基于深度学习的猪场猪只实例分割方法技术

本发明专利技术公开了基于深度学习的猪场猪只实例分割方法，包括以下步骤：在猪场设置群养栏的大小为5.5m

【技术实现步骤摘要】
基于深度学习的猪场猪只实例分割方法


[0001]本专利技术属于猪场猪只分割
，具体涉及基于深度学习的猪场猪只实例分割方法。

技术介绍

[0002]猪只状态的实时监测对高效饲养与科学决策具有重要的价值。近年来，随着图像采集与处理技术的发展，采用图像分析的方法监测猪只的行为与健康状况越来越受到重视。一方面，相较于其它的监测手段，图像分析具有成本低、实时的优点。另一方面，图像分析不对猪只日常活动产生干扰。在图像分析方面，猪只图像个体分割极为重要的意义，若能够分割监测图像中的各个猪只图像，就有潜力实时分析各个猪只的日常运动状态与行为，如采食、排泄、活动轨迹、运动量等，从而有利于分析各猪只的生长状态、健康状况。
[0003]目前传统的猪场在对猪只进行计数时通常采用人工肉眼进行计数，但是当猪场的规模较大时，通过人工肉眼进行计数的方式一般较为费时费力，且计数存在较大误差，导致计数结果并不准确，使用时存在一定的局限性。

技术实现思路

[0004]本专利技术要解决的技术问题是克服现有的缺陷，提供基于深度学习的猪场猪只实例分割方法，以本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的猪场猪只实例分割方法，其特征在于：包括以下步骤：步骤一：在猪场设置群养栏的大小为5.5m
×
4.0m，单栏内平均饲养30头猪，饲养密度为1.36头/
㎡
，所有监控图像均为自然光条件下进行采集；步骤二：对采集到的500张图像首先通过图像预处理剔除模糊和光线差的图像，将采集到的RGB图像转换为灰度图像后，计算图像灰度值经拉普拉斯算子卷积运算后与图像灰度均值的方差；步骤三：从预处理图像后的图像中得到400张图像作为原始数据集，将数据集分为三部分，即为训练集300张，验证集60张，测试集40张，标注图像后，通过数据增强扩充训练集和验证集，随机挑选图像进行人工亮度提升和旋转，最终得到的数据集包括训练集250张，验证集50张和测试集30张共330张图像；步骤四：采用生猪计数网络基于TensorFlow框架的Mask R
‑
CNN网络结构，针对猪只密度大、遮挡严重的特殊问题，采用ResNet
‑
152作为Mask R
‑
CNN特征提取网络，同时，在原始特征金字塔网络(Feature pyramid network,FPN)后面添加一条自底向上的增强路径，将底层定位特征向上传递，提高边界框定位的精确性；步骤五：FPN通过将高层特征图上采样后与下层特征图相加实现不同网络层提取的特征融合，自顶向下将高层特征逐层向下传递，只增强了高层的语义信息，没有增强底层信息，而神经网络的底层信息多是边缘、形状等特征，这些特征对像素级的实例分割非常重要，尤其是在本发明的应用场景中，受现场条件影响较大，比如光照条件较差，目标之间互相挤压遮挡严重，目标轮廓边缘经常不是特别清晰，针对此问题，根据PANet在原始FPN后面添加一条自底向上的增强路径，直接将低层边缘位置特征与高层特征相融合，以提高对边缘轮廓的识别能力；步骤六：结合特征金字塔网络，采用在不同尺寸的特征图上，预测不同尺寸的目标，低层特征图缩放比例较小，小目标特征保存比较完整，在低层大尺寸的特征图上生成小尺寸的锚点，用于检测小目标，高层特征图缩放比例较大，但是可以学习到更多的语义信息，丰富大目标特征，在高层特征图上生成大尺寸的锚点，用于检测大目标；步骤七：对NMS过程进行优化，根据Soft NMS修改处理过程，当预测框和得分最高边界框的IoU大于阈值时，不直接移除预测框，而是修改预测框的得分，同时为了减少冗余，采用loU越大，得分越低的原则，预测框的新得分设置为原始分数乘以指数函数的形式；步骤八：对边界框回归的损失函数进行优化，在原有损失函数基础上引入排斥项(LRep)，排斥项使得预测框和对应真实目标边界框的距离缩小的同时，使之与相邻无关目标边界框(包括其他目标的真实边界框和预测框)的距离增大，优化后边界框回归损失由吸引项和排斥项组成；步骤九：通过上述算法对不同猪场的猪栏内的猪只进行图像识别，并根据人工清点计算猪只数量和图像识别计算的数量进行对比得出算法的准确率。2.根据权利要求1所述的基...

【专利技术属性】
技术研发人员：薛素金，杨焜，
申请(专利权)人：厦门农芯数字科技有限公司，
类型：发明
国别省市：