一种基于深度学习的高精度猪只体重估算方法技术

本发明专利技术公开了一种基于深度学习的高精度猪只体重估算方法，包括以下步骤：步骤一，猪只图像预处理；步骤二，提取猪只各部位的关键点；步骤三，计算猪只的真实尺寸；步骤四，调校猪只体尺；步骤五，估算猪只的体重；所述步骤一中，参照物的选择依据是：成本低、不易伪造、不易形变、颜色鲜艳易分离，且相对预测对象的空间位置尽量保持一致；本发明专利技术较之人工估算，采用了图像处理、深度学习和机器学习技术，具备高度的智能化和自动化，能有效地提高估算精度和估算效率，本发明专利技术利用基于全卷积神经网络的图像语义分割技术对图像进行语义分割，避免了繁复的图像预处理工作，减小了预测误差，提高了数据采集效率。据采集效率。据采集效率。

【技术实现步骤摘要】
一种基于深度学习的高精度猪只体重估算方法


[0001]本专利技术涉及深度学习
，具体为一种基于深度学习的高精度猪只体重估算方法。

技术介绍

[0002]在生猪养殖业，为了降低生猪养殖风险、减少受灾损失，养殖户会对生猪进行投保，当生猪在养殖过程非正常死亡时，保险公司会根据生猪死亡时的体重对养殖户进行赔付；而在理赔过程中，最为重要的一项工作就是对生猪的体重进行勘定；现有的生猪的体重勘定方式大多使现场称重，但在特殊情况下，有很多猪只无法上秤，比如疫病猪需要快速无害化处理，来不及等到保险公司来查勘定损，或者因为卫生原因、或体重过重，导致无法人为移动上秤，这个时候就只能对猪的体重进行估算，然而估算无法保障精度，容易受估算人经验的影响；且这种人工处理带来了估算人和养殖户之间利益的操作空间，不利于保险公司防控风险；在现有技术中，也有利用卷积神经网络进行猪只的体重预测，该技术的优点在于：神经网络自己会去学习如何根据对象与参照物之间的相对关系来预测体重；但缺点同样明显：
[0003]一、卷积神经网络更适合完成分类任务，执行数值预测任务的效果留待验证；
[0004]二、深度学习模型预测结果的可解释性差，提取特征仅有模型本身可理解；
[0005]三、由于照片都是实地拍摄，图像背景元素复杂不可控，如果对图像做较少的预处理，无形中就增加了整个预测任务的求解空间，而这又提高了获得一个理想精度所需的最低图像数据规模；
[0006]四、模型的预测误差范围不可控，从几斤到几十上百斤都有，也就是说模型有时会给出违背常识的误差，而导致这个误差的原因还难以解释。

