CN108764210A - 一种基于参照物的猪重识别的方法及系统 - Google Patents

Abstract

本发明公开了一种基于参照物的猪重识别的方法及系统，其特征在于，根据数据集中的参照物、猪身位置、猪肥胖程度，利用深度神经网络训练参照物、猪身检测模型，然后根据参照物、猪身位置、猪重，利用神经网络训练猪重预测模型。通过参照物、猪身检测模型，可以检测出图片中的参照物、猪身位置、猪身肥胖程度，通过猪重预测模型，可以识别猪的重量，两个模型结合起来可以实现通过拍摄带有参照物的猪的图片来直接识别猪的重量。该方法和系统能够高效准确的完成猪重识别的任务，能够应用到育肥猪保险理赔领域，大大提升理赔的效率和准确性。

Description

一种基于参照物的猪重识别的方法及系统

技术领域

本发明涉及图像识别领域，特别是一种基于参照物的猪重识别的方法及系统。

背景技术

农业在我国经济中起着基础性的作用，自然灾害不仅给农业带来了经济损失，也让许多从事大规模工业生产的投资者在扩大规模上犹豫不决，所以必须有农业保险来推动其发展。

近年来，我国农业保险发展非常迅速，自2007年到2016年的10年间，我国农业保险提供风险保障从1126亿元增长到2.16万亿元，年均增速38.83％。其中，政府于2007年推出了生猪政策性保险，对降低生猪市场风险、推动病死猪集中无害化处理、控制生猪价格波动、维持生猪市场稳定起到了一定作用。

育肥猪保险政策是一项好的利民政策，目前每头育肥猪保费是30元，养殖户自己交20％，各级财政补充80％。育肥猪出险时，主要根据猪的重量进行理赔，但这一过程，要么需要理赔人员上门，那需要很高的人力人本，要么靠农民自己上报重量，又会出现虚报的问题。假如该问题无法有效解决的话，那么育肥猪保险政策将无法广泛覆盖。

本发明针对育肥猪保险理赔时无法高效准确计算猪重的问题，进行了方法和系统的设计，根据数据集中的参照物、猪身位置、猪肥胖程度，利用深度神经网络训练参照物、猪身检测模型，然后根据参照物、猪身位置、猪重，利用神经网络训练猪重预测模型。通过参照物、猪身检测模型，可以检测出图片中的参照物、猪身位置、猪身肥胖程度，通过猪重预测模型，可以识别猪的重量，两个模型结合起来可以实现通过拍摄带有参照物的猪的图片来直接识别猪的重量。该方法和系统能够高效准确的完成猪重识别的任务，能够应用到育肥猪保险理赔领域，大大提升理赔的效率和准确性。

发明内容

本发明目的是，在现有技术背景下，提出了一种基于参照物的猪重识别的方法及系统，根据数据集中的参照物、猪身位置、猪肥胖程度，利用深度神经网络训练参照物、猪身检测模型，然后根据参照物、猪身位置、猪重，利用神经网络训练猪重预测模型。通过参照物、猪身检测模型，可以检测出图片中的参照物、猪身位置、猪身肥胖程度，通过猪重预测模型，可以识别猪的重量，两个模型结合起来可以实现通过拍摄带有参照物的猪的图片来直接识别猪的重量。该方法和系统能够高效准确的完成猪重识别的任务，能够应用到育肥猪保险理赔领域，大大提升理赔的效率和准确性。

本发明技术方案是，一种基于参照物的猪重识别的方法，其特征是，1)根据数据集中的参照物、猪身位置、猪肥胖程度准备数据集，利用深度神经网络训练参照物、猪身检测模型，然后根据参照物、猪身位置、猪重，利用神经网络训练猪重预测模型；2)通过参照物、猪身检测模型，检测出图片中的参照物、猪身位置、猪身肥胖程度，通过上述猪重预测模型，识别猪的重量；两个模型结合起来可以实现通过拍摄带有参照物的猪的图片来直接识别猪的重量。

