本發明屬于品種檢測，具體涉及一種跨品種目標檢測方法、裝置、設備及存儲介質。

背景技術：

1、在集約化養殖系統中，各品種群，例如豬品種群的自動化監控和識別對提高養殖效率至關重要。傳統的目標檢測技術多依賴于大量的標注數據，這種方法在檢測中存在諸多局限。現有的目標檢測模型，如yolo、fasterr-cnn等，盡管在通用物體檢測任務中取得了良好效果，但在處理畜牧業中的特定應用場景時，表現出以下不足：

2、數據依賴性強：現有的深度學習模型依賴大量的高質量標注數據來進行訓練。然而，在實際養殖場中，采集和標注大量豬群圖像非常耗時且成本高昂，尤其是針對不同品種的豬群時，數據量往往難以滿足模型的要求。小樣本數據集的不足成為了影響模型性能的主要瓶頸。

3、跨品種的適應性差：現有模型通常在特定品種或特定場景下進行訓練，泛化能力弱。因此當應用于其他品種的豬時，不同品種的豬在體型、顏色、毛發特征等方面存在顯著差異，這使得現有模型的泛化能力不足，檢測精度會明顯下降。

4、數據增強技術的局限：為緩解數據不足的問題，現有方法常使用數據增強技術(如旋轉、翻轉等)來擴展數據集。但這些常規的數據增強方法無法生成具有跨品種特征的高質量樣本，因而在實際應用中效果有限。

5、為解決這些問題，提供一種跨品種小樣本檢測方法，減少數據依賴，以提高不同品種群的檢測精度，從而克服現有技術中的局限性是非常必要的。

技術實現思路

1、針對現有技術的不足，本發明的目的在于提供一種跨品種目標檢測方法、裝置、設備及存儲介質，以解決現有技術中因數據不足、模型泛化能力有限以及跨品種適應性差等問題，顯著提高目標檢測的精度和效率。

2、根據本技術的一個方面，公開了一種跨品種目標檢測方法，所述方法包括

3、獲取對照品種的對照樣本圖像；

4、將所述對照樣本圖像輸入cyclegan模型中，以使得所述cyclegan模型的生成器generator將所述對照樣本圖像轉換為具有目標品種特征的偽樣本圖像，其中，所述cyclegan模型基于vgg19感知損失函數對所輸入的所述對照樣本圖像進行特征圖像優化，以得到所述偽樣本圖像；

5、獲取目標對照yolov7模型，所述目標對照yolov7模型為基于yolov7架構的模型；

6、獲取目標品種的實際樣本圖像；

7、基于所述偽樣本圖像以及所述實際樣本圖像確定目標樣本圖像；

8、將所述目標樣本圖像輸入所述目標對照yolov7模型中以對所述目標對照yolov7模型進行更新，以得到目標yolov7模型，所述目標yolov7模型用于對目標品種進行識別檢測。

9、在一些實施例中，所述目標樣本圖像輸入所述目標對照yolov7模型中以對所述目標對照yolov7模型進行更新包括：

10、更新過程中，控制所述目標對照yolov7模型的輸入端目標近端層凍結，控制所述目標對照yolov7模型的輸出端目標近端層對所輸入的所述目標樣本圖像進行特征調整，以降低所述目標對照yolov7模型對所述實際樣本圖像過度擬合。

11、在一些實施例中，所述方法還包括：

12、對所述對照樣本圖像進行圖像增強處理，得到對照增強圖像；

13、對所述對照增強圖像中的對照品種進行對照矩形框標注；

14、基于所述對照矩形框的標注數據提取所述對照增強圖像中的所述對照矩形框的寬高比；

15、基于k-means||算法對所述對照矩形框的寬高比進行聚類，以得到聚類中心與初始對照yolov7模型的初始對照錨框對應的對照優化錨框，所述初始對照yolov7模型基于所述對照品種的訓練數據集訓練得到，所述訓練數據集包括多張所述對照品種的對照訓練圖像；

