CN108846326A - 猪只体态识别方法、装置及电子设备 - Google Patents

猪只体态识别方法、装置及电子设备 Download PDF

Info

Publication number
CN108846326A
CN108846326A CN201810527300.3A CN201810527300A CN108846326A CN 108846326 A CN108846326 A CN 108846326A CN 201810527300 A CN201810527300 A CN 201810527300A CN 108846326 A CN108846326 A CN 108846326A
Authority
CN
China
Prior art keywords
pig
neural network
network model
oval
posture
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.)
Pending
Application number
CN201810527300.3A
Other languages
English (en)
Inventor
李先锋
吴素芹
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.)
Yangcheng Institute of Technology
Yancheng Institute of Technology
Original Assignee
Yangcheng Institute of Technology
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 Yangcheng Institute of Technology filed Critical Yangcheng Institute of Technology
Priority to CN201810527300.3A priority Critical patent/CN108846326A/zh
Publication of CN108846326A publication Critical patent/CN108846326A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例提出了一种猪只体态识别方法、装置及电子设备，涉及图像识别技术领域，该方法包括：接收用户输入的待识别猪只体态特征向量，其中，待识别猪只体态特征向量由第一椭圆方向角、第二椭圆方向角、第二椭圆相对值、第三椭圆方向角、第三椭圆相对值、第四椭圆方向角、第四椭圆相对值组成；以预先建立的BP神经网络模型处理待识别猪只体态特征向量，获得猪只体态类别，其中，猪只体态类别包括躺卧、平视、垂头、仰头。本发明实施例所提供的一种猪只体态识别方法、装置及电子设备，能够提升获得猪只体态类别的速度，保证猪只体态识别的实时性。

Description

猪只体态识别方法、装置及电子设备
技术领域
本发明涉及图像识别技术领域，具体而言，涉及一种猪只体态识别方法、装置及电子设备。
背景技术
现有技术中对于猪只体态特征的提取需要依赖于猪只的精确轮廓，对图像处理技术要求较高，且图像处理算法的时空复杂度较高，实时性较差。
发明内容
本发明的目的在于提供一种猪只体态识别方法、装置及电子设备，能够提升获得猪只体态类别的速度，保证猪只体态识别的实时性。
为了实现上述目的，本发明实施例采用的技术方案如下：
第一方面，本发明实施例提供了一种猪只体态识别方法，用于识别猪只的体态类别，所述方法包括：接收用户输入的待识别猪只体态特征向量，其中，所述待识别猪只体态特征向量由第一椭圆方向角、第二椭圆方向角、第二椭圆相对值、第三椭圆方向角、第三椭圆相对值、第四椭圆方向角、第四椭圆相对值组成；以预先建立的BP神经网络模型处理所述待识别猪只体态特征向量，获得猪只体态类别，其中，所述猪只体态类别包括躺卧、平视、垂头、仰头。
第二方面，本发明实施例提供了一种猪只体态识别装置，用于识别猪只的体态类别，所述装置包括：待识别猪只接收模块，用于接收用户输入的待识别猪只体态特征向量，其中，所述待识别猪只体态特征向量由第一椭圆方向角、第二椭圆方向角、第二椭圆相对值、第三椭圆方向角、第三椭圆相对值、第四椭圆方向角、第四椭圆相对值组成；猪只体态识别模块，用于以预先建立的BP神经网络模型处理所述待识别猪只体态特征向量，获得猪只体态类别，其中，所述猪只体态类别包括躺卧、平视、垂头、仰头。
第三方面，本发明实施例提供了一种电子设备，所述电子设备包括存储器，用于存储一个或多个程序；处理器。当所述一个或多个程序被所述处理器执行时，实现上述的猪只体态识别方法。
