一种基于改进3D卷积神经网络的猪步态评分方法和系统技术方案

本发明专利技术公开了一种基于改进3D卷积神经网络的猪步态评分方法和系统，涉及计算机图像处理的技术领域；包括获取猪只行走状态下的实时视频流；对所述实时视频流进行逐帧检测，获得猪只在视频帧中的目标检测结果；根据所述目标检测结果对所述视频帧进行过滤处理，获得有效视频帧；对所述有效视频帧进行裁切处理后，逐帧拼接为步态视频；将所述步态视频输入构建的基于改进3D卷积神经网络的评分模型中，获得对应猪只的步态评分结果。本发明专利技术实现了对猪步态的自动评分，大大提高了评分的效率和准确度，为猪养殖和健康管理提供更加科学和有效的支持。持。持。

【技术实现步骤摘要】
一种基于改进3D卷积神经网络的猪步态评分方法和系统


[0001]本专利技术涉及计算机图像处理的
，更具体地，涉及一种基于改进3D卷积神经网络的猪步态评分方法和系统。

技术介绍

[0002]猪肢蹄病是一种常见的猪类疾病，其主要症状为步态异常和肢体僵硬，会严重影响猪的养殖效益和健康。猪肢蹄结实度是反映猪肢蹄健康状况的重要指标，而步态则是能直观反映猪肢蹄结实度的关键因素。传统的猪步态评分工作都是由人工观察完成，即在猪正常行走的状态下，通过观察猪行走的形态，根据猪行走步幅大小、四肢行走对称性、行走平滑性等因素来进行评分。这种评分方法具有一定的主观性，存在劳动力工作量大、效率低、不便于记录、容易产生误差等问题。
[0003]现有技术公开了一种基于机器视觉的奶牛步态评分方法和系统，包括：利用图像采集装置采集奶牛在指定区域内的行走视频；从所述行走视频中提取出所述奶牛的关键部位的特征点，所述关键部位包含头部、颈部、背部、尾部、胫骨、膝盖、蹄部；对所述关键部位的特征点进行标注，标注信息包括所述关键部位的名称、所述特征点的坐标、所述特征点的置信度；基于所述关键部位的特征点和所述标注信息确定所述奶牛的步态评分。现有技术需要从视频提取奶牛的关键部位的特征点，依靠特征点及其标注信息进行步态评分，计算量大，效率低，步态评分结果不准确。