所述具体步骤如下：

步骤一：准备数据集，包括含参照物(含有尺寸标度)的图片、含猪身的图片，参照物和猪身的比较得到猪的尺寸的量度；进行数据标注工作，包括参照物位置、猪身位置、猪肥胖程度、猪的重量信息；

步骤二：根据参照物、猪身位置、猪肥胖程度，利用深度神经网络训练参照物、猪身检测模型，并对模型进行评估及优化；将参照物对应到类别C₁，根据猪肥胖程度，将猪身对应到C₂,C₃,...,C_k，分别表示猪从瘦到胖的类别；对于每一张输入图片Image，输出为{Region_i,C_i}，其中Region_i表示第i个区域位置，i＝1时表示参照物位置，i>1时表示为猪身的位置；利用深度神经网络训练一个参照物、猪身检测模型，使得

F(Image)＝{Region_i,Class_i}

F(Image)是深度神经网络训练得到的参照物、猪身检测模型的输出；

为了得到一个可用的参照物、猪身检测模型，需要对模型进行测试，如果精度低于可用阈值Threshold(F)，就需要优化数据集或模型，重新训练，直到模型可用；

步骤三：根据参照物、猪身位置、猪肥胖程度、猪重，利用神经网络训练猪重预测模型，并对模型进行评估及优化；对于该模型，输入为Region(C₁),Region(C_i),C_i，其中i∈{2,3,...,k}，也就是k类猪中的一类，输出为猪的重量Weight；利用深度神经网络训练一个猪重预测模型，使得G(Region(C₁),Region(C_i),C_i)＝Weight；

为了得到一个可用的猪重预测模型，需要对模型进行测试，如果预测偏差高于可用阈值Threshold(G)，就需要优化数据集或模型，重新训练，直到模型可用；

步骤四：对于待识别的图片，调用参照物、猪身检测模型，得到参照物、猪身位置、猪肥胖程度。对于待识别的图片，调用F(Image)模型，得到参照物区域Region₁以及猪身区域Region_i,i∈{2,3,...,k}，而类别C_i表示猪的肥胖程度；

步骤五：根据参照物、猪身位置、猪肥胖程度，调用猪重预测模型，得到猪重量的识别结果；将步骤四得到的Region(C₁),Region(C_i)传入模型G(Region(C₁),Region(C_i),C_i)＝Weight，得到猪的重量。

所述步骤一中包括：步骤11：准备数据集，包括含参照物的图片、含猪身的图片，并进行数据标注工作，包括参照物位置、猪身位置、猪肥胖程度、猪重等信息中，通过拍摄带有参照物的猪身照片，这里参照物选择专用理赔牌，放在与猪同一水平位置(同一焦距)处，共拍摄1-10千张图片，拍摄的同时记录猪重、猪肥胖程度信息，这里根据肥胖程度将猪分为瘦、中瘦、中等、中胖、胖五个类别；图片拍完后，需要人工进行数据标注的工作，即将参照物、猪身用矩形框出来，实际存储时采用矩形4个点的坐标位置；最终得到5千张图片及对应的标签数据，格式为

{Image,(x₁₁,y₁₁),(x₁₂,y₁₂),(x₁₃,y₁₃),(x₁₄,y₁₄),(x₂₁,y₂₁),(x₂₂,y₂₂),(x₂₃,y₂₃),(x₂₄,y₂₄),C}

其中，Image表示图片，(x₁₁,y₁₁),(x₁₂,y₁₂),x(₁₃,y₁₃),x(₁₄y,表示参照物位置坐标，(x₂₁,y₂₁),(x₂₂,y₂₂),(x₂₃,y₂₃),(x₂₄,y₂₄)表示猪身位置坐标，C表示猪肥胖程度类别；

