一种猪只行为识别方法、系统、计算机设备和存储介质技术方案

本发明专利技术涉及行为识别技术领域，公开了一种猪只行为识别方法、系统、计算机设备和存储介质，所述方法包括：根据预设的猪只姿态关键点构建猪只姿态图；对猪只视频信息进行姿态估计，根据所述猪只姿态图提取关键点序列数据；将所述关键点序列数据输入训练好的改进时空图卷积网络对猪只行为进行识别，得到猪只行为分类预测结果，其中，所述改进时空图卷积网络包括第一时空图卷积网络和第二时空图卷积网络。本发明专利技术提升了网络对整体姿态的感知能力，缓解了网络识别过程中出现的梯度下降问题，提高了浅层网络的特征信息的利用率，提高了猪只行为识别的正确率。行为识别的正确率。行为识别的正确率。

【技术实现步骤摘要】
一种猪只行为识别方法、系统、计算机设备和存储介质


[0001]本专利技术涉及行为识别
，特别是涉及一种猪只行为识别方法、系统、计算机设备和存储介质。

技术介绍

[0002]近年来，随着计算科学技术的发展，大规模自动化监控的猪只养殖将是未来的发展趋势。但是目前我国仍处于传统的人工监控阶段，这种监控方式存在主观因素强、误差大及不能全天候监测等问题；采用计算机视觉技术可以很好的避免上述问题。目前，猪只行为识别方法可分为接触式传感器和非接触式传感器方法。但基于接触式传感器的行为识别一定程度会影响猪只生活的舒适度，且在长期使用中，造成传感器灵敏度变化及损坏，增加养殖成本等问题。
[0003]基于计算机视觉技术的非接触式传感器识别的猪只行为大部分是采用图像或视频为数据，其存在数据处理量大，对仪器设备要求高等缺点。虽然在GCN网络的基础上，Yan等人在2018年提出了一种基于人体姿态识别的ST
‑
GCN时空图卷积网络，但是该方法大多应用于行人行为的检测中，在猪只的行为识别上却少有研究，而基于人体与猪只在姿态和行为活动上的区别，现有的ST
‑
GCN网络并不能很好的应用于猪只行为的识别。

