System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及畜禽养殖、死鸡检测、计算机技术、深度学习技术、机器视觉领域,具体地讲是一种基于深度学习的笼养鸡死鸡检测方法。
技术介绍
1、笼养环境下,鸡只养殖密度大,死亡后病菌传播迅速,增加了活鸡致病甚至死亡的概率,因此及时发现并清除死鸡对于科学养殖意义重大。现阶段死鸡巡检工作主要依靠人工完成,费时费力,频繁的人工检查死鸡,会给鸡只带来强烈的应激反应,从而产生不良影响,如生产性能下降、发病、甚至死亡。因此研究一种智能化、自动化的死鸡检测方法十分必要。
技术实现思路
1、本专利针对规模化养殖鸡只的死鸡检测费时费力、检测时应激反应大等问题,利用利用卷积神经网络(cnn)和小波变换实现热红外与可见光图像的配准融合,在yolov5s算法的基础上加入se模块降低背景信息对检测目标的干扰,构成改进后的yolov5s-se模型,该模型在提升检测精度的同时,保证了应有的轻量化和检测速度,满足实际生产中死鸡实时检测的需求,实现通过检测融合图像识别笼养鸡死鸡目标的目的。
2、技术方案:
3、一种基于深度学习的笼养鸡死鸡检测方法,它包括以下步骤:
4、s1、视频数据采集,使用双光摄像仪获取视频数据,视频帧为鸡只的热红外图像和可见光图像;
5、s2、数据预处理,对热红外视频和可见光视频以固定间隔进行图片截取,对热红外图像和可见光图像进行数据预处理;将热红外图像和可见光图像进行特征匹配;
6、s3、基于死鸡检测模型,识别笼养鸡死鸡。
7
8、优选的,图片截取时,以同一时刻为标准,精确到秒,保证热红外图像与可见光图像一一对应。
9、优选的,s2中,特征匹配包括:
10、s2-1、使用双通道卷积神经网络fe-cnn分别提取可见光图像与热红外图像的特征;
11、s2-2、变换模型估计与图像配准;
12、s2-3、小波变换与图像融合。
13、优选的,s2-2中,具体为:
14、1)图像配准过程的数学表达式如下:
15、i1(x,y)=i2(f(x,y))
16、上式中,i1(x,y)为参考图像的像素值,i2(x,y)为浮动图像像素值,f为图像配准所需变换操作;
17、2)仿射变换模型:根据已匹配的像素点计算出待配准图像的最优空间变换矩阵,对图像进行平移和伸缩操作,以此消除红外图像和可见光图像成像特性差异。
18、优选的,s2-3中,具体为:
19、1)进行二维harr小波变换;
20、w(a,b)=∫f(t)ψ*[(t-b)/a]dt
21、其中,w(a,b)表示小波系数,f(t)表示原始信号,ψ表示小波基函数,a和b分别表示尺度因子和平移因子;
22、2)图像融合:经小波分解所得到的频率子图,低频分量采用加权平均法进行融合,高频子带系数则采用局域能量加权求和的方法,对融合系数采用小波逆变换即可得到融合图像:
23、output=α×image1+(1-α)×image2
24、其中,output是生成的融合图像,α是权重参数,决定了image1在融合结果中的相对贡献程度;如果α=0,则输出将完全是image2;如果α=1,则输出将完全是image1;而在0<α<1之间,则是两幅图像的加权组合。
25、优选的,s3中,所述死鸡检测模型基于改进的yolov5s检测模型网络构建。
26、优选的,所述改进的yolov5s检测模型网络是将se模块添加至yololv5s检测模型网络;所述se模块实现通道注意力,依靠压缩和激励两个关键部分;其中,压缩过程是一个全局平均池化的过程,该过程主要将各个通道上的空间特征集聚并转化为具有全局感受野的全局特征;激励过程则实现通道的特征学习,得到各通道权重系数。
27、本专利技术的有益效果
28、(1)设计了一种基于卷积神经网络的热红外与可见光配准融合方法,利用cnn与haar小波变换,实现采集图像数据的实时配准融合。经配准融合的图像中死鸡目标与活鸡相比,特征差异更加明显,且背景信息干扰程度更低,死鸡目标检测准确率更高。
29、(2)提出一种基于深度学习的笼养鸡死鸡识别方法。采用yolov5s与se注意力模块相结合,得到改进后的yolov5s-se。与原始yolov5s相比,yolov5s-se在提高了检测准确率的同时,保证了应有的检测速度。
30、(3)本模型对于笼养鸡全生命周期均可达到较好的检测效果,为死鸡巡检提供了理论支持,利于笼养鸡的福利化养殖。后续阶段将尝试更多的图像配准融合方法和目标检测模型,以解决鸡只遮挡较为严重的情况,进一步完善死鸡自动检测方法。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的笼养鸡死鸡检测方法,其特征在于它包括以下步骤:
2.根据权利要求1所述的方法,其特征在于S1中,热红外图像帧率为8fps,可见光图像帧率为24fps;数据采集时间固定为每日上午9:00-11:30,下午2:00-4:00;采集过程中鸡舍温度为28℃-30℃,光照强度为14lux-16lux,湿度指数为76%-86%。
3.根据权利要求1所述的方法,其特征在于S2中,图片截取时,以同一时刻为标准,精确到秒,保证热红外图像与可见光图像一一对应。
4.根据权利要求1所述的方法,其特征在于S2中,特征匹配包括:
5.根据权利要求4所述的方法,其特征在于S2-2中,具体为:
6.根据权利要求4所述的方法,其特征在于S2-3中,具体为:
7.根据权利要求1所述的方法,其特征在于S3中,所述死鸡检测模型基于改进的YOLOv5s检测模型网络构建。
8.根据权利要求7所述的方法,其特征在于所述改进的YOLOv5s检测模型网络是将SE模块添加至YOLOLv5s检测模型网络;所述SE模块实现通道注
...【技术特征摘要】
1.一种基于深度学习的笼养鸡死鸡检测方法,其特征在于它包括以下步骤:
2.根据权利要求1所述的方法,其特征在于s1中,热红外图像帧率为8fps,可见光图像帧率为24fps;数据采集时间固定为每日上午9:00-11:30,下午2:00-4:00;采集过程中鸡舍温度为28℃-30℃,光照强度为14lux-16lux,湿度指数为76%-86%。
3.根据权利要求1所述的方法,其特征在于s2中,图片截取时,以同一时刻为标准,精确到秒,保证热红外图像与可见光图像一一对应。
4.根据权利要求1所述的方法,其特征在于s2中,特征匹配包括:
5.根据权利要...
【专利技术属性】
技术研发人员:沈明霞,王建兵,刘龙申,蒋荣金,姚文,周军波,赵茹茜,李健,赵一名,陈翔,袁超,
申请(专利权)人:南京农业大学,
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。