CN113505630A - 猪场监控模型训练方法、装置、计算机设备和存储介质 - Google Patents

Abstract

本申请涉及一种猪场监控模型的训练方法及装置。所述方法包括：获取生物图像数据、猪只轮廓数据和猪场图像数据；将各个猪场图像数据分别与生物图像数据和猪只轮廓数据中的一个进行融合，形成对应的融合图像数据，融合图像数据包括生物图像或猪只轮廓与猪场图像的融合图像、以及对应的类别信息和位置信息；采用多种编辑方式处理融合图像，得到扩增图像和对应的类别信息和位置信息；将扩增图像作为训练样本，类别信息和位置信息作为训练标签，对猪场监控模型进行训练。采用本方法能够使猪场监控模型获得大量的训练数据，从而提高了猪场监控模型的泛化能力，能更加准确的识别猪场出入的目标的类型。

Description

猪场监控模型训练方法、装置、计算机设备和存储介质

技术领域

本申请涉及猪场监控技术领域，特别是涉及一种猪场监控模型训练方法、装置、计算机设备和存储介质。

背景技术

随着生活水平的提高，我国人民对于猪肉的需求量不断增大，使得生猪养殖场的规模也逐渐扩大。随着养殖规模成数量级增长，为了防止猪只意外走失或猪只被偷盗，需要对猪场的各个出入口(大门、猪舍门、出猪台)进行监控。

传统技术中，通过获取在猪场各个出入口实时拍摄的场景图像，使用深度学习中的目标检测技术检测图像中是否包含猪只，从而可以实时判断各个出入口是否有猪只出入。

然而，猪只异常出入为低频事件，包含猪只的场景图像匮乏，深度学习神经网络模型的训练样本不足，造成深度学习神经网络模型的判断结果准确度较低。

发明内容

基于此，有必要针对上述技术问题，提供一种能够获得大量训练数据的猪场监控模型训练方法、装置、计算机设备和存储介质。

一种猪场监控模型训练方法，所述方法包括：获取生物图像数据、猪只轮廓数据和猪场图像数据，所述生物图像数据包括猪场内出现生物的生物图像、以及对应的类别信息和位置信息，所述生物图像至少包括猪只图像，所述猪只轮廓数据包括猪只轮廓和对应的角度信息，所述猪场图像数据至少包括猪场图像；将各个所述猪场图像数据分别与所述生物图像数据和所述猪只轮廓数据中的一个进行融合，形成对应的融合图像数据，所述融合图像数据包括所述生物图像或所述猪只轮廓与所述猪场图像的融合图像、以及对应的类别信息和位置信息；采用多种编辑方式处理所述融合图像，得到扩增图像、以及对应的类别信息和位置信息；将所述扩增图像作为训练样本，对应的类别信息和位置信息作为训练标签，对猪场监控模型进行训练。

在其中一个实施例中，所述获取生物图像数据、猪只轮廓数据和猪场图像数据，包括：获取所述猪场外拍摄的猫、狗、人、车的图像、以及对应标记的类别信息和位置信息，形成生物图像数据；获取所述猪场内拍摄的猪只图像和对应标记的类别信息和位置信息，形成生物图像数据；获取从所述猪只图像中截取的猪只轮廓和对应标记的角度信息，形成猪只轮廓数据；获取在猪场出入口拍摄的场景图像，形成所述猪场图像数据。

