基于融合深度语义特征和空间通道注意力的鸭群

本发明涉及农业计数领域，更具体地，涉及一种基于融合深度语义特征和空间通道注意力的鸭群密度图计数方法。背景技术：1、随着人工智能技术不断发展，人工智能与农业的结合发展越来越受到大家的关注。对于养殖场来说，结合视频技术对于鸭群的数量进行计数，相比以往人工的粗放式计数，以便能够更好地进行鸭群的管理。2、尽管现有的人工智能技术能完成基本的计数，但应用到实际生产中仍然存在不少问题。由于养殖场采集的图像通常较为模糊，现有的技术难以对鸭子进行识别。同时，基于一般的养殖方式，鸭群较为密集，而现有技术并未对此进行优化，因此现有技术的计数准确率也较低。另一方面，现有的模型训练数据集中，图片中的鸭子数量少且稀疏，拍摄视角小，不存在透视效果，数据集图片过于理想，标注不清晰。而在现实中，为了监控更多鸭群，拍摄角度更大，存在透视效果，家禽分布多样。3、现有技术公开了一种基于深度学习密度图回归的鱼苗计数系统及计数方法。该方法通过人工智能的技术方式，将鱼苗图转化为密度图，从而得到鱼苗计数信息。但该方案并未考虑到动物密集堆叠在图片中的情况，也并未考虑到图片模糊的情况。技术实现思路1、本发明为克服上述现有技术对鸭群进行计数时准确率低的缺陷，提供一种基于融合深度语义特征和空间通道注意力的鸭群密度图计数方法，在有互相遮挡、背景复杂以及透视效果的情况下，均能实现对鸭群的准确计数。2、本发明的首要目的是为解决上述技术问题，本发明的技术方案如下：3、一种基于融合深度语义特征和空间通道注意力的鸭群密度图计数方法，包括：4、s1：获取鸭群图像数据集；5、s2：对所述鸭群图像数据集进行预处理，获得预处理后的鸭群图像数据集；6、s3：构建融合深度语义特征和空间通道注意力的鸭群密度预测模型，设置密度损失函数；7、s4：将所述预处理后的鸭群图像数据集输入融合深度语义特征和空间通道注意力的鸭群密度预测模型进行迭代训练，当所述密度损失函数达到最小时，获得训练好的鸭群密度预测模型；8、s5：获取待识别的鸭群图像，输入所述训练好的鸭群密度预测模型，获得待识别的鸭群图像的鸭群密度图；9、s6：基于所述待识别的鸭群图像的鸭群密度图，获得鸭群数量。10、进一步地，步骤s2中所述预处理包括以下步骤：11、s201：对于鸭群图像数据集中每张鸭群图像，将图像中无鸭子的部分进行裁剪剔除，得到处理后的鸭群图像；12、s202：将所述处理后的鸭群图像中鸭子头部进行标注，形成处理后的鸭群图像对应的标签矩阵；13、s203：将所述处理后的鸭群图像和处理后的鸭群图像所对应的标签矩阵作为预处理后的鸭群图像数据集。14、进一步地，步骤s3中所述融合深度语义特征和空间通道注意力的鸭群密度预测模型包括依次连接的基于融合深度语义特征的编码器、基于空间通道注意力机制的解码器和密度图生成器。15、进一步地，所述基于融合深度语义特征的编码器包括特征提取单元、语义特征信息融合单元和第一特征加和点；16、所述特征提取单元的输出端分别与语义特征信息融合单元、第一特征加和点的输入端连接，语义特征信息融合单元的输出端与第一特征加和点的输入端连接，第一特征加和点的输出端与基于空间通道注意力机制的解码器输入端连接；17、所述语义特征信息融合单元包括依次连接的第一卷积层、第二卷积层、第三卷积层、第一池化层、第四卷积层、第五卷积层、第六卷积层、第二池化层。