CN113989538A - 基于深度图像的鸡群均匀度估测方法、装置、***及介质 - Google Patents
基于深度图像的鸡群均匀度估测方法、装置、***及介质 Download PDFInfo
- Publication number
- CN113989538A CN113989538A CN202111062601.1A CN202111062601A CN113989538A CN 113989538 A CN113989538 A CN 113989538A CN 202111062601 A CN202111062601 A CN 202111062601A CN 113989538 A CN113989538 A CN 113989538A
- Authority
- CN
- China
- Prior art keywords
- weight
- data set
- image
- chicken
- network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度图像的鸡群均匀度估测方法、装置、***及介质,所述方法包括:获取肉鸡深度图像库;根据肉鸡深度图像库,构造目标分割数据集以及体重分类数据集;搭建目标分割网络和体重分类网络;利用目标分割数据集对目标分割网络进行训练,生成目标掩模图像数据集和矩形裁剪图像数据集;利用目标掩模图像数据集、矩形裁剪图像数据集和体重分类数据集对体重分类网络进行训练;利用训练好的体重分类网络对待测图像进行估测,得到体重类别以及对应的体重区间,并根据鸡群数据以及标准的肉鸡日龄体重计算出鸡群均匀度。本发明利用深度学习网络来自动提取图像特征,并进行体重分类,增加分类数以达到误差(50g)以内的体重估测,最终结合体重计算出鸡群均匀度。
Description
技术领域
本发明涉及一种基于深度图像的鸡群均匀度估测方法、装置、***及介质,属于计算机视觉、机器学习、深度学习、软件开发领域。
背景技术
传统计算鸡群均匀度需要对肉鸡进行称重,传统测量肉鸡体重的方法主要是采用电子称重测量设备进行测量,尽管测量仪器可以较为精确的测量鸡的体重,但是由于肉鸡在称重过程中挣扎频繁,称重平台晃动明显,并且随着污秽累积都会造成结果与实际体重的偏差。同时,在测量肉鸡的体重时往往要与肉鸡发生接触,这种情况会增加肉鸡的应激反应,使得肉鸡在后续饲养环境中状态不佳,严重时会使肉鸡的情绪不佳而致其死亡,不利于肉鸡的福利饲养[1-2],不仅如此,因为测量肉鸡的时候,需要人工从鸡圈或鸡笼中一只一只的把肉鸡抓取出来,非常的消耗人力物力,导致养殖成本直线上升,而且无法频繁的计算鸡群均匀度,使得养殖户不能及时的得到鸡群均匀度这个判断鸡群是否正常生长的重要指标,从而可能会大概率的导致鸡群处于亚健康或不健康状态,且疾病频繁发生,出现料肉比下降的情况。
鸡群均匀度具体包括体态均匀度、体重均匀度、性成熟均匀度3个方面。体态均匀度在育雏早期就基本定型,它决定着体重均匀度。体重均匀可通过分群、调群、饲料调控来提高,它又决定着性成熟的一致性即性成熟均匀度。这三个均匀度关系十分密切,共同构成完整的均匀度概念。养鸡生产,提高鸡群的均匀度非常重要,分群管理是提高鸡群均匀度的重要措施,在加强日常的饲养管理时,对均匀度较差的鸡群需要进行合理的分群。分、调群不及时是均匀度降低的主要因素之一。发现鸡群均匀度不好以及分群操作又或者是日常检查鸡群,都不免需要对鸡群进行称重,尽管会使用抽样称重(10%~20%),依然是需要投入大量人力物力,增加了养殖成本。
另外,由于传统二维数字图像处理技术存在获取物体信息量少,摄像头对周围环境信息敏感,造成监测精度不准确的问题。所以在计算机视觉领域,三维的模型获取技术得到国内外研发人员的青睐,和传统的二维彩色图像比较起来,深度图像不仅能够不受外界光照等环境因素的影响,而且后期图像处理简洁,所以在大型动物的行为监测及体重预测上具有广泛的应用[3-5]。
21世纪以来,电子信息技术迅速发展,其在多个产业的应用也改变了这些产业的发展模式。当前许多畜禽专家的研究方向是怎样将信息技术与家禽养殖业结合在一起,以实现家禽养殖业的自动化与智能化,用来极大的提高家禽产品的质量与产量。在家禽行为分析与体重估测方面,由于家禽体型小,关节多、运动形式多变、空间广范围大等特点,个体的许多细微的动作难以被摄像机捕捉与分析。所以现阶段对家禽的分析研究主要还是集中在家禽群体行为上。家禽饲养中会经常使用到体重称量的方法,传统的称量方法采用人工称量,但不仅工作强度大而且人工成本居高,并且由于各种外在原因,准确度并不高。因此,随着计算机视觉技术的发展,将其应用在动物的行为与体重监测的研究越来越多,计算机视觉技术拥有廉价、不与动物直接接触且能连续拍摄等诸多优点,正成为十分重要的研究方法。