相对于现有技术，本发明实施例所提供的一种猪只体态识别方法、装置及电子设备，通过采用预先建立的BP神经网络模型，对待识别猪只体态特征向量进行处理，以获得猪只体态类别，相较于现有技术，能够提升获得猪只体态类别的速度，保证猪只体态识别的实时性。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它相关的附图。
图1示出了本发明实施例所提供的一种电子设备的一种示意性结构框图；
图2示出了本发明实施例所提供的一种猪只体态识别方法的一种示意性流程图；
图3示出了真实的猪只体态轮廓的一种示意图；
图4示出了椭圆拟合的猪体轮廓的一种示意图；
图5示出了椭圆的一种示意图；
图6为图2中步骤S100的子步骤的一种示意性流程图；
图7示出了本发明实施例所提供的一种猪只体态识别装置的一种示意性结构图；
图8示出了本发明实施例所提供的一种猪只体态识别装置的神经网络模型创建模块的一种示意性结构图。
图中：10-电子设备；110-存储器；120-通信接口；130-处理器；20-猪只体态识别装置；200-神经网络模型创建模块；210-归一化处理单元；220-神经网络模型训练单元；230-神经网络模型优化单元；300-待识别猪只接收模块；400-猪只体态识别模块。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
下面结合附图，对本发明的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
请参阅图1，图1示出了本发明实施例所提供的一种电子设备10的一种示意性结构框图。所述电子设备10可以是，但不限于智能手机、个人电脑(personal computer，PC)、平板电脑、膝上型便携计算机、车载电脑、个人数字助理(personal digital assistant，PDA)等等。所述电子设备10可以包括上述的猪只体态识别装置20、存储器110、通信接口120及处理器130。
所述存储器110、通信接口120及处理器130各元件相互之间可以直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述猪只体态识别装置20包括至少一个可以以软件或固件(firmware)的形式存储于所述存储器110中或固化在所述电子设备10的操作系统(operating system，OS)中的软件功能模块。所述处理器130可以用于执行所述存储器110中存储的一个或多个程序，例如所述猪只体态识别装置20包括的软件功能模块或计算机程序，以实现本发明实施例所提供的猪只体态识别方法。
其中，所述存储器110可以是，但不限于，随机存取存储器(Random AccessMemory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(ProgrammableRead-Only Memory，PROM)，可擦除只读存储器(Erasable Programmable Read-OnlyMemory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory，EEPROM)等。其中，所述存储器110可以用于存储一个或多个程序，所述处理器130可以在接收到执行指令后，执行所述一个或多个程序，以实现本发明实施例所提供的一种猪只体态识别方法。本发明任一实施例揭示的流程定义的服务器所执行的方法可以应用于处理器130中，或者由处理器130实现。
所述通信接口120可以用于将该电子设备10与其他节点或设备进行信令或数据通讯。
处理器130可以是一种集成电路芯片，具有信号处理能力。上述的处理器130可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(NetworkProcessor，NP)、语音处理器以及视频处理器等；还可以是数字信号处理器、专用集成电路、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器130也可以是任何常规的处理器等。
可以理解，图1所示的结构仅为示意，电子设备10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
请参阅图2，图2示出了本发明实施例所提供的一种猪只体态识别方法的一种示意性流程图，该猪只体态识别方法用于识别猪只的体态类别，在本发明实施例中，该猪只体态识别方法包括以下步骤：
步骤S200，接收用户输入的待识别猪只体态特征向量。
用户在分析待识别的猪只的体态特征后，获得表征该猪只体态特征的7个特征值，并将所获得的这7个特征值组成表征该猪只体态特征的待识别猪只体态特征向量，且传输给电子设备10，以使电子设备10在接收用户输入的待识别猪只体态特征向量，用于识别该待识别猪只的体态类别。其中，该待识别猪只体态特征向量由第一椭圆方向角、第二椭圆方向角、第二椭圆相对值、第三椭圆方向角、第三椭圆相对值、第四椭圆方向角、第四椭圆相对值组成。
