本发明专利技术公开了一种基于计算机视觉的层叠式笼养蛋鸡区位产蛋监测方法，包括：步骤1、通过巡检设备获取两层蛋鸡区位的视频数据；步骤2、将获取的视频数据进行标签标注，将视频图像集合和标签组成数据集；步骤3、构建基于改进DeepSort框架的监测算法，所述监测算法包括目标检测模块，轨迹匹配模块，轨迹生成模块以及定位计数模块；步骤4、采用数据集对监测算法进行训练，以获得监测模型；步骤5、获取待计数蛋鸡区位的视频数据，并输入至监测模型中以获得对应蛋鸡区位的产蛋量。本发明专利技术还提供了一种层叠式笼养蛋鸡区位产蛋监测系统。本发明专利技术提供的方法针对多层多列的层叠式笼养蛋鸡区位进行设计，从而使得产蛋量监测更加直观精确以及监测效率更高。
【技术实现步骤摘要】
本专利技术属于畜牧业养殖，尤其涉及一种基于计算机视觉的层叠式笼养蛋鸡区位产蛋监测方法及系统。
技术介绍
1、深度学习的发展为计算机视觉技术提供了强大的支持，使得基于计算机视觉的监测方法在精度和稳定性方面都有了显著的提高，尤其是深度学习技术的广泛应用，为图像处理和目标检测等任务提供了更为精准和高效的方法，帮助减少人工的成本和监测误差，近些年来，有学者将计算机视觉技术应用到笼养蛋鸡产蛋量监测中，赵春江等人通过二维码标签和改进的yolo进行单层鸡笼定位和计数，但该方法存在一定的局限性；一方面，由于养殖过程中，二维码标签容易接触到鸡的粪便、食物残渣等异物而污损或者撕毁，导致无法扫描；另一方面，二维码里面的内容是固定的，是无法进行修改，若更改鸡笼信息只能重新制作，前后期维护需要大量人工成本，该方法只能应用于单层，检测效率较低。
2、专利文献cn114842470a公开一种层叠式笼养模式下的鸡蛋计数方法及定位系统，该方法包括：鸡蛋目标跟踪计数模块：基于鸡蛋多类别目标监测模型和多目标跟踪deepsort算法实现鸡蛋的计数，并将不同类别的鸡蛋加以区分实现分别计数；速度显示屏定位及示数识别模块：利用卷积监测算法设计并训练了基于unet算法的速度显示屏语义分割模型及基于cnn算法的速度显示屏目标分类模型。他们在鸡蛋识别多目标跟踪过程中引入了外观特征来提高追踪识别的准确率，该方法对蛋类视频数据要求高，针对每两个传送带需要配置一个速度传感器，对多层多列的鸡笼安装设备麻烦且现场鸡笼定位情况不直观，在养殖场景中前期投入较大且后期日常维护麻烦。</p>3、专利文献cn116091473a公开了一种蛋鸡舍多通道区位精细产蛋性能监测方法及系统，该方法包括多个鸡笼并排布置，每层鸡笼对应一条传送带，蛋鸡下单后，鸡蛋顺着鸡笼底部斜面滑落到传送带上，传送带开启后将鸡蛋向前运输至集蛋器，监控系统在视频画面上蛋道口位置处对鸡蛋进行检测实现鸡蛋位置和数量监控。该方法通过计算机视觉技术对鸡蛋速度进行测算，对监控系统的要求较高，而且针对于大型养鸡场，需要布置多个监控系统，对鸡笼定位的情况不够直观而且搭建系统费时费力。
技术实现思路
1、本专利技术的主要目的在于提供一种基于计算机视觉的层叠式笼养蛋鸡区位产蛋监测方法及系统，该方法针对多层多列的层叠式笼养蛋鸡区位进行设计，对每个鸡笼的产蛋量监测更加直观精确以及监测效率更高，投入的监测设备更少且不使用任何外部辅助的标签，后期维护起来非常简单，同时也能确保实现高效率的无人化监测。
2、为了实现本专利技术的第一个目的，提供了一种基于计算机视觉的层叠式笼养蛋鸡区位产蛋监测方法，包括：
3、步骤1、通过巡检设备获取两层蛋鸡区位的视频数据，所述巡检设备包括两个俯视角度相同但高度不同的单目相机；
4、步骤2、将获取的视频数据进行图像逐帧截取以构建视频图像集合，并以图像中的笼柱和鸡蛋对视频图像集合进行标签标注，将视频图像集合和标签组成数据集；