技术实现思路

[0004]本专利技术为克服上述现有技术对猪步态评分准确度和效率低的缺陷，提供一种基于改进3D卷积神经网络的猪步态评分方法和系统，实现对猪步态的自动评分，大大提高了评分的效率和准确度，为猪养殖和健康管理提供更加科学和有效的支持。
[0005]为解决上述技术问题，本专利技术的技术方案如下：
[0006]本专利技术提供了一种基于改进3D卷积神经网络的猪步态评分方法，包括：
[0007]S1：获取猪只行走状态下的实时视频流；
[0008]S2：对所述实时视频流进行逐帧检测，获得猪只在视频帧中的目标检测结果；
[0009]S3：根据所述目标检测结果对所述视频帧进行过滤处理，获得有效视频帧；
[0010]S4：对所述有效视频帧进行裁切处理后，逐帧拼接为步态视频；
[0011]S5：将所述步态视频输入构建的基于改进3D卷积神经网络的评分模型中，获得对应猪只的步态评分结果。
[0012]优选地，所述步骤S1的具体方法为：
[0013]搭建步态通道，在所述步态通道侧方设置高帧率摄像机，所述高帧率摄像机的高度不高于通道高度；使猪只单只依次通过所述步态通道，所述高帧率摄像机对猪只行走状态进行拍摄，获得猪只行走状态下的实时视频流。
[0014]利用高强度材料搭建短距离步态通道，尽量减少步态通道的横栏对猪只的遮挡；
驱赶猪只依次通过步态通道，保证同一时间内只有一头猪只，以保证后续目标检测的准确性，避免猪只间互相干扰。
[0015]优选地，所述步骤S2的具体方法为：
[0016]构建目标检测网络，将所述实时视频流逐帧输入目标检测网络中，依次进行特征提取、多尺度特征融合和特征检测，获得猪只在视频帧中的位置，作为猪只在视频帧中的目标检测结果。
[0017]优选地，所述目标检测网络包括依次连接的Backbone模块、Neck模块和Head模块；
[0018]所述Backbone模块包括依次连接的第一ConvM层、第二ConvM层、第一c2f层、第三ConvM层、第二c2f层、第四ConvM层、第三c2f层、第五ConvM层、第四c2f层和SPPF层；第二c2f层、第三c2f层、SPPF层的输出还分别与Neck模块的输入连接；
[0019]所述Neck模块包括第一上采样层、第二上采样层、第一拼接层、第二拼接层、第三拼接层、第四拼接层、第五c2f层、第六c2f层、第七c2f层、第八c2f层、第六ConvM层和第七ConvM层；
[0020]所述SPPF层的输出与第一上采样层的输入连接，第一上采样层的输出与第一拼接层的输入连接，第三c2f层的输出也与第一拼接层的输入连接；第一拼接层的输出与第五c2f层的输入连接，第五c2f层的输出与第二上采样层的输入连接，第二上采样层的输出与第二拼接层的输入连接，第二c2f层的输出也与第二拼接层的输入连接；第二拼接层的输出与第六c2f层的输入连接，第六c2f层的输出与第六ConvM层的输入连接，第六ConvM层的输出与第三拼接层的输入连接，第五c2f层的输出也与第三拼接层的输入连接；第三拼接层的输出与第七c2f层的输入连接，第七c2f层的输出与第七ConvM层的输入连接，第七ConvM层的输出与第四拼接层的输入连接，SPPF层的输出也与第四拼接层的输入连接；第四拼接层的输出与第八c2f层的输入连接；第六c2f层、第七c2f层、第八c2f层的输出还分别与Head模块的输入连接；
[0021]所述Head模块包括第八ConvM层、第九ConvM层、第十ConvM层、第十一ConvM层、第十二ConvM层、第十三ConvM层、第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层和第六卷积层；所述第六c2f层的输出分别与第八ConvM层、第九ConvM层的输入连接，第八ConvM层的输出与第一卷积层的输入连接，第九ConvM层的输出与第二卷积层的输入连接；所述第七c2f层的输出分别与第十ConvM层、第十一ConvM层的输入连接，第十ConvM层的输出与第三卷积层的输入连接，第十一ConvM层的输出与第四卷积层的输入连接；所述第八c2f层输出分别与第十二ConvM层、第十三ConvM层的输入连接，第十二ConvM层的输出与第五卷积层的输入连接，第十三ConvM层的输出与第六卷积层的输入连接；第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层和第六卷积层的输出作为目标检测网络的输出。
[0022]优选地，所述SPPF层包括依次连接的第十四ConvM层、第一最大池化层、第二最大池化层、第三最大池化层、第五拼接层和第十五ConvM层；第十四ConvM层、第一最大池化层、第二最大池化层的输出还与第五拼接层的输入连接。
