一种采用单幅图像检测猪站立和躺卧姿态的方法技术

本发明专利技术公开了一种采用单幅图像检测猪站立和躺卧姿态的方法。建立用于母猪识别的DeepLab模型，对训练集中的图像采用DeepLab模型进行识别后得到初始分割图，将初始分割图中母猪调整为水平方向，建立母猪的外接矩形，并将外接矩形内的像素点的保存为初始矩阵，新建参考矩阵，将矩阵复制到参考矩阵的中位置，并将参考矩阵保存为图像，检测图像中母猪的头部和尾部，并保证母猪的头部在左边，构成姿态图集，用LeNet模型训练后得到母猪站立和躺卧姿态识别模型。本发明专利技术采用母猪的头部方向一致的图像进行母猪站立和躺卧姿态识别，识别精度高且速度快。

A method for detecting standing and lying posture of pigs using single image

【技术实现步骤摘要】
一种采用单幅图像检测猪站立和躺卧姿态的方法
本专利技术涉及猪姿态的方法，具体涉及一种采用单幅图像检测猪站立和躺卧姿态的方法。
技术介绍
在养殖生产中，养殖动物的行为能反映其生理状态。为此，研究人员开展了动物行为自动检测方法研究。Cornou等人(2008,2012)利用三轴加速度传感器检测母猪的运动转台，同时结合卡尔曼滤波方法进行行为分类，通过动态线性模型预测分娩时间。(CORNOUC,LUNDBYE-CHRISTENSENS.Classifyingsows’activitytypesfromaccelerationpatterns:AnapplicationoftheMulti-ProcessKalmanFilter[J].AppliedAnimalBehaviourScience,2008,111(3):262-73。CORNOUC,LUNDBYECHRISTENSENS.Modelingofsowsdiurnalactivitypatternanddetectionofparturitionusingaccelerationmeasurements[J].Computers&ElectronicsinAgriculture,2012,80(1):97-104)。刘龙申等人(2013)同样利用三轴加速度传感器配合无线传感网络检测母猪产前的行为特征，通过K均值聚类算法对特征进行识别分类，能正确检测出母猪躺卧、站立、吃料、筑窝等典型行为。(刘龙申,沈明霞,姚文,etal.基于加速度传感器的母猪产前行为特征采集与分析[J].农业机械学报,2013,44(3):192-6)。Lao等人(2016)使用3D相机获取了猪只的深度和数字图像，通过6秒的图像分析，可判断躺、坐、站、跪、吃食、饮水、转向等行为。(LAOF,BROWN-BRANDLT,STINNJP,etal.Automaticrecognitionoflactatingsowbehaviorsthroughdepthimageprocessing[J].Computers&ElectronicsinAgriculture,2016,125(C):56-62)从这些研究来看，加速度传感器需要绑附在动物身上，会产生一定的应激，而图像检测方法则需要较长时间观察，需进一步提高实时性。
技术实现思路
为了解决
技术介绍
中存在的问题，本专利技术提供了一种采用单幅图像检测猪站立和躺卧姿态的方法，采用单幅图像判断猪的姿态，可提高实时性。本专利技术所采用技术方案如下：S1、建立猪姿态检测模型的步骤如下：步骤1：采集多幅不同场景、不同时段、不同拍摄角度的待测物猪图像，对每一幅待测物猪图像处理获得待测物初步轮廓，将待测物初步轮廓以外的图像区域变为黑色；所述的待测物猪图像为完整包含有待测物猪的侧面拍摄的图像。步骤2：对步骤1获得的所有待测物猪图像采用DeepLab神经网络进行模型训练，得到待测物识别模型；所述待测物猪图像为模型训练的已知样本图像。