目前,计算机视觉技术在家禽的研究上主要有以下两个方面:1)家禽体态变化监测:对家禽的行为进行分析时,体态变化特征是非常重要的特征,体态变化包括家禽的位置、姿态、速度、轮廓等各种行为信息。当家禽出现反常行为时,表明其生活环境出现异常状况,或其本身存在健康问题。因此国内外许多学者开始利用数字图像处理技术来自动识别家禽的个体以及群体行为。劳凤丹等学者[6]提出利用机器视觉技术对拍摄的蛋鸡图像进行分析识别,他们所提出的方法能够非常准确的识别出单只鸡的饮水、采食、抖动、休息、拍翅膀、举翅膀等9种行为特征。劳凤丹等人[7]采用1台3D摄像机开始同步采集实验环境下蛋鸡的二维以及深度图像数据,并开发出蛋鸡行为智能识别软件,该自动识别软件对蛋鸡的采食、躺、站和坐四种行为的平均识别准确率在80%以上;2)家禽体重估测:体重测量的方法主要应用在肉鸡的生长发育过程中,因为体重可以体现出肉鸡的生长情况、饲料转换率以及鸡群均匀度,所以是饲养员评价肉鸡生长状态的重要指标之一。常见的肉鸡体重称量方法主要采取人工方式进行,该方法最严重的问题就是需要直接接触肉鸡,使肉鸡产生应激反应,严重时造成肉鸡死亡。随着计算机视觉技术的快速发展,许多学者正逐步拍摄动物的二维以及深度图像,通过识别分析并提取特征后用以计算家禽的体积等跟体重相关的数据,且搭建出相应的数学模型用以估测出家禽的体重[8-9]。Mollah等学者[10]利用相机对肉鸡进行拍摄,根据获得的二维彩色图像开发出一种全新的图像处理技术,从图像中提取出肉鸡的表面积,然后建立起图像中肉鸡表面积与实际体重的线性方程,实验结果表明使用该技术来估测肉鸡体重的平均相对误差仅为0.04%~16.47%。Wet等人[11]利用肉鸡表面积和***两种特征与体重的相关性进行研究分析,同样也是采用图像处理技术,研究结果为估测出来的体重平均相对误差仅为11%。以上实验都充分说明可以利用机器视觉技术对家禽体重进行估测。
传统估测鸡群均匀度,测量肉鸡体重时需要抓鸡然后使用吊秤、电子天平等进行人工测量和计算,并进行数统计数据才能得到鸡群的均匀度信息。本发明旨在利用新的计算机视觉和机器学***均体重,自动获取鸡群的均匀度信息,简化操作,同时方便鸡群管理者管理鸡群,提高肉鸡整体质量,减少人力投入减低养殖成本。
国外学者Anders Krogh Mortensen[12]等人已实现利用深度图像估测肉鸡体重。他们从深度图中提取了12个特征以后,使用多元线性回归、前馈神经网络和贝叶斯人工神经网络进行了建模实验。结果显示预测权重与参考权重的平均相对误差为7.8%,他们数据采集***模型图如图1所示,由深度图像估测肉鸡体重的流程图如图2所示。
其中图像处理流程中的肉鸡图像分割采用的是分水岭分割算法,在模型中采用一维特征日龄,投影面积、肉鸡宽度、周长、最大内切圆半径和偏心度作为二维特征。以体积,凸体积,表面积,凸表面积,背宽和背高为三维特征。使用多元线性回归、前馈神经网络和贝叶斯人工神经网络进行了建模估测,最好的平均相对平均误差是7.8%。
国内学者王琳[13]等人也曾利用Kinect相机拍摄的深度图像和BP神经网络来建立模型估测肉鸡体质量,并用于拟合肉鸡的生长模型。他们选择图像挑选及裁剪、中值滤波、大津阈值分割及二值化、对象标识法获取最大目标、形态学开闭重构步骤来对肉鸡深度图像进行处理。然后也同样从深度图中提取了9个特征,不过与国外Anders Krogh Mortensen不同的是王琳等人使用的是BP神经网络(一种典型的监督式神经网络分类器BP神经网络)进行体重建模,结果显示正确率高达99.43%,他们处理图像的流程及目标提取的结果图分别如图3和图4所示。
采用了日龄、目标最小矩形的长和宽、投影面积、轮廓周长、最大内切圆半径和偏心率、体积和后背宽9个特征,并结合BP神经网络,实现群体肉鸡的体质量估测。估测结果与实际测量结果进行对比,研究结果表明两者的均方根误差为0.048,平均相对误差为3.3%,绝对误差在0.0010~0.0682kg范围内,最优拟合度为0.9943。并且在肉鸡体重分级实验中,采取支持向量机(SVM)算法和RBF神经网络算法对肉鸡体重进行分级(三级)识别并验证。结果显示,基于提取的九个特征,支持向量机和RBF神经网络算法对测试集的分级准确率达到94.17%和86.39%。体重分级效果较好,可以达到对肉鸡图片自动体重分级的要求。
综上所述,现有技术存在的缺点是:1)图像信息采集装置固定在实验室中进行,不能投入到真正的生产环境当中去;2)图像处理没有充分利用深度信息,目标识别和分割不完整和高效;3)有效特征提取不足,模型效果还有提升空间;4)还可以用更好的模型进行拟合与估测体重;5)没有提供一个客户端***给鸡群管理者,跟踪信息。导致的原因是:1)没有设计出一套完整的设备与可行的方案,使之能真正运用到生产环境当中去;2)肉鸡好动体态多变,在摄像头下的行为不受控制,经常出现抖动、张开翅膀等行为而造成分类或估测结果的不准确。
参考文献如下:
[1]张洁,张登辉.国内外动物福利现状比较及思考[J].畜牧兽医杂志,2013,32(1):36-38
[2]赵子光.饲养方式对肉鸡福利状况的影响[D].哈尔滨:东北农业大学,2011.