5、步骤3、构建基于改进deepsort框架的监测算法，所述监测算法包括目标检测模块，轨迹匹配模块，轨迹生成模块以及定位计数模块，所述目标检测模块包括目标检测模块，所述目标检测模块用于标定输入视频数据中笼柱的编号和识别输入视频数据以生成每一帧图像中的检测信息，所述检测信息包括识别获得的检测框或预测获得的预测框，所述检测框内包括与鸡蛋匹配的轨迹和对应的外形特征以及轨迹运动参数，所述轨迹匹配模块根据当前帧的检测框与上一帧预测获得的预测框进行多轮iou匹配，并基于匹配结果进行代价矩阵分析，以输出对应的线性匹配关系，所述轨迹生成模块根据检测框与所有预测框之间的线性匹配关系，并结合检测框对应的外形特征、轨迹运动参数以及轨迹进行级联匹配，以生成鸡蛋的轨迹图像，所述定位计数模块根据笼柱的编号对每个蛋鸡区位进行定位，并结合鸡蛋的轨迹图像生成对应鸡蛋区位的产蛋量个数；
6、步骤4、采用数据集对监测算法进行训练，以获得用于监测蛋鸡区位产蛋量的监测模型；
7、步骤5、获取待计数蛋鸡区位的视频数据，并输入至所述监测模型中以获得对应蛋鸡区位的产蛋量。
8、本专利技术仅需两个工业摄像头俯视的方式进行多层多列笼养鸡笼的实时监测，同时根据硬件的选择对模型的目标跟踪部分进行更新，通过更换蛋鸡区位专用目标检测模块以及加入第二次的iou匹配，对多层多列蛋鸡区位的编号定位和对应编号蛋鸡的产蛋计数的精度和速度有更大程度的提高。
9、具体的，在投放巡检设备前，需要对两个单目相机需要进行标定去畸变处理，以确保不同层列蛋鸡区位产蛋量监测的准确性。
10、具体的，所述标定去畸变处理的表达式如下：
11、
12、
13、式中，zc为尺度因子，为光心到蛋鸡区位图像平面的距离，u和v为像素坐标系下蛋鸡区位的横纵坐标，fx和fy为蛋鸡区位x轴和y轴上的归一化焦距，r3×3为相机标定得到的旋转矩阵，xw、yw和zw为世界坐标系，为蛋鸡区位畸变矫正坐标，k1、k2为径向畸变，p1、p2为切向畸变，r为曲率半径，为蛋鸡区位畸变后的坐标。
14、具体的，所述视频图像集的构建过程如下：
15、采用videocapture函数对获取的视频数据进行预设帧数的截取操作，以获得初始图像集合；
16、对获取的初始图像集合进行数据清洗和数据扩充，以获得包含蛋鸡区位的视频图像集合。
17、所述数据清洗包括数据去重，数据过滤和数据修复。
18、所述数据扩充包括hsv数据增强、brightness数据增强和mixup数据增强。
19、具体的，所述监测算法还包括全局注意力模块，所述全局注意力模块用于将输入视频数据的每一帧视频图像多维度下的注意力机制操作，并将不同维多下的特征进行依次相乘，以获得特征增强的视频数据并输入至目标检测模块，引入全局注意力机制操作能够更好地捕捉笼柱和鸡蛋特征图中通道和空间维度之间的依赖关系，从而显著提高模型的性能。
20、具体的，所述目标检测模块还引入了ghost模块，所述ghost模块用于减少模型的参数量，通过分组卷积与线性操作的方式来使用更少的参数生成更多的特征图，大大降低了模型的复杂度，减少了网络参数数量，提升了模型运算速度。
21、具体的，所述轨迹匹配模块采用匈牙利算法对代价矩阵进行求解以获得对应的线性匹配关系，所述线性匹配关系包括轨迹失配，检测框未匹配到以及检测框与预测框成功匹配；
22、若匹配结果为轨迹失配或检测框未匹配到，则重复iou匹配直至达到结束条件。
23、具体的，在轨迹失配的情况下，对于连续失配帧数超过50帧的轨迹，直接将其删除。
24、具体的，对于检测框未匹配到的情况，将这些未能匹配的检测框初始化为新的轨迹。
25、具体的，所述定位计数模块通过上下层笼柱坐标生成上层蛋鸡区位感兴趣区域lroi1和下层蛋鸡区位感兴趣区域lroi2并对其进行实时编号，本文档来自技高网
...
