本发明涉及图像目标检测，具体地说，尤其涉及一种基于gcs-yolo算法的牛场多目标检测方法及系统。
背景技术：
1、随着畜牧机械智能化、自动化的快速发展，传统的畜牧养殖装备，需要依靠人工操作机器，不仅消耗了大量人力物力，而且效率低下且存在较大安全隐患。目前世界上存在着多种类型的巡检机器人，但受养殖环境或造价成本等因素的影响，或多或少存在着诸多弊端，现有的牛场目标检测系统仍然存在着检测精度和速度有限，无法满足实时准确的完成牛场多目标检测任务的问题，并且检测算法复杂，对设备的计算能力要求较高，难以在嵌入式设备上部署。
2、当前迫切需要牛场目标检测系统具备能够进行复杂环境养殖目标识别和精准路径提取的能力，来适应养殖场错综复杂的养殖环境，降低养殖风险，提高经济效益。为满足上述需要，本发明提出了一种基于牛场巡检机器人、联合目标检测和语义分割多任务学习算法的目标识别方法及系统
技术实现思路
1、本发明目的是提供一种基于gcs-yolo算法的牛场多目标检测方法及系统，以克服现有技术中牛场目标检测系统精度和速度有限，无法满足实时准确的完成牛场多目标检测任务，并且检测算法复杂，对设备的计算能力要求较高的缺陷。
2、本发明是采用以下技术方案实现的：
3、一种基于gcs-yolo算法的牛场多目标检测方法及系统，包括以下步骤：
4、s1：基于yolov8目标检测算法，使用gcnet主干网络替换darknet-53主干网络，构建gcs-yolo模型，gcnet主干网络包括cbs、幽灵卷积模块、swin transformer v2注意力机制、跨级幽灵部分模块和金字塔快速模块；
5、s2：采集带有目标检测物的图像数据集；
6、s3：通过降低图像数据集中图像相似度，降低图像数据数量，随后数据在线增强得到最终图像数据集；
7、s4：将数据增强后的图像数据集输入gcnet主干网络的输入端，生成特征图，采用gcs-yolo模型目标检测算法对处理后的图像数据进行训练，得到目标检测模型；
8、s5、然后将后续采集图像输入至上述训练后的目标检测模型中，对后续牛场图像进行目标检测，获取牛场图像的目标检测效果；
9、s6：对训练后的目标检测模型进行评价。
10、优选的，步骤s3中，采用感知哈希算法结合opencv库降低图像数据集中图像相似度，其包括以下步骤：
11、首先，将采集得到rgb图像尺寸缩小至8×8大小，随后对图像进行色彩简化处理并进行离散余弦变换，得到32×32大小的矩阵，公式表达为：
12、
13、式中，
14、f(i)为原始信号，n是一维数据的元素总数，即原始信号点数，c(u)是补偿系数，可以使得离散余弦变换矩阵为正交矩阵；
15、然后，取离散余弦变换后得到的矩阵左上角8*8大小部分的离散余弦变换值与求取的f(i)进行比较，将结果组成向量得到该图像的hash值，通过计算两个hash值的汉明距离来判断两个图像的相似度，所述汉明距离表示两个等长字符串之间对应位置不同的位的数量，如果汉明距离很小，说明两个hash值很相似，对应的图像也很相似。
16、优选的，步骤s3中，采用mosaic数据在线增强，其包括以下步骤：将四个图像片段拼接在一起，形成一个新的合成图像，每个片段都被放置在新图像的一个象限上，然后将这个合成图像用作模型训练的输入。
17、优选的，gcs-yolo模型的损失函数总体损失为分类损失、定位损失和置信度损失三者的加权求和，其公式为：
18、loss＝alcls+blbox+clobj式中，lcls为分类损失，lbox为定位损失，lobj为置信度损失，
19、nc为检测目标类别数目；nl为检测层数；imgsz为像素大小。
20、优选的，步骤s4中，所述gcnet主干网络生成特征图的方法是：
21、当采集的图像经过数据增强后，输入gcnet主干网络的输入端，首先使用常规卷积核来生成部分特征图，公式表达为：
22、f＝x*k+b
23、式中，f为生成的原始特征图，k是卷积核，b是偏置项，*表示卷积操作；
24、接着对原始特征图进行线性运算，公式表达为：
25、c(i)＝f(i)*l(i)+b(i)
26、式中，g(i)是第i个原始特征图生成的ghost特征图，l(i)是半数的卷积核，b(i)是对应的偏置项；
27、最后将原始特征图与生成的ghost特征图拼接起来，得到最终的输出特征图。
28、优选的，步骤s4中，还包括以下步骤：所述幽灵跨级部分模块将gcnet主干网络的特征图分成两个分支，其中一个分支通过卷积操作进行特征提取和处理，另一分支进行轻量级处理，将两个分支的特征图通过通道拼接的方式进行融合，融合后的特征图与gcnet主干网络的特征图进行残差连接。
29、优选的，步骤s5中，对后续牛场图像进行目标检测方法包括以下步骤：将后续采集得到的图像数据进行提取rgb图像，随后输入训练后的目标检测模型中，使用gcnet主干网络中幽灵卷积模块对图像进行卷积和线性运算，通过幽灵跨级部分模块的处理，与gcnet主干网络的特征图进行残差连接，加入注意力机制和金字塔快速池化模块，最后通过seghead模块实现目标快速、精确的分割，在输出的图像上将不同检测目标实现分割并显示检测框置信度，传输至上位机显示，完成对后续牛场图像的目标检测。
30、优选的，在步骤s6中，gcs-yolo模型采用精确率、全类平均率和召回率作为模型检测效果的评价标准，其精确率、全类平均率和召回率公式如下：