[3]J Kongsro.Estimation of pig weight using a Microsoft Kinectprototype imaging system[J].Computers&Electronics in Agriculture,2014,109:32-35.
[4]郭浩,王鹏,马钦,等.基于深度图像的奶牛体型评定指标获取技术[J].农业机械学报,2013,44(S1):273-276.
[5]刘波,朱伟兴,杨建军,等.基于深度图像和生猪骨架端点分析的生猪步频特征提取[J].农业工程学报,2014,30(10):131-137.
[6]劳凤丹,滕光辉,李军,等.机器视觉识别单只蛋鸡行为的方法[J].农业工程学报,2012,28(24):157-163.
[7]劳凤丹,杜晓东,滕光辉.基于深度图像的蛋鸡行为识别方法[J].农业机械学报,2017,48(1):156-162.
[8]沈明霞,刘龙申,闫丽,等.畜禽养殖个体信息监测技术研究进展[J].农业机械学报,2014,45(10):245-251.
[9]熊本海,罗清尧,杨亮.家畜精细饲养物联网关键技术的研究[J].中国农业科技导报,2011,13(5):19-25.
[10]M Mollah,M Masan,M Salam.Digital image analysis to estimate thelive weigt of broiler[J].Computers&Electronics in Agriculture,2012,72(1):48-52.
[11]W De,E Vranken,A Chedad,et al.Computer-assisted image analysis toquantify daily growth rates of broiler chickens[J].British Poultry Science,2003,44(4):524-32.
[12]Mortensen A,Lisouski P,Ahrendt P.Weight prediction of broilerchickens using 3D computer vision[J].Computers&Electronics in Agriculture,2016,123(C):319-326
[13]王琳,孙传恒,李文勇,吉增涛,张翔,王以忠,雷鹏,杨信廷.基于深度图像和BP神经网络的肉鸡体质量估测模型[J].农业工程学报,2017,33(13):199-205.
发明内容
有鉴于此,本发明提供了一种基于深度图像的鸡群均匀度估测方法、装置、***、计算机设备及存储介质,其利用深度学习网络来自动提取图像特征,并进行体重分类,增加分类数以达到误差(50g)以内的体重估测,最终结合体重计算出鸡群均匀度。
本发明的第一个目的在于提供一种基于深度图像的鸡群均匀度估测方法。
本发明的第二个目的在于提供一种基于深度图像的鸡群均匀度估测装置。
本发明的第三个目的在于提供一种基于深度图像的鸡群均匀度估测***。
本发明的第四个目的在于提供一种计算机设备。
本发明的第五个目的在于提供一种存储介质。
本发明的第一个目的可以通过采取如下技术方案达到:
一种基于深度图像的鸡群均匀度估测方法,所述方法包括:
获取肉鸡深度图像库;
根据肉鸡深度图像库,构造目标分割数据集以及体重分类数据集;
搭建目标分割网络和体重分类网络;
利用目标分割数据集对目标分割网络进行训练,生成目标掩模图像数据集和矩形裁剪图像数据集;
利用目标掩模图像数据集、矩形裁剪图像数据集和体重分类数据集对体重分类网络进行训练;
利用训练好的体重分类网络对待测图像进行估测,得到体重类别以及对应的体重区间,并根据鸡群数据以及标准的肉鸡日龄体重计算出鸡群均匀度。
进一步的,所述利用目标分割数据集对目标分割网络进行训练,生成目标掩模图像数据集和矩形裁剪图像数据集,具体包括:
将目标分割数据集中的图像进行处理;
将处理后的图像输入目标分割网络,使用Dice损失函数对目标分割网络进行训练,并生成权重文件;
根据权重文件,生成目标掩模图像数据集和矩形裁剪图像数据集。
进一步的,所述Dice损失函数如下式:
d=1-2|X∩Y||X|+|Y|
其中,|X∩Y|指X和Y之间的交集;|X|和|Y|分别表示X和Y的元素个数,X表示GT分割图像,Y表示Pred分割图像。
进一步的,所述利用目标掩模图像数据集、矩形裁剪图像数据集和体重分类数据集对体重分类网络进行训练,具体包括:
将目标掩模图像数据集、矩形裁剪图像数据集和体重分类数据集输入体重分类网络,使用CrossEntropy损失函数对体重分类网络进行训练。
进一步的,所述CrossEntropy损失函数,具体包括:
其中,p(x)为真实的概率分布,q(x)为预测的概率分布。
进一步的,所述目标分割网络用的预分割是Unet神经网络,再分割使用的是分水岭分割算法;
所述体重分类网络为修改后的基础的图像分类网络,基础的图像分类网络的最后一层分类器网络被一个完连接层所取代,以输出质量类别分数;基础的图像分类网络权值通过在ImageNet数据集上进行训练初始化,并随机初始化添加的完全连接权值。
进一步的,所述根据鸡群数据以及标准的肉鸡日龄体重计算出鸡群均匀度,如下式:
B=[0.1-0.15]
H1=W-W*B
H2=W+W*B
A=P/X*100%
