一种牲畜盘点方法、装置、设备及存储介质制造方法及图纸

本发明专利技术公开了一种牲畜盘点方法、装置、设备及存储介质，牲畜盘点方法包括获取牲畜所在场所的待盘点图像；分别在所述待盘点图像中的每一目标的几何中心点、若干特征点处标注坐标点；基于所述坐标点建立以所述几何中心点作为高斯核的椭圆高斯模型，并得到高斯密度图；将所述待盘点图像和对应的所述高斯密度图输入深度学习神经网络模型并进行回归训练和积分处理，得到牲畜数量。本发明专利技术实施例能够有效提高生猪数目统计结果的准确率。

A stocktaking method, device, equipment and storage medium for livestock

【技术实现步骤摘要】
一种牲畜盘点方法、装置、设备及存储介质
本专利技术涉及养殖领域，尤其是涉及一种牲畜盘点方法、装置、设备及存储介质。
技术介绍
生猪作为一个公司的生物资产有着非常重要的意义，生猪的数量直接反映公司资产状况。因此，养殖类公司每隔一定时间都需要对生猪的数量进行盘点。传统的盘点方法是靠人工到每一个养殖场进行统计，通过数量的叠加计算得到一个粗略的数据，这种方式不仅耗时耗力，效率低下，而且存在人为因素，准确率没有保障。随着计算机技术的发展，尤其是近年来计算机视觉、深度学习等技术在工程应用方面落地，出现了利用计算机技术进行生猪盘点方法。现有技术的具体做法是通过给猪场生猪的栏位上安装摄像头以采集图片或者视频，主要采用目标检测技术识别图片或者视频中的生猪目标，进而统计出目标猪只数量。但是，目标检测技术适用于目标较大、数量较少、密度较低的场景，在目标较小或者数量众多、密度较高的场景采用这种技术的结果准确率会下降，一个原因是由于密度高、遮挡严重、裸露出来的面积小，导致识别率低；另一原因是因为在利用这些目标检测的算法训练模型之前，需要对图片中的目标进行标注，如图1a所示，利用矩形框将目标框住，标注相对简单，然而这种标注方法对于重叠的目标，其检测效果较差。因此，目标检测技术对于如图1b、图1c所示的目标众多、密度较高的场景，标注成本较高，且标注准确率也有一定影响，即待训练的标注文件本身就不准确，从而导致模型预测误差更大，影响生猪盘点结果准确率。
技术实现思路
本专利技术提供一种牲畜盘点方法、装置、设备及存储介质，以解决现有的养殖场生猪数目采用目标检测技术的准确率不高的技术问题，能够有效提高生猪数目统计结果的准确率。第一方面，本专利技术实施例提供了一种牲畜盘点方法，至少包括以下步骤：获取牲畜所在场所的待盘点图像；分别在所述待盘点图像中的每一目标的几何中心点、若干特征点处标注坐标点；基于所述坐标点建立以所述几何中心点作为高斯核的椭圆高斯模型，并得到高斯密度图；将所述待盘点图像和对应的所述高斯密度图输入深度学习神经网络模型并进行回归训练和积分处理，得到牲畜数量。在第一方面的第一种实现方式中，所述分别在所述待盘点图像中的每一目标的几何中心点、若干特征点处标注坐标点的步骤，具体为：当所述待盘点图像中的所有目标中含有至少一个部分遮挡目标时，选取所述部分遮挡目标的最大露出面积的几何中心进行坐标点标注。在第一方面的第二种实现方式中，所述若干特征点为所述目标上的最长纵向线段上的两个顶点、最长横向线段上的两个顶点。在第一方面的第三种实现方式中，所述基于所述坐标点建立以所述几何中心点作为高斯核的椭圆高斯模型，并得到高斯密度图的步骤，具体为：将每一所述目标的几何中心点、四个顶点作为参数点，建立以所述几何中心点作为高斯核的椭圆高斯模型；将所有的所述高斯模型进行归一化处理，得到所述高斯密度图。在第一方面的第四种实现方式中，所述将所述待盘点图像和对应的所述高斯密度图输入深度学习神经网络模型并进行回归训练和积分处理，得到牲畜数量的步骤，具体为：建立深度学习神经网络模型；将所述待盘点图像和对应的所述高斯密度图输入所述深度学习神经网络模型中进行回归训练；在所述深度学习神经网络模型训练完成后，将从所述待盘点图像映射的高斯密度图进行积分处理，得到牲畜数量。在第一方面的第五种实现方式中，所述牲畜为生猪。在第一方面的第六种实现方式中，所述待盘点图像为牲畜所在活动场所的俯视图像。第二方面，本专利技术实施例还提供了一种牲畜盘点装置，包括：图像处理模块，用于获取牲畜所在场所的待盘点图像；标记模块，用于分别在所述待盘点图像中的每一目标的几何中心点、若干特征点处标注坐标点；模型建立模块，用于基于所述坐标点建立以所述几何中心点作为高斯核的椭圆高斯模型，并得到高斯密度图；数据计算模块，用于将所述待盘点图像和对应的所述高斯密度图输入深度学习神经网络模型并进行回归训练和积分处理，得到牲畜数量。第三方面，本专利技术实施例还提供了一种牲畜盘点的设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述的牲畜盘点方法。第四方面，本专利技术实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述的牲畜盘点方法。上述技术方案中的一个技术方案具有如下优点：基于获取到的盘点图像生成待盘点图像；分别在所述待盘点图像中的每一目标的几何中心点、若干特征点处标注坐标点；基基于所述坐标点建立以所述几何中心点作为高斯核的椭圆高斯模型，并得到高斯密度图；将所述待盘点图像和对应的所述高斯密度图输入深度学习神经网络模型并进行回归训练和积分处理，得到牲畜数量。通过密度统计技术替代现有的目标检测技术，并采用椭圆高斯密度模型对图像进行建模，结合深度学习神经网络模型，能够有效提高牲畜数目统计的准确率，这样将其运用到养殖场的生猪数目统计时，既降低了统计成本，又能提高生猪数目统计结果的准确率。附图说明为了更清楚地说明本专利技术的技术方案，下面将对实施方式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专利技术的一些实施方式，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1a～1c展示了现有技术所采用的目标检测技术，其中，图1a是利用矩形框将目标框住以进行标注，图1b和图1c是目标众多、密度较高的生猪养殖场景图；图2是本专利技术实施例提供的牲畜盘点方法的流程示意图；图3是本专利技术实施例提供的牲畜盘点方法的流程示意图；图4a～4b是本专利技术实施例提供的牲畜盘点方法的应用示意图；图5a～5c是本专利技术实施例提供的牲畜盘点方法的高斯模型图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。请参见图2和图3，本专利技术优选实施例提供了一种牲畜盘点方法，至少包括以下步骤：S10，获取牲畜所在场所的待盘点图像；其中，牲畜包括但不限于生猪，待盘点图像为密度图或称热力图；S20，分别在待盘点图像中的每一目标的几何中心点、若干特征点处标注坐标点；S30，基于坐标点建立以几何中心点作为高斯核的椭圆高斯模型，并得到高斯密度图；S40，将待盘点图像和对应的高斯密度图输入深度学习神经网络模型并进行回归训练和积分处理，得到牲畜数量。在本实施例中，通过密度统计技术替代现有的目标检测技术，并采用高斯密度模型和深度学习神经网络模型，能够有效提高牲畜数目统计的准本文档来自技高网...