步骤12：根据参照物、猪身位置、猪肥胖程度，利用深度神经网络训练参照物、猪身检测模型，并对模型进行评估及优化。本实施例中，对于每一张输入图片Image，输出为{(x₁₁,y₁₁),(x₁₂,y₁₂),(x₁₃,y₁₃),(x₁₄,y₁₄),(x₂₁,y₂₁),(x₂₂,y₂₂),(x₂₃,y₂₃),(x₂₄,y₂₄),C}，其中(x₁₁,y ₁)x₁,(y₁₂,表示参照物位置坐标，(x₂₁,y₂₁),(x₂₂,y_,22),(x(₂₃,y₂₃),(x₂₄,y₂₄)表示猪身位置坐标，C表示猪肥胖程度类别。利用深度神经网络训练一个参照物、猪身检测模型，使得

F(Image)＝{(x₁₁,y₁₁),(x₁₂,y₁₂),(x₁₃,y₁₃),(x₁₄,y₁₄),(x₂₁,y₂₁),(x₂₂,y₂₂),(x₂₃,y₂₃),(x₂₄,y₂₄),C}

为了得到一个可用的参照物、猪身检测模型，我们需要对模型进行测试，如果精度低于可用阈值Threshold(F)，就需要优化数据集或模型，重新训练，直到模型可用；

步骤13：根据参照物、猪身位置、猪肥胖程度、猪重，利用神经网络训练猪重预测模型，并对模型进行评估及优化。本实施例中，对于猪重预测模型，输入为步骤12中得到的(x₁₁,y₁₁),(x₁₂,y₁₂),(x₁₃,y₁₃),(x₁₄,y₁₄),(x₂₁,y₂₁),(x₂₂,y₂₂),(x₂₃,y₂₃),(x₂₄,y₂₄),C，输出为猪的重量Weight；利用深度神经网络训练一个猪重预测模型，使得G((x₁₁,y₁₁),(x₁₂,y₁₂),(x₁₃,y₁₃),(x₁₄,y₁₄),(x₂₁,y₂₁),(x₂₂,y₂₂),(x₂₃,y₂₃),(x₂₄,y₂₄),C)＝Weight；

为了得到一个可用的猪重预测模型，对模型进行测试，如果预测偏差高于可用阈值Threshold(G)，就需要优化数据集或模型，重新训练，直到模型可用。

步骤14：对于待识别的图片，调用参照物、猪身检测模型，得到参照物、猪身位置、猪肥胖程度。对于待识别的图片，调用F模型，得到参照物的坐标位置、猪身坐标位置以及猪的肥胖程度类别C。

所述可用阈值Threshold(F)的取值是0.7，所述可用阈值Threshold(G)的取值是10％。

本发明公开一种基于参照物的猪重识别的系统，包括：包括：数据源模块21、模型训练模块22、猪重识别模块23；所述数据源模块21与模型训练模块22相连，所述模型训练模块22与猪重识别模块23相连；

所述数据源模块21，用于训练参照物、猪身检测模型和猪重预测模型所需要准备的数据集，其中主要包括：参照物图片子模块、猪图片子模块、标注结果数据子模块；

所述模型训练模块22，利用深度神经网络训练参照物、猪身检测模型和猪重预测模型；其中包括四个子模块：参照物、猪身检测模型训练子模块221、参照物、猪身检测模型子模块222、猪重预测模型训练子模块223、猪重预测模型子模块224；

所述参照物、猪身检测模型训练子模块221，用于根据参照物、猪身位置、猪肥胖程度，利用深度神经网络训练参照物、猪身检测模型；

所述参照物、猪身检测模型子模块222，与参照物、猪身检测模型训练子模块221相连，对训练得到的参照物、猪身检测模型进行评估及优化，最终得到可用的参照物、猪身检测模型；