其中,B取值范围为0.1到0.15,W为鸡种日龄标准体重或采样样本的平均体重,P为位于体重上下限之间的只数,A为体重均匀度。
本发明的第二个目的可以通过采取如下技术方案达到:
一种基于深度图像的鸡群均匀度估测装置,所述装置包括:
获取模块,用于获取肉鸡深度图像库;
构造模块,用于根据肉鸡深度图像库,构造目标分割数据集以及体重分类数据集;
搭建模块,用于搭建目标分割网络和体重分类网络;
第一训练模块,用于利用目标分割数据集对目标分割网络进行训练,生成目标掩模图像数据集和矩形裁剪图像数据集;
第二训练模块,用于利用目标掩模图像数据集、矩形裁剪图像数据集和体重分类数据集对体重分类网络进行训练;
估测模块,用于利用训练好的体重分类网络对待测图像进行估测,得到体重类别以及对应的体重区间,并根据鸡群数据以及标准的肉鸡日龄体重计算出鸡群均匀度。
本发明的第三个目的可以通过采取如下技术方案达到:
一种基于深度图像的鸡群均匀度估测***,所述***包括图像采集装置、客户端和服务端,所述图像采集装置、客户端分别与服务端相连;
图像采集装置,用于采集肉鸡深度图像;
客户端,用于采集待测图像,将待测图像和鸡场必要信息上传给服务端,并接收服务端返回的鸡群均匀度;
服务端,用于执行上述的鸡群均匀度估测方法。
本发明的第四个目的可以通过采取如下技术方案达到:
一种计算机设备,包括处理器以及用于存储处理器可执行程序的存储器,所述处理器执行存储器存储的程序时,实现上述的鸡群均匀度估测方法。
本发明的第五个目的可以通过采取如下技术方案达到:
一种存储介质,存储有程序,所述程序被处理器执行时,实现上述的鸡群均匀度估测方法。
本发明相对于现有技术具有如下的有益效果:
1、本发明没有手动提取肉鸡深度图像的特征,而是利用深度神经网络自动进行特征提取,本发明对于动物体重预测提出了新的方案,与现有技术是用提取出的特征数据用回归预测或贝叶斯网络或BP神经网络来预测体重相比,是将预测体重的任务转化成图像分类问题,利用图像分类网络来进行预测体重,进而得出鸡群均匀度,即用神经网络自动提取特征并用图像分类的方法用于估测体重,有别于之前的手动提取图像特征并用机器学习的模型进行估测体重,对操作者比较友好,并且对鸡群影响极小,采用深度图像,相对RGB图像能更好反映目标特征,并且在模型上没有使用3D点云建模,进而加快了模型速度。
2、本发明与现有技术构造的肉鸡数据集只是固定高度的俯视图相比,还构造了俯视图和侧视图的数据集,接着够造数据集的二元组用于体重分类网络。
3、本发明针对单只鸡深度图像体重估测,除了利用各角度的中心裁剪后的原图进行体重分类,还利用分割后的掩模图进行体重分类,以及固定大小矩形裁剪后的原图进行体重分类;多只鸡的深度图像体重估测,使用分割后的掩模图进行体重分类。
4、本发明的目标分割网络采用Unet分割网络做预分割,对于分割异常的,如多只鸡黏连的情况,用分水岭分割算法进行再分割以得到每一只鸡只实例。
5、本发明的体重分类网络为修改后的基础的图像分类网络,基础的图像分类网络的最后一层分类器网络被一个完连接层所取代,以输出质量类别分数;
6、本发明提供电脑端管理***和微信小程序端给鸡群管理者用于提交数据获取结果并跟踪结果,以做出鸡群管理的决策。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有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发明的一些实施例,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示出的结构获得其他的附图。
图1为现有技术的数据采集***模型图。
图2为现有技术的深度图像估测肉鸡体重的流程图。
图3为现有技术的图像处理的流程图。
图4为现有技术的目标提取的结果图。
图5为本发明实施例1的支撑折叠式相机设计图。
图6为本发明实施例1的手持式相机设计图。
图7为本发明实施例1的采集的一张深度图像示意图。
图8为本发明实施例1的采集的另一张深度图像示意图
图9为本发明实施例1的基于深度图像的鸡群均匀度估测方法的流程图。
图10为本发明实施例1的肉鸡深度图像数据集构造原理图。
图11为本发明实施例1的目标分割网络的结构图。
图12为本发明实施例1的体重分类网络的结构图。
图13为本发明实施例1的基础的图像分类网络结构图。
图14为本发明实施例1的客户端与服务端交互图。
图15为本发明实施例2的基于深度图像的鸡群均匀度估测装置的结构框图。
图16为本发明实施例3的计算机设备的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1:
家禽养殖业也和其它产业一样需要寻求新的转型方式,而本实施例正是要利用计算机视觉来预测肉鸡体重,然后计算鸡群均匀度,实现零接触预测鸡群均匀度,从而达到大幅度减少传统称量肉鸡体重以及人工计算鸡群均匀度所消耗的人力物力,且最重要的是完全不会对鸡群造成刺激的目的。
本实施例提供了一种基于深度图像的鸡群均匀度估测***,该***包括图像采集装置、客户端和服务端,图像采集装置、客户端分别与服务端相连。
