一种猪只估重方法技术

本发明专利技术属于深度学习技术领域，公开了一种猪只估重方法，包括如下步骤：基于深度学习建立猪只检测模型；实时获取待检测猪只鱼眼图像；将待检测猪只鱼眼图像输入猪只检测模型进行检测，得到所有的猪只目标及其像素面积；根据对应的像素面积获取所有的猪只目标的猪只重量。本发明专利技术解决了现有技术存在的人力成本投入高、工作量大、效率低下以及准确性低的问题。效率低下以及准确性低的问题。效率低下以及准确性低的问题。

【技术实现步骤摘要】
一种猪只估重方法


[0001]本专利技术属于深度学习
，具体涉及一种猪只估重方法。

技术介绍

[0002]随着经济发展，人们对猪肉的需求越来越高，猪肉的产量也越来越高，目前采用最多的养殖模式是大栏养猪，实现了养猪行业由散养模式向规模化、集约化模式的转变，这种养殖模式的特点是猪只密度大，数量多，其优点为节约占地，增加单位饲养头数，适合集约化养殖，便于统计，母猪生活在大栏里一目了然，统计挂牌，不容易出错。
[0003]传统技术中采用人工的方式对猪只进行称重，这种方式的人力成本投入高，工作人员的工作量大，并且效率低下；随着现代化设备在养殖业的普及，深度学习技术在猪只称重的应用越来越广泛，但是现有的猪只称重技术只能对平面图像进行计算，而对于鱼眼图像的猪只称重存在较大的误差，准确度低。

