目  录

摘  要

ABSTRACT

第1章 绪  论

1.1 本课题的选题意义与目的

1.2 国内外的发展概况

1.2.1 国外研究现状

1.2.2 国内研究现状

1.3 本课题的研究内容（或应达到的要求）

1.3.1 本课题的主要研究内容

1.3.2 本课题应达到的技术要求

1.3.3 本研究文章结构安排

第2章 系统需求分析与技术基础

2.1 系统需求分析

2.1.1 功能性需求分析

2.1.2 非功能性需求分析

2.2 系统总设计与关键技术选型

2.2.1 系统总体架构设计

2.2.2 关键目标检测算法对比与选型

2.3 相关理论基础介绍

2.3.1 卷积神经网络（CNN）基础

2.3.2 YOLOv8算法核心架构原理

2.3.3 PyQt5多线程与事件驱动机制原理

第3章 模型的训练与评估

3.1 训练环境

3.2 数据集介绍

3.2.1 数据集来源与划分

3.2.2 数据标注与预处理

3.2.3数据集增强策略

3.3 模型训练与评估

3.3.1 实验运行环境与参数设置

3.3.2 模型评价指标

3.2.3 训练过程与结果分析

第4章 系统设计与验证

4.1 系统设计

4.1.1 功能模块设计

4.1.2 系统工作流程

4.2 系统实现与验证

4.2.1 系统主界面

4.2.2 实时监测功能

4.2.3 图片识别功能

4.2.4 功能验证小结

第5章 结论与展望

5.1 结论

5.2 不足之处及未来展望

致  谢

参考文献

1. 绪  论

绪论应说明本课题的意义、目的、研究范围；简述本课题在国内外的发展概况及存在的问题；说明本课题要达到的技术要求（或阐述本课题应解决的主要问题），阐述本论文的章节标题和每章主要内容。

1. 1. 本课题的选题意义与目的

本课题来源于智能宠物管理和服务领域的实际应用需求。近年来，随着社会经济的发展和人们生活水平的显著提高，宠物在众多家庭中的陪伴地位日益重要，宠物经济随之迅速崛起。随之而来的是，社会与家庭对宠物的健康监测、行为管理以及身份识别提出了更为精细化和智能化的要求。

传统的宠物识别与管理方法主要依赖于人工观察记录或佩戴物理标签（如电子项圈、RFID芯片等）。这些方法不仅耗费大量的人力物力，存在效率低下、易出错等局限性，且物理标签容易丢失或损坏，难以满足大规模、非接触式宠物管理的应用需求。开发一套高效、无感的自动图像识别系统，能够实现对不同品种、不同姿态宠物的快速定位与分类，为宠物健康管理、行为分析及社区流浪动物管理提供智能化的解决方案，高度契合当前智能生活的发展趋势。

在实际的家庭或户外场景中，宠物往往形态多样、毛色复杂，且极易受到光照剧烈变化、拍摄角度多变以及复杂背景（如家具、草丛）的干扰。这对计算机视觉检测算法的鲁棒性和泛化能力提出了极高的要求。本课题旨在采用当前主流的YOLO（You Only Look Once）单阶段目标检测算法，利用深度学习端到端的特征提取优势，克服传统图像处理方法中手工特征泛化能力弱的缺点。通过引入注意力机制和多尺度特征融合策略对模型进行针对性优化，本课题旨在开发出一套兼顾检测精度与推理速度，且具备工程化落地价值的宠物智能识别系统。

1. 1. 国内外的发展概况

1.2.1 国外研究现状

在计算机视觉与目标检测领域，技术经历了从依赖SIFT、HOG等传统手工特征到深度学习卷积神经网络（CNN）的跨越式变革。早期的Two-stage（两阶段）检测算法（如R-CNN系列）虽然在检测精度上表现优异，但受限于繁琐的区域提议生成过程，计算复杂度高，难以满足现实场景下的实时性要求。自Redmon等人提出YOLO系列算法以来，One-stage（单阶段）检测算法凭借端到端的推理模式，在速度与精度之间取得了极佳的平衡，迅速成为工业界与学术界的主流选择。

目前，国外对于YOLO系列的研究重点在于模型架构的持续迭代与特征提取能力的提升。最新的研究综述指出，YOLOv8等先进版本通过引入无锚框（Anchor-free）检测头和全新设计的损失函数，显著提升了模型在复杂背景下的收敛速度和检测精度。在细粒度动物与宠物识别的特定领域，为应对宠物形态多变和背景干扰问题，Woo等人提出的CBAM（Convolutional Block Attention Module）等注意力机制被广泛引入视觉模型中。通过在通道和空间双维度上自适应地加权关键特征，有效缓解了复杂环境下的目标遮挡问题。此外，针对特定宠物数据样本不足的挑战，迁移学习（Transfer Learning）技术被普遍采用，通过在COCO等大型通用数据集上的预训练权重进行微调，大幅提升了模型的泛化能力。