所述猪重预测模型训练子模块223，用于根据参照物、猪身位置、猪肥胖程度、猪重，利用神经网络训练猪重预测模型；

所述猪重预测模型子模块224，与猪重预测模型训练子模块223相连，是训练得到的猪重预测模型进行评估及优化，最终得到可用的猪重预测模型；

所述猪重识别模块23，提供猪重识别的接口，接收待识别的图片，通过调用模型最终返回猪重信息；其中包括四个子模块：待识别图片接收子模块231，参照物、猪身检测子模块232，猪重预测识别子模块233，猪重信息返回子模块234，所述待识别图片接收子模块231，参照物、猪身检测子模块232，猪重预测识别子模块233，猪重信息返回子模块234依次相连；

所述待识别图片接收子模块231，用于接收待识别的图片信息；

所述参照物、猪身检测子模块232，对于待识别的图片，调用参照物、猪身检测模型，得到参照物、猪身位置、猪肥胖程度。

所述猪重预测识别子模块233，根据参照物、猪身位置、猪肥胖程度，调用猪重预测模型，得到猪重量的识别结果。

所述猪重信息返回子模块234，将最终识别的猪重信息返回。

本发明可以根据数据集中的参照物、猪身位置、猪肥胖程度，利用深度神经网络训练参照物、猪身检测模型，然后根据参照物、猪身位置、猪重，利用神经网络训练猪重预测模型。含参照物的图片、含猪身的图片是能够准确量度猪身尺寸的图片(猪的不同品种均可应用神经网络训练猪重预测模型，但结果用于相同品种猪的重量估计)；通过参照物、猪身检测模型，可以检测出图片中的参照物、猪身位置、猪身肥胖程度，通过猪重预测模型，可以识别猪的重量，两个模型结合起来可以实现通过拍摄带有参照物的猪的图片来直接识别猪的重量。该方法和系统能够高效准确的完成猪重识别的任务，能够应用到育肥猪保险理赔领域，大大提升理赔的效率和准确性。

附图说明

图1是本发明实施例中的猪重识别方法的流程示意图；

图2是本发明实施例中的猪重识别系统的结构示意图。

具体实施方式

以下结合附图和具体实施例对本发明作进一步详细说明。

在本发明中，根据数据集中的参照物、猪身位置、猪肥胖程度，利用深度神经网络训练参照物、猪身检测模型，然后根据参照物、猪身位置、猪重，利用神经网络训练猪重预测模型。含参照物的图片、含猪身的图片是能够准确量度猪身尺寸的图片(猪的不同品种均可应用神经网络训练猪重预测模型，但结果用于相同品种猪的重量估计)；通过参照物、猪身检测模型，可以检测出图片中的参照物、猪身位置、猪身肥胖程度，通过猪重预测模型，可以识别猪的重量，两个模型结合起来可以实现通过拍摄带有参照物的猪的图片来直接识别猪的重量。该方法和系统能够高效准确的完成猪重识别的任务，能够应用到育肥猪保险理赔领域，大大提升理赔的效率和准确性。

参阅图1所示，本发明实施例的流程，具体步骤为：

步骤11：准备数据集，包括含参照物的图片、含猪身的图片，并进行数据标注工作，包括参照物位置、猪身位置、猪肥胖程度、猪重等信息。本实施例中，数据集主要通过拍摄带有参照物的猪身照片，这里参照物可以选择专用理赔牌，放在与猪同一水平位置处，共拍摄5千张图片，拍摄的同时记录猪重、猪肥胖程度信息，这里根据肥胖程度将猪分为瘦、中瘦、中等、中胖、胖五个类别。图片拍完后，需要人工进行数据标注的工作，即将参照物、猪身用矩形框出来，实际存储时采用矩形4个点的坐标位置。最终得到5千张图片及对应的标签数据，格式为

{Image,(x₁₁,y₁₁),(x₁₂,y₁₂),(x₁₃,y₁₃),(x₁₄,y₁₄),(x₂₁,y₂₁),(x₂₂,y₂₂),(x₂₃,y₂₃),(x₂₄,y₂₄),C}

其中，Image表示图片，{Region_i,C_i}，其中Region_i表示第i个区域位置，i＝1时表示参照物位置，i>1时表示为猪身的位置，(x₁₁,y₁₁),(x₁₂,y₁₂),(x₁₃,y₁₃),(x₁₄,y₁₄)表示参照物位置坐标，(x₂₁,y₂₁),(x₂₂,y₂₂),(x₂₃,y₂₃),(x₂₄,y₂₄)表示猪身位置坐标，C表示猪肥胖程度类别。

步骤12：根据参照物、猪身位置、猪肥胖程度，利用深度神经网络训练参照物、猪身检测模型，并对模型进行评估及优化。本实施例中，对于每一张输入图片Image，{Region_i,C_i}，其中Region_i表示第i个区域位置，i＝1时表示参照物位置，i>1时表示为猪身的位置，输出为{(x₁₁,y₁₁),(x₁₂,y₁₂),(x₁₃,y₁₃),(x₁₄,y₁₄),(x₂₁,y₂₁),(x₂₂,y₂₂),(x₂₃,y₂₃),(x₂₄,y₂₄),C}，其中(x₁₁,y ₁)x₁,(y ₁₂)表示参照物位置坐标，(x₂₁,y₂₁)1,()x₂₂,3y_,22),(x(₂₃,y₂₃),(,x₂₄,y₂₄₁)表示猪身位置坐标，C表示猪肥胖程度类别。利用深度神经网络训练一个参照物、猪身检测模型，使得

F(Image)＝{(x₁₁,y₁₁),(x₁₂,y₁₂),(x₁₃,y₁₃),(x₁₄,y₁₄),(x₂₁,y₂₁),(x₂₂,y₂₂),(x₂₃,y₂₃),(x₂₄,y₂₄),C}

为了得到一个可用的参照物、猪身检测模型，我们需要对模型进行测试，如果精度低于可用阈值Threshold(F)，这里取值0.7，就需要优化数据集或模型，重新训练，直到模型可用。

步骤13：根据参照物、猪身位置、猪肥胖程度、猪重，利用神经网络训练猪重预测模型，并对模型进行评估及优化。本实施例中，对于猪重预测模型，输入为步骤12中得到的(x₁₁,y₁₁),(x₁₂,y₁₂),(x₁₃,y₁₃),(x₁₄,y₁₄),(x₂₁,y₂₁),(x₂₂,y₂₂),(x₂₃,y₂₃),(x₂₄,y₂₄),C，输出为猪的重量Weight。利用深度神经网络训练一个猪重预测模型，使得G((x₁₁,y₁₁),(x₁₂,y₁₂),(x₁₃,y₁₃),(x₁₄,y₁₄),(x₂₁,y₂₁),(x₂₂,y₂₂),(x₂₃,y₂₃),(x₂₄,y₂₄),C)＝Weight。

为了得到一个可用的猪重预测模型，我们需要对模型进行测试，如果预测偏差高于可用阈值Threshold(G)，这里取值10％，就需要优化数据集或模型，重新训练，直到模型可用。

步骤14：对于待识别的图片，调用参照物、猪身检测模型，得到参照物、猪身位置、猪肥胖程度。对于待识别的图片，调用F模型，得到参照物的坐标位置、猪身坐标位置以及猪的肥胖程度类别C。

步骤五：根据参照物的坐标位置、猪身坐标位置以及猪的肥胖程度，调用猪重预测模型，得到猪重量的识别结果

参阅图2所示，本发明实施例的系统结构，包括：数据源模块21、模型训练模块22、猪重识别模块23；所述数据源模块21与模型训练模块22相连，所述模型训练模块22与猪重识别模块23相连；