技术实现思路

[0004]为了解决现有技术存在的人力成本投入高、工作量大、效率低下以及准确度低的问题，本专利技术目的在于提供一种成本投入低、工作量少、效率高以及准确度高的猪只估重方法。
[0005]本专利技术所采用的技术方案为：
[0006]一种猪只估重方法，包括如下步骤：
[0007]基于深度学习建立猪只检测模型；
[0008]实时获取待检测猪只鱼眼图像；
[0009]将待检测猪只鱼眼图像输入猪只检测模型进行检测，得到所有的猪只目标及其像素面积；
[0010]根据对应的像素面积获取所有的猪只目标的猪只重量。
[0011]进一步地，基于深度学习建立猪只检测模型，包括如下步骤：
[0012]获取猪只鱼眼图像数据集，并对猪只鱼眼图像数据集中的所有图像进行预处理，得到预处理后的猪只鱼眼图像数据集；
[0013]基于深度学习建立Mask
‑
RCNN模型；
[0014]使用预处理后的猪只鱼眼图像数据集对Mask
‑
RCNN模型进行训练，得到猪只检测模型。
[0015]进一步地，预处理包括几何变换处理、光学变换处理、增加噪声处理以及归一化处理。
[0016]进一步地，Mask
‑
RCNN模型的网络结构包括ResNeXt模块、RPN模块、RoI Align模块、Fast R
‑
CNN模块以及FCN模块。
[0017]进一步地，Mask
‑
RCNN模型的工作方法，包括如下步骤：
[0018]将猪只鱼眼图像输入ResNeXt模块，得到特征图；
[0019]根据特征图获取若干ROI候选框；
[0020]将若干ROI候选框输入RPN模块进行筛选，使用二值分类方法与边框回归方法得到筛选后的ROI候选框；
[0021]将筛选后的ROI候选框输入ROI Align模块进行特征图对应处理，即将输入的猪只鱼眼图像与特征图的像素进行对应，将特征图于固定特征进行对应；
[0022]将筛选后的ROI候选框输入FCN模块进行依次的分类、边框回归以及Mask分割，得到每个筛选后的ROI候选框的Mask。
[0023]进一步地，使用预处理后的猪只鱼眼图像数据集对Mask
‑
RCNN模型进行训练，得到猪只检测模型，包括如下步骤：
[0024]将预处理后的猪只鱼眼图像数据集划分为猪只鱼眼图像训练集和猪只鱼眼图像测试集；
[0025]将猪只鱼眼图像训练集输入Mask
‑
RCNN模型进行训练，得到初始的猪只检测模型；
[0026]将猪只鱼眼图像测试集输入初始的猪只检测模型进行优化，得到最优的猪只检测模型。
[0027]进一步地，将待检测猪只鱼眼图像输入猪只检测模型进行检测，得到所有的猪只目标及其像素面积，包括如下步骤：
[0028]将待检测猪只鱼眼图像进行网格划分，得到含有网格的猪只鱼眼图像；
[0029]获取每个网格的像素权重；
[0030]将当前的含有网格的待检测猪只鱼眼图像输入猪只检测模型进目标检测，得到待检测猪只鱼眼图像内的所有猪只目标及其位置；
[0031]获取当前的猪只目标在对应位置的网格的像素面积；
[0032]遍历待检测猪只鱼眼图像的所有猪只目标，得到所有的猪只目标在对应位置的网格的像素面积。
[0033]进一步地，根据对应的像素面积获取所有的猪只目标的猪只重量，包括如下步骤：
[0034]根据当前的猪只目标在对应位置的网格的像素面积和对应网格的像素权重获取当前的猪只目标的猪只重量；
[0035]遍历待检测猪只鱼眼图像的所有猪只目标，得到所有猪只目标的猪只重量。
[0036]进一步地，猪只重量的获取公式为：
[0037][0038]式中，P为猪只重量；S
i
为猪只目标在第i个网格的像素面积；l
i
为第i个网格的像素权重；i为网格指示量；N为猪只目标所占的网格总数。
[0039]进一步地，猪只估重方法基于猪只估重系统，猪只估重系统包括摄像单元和数据处理中心，摄像单元与数据处理中心通信连接；
[0040]摄像单元，用于实时获取待检测猪只鱼眼图像，并将待检测猪只鱼眼图像发送至数据处理中心；
[0041]数据处理中心，用于基于深度学习建立猪只检测模型，接收待检测猪只鱼眼图像，将待检测猪只鱼眼图像输入猪只检测模型进行检测，得到所有的猪只目标及其像素面积，
并根据对应的像素面积获取所有的猪只目标的猪只重量；
[0042]摄像单元包括主控模块、摄像头以及通讯模块，主控模块分别与摄像头和通讯模块通信连接，通讯模块与数据处理中心通信连接；
[0043]数据处理中心包括数据处理服务器、数据管理服务器以及数据存储服务器，数据管理服务器分别与通讯模块、数据处理服务器以及数据存储服务器通信连接。
[0044]本专利技术的有益效果为：
[0045]1)本专利技术提供一种基于深度学习的猪只估重方法，对拍摄的待检测猪只鱼眼图像进行检测，使用猪只检测模型方便的检测猪只目标的位置及其像素面积，获取每个猪只目标的猪只重量，避免了人工方式进行称重，减少了人力成本投入，提高了估重效率；
[0046]2)本专利技术的针对鱼眼图像进行网格划分和像素权重划分，减小了对于鱼眼图像的猪只称重的误差，提高了准确度。
[0047]本专利技术的其他有益效果将在具体实施方式中进一步进行说明。
附图说明
[0048]图1是本专利技术中猪只估重方法流程框图。
[0049]图2是Mask
‑
RCNN模型的网络结构图。
[0050]图3是待检测猪只鱼眼图像。
[0051]图4是含有网格的待检测猪只鱼眼图像。
[0052]图5是猪只估重系统框图。
具体实施方式
[0053]下面结合附图及具体实施例对本专利技术做进一步阐释。
[0054]实施例1：
[0055]如图1所示，本实施例提供一种猪只估本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种猪只估重方法，其特征在于：包括如下步骤：基于深度学习建立猪只检测模型；实时获取待检测猪只鱼眼图像；将待检测猪只鱼眼图像输入猪只检测模型进行检测，得到所有的猪只目标及其像素面积；根据对应的像素面积获取所有的猪只目标的猪只重量。2.根据权利要求1所述的猪只估重方法，其特征在于：所述的基于深度学习建立猪只检测模型，包括如下步骤：获取猪只鱼眼图像数据集，并对猪只鱼眼图像数据集中的所有图像进行预处理，得到预处理后的猪只鱼眼图像数据集；基于深度学习建立Mask
‑
RCNN模型；使用预处理后的猪只鱼眼图像数据集对Mask
‑
RCNN模型进行训练，得到猪只检测模型。3.根据权利要求2所述的猪只估重方法，其特征在于：所述的预处理包括几何变换处理、光学变换处理、增加噪声处理以及归一化处理。4.根据权利要求2所述的猪只估重方法，其特征在于：所述的Mask
‑
RCNN模型的网络结构包括ResNeXt模块、RPN模块、RoI Align模块、Fast R
‑
CNN模块以及FCN模块。5.根据权利要求4所述的猪只估重方法，其特征在于：所述的Mask
‑
RCNN模型的工作方法，包括如下步骤：将猪只鱼眼图像输入ResNeXt模块，得到特征图；根据特征图获取若干ROI候选框；将若干ROI候选框输入RPN模块进行筛选，使用二值分类方法与边框回归方法得到筛选后的ROI候选框；将筛选后的ROI候选框输入ROI Align模块进行特征图对应处理，即将输入的猪只鱼眼图像与特征图的像素进行对应，将特征图于固定特征进行对应；将筛选后的ROI候选框输入FCN模块进行依次的分类、边框回归以及Mask分割，得到每个筛选后的ROI候选框的Mask。6.根据权利要求2所述的猪只估重方法，其特征在于：所述的使用预处理后的猪只鱼眼图像数据集对Mask
‑
RCNN模型进行训练，得到猪只检测模型，包括如下步骤：将预处理后的猪只鱼眼图像数据集划分为猪只鱼眼图像训练集和猪只鱼眼图像测试集；将猪只鱼眼图像训练集输入Mask
‑
RCNN模型进行...

【专利技术属性】
技术研发人员：柯海滨，刘云明，杨恒，
申请(专利权)人：深圳喜为智慧科技有限公司，
类型：发明
国别省市：