图像采集装置,用于采集肉鸡深度图像,图像采集装置可以是自动式支撑折叠式相机,其设计图如图5所示,具体操作是:提前在鸡舍中架设好支撑折叠式相机(90度水平打开),数据传输线拉出接到远程电脑中,电脑程序控制相机定时隔1分钟,拍摄一张照片,(为了避免连续拍摄采样不均的问题),一个采样点拍摄15到20分钟,然后移动支撑折叠式相机到下一个采样地点;图像采集装置还可以是手持式相机,其设计图如图6所示,顶部是深度相机,利用1/4-20UNC的螺纹孔固定到握杠上,数据线缠绕握杠,数据线末端连接到笔记本电脑,握杠60-100cm,具体操作是:手持相机把杆在鸡舍中随机走动(拍摄或录制),数据传输线接到随声携带的笔记本电脑或平板电脑中,启动录制视频或者拍摄图像,可以使用程序控制相机间隔1秒拍摄并保存图像,或者手动控制电脑进行拍摄,一个约1000只鸡的鸡舍拍摄10到15分钟。拍摄的图像可能存在效果不好或无效图像,有则手动剔除。拍摄视频的话,数据训练时利用程序自动跟踪鸡只并剔除过滤效果不好或无效图像数据,只追踪并计算有效图像中的鸡只。
采集到的深度图像信息会自动保存到电脑磁盘中在本地处理或联网上传至服务端(云端服务器)再进行处理,采集肉鸡深度图像分多种角度:
1)俯视图,相机平面与肉鸡距离50cm左右(下同)。
2)侧视图(包括左侧和右侧)。
3)正视图(包括正面和背面)。
若是用手持式深度相机录制视频,采用较低的帧率,如6帧,分辨率采用1280*720,拍摄高度1m左右(腰部位置),拍摄时长10分钟,将深度视频保存为.bag格式;之后再解析视频每一帧,按每秒1张或每两秒1张截取深度矩阵,转换成灰度图,进而再转换成伪彩色图再保存,用于制作数据集。
“深度相机”是能够像人类感知方式一样捕捉现实世界的相机,无论是在颜色上还是在“距离”上,深度相机提供RGB图像和深度图像,深度图像即距离图像,添加了颜色描绘深度范围,用伪彩色图显示,如图7和图8所示。
客户端可以基于电脑端,提供一个管理***,让鸡场管理者上传图像数据及鸡场必要信息,后台***处理后,得出鸡群体重信息以及鸡群均匀度;也可以基于微信平台,提供一个小程序客户端或构建一个手机APP,可查询并跟踪历次的抽测结果。
如图9所示,本实施例提供了一种基于深度图像的鸡群均匀度估测方法,该方法包括以下步骤:
S901、获取肉鸡深度图像库。
通过图像采集装置采集肉鸡深度图像,并进行预处理(去除异常图像,如视野中没有目标的图像),以获取肉鸡深度图像库。
S902、根据肉鸡深度图像库,构造目标分割数据集以及体重分类数据集。
根据肉鸡深度图像库中的肉鸡深度图像,构造用于目标分割的训练集和测试集,作为目标分割数据集,以及构造用于体重分类的训练集和测试集,作为体重分类数据集,具体原理如图10所示。
S903、搭建目标分割网络(OSN)和体重分类网络(WSN)。
目标分割网络的结构如图11所示,用的预分割是Unet神经网络,再分割使用的是分水岭分割算法;体重分类网络的结构如12所示,为修改后的基础的图像分类网络,基础的图像分类网络的结构如图12所示,基础的图像分类网络的最后一层分类器网络被一个完连接层所取代,以输出质量类别分数;基础的图像分类网络权值通过在ImageNet数据集上进行训练初始化,并随机初始化添加的完全连接权值。
S904、利用目标分割数据集对目标分割网络进行训练,生成目标掩模图像数据集和矩形裁剪图像数据集。
该步骤S904具体包括:
S9041、将目标分割数据集中的图像进行处理。
本实施例中所进行的处理具体包括:转成灰度图;缩小成256*256;以均值为0.5、标准差为0.5对图像进行归一化。
S9042、将处理后的图像输入目标分割网络,使用Dice损失函数对目标分割网络进行训练,并生成权重文件。
具体地,将处理后的训练集图像和测试集图像分别输入目标分割网络,使用Dice损失函数对目标分割网络进行训练。
Dice损失函数如下式:
d=1-2|X∩Y||X|+|Y|
其中,|X∩Y|指X和Y之间的交集;|X|和|Y|分别表示X和Y的元素个数,分子中的系数2,是因为分母存在重复计算X和Y之间的共同元素的原因,X表示GT分割图像,Y表示Pred分割图像。
S9043、根据权重文件,生成目标掩模图像数据集和矩形裁剪图像数据集。
S905、利用目标掩模图像数据集、矩形裁剪图像数据集和体重分类数据集对体重分类网络进行训练。
具体地,目标掩模图像数据集、矩形裁剪图像数据集和体重分类数据集的训练集和测试集分别输入体重分类网络,使用CrossEntropy损失函数对体重分类网络进行训练。
CrossEntropy损失函数,具体包括:
其中,p(x)为真实的概率分布,q(x)为预测的概率分布。
S906、利用训练好的体重分类网络对待测图像进行估测,得到体重类别以及对应的体重区间,并根据鸡群数据以及标准的肉鸡日龄体重计算出鸡群均匀度。
保存训练好的体重分类网络权重,实际运用时,将客户端传来的待测图像输入到训练好的体重分类网络,得到体重类别以及对应的体重区间,并根据鸡群数据以及标准的肉鸡日龄体重计算出鸡群均匀度,返回给客户端,客户端与服务端交互如图14所示。
根据鸡群数据以及标准的肉鸡日龄体重计算出鸡群均匀度,如下式:
B=[0.1-0.15]
H1=W-W*B
H2=W+W*B
A=P/X*100%
其中,B取值范围为0.1到0.15,W为鸡种日龄标准体重或采样样本的平均体重,P为位于体重上下限之间的只数,A为体重均匀度。
本实施例与现有技术比较,在实验中对上市前的200百只矮脚黄鸡,本实施例所用的方法估测鸡群均匀度,结果为均匀度相对误差很小(1.53%),体重估测精确度相对较高,体重估测平均相对误差4.27%,优于现有的预测方法。
