牲畜体尺检测方法与装置制造方法及图纸

本公开提供一种牲畜体尺检测方法与装置。牲畜体尺检测方法包括：获取牲畜的俯视图像；将所述俯视图像输入至训练完成的体尺检测模型，所述体尺检测模型包括串联连接的多个神经网络，所述多个神经网络的输入图片尺寸相同；输出所述牲畜的体尺数据。本开提供的牲畜体尺检测方法能够提高牲畜体尺检测的准确度。

Detection Method and Device of Livestock Body Size

【技术实现步骤摘要】
牲畜体尺检测方法与装置
本公开涉及人工智能
，具体而言，涉及一种牲畜体尺检测方法与装置。
技术介绍
随着智能养殖技术的发展，体尺检测成为生产过程中是不可或缺的一项。在实际生产应用中，可以通过牲畜体尺检测技术对活体牲畜外形如体长、体宽、体高、腿长等进行无接触测量，并通过检测数据对牲畜产肉量、蛋白质含量、瘦肉等成分进行预估，监控牲畜生长状况，以适应性调整生产方案。在相关技术中，主要通过对牲畜图像提取牲畜轮廓信息、配合相对参数筛选体尺测点来获取牲畜的体尺数据。但是，这种基于图像中牲畜轮廓分析的体尺检测方法建立在摄像头角度理想、光照条件相同的假设条件上，摄像头角度变换、光照条件改变、牲畜的姿势变化均会造成测量值误差增大，在牲畜颜色和背景色相近时，也无法稳定区分背景和前景。此外，这种方法往往基于多种传统算法的串联方式部署，识别过程较为复杂，容错率很低，精度不高。需要说明的是，在上述
技术介绍
部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现思路
本公开的目的在于针对养殖场视觉估重，实现一种基于改进MTCNN网络的猪体尺检测算法，有效提升视觉体尺检测的准确度，克服相关技术中无法适应光照条件改变、在前景背景颜色接近时无法准确区分等问题。根据本公开的第一方面，提供一种牲畜体尺检测方法，包括：获取牲畜的俯视图像；将所述俯视图像输入至训练完成的体尺检测模型，所述体尺检测模型包括串联连接的多个神经网络，所述多个神经网络的输入图片尺寸相同；输出所述牲畜的体尺数据。在本公开的一种示例性实施例中，还包括：根据所述体尺数据输出所述牲畜的体重。在本公开的一种示例性实施例中，所述体尺数据包括所述牲畜的肩宽、臀宽、体长。在本公开的一种示例性实施例中，所述串联连接的多个神经网络包括串联连接的第一网络、第二网络和第三网络，所述第一网络、所述第二网络、所述第三网络的回归关键点数量均为6。在本公开的一种示例性实施例中，所述第一网络、所述第二网络、所述第三网络的输入图片尺寸均为160*160，所述第一网络和所述第二网络的卷积核大小包括5*5，池化参数包括4*4，池化步长包括4；所述第三网络的卷积核大小和池化参数均为3*3，池化步长为2。在本公开的一种示例性实施例中，所述牲畜为位于所述俯视图像中心的一或多头牲畜，所述体尺数据包括每头所述牲畜的体尺数据。在本公开的一种示例性实施例中，所述牲畜包括猪、牛、羊。根据本公开的第二方面，提供一种牲畜体尺检测装置，包括：摄像头，用于获取牲畜的俯视图像；处理器，耦接于所述摄像头，设置为获取所述俯视图像；将所述俯视图像输入至训练完成的体尺检测模型，所述体尺检测模型包括串联连接的多个神经网络，所述多个神经网络的输入图片尺寸相同；输出所述牲畜的体尺数据。根据本公开的第三方面，提供一种牲畜体尺检测装置，包括：存储器；以及耦合到所属存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行如上述任意一项所述的方法。根据本公开的第四方面，提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如上述任意一项所述的牲畜体尺检测方法。本公开实施例提供的体尺检测方法通过使用串联且输入尺寸相同的多层神经网络构建体尺检测模型对牲畜的俯视图像进行识别，可以在各种光照、各种牲畜姿态下准确检测牲畜体尺，并能在牲畜颜色和背景色相近时提高区分前景和背景的准确度。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。附图说明此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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是本公开示例性实施例中牲畜体尺检测方法的示意图。图2是本公开示例性实施例中体尺检测模型的结构示意图。图3A～图3C分别是本公开示例性实施例中第一网络～第三网络的结构示意图。图4A是本公开实施例中检测框的示意图。图4B是本公开实施例中体尺检测模型的关键点示意图。图5是本公开一个示例性实施例中一种牲畜体尺检测装置的方框图。图6是本公开一个示例性实施例中一种电子设备的方框图。图7是本公开一个示例性实施例中一种计算机可读存储介质的示意图。具体实施方式现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。此外，附图仅为本公开的示意性图解，图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。下面结合附图对本公开示例实施方式进行详细说明。图1示意性示出本公开示例性实施例中牲畜体尺检测方法的流程图。参考图1，牲畜体尺检测方法100可以包括：步骤S1，获取牲畜的俯视图像；步骤S2，将所述俯视图像输入至训练完成的体尺检测模型，所述体尺检测模型包括串联连接的多个神经网络，所述多个神经网络的输入图片尺寸相同；步骤S3，输出所述牲畜的体尺数据。在本公开实施例中，牲畜例如可以为猪、牛、羊，体尺数据例如为牲畜的肩宽、臀宽、体长。可以理解的是，本公开提供的牲畜体尺检测方法100可以用于各类牲畜或动物的体尺检测，检测的体尺数据也可以包括更多种类，本领域技术人员可以根据实际需求自行设置。图2是体尺检测模型的结构示意图。参考图2，在本公开实施例中，体尺检测模型11基于MTCNN网络实现，可以包括串联连接的第一网络P-Net、第二网络R-Net和第三网络O-Net。P-Net用于对输入的俯视图像12进行分析以得到候选框，R-Net用于删除无牲畜候选框，O-Net用于输出牲畜框和关键点位置，最后输出牲畜的体尺数据13。第一网络P-Net～第三网络O-Net均输出三组特征值：分类数据、框回归数据、关键点回归数据，第二网络R-Net、第三网络O-Net又分别将第一网络P-Net、第二网络R-Net输出的特征值作为输入数据，并根据输入数据以及预设的输入图像尺寸调整输入图像。图3A～图3C分别是第一网络～第三网络的结构示意图。参考图3A～图3C，本公开提供的牲畜体尺检测方法面对的目标尺寸差别不大，因此，在本公开实施例中，将第一网络～第三网络的输入图片尺寸均设置为相同，以降低计算量、增加计算速度、提高搜索效率与准确率。此外，与传统MTCNN网络本文档来自技高网...

