幼禽孵化期生物特征预测装置及方法制造方法及图纸

本发明专利技术提供一种基于深度卷积神经网络的幼禽生物特征识别装置，包括：幼禽定位模块，包括级联的多个卷积神经网络子模块和至少一个全连接层子模块，幼禽定位模块输入包含有幼禽的原图像，经运算后输出幼禽在原图像中的预测的位置信息；剪裁模块，根据位置信息对原图像执行裁剪处理，输出裁剪大部分背景后的幼禽外观图像；以及识别模块，包括级联的至少由第一卷积神经网络子模块、扩展卷积子模块以及第二卷积神经网络子模块级联构成的识别子模块，和至少一个全连接层子模块，所述识别模块输入所述幼禽外观图像，经运算后输出识别结果。如此，本通过卷积层的递增完成由粗到细的特征提取过程，能够高精度地完成识别。

A device and method for predicting the biological characteristics of young birds during hatching

【技术实现步骤摘要】
幼禽孵化期生物特征预测装置及方法
本专利技术涉及一种幼禽孵化期生物特征预测装置及方法，具体涉及一种基于深度卷积神经网络对幼禽孵化期进行生物特征识别的方法。
技术介绍
目前针对幼禽特别是雏鸡进行性别分类的工作绝大部分还是依靠工人通过观察雏鸡肛门来分类。虽然准确率尚能满足需求，但是分类速度较慢，对工人经验要求高。对于大型孵化场希望能通过机器来分辨，实现全自动流水线工作，以降低成本和提高生产效率。此外，初生雏鸡抵抗力弱，处于集中化孵化环境中病变雏鸡容易造成雏鸡群大量感染，且有些孵化中发育不全或畸形的雏鸡很难存活，如不早期发现并及时处理，在运输或养殖过程中死亡极易造成细菌滋生，威胁雏鸡群健康。为解决上述问题，目前有一种观察孵化期蛋轮廓或是透视内部结构而在孵化前进行性别识别，以进行相应的分别处理的方法。孵化前识别的优势是对于不需要的性别可以立即中止孵化而不影响作为鸡蛋使用。但目前的人工观察轮廓的方法准确率较低，达不到应用标准。因此孵化场希望能通过机器来对孵化期单进行识别并进行相应的处理，提高生产效率。深度神经网络是近几年来发展迅速，在自然语言处理和计算机视觉的发展中起到了至关重要的推动作用，并且也应用到了许多实际生活、工业生产当中，帮人们解决了许多难题。深度神经网络相对于SVM等传统的浅层机器学习架构，在一些复杂的场景模式中具有更加好的性能。在计算机视觉的自然图像分类方向中，深度神经网络已经可以达到95％以上的准确率，已经几乎超过了人类的分辨能力。它还有许多应用的领域、潜在价值等着人们去开发、挖掘。但是对于深度神经网络在孵化期蛋性别分类、病变识别的应用上，依然存在着识别速度慢，准确率极低，甚至无法识别的情况，难以满足实际生产需求。这导致了目前为止依然是依靠人工来进行雏鸡性别分类。
技术实现思路
本专利技术的目的在于提供一种幼禽孵化期生物特征预测装置及方法，旨在至少解决现有技术或相关技术中存在的技术问题之一。为解决上述技术问题，本专利技术提供一种基于深度卷积神经网络的幼禽孵化期生物特征预测装置，包括：结构定位模块，包括级联的多个卷积神经网络子模块和至少一专利技术效果本专利技术通过搭建深度卷积神经网络，通过大量的实验不断优化调节，获得一个兼具识别速度快、准确率高适用于多种品种雏鸡的深度卷积神经网络模型。通过本专利技术所提供的技术方案，实时采集孵化期鸡蛋内部外观图像，经过图像预处理后输入神经网络模型自动将鸡蛋内部图像与背景分离出来之后，进行性别识别，能够提高识别效率和精度，以便鸡蛋孵化后，将雏鸡按照性别分开养殖，进而能够降低成本、提高生产效率。附图说明图1为本专利技术的幼禽孵化期生物特征识别系统的一个实施例的示意图。图2为本专利技术的深度卷积神经网络模型之一例的整体结构示意图。图3为图2所示的深度卷积神经网络模型的运算模块的说明图。图4为本专利技术的幼禽孵化期生物特征识别方法的一个实施例的示意图。