应当注意,尽管在附图中以特定顺序描述了上述实施例的方法操作,但是这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。相反,描绘的步骤可以改变执行顺序。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
实施例2:
如图15所示,本实施例提供了一种基于深度图像的鸡群均匀度估测装置,该装置包括获取模块1501、构造模块1502、搭建模块1503、第一训练模块1504、第二训练模块1505和估测模块1506,各个模块的具体功能如下:
获取模块1501,用于获取肉鸡深度图像库。
构造模块1502,用于根据肉鸡深度图像库,构造目标分割数据集以及体重分类数据集。
搭建模块1503,用于搭建目标分割网络和体重分类网络。
第一训练模块1504,用于利用目标分割数据集对目标分割网络进行训练,生成目标掩模图像数据集和矩形裁剪图像数据集。
第二训练模块1505,用于利用目标掩模图像数据集、矩形裁剪图像数据集和体重分类数据集对体重分类网络进行训练。
估测模块1506,用于利用训练好的体重分类网络对待测图像进行估测,得到体重类别以及对应的体重区间,并根据鸡群数据以及标准的肉鸡日龄体重计算出鸡群均匀度。
本实施例中各个模块的具体实现可以参见上述实施例1,在此不再一一赘述;需要说明的是,本实施例提供的***仅以上述各功能模块的划分进行举例说明,在实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。
可以理解,上述装置所使用的术语“第一”、“第二”等可用于描述各种模块,但这些模块不受这些术语限制。这些术语仅用于将第一个模块与另一个模块区分。举例来说,在不脱离本发明的范围的情况下,可以将第一训练模块称为第二训练模块,且类似地,可将第二训练模块称为第一训练模块,第一训练模块和第二训练模块两者都是获取模块,但不是同一获取模块。
实施例3:
本实施例提供了一种计算机设备,可以是计算机、服务器等,如图16所示,其包括通过***总线1601连接的处理器1602、存储器、输入装置1603、显示装置1604和网络接口1605,该处理器用于提供计算和控制能力,该存储器包括非易失性存储介质1606和内存储器1607,该非易失性存储介质1606存储有操作***、计算机程序和数据库,该内存储器1607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,处理器1602执行存储器存储的计算机程序时,实现上述实施例1的鸡群均匀度估测方法,如下:
获取肉鸡深度图像库;
根据肉鸡深度图像库,构造目标分割数据集以及体重分类数据集;
搭建目标分割网络和体重分类网络;
利用目标分割数据集对目标分割网络进行训练,生成目标掩模图像数据集和矩形裁剪图像数据集;
利用目标掩模图像数据集、矩形裁剪图像数据集和体重分类数据集对体重分类网络进行训练;
利用训练好的体重分类网络对待测图像进行估测,得到体重类别以及对应的体重区间,并根据鸡群数据以及标准的肉鸡日龄体重计算出鸡群均匀度。
实施例4:
本实施例提供了一种存储介质,该存储介质为计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时,实现上述实施例1的鸡群均匀度估测方法,如下:
获取肉鸡深度图像库;
根据肉鸡深度图像库,构造目标分割数据集以及体重分类数据集;
搭建目标分割网络和体重分类网络;
利用目标分割数据集对目标分割网络进行训练,生成目标掩模图像数据集和矩形裁剪图像数据集;
利用目标掩模图像数据集、矩形裁剪图像数据集和体重分类数据集对体重分类网络进行训练;
利用训练好的体重分类网络对待测图像进行估测,得到体重类别以及对应的体重区间,并根据鸡群数据以及标准的肉鸡日龄体重计算出鸡群均匀度。
需要说明的是,本实施例的计算机可读存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
综上所述,本发明用深度学习网络来自动提取图像特征,并进行体重分类,增加分类数以达到误差(50g)以内的体重估测,最终结合体重计算出鸡群均匀度,并提供客户端给鸡场管理者使用,用于提交图像数据、获得结果和管理建议以及跟踪结果以作出管理决策。
以上所述,仅为本发明专利较佳的实施例,但本发明专利的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明专利所公开的范围内,根据本发明专利的技术方案及其发明构思加以等同替换或改变,都属于本发明专利的保护范围。
Claims (10)
1.一种基于深度图像的鸡群均匀度估测方法,其特征在于,所述方法包括:
获取肉鸡深度图像库;
根据肉鸡深度图像库,构造目标分割数据集以及体重分类数据集;
搭建目标分割网络和体重分类网络;
利用目标分割数据集对目标分割网络进行训练,生成目标掩模图像数据集和矩形裁剪图像数据集;
利用目标掩模图像数据集、矩形裁剪图像数据集和体重分类数据集对体重分类网络进行训练;
利用训练好的体重分类网络对待测图像进行估测,得到体重类别以及对应的体重区间,并根据鸡群数据以及标准的肉鸡日龄体重计算出鸡群均匀度。
2.根据权利要求1所述的鸡群均匀度估测方法,其特征在于,所述利用目标分割数据集对目标分割网络进行训练,生成目标掩模图像数据集和矩形裁剪图像数据集,具体包括:
将目标分割数据集中的图像进行处理;
将处理后的图像输入目标分割网络,使用Dice损失函数对目标分割网络进行训练,并生成权重文件;
