【技术实现步骤摘要】
一种基于改进Faster-R-CNN的哺乳母猪姿态识别方法
本专利技术涉及到计算机视觉中的目标检测和识别领域，更具体地，涉及一种CNN网络结构改进设计，基于Faster-R-CNN目标检测算法，引入CenterLoss监督信号的哺乳母猪姿态识别方法。
技术介绍
母猪的母性行为及健康和福利状况，直接影响养猪场的经济效益。母猪姿态自动识别是母猪高危动作预警、母猪筑巢行为自动分析、哺育仔猪自动监测及健康与福利状态评估的重要基础。用计算机视觉自动监测猪，不仅成本低、效率高、无损伤，且可避免采用传感器监测方法引起的猪的应激反应，被逐渐应用到猪的站、坐、卧、跪等姿态识别，饮食行为、躺卧行为、爬跨行为、母猪分娩行为与运动状态监测，及生猪活体特征预测等。近年来，已有一些研究者利用计算机视觉技术来分析猪的行为。例如：2016年中国农业大学劳凤丹、滕光辉等人计算限位栏中哺乳母猪躯体多个区域的深度像素平均值，识别母猪的卧、坐、站和跪姿态及饮食行为。该团队公开号为CN104881636A的专利公开了一种识别猪躺卧行为的方法及装置，该方法获取猪的深度图像和二值图像，对二值图像进行椭圆拟合，...
【技术保护点】
1.一种基于改进Faster‑R‑CNN的哺乳母猪姿态识别方法，其特征在于，包括以下步骤：S1、采集哺乳母猪的RGB‑D视频图像，并建立母猪姿态识别深度视频图像库；S2、对基础ZF网络增加深度、并引入残差结构，设计成具有高精度、实时性和鲁棒性的CNN网络结构；S3、使用设计的CNN网络结构，构建Faster‑R‑CNN模型结构，并对Faster‑R‑CNN模型结构引入Center Loss监督信号，与SoftmaxLoss联合构成分类损失函数，最终建立改进的Faster‑R‑CNN母猪姿态识别模型；S4、使用训练集训练Faster‑R‑CNN母猪姿态识别模型，使用测试集测试...
【技术特征摘要】
1.一种基于改进Faster-R-CNN的哺乳母猪姿态识别方法，其特征在于，包括以下步骤：S1、采集哺乳母猪的RGB-D视频图像，并建立母猪姿态识别深度视频图像库；S2、对基础ZF网络增加深度、并引入残差结构，设计成具有高精度、实时性和鲁棒性的CNN网络结构；S3、使用设计的CNN网络结构，构建Faster-R-CNN模型结构，并对Faster-R-CNN模型结构引入CenterLoss监督信号，与SoftmaxLoss联合构成分类损失函数，最终建立改进的Faster-R-CNN母猪姿态识别模型；S4、使用训练集训练Faster-R-CNN母猪姿态识别模型，使用测试集测试模型性能，最终筛选最佳性能模型，用于哺乳母猪姿态识别。2.根据权利要求1所述的基于改进Faster-R-CNN的哺乳母猪姿态识别方法，其特征在于，所述步骤S1的具体过程如下：S11、RGB-D视频图像数据采集：通过三脚架将RGB-D传感器固定俯视拍摄获取RGB-D图像；S12、深度图像预处理：对采集到的深度视频图像，用中值滤波器去除大量干扰噪声，用限制对比度自适应直方图均衡化进行增强；S13、构建深度视频图像数据库：对每小段不同姿态的视频图像数据随机抽取一帧，获得站立、坐立、俯卧、腹卧和侧卧五类姿态原始训练样本集和测试集；S14、准备训练样本：对原始训练样本集中图像进行母猪外包围框标注和类别标注，再对标注后的样本图像进行90度、180度、270度、水平镜像和垂直镜像扩增，获得训练样本集。3.根据权利要求1或2所述的基于改进Faster-R-CNN的哺乳母猪姿态识别方法，其特征在于，所述步骤S2的具体过程如下：S21、选择使用基础卷积神经网络ZF网络；S22、对ZF网络添加3×3大小卷积核、1的步长，且与上层通道数相同的卷积层，增加网络深度；S23、对加深后的网络以输入和输出特征图通道数相同两层卷积为一组，通过捷径连接，构造残差结构；S24、卷积层激活函数使用PReLU。4.根据权利要求3所述的基于改进Faster-R-CNN的哺乳母猪姿态识别方法，其特征在于，所述步骤S3的具体过程如下：S31、利用改进后的CNN结构构建Faster-R-CNN网络结构，以其卷积层作为Faster-R-CNN的共享卷积层部分，其全连接层作为Fast-R-CNN检测器的全连接层部分；S32、将CenterLoss与Fast-R-CNN的Sof...
【专利技术属性】
技术研发人员：薛月菊，朱勋沐，郑婵，陈鹏飞，杨晓帆，
申请(专利权)人：华南农业大学，
类型：发明
国别省市：广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。