基于深度学习的饲料合格性分类方法技术

本申请提供一种基于深度学习的饲料合格性分类方法，包括：获取待测图像集；按预设比例划分所述待测图像集为训练集、验证集和测试集，构建Resnet50模型和SE‑Resnet50模型；通过优化器和交叉熵损失函数评价所述Resnet50模型和所述SE‑Resnet50模型的准确率acc；比较所述Resnet50模型的准确率和所述SE‑Resnet50模型的准确率，选择准确率高的为最优网络模型；对所述最优网络模型进行优化，得到最终网络模型；根据所述最终网络模型，得到待测图像合格性判断的结果。本申请通过对全混合日粮饲在制备的不同阶段进行拍摄后进行合格性检测，结果准确率高、实时性强。

【技术实现步骤摘要】
基于深度学习的饲料合格性分类方法
本申请涉及图像处理领域，尤其涉及一种基于深度学习的饲料合格性分类方法。
技术介绍
全混合日粮是一种根据牲畜长发育不同阶段的营养需求和饲养目的,按照营养调控技术和多饲料搭配原则将粗料、精料、矿物质、维生素和其他添加剂充分混合,能够提供足够的营养以满足饲养的需求。目前，规模化奶牛场多采用全混合日粮(TMR，TotalMixedRation)喂养方式，以提供给奶牛营养均衡的全混合日粮，把铡切适当长度的粗饲料、精饲料和各种添加剂按照一定的比例进行充分混合而得到，传统对于全混合日粮饲在制备的不同阶段的合格性检测通过滨州筛进行判断，由营养师将不同阶段的等量采样饲料依次放入不同层的滨州筛，进行8个方向、每个方向的振幅为17cm，频率为1s/次的振动，通过每层剩下的饲料重量与合格标准表进行比较判断。然而，通过营养师手工操作后获取全混合日粮饲在制备的不同阶段的合格性检测结果准确性差、效率低、实时性弱。
技术实现思路
本申请提供了一种基于深度学习的饲料合格性分类方法，以解决现有的全混合日粮饲在制备的不同阶段的合格性检测结果准确性差、效率低、实时性弱的技术问题。为了达到上述目的，本申请实施例采用以下技术方案：提供一种基于深度学习的饲料合格性分类方法，所述方法包括：获取待测图像集；按预设比例划分所述待测图像集为训练集、验证集和测试集，构建Resnet50模型和SE-Resnet50模型；通过优化器和交叉熵损失函数评价所述Resnet50模型和所述SE-Resnet50模型的准确率acc；比较所述Resnet50模型的准确率和所述SE-Resnet50模型的准确率，选择准确率高的为最优网络模型；对所述最优网络模型进行优化，得到最终网络模型；根据所述最终网络模型，得到待测图像合格性判断的结果。进一步地，所述待测图像集包括第一待测图像、第二待测图像、第三待测图像、第四待测图像。进一步地，对所述最优网络模型进行优化，包括：对所述第四待测图像进行图像数据扩增；对最优网络模型的深度可分离卷积、逆转差结构、线性瓶颈结构及h-swish激活函数进行改进；对改进后的最优网络模型进行模型层数的剪枝，得到最终网络模型。进一步地，所述图像数据扩增包括添加模糊、畸变、随机放射变换其中的一种或多种的组合。进一步地，所述得到最终网络模型之前，包括：将所述训练集中的待测图像划分为N块预处理图像，分别进行最优网络模型识别；根据预设权重，得到N块所述预处理图像的识别结果；根据所述识别结果判定验证集种待测图像是否正确；获取所述验证集中判断错误的待测图像和判断正确的待测图像；对所述验证集中判断错误的待测图像和判断正确的待测图像进行特征可视化分析。进一步地，所述准确率acc为：式中，Predict为预测正确训练集中的样本数量，Total为训练集中总的样本数量。本申请提供一种基于深度学习的饲料合格性分类方法，包括：获取待测图像集；按预设比例划分所述待测图像集为训练集、验证集和测试集，构建Resnet50模型和SE-Resnet50模型；通过优化器和交叉熵损失函数评价所述Resnet50模型和所述SE-Resnet50模型的准确率acc；比较所述Resnet50模型的准确率和所述SE-Resnet50模型的准确率，选择准确率高的为最优网络模型；对所述最优网络模型进行优化，得到最终网络模型；根据所述最终网络模型，得到待测图像合格性判断的结果。本申请通过对全混合日粮饲在制备的不同阶段进行拍摄后进行合格性检测，结果准确率高、实时性强。附图说明为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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申请的一些实施例，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为本申请实施例一种基于深度学习的饲料合格性分类方法的流程图；图2为本申请实施例中残差网络学习的基本残差块示意图；图3为本申请实施例中每组卷积块后的特征图大小的示意图；图4为本申请实施例中间层特征图可视化图图5为本申请实施例中构建SE-Resnet模型的示意图；图6为本申请实施例中conv1为输入量的模型示意图；图7为本申请实施例图6的训练结果图；图8为本申请实施例中conv2为输入量的模型示意图；图9为本申请实施例图8的训练结果图。具体实施方式为了使本
的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。通过滨州筛对于全混合日粮饲在制备的不同阶段的合格性进行判断时，判断的标准主要包括长度和均匀度，本申请涉及的配方，阶段一：加入苜蓿和燕麦草混合后；阶段二：再加入棉籽和玉米片混合后；阶段三：再加入青贮和精饲料混合后；阶段四：再加入水混合后。合格标准：牛场对于饲料合格有一个标准参考：长度和均匀度；其中各成分长度的标准测量使用的是宾州筛，宾州筛的使用流程为：由营养师带手套将所采样的饲料进行平均分为16份。然后采集大概500g，放入宾州筛中，进行8个方向(上方、上右方、右方、右下方、下方、下左方、左方、左上方)每个方向振幅17cm，频率为1s/次的振动。最后通过每一层剩下物质的重量进行判断，其中合格标准如下表1所示：表1泌乳牛宾州筛合格标准成分表(％)筛层泌乳牛第一层2-8第二层30-50第三层10-20筛底30-40由于全称靠营养师手工操作，时间长，没有实时性。所以本申请采用基于深度学习的方法进行判断。下面结合附图对本申请做进一步详细描述：本申请实施例提供一种基于深度学习的饲料合格性分类方法，如图1所示，所述方法包本文档来自技高网...