图5为本专利技术的深度卷积神经网络模型之一例的整体结构示意图。附图标记说明10雏鸡孵化期性别识别系统11图像采集装置12图像预处理装置13预测装置100深度神经网络模型101结构定位模块102剪裁模块103性别预测模块具体实施方式以下，参照附图对本专利技术的实施方式进行说明。[实施例1]作为本专利技术的基于深度卷积神经网络的幼禽孵化期生物特征预测装置之一例，图1示出了一种雏鸡孵化期性别识别系统的一个实施例，如图1所示，本专利技术的雏鸡孵化期性别识别系统10包括：图像采集装置11、图像预处理装置12和预测装置13。图像采集装置11采集作为识别对象的孵化期蛋的图像。图像采集装置11可以包括多个拍摄单元，以拍摄孵化期蛋各个角度的外观图像，例如设置3个摄像头采集孵化期蛋前方、侧方、侧上方的图像。为清晰地获取孵化期鸡蛋内部血管等结构特征的图像，图像采集装置11中还可设置开有圆孔的托架，托架上方或侧面设置光照设备，优选地，将鸡蛋竖直放置，从鸡蛋顶端或与摄像头对置的方向照射强光，从而能够尽量采集到没有杂物的清晰内部图像。该图像采集单元可以布置在孵化场的孵化箱中，也可以在孵化箱之外单独设置同时配置相应的保温措施，可以由机械抓取装置抓取或人工抓取待识别孵化期蛋进行图像采集。图像采集装置11所采集的图像被传输到图像预处理装置12进行预处理。图像预处理装置12对所采集的图像进行边框裁剪、缩放、图像增强等预处理，以减少光照强度、孵化期蛋摆放角度、拍摄角度等因素对性别预测造成的影响。本实施例中，作为一个例子，图像预处理装置12按照下述公式(1)对输入图像进行对比度拉伸，其中Imin，Imax是原始图像的最小灰度值和最大灰度值，MIN和MAX是要拉伸到的灰度空间的灰度最小值和最大值，作为一个例子，本专利技术设置最大值为255，最小值为0，但不限于此，可以根据鸡蛋种类、母鸡年龄、日龄、光照条件等进行调整。图像预处理装置12对孵化期蛋图像进行预处理之后，输入到预测装置13进行性别识别，本专利技术的预测装置13采用基于训练的深度卷积神经网络，所述级深度卷积神经网络中每一级独立的深度卷积神经网络包含多层，包括：卷积层，池化层，全连接层，soft-max层。其中池化层有包括：最大池化层，最小池化层、平均池化层。进一步地，所述深度卷积神经网络大致可以分为2个部分：1)第一级：对输入的孵化期鸡蛋内部图像进行目标检测，自动裁剪，自动填充图像边缘，输出一个包含整个孵化期鸡蛋内部血管等结构特征的图像。2)第二级：第一级深度卷积神经网络中输出的孵化期蛋内部结构图像，作为第二级的输入，经过多层卷积神经网络模块，全连接层，soft-max层。最后输出该鸡蛋孵化后的雏鸡性别的预测结果。本专利技术采用的深度卷积神经网络模型，每一层独立的卷积神经网络模块的输入都是上一层卷积神经网络模块的输出，层层相连。按照卷积层的递增，后续的卷积模块在前面的基础上完成更精细的计算，完成由粗到细的特征提取过程。每个独立卷积神经网络模块由卷积神经网络层，池化层,激活层组成。最后一个卷积神经网络层连接一个全连接层和soft-max层，共同完成通过孵化期鸡蛋内部结构特征分辨孵化期蛋性别的工作。采用本专利技术的方法，能够加快训练时间，有效提高孵化期蛋性别识别的速度和准确率。本专利技术的深度卷积神经网络模型，在应用于孵化期鸡蛋内部特征自动识别之前先进行模型训练。模型训练阶段1)使用图像采集装置11对大量强光照射下的孵化期蛋的外观的各个角度进行拍摄，保存为图像文件，并贴上序号标签。等待孵化后人工分辨出之前拍摄的各个鸡蛋孵化出来的雏鸡的性别，并对图像数据集贴上性别标签。2)图像预处理装置12使用图像增强算法将采集到孵化期鸡蛋内部结构图像数据，自动进行图像处理、图像增强。3)将预处理后的孵化期鸡蛋内部结构图像输入预测装置13所搭建的深度卷积神经网络进行训练。使用交叉熵损失函数作本文档来自技高网...