所述数据源模块21，用于训练参照物、猪身检测模型和猪重预测模型所需要准备的数据集，其中主要包括：参照物图片子模块、猪图片子模块、标注结果数据子模块；

所述模型训练模块22，利用深度神经网络训练参照物、猪身检测模型和猪重预测模型；其中包括四个子模块：参照物、猪身检测模型训练子模块221、参照物、猪身检测模型子模块222、猪重预测模型训练子模块223、猪重预测模型子模块224；

所述参照物、猪身检测模型训练子模块221，用于根据参照物、猪身位置、猪肥胖程度，利用深度神经网络训练参照物、猪身检测模型；

所述参照物、猪身检测模型子模块222，与参照物、猪身检测模型训练子模块221相连，对训练得到的参照物、猪身检测模型进行评估及优化，最终得到可用的参照物、猪身检测模型；

所述猪重预测模型训练子模块223，用于根据参照物、猪身位置、猪肥胖程度、猪重，利用神经网络训练猪重预测模型；

所述猪重预测模型子模块224，与猪重预测模型训练子模块223相连，是训练得到的猪重预测模型进行评估及优化，最终得到可用的猪重预测模型；

所述猪重识别模块23，提供猪重识别的接口，接收待识别的图片，通过调用模型最终返回猪重信息；其中包括四个子模块：待识别图片接收子模块231，参照物、猪身检测子模块232，猪重预测识别子模块233，猪重信息返回子模块234，所述待识别图片接收子模块231，参照物、猪身检测子模块232，猪重预测识别子模块233，猪重信息返回子模块234依次相连；

所述待识别图片接收子模块231，用于接收待识别的图片信息；

所述参照物、猪身检测子模块232，对于待识别的图片，调用参照物、猪身检测模型，得到参照物、猪身位置、猪肥胖程度。

所述猪重预测识别子模块233，根据参照物、猪身位置、猪肥胖程度，调用猪重预测模型，得到猪重量的识别结果。

所述猪重信息返回子模块234，将最终识别的猪重信息返回。

以上所述仅为本发明专利的一种实施例而已，并不用以限制本发明专利，凡在本发明专利的精神和原则之内所作的任何修改、等同替换和改进等，均以包含在本发明专利的保护范围之内。

Claims (5)

1.一种基于参照物的猪重识别的方法，其特征是，1)根据数据集中的参照物、猪身位置、猪肥胖程度准备数据集，利用深度神经网络训练参照物、猪身检测模型，然后根据参照物、猪身位置、猪重，利用神经网络训练猪重预测模型；2)通过参照物、猪身检测模型，检测出图片中的参照物、猪身位置、猪身肥胖程度，通过上述猪重预测模型，识别猪的重量。两个模型结合起来可以实现通过拍摄带有参照物的猪的图片来直接识别猪的重量。

2.根据权利要求1所述的基于参照物的猪重识别的方法，其特征是，具体步骤如下：

步骤一：准备数据集，包括含参照物(含有尺寸标度)的图片、含猪身的图片，参照物和猪身的比较得到猪的尺寸的量度；进行数据标注工作，包括参照物位置、猪身位置、猪肥胖程度、猪的重量信息；

步骤二：根据参照物、猪身位置、猪肥胖程度，利用深度神经网络训练参照物、猪身检测模型，并对模型进行评估及优化；将参照物对应到类别C₁，根据猪肥胖程度，将猪身对应到C₂,C₃,...,C_k，分别表示猪从瘦到胖的类别；对于每一张输入图片Image，输出为{Region_i,C_i}，其中Region_i表示第i个区域位置，i＝1时表示参照物位置，i>1时表示为猪身的位置；利用深度神经网络训练一个参照物、猪身检测模型，使得