在其中一个实施例中，所述猪场图像包含生物图像，所述猪场图像数据还包括所述生物图像对应的类别信息和位置信息。

在其中一个实施例中，所述将各个所述猪场图像数据分别与所述生物图像数据和所述猪只轮廓数据中的一个进行融合，形成对应的融合图像数据，包括：每个所述猪场图像数据采用如下方式处理：从所述生物图像数据和所述猪只轮廓数据中选择一个进行融合；若选择的是所述生物图像数据，则按照如下公式将所述生物图像数据中的生物图像与所述猪场图像数据中的猪场图像进行融合，得到融合图像：xij＝λ*aij+(1-λ)*bij；其中，xij为所述融合图像中坐标(i，j)处的像素值，λ为设定参数，aij为所述生物图像中坐标(i，j)处的像素值，bij为所述猪场图像中坐标(i，j)处的像素值；按照如下公式确定所述融合图像对应的类别信息：Xij＝λ*Aij+(1-λ)*Bij；其中，Xij为所述融合图像为各个类别的概率矩阵，λ为设定参数，Aij为所述生物图像为各个类别的概率矩阵，Bij为所述猪场图像为各个类别的概率矩阵；将所述生物图像对应的位置信息作为所述融合图像对应的位置信息；若选择的是所述猪只轮廓数据，则确定所述猪只轮廓的融合数量、以及各个所述猪只轮廓的融合位置和融合角度；将符合所述融合数量的所述猪只轮廓按照各自对应的融合角度融入在所述猪场图像中各自对应的融合位置，形成融合图像；将猪只作为所述融合图像对应的类别信息，各个所述猪只轮廓的融合位置作为所述融合图像对应的位置信息。

在其中一个实施例中，从所述生物图像数据和所述猪只轮廓数据中选择一个、确定所述猪只轮廓的融合数量、以及确定各个所述猪只轮廓的融合位置都是随机进行的。

在其中一个实施例中，所述编辑方式包括翻转变换、随机修剪、平移变换、尺度变换、噪声扰动、旋转变换中的一种或多种。

在其中一个实施例中，所述方法还包括：实时获取猪场出入口拍摄的监控图像；将所述监控图像输入至所述猪场监控模型，得到所述猪场监控模型输出的判断结果；若所述判断结果为所述监控图像中包含猪只，则将所述监控图像发送给管理员；若所述判断结果为所述监控图像中没有猪只，则将所述监控图像和所述监控图像的拍摄时间录入数据库。

一种猪场监控模型训练装置，包括：

图像获取模块，用于获取生物图像数据、猪只轮廓数据和猪场图像数据，所述生物图像数据包括猪场内出现生物的生物图像和对应的类别信息和位置信息，所述生物图像至少包括猪只图像，所述猪只轮廓数据包括猪只轮廓和对应的角度信息，所述猪场图像数据至少包括猪场图像；

图像融合模块，用于将各个所述猪场图像数据分别与所述生物图像数据和所述猪只轮廓数据中的一个进行融合，形成对应的融合图像数据，所述融合图像数据包括所述生物图像或所述猪只轮廓与所述猪场图像的融合图像、以及对应的类别信息和位置信息；

图像增强模块，用于采用多种编辑方式处理所述融合图像，得到扩增图像和对应的类别信息和位置信息；

图像训练模块，用于将所述扩增图像作为训练样本，所述类别信息和所述位置信息作为训练标签，对猪场监控模型进行训练。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

获取生物图像数据、猪只轮廓数据和猪场图像数据，所述生物图像数据包括猪场内出现生物的生物图像、以及对应的类别信息和位置信息，所述生物图像至少包括猪只图像，所述猪只轮廓数据包括猪只轮廓和对应的角度信息，所述猪场图像数据至少包括猪场图像；

将各个所述猪场图像数据分别与所述生物图像数据和所述猪只轮廓数据中的一个进行融合，形成对应的融合图像数据，所述融合图像数据包括所述生物图像或所述猪只轮廓与所述猪场图像的融合图像、以及对应的类别信息和位置信息；

采用多种编辑方式处理所述融合图像，得到扩增图像、以及对应的类别信息和位置信息；

将所述扩增图像作为训练样本，对应的类别信息和位置信息作为训练标签，对猪场监控模型进行训练。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

