一种基于深度学习的雏鸡快慢羽检测识别方法技术

本发明专利技术公开了一种基于深度学习的雏鸡快慢羽检测识别方法，包括如下步骤：首先制作用于训练、验证和测试的雏鸡快羽慢羽类型识别的数据集，为雏鸡快羽和慢羽类型的翼羽图片按照Pascal VOC数据集格式进行打标签；并将标注好的训练集图片输入到Faster RCNN模型进行训练，通过测试集对检测精度进行测试，不断改进网络模型和训练条件，最终得到检测最为准确的权重文件；最后将所有雏鸡的翼羽图片输入到训练好的Faster RCNN模型当中，识别出图片中包含的翼羽位置信息及该翼羽为快羽类型还是慢羽类型。本发明专利技术通过基于深度学习的目标检测方法检测雏鸡的快羽慢羽类型，检测准确性及效率均高于传统的人工识别方法更有利于非雏鸡翼羽研究专业人员对雏鸡翼羽类型进行识别。羽研究专业人员对雏鸡翼羽类型进行识别。羽研究专业人员对雏鸡翼羽类型进行识别。

【技术实现步骤摘要】
一种基于深度学习的雏鸡快慢羽检测识别方法


[0001]本专利技术公开涉及畜牧业雏鸡种类识别
，尤其涉及一种基于深度学习的雏鸡快慢羽检测识别方法。

技术介绍

[0002]随着我国农业的不断发展，我国的现代养鸡生产也得到了极为快速的发展。在现代养鸡行业中，雌雄鉴别发挥着重要作用。而雌雄鉴别的技术主要有翻肛鉴别和金银羽色、快慢羽速自别雌雄等。由于翻肛鉴别需要鉴别人员掌握一定的技术，且在鉴别过程中会对雏鸡造成伤害，导致雏鸡死亡率增高。故为保证养鸡行业的经济效益，采用一种对鸡群无伤害的雌雄自别技术显得格外重要。快慢羽自别雌雄法与翻肛鉴别法相比也有很多优点，首先更直观快捷，只需在雏鸡出壳后，用肉眼观察翅膀上的羽毛生长速度即可，其次雏鸡的应激反应小，不易对其造成伤害，而且简便易学，是目前广泛使用的自别雌雄的方法。
[0003]鸡的自别雌雄中，快慢羽速鉴别的应用最为广泛。羽速鉴别比翻肛鉴别速度快、准确率高、对雏鸡伤害小，操作简单，直接凭肉眼分辨雏鸡快慢羽速即可鉴别公母。雏鸡在出生时，被羽主要为主翼羽和覆主翼羽。根据主翼羽和覆主翼羽的长短大小，可以本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的雏鸡快慢羽检测识别方法，其特征在于，包括：S1:制作Pascal VOC格式的维鸡翼羽检测数据集，并划分出训练集、验证集和测试集；S2:将标注好的雏鸡羽翼数据训练集对Faster RCNN网络模型进行训练；所述Faster RCNN网络模型是通过ImageNet数据集预训练后的。S3:利用标注好的测试集对训练的Faster RCNN网络进行测试，根据测试集的平均检测精度对整个网络模型及训练条件进行调整；S4:修改Fsater RCNN网络，调整参数使其更适合检测雏鸡羽翼，并调整训练集中快羽和慢羽各类型羽翼的占比，重新进行模型训练；S5:重复步骤S2
‑
S4，通过不断测试和训练调整，得到最终的检测模型，并将所有维鸡羽翼图片输入到训练好的模型中进行雏鸡羽翼类型检测判断。2.根据权利要求1所述的一种基于深度学习的雏鸡快慢羽检测识别方法，其特征在于，步骤1)具体包括：S101、首先对所拥有的的雏鸡羽翼图片进行筛选，选取快羽图片，慢羽图片，其中包括倒长型图片、等长型图片、微长型图片和未出型图片，使训练集和测试集中均包含各种类型的羽翼图像；再使用LabelImg软件分别对选取训练集图片、测试集图片和验证集图片进行打标签：S102、创建一个train文件夹和一个test文件夹，分别用来存储训练集标签和测试集标签；S103、按批次将训练集中快羽图片导入LabelImg中，然后对每一张图片进行打标签操作。3.根据权利要求2所述的一种基于深度学习的雏鸡快慢羽检测识别方法，其特征在于，所述S103包括：S1031：首先标定羽翼的位置，用最小外接矩形框将图中包含的雏鸡羽翼全部包含进去；S1032：给标定的最小外接矩形框标注类别信息为快羽类型fast，所打的标签信息存储在train文件夹当中，每一张训练集图片对应train文件夹中的一个.xml格式文件；S1033：将训练集中慢羽图片导入LabelImg中，然后对每一张图片进行打标签操作，给标定的最小外接矩形框标注类别信息为慢羽类型slow，所打的标签信息同样存储在train文件夹当中，每一张慢羽图片同样对应train文件夹中的一个.xml格式文件；S1034：按照S103的方法将测试集集中的图片导入LabelImg中，对每一张图片进行打标签操作，所打的标签信息同样存储在test文件夹当中，每一张羽翼图片对应test文件夹中的一个.xml格式文件。4.根据权利要求1所述的一种基于深度学习的雏鸡快慢羽检测识别方法，其特征在于，S2利用雏鸡羽翼数据集对Faster RCNN网络进行训练的方法包括：S201、对所述Faster RCNN网络的参数进行初始化，其中，所述Faster RCNN网络的参数包括初始参数、偏置、初始学习率以及最大训练次数max iters；S202、对迭代训练次数进行赋值，并进行迭代训练计算；其中，第一次进行迭代训练时iters＝4000；S203、判断当前训练次数是否小于最大训练次数；若所述当前训练次数小于所述最大
训练次数，则通过所述层内多尺度模块将输入的特征图划分为低频特征图以及高频特征图；若所述当前训练次数不小于所述最大训练次数，则结束迭代训练并输出所述最终权重文件...

【专利技术属性】
技术研发人员：李照奎，张丽，杨凤远，王府建，王岩，林树带，安立龙，杨忠鑫，焦振海，杨海波，
申请(专利权)人：广东海洋大学，
类型：发明
国别省市：