CN108764210B - 一种基于参照物的猪重识别的方法及系统 - Google Patents

一种基于参照物的猪重识别的方法及系统 Download PDF

Info

Publication number
CN108764210B
CN108764210B CN201810599096.6A CN201810599096A CN108764210B CN 108764210 B CN108764210 B CN 108764210B CN 201810599096 A CN201810599096 A CN 201810599096A CN 108764210 B CN108764210 B CN 108764210B
Authority
CN
China
Prior art keywords
pig
model
weight
picture
training
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810599096.6A
Other languages
English (en)
Other versions
CN108764210A (zh
Inventor
房鹏展
吕晨
王旻毅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Focus Technology Co Ltd
Original Assignee
Focus Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Focus Technology Co Ltd filed Critical Focus Technology Co Ltd
Priority to CN201810599096.6A priority Critical patent/CN108764210B/zh
Publication of CN108764210A publication Critical patent/CN108764210A/zh
Application granted granted Critical
Publication of CN108764210B publication Critical patent/CN108764210B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

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,...,Ck，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{Regioni,Ci}，其中Regioni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)＝{Regioni,Classi}
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(Ci),Ci，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(Ci),Ci)＝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Regioni,i∈{2,3,...,k}，而类别Ci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(Ci)传入模型G(Region(C1),Region(Ci),Ci)＝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，{Regioni,Ci}，其中Regioni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，{Regioni,Ci}，其中Regioni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 (3)

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；
具体步骤如下：
步骤一：准备数据集，包括含有尺寸标度的参照物的图片、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,...,Ck，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(Ci)，Classi}，其中Region(Ci)表示第i个区域位置，Classi∈{C1,C2,C3,...,Ck}表示第i个区域对应的猪从瘦到胖的类别；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)＝{Region(Ci)，Classi}
F(Image)是深度神经网络训练得到的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(Ci),Ci，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(Ci),Ci)＝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Region(C1)以及猪身区域Region(Ci)∈{2，3，…k}，而类别Ci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(Ci)传入模型G(Region(C1),Region(Ci),Ci)＝Weight，得到猪的重量。
2.根据权利要求1所述的基于参照物的猪重识别的方法，其特征是步骤一中：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，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即同一焦距处，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),Ci}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，Ci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；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),Ci}，其中(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，Ci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),Ci}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；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),Ci}，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),Ci)＝Weigh；
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。
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，包括：数据源模块、模型训练模块、猪重识别模块；
所述数据源模块，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，包括：参照物图片、猪图片、标注结果数据；
所述模型训练模块，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、参照物、猪身检测模型子模块、猪重预测模型训练子模块、猪重预测模型子模块；所述参照物、猪身检测模型训练子模块，是根据参照物、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，是对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，是根据参照物、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，是对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，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，参照物、猪身检测子模块，猪重预测识别子模块，猪重信息返回子模块；所述待识别图片接收子模块，用于接收待识别的图片信息；所述参照物、猪身检测子模块，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，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，将最终识别的猪重信息返回；
包括：数据源模块、模型训练模块、猪重识别模块；
数据源模块，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，包括：参照物图片、猪图片、标注结果数据；
模型训练模块，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、参照物、猪身检测模型子模块、猪重预测模型训练子模块、猪重预测模型子模块；
参照物、猪身检测模型训练子模块，是根据参照物、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；
参照物、猪身检测模型子模块，是对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；
猪重预测模型训练子模块，是根据参照物、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；
猪重预测模型子模块，是对模型进行评估及优化，最终得到可用的猪重预测模型；
猪重识别模块，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，参照物、猪身检测子模块，猪重预测识别子模块，猪重信息返回子模块；
待识别图片接收子模块，用于接收待识别的图片信息；
参照物、猪身检测子模块，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；
猪重预测识别子模块，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；
猪重信息返回子模块，将最终识别的猪重信息返回。
CN201810599096.6A 2018-06-12 2018-06-12 一种基于参照物的猪重识别的方法及系统 Active CN108764210B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810599096.6A CN108764210B (zh) 2018-06-12 2018-06-12 一种基于参照物的猪重识别的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810599096.6A CN108764210B (zh) 2018-06-12 2018-06-12 一种基于参照物的猪重识别的方法及系统

Publications (2)

