【技术实现步骤摘要】
一种基于堆叠沙漏网络的群养猪体尺测量方法
[0001]本专利技术涉及计算机视觉领域、检测领域以及养殖
，具体为一种基于堆叠沙漏网络的群养猪体尺测量方法。
技术介绍
[0002]现代养猪场趋向于智能化、自动化的发展方向，这就需要现代化智能方法来管理群养模式下的猪只。猪的体尺可以反映猪的生长发育状况，也是种猪选育、肉质评价的重要指标。在我国现阶段内，群养猪的体尺测量方法主要包括人工测量和传统机器学习方法。其中，采用人工测量方法对猪体进行直接接触，会导致猪产生应激反应，测量效率低下，人畜之间疾病传播等问题。基于传统机器学习方法的猪体尺测量，大多是对猪的静态图像进行轮廓提取，然后利用基于包络线的凹陷结构的拐点提取算法找到猪体关键角点，从而计算猪的体尺数据，但是这种方法要求采集的猪体图像完整、背部笔直、无歪头。在实际图像采集过程中，由于猪的生活习性，很难采集到理想图像，并且群养状态下的猪体容易相互遮挡、粘连，这种方法难以应用于群养猪场。
[0003]关节点检测来自于人体姿态检测，人体关节点检测是诸多计算机视觉任务的基础，...
【技术保护点】
【技术特征摘要】
1.一种基于堆叠沙漏网络的群养猪体尺测量方法，其特征在于：包括以下步骤：步骤S1、在群养猪舍环境下得到猪只图像的初始样本库，将初始样本库输入Mask R
‑
CNN，提取通过Mask R
‑
CNN的区域建议框网络得到的RoI和掩膜网络得到的Mask，两者进行融合处理，将图像中多目标猪体进行分离，建立新的样本库；步骤S2、将S1中构建的新的样本库输入堆叠沙漏网络获得猪体关节点，所述堆叠沙漏网络以残差模块作为基础模块，可以提取不同尺度的特征，通过对4个沙漏网络进行堆叠，可以更好地获取关节点之间的空间关系。步骤S3、设计基于SVM分类算法的关节点筛选方法，通过给定不同特征的猪体关节点样本，寻找一个超平面对样本进行分类，进而筛选出适合进行体尺测量的关节点样本。步骤S4、构建体尺测量模型，利用关节点筛选结果得到猪体五个关节点，对猪的体尺数据进行计算。2.根据权利要求1所述的一种基于堆叠沙漏网络的群养猪体尺测量方法，其特征在于：所述步骤S1的具体步骤如下：步骤S11、在群养猪舍内，在猪舍正上方安装深度相机，获取俯视角度的深度图像；对获得的深度图像，用中值滤波方法去除大量干扰噪声，用限制对比度自适应直方图均衡化进行增强，得到原始样本库；用图像标注工具LabelMe对初始样本库中图像的猪体外包围框进行标注，获得初始训练样本集；步骤S12、将初始样本库输入Mask R
‑
CNN，所述Mask R
‑
CNN是在Faster R
‑
CNN的基础上改进的两阶段实例分割算法，能同时实现多目标分类、目标检测和掩膜分割；步骤S13、提取通过Mask R
‑
CNN的区域建议框网络得到的RoI和掩膜网络得到的Mask，两者进行融合处理，进而将图像中多目标猪只进行分离，建立新的样本库。3.根据权利要求2所述的一种基于堆叠沙漏网络的群养猪体尺测量方法，其特征在于：所述步骤S12中的Mask R
‑
CNN是两阶段的目标检测网络：第一阶段通过构建特征金字塔网络进行多尺度特征融合，接着输入区域建议框网络中生成目标对象的RoI，实现对群养猪舍下的猪体进行分离；第二阶段使用感兴趣区域对齐(RoI Align)后输入全连接层获得分类和边框回归的结果，同时Mask R
‑
CNN还为每个RoI输出一个猪只的二进制Mask，将猪只的RoI和Mask作为构建新的样本库的基础。4.根据权利要求2所述的一种基于堆叠沙漏网络的群养猪体尺测量方法，其特征在于：所述步骤S12中的Mask R
‑
CNN的主干特征提取网络由深度残差网络resnet101和特征金字塔网络构成，猪只图像通过主干特征提取网络可以得到五个不同尺度大小的特征层，将五个特征层依次输入到区域建议框网络预测猪只的候选框坐标，接着用得到的候选框对输入到RoI Align层的特征图进行截取并固定尺寸，得到固定尺寸大小的RoI；最后，经过全连接层得到了Mask R
‑
CNN的三个分支的输出，其中两个分支进行分类和边框回归操作，另一个分支是在已经得到包含猪只的检测框内，用一个全卷积网络来对检测框内像素点进行分类，并通过上采样得到最终的猪只Mask。5....
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。