【技术保护点】
1.一种基于计算机视觉的层叠式笼养蛋鸡区位产蛋监测方法，其特征在于，包括：
2.根据权利要求1所述的基于计算机视觉的层叠式笼养蛋鸡区位产蛋监测方法，其特征在于，在投放巡检设备前，需要对两个单目相机需要进行标定去畸变处理。
3.根据权利要求2所述的基于计算机视觉的层叠式笼养蛋鸡区位产蛋监测方法，其特征在于，所述标定去畸变处理的表达式如下：
4.根据权利要求1所述的基于计算机视觉的层叠式笼养蛋鸡区位产蛋监测方法，其特征在于，所述视频图像集的构建过程如下：
5.根据权利要求1所述的基于计算机视觉的层叠式笼养蛋鸡区位产蛋监测方法，其特征在于，所述监测算法的目标检测模块引入了全局注意力模块，所述全局注意力模块用于将输入视频数据的每一帧视频图像进行多维度下的注意力机制操作，并将不同维度下的特征进行逐位相乘，以获得特征增强的图像数据输出。
6.根据权利要求1所述的基于计算机视觉的层叠式笼养蛋鸡区位产蛋监测方法，其特征在于，所述轨迹匹配模块采用匈牙利算法对代价矩阵进行求解以获得对应的线性匹配关系，所述线性匹配关系包括轨迹失配，检测框未匹配到以及检测框与预测框成功匹配；
7.根据权利要求1所述的基于计算机视觉的层叠式笼养蛋鸡区位产蛋监测方法，其特征在于，所述定位计数模块通过上层笼柱坐标生成上层蛋鸡区位感兴趣区域LROI1和下层蛋鸡区位感兴趣区域LROI2并对其进行实时编号，再对LROI1、LROI2区域内鸡蛋进行计数，视频结束后，对每个LROI1、LROI2区域内所有帧的鸡蛋计数值进行加权平均计算得出最终的蛋鸡区位产蛋观测结果。
8.根据权利要求1所述的基于计算机视觉的层叠式笼养蛋鸡区位产蛋监测方法，其特征在于，采用WIOU损失函数对监测算法的目标检测器进行训练，以更新监测算法的参数。
9.根据权利要求8所述的基于计算机视觉的层叠式笼养蛋鸡区位产蛋监测方法，其特征在于，所述WIOU损失函数的表达式如下：
10.一种层叠式笼养蛋鸡区位产蛋监测系统，其特征在于，通过如权利要求1～9任一项所述的层叠式笼养蛋鸡区位产蛋监测方法实现，包括鸡场管理单元，产蛋监测单元以及系统单元；
...
【技术特征摘要】
1.一种基于计算机视觉的层叠式笼养蛋鸡区位产蛋监测方法，其特征在于，包括：
2.根据权利要求1所述的基于计算机视觉的层叠式笼养蛋鸡区位产蛋监测方法，其特征在于，在投放巡检设备前，需要对两个单目相机需要进行标定去畸变处理。
3.根据权利要求2所述的基于计算机视觉的层叠式笼养蛋鸡区位产蛋监测方法，其特征在于，所述标定去畸变处理的表达式如下：
4.根据权利要求1所述的基于计算机视觉的层叠式笼养蛋鸡区位产蛋监测方法，其特征在于，所述视频图像集的构建过程如下：
5.根据权利要求1所述的基于计算机视觉的层叠式笼养蛋鸡区位产蛋监测方法，其特征在于，所述监测算法的目标检测模块引入了全局注意力模块，所述全局注意力模块用于将输入视频数据的每一帧视频图像进行多维度下的注意力机制操作，并将不同维度下的特征进行逐位相乘，以获得特征增强的图像数据输出。
6.根据权利要求1所述的基于计算机视觉的层叠式笼养蛋鸡区位产蛋监测方法，其特征在于，所述轨迹匹配模块采用匈牙利算法对代价矩阵进行求解以获得对应的线性...
【专利技术属性】
技术研发人员：林宏建，吴锐，何叶帆，贺鹏光，窦军，泮进明，应义斌，
申请(专利权)人：浙江大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。