16、基于所述對照優化錨框更新所述初始對照yolov7模型的所述初始對照錨框，以得到所述目標對照yolov7模型。

17、在一些實施例中，所述方法還包括：

18、對目標樣本圖像進行數據增強處理，得到目標增強圖像；

19、對所述目標增強圖像中的目標品種進行目標矩形框標注；

20、基于所述目標矩形框的標注數據提取所述目標增強圖像中的所述目標矩形框的寬高比；

21、基于k-means||算法對所述目標矩形框的寬高比進行聚類，以得到聚類中心與所述目標yolov7模型的目標原始錨框對應的目標優化錨框；

22、基于所述目標優化錨框更新所述目標yolov7模型的所述目標原始錨框，以得到所述目標優化yolov7模型。

23、在一些實施例中，所述方法還包括：

24、在所述初始對照yolov7模型或所述目標對照yolov7模型的每個卷積層中增加eca通道關注機制，以提升模型對特征的選擇性。

25、在一些實施例中，所述方法還包括：

26、在所述目標yolov7模型或所述目標優化yolov7模型的每個卷積層中增加eca通道關注機制。

27、在一些實施例中，所述對照品種為白豬品種，所述目標品種為杜洛克豬品種。

28、根據本技術的另一個方面，還公開了一種跨品種目標檢測裝置，所述裝置包括：

29、對照樣本圖像獲取模塊，用于獲取對照品種的對照樣本圖像；

30、樣本輸入模塊，用于將所述對照樣本圖像輸入cyclegan模型中，以使得所述cyclegan模型的生成器generator將所述對照樣本圖像轉換為具有目標品種特征的偽樣本圖像，其中，所述cyclegan模型基于vgg19感知損失函數對所輸入的所述對照樣本圖像進行特征圖像優化，以得到所述偽樣本圖像；

31、目標對照yolov7模型，用于獲取目標對照yolov7模型，所述目標對照yolov7模型基于所述對照品種的訓練數據集訓練得到，所述訓練數據集包括多張所述對照品種的對照訓練圖像；

32、實際樣本圖像獲取模塊，用于獲取目標品種的實際樣本圖像；

33、目標樣本圖像獲取模塊，用于基于所述偽樣本圖像以及所述實際樣本圖像確定目標樣本圖像；

34、模型更新模塊，用于將所述目標樣本圖像輸入所述目標對照yolov7模型中以對所述目標對照yolov7模型進行更新，以得到目標yolov7模型，所述目標yolov7模型用于對目標品種進行識別檢測。

35、根據本技術的另一個方面，還公開了一種電子設備，所述電子設備包括存儲器和至少一個處理器，所述存儲器中存儲有指令；所述至少一個處理器調用所述存儲器中的所述指令，以使得所述電子設備執行如上任一項所述的跨品種目標檢測方法的各個步驟。

36、根據本技術的另一個方面，還公開了一種計算機可讀存儲介質，所述計算機可讀存儲介質上存儲有指令，其特征在于，所述指令被處理器執行時實現如上任一項所述的跨品種目標檢測方法的各個步驟。

37、本發明包括但不限于如下有益效果：(1)本發明通過cyclegan模型對對照品種進行向目標品種的風格遷移，生成偽樣本，在數據量受限的條件下提升了目標品種的檢測效率和檢測精度，且通過獲取偽樣本，擴大了模型的訓練數據集，從而提高模型的泛化能力，使其能夠更好地適應新的、未見過的數據；(2)在偽樣本生成過程中，通過使用vgg19感知損失函數進行特征圖像優化，可以提高生成的偽樣本圖像的質量，進而提高模型的識別精度；(3)本發明中，通過凍結輸入端目標近端層，可以保持模型在處理基本圖像特征上的穩定性和泛化能力，進一步的，允許模型的輸出端目標近端層對目標樣本進行特征調整，可以使模型更好地學習和適應目標品種的特定特征，從而提高對目標品種的檢測精度；進一步的，凍結模型的一部分減少了需要訓練的參數數量，從而可以減少訓練時間和計算資源消耗，這使得模型更新尤其是在資源有限的情況下更加高效，通過保持模型的凍結層的特征提取層不變，可以確保模型在接受新訓練數據時保持一定的穩定性，防止訓練過程中出現性能波動或退化；(4)本發明中利用k-means||算法調整yolov7中的錨框，適配目標群在不同體型和姿勢下的特征，增加檢測模型對目標群體特征的精確識別；(5)本發明中，通過引入eca通道關注機制，使得yolov7模型在檢測過程中可以自動聚焦于重要特征通道，在復雜環境下更高效地識別和區分目標群體特征，eca模塊的加入使得模型在少量數據和跨品種的情況下仍能保持較高的檢測性能，顯示出顯著的技術效果。