1.2.2 国内研究现状

国内在深度学习视觉算法的落地应用方面发展极为迅速，研究热点逐渐向算力受限的嵌入式设备（如智能摄像头、移动终端）倾斜。针对标准YOLO模型参数量大、计算成本高的问题，国内学者广泛开展了轻量化改进研究。例如，采用MobileNetV3或ShuffleNet替换原有主干网络，并引入深度可分离卷积，在维持检测精度的前提下，大幅压缩了模型的FLOPs（浮点运算次数）和体积，使其更利于在家庭智能设备上部署。

针对实际环境中宠物距离较远（表现为小目标）或部分遮挡的难点，国内在多尺度特征融合技术上进行了大量探索。姚珊珊等人在YOLOv5的基础上，提出了增强特征金字塔（FPN）浅层特征传递能力的改进策略，有效降低了小目标宠物的漏检率。在应用场景拓展方面，国内研究正从静态目标检测向动态监控延伸，如黄学雷等人开发的非法溜宠物识别系统，验证了YOLO算法在社区安防场景中的实用性。

然而，纵观国内外研究现状，现有的宠物识别系统在应对多品种混杂、高相似度宠物区分以及极端光照条件下的特征提取鲁棒性方面，仍存在一定的局限性。如何设计具有强抗干扰能力的检测模型，并打通从算法到软件界面落地的全流程，是当前亟待突破的关键问题。

1. 1. 本课题的研究内容（或应达到的要求）

1.3.1 本课题的主要研究内容

本研究聚焦于计算机视觉领域的宠物生物特征识别技术，旨在通过对单阶段目标检测范式——YOLO系列算法的深度拓扑重构，解决自然环境下宠物形态多变与复杂背景耦合带来的识别难题。研究核心围绕模型对异构宠物目标的特征提取能力与环境适应能力展开，重点针对家庭、户外等非受控场景中的光照剧变及遮挡干预，强化算法在语义特征捕获层面的鲁棒性。在系统集成层面，课题基于高性能PyQt框架构建了交互式可视化系统，实现了从静态图像上传到动态视频流实时感知的功能集成。系统界面设计遵循直观性与可操控性原则，支持多模态数据源接入，并嵌入了动态参数调节模块，允许用户实时介入置信度阈值与交并比（IoU）等关键推理变量，从而深度观察算法性能在不同约束条件下的演进态势，最终实现从高维特征张量向结构化应用数据的闭环转化。

1.3.2 本课题应达到的技术要求

本课题致力于构建一套兼具算法前沿性与工程实用性的宠物智能识别架构，其技术指标涵盖算法效能、系统稳定性与多场景适配性三个核心象限。在算法演进维度，改进后的检测模型需展现出极强的泛化潜能，能够在背景纹理高度复杂的条件下实现对猫、犬等细分品种的精准定位，并对不同拍摄角度与运动形变保持高度的分类稳定性。通过注意力机制与多尺度特征融合网络的协同优化，模型应具备捕捉远距离微小目标的能力，显著降低在异构背景干扰下的漏检率。在系统运行层面，软件原型需提供稳定的多模态输入支持与毫秒级的推理反馈，在确保识别精度指标（mAP）达到工程化预期的前提下，维持高帧率（FPS）的处理效能，以适配智能看护、身份验证等实时性应用场景。最终的技术输出需确保算法创新与工程实现形成有机合力，不仅突破传统识别方法在非受控环境下的性能瓶颈，更为宠物智能管理领域的数字化转型提供可扩展的技术范式。

1.3.3 本研究文章结构安排

本论文遵循由理论推演到实验验证、再到系统落地的严密逻辑脉络展开论述。起始章节通过绪论系统性锚定研究背景，剖析当前宠物识别技术的瓶颈并提出基于改进YOLO算法的解决路径。随后进入技术基础章节，深入探讨深度卷积神经网络的运行机制与可视化界面开发的拓扑框架。核心方法论部分重点阐述模型的优化设计，详尽展示通过引入CBAM注意力机制与FPN增强网络实现特征校准与小目标捕捉能力提升的过程。后续实验章节则立足于数据工程，论述多尺度数据增强策略对模型泛化性能的贡献，并建立多维度的精度评估体系。系统实现章节着重演示基于PyQt的可视化交互终端开发流程，涵盖三模态数据输入逻辑与动态渲染技术的集成。最后在总结与展望章节，对本研究在学术创新与工程应用方面的成果进行归纳，并前瞻性地指出细粒度识别与多模态感知在未来智能化演进中的深层方向。

