A左上角的欧几里得距离，d2为形状B的右下角到形状A右下角的欧几里得距离；分别为A的左上角坐标和右下角坐标,分别为B的左上角器实现上述任一所述的基于图像融合和改进YOLOv不均和复杂背景等问题；同时在目标检测算法中融入EMA(ExponentialMovingAverage)9[0064](1)本发明采用PIAFusion(基于照明感知的渐进式图像融[0065]在笼养鸡死鸡检测任务中，PIAFusion技术通过综合考量场景照明特性与图像内[0066]PIAFusion技术的核心优势在于其渐进式融合策略，首先对输入图像的照明条件[0067]本发明图像融合模块如图2所示，PIAFusion主干网络构建于端到端的基于CNN的[0070]CMDAF模块的引入使得网络能够在特征提取阶段逐步整合互补信息，从而全面提[0075]所述PGI控制框架作为一种辅助结构，通过三个子单元的协同作用优化了信息流[0079]EMA注意力机制的引入不仅丰富了模型在不同尺度上的特征提取，还通过多尺度[0080]EMA模块中的局部和全局注意力机制协同工作，精细感知局部特征并整合全局上[0086]在特征融合阶段，EMA机制将加权后的多尺度特征进行整合，形成最终的特征表升YOLOv9算法在处理重度遮挡目标时[0088]在YOLOv9算法中，一方面，DCN(DeformableConvolutionalNetworks可变形卷积)基于可变形卷积的设计为传统卷积神经网络带来了革命性的改进，可变形卷积的灵活[0093]本发明在特征提取网络中引入Rep_DCNv3模块，涉及偏移预测网络和可变形卷积边界框和真实边界框之间左上角和右下角点的距离，来优化边界框回归的准确性和效率。[0097]MPDIoU损失函数的独立计算每个类别的IoU平均值，有助于减少模型对训练数据[0100]MPDIoU技术的优势在于其对重叠目标的敏感性以及在处理不同类别目标时的平入Rep_DCNv3模块，确保遮挡的死鸡的特征也能够被有效提取。此外，在Neck部分的究针对传统IoU损失函数在处理重叠或遮挡目标时的局限性，选择了MPDIoU损失函数。MPDIoU损失函数能够更准确地评估目标之间的重叠程度，平衡不同类别之间的检测性能，[0105]本实施例中，试验所采用的硬件设备及其配置如下：Intel(R)Xeon(R)Bronze[0106]进一步使用准确率P(Precision)、召回率R(Recall)和平均精度均值mAP@0.5[0107]本实施例通过测量处理单个图像所需的时间来评估检测速度，通过准确率P评估及能够处理动态变化的场景并提供实时的目标检测和跟踪能力的DAMOYOLO模型，特别地，[0121]最后，第②组(YOLOv9+Rep_DCNv3+EMA)与第⑤组(YOLOv9+ERep_DCNv3模块的加入同样在EMA模块存在的情况下提升了性能，mAP@0.5、R和P值分别从示出其在提升检测性能方面的显著效果。无论是单独使用还是与其他改进组件结合使用，Rep_DCNv3模块均能有效地提高目标检测在目标检测算法中的性能差异。为此，选用YOLOv9作为基准模型，选用的注意机制包括Module(CBAM)，EfficientChannelAttention(ECA)andNormalization_based空间和通道注意，强化了局部特征的跨维度信息，从而提升了模型对局部特征的敏感性；ECA机制利用全局平均池化捕捉通道间的全局空间信息，为特征的信道级重构提供了有力[0127]综合实验数据，YOLOv9与EMA的集成在本发明方法的特定设置下展现出了卓越的[0128]进一步地，在验证MPDIoU损失函数的性能研究中，本实施例选取了两种变体的与EMA模块的结合在特定实验设置下对目标检测性能的提升作用。[0132]在图7和图8的(a)图中，展示了死鸡遮挡不严重情况下的本发明改进YOLOv9模型于图像融合和改进YOLOv9模型的高效死鸡检测方法。通过采用PIAFusion技术对热红外与评估目标重叠程度上更为精确，进一步提升了检测性能。实验结果的准确性达到99.2%,mAP@0.5值高达98.9明显优于当前自动化死鸡巡检提供了坚实的理论基础。这一成果不仅促进了笼养鸡福利化养殖的实践，究方向将为完善死鸡自动检