【技术保护点】
1.一种牲畜盘点方法，其特征在于，至少包括以下步骤：/n获取牲畜所在场所的待盘点图像；/n分别在所述待盘点图像中的每一目标的几何中心点、若干特征点处标注坐标点；/n基于所述坐标点建立以所述几何中心点作为高斯核的椭圆高斯模型，并得到高斯密度图；/n将所述待盘点图像和对应的所述高斯密度图输入深度学习神经网络模型并进行回归训练和积分处理，得到牲畜数量。/n

【技术特征摘要】
1.一种牲畜盘点方法，其特征在于，至少包括以下步骤：
获取牲畜所在场所的待盘点图像；
分别在所述待盘点图像中的每一目标的几何中心点、若干特征点处标注坐标点；
基于所述坐标点建立以所述几何中心点作为高斯核的椭圆高斯模型，并得到高斯密度图；
将所述待盘点图像和对应的所述高斯密度图输入深度学习神经网络模型并进行回归训练和积分处理，得到牲畜数量。


2.如权利要求1所述的牲畜盘点方法，其特征在于，所述分别在所述待盘点图像中的每一目标的几何中心点、若干特征点处标注坐标点的步骤，具体为：
当所述待盘点图像中的所有目标中含有至少一个部分遮挡目标时，选取所述部分遮挡目标的最大露出面积的几何中心进行坐标点标注。


3.如权利要求1或2所述的牲畜盘点方法，其特征在于，所述若干特征点为所述目标上的最长纵向线段上的两个顶点、最长横向线段上的两个顶点。


4.如权利要求3所述的牲畜盘点方法，其特征在于，所述基于所述坐标点建立以所述几何中心点作为高斯核的椭圆高斯模型，并得到高斯密度图的步骤，具体为：
将每一所述目标的几何中心点、四个顶点作为参数点，建立以所述几何中心点作为高斯核的椭圆高斯模型；
将所有的所述椭圆高斯模型进行归一化处理，得到所述高斯密度图。


5.如权利要求1所述的牲畜盘点方法，其特征在于，所述将所述待盘点图像和对应的所述高斯密度图输入深度学习神经网络模型并进行回归训练和积分处理，得到牲畜数量的步骤，具...

【专利技术属性】
技术研发人员：杨龙，刘旭，彭端，陈刚，万方，梁田，
申请(专利权)人：新希望六和股份有限公司，山东新希望六和集团有限公司，
类型：发明
国别省市：四川;51