【技术保护点】
1.一种基于深度卷积神经网络的幼禽孵化期生物特征预测装置，其特征在于，包括：/n结构定位模块，包括级联的多个卷积神经网络子模块和至少一个全连接层子模块，所述结构定位模块输入包含有孵化期蛋的原图像，经运算后输出孵化期蛋内部结构在原图像中的预测的位置信息；/n剪裁模块，包括Crop层，根据所述位置信息对所述原图像执行裁剪处理，输出裁剪大部分背景后的孵化期蛋内部结构图像；以及/n性别预测模块，包括级联的至少一个预测子模块和全连接层子模块，所述预测子模块包括至少一个第一卷积神经网络子模块，以及与该至少一个第一卷积神经网络子模块并联的防止梯度消失用扩展卷积子模块，所述性别预测模块输入所述孵化期蛋内部结构图像，经运算后输出性别预测结果。/n

【技术特征摘要】
1.一种基于深度卷积神经网络的幼禽孵化期生物特征预测装置，其特征在于，包括：
结构定位模块，包括级联的多个卷积神经网络子模块和至少一个全连接层子模块，所述结构定位模块输入包含有孵化期蛋的原图像，经运算后输出孵化期蛋内部结构在原图像中的预测的位置信息；
剪裁模块，包括Crop层，根据所述位置信息对所述原图像执行裁剪处理，输出裁剪大部分背景后的孵化期蛋内部结构图像；以及
性别预测模块，包括级联的至少一个预测子模块和全连接层子模块，所述预测子模块包括至少一个第一卷积神经网络子模块，以及与该至少一个第一卷积神经网络子模块并联的防止梯度消失用扩展卷积子模块，所述性别预测模块输入所述孵化期蛋内部结构图像，经运算后输出性别预测结果。


2.如权利要求1所述的基于深度卷积神经网络的幼禽孵化期生物特征预测装置，其特征在于：
所述预测子模块为多个，相邻级联的预测子模块之间连接有独立池化层，
所述性别预测模块还包括soft-max层。


3.如权利要求1所述的基于深度卷积神经网络的幼禽孵化期生物特征预测装置，其特征在于：
所述裁剪模块还包括图像增强子模块，对裁剪了大部分背景后的孵化期蛋内部结构图像执行图像增强或归一化处理。


4.如权利要求1至3中任一项所述的基于深度卷积神经网络的幼禽孵化期生物特征预测装置，其特征在于：
所述生物特征包括幼禽的性别、发育状况及健康状况中的至少一种。


5.一种幼禽生物特征识别系统，其特征在于，包括如权利要求1至4中任一项所述的基于深度卷积神经网络的幼禽孵化期生物特征预测装置，还包括：
图像采集装置，采集作为识别对象的孵化期蛋的图像；
图像预处理装置，对所述图像采集装置所采集的图像进行预处理，所述预处理包括边框裁剪、缩放、图像增强中的至少一种。


6.如权利要求5所述的幼禽孵化期生物特征识别系统，其特征在于：
所述图像采集装置设有光照调整机构，以获取规定形态的图像。


7.一种基于深度卷积神经网络的幼禽孵化期生物特征识别方法，其特征在于，包括以下步骤：
结构定位步骤，对输入的包含有孵化期蛋的原图像，采用级联的多个卷积神经...

【专利技术属性】
技术研发人员：杨光华，蔡洽凯，邓长兴，陈奕宏，马少丹，
申请(专利权)人：暨南大学，
类型：发明
国别省市：广东;44