获取生物图像数据、猪只轮廓数据和猪场图像数据，所述生物图像数据包括猪场内出现生物的生物图像、以及对应的类别信息和位置信息，所述生物图像至少包括猪只图像，所述猪只轮廓数据包括猪只轮廓和对应的角度信息，所述猪场图像数据至少包括猪场图像；

将各个所述猪场图像数据分别与所述生物图像数据和所述猪只轮廓数据中的一个进行融合，形成对应的融合图像数据，所述融合图像数据包括所述生物图像或所述猪只轮廓与所述猪场图像的融合图像、以及对应的类别信息和位置信息；

采用多种编辑方式处理所述融合图像，得到扩增图像、以及对应的类别信息和位置信息；

将所述扩增图像作为训练样本，对应的类别信息和位置信息作为训练标签，对猪场监控模型进行训练。

上述猪场监控模型的训练方法和训练装置，通过获取生物图像数据、猪只轮廓数据和猪场图像数据，并将各个猪场图像数据分别与生物图像数据和猪只轮廓数据中的一个进行融合，得到融合图像数据，人为创造了深度学习模型的训练样本。然后采用多种图像扩增的方法对融合图像数据进行处理，对融合图像做一些变换，得到更多的融合图像，可以丰富融合图像的多样性，增加深度学习模型的训练样本的数量，使得模型的泛化能力更强。最后使用经过了图像扩增之后的融合图像数据作为训练样本，对猪场监控模型进行训练，可以为猪场监控模型提供了大量的训练数据，提高猪场监控模型的泛化能力，使得猪场监控模型能够准确识别猪场出入的生物类型。

附图说明

为了更清楚地说明本申请实施例或传统技术中的技术方案，下面将对实施例或传统技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为一个实施例中猪场监控模型的训练方法的流程图；

图2为一个实施例中图像融合步骤的流程图；

图3为一个实施例中猪只轮廓数据的示意图；

图4为一个实施例中模型判断方法的流程图；

图5为一个实施例中猪场监控模型的训练装置的结构框图；

图6为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。

正如背景技术，传统技术中在猪场的出入口使用深度学习神经网络模型对出入的生物进行识别，存在识别不准确，容易误报的问题。经发明人研究发现，出现这种问题的原因在于，猪场的出入口出现猪只异常出入的现象属于低频事件，导致传统技术中的深度学习神经网络模型的训练样本量不足，从而模型训练的效果不好，泛化能力弱，难以准确的识别在猪场出入口出现的生物的类别。

基于以上原因，本发明提供了一种猪场监控模型的训练方法和训练装置，通过获取生物图像数据、猪只轮廓数据和猪场图像数据，然后将各个猪场图像数据分别与生物图像数据和猪只轮廓数据中的一个进行融合，得到融合图像数据，从而人为创造了深度学习模型的训练样本。然后采用多种图像扩增的方法对融合图像数据进行处理，对融合图像做一些变换，得到更多的融合图像，丰富了融合图像的多样性，增加了深度学习模型的训练样本的数量，使得模型的泛化能力更强。然后使用经过了图像扩增之后的融合图像数据作为训练样本，对猪场监控模型进行训练，使猪场监控模型获得了大量的训练数据，从而提高了猪场监控模型的泛化能力，能更加准确的识别猪场出入的目标的类型。

在一个实施例中，如图1所示，提供了一种猪场监控模型的训练方法，该方法包括：

步骤S100，获取生物图像数据、猪只轮廓数据和猪场图像数据。

其中，生物图像数据包括猪场内出现生物的生物图像和对应的类别信息和位置信息，生物图像至少包括猪只图像，猪只轮廓数据包括猪只轮廓和对应的角度信息，猪场图像数据至少包括猪场图像。