根据权重文件,生成目标掩模图像数据集和矩形裁剪图像数据集。
3.根据权利要求2所述的鸡群均匀度估测方法,其特征在于,所述Dice损失函数如下式:
d=1-2|X∩Y||X|+|Y|
其中,|X∩Y|指X和Y之间的交集;|X|和|Y|分别表示X和Y的元素个数,X表示GT分割图像,Y表示Pred分割图像。
4.根据权利要求1所述的鸡群均匀度估测方法,其特征在于,所述利用目标掩模图像数据集、矩形裁剪图像数据集和体重分类数据集对体重分类网络进行训练,具体包括:
将目标掩模图像数据集、矩形裁剪图像数据集和体重分类数据集输入体重分类网络,使用CrossEntropy损失函数对体重分类网络进行训练。
6.根据权利要求1-5任一项所述的鸡群均匀度估测方法,其特征在于,所述目标分割网络用的预分割是Unet神经网络,再分割使用的是分水岭分割算法;
所述体重分类网络为修改后的基础的图像分类网络,基础的图像分类网络的最后一层分类器网络被一个完连接层所取代,以输出质量类别分数;基础的图像分类网络权值通过在ImageNet数据集上进行训练初始化,并随机初始化添加的完全连接权值。
7.根据权利要求1-5任一项所述的鸡群均匀度估测方法,其特征在于,所述根据鸡群数据以及标准的肉鸡日龄体重计算出鸡群均匀度,如下式:
B=[0.1-0.15]
H1=W-W*B
H2=W+W*B
A=P/X*100%
其中,B取值范围为0.1到0.15,W为鸡种日龄标准体重或采样样本的平均体重,P为位于体重上下限之间的只数,A为体重均匀度。
8.一种基于深度图像的鸡群均匀度估测装置,其特征在于,所述装置包括:
获取模块,用于获取肉鸡深度图像库;
构造模块,用于根据肉鸡深度图像库,构造目标分割数据集以及体重分类数据集;
搭建模块,用于搭建目标分割网络和体重分类网络;
第一训练模块,用于利用目标分割数据集对目标分割网络进行训练,生成目标掩模图像数据集和矩形裁剪图像数据集;
第二训练模块,用于利用目标掩模图像数据集、矩形裁剪图像数据集和体重分类数据集对体重分类网络进行训练;
估测模块,用于利用训练好的体重分类网络对待测图像进行估测,得到体重类别以及对应的体重区间,并根据鸡群数据以及标准的肉鸡日龄体重计算出鸡群均匀度。
9.一种基于深度图像的鸡群均匀度估测***,其特征在于,所述***包括图像采集装置、客户端和服务端,所述图像采集装置、客户端分别与服务端相连;
图像采集装置,用于采集肉鸡深度图像;
客户端,用于采集待测图像,将待测图像和鸡场必要信息上传给服务端,并接收服务端返回的鸡群均匀度;
服务端,用于执行权利要求1-7任一项所述的鸡群均匀度估测方法。
10.一种存储介质,存储有程序,其特征在于,所述程序被处理器执行时,实现权利要求1-7任一项所述的鸡群均匀度估测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111062601.1A CN113989538A (zh) | 2021-09-10 | 2021-09-10 | 基于深度图像的鸡群均匀度估测方法、装置、***及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111062601.1A CN113989538A (zh) | 2021-09-10 | 2021-09-10 | 基于深度图像的鸡群均匀度估测方法、装置、***及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113989538A true CN113989538A (zh) | 2022-01-28 |
Family
ID=79735624
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111062601.1A Pending CN113989538A (zh) | 2021-09-10 | 2021-09-10 | 基于深度图像的鸡群均匀度估测方法、装置、***及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113989538A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115410711B (zh) * | 2022-08-29 | 2023-04-07 | 黑龙江大学 | 基于声音信号特征和随机森林的白羽肉鸡健康监测方法 |
CN118211766A (zh) * | 2024-05-17 | 2024-06-18 | 四川王家渡食品股份有限公司 | 一种低温午餐肉生产监控方法及*** |
-
2021
- 2021-09-10 CN CN202111062601.1A patent/CN113989538A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115410711B (zh) * | 2022-08-29 | 2023-04-07 | 黑龙江大学 | 基于声音信号特征和随机森林的白羽肉鸡健康监测方法 |
CN118211766A (zh) * | 2024-05-17 | 2024-06-18 | 四川王家渡食品股份有限公司 | 一种低温午餐肉生产监控方法及*** |