Publication Number Publication Date
CN108764210A CN108764210A (zh) 2018-11-06
CN108764210B true CN108764210B (zh) 2019-11-15

Family

ID=64022000

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810599096.6A Active CN108764210B (zh) 2018-06-12 2018-06-12 一种基于参照物的猪重识别的方法及系统

Country Status (1)

Country Link
CN (1) CN108764210B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110085320A (zh) * 2019-04-23 2019-08-02 延安大学 一种个人体重变化预测系统及方法
CN111507432A (zh) * 2020-07-01 2020-08-07 四川智迅车联科技有限公司 农险理赔智能称重方法、系统、电子设备和存储介质
CN111860652B (zh) * 2020-07-22 2022-03-29 中国平安财产保险股份有限公司 基于图像检测的动物体重测量方法、装置、设备及介质
CN114241523A (zh) * 2021-12-13 2022-03-25 河南牧原智能科技有限公司 用于识别体型异常的猪只的方法、装置及相关产品
CN116206342B (zh) * 2023-04-27 2023-07-25 广东省农业科学院动物科学研究所 一种猪只体重检测方法、装置、设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106295558A (zh) * 2016-08-08 2017-01-04 华南农业大学 一种猪只行为节律分析方法
CN106662437A (zh) * 2014-06-17 2017-05-10 玛精能手股份有限公司 用于物体的自动参数计算的方法和装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105488516A (zh) * 2014-10-08 2016-04-13 中兴通讯股份有限公司 一种图像处理方法及装置
CN106372198A (zh) * 2016-08-31 2017-02-01 乐视控股（北京）有限公司 一种基于图像识别技术的数据提取方法及其移动终端
CN106872006A (zh) * 2017-02-22 2017-06-20 向英特 一种果蔬累加称重计价方法及电子秤

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106662437A (zh) * 2014-06-17 2017-05-10 玛精能手股份有限公司 用于物体的自动参数计算的方法和装置
CN106295558A (zh) * 2016-08-08 2017-01-04 华南农业大学 一种猪只行为节律分析方法

Also Published As

Publication number Publication date
CN108764210A (zh) 2018-11-06

Similar Documents

Publication Publication Date Title
CN108764210B (zh) 一种基于参照物的猪重识别的方法及系统
Yukun et al. Automatic monitoring system for individual dairy cows based on a deep learning framework that provides identification via body parts and estimation of body condition score
CN109141248B (zh) 基于图像的猪体重测算方法及系统
CN108154508B (zh) 产品缺陷检测定位的方法、装置、存储介质及终端设备
CN109977780A (zh) 一种基于深度学习算法的硅藻的检测与识别方法
CN108961330B (zh) 基于图像的猪体长测算方法及系统
Salau et al. Feasibility of automated body trait determination using the SR4K time-of-flight camera in cow barns
Ciocca et al. Food recognition and leftover estimation for daily diet monitoring
CN109635875A (zh) 一种基于深度学习的端到端网口检测方法
McPhee et al. Live animal assessments of rump fat and muscle score in Angus cows and steers using 3-dimensional imaging
Zhang et al. Development and validation of a visual image analysis for monitoring the body size of sheep
WO2019184139A1 (zh) 牲畜保险理赔方法、装置、计算机设备和存储介质
CN111724355A (zh) 一种鲍鱼体型参数的图像测量方法
CN114463701B (zh) 一种基于多源大数据动物养殖数据挖掘的监测预警系统
CN116052211A (zh) 一种基于知识蒸馏的YOLOv5s轻量级羊只品种识别方法及系统
CN116295022A (zh) 一种基于深度学习多参数融合的猪只体尺测量方法
CN114898405B (zh) 基于边缘计算的便携式肉鸡异常监测系统
CN115752683A (zh) 一种基于深度相机的体重预估方法、系统及终端
CN110136192A (zh) 一种基于深度学习和特征部位检测的牛体尺算法
CN117765329A (zh) 一种基于目标检测网络模型YOLOv8的非接触式牛体重测量方法
He et al. Body condition scoring network based on improved YOLOX
CN115331266B (zh) 一种猪只唯一化识别去重警报方法
CN115968810A (zh) 一种病疫生猪的识别方法和识别系统
CN112801118B (zh) 基于人工智能和大数据的肉猪出栏效益评估系统及方法
CN113222452B (zh) 基于北斗导航的天然草地质量评价方法、系统及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant