【技术实现步骤摘要】
本专利技术属于目标识别，特别是一种目标行为监测方法及系统。
技术介绍
1、目标行为识别对监测目标的状态具有重要意义，广泛应用于各个领域。鸡的行为信息可以很好的反应肉鸡养殖过程中的福利水平和健康状况。但是，传统的养鸡场主要采用人工的手段观测肉鸡的行为，这种方法不仅耗时费力，还容易出现疏漏。
2、目前的现有技术大多使用对肉鸡穿戴检测传感器以达到监测肉鸡行为的目的，但是传感器的佩戴会导致以下缺点：
3、1. 传感器需要长期佩戴在鸡身上，可能会给鸡带来一定程度的物理压力和不适，影响其正常生长发育。
4、2. 传感器的存在可能会影响鸡的天然行为模式，比如会抑制某些正常动作，造成行为数据收集上的偏差。
5、3. 佩戴传感器所需的接触性装置不够灵活可靠，可能存在脱落或损坏的风险，影响数据连续采集。
6、4. 给大量鸡只单独佩戴和维护传感器的人工成本较高,不太适用于大规模养殖。
7、因此，开发一种高效、准确的分析手段对肉鸡的行为状态进行实时地监测是非常重要的。
8、文献号为cn210072644u的现有技术设计了一种本交笼种鸡个体行为识别系统，该系统采用佩戴在鸡类颈部下方的九轴姿态加速度传感器，用于记录鸡类的行为运动数据。同时利用安装在笼体上方的数字视频摄像头对鸡类进行实时监测和拍摄。这两类采集设备通过无线通信将数据传输至连接在笼外的工作站计算机。工作站运用深度学习算法对鸡类传感和视频数据进行分析识别，实现鸡类行为分类识别。
9、文献号为cn1159
技术实现思路
1、本专利技术的目的是提供一种目标行为监测方法及系统，以解决现有技术中的不足，能够通过深度学习技术提高目标行为的监测水平和准确性，不需要使用传感器监测目标的行为模式，降低成本，适应性较强，进一步高效和准确评估目标的生长发育状况。
2、本申请的一个实施例提供了一种目标行为监测方法，所述方法包括：
3、采集目标的单视角图片；
4、将所述单视角图片输入预先训练的扩散模型，输出所述目标的一组多视角图片；
5、将所述多视角图片输入预先训练的nerf网络，输出所述目标的三维点云数据；
6、将所述三维点云数据输入预先训练的分类网络，输出所述目标的行为模式。
7、可选的，所述扩散模型的训练方式包括：
8、从不同视角对随机选择的目标个体进行拍摄，采集所述目标个体在执行各类动作时的单视角和多视角光学图像样本；
9、对采集的光学图像样本进行预处理，将预处理后的样本输入构建的扩散模型深度学习框架中进行训练，以学习所述目标的单视角与多视角之间的映射关系，得到训练后的扩散模型，其中，所述扩散模型深度学习框架包含：3d卷积神经网络和gan生成对抗网络。
10、可选的，所述nerf网络的训练方式包括：
11、收集目标的真实多视角照片构成数据集；
12、将所述数据集输入nerf网络结构中进行训练，通过多层感知器网络mlp来学习从光线和采样位置到颜色和密度的映射关系，最终输出目标的三维点云数据；
13、其中，在所述nerf网络结构中加入递归网络用于对目标三维特征提取；设计多重采样策略，循环抽取目标每个视角的多个光线采样点；通过反向传播算法反复微调nerf网络各层参数，迭代训练直至所生成的点云与真实数据在关键误差指标上满足预设要求为止。
14、可选的，所述分类网络为pointnet++，所述分类网络的训练方式包括：
15、收集标记好的目标不同行为类型的三维点云数据集；
16、定义pointnet++网络结构，所述pointnet++网络结构包含：多尺度局部点集抽取模块、局部特征学习模块和全局融合模块；
17、通过输入标记好的数据集，训练所述pointnet++网络结构，得到训练好的用于识别目标不同行为类型的分类网络。
18、可选的，所述多尺度局部点集抽取模块用于从目标三维点云数据中通过不同尺度的球形区域抽取目标不同部位的局部点集；
19、所述局部特征学习模块用于帮助每个局部点集学习目标不同部位的姿态和运动特征；
20、所述全局融合模块用于将不同的特征进行融合，得到目标整体的特征表达，帮助网络学习目标不同行为的特征。
21、本申请的又一实施例提供了一种目标行为监测系统，所述系统包括：
22、采集模块，用于采集目标的单视角图片；
23、第一输出模块，用于将所述单视角图片输入预先训练的扩散模型，输出所述目标的一组多视角图片；
24、第二输出模块，用于将所述多视角图片输入预先训练的nerf网络，输出所述目标的三维点云数据；
25、第三输出模块，用于将所述三维点云数据输入预先训练的分类网络，输出所述目标的行为模式。
26、本申请的又一实施例提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项中所述的方法。
27、本申请的又一实施例提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项中所述的方法。
28、与现有技术相比，本专利技术提供的一种目标行为监测方法，通过采集目标的单视角图片；将所述单视角图片输入预先训练的扩散模型，输出所述目标的一组多视角图片；将所述多视角图片输入预先训练的nerf网络，输出所述目标的三维点云数据；将所述三维点云数据输入预先训练的分类网络，输出所述目标的行为模式，从而通过深度学习技术提高目标行为的监测水平和准确性，不需要使用传感器监测目标的行为模式，降低成本，适应性较强，进一步高效和准确评估目标的生长发育状况。
本文档来自技高网...【技术保护点】
1.一种目标行为监测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述扩散模型的训练方式包括：
3.根据权利要求2所述的方法，其特征在于，所述NeRF网络的训练方式包括：
4.根据权利要求3所述的方法，其特征在于，所述分类网络为PointNet++，所述分类网络的训练方式包括：
5.根据权利要求4所述的方法，其特征在于，所述多尺度局部点集抽取模块用于从目标三维点云数据中通过不同尺度的球形区域抽取目标不同部位的局部点集；
6.一种目标行为监测系统，其特征在于，所述系统包括：
7.根据权利要求6所述的系统，其特征在于，所述扩散模型的训练方式包括：
8.根据权利要求7所述的系统，其特征在于，所述NeRF网络的训练方式包括：
9.一种存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行权利要求1-5中任一项所述的方法。
10.一种电子设备，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被
...【技术特征摘要】
1.一种目标行为监测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述扩散模型的训练方式包括：
3.根据权利要求2所述的方法，其特征在于，所述nerf网络的训练方式包括：
4.根据权利要求3所述的方法，其特征在于，所述分类网络为pointnet++，所述分类网络的训练方式包括：
5.根据权利要求4所述的方法，其特征在于，所述多尺度局部点集抽取模块用于从目标三维点云数据中通过不同尺度的球形区域抽取目标不同部位的局部点集；
6.一种目标行为...
【专利技术属性】
技术研发人员：刘路，王子龙，杨玲玲，王飞，王玉伟，刘素梅，姜润深，徐洪志，
申请(专利权)人：安徽农业大学，
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。