步骤3：对样本图像用待测物识别模型进行识别，得到与样本图像大小一致的分为前景和背景的初始分割图；步骤4：对初始分割图进行处理获得定向矩阵，利用定向矩阵将母猪B的前景区域调整为图像的水平方向，建立待测物猪的外接矩形C，由外接矩形C内的像素点形成初始矩阵D；步骤5：新建一个参考矩阵F，参考矩阵F的行数和列数均比初始矩阵D的行数和列数多定值E(在本专利技术实施例中，E取40)，将初始矩阵D覆盖到参考矩阵F的中央区域，参考矩阵F中除中央区域以外的其余元素各值全部设置为0；步骤7：将参考矩阵F构成参考图像N，对参考图像N处理获得猪头特征或者猪尾特征，即区分出待测物猪的头部和尾部；如果猪头特征在图像的左侧，则保持参考图像N不变，否则将参考图像N进行180°旋转；步骤8：对多幅已知待测物猪姿态类别的不同样本图像重复步骤3-步骤7进行处理得到由一系列不同参考图像N及对应的已知待测物猪姿态类别组成的姿态图集；样本图像中已知待测物猪姿态类别分为站立姿态和躺卧姿态。具体实施中，对站立姿态如图3所示标记为1，对躺卧姿态如图6所示标记为0。步骤9：将姿态图集输入到LeNet模型进行训练，得到训练后的LeNet模型，作为猪姿态检测模型；S2、根据猪姿态检测模型进行猪站立和躺卧姿态检测的步骤如下：步骤10：将待定图像输入到步骤2的待测物识别模型，得到分割图AS；步骤11：按步骤4-步骤7相同方式对分割图AS进行处理，获得检测图像NS；步骤13：将检测图像NS输入到猪姿态检测模型，输出获得待测物猪的站立和躺卧姿态类别的检测结果。具体实施中，设置输出为1判别为站立，输出为0判别为躺卧。本专利技术的有益效果是：本专利技术采用母猪B的头部方向一致的图像进行母猪站立和躺卧姿态识别，识别精度高且速度快。附图说明图1是猪站立姿态原图。图2是图1进行图像分割后的猪图像。图3是图2经本专利技术处理后的姿态图。图4是猪躺卧姿态原图。图5是图4进行图像分割后的猪图像。图6是图5经本专利技术处理后的姿态图。具体实施方式下面结合附图和具体实施例对本专利技术作进一步的说明。采用摄像机(在本例中，采用DS-2CD3T20-I3)和硬盘录像机(在本例中，采用ST4000VX000)连续拍摄并记录多头母猪的图像。S1、建立猪姿态检测模型的步骤如下：步骤1：选取1000幅不同场景、时段及拍摄角度的母猪站立和躺卧姿态图像，采用常用的图像处理软件处理获得母猪初步轮廓，将图像上母猪初步轮廓以外的图像区域变为黑色，作为数据集。步骤2：从数据集中随机挑取500幅图像作为训练集，采用DeepLab进行模型训练，得到母猪识别模型。步骤3：从训练集中选取1幅图像作为待定图像，猪站立姿态原图和猪躺卧姿态原图分别如图1和图4所示，采用DeepLab进行进行识别后，得到分割图A，猪站立姿态原图和猪躺卧姿态原图的分割图A分别如图2和图5所示。在分割图A上，属于母猪B的像素点灰度值为1，其余像素点的灰度值为0。步骤4：采用申请号为201510501000.4的中国专利技术专利中的方法对初始分割图处理获得定向矩阵，利用定向矩阵将分割图A中母猪B图像区域调整为水平方向，建立母猪B的外接矩形C，并将外接矩形C内的像素点的保存为初始矩阵D。具体实施中，采用申请号为201510501000.4的中国专利技术专利中的方法对初始分割图处理获得横径(长轴长度)w和纵径(短轴长度)h作为外接矩形C的两边。步骤5：新建一个参考矩阵F，参考矩阵F的行数和列数均比初始矩阵D的行数和列数多定值E(在本专利技术实施例中，E取40)，将初始矩阵D覆盖到参考矩阵F的中央区域，参考矩阵F中除中央区域以外的其余元素各值全部设置为0；实质从参考矩阵F的第E/2+1行和第E/2+1列开始将初始矩阵D复制到参考矩阵F中，即初始矩阵D的左上角位于参考矩阵F的第E/2+1行和第E/2+1列处，参考矩阵F的中央区域的元素各值和初始矩阵D中的元素各值对应一致；参考矩阵F的中央区域周围上下左右分别为E/2的行列数，参考矩阵F的中央区域周围的元素各值均为0。步骤7：将参考矩阵F构成参考图像Ni(i＝1..500)，i表示参考图像的序数，采用申请号为201610489805.6的中国专利技术专利中的方法本文档来自技高网...

【技术保护点】
1.一种采用单幅图像检测猪站立和躺卧姿态的方法，其特征在于：包括如下步骤：S1、建立猪姿态检测模型的步骤如下：步骤1：采集多幅不同场景、不同时段、不同拍摄角度的待测物猪图像，对每一幅待测物猪图像处理获得待测物初步轮廓，将待测物猪初步轮廓以外的图像区域变为黑色；步骤2：对步骤1获得的所有待测物猪图像采用DeepLab神经网络进行模型训练，得到待测物猪识别模型；步骤3：对样本图像用待测物猪识别模型进行识别，得到与样本图像大小一致的分为前景和背景的初始分割图；步骤4：对初始分割图进行处理获得定向矩阵，利用定向矩阵将母猪B的前景区域调整为图像的水平方向，建立待测物猪的外接矩形C，由外接矩形C内的像素点形成初始矩阵D；步骤5：新建一个参考矩阵F，参考矩阵F的行数和列数均比初始矩阵D的行数和列数多定值E，将初始矩阵D覆盖到参考矩阵F的中央区域，参考矩阵F中除中央区域以外的其余元素各值全部设置为0；步骤7：将参考矩阵F构成参考图像N，对参考图像N处理获得猪头特征或者猪尾特征，即区分出待测物猪的头部和尾部；如果猪头特征在图像的左侧，则保持参考图像N不变，否则将参考图像N进行180°旋转；步骤8：对多幅已知待测物猪姿态类别的不同样本图像重复步骤3‑步骤7进行处理得到由一系列不同参考图像N及对应的已知待测物猪姿态类别组成的姿态图集；步骤9：将姿态图集输入到LeNet模型进行训练，得到训练后的LeNet模型，作为猪姿态检测模型；S2、根据猪姿态检测模型进行猪站立和躺卧姿态检测的步骤如下：步骤10：将待定图像输入到步骤2的待测物识别模型，得到分割图AS；步骤11：按步骤4‑步骤7相同方式对分割图AS进行处理，获得检测图像NS；步骤13：将检测图像NS输入到猪姿态检测模型，输出获得待测物猪的站立和躺卧姿态类别的检测结果。...

【技术特征摘要】
1.一种采用单幅图像检测猪站立和躺卧姿态的方法，其特征在于：包括如下步骤：S1、建立猪姿态检测模型的步骤如下：步骤1：采集多幅不同场景、不同时段、不同拍摄角度的待测物猪图像，对每一幅待测物猪图像处理获得待测物初步轮廓，将待测物猪初步轮廓以外的图像区域变为黑色；步骤2：对步骤1获得的所有待测物猪图像采用DeepLab神经网络进行模型训练，得到待测物猪识别模型；步骤3：对样本图像用待测物猪识别模型进行识别，得到与样本图像大小一致的分为前景和背景的初始分割图；步骤4：对初始分割图进行处理获得定向矩阵，利用定向矩阵将母猪B的前景区域调整为图像的水平方向，建立待测物猪的外接矩形C，由外接矩形C内的像素点形成初始矩阵D；步骤5：新建一个参考矩阵F，参考矩阵F的行数和列数均比初始矩阵D的行数和列数多定值E，将初始矩阵D覆盖到参考矩阵F的中央区域，参考矩阵F中除中央区域以外的其余元素各值全部设置为0；步骤7：将参考矩阵F构成参考图像N，对参考图像N处理获得猪头特征或者猪尾特征，即区分出待测物猪的头部和尾部；如果猪头特征在图像的左侧，...

【专利技术属性】
技术研发人员：饶秀勤，宋晨波，张小敏，高迎旺，应义斌，泮进明，郑荣进，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江,33