技术实现思路

[0004]为了解决上述技术问题，本专利技术提供了一种猪只行为识别方法、系统、计算机设备和存储介质，通过获取相邻信息更广、相邻节点的关联性更强的分区策略，并对时空图卷积网络的结构进行了改进，从而减缓了梯度下降问题，提高了整体网络对特征信息的利用，从而达到了提高猪只行为识别正确率的目的。
[0005]第一方面，本专利技术第一实施例提出的一种基于改进时空图卷积网络的猪只行为识别方法，所述方法包括：
[0006]根据预设的猪只姿态关键点构建猪只姿态图；
[0007]对猪只视频信息进行姿态估计，根据所述猪只姿态图提取关键点序列数据；
[0008]将所述关键点序列数据输入训练好的改进时空图卷积网络对猪只行为进行识别，得到猪只行为分类预测结果，其中，所述改进时空图卷积网络包括第一时空图卷积网络和第二时空图卷积网络。
[0009]进一步地，所述对猪只视频信息进行姿态估计，根据所述猪只姿态图提取关键点序列数据的具体步骤包括：
[0010]通过YOLO模型对猪只视频信息进行猪只目标检测，得到猪只目标区域；
[0011]通过IOU
‑
Tracker模型对所述猪只目标区域进行猪只位置提取，得到单猪位置区域；
[0012]将所述单猪位置区域转化为单猪位置图片，并对所述单猪位置图片进行预处理；
[0013]通过OpenPose模型对预处理后的所述单猪位置图片进行姿态估计，根据所述猪只
姿态图提取猪只的姿态序列，生成关键点序列数据。
[0014]进一步地，所述改进时空图卷积网络按照空间结构进行分区，关键点间的感知距离为3，并按照所述感知距离将所述关键点的邻域划分为7个子集。
[0015]进一步地，采用如下公式计算邻域的子集：
[0016][0017]式中，v
ti
为关键点，r
j
为节点j到重心的距离，r
i
为根节点到重心的距离，D为关键点间的感知距离，l
ti
(v
ti
)为关键点v
ti
的邻域子集。
[0018]进一步地，所述第一时空图卷积网络包含三层第一时空图卷积块，三层所述第一时空图卷积块的通道数依次为64、128和256；所述第二时空图卷积网络包含九层第二时空图卷积块，九层所述第二时空图卷积块的通道数依次为64、64、64、128、128、128、256、256和256。
[0019]进一步地，所述将所述关键点序列数据输入训练好的改进时空图卷积网络对猪只行为进行识别，得到猪只行为分类预测结果的具体步骤包括：
[0020]将所述关键点序列数据输入第一时空图卷积网络进行三层卷积操作，经过每层卷积操作后分别生成第一卷积数据、第二卷积数据和第三卷积数据；
[0021]将所述第一卷积数据作为第二时空图卷积网络的输入，进行三层卷积操作后，生成第四卷积数据；
[0022]将所述第一卷积数据和所述第四卷积数据输入所述第二时空图卷积网络的第四层，进行三层卷积操作后，生成第五卷积数据；
[0023]将所述第二卷积数据和所述第五卷积数据输入所述第二时空图卷积网络的第七层，经过三层卷积操作后，生成第六卷积数据；
[0024]将所述第三卷积数据和所述第六卷积数据进行拼接后输入到分类器进行猪只行为分类预测。
[0025]进一步地，所述预设的猪只姿态关键点包括鼻子、右眼、右耳、左眼、左耳、右肩、右前膝、右前蹄、右臀、右后膝、右后蹄、左肩、左前膝、左前蹄、左臀、左后膝、左后蹄、背部、腹部和尾椎骨共20个猪只关键点，以及相连的28段猪只关键点连接对。
[0026]第二方面，本专利技术的第二实施例提供了一种基于改进时空图卷积网络的猪只行为识别系统，所述系统包括：
[0027]姿态图构建模块，用于根据预设的猪只姿态关键点构建猪只姿态图；
[0028]关键点提取模块，用于对猪只视频信息进行姿态估计，根据所述猪只姿态图提取关键点序列数据；
[0029]行为识别预测模块，用于将所述关键点序列数据输入训练好的改进时空图卷积网
络对猪只行为进行识别，得到猪只行为分类预测结果，其中，所述改进时空图卷积网络包括第一时空图卷积网络和第二时空图卷积网络。
[0030]第三方面，本专利技术实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
[0031]第四方面，本专利技术实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
[0032]上述本专利技术提供的一种猪只行为识别方法、系统、计算机设备和存储介质，通过所述方法，提出了一种相邻节点信息范围更广、运动关联更紧密且提高了网络感知能力的分区策略，并且将缩进时空图卷积网络和时空图卷积网络的进行融合构建了新的网络结构，减缓了原有的时空图卷积网络具有的梯度下降问题，提高了整体网络结构对特征信息的利用率，从而提高了猪只行为识别的正确率。
附图说明
[0033]图1是本专利技术实施例提出的基于改进时空图卷积网络的猪只行为识别方法的流程示意图；
[0034]图2是本专利技术实施例提出的ST
‑
GCN网络的网络结构示意图；
[0035]图3是本专利技术实施例提出的基于改进时空图卷积网络的猪只行为识别方法的猪只姿态图；
[0036]图4是图1中步骤S20的流程示意图；
[0037]图5是图1中步骤S20的视频数据处理示意图；
[0038]图6是图1中步骤S30的改进时空图卷积网络的网络结构示意图；
[0039本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种猪只行为识别方法，其特征在于，包括：根据预设的猪只姿态关键点构建猪只姿态图；对猪只视频信息进行姿态估计，根据所述猪只姿态图提取关键点序列数据；将所述关键点序列数据输入训练好的改进时空图卷积网络对猪只行为进行识别，得到猪只行为分类预测结果，其中，所述改进时空图卷积网络包括第一时空图卷积网络和第二时空图卷积网络。2.根据权利要求1所述的猪只行为识别方法，其特征在于，所述对猪只视频信息进行姿态估计，根据所述猪只姿态图提取关键点序列数据的具体步骤包括：通过YOLO模型对猪只视频信息进行猪只目标检测，得到猪只目标区域；通过IOU
‑
Tracker模型对所述猪只目标区域进行猪只位置提取，得到单猪位置区域；将所述单猪位置区域转化为单猪位置图片，并对所述单猪位置图片进行预处理；通过OpenPose模型对预处理后的所述单猪位置图片进行姿态估计，根据所述猪只姿态图提取猪只的姿态序列，生成关键点序列数据。3.根据权利要求1所述的猪只行为识别方法，其特征在于，所述改进时空图卷积网络按照空间结构进行分区，关键点间的感知距离为3，并按照所述感知距离将所述关键点的邻域划分为7个子集。4.根据权利要求3所述的猪只行为识别方法，其特征在于，采用如下公式计算邻域的子集：式中，v
ti
为关键点，r
j
为节点j到重心的距离，r
i
为根节点到重心的距离，D为关键点间的感知距离，l
ti
(v
ti
)为关键点v
ti
的邻域子集。5.根据权利要求1所述的猪只行为识别方法，其特征在于，所述第一时空图卷积网络包含三层第一时空图卷积块，三层所述第一时空图卷积块的通道数依次为64、128和256；所述第二时空图卷积网络包含九层第二时空图卷积块，九层所述第二时空图卷积块的通道数依次为64、64、64、128、128、128、25...

【专利技术属性】
技术研发人员：毛亮，龚文超，吴惠粦，张兴龙，陆连凤，
申请(专利权)人：广州国家现代农业产业科技创新中心，
类型：发明
国别省市：