1. 系统需求分析与技术基础

本章将从实际应用场景出发，详细剖析宠物识别系统的功能性与非功能性需求。在此基础上，横向对比目前主流的目标检测算法，阐述本课题技术选型的合理性，并深入探讨所选YOLO算法的核心网络结构与数学原理，为后续模型的改进与系统实现奠定坚实的理论基础。

1. 1. 系统需求分析    

在进行系统开发之前，必须明确系统所需实现的功能目标以及运行时的性能约束。本节将从功能性和非功能性两个维度对系统需求进行详细分析。

2.1.1 功能性需求分析

本系统旨在为用户提供一套端到端的宠物目标检测与可视化交互平台，其核心功能需求主要包括以下几个方面：

1. 多模态数据输入与解析：系统需支持导入本地静态图像（支持批量处理）和本地视频文件（如MP4、AVI格式），并能够通过调用系统API动态接入外部USB摄像头或网络IP摄像头，实现实时视频流的推流与解析。
2. 高精度目标检测与可视化标注：在接收到图像流后，系统需准确识别画面中的宠物目标（区分Cat与Dog类别），并在界面上通过彩色边界框（Bounding Box）对目标进行物理定位，同时在边界框上方渲染类别标签及置信度分数。
3. 模型参数动态调控：为适应不同光照与噪点强度的现实环境，系统界面需提供动态调节接口。用户可通过拖动滑块实时修改模型的置信度阈值（Confidence Threshold）与交并比阈值（IoU Threshold），以灵活平衡系统的误检率与漏检率。
4. 结构化日志记录与导出：系统在运行过程中，需在底层自动记录检测日志（包含时间戳、检测类别、边界框绝对坐标及置信度），并在前端界面的数据表格中同步展示，支持后续的安防取证与数据溯源。

图 21宠物识别监控系统用例图

2.1.2 非功能性需求分析

除基础业务功能外，作为一款搭载深度学习算法的计算机视觉软件，系统还必须满足以下非功能性指标：

1. 实时性需求（性能指标）：实时性是监控系统的生命线。在搭载主流独立显卡（如NVIDIA RTX系列）的计算平台上，针对1080P分辨率的输入视频流，系统的端到端处理帧率需稳定维持在30 FPS（帧/秒）以上，确保监控画面无肉眼可见的延迟与卡顿。
2. 鲁棒性需求（精度指标）：由于家庭与户外环境存在极大的复杂性（如家具遮挡、夜间低照度、环境毛色混淆），算法模型必须具备强大的抗干扰能力，在自建的复杂场景测试集上，核心评价指标mAP@0.5（平均精度均值）需达到90%以上。
3. 系统稳定性与交互体验：系统的图形用户界面（GUI）必须与后台高负载的深度学习张量运算实现物理隔离，绝对避免因算法推理而导致的主界面“假死”或阻塞现象。同时，系统需具备异常容错机制，在摄像头意外断开时能进行安全拦截与弹窗提示。

1. 1. 系统总设计与关键技术选型

2.2.1 系统总体架构设计

结合上述需求分析，本系统采用高内聚、低耦合的分层架构设计模式。系统整体自上而下划分为三层：表现层（视图层）、业务逻辑层（控制层）和算法数据层（模型层）。

1. 表现层：面向用户的直接交互窗口，负责各类功能按钮的展示、参数调节滑块的监听以及最终推理画面的双缓冲渲染。
2. 业务逻辑层：系统的中枢神经，负责多线程调度。通过异步工作线程（Worker Thread）处理视频帧的逐帧读取、图像预处理（如尺寸缩放、归一化），以及处理与表现层之间的信号通信。
3. 算法数据层：系统的核心计算引擎，主要由加载至GPU显存中的深度学习网络结构与权重文件构成，负责接收张量数据，执行前向传播计算，并利用非极大值抑制（NMS）算法输出最终的坐标与类别数组。

图 22系统总体架构分层设计图

2.2.2 关键目标检测算法对比与选型

当前主流的深度学习目标检测算法主要分为两阶段（Two-stage）与单阶段（One-stage）两大阵营。本课题在选型初期对以下几种代表性算法进行了理论对比：

1. Faster R-CNN：两阶段算法的典型代表。其通过区域建议网络（RPN）预先生成候选框，再进行特征分类与回归。尽管其检测精度极高，但由于计算流程繁琐、参数量庞大，其推理速度难以满足视频流30 FPS的实时性硬性要求，故不适用于本系统。
2. SSD (Single Shot MultiBox Detector)：早期单阶段算法的代表。利用多尺度特征图直接进行密集预测，速度有显著提升。然而，SSD在浅层特征网络中的语义信息提取不足，在面对监控画面中距离较远的“小目标”宠物时，极易发生漏检。
3. YOLO (You Only Look Once) 系列：将目标检测重构为空间分离的单一回归问题，是目前工业界应用最广的算法体系。特别是其最新迭代版本 YOLOv8，不仅彻底摒弃了传统的Anchor-based（基于锚框）机制，赋予了模型极高的多尺度泛化能力，还引入了Decoupled-Head（解耦头）设计，在保持极高推理速度的前提下，进一步拔高了回归框的贴合精度。