CN118211766B (zh) * | 2024-05-17 | 2024-07-12 | 四川王家渡食品股份有限公司 | 一种低温午餐肉生产监控方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fang et al. | Comparative study on poultry target tracking algorithms based on a deep regression network | |
JP7470203B2 (ja) | 水産養殖における分析及び選別 | |
Amraei et al. | Broiler weight estimation based on machine vision and artificial neural network | |
Pinkiewicz et al. | A computer vision system to analyse the swimming behaviour of farmed fish in commercial aquaculture facilities: a case study using cage-held Atlantic salmon | |
Gjergji et al. | Deep learning techniques for beef cattle body weight prediction | |
US11950576B2 (en) | Multi-factorial biomass estimation | |
Zhang et al. | Algorithm of sheep body dimension measurement and its applications based on image analysis | |
CN113989538A (zh) | 基于深度图像的鸡群均匀度估测方法、装置、***及介质 | |
US20210368748A1 (en) | Analysis and sorting in aquaculture | |
US20220067930A1 (en) | Systems and methods for predicting growth of a population of organisms | |
CN108829762A (zh) | 基于视觉的小目标识别方法和装置 | |
Bhoj et al. | Image processing strategies for pig liveweight measurement: Updates and challenges | |
CN114898405B (zh) | 基于边缘计算的便携式肉鸡异常监测*** | |
Noe et al. | Automatic detection and tracking of mounting behavior in cattle using a deep learning-based instance segmentation model | |
Majewski et al. | Multipurpose monitoring system for edible insect breeding based on machine learning | |
Yang et al. | A defencing algorithm based on deep learning improves the detection accuracy of caged chickens | |
Han et al. | Mask_LaC R-CNN for measuring morphological features of fish | |
Xue et al. | An analytical framework to predict slaughter traits from images in fish | |
Liu et al. | Study on Pig Body Condition Scoring Based on Deep Learning Model EfficientNet-B0 | |
CN111652084A (zh) | 一种异常蛋鸡识别方法及装置 | |
Bastiaansen et al. | Continuous real-time cow identification by reading ear tags from live-stream video | |
CN108288057B (zh) | 一种移动式家禽生命信息检测装置 | |
Yuan et al. | Stress-free detection technologies for pig growth based on welfare farming: A review | |
Li et al. | Lameness detection system for dairy cows based on instance segmentation | |
Owalekar et al. | An agri vigilance system based on computer vision and deep learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |