一种奶牛耳标识别系统技术方案

本发明专利技术公开了一种奶牛耳标识别方法及识别系统。识别方法包括：S1：采集一个养殖场内部的监控视频；S2：提取监控视频中的图像帧作为输入图像，通过基于YOLO V5的牛头提取模型从输入图像中提取出牛头图像；S3：通过颜色阈值法从牛头图像中提取出耳标图像并进行预处理形成二值化图像；S4：将每个二值化图像根据方向分类并旋转至水平方向成为水平图像；S5：通过基于CPTN算法的文字检测模型从水平图像中检测并提取出文字图像；S6：采用基于CRNN算法的文字识别模型根据文字图像输出预测文字。本发明专利技术通过对奶牛群体采集监控视频并逐级拆分获取文字区域，有效地降低了采集耳标文字图像的成本，尽可能地保持了耳标文字的特征，提高识别耳标文字的效率。识别耳标文字的效率。识别耳标文字的效率。

【技术实现步骤摘要】
一种奶牛耳标识别系统


[0001]本专利技术涉及畜牧业
，特别是涉及一种奶牛耳标识别系统。

技术介绍

[0002]在奶牛养殖的过程中，需要实时掌握每头奶牛的健康状况及位置信息，以便于在奶牛生病或离开养殖区域时快速找到奶牛或对其进一步检查治疗，从而保证奶牛的健康状况，避免发生奶牛群体疾病，同时防止奶牛的丢失。
[0003]人工对单个奶牛的监测需要时间和劳动力成本，而且在大规模的奶牛养殖场中也很难处理。通常在大规模奶牛养殖中每个奶牛都佩戴一个黄色耳标，每个耳标上都有该奶牛特定的ID编号。
[0004]现有的奶牛个体识别方法有基于射频技术的个体识别，但在这种方法中，奶牛必须佩戴特定的射频发射器才能进行识别定位，识别成本高且识别准确率较低。