示例性地，生物图像包括猫、狗、人、车的图像和对应标记的类别信息和位置信息。

示例性地，生物图像还包括猪场内拍摄的猪只图像和对应标记的类别信息和位置信息。

示例性地，通过在猪舍上方安装红外夜视摄像头，获取猪只图像。

示例性地，从猪只图像中截取的猪只轮廓和对应标记的角度信息，形成猪只轮廓数据。

示例性地，通过猪场出入口安装的红外夜视摄像头拍摄的监控图像，作为猪场图像数据。

示例性地，出入口包括大门、猪舍门、出猪台。

示例性地，猪场图像包含生物图像，猪场图像数据还包括生物图像对应的类别信息和位置信息。

示例性地，通过标记图像的方式获取图像中的位置信息、类别信息和猪只轮廓数据。

其中，标记图像(又可以称为ground truth)可以为对训练图像中的特征物进行标记后得到的图像，对应不同用途的深度学习网络，特征物可以不同。例如，用于识别动物的深度学习网络中，特征物可以是猪、牛等。又如，用于识别汽车的深度学习网络中，特征物可以是越野车、巴士、卡车等。对训练图像中的特征物进行标记的方式可以是：对训练图像中的特征物进行画框、划线等处理方式实现标记，以用于识别汽车的深度学习网络为例，对训练图像中的汽车进行画框处理，进而实现标记，将画框处理后的训练图像作为标记图像。

示例性地，猪场图像数据包括在猪场出入口处拍摄的监控图像。

步骤S110，将各个猪场图像数据分别与生物图像数据和猪只轮廓数据中的一个进行融合，形成对应的融合图像数据。

步骤S120，采用多种编辑方式处理融合图像，得到扩增图像和对应的类别信息和位置信息。

步骤S130，将扩增图像作为训练样本，类别信息和位置信息作为训练标签，对猪场监控模型进行训练。

上述猪场监控模型的训练方法，通过获取生物图像数据、猪只轮廓数据和猪场图像数据，然后将各个猪场图像数据分别与生物图像数据和猪只轮廓数据中的一个进行融合，得到融合图像数据，从而人为创造了深度学习模型的训练样本。然后采用多种图像扩增的方法对融合图像数据进行处理，对融合图像做一些变换，得到更多的融合图像，丰富了融合图像的多样性，增加了深度学习模型的训练样本的数量，使得模型的泛化能力更强。然后使用经过了图像扩增之后的融合图像数据作为训练样本，对猪场监控模型进行训练，使猪场监控模型获得了大量的训练数据，从而提高了猪场监控模型的泛化能力，能更加准确的识别猪场出入的目标的类型。

在一个实施例中，如图2所示，步骤S110包括：

步骤S200，对一个猪场图像数据，从生物图像数据和猪只轮廓数据中选择一个进行融合。若选择生物图像数据，则执行步骤S202到步骤S208；若选择猪只轮廓数据，则执行步骤S210到步骤S216。