技术实现思路

[0007]本专利技术的目的在于提供一种基于深度学习的高精度猪只体重估算方法，以解决上述
技术介绍
中提出的问题。
[0008]为实现上述目的，本专利技术提供如下技术方案：一种基于深度学习的高精度猪只体重估算方法，包括以下步骤：步骤一，猪只图像预处理；步骤二，提取猪只各部位的关键点；步骤三，计算猪只的真实尺寸；步骤四，调校猪只体尺；步骤五，估算猪只的体重；
[0009]其中在上述步骤一中，将已知度量的参照物放置在猪身上的特定位置，拍摄出带有参照物的猪只全身侧视图片，利用基于全卷积神经网络的图像语义分割模型对图像进行预处理，将背景、猪只各部位和参照物的像素区域分开，从图片中分离出猪只各部位和参照物的像素信息；
[0010]其中在上述步骤二中，利用关键点位置概率模型标注猪只各部位像素信息的关键点，利用关键点还原模型提取关键点坐标位置，获得猪只各部位的关键点集合；
[0011]其中在上述步骤三中，将步骤二中所获得的猪只各部位关键点集合输送至体尺生
成器，体尺生成器构造出猪只体尺信息，再将猪只体尺信息与步骤一中所获得的参照物的像素信息输送至体尺转换器，体尺转换器基于已获知的参照物像素尺寸和真实尺寸的比例关系，计算出猪只的真实尺寸；
[0012]其中在上述步骤四中，利用体尺调校器，基于拍摄距离、拍摄角度以及参照物与猪只相对位置等信息，将步骤三中所获得的猪只真实尺寸校正到标准侧视度量，从而获得体尺特征集合；
[0013]其中在上述步骤五中，将体尺特征集合输入动态融合模型，即可估算出猪只的体重。
[0014]优选的，所述步骤一中，参照物的选择依据是：成本低、不易伪造、不易形变、颜色鲜艳易分离，且相对预测对象的空间位置尽量保持一致。
[0015]优选的，所述步骤一中，获取图像语义分割模型的具体操作为：首先定义全卷积神经网络模型，然后将训练数据集以6：2：2的比例划分为训练集、测试集和验证集，将训练集输入模型进行迭代训练确定模型参数，直至模型收敛，然后利用测试集对模型的精度进行测试，最后利用验证集进一步调整模型参数，得到完成训练的图像语义分割模型；其中，训练数据集为带有参照物的猪只全身侧视图像数据集和对应的标签数据集。
[0016]优选的，所述步骤二中，获取关键点位置概率模型的具体操作为：基于数据生成算法对关键点位置的概率密度分布进行建模，此处数据生成算法采用高斯混合模型。
[0017]优选的，所述步骤二中，猪只各部位关键点包括猪只的头、尾、胸下方和腰下方等。
[0018]优选的，所述步骤三中，猪只体尺信息包括体长、胸围、腰围、腿间距和核心躯干面积等。
[0019]优选的，所述步骤五中，动态融合模型是根据猪只体尺与体重对应关系数据，拟合出一组机器学习基回归器，并基于基回归器，通过Adaboost、GBRT、Bagging、RandomForest、Stacking等集成学习算法进行整合强化所获得的。
[0020]优选的，所述机器学习基回归器包括但不限于线性回归、K近邻回归、LASSO回归、支持向量机、多层感知机和高斯混合模型等。
[0021]与现有技术相比，本专利技术的有益效果是：本专利技术较之人工估算，采用了图像处理、深度学习和机器学习技术，具备高度的智能化和自动化，能有效地提高估算精度和估算效率，本专利技术利用基于全卷积神经网络的图像语义分割技术对图像进行语义分割，避免了繁复的图像预处理工作，减小了预测误差，提高了数据采集效率。
附图说明
[0022]图1为本专利技术的方法流程图。
具体实施方式
[0023]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做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。
[0024]请参阅图1，本专利技术提供的一种实施例：一种基于深度学习的高精度猪只体重估算
方法，包括以下步骤：步骤一，猪只图像预处理；步骤二，提取猪只各部位的关键点；步骤三，计算猪只的真实尺寸；步骤四，调校猪只体尺；步骤五，估算猪只的体重；
[0025]其中在上述步骤一中，将已知度量的参照物放置在猪身上的特定位置，拍摄出带有参照物的猪只全身侧视图片，利用基于全卷积神经网络的图像语义分割模型对图像进行预处理，将背景、猪只各部位和参照物的像素区域分开，从图片中分离出猪只各部位和参照物的像素信息；其中，参照物的选择依据是：成本低、不易伪造、不易形变、颜色鲜艳易分离，且相对预测对象的空间位置尽量保持一致；获取图像语义分割模型的具体操作为：首先定义全卷积神经网络模型，然后将训练数据集以6：2：2的比例划分为训练集、测试集和验证集，将训练集输入模型进行迭代训练确定模型参数，直至模型收敛，然后利用测试集对模型的精度进行测试，最后利用验证集进一步调整模型参数，得到完成训练的图像语义分割模型；其中，训练数据集为带有参照物的猪只全身侧视图像数据集和对应的标签数据集；
[0026]其中在上述步骤二中，利用关键点位置概率模型标注猪只各部位像素信息的关键点，利用关键点还原模型提取关键点坐标位置，获得猪只各部位的关键点集合；其中，获取关键点位置概率模型的具体操作为：基于数据生成算法对关键点位置的概本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的高精度猪只体重估算方法，包括以下步骤：步骤一，猪只图像预处理；步骤二，提取猪只各部位的关键点；步骤三，计算猪只的真实尺寸；步骤四，调校猪只体尺；步骤五，估算猪只的体重；其特征在于：其中在上述步骤一中，将已知度量的参照物放置在猪身上的特定位置，拍摄出带有参照物的猪只全身侧视图片，利用基于全卷积神经网络的图像语义分割模型对图像进行预处理，将背景、猪只各部位和参照物的像素区域分开，从图片中分离出猪只各部位和参照物的像素信息；其中在上述步骤二中，利用关键点位置概率模型标注猪只各部位像素信息的关键点，利用关键点还原模型提取关键点坐标位置，获得猪只各部位的关键点集合；其中在上述步骤三中，将步骤二中所获得的猪只各部位关键点集合输送至体尺生成器，体尺生成器构造出猪只体尺信息，再将猪只体尺信息与步骤一中所获得的参照物的像素信息输送至体尺转换器，体尺转换器基于已获知的参照物像素尺寸和真实尺寸的比例关系，计算出猪只的真实尺寸；其中在上述步骤四中，利用体尺调校器，基于拍摄距离、拍摄角度以及参照物与猪只相对位置等信息，将步骤三中所获得的猪只真实尺寸校正到标准侧视度量，从而获得体尺特征集合；其中在上述步骤五中，将体尺特征集合输入动态融合模型，即可估算出猪只的体重。2.根据权利要求1所述的一种基于深度学习的高精度猪只体重估算方法，其特征在于：所述步骤一中，参照物的选择依据是：成本低、不易伪造、不易形变、颜色鲜艳易分离，且相对预测对象的空间位置尽量保持一致。3.根据权利要求1所述的一种基于深度学习的高精度猪只体重估算方法，其特征在于：所述步骤一中，获取图像语义分...

【专利技术属性】
技术研发人员：张剑，
申请(专利权)人：成都爱记科技有限公司，
类型：发明
国别省市：