18、进一步地，所述基于空间通道注意力机制的解码器包括解码预处理单元、并列设置的sam空间注意力单元和cam通道注意力单元、第二特征加和点；19、所述解码预处理单元输入端与所述第一特征加和点的输出端连接，所述sam空间注意力单元的输入端和所述cam通道注意力单元的输入端均与所述解码预处理单元的输出端连接，所述sam空间注意力单元和所述cam通道注意力单元的输出端均与第二特征加和点的输入端相连，第二特征加和点的输出端与所述密度图生成器的输入端相连；20、所述解码预处理单元包括依次连接的第七卷积层、第八卷积层、第九卷积层；21、所述第一矩阵加和点的输出端、第二矩阵加和点的输出端与第二特征加和点的输入端相连；第二特征加和点的输出端与密度图生成器的输入端相连。22、进一步地，所述sam空间注意力单元包括第十卷积层、第一矩阵降维层、第二矩阵降维层、第三矩阵降维层、第一矩阵乘法点、第一softmax层、第二矩阵乘法点、第一矩阵升维层、第十一卷积层、第一矩阵加和点；其中第十卷积层的输入端与第九卷积层的输出端连接，第一矩阵降维层、第二矩阵降维层、第三矩阵降维层的输入端均与第十卷积层的输出端相连，第一矩阵降维层和第二矩阵降维层的输出端与第一矩阵乘法点的输入端相连，第一softmax层的输入端与第一矩阵乘法点的输出端相连；第三矩阵降维层的输出端和第一softmax层的输出端与第二矩阵乘法点的输入端相连；第二矩阵乘法点的输出端与第一矩阵升维层的输入端相连，第一矩阵升维层的输出端与第十一卷积层的输入端相连，第十一卷积层的输出端、解码预处理单元的输出端与第一矩阵加和点的输入端相连。23、进一步地，所述cam通道注意力单元包括第十二卷积层、第四矩阵降维层、第五矩阵降维层、第六矩阵降维层、第三矩阵乘法点、第二softmax层、第四矩阵乘法点、第二矩阵升维层、第十三卷积层、第二矩阵加和点；其中第十二卷积层的输入端与第九卷积层的输出端连接，第四矩阵降维层、第五矩阵降维层和第六矩阵降维层的输入端与第十二卷积层的输出端连接；第四矩阵降维层与第五矩阵降维层的输出端与第三矩阵乘法点的输入端相连；第三矩阵乘法点的输出端与第二softmax层的输入端相连；第二softmax层的输出端、第六矩阵降维层的输出端与第四矩阵乘法点的输入端相连；第四矩阵乘法点的输出端与第二矩阵升维层的输入端相连；第二矩阵升维层的输出端与第十三卷积层的输入端相连；第十三卷积层的输出端、解码预处理单元的输出端与第二矩阵加和点的输入端相连。24、进一步地，所述密度图生成器由一个卷积核构成。25、进一步地，步骤s4中，密度损失函数如下：26、27、其中，σ表示正态分布标准差，h(a)表示l1距离函数，dest(a表示预测密度图，xj表示图片m中每个像素点的位置，yi表示鸭群n中第i只鸭子；28、其中，p yi|xj)的计算公式如下：29、30、其中，zi表示鸭子yi所在的位置。31、进一步地，一种基于融合深度语义特征和空间通道注意力的鸭群密度图计数系统，包括：32、数据获取模块，用于获取鸭群图像数据集；33、预处理模块，用于对所述鸭群图像数据集进行预处理，获得预处理后的鸭群图像数据集；34、模型构建模块，用于构建融合深度语义特征和空间通道注意力的鸭群密度预测模型，设置密度损失函数；35、模型训练模块，用于将所述预处理后的鸭群图像数据集输入融合深度语义特征和空间通道注意力的鸭群密度预测模型进行迭代训练，当所述密度损失函数达到最小时，获得训练好的鸭群密度预测模型；36、识别模块，用于获取待识别的鸭群图像，输入所述训练好的鸭群密度预测模型，获得待识别的鸭群图像的鸭群密度图；37、计数模块，用于基于所述待识别的鸭群图像的鸭群密度图，获得鸭群数量。38、与现有技术相比，本发明的有益效果是：39、本发明通过构建融合深度语义特征和空间通道注意力的鸭群密度预测模型，提升了鸭群计数的准确率，使得在有互相遮挡、背景复杂的情况下，能实现对于鸭群的准确计数。