具体地说，请参阅图3，图3示出了真实的猪只体态轮廓的一种示意图，猪体轮廓按其身体结构可划分为头部、躯干、前肢和后肢4个区域，由于颈部对猪体姿态判别的影响较小，因此可忽略颈部的特征，而将头部、躯干、前肢和后肢4个区域分别用最接近的椭圆拟合。
例如，请参阅图4，图4示出了椭圆拟合的猪体轮廓的一种示意图，分别记躯干的拟合椭圆为E1、头部的拟合椭圆为E2、前肢的拟合椭圆为E3及后肢的拟合椭圆为E4，根据猪体轮廓的实际身体结构，一般来说，躯干的面积最大，头部次之，前肢和后肢的面积较小，因此，在利用椭圆拟合的猪体轮廓中，E1面积最大，E2次之。同时，作为一种实施方式，建立以E1的几何中心为原点的参考坐标系，以便于提取E1、E2、E3及E4各自的特征参数。
请参阅图5，图5示出了椭圆的一种示意图，一般来说，任一椭圆可提取包括椭圆方向角θ、中心到坐标原点的距离D、长轴半径A、短轴半径B共计4个特征参数，而对于同样的椭圆，当其处于参考坐标系的不同位置时，长轴半径A和短轴半径B是绝对不会变化的，但是相应地，椭圆方向角θ和中心到坐标原点的距离D却可能发生变化，因此，设定椭圆相对值d，假定：
也就是说，椭圆相对值d表征的是椭圆的长轴半径在x轴上的投影与椭圆中心到坐标原点的距离D之间的比值。显然，即使椭圆的长轴半径A和短轴半径B变化很小甚至是不发现变化时，椭圆相对值d依旧会因为椭圆方位角θ和椭圆中心到坐标原点的距离D的变化而发生变化，因此，对于任一形态的椭圆，即可利用椭圆方向角θ和椭圆相对值d来表征椭圆形态变化。
并且，在如图4所示的示意图中，当把参考坐标系的原点坐标建立在E1的几何中心时，由于E1的几何中心到参考坐标系的坐标原点的距离为0，因此E1的椭圆相对值也设定为0。因此，对于如图4所示的示意图中，对于利用椭圆拟合后的猪体轮廓，可以利用E1的椭圆方位角θE1、E2的椭圆方位角θE2、E2的椭圆相对值dE2、E3的椭圆方位角θE3、E3的椭圆相对值dE3、E4的椭圆方位角θE4及E4的椭圆相对值dE4共计7个特征参数来表征所拟合椭圆猪体轮廓的形态变化。
此时，当表征猪体轮廓的特征参数来自拟合椭圆而非猪体轮廓的图像时，猪体轮廓的特征参数不会受到猪体轮廓图像的处理精度的干扰和影响。
相应地，E1的椭圆方位角θE1、E2的椭圆方位角θE2、E2的椭圆相对值dE2、E3的椭圆方位角θE3、E3的椭圆相对值dE3、E4的椭圆方位角θE4及E4的椭圆相对值dE4即分别为第一椭圆方位角、第二椭圆方向角、第二椭圆相对值、第三椭圆方向角、第三椭圆相对值、第四椭圆方向角及第四椭圆相对值。
步骤S300，以预先建立的BP神经网络模型处理待识别猪只体态特征向量，获得猪只体态类别。
在接收到用户输入的待识别猪只体态特征向量后，即以预先建立的BP神经网络模型处理该待识别猪只体态特征向量，以获得猪只体态类别，其中，所获得的猪只体态类别包括躺卧、平视、垂头、仰头。
并且，该预先建立的BP神经网络模型为初始BP神经网络模型经过大量的训练样本进行训练后得到的，而训练初始BP神经网络模型的训练样本为多个包含所有猪只体态类别的猪只体态特征向量的样本集合，经过训练后的初始BP神经网络模型即为该预先建立的BP神经网络模型，而该预先建立的BP神经网络模型则可以用于识别待识别猪只体态特征向量所表征的猪只体态类别。
基于上述设计，本发明实施例所提供的一种猪只体态识别方法，通过采用预先建立的BP神经网络模型，对待识别猪只体态特征向量进行处理，以获得猪只体态类别，相较于现有技术，能够提升获得猪只体态类别的速度，保证猪只体态识别的实时性。
作为一种实施方式，请继续参阅图2，在执行步骤S200之前，该猪只体态识别方法还包括：
步骤S100，依据用户输入的多个训练猪只体态特征向量作为训练样本，预先建立BP神经网络模型。
对于已然预先建立好的BP神经网络模型，可以直接通过上述的方法进行猪只体态的识别。但对于没有预先建立的BP神经网络模型时，需要预先建立BP神经网络模型，用于步骤S300中的以该预先建立的BP神经网络模型处理待识别猪只体态特征向量。
其中，对于该预先建立的BP神经网络模型，由于猪只体态识别时所处理的待识别猪只体态特征向量由第一椭圆方向角、第二椭圆方向角、第二椭圆相对值、第三椭圆方向角、第三椭圆相对值、第四椭圆方向角、第四椭圆相对值共计7个特征参数组成，因此，该预先建立的BP神经网络模型的输入层节点数为7个；相应地，需要识别的猪只体态类别包括躺卧、平视、垂头、仰头4中，因此该预先建立的BP神经网络模型的输出层节点数为4个。
具体地，请参阅图6，图6为图2中步骤S100的子步骤的一种示意性流程图，在本发明实施例中，步骤S100包括以下子步骤：