步骤S202，选取一个猪场图像数据和一个生物图像数据。

示例性地，将所有猪场图像数据中的每一张图像按顺序进行编号，将生物图像数据中的每一张图像按顺序进行编号，每次选取猪场图像数据和生物图像数据中编号相同的图像。

步骤S204，按照公式xij＝λ*aij+(1-λ)*bij，将生物图像数据中的生物图像与猪场图像数据中的猪场图像进行融合，得到融合图像。

其中，xij为融合图像中坐标(i，j)处的像素值，λ为设定参数，aij为生物图像中坐标(i，j)处的像素值，bij为猪场图像中坐标(i，j)处的像素值。

示例性地，每张生物图像的像素数量和每张猪场图像的像素数量相等。

示例性地，若每张生物图像的像素数量和每张猪场图像的像素数量不相等，则沿着生物图像的图形轮廓裁剪猪场图像，保留猪场图像中轮廓包围范围内的部分。

步骤S206，按照公式Xij＝λ*Aij+(1-λ)*Bij，将生物图像数据中的类别信息与猪场图像数据中的类别信息进行融合，得到融合图像对应的类别信息。

其中，Xij为融合图像为各个类别的概率矩阵，λ为设定参数，Aij为生物图像为各个类别的概率矩阵，Bij为猪场图像为各个类别的概率矩阵。

示例性地，λ为生物图像数据的数据量占生物图像数据的数据量和猪场图像数据的数据量之合的百分比。

示例性地，图像各个类别的概率矩阵可以为一个向量，向量的每个位置代表一种生物的类别在图片中出现的概率，例如[1,0,0]代表猪，[0,1,0]代表人，[0,0,1]代表狗，向量中的第一个位置表示图像包含猪的概率，第二个位置表示图像中包含人的概率，第三个位置表示图像包含狗的概率。对应位置的向量值不为0则表示存在该类别的生物，对应位置的向量值代表该生物在图像中出现的概率。

步骤S208，将生物图像对应的位置信息作为融合图像对应的位置信息。

在本实施例中，通过将生物图像数据和猪场图像数据的图像对应像素值代入公式进行融合，得到了不同类别的生物出现在猪场图像的情景下的融合图像。通过图像融合的方式创造了深度学习模型的训练样本。

步骤S210，选取一个猪场图像数据和一个猪只轮廓数据。

步骤S212，确定猪只轮廓的融合数量、融合位置和融合角度。

示例性地，猪只轮廓的融合数量为一到十中的随机数。

示例性地，从生物图像数据和猪只轮廓数据中选择一个进行融合以及确定猪只轮廓的融合位置都是随机进行的。

示例性地，猪只轮廓的融合角度为使猪只在图像中的角度为正常的角度，正常角度为猪只轮廓和水平面在垂直于水平面方向上的夹角在-10度到10度之间。例如，如图3所示，猪只轮廓和水平面的夹角为60度，需要将其旋转为和水平面的夹角在-10度到10度之间，使得融合后的图像符合常理。

步骤S214，将符合融合数量的猪只轮廓按照融合角度融入猪场图像中的融合位置，形成融合图像。

步骤S216，将猪只作为融合图像对应的类别信息，融合位置作为融合图像对应的位置信息。

在本实施例中，通过截取出猪只的轮廓图像，然后将猪只轮廓图像随机的贴在猪场图像上，并且调整猪只轮廓图像的角度使融合后的图像合理。通过这样的方式得到了猪只出现在猪场图像的情景下的融合图像，从而创造了深度学习模型的训练样本。

在其中一个实施例中，步骤S120包括：

采用翻转变换、随机修剪、平移变换、尺度变换、噪声扰动、旋转变换中的一种或多种图像扩增方式来对融合图像进行处理，得到扩增图像和对应的类别信息和位置信息。

示例性地，翻转变换为将图像顺时针旋转90度或者逆时针旋转90度或者左右翻转或者上下翻转。

示例性地，随机修剪为随机裁剪图像中的一部分，裁剪后的图像尺寸为原图像尺寸的60％到100％。

示例性地，平移变换为不改变图像大小，仅改变图像的位置，将图像上的每个像素点对应移动到新的像素点。

示例性地，尺度变换为以图像的中心点为中心，对图像进行等比例的放大和缩小。

示例性地，噪声扰动为在图像中添加杂讯，用于检测模型模拟的算法的抗噪性。

示例性地，旋转变换为将图像以某一点为中心，顺时针或者逆时针旋转一定的角度。

在本实施例中，采用多种图像扩增的方式对融合图像进行处理，在现有的融合图像的数据量下，对融合图像做上述变换中的一种或多种，从而创造出更多的融合图像数据，增加了数据量，丰富了数据的多样性，得到了大量的深度学习模型训练的数据，从而提高了猪场监控模型的泛化能力，能更加准确的识别猪场出入的目标的类型。