【技术保护点】
1.一种基于深度学习的饲料合格性分类方法，其特征在于，所述方法包括：/n获取待测图像集；/n按预设比例划分所述待测图像集为训练集、验证集和测试集，构建Resnet50模型和SE-Resnet50模型；/n通过优化器和交叉熵损失函数评价所述Resnet50模型和所述SE-Resnet50模型的准确率acc；/n比较所述Resnet50模型的准确率和所述SE-Resnet50模型的准确率，选择准确率高的为最优网络模型；/n对所述最优网络模型进行优化，得到最终网络模型；/n根据所述最终网络模型，得到待测图像合格性判断的结果。/n

【技术特征摘要】
1.一种基于深度学习的饲料合格性分类方法，其特征在于，所述方法包括：
获取待测图像集；
按预设比例划分所述待测图像集为训练集、验证集和测试集，构建Resnet50模型和SE-Resnet50模型；
通过优化器和交叉熵损失函数评价所述Resnet50模型和所述SE-Resnet50模型的准确率acc；
比较所述Resnet50模型的准确率和所述SE-Resnet50模型的准确率，选择准确率高的为最优网络模型；
对所述最优网络模型进行优化，得到最终网络模型；
根据所述最终网络模型，得到待测图像合格性判断的结果。


2.根据权利要求1所述的基于深度学习的饲料合格性分类方法，其特征在于，所述待测图像集包括第一待测图像、第二待测图像、第三待测图像、第四待测图像。


3.根据权利要求2所述的基于深度学习的饲料合格性分类方法，其特征在于，对所述最优网络模型进行优化，包括：
对所述第四待测图像进行图像数据扩增；
对最优网络模型的深度可分离卷积、逆转差结构、线性瓶颈结构及...

【专利技术属性】
技术研发人员：毛宽民，陈刚，蒯立军，郭昕，郑欣，郭生保，
申请(专利权)人：宁夏新大众机械有限公司，
类型：发明
国别省市：宁夏;64