F(Image)＝{Region_i,Class_i}

F(Image)是深度神经网络训练得到的参照物、猪身检测模型的输出；

为了得到一个可用的参照物、猪身检测模型，需要对模型进行测试，如果精度低于可用阈值Threshold(F)，就需要优化数据集或模型，重新训练，直到模型可用；

步骤三：根据参照物、猪身位置、猪肥胖程度、猪重，利用神经网络训练猪重预测模型，并对模型进行评估及优化；对于该模型，输入为Region(C₁),Region(C_i),C_i，其中i∈{2,3,...,k}，也就是k类猪中的一类，输出为猪的重量Weight；利用深度神经网络训练一个猪重预测模型，使得G(Region(C₁),Region(C_i),C_i)＝Weight；

为了得到一个可用的猪重预测模型，需要对模型进行测试，如果预测偏差高于可用阈值Threshold(G)，就需要优化数据集或模型，重新训练，直到模型可用；

步骤四：对于待识别的图片，调用参照物、猪身检测模型，得到参照物、猪身位置、猪肥胖程度。对于待识别的图片，调用F(Image)模型，得到参照物区域Region₁以及猪身区域Region_i,i∈{2,3,...,k}，而类别C_i表示猪的肥胖程度；

步骤五：根据参照物、猪身位置、猪肥胖程度，调用猪重预测模型，得到猪重量的识别结果；将步骤四得到的Region(C₁),Region(C_i)传入模型G(Region(C₁),Region(C_i),C_i)＝Weight，得到猪的重量。

3.根据权利要求1所述的基于参照物的猪重识别的方法，其特征是，步骤一中包括：步骤11：准备数据集，包括含参照物的图片、含猪身的图片，并进行数据标注工作，包括参照物位置、猪身位置、猪肥胖程度、猪重等信息中，通过拍摄带有参照物的猪身照片，这里参照物选择专用理赔牌，放在与猪同一水平位置(同一焦距)处，共拍摄1-10千张图片，拍摄的同时记录猪重、猪肥胖程度信息，这里根据肥胖程度将猪分为瘦、中瘦、中等、中胖、胖五个类别；图片拍完后，需要人工进行数据标注的工作，即将参照物、猪身用矩形框出来，实际存储时采用矩形4个点的坐标位置；最终得到5千张图片及对应的标签数据，格式为

{Image,(x₁₁,y₁₁),(x₁₂,y₁₂),(x₁₃,y₁₃),(x₁₄,y₁₄),(x₂₁,y₂₁),(x₂₂,y₂₂),(x₂₃,y₂₃),(x₂₄,y₂₄),C}

其中，Image表示图片，(x₁₁,y₁₁),(x₁₂,y₁₂),(x₁₃,y₁₃),(x₁₄,y₁₄)表示参照物位置坐标，(x₂₁,y₂₁),(x₂₂,y₂₂),(x₂₃,y₂₃),(x₂₄,y₂₄)表示猪身位置坐标，C表示猪肥胖程度类别；

步骤12：根据参照物、猪身位置、猪肥胖程度，利用深度神经网络训练参照物、猪身检测模型，并对模型进行评估及优化。本实施例中，对于每一张输入图片Image，输出为{(x₁₁,y₁₁),(x₁₂,y₁₂),(x₁₃,y₁₃),(x₁₄,y₁₄),(x₂₁,y₂₁),(x₂₂,y22),(x₂₃,y₂₃),(x₂₄,y₂₄),C}，其中(x₁₁,y ₁)x₁,(y ₁₂)表示参照物位置坐标，(x₂₁,y₂₁),(x₂₂,y₂₂),(x₂₃,y₂₃),(,x₂₄,y₂₄₁)表示猪身位置坐标，C表示猪肥胖程度类别。利用深度神经网络训练一个参照物、猪身检测模型，使得

F(Image)＝{(x₁₁,y₁₁),(x₁₂,y₁₂),(x₁₃,y₁₃),(x₁₄,y₁₄),(x₂₁,y₂₁),(x₂₂,y₂₂),(x₂₃,y₂₃),(x₂₄,y₂₄),C}