在其中一个实施例中，如图4所示，使用本发明的方法得到的训练样本进行训练后的猪场监控模型对猪场出入口的拍摄图像进行判断，包括：

步骤S400，实时获取猪场出入口的拍摄图像。

步骤S410，将拍摄图像输入至猪场监控模型，得到猪场监控模型输出的判断结果。

步骤S420，若判断结果为拍摄图像中包含猪只，则将拍摄图像发送给管理员。

步骤S430，若判断结果为拍摄图像中没有猪只，则将拍摄图像和拍摄时间录入数据库。

在本实施例中，通过猪场出入口的摄像头实时获取猪场出入口的图像，然后使用本发明的方法得到的训练样本进行训练后的猪场监控模型，对拍摄图像中的生物的类别进行判断。如果判断图像中有猪只则将图像发送给管理员确认，以便于管理员来审核确认该猪只属于正常出入还是异常出入。若判断图像中没有猪只则将该图像和拍摄时间录入数据库储存，以方便后期对猪场出入的人员、车辆或者其他生物进行信息追踪。

示例性地，对猪场出入口的第一张拍摄图像进行单高斯建模，得到猪场出入口的建模背景图像，实时将拍摄图像上的特征点的距离和角度信息和建模背景图像上的相同点的距离和角度信息进行匹配，若不一致，则判断摄像头被人为移动。

应该理解的是，虽然图1、图2、图4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1、图2、图4中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图5所示，提供了一种猪场监控模型的训练装置，包括：图像获取模块901、图像融合模块902、图像增强模块903和图像训练模块904，其中：

图像获取模块901，用于获取生物图像数据、猪只轮廓数据和猪场图像数据，生物图像数据包括猪场内出现生物的生物图像和对应的类别信息和位置信息，生物图像至少包括猪只图像，猪只轮廓数据包括猪只轮廓和对应的角度信息，猪场图像数据至少包括猪场图像；

图像融合模块902，用于将各个猪场图像数据分别与生物图像数据和猪只轮廓数据中的一个进行融合，形成对应的融合图像数据，融合图像数据包括生物图像或猪只轮廓与猪场图像的融合图像、以及对应的类别信息和位置信息；

图像增强模块903，用于采用多种编辑方式处理融合图像，得到扩增图像和对应的类别信息和位置信息；

图像训练模块904，用于将扩增图像作为训练样本，类别信息和位置信息作为训练标签，对猪场监控模型进行训练。

关于猪场监控模型的训练装置的具体限定可以参见上文中对于猪场监控模型的训练方法的限定，在此不再赘述。上述猪场监控模型的训练装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。需要说明的是，本申请实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过***总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种猪场监控模型的训练方法。

本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各方法实施例中的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种猪场监控模型的训练方法，其特征在于，所述方法包括：

获取生物图像数据、猪只轮廓数据和猪场图像数据，所述生物图像数据包括猪场内出现生物的生物图像、以及对应的类别信息和位置信息，所述生物图像至少包括猪只图像，所述猪只轮廓数据包括猪只轮廓和对应的角度信息，所述猪场图像数据至少包括猪场图像；

将各个所述猪场图像数据分别与所述生物图像数据和所述猪只轮廓数据中的一个进行融合，形成对应的融合图像数据，所述融合图像数据包括所述生物图像或所述猪只轮廓与所述猪场图像的融合图像、以及对应的类别信息和位置信息；

采用多种编辑方式处理所述融合图像，得到扩增图像、以及对应的类别信息和位置信息；

将所述扩增图像作为训练样本，对应的类别信息和位置信息作为训练标签，对猪场监控模型进行训练。

2.根据权利要求1所述的方法，其特征在于，所述获取生物图像数据、猪只轮廓数据和猪场图像数据，包括：

获取所述猪场外拍摄的猫、狗、人、车的图像、以及对应标记的类别信息和位置信息，形成生物图像数据；

获取所述猪场内拍摄的猪只图像、以及对应标记的类别信息和位置信息，形成生物图像数据；

获取从所述猪只图像中截取的猪只轮廓和对应标记的角度信息，形成猪只轮廓数据；

获取猪场出入口拍摄的场景图像，形成所述猪场图像数据。

3.根据权利要求2所述的方法，其特征在于，所述猪场图像包含生物图像，所述猪场图像数据还包括所述生物图像对应的类别信息和位置信息。

4.根据权利要求1至3任一项所述的方法，其特征在于，所述将各个所述猪场图像数据分别与所述生物图像数据和所述猪只轮廓数据中的一个进行融合，形成对应的融合图像数据，包括：