技术实现思路

[0005]为解决现有奶牛耳标识别精确度低的问题，本专利技术提供一种奶牛耳标识别系统和控制系统。
[0006]本专利技术采用如下技术方案实现：一种奶牛耳标识别系统，其包括如下步骤：
[0007]S1：采集一个养殖场内部的监控视频。
[0008]S2：提取监控视频中包含奶牛的图像帧，并将提取出的各个图像帧作为输入图像。通过基于YOLO V5的牛头提取模型从输入图像中提取包含牛头特征的牛头图像。提取牛头图像的方法包括如下步骤：
[0009]S21：收集数据集。数据集包含多张奶牛的牛头原形图像。牛头原形图像通过对养殖场内多个奶牛以不同背景、不同角度或不同距离拍照而获取。其中一部分牛头原形图像作为测试集，另一部分牛头原形图像作为训练集。
[0010]S22：建立基于YOLO V5的初始牛头提取模型。YOLO V5模型包括输入层、主干网络、预测层和损失函数。输入层包括数据增强、自适应锚框计算和自适应图像缩放。数据增强用于对训练集中的牛头原形图像进行拼接，丰富训练集。自适应锚框计算用于输出预测框。自适应图像缩放用于将输入的图像缩放到一个设定的规格。主干网络用于输出特征图。预测层用于根据预测框输出预测图像。损失函数用于消除多余的预测框，找到最佳的预测图像。
[0011]S23：通过训练集对初始牛头识别模型进行训练获取牛头提取模型。通过测试集对牛头提取模型进行测试，保留通过测试的牛头提取模型。
[0012]S24：将输入图像输入牛头识别模型中获取牛头图像。
[0013]S3：通过颜色阈值法从每个牛头图像中提取出耳标图像。对耳标图像进行预处理形成二值化图像。
[0014]S4：检测每个二值化图像的方向并将每个二值化图像根据方向分类形成多个方向集。根据方向类别将所有二值化图像旋转至水平方向作为水平图像。
[0015]S5：通过基于CPTN算法的文字图像提取模型从水平图像中检测并提取出具有文字特征的文字图像。
[0016]S6：采用基于CRNN算法的文字识别模型对文字图像上的文字内容进行预测并输出预测文字。
[0017]本专利技术通过采集奶牛的视频并在视频中选取奶牛的图像，根据奶牛牛头的特征利用牛头识别模型提取奶牛图像中的牛头图像，再根据耳标颜色与图像背景颜色的差异，通过颜色阈值法提取出耳标图像并对耳标图像预处理使耳标图像转化为二值化图像，随后提取二值化图像中的文字图像，最后采用CRNN模型识别文字图像的内容并输出预测文字。本专利技术通过对奶牛群体采集视频并逐级拆分获取文字区域，有效地降低了采集耳标图像及文字图像的成本，尽可能地保持了耳标及其文字的特征，提高识别耳标文字的效率。
[0018]作为上述方案的进一步改进，在S1中，采集视频信息的方法包括如下步骤：
[0019]S11：在养殖场内选取供奶牛活动的活动区域。
[0020]S12：在活动区域内安装多个监控摄像头。根据每个监控摄像头的监控覆盖范围将活动区域划分为多个分区域。在每个分区域内安装至少一个用于实时监控分区域的监控摄像头。
[0021]S13：通过监控摄像头采集每个分区域的监控视频并将监控视频传输到牛头图像提取模型中。
[0022]作为上述方案的进一步改进，在S3中，颜色阈值法包括如下步骤：
[0023]S31：使用颜色空间转换工具将牛头图像的颜色空间变换到HSV颜色空间获得HSV图像。
[0024]S32：设置奶牛耳标的HSV颜色阈值范围，根据颜色阈值范围从牛头图像中分割出耳标图像。
[0025]作为上述方案的进一步改进，在S3中，预处理的方法包括：滤波、直方图均衡化和二值化。滤波处理用于对耳标图像的噪声进行抑制。直方图均衡化用于调整耳标图像的对比度。二值化用于将耳标图像转化为二值化图像。
[0026]作为上述方案的进一步改进，在S4中，方向集的分类方法包括：
[0027]S41：构建基于VGGNet
‑
16神经网络的分类模型。
[0028]S42：根据分类模型识别二值化图像中耳标方向与水平方向的夹角范围。
[0029]S43：根据夹角范围对二值化图像进行分类形成多个方向集。多个方向集包括：0
°
集、90
°
集、180
°
集和270
°
集。0
°
集、90
°
集、180
°
集和270
°
集分别对应的夹角范围为[θ，θ+90
°
)、[θ+90
°
，θ+180
°
)、[θ+180
°
，θ+270
°
)和[θ+270
°
，θ+360
°
)。其中θ∈[
‑
45
°
，0
°
]。
[0030]作为上述方案的进一步改进，在S41中，VGGNet
‑
16神经网络包括13个卷积层、5个池化层和3个全连层。每个卷积层均为3
×
3的小型卷积滤波器。13个卷积层按照两层、两层、三层、三层和三层的顺序分为五集。每集内连接一个池化层。每个池化层均为2
×
2的最大池化核。全连接层用于整合卷积层和池化层中具有类别区分性的局部信息。
[0031]作为上述方案的进一步改进，在S43中，将0
°
集定义为水平方向集。旋转其余的方向集直至全部的方向集转换为水平方向集。
[0032]作为上述方案的进一步改进，在S5中，文字图像提取模型的建立方法包括如下步骤：
[0033]S51：获取文本图像集。根据耳标所使用的编号文字选择相应的文本集。通过对文本集内的所有非重复文字进行单独拍照获取多个文字图像。多个文字图像共同构成文本图像集。其中一部分文本图像集作为训练集二。另一部分文本图像作为测试集二。
[0034]S52：建立基于CPTN算法的初始文字检测模型。
[0035]S53：通过训练集二对初始文字图像提取模型进行训练获取文字图像提取模型。通过测试集二对文本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种奶牛耳标识别方法，其特征在于，其包括如下步骤：S1：采集一个养殖场内部的监控视频；S2：提取所述监控视频中包含奶牛的图像帧，并将提取出的各个图像帧作为输入图像；通过基于YOLO V5的牛头提取模型从所述输入图像中提取包含牛头特征的牛头图像；提取所述牛头图像的方法包括如下步骤：S21：收集数据集；所述数据集包含多张奶牛的牛头原形图像；所述牛头原形图像通过对养殖场内多个奶牛以不同背景、不同角度或不同距离拍照而获取；其中一部分牛头原形图像作为测试集，另一部分牛头原形图像作为训练集；S22：建立基于YOLO V5的初始牛头提取模型；所述YOLO V5模型包括输入层、主干网络、预测层和损失函数；输入层包括数据增强、自适应锚框计算和自适应图像缩放；所述数据增强用于对所述训练集中的牛头原形图像进行拼接，丰富训练集；自适应锚框计算用于输出预测框；自适应图像缩放用于将输入的图像缩放到一个设定的规格；主干网络用于输出特征图；预测层用于根据所述预测框输出预测图像；损失函数用于消除多余的预测框，找到最佳的预测图像；S23：通过所述训练集对所述初始牛头识别模型进行训练获取牛头提取模型；通过所述测试集对所述牛头提取模型进行测试，保留通过测试的所述牛头提取模型；S24：将所述输入图像输入所述牛头识别模型中获取所述牛头图像；S3：通过颜色阈值法从每个所述牛头图像中提取出耳标图像；对耳标图像进行预处理形成二值化图像；S4：检测每个所述二值化图像的方向并将每个所述二值化图像根据方向分类形成多个方向集；将多个方向集旋转至水平方向，使多个所述方向集内的所有所述二值化图像转换为水平图像；S5：通过基于CPTN算法的文字检测模型从所述水平图像中检测并提取出具有文字特征的文字图像；S6：采用基于CRNN算法的文字识别模型对所述文字图像上的文字内容进行预测并输出预测文字。2.如权利要求1所述的一种奶牛耳标识别方法，其特征在于，在S1中，采集所述视频信息的方法包括如下步骤：S11：在所述养殖场内选取供奶牛活动的活动区域；S12：在所述活动区域内安装多个监控摄像头；根据每个监控摄像头的监控覆盖范围将所述活动区域划分为多个分区域；在每个分区域内安装至少一个用于实时监控所述分区域的监控摄像头；S13：通过所述监控摄像头采集每个分区域的监控视频并将所述监控视频传输到所述牛头图像提取模型中。3.如权利要求1所述的一种奶牛耳标识别方法，其特征在于，在S3中，所述颜色阈值法包括如下步骤：S31：使用颜色空间转换工具将所述牛头图像的颜色空间变换到HSV颜色空间获得HSV图像；S32：设置奶牛耳标的HSV颜色阈值范围，根据所述颜色阈值范围从所述牛头图像中分
割出所述耳标图像。4.如权利要求1所述的一种奶牛耳标识别方法，其特征在于，在S3中，所述预处理的方法包括：滤波、直方图均衡化和二值化；所述滤波处理用于对所述耳标图像的噪声进行抑制；所述直方图均衡化用于调整所述耳标图像的对比度；所述二值化用于将所述耳标图像转化为所述二值化图像。5.如权利要求1所述的一种奶牛耳标识别方法，其特征在于，在S4中，所述方向集的分类方法包括：S41：构建基于VGGNet
‑
16神经网络的分类模型；S42：根据所述分类模型识别所述二值化图像中耳标方向与水平方向的夹角范围；S43：根据所述夹角范围对所述二值化图像进行分类形成多个方向集；多个方向集包括：0
°
集、90
°
集、180
°
集和270
°
集；所述0
°
集、所述90
°
集、所述180
°
集和所述270
°
集分别对应的夹角范围为[θ，θ+90...

【专利技术属性】
技术研发人员：范道尔吉，武慧娟，韩丁，高天宏，陈相仲，田佳，冯文翰，宋世昊，王志鑫，孙玉鑫，
申请(专利权)人：内蒙古大学，
类型：发明
国别省市：