[0023]优选地，所述第一ConvM层、第二ConvM层、第三ConvM层、第四ConvM层、第五ConvM层、第六ConvM层、第七ConvM层、第八ConvM层、第九ConvM层、第十ConvM层、第十一ConvM层、第十二ConvM层、第十三ConvM层、第十四ConvM层和第十五ConvM层的结构相同，均包括依次
连接的第七卷积层、批量归一化层和SiLU激活函数层。
[0024]所述目标检测网络为Yolov8目标检测网络，包括依次连接的Backbone模块、Neck模块和Head模块；Backbone模块用于特征提取，包括ConvM、c2f和SPPF三种结构，ConvM结构为卷积层，用于生成长宽不变的特征图；c2f结构包括跳层连接和额外的Split操作，用于保证轻量化的同时获得更加丰富的梯度流信息；SPPF结构为空间金字塔池化本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进3D卷积神经网络的猪步态评分方法，其特征在于，包括：S1：获取猪只行走状态下的实时视频流；S2：对所述实时视频流进行逐帧检测，获得猪只在视频帧中的目标检测结果；S3：根据所述目标检测结果对所述视频帧进行过滤处理，获得有效视频帧；S4：对所述有效视频帧进行裁切处理后，逐帧拼接为步态视频；S5：将所述步态视频输入构建的基于改进3D卷积神经网络的评分模型中，获得对应猪只的步态评分结果。2.根据权利要求1所述的基于改进3D卷积神经网络的猪步态评分方法，其特征在于，所述步骤S1的具体方法为：搭建步态通道，在所述步态通道侧方设置高帧率摄像机，所述高帧率摄像机的高度不高于通道高度；使猪只单只依次通过所述步态通道，所述高帧率摄像机对猪只行走状态进行拍摄，获得猪只行走状态下的实时视频流。3.根据权利要求1所述的基于改进3D卷积神经网络的猪步态评分方法，其特征在于，所述步骤S2的具体方法为：构建目标检测网络，将所述实时视频流逐帧输入目标检测网络中，依次进行特征提取、多尺度特征融合和特征检测，获得猪只在视频帧中的位置，作为猪只在视频帧中的目标检测结果。4.根据权利要求3所述的基于改进3D卷积神经网络的猪步态评分方法，其特征在于，所述目标检测网络包括依次连接的Backbone模块、Neck模块和Head模块；所述Backbone模块包括依次连接的第一ConvM层、第二ConvM层、第一c2f层、第三ConvM层、第二c2f层、第四ConvM层、第三c2f层、第五ConvM层、第四c2f层和SPPF层；第二c2f层、第三c2f层、SPPF层的输出还分别与Neck模块的输入连接；所述Neck模块包括第一上采样层、第二上采样层、第一拼接层、第二拼接层、第三拼接层、第四拼接层、第五c2f层、第六c2f层、第七c2f层、第八c2f层、第六ConvM层和第七ConvM层；所述SPPF层的输出与第一上采样层的输入连接，第一上采样层的输出与第一拼接层的输入连接，第三c2f层的输出也与第一拼接层的输入连接；第一拼接层的输出与第五c2f层的输入连接，第五c2f层的输出与第二上采样层的输入连接，第二上采样层的输出与第二拼接层的输入连接，第二c2f层的输出也与第二拼接层的输入连接；第二拼接层的输出与第六c2f层的输入连接，第六c2f层的输出与第六ConvM层的输入连接，第六ConvM层的输出与第三拼接层的输入连接，第五c2f层的输出也与第三拼接层的输入连接；第三拼接层的输出与第七c2f层的输入连接，第七c2f层的输出与第七ConvM层的输入连接，第七ConvM层的输出与第四拼接层的输入连接，SPPF层的输出也与第四拼接层的输入连接；第四拼接层的输出与第八c2f层的输入连接；第六c2f层、第七c2f层、第八c2f层的输出还分别与Head模块的输入连接；所述Head模块包括第八ConvM层、第九ConvM层、第十ConvM层、第十一ConvM层、第十二ConvM层、第十三ConvM层、第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层和第六卷积层；所述第六c2f层的输出分别与第八ConvM层、第九ConvM层的输入连接，第八ConvM层的输出与第一卷积层的输入连接，第九ConvM层的输出与第二卷积层的输入连接；
所述第七c2f层的输出分别与第十ConvM层、第十一ConvM层的输入连接，第十ConvM层的输出与第三卷积层...

【专利技术属性】
技术研发人员：尹令，吴振邦，田绪红，杨杰，吴珍芳，蔡更元，黄琼，张素敏，
申请(专利权)人：华南农业大学，
类型：发明
国别省市：