【技术保护点】
1.一种牲畜体尺检测方法，其特征在于，包括：获取牲畜的俯视图像；将所述俯视图像输入至训练完成的体尺检测模型，所述体尺检测模型包括串联连接的多个神经网络，所述多个神经网络的输入图片尺寸相同；输出所述牲畜的体尺数据。

【技术特征摘要】
1.一种牲畜体尺检测方法，其特征在于，包括：获取牲畜的俯视图像；将所述俯视图像输入至训练完成的体尺检测模型，所述体尺检测模型包括串联连接的多个神经网络，所述多个神经网络的输入图片尺寸相同；输出所述牲畜的体尺数据。2.如权利要求1所述的牲畜体尺检测方法，其特征在于，还包括：根据所述体尺数据输出所述牲畜的体重。3.如权利要求1所述的牲畜体尺检测方法，其特征在于，所述体尺数据包括所述牲畜的肩宽、臀宽、体长。4.如权利要求1所述的牲畜体尺检测方法，其特征在于，所述串联连接的多个神经网络包括串联连接的第一网络、第二网络和第三网络，所述第一网络、所述第二网络、所述第三网络的回归关键点数量均为6。5.如权利要求4所述的牲畜体尺检测方法，其特征在于，所述第一网络、所述第二网络、所述第三网络的输入图片尺寸均为160*160，所述第一网络和所述第二网络的卷积核大小包括5*5，池化参数包括4*4，池化步长包括4；所述第三网络的卷...

【专利技术属性】
技术研发人员：陈奕名，
申请(专利权)人：北京海益同展信息科技有限公司，
类型：发明
国别省市：北京,11