31、
32、
33、
34、上述公式中p为准确率，r为召回率，map为全类平均率，式中，
35、
36、
37、p(r′)为召回率r′处的测量精度，pinterp(r)为插值区间内的最大精度，tp为真正例，fp为假正例，fn为反例，k为检测目标类别数目。
38、一种基于gcs-yolo算法的牛场目标检测系统，包括：图像采集模块、图像储存与处理模块、图像分析模块和上位机，其中：
39、图像采集模块，对牛场中的目标检测物进行视频采集，并将采集数据传输至图像储存与处理模块；
40、图像储存与处理模块，对采集视频提取rgb图像，并通过感知哈希算法结合opencv库降低图像相似度，随后使用mosaic数据在线增强得到最终图像，将最终图像数据集传送给图像分析模块；
41、图像分析模块，使用gcs-yolo模型目标检测算法对图像数据集进行牛场目标检测模型训练，并对后续输入的牛场图像进行目标检测，将检测结果传输至上位机；
42、上位机，用于输出并显示检测结果。
43、所述图像采集模块包括巡检机器人、水平放置台、深度相机，所述巡检机器人包括机器人本体，所述机器人本体上设有主动轮、万向轮、伺服电机和锂电池，所述锂电池电连接伺服电机，所述伺服电机驱动连接主动轮，所述深度相机通过水平放置台固定在巡检机器人前端。
44、与现有技术相比，本发明的有益效果是：
45、1、本发明检测系统能够以更快的检测速度来执行巡检任务，相较于人工巡检，大幅度提高了牛场的管理效率，农场工人可以从繁重、重负且耗时的巡检任务中解脱出来，将更多的精力投入到其他更需要人工干预的任务上。
46、2、本发明通过使用自主设计的gcs-yolo算法，提高了机器人检测目标的速度和精度，降低了漏检情况和路径提取误差，有助于快速响应突发事件、管理资源和做出更明智的决策，有效的应对牛场的复杂环境，为牛场智能化养殖打下基础。
47、3、本发明检测系统具备更轻量化模型，大幅减少计算机的计算时间，进一步提升机器人的作业性能。
48、4、本发明长远来看可降低牛场的运营成本，提高经济效益，有助于推动畜牧业向智能化、高效化的方向发展，提高牛场管理水平，同时改善牛群的生活和健康状况。
1.一种基于gcs-yolo算法的牛场多目标检测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于gcs-yolo算法的牛场多目标检测方法，其特征在于：步骤s3中，采用感知哈希算法结合opencv库降低图像数据集中图像相似度，该方法包括以下步骤：
3.根据权利要求1所述的一种基于gcs-yolo算法的牛场多目标检测方法，其特征在于：步骤s3中，采用mosaic数据在线增强，该方法包括以下步骤：将四个图像片段拼接在一起，形成一个新的合成图像，每个片段都被放置在新图像的一个象限上，然后将这个合成图像用作模型训练的输入。
4.根据权利要求1所述的一种基于gcs-yolo算法的牛场多目标检测方法，其特征在于：gcs-yolo模型的损失函数总体损失为分类损失、定位损失和置信度损失三者的加权求和，其公式为：
5.根据权利要求1所述的一种基于gcs-yolo算法的牛场多目标检测方法，其特征在于：步骤s4中，所述gcnet主干网络生成特征图的方法是：
6.根据权利要求1所述的一种基于gcs-yolo算法的牛场多目标检测方法，其特征在于：步骤s4中，还包括以下步骤：所述幽灵跨级部分模块将gcnet主干网络的特征图分成两个分支，其中一个分支通过卷积操作进行特征提取和处理，另一分支进行轻量级处理，将两个分支的特征图通过通道拼接的方式进行融合，融合后的特征图与gcnet主干网络的特征图进行残差连接。
7.根据权利要求1所述的一种基于gcs-yolo算法的牛场多目标检测方法，其特征在于：步骤s5中，对后续牛场图像进行目标检测方法包括以下步骤：将后续采集得到的图像数据进行提取rgb图像，随后输入训练后的目标检测模型中，使用gcnet主干网络中幽灵卷积模块对图像进行卷积和线性运算，通过幽灵跨级部分模块的处理，与gcnet主干网络的特征图进行残差连接，加入注意力机制和金字塔快速池化模块，最后通过seg head模块实现目标快速、精确的分割，在输出的图像上将不同检测目标实现分割并显示检测框置信度，传输至上位机显示，完成对后续牛场图像的目标检测。
8.根据权利要求1所述的一种基于gcs-yolo算法的牛场多目标检测方法，其特征在于：在步骤s6中，gcs-yolo模型采用精确率、全类平均率和召回率作为模型检测效果的评价标准，其精确率、全类平均率和召回率公式如下：
9.一种基于gcs-yolo算法的牛场多目标检测系统，其特征在于：包括：图像采集模块、图像储存与处理模块(8)、图像分析模块(4)和上位机，其中：
10.根据权利要求1所述的基于gcs-yolo算法的牛场多目标检测系统，其特征在于：所述图像采集模块包括巡检机器人、水平放置台(7)、深度相机(1)，所述巡检机器人包括机器人本体，所述机器人本体上设有主动轮(2)、万向轮(3)、伺服电机(6)和锂电池(5)，所述锂电池(5)电连接伺服电机(6)，所述伺服电机(6)驱动连接主动轮(2)，所述深度相机(1)通过水平放置台(7)固定在巡检机器人前端。