综合考量系统对“高实时性”与“抗复杂环境干扰”的双重苛刻要求，本课题最终选定 YOLOv8 算法作为系统的基础底座，并拟在此基础上进行网络结构的针对性优化。

1. 1. 相关理论基础介绍

2.3.1 卷积神经网络（CNN）基础

卷积神经网络（Convolutional Neural Network, CNN）是现代计算机视觉任务的核心基石。有别于传统的多层感知机（MLP），CNN通过局部感受野（Local Receptive Field）和权值共享（Weight Sharing）机制，能够以极高的参数效率提取图像从底层几何边缘到高层抽象语义的阶层化特征。

CNN的核心操作为卷积运算。给定输入特征图 

 和卷积核 

，通过设定的步长在图像上滑动计算内积，加上偏置项 

 后经由非线性激活函数 

（如ReLU、SiLU），输出下一层特征图 

。其二维卷积的数学本质可抽象为式（2-1）：

除了卷积层，池化层（Pooling Layer）通常被用于在保留主要特征响应的前提下进行下采样，以降低特征图的空间维度，从而减少计算量并赋予网络一定的空间平移不变性。

2.3.2 YOLOv8算法核心架构原理

YOLOv8作为Ultralytics团队推出的前沿SOTA（State-of-the-Art）模型，其网络拓扑结构主要由Backbone（主干网络）、Neck（颈部特征融合网络）和Head（预测头）三大部分组成。

Backbone（主干网络）：YOLOv8摒弃了YOLOv5中的C3模块，创新性地设计了 C2f（CSPDarknet53 to 2-Stage Feature）模块。C2f模块借鉴了ELAN（Efficient Layer Aggregation Network）的思想，通过引入更多的跨层连接（Skip Connections）和并行梯度分支，使得梯度在反向传播时能够获得更为丰富和畅通的回流路径。这有效缓解了深层网络中的梯度消失问题，显著增强了网络对宠物毛发等细粒度特征的提取能力。在主干末端，YOLOv8保留了 SPPF（Spatial Pyramid Pooling-Fast）层，通过不同尺寸最大池化核的串联融合，极大拓宽了感受野，提升了模型对多尺度目标的畸变不变性。

1. Neck（特征融合网络）：采用FPN（特征金字塔网络）与PAN（路径聚合网络）相结合的双向融合架构。该结构将深层富含强语义信息的低分辨率特征与浅层富含强空间纹理信息的高分辨率特征进行自顶向下与自底向上的反复融合，有效改善了不同尺度（尤其是小尺度）目标的特征表达。
2. Head（解耦预测头）与损失函数：YOLOv8采用 Anchor-Free（无锚框） 机制，直接在特征网格点上回归目标中心及相对于四条边的距离。同时，它应用了 Decoupled-Head（解耦头） 架构，将分类任务与边界框定位任务剥离至两条独立的物理卷积分支进行。在损失函数的计算上，分类分支采用二元交叉熵损失（BCE Loss）；回归分支则联合计算分布焦点损失（DFL）和 CIoU Loss（Complete IoU Loss）。CIoU不仅考量了预测框与真实框的交并比，还引入了中心点欧氏距离以及长宽比一致性的惩罚项，其数学公式如式（2-2）所示：

其中，

 为预测框中心 

 与真实框中心 

 的欧几里得距离平方，

 为最小外接矩形的对角线距离，

 是衡量宽高比一致性的参数。

2.3.3 PyQt5多线程与事件驱动机制原理

本系统的应用层构建在Python生态下成熟的PyQt5 GUI框架之上。由于深度学习模型的前向推理（Forward Inference）涉及海量矩阵乘法运算，若将其直接编写在主线程中，势必会阻塞PyQt5的主事件循环（Event Loop），导致界面无法响应用户的拖拽与点击操作。

为此，本研究深入应用了PyQt5的 多线程（QThread） 与 信号槽（Signal and Slot） 异步通信机制。在系统设计中，创建一个独立于主线程的 Worker 子线程用于接管OpenCV视频解码、图像预处理以及YOLO模型的张量推理任务。信号（Signal）被定义为对象状态发生改变时发射的广播事件，而槽（Slot）则是响应特定信号的回调函数。当子线程完成一帧图像的检测计算后，会封装一个携带图像矩阵与坐标日志字典的数据包，并通过 emit() 发射自定义信号。主线程中预先绑定好的槽函数在捕获该信号后，在主界面的上下文中安全地进行图像控件更新。这一机制彻底实现了算力逻辑与图形渲染的底层解耦，保障了监控系统的极度流畅运行。