每个所述猪场图像数据采用如下方式处理：

从所述生物图像数据和所述猪只轮廓数据中选择一个进行融合；

若选择的是所述生物图像数据，则按照如下公式将所述生物图像数据中的生物图像与所述猪场图像数据中的猪场图像进行融合，得到融合图像：

xij＝λ*aij+(1-λ)*bij；

其中，xij为所述融合图像中坐标(i，j)处的像素值，λ为设定参数，aij为所述生物图像中坐标(i，j)处的像素值，bij为所述猪场图像中坐标(i，j)处的像素值；

按照如下公式确定所述融合图像对应的类别信息：

Xij＝λ*Aij+(1-λ)*Bij；

其中，Xij为所述融合图像为各个类别的概率矩阵，λ为设定参数，Aij为所述生物图像为各个类别的概率矩阵，Bij为所述猪场图像为各个类别的概率矩阵；

将所述生物图像对应的位置信息作为所述融合图像对应的位置信息；

若选择的是所述猪只轮廓数据，则确定所述猪只轮廓的融合数量、以及各个所述猪只轮廓的融合位置和融合角度；

将符合所述融合数量的猪只轮廓按照各自对应的融合角度融入在所述猪场图像中各自对应的融合位置，形成融合图像；

将猪只作为所述融合图像对应的类别信息，各个所述猪只轮廓的融合位置作为所述融合图像对应的位置信息。

5.根据权利要求4所述的方法，其特征在于，从所述生物图像数据和所述猪只轮廓数据中选择一个、确定所述猪只轮廓的融合数量、以及确定各个所述猪只轮廓的融合位置都是随机进行的。

6.根据权利要求1至3任一项所述的方法，其特征在于，所述编辑方式包括翻转变换、随机修剪、平移变换、尺度变换、噪声扰动、旋转变换中的一种或多种。

7.根据权利要求1至3任一项所述的方法，其特征在于，所述方法还包括：

实时获取猪场出入口拍摄的监控图像；

将所述监控图像输入至所述猪场监控模型，得到所述猪场监控模型输出的判断结果；

若所述判断结果为所述监控图像中包含猪只，则将所述监控图像发送给管理员；

若所述判断结果为所述监控图像中没有猪只，则将所述监控图像和所述监控图像的拍摄时间录入数据库。

8.一种猪场监控模型的训练装置，其特征在于，所述装置包括：

图像获取模块，用于获取生物图像数据、猪只轮廓数据和猪场图像数据，所述生物图像数据包括猪场内出现生物的生物图像和对应的类别信息和位置信息，所述生物图像至少包括猪只图像，所述猪只轮廓数据包括猪只轮廓和对应的角度信息，所述猪场图像数据至少包括猪场图像；

图像融合模块，用于将各个所述猪场图像数据分别与所述生物图像数据和所述猪只轮廓数据中的一个进行融合，形成对应的融合图像数据，所述融合图像数据包括所述生物图像或所述猪只轮廓与所述猪场图像的融合图像、以及对应的类别信息和位置信息；

图像增强模块，用于采用多种编辑方式处理所述融合图像，得到扩增图像和对应的类别信息和位置信息；

图像训练模块，用于将所述扩增图像作为训练样本，所述类别信息和所述位置信息作为训练标签，对猪场监控模型进行训练。

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。

Images