为了得到一个可用的参照物、猪身检测模型，我们需要对模型进行测试，如果精度低于可用阈值Threshold(F)，就需要优化数据集或模型，重新训练，直到模型可用；

步骤13：根据参照物、猪身位置、猪肥胖程度、猪重，利用神经网络训练猪重预测模型，并对模型进行评估及优化。本实施例中，对于猪重预测模型，输入为步骤12中得到的(x₁₁,y₁₁),(x₁₂,y₁₂),(x₁₃,y₁₃),(x₁₄,y₁₄),(x₂₁,y₂₁),(x₂₂,y₂₂),(x₂₃,y₂₃),(x₂₄,y₂₄),C，输出为猪的重量Weight；利用深度神经网络训练一个猪重预测模型，使得G((x₁₁,y₁₁),(x₁₂,y₁₂),(x₁₃,y₁₃),(x₁₄,y₁₄),(x₂₁,y₂₁),(x₂₂,y₂₂),(x₂₃,y₂₃),(x₂₄,y₂₄),C)＝Weight；

为了得到一个可用的猪重预测模型，对模型进行测试，如果预测偏差高于可用阈值Threshold(G)，就需要优化数据集或模型，重新训练，直到模型可用。

步骤14：对于待识别的图片，调用参照物、猪身检测模型，得到参照物、猪身位置、猪肥胖程度。对于待识别的图片，调用F模型，得到参照物的坐标位置、猪身坐标位置以及猪的肥胖程度类别C。

4.根据权利要求2中所述的基于参照物的猪重识别的方法，其特征是，所述可用阈值Threshold(F)的取值是0.7，所述可用阈值Threshold(G)的取值是10％。

5.根据权利要求1中所述的基于参照物的猪重识别的系统，包括：数据源模块21、模型训练模块22、猪重识别模块23；所述数据源模块21与模型训练模块22相连，所述模型训练模块22与猪重识别模块23相连；

所述数据源模块21，用于训练参照物、猪身检测模型和猪重预测模型所需要准备的数据集，其中主要包括：参照物图片子模块、猪图片子模块、标注结果数据子模块；

所述模型训练模块22，利用深度神经网络训练参照物、猪身检测模型和猪重预测模型；其中包括四个子模块：参照物、猪身检测模型训练子模块221、参照物、猪身检测模型子模块222、猪重预测模型训练子模块223、猪重预测模型子模块224；

所述参照物、猪身检测模型训练子模块221，用于根据参照物、猪身位置、猪肥胖程度，利用深度神经网络训练参照物、猪身检测模型；

所述参照物、猪身检测模型子模块222，与参照物、猪身检测模型训练子模块221相连，对训练得到的参照物、猪身检测模型进行评估及优化，最终得到可用的参照物、猪身检测模型；

所述猪重预测模型训练子模块223，用于根据参照物、猪身位置、猪肥胖程度、猪重，利用神经网络训练猪重预测模型；

所述猪重预测模型子模块224，与猪重预测模型训练子模块223相连，是训练得到的猪重预测模型进行评估及优化，最终得到可用的猪重预测模型；

所述猪重识别模块23，提供猪重识别的接口，接收待识别的图片，通过调用模型最终返回猪重信息；其中包括四个子模块：待识别图片接收子模块231，参照物、猪身检测子模块232，猪重预测识别子模块233，猪重信息返回子模块234，所述待识别图片接收子模块231，参照物、猪身检测子模块232，猪重预测识别子模块233，猪重信息返回子模块234依次相连；

所述待识别图片接收子模块231，用于接收待识别的图片信息；

所述参照物、猪身检测子模块232，对于待识别的图片，调用参照物、猪身检测模型，得到参照物、猪身位置、猪肥胖程度。

所述猪重预测识别子模块233，根据参照物、猪身位置、猪肥胖程度，调用猪重预测模型，得到猪重量的识别结果。

所述猪重信息返回子模块234，将最终识别的猪重信息返回。