子步骤S110，归一化处理用户输入的多个训练猪只体态特征向量。
在预先建立BP神经网络模型之前，对于用户输入的多个训练猪只体态特征向量，首先将所有训练猪只体态特征向量中的各特征参数各自进行(0，1)归一化处理，以将多个归一化处理后的训练猪只体态特征向量作为输入值来进行BP神经网络模型的训练。
子步骤S120，以多个归一化处理后的训练猪只体态特征向量作为初始BP神经网络模型的输入，训练初始BP神经网络模型，生成预先建立的BP神经网络模型。
在根据子步骤S110归一化处理用户输入的多个训练猪只体态特征向量后，即以多个归一化处理后的训练猪只体态特征向量作为初始BP神经网络模型的输入，训练该初始BP神经网络模型，以生成预先建立的BP神经网络模型。
值得说明的是，该初始BP神经网络模型的输入层节点数为7个，且该初始BP神经网络模型的输出层节点数为4个。
作为一种实施方式，请继续参阅图6，步骤S100还包括以下子步骤：
子步骤S130，采用tansig函数和logsig函数分别作为隐含层和输出层的传递函数，且以traingdx函数训练预先建立的BP神经网络模型，以使预先建立的BP神经网络模型收敛。
对于通过子步骤S120训练生成的预先建立的BP神经网络模型，往往还需要进行分类器训练。此时对于该预先建立的BP神经网络模型，可以采用附加动量项与自适应学习率相结合的方法，采用用tansig函数和logsig函数分别作为隐含层和输出层的传递函数，且以traingdx函数训练预先建立的BP神经网络模型，以使预先建立的BP神经网络模型收敛，从而提升该预先建立的BP神经网络模型的预测精度。
值得说明的是，隐含层节点数的选择对该预先建立的BP神经网络模型的预测精度也存在较大的影响，作为一种实施方式，该预先建立的BP神经网络模型的隐含层节点数w表示为：
其中，m为输入层节点数，n为输出层节点数，a为1～10之间的整数。
也就是说，对于该预先建立的BP神经网络模型，当其输入层节点数为7、输出层节点数为4时，w的范围为4～13。更加具体地，当需要确定出具体的w的值时，可以采用试错法，就所有w可以取的值作为隐含层节点数，从而确定出该预先建立的BP神经网络模型预测精度最高时的w值。
基于上述设计，本发明实施例所提供的一种猪只体态识别方法，通过在预先建立BP神经网络模型，以用于处理待识别猪只体态特征向量，能够提升猪只体态识别时的准确性。
请参阅图7，图7示出了本发明实施例所提供的一种猪只体态识别装置20的一种示意性结构图，该猪只体态识别装置20用于识别猪只的体态类别，在本发明实施例中，该猪只体态识别装置20包括待识别猪只接收模块300和猪只体态识别模块400。其中，
待识别猪只接收模块300用于接收用户输入的待识别猪只体态特征向量，其中，所述待识别猪只体态特征向量由第一椭圆方向角、第二椭圆方向角、第二椭圆相对值、第三椭圆方向角、第三椭圆相对值、第四椭圆方向角、第四椭圆相对值组成。
猪只体态识别模块400用于以预先建立的BP神经网络模型处理所述待识别猪只体态特征向量，获得猪只体态类别，其中，所述猪只体态类别包括躺卧、平视、垂头、仰头。
作为一种实施方式，请继续参阅图7，该猪只体态识别装置20还包括神经网络模型创建模块200。
所述神经网络模型创建模块200用于依据用户输入的多个训练猪只体态特征向量作为训练样本，预先建立BP神经网络模型，其中，所述预先建立的BP神经网络模型的输入层节点数为7个，所述预先建立的BP神经网络模型的输出层节点数为4个。
作为一种实施方式，请参阅图8，图8示出了本发明实施例所提供的一种猪只体态识别装置20的神经网络模型创建模块200的一种示意性结构图，在本发明实施例中，该所述神经网络模型创建模块200包括归一化处理单元210和神经网络模型训练单元220。其中，
归一化处理单元210用于归一化处理用户输入的多个训练猪只体态特征向量。
神经网络模型训练单元220用于以所述多个归一化处理后的训练猪只体态特征向量作为初始BP神经网络模型的输入，训练所述初始BP神经网络模型，生成预先建立的BP神经网络模型。
作为一种实施方式，请继续参阅图8，在本发明实施例中，所述神经网络模型创建模块200还包括神经网络模型优化单元230。
所述神经网络模型优化单元230用于采用tansig函数和logsig函数分别作为隐含层和输出层的传递函数，且以traingdx函数训练所述预先建立的BP神经网络模型，以使所述预先建立的BP神经网络模型收敛。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
综上所述，本发明实施例所提供的一种猪只体态识别方法、装置及电子设备，通过采用预先建立的BP神经网络模型，对待识别猪只体态特征向量进行处理，以获得猪只体态类别，相较于现有技术，能够提升获得猪只体态类别的速度，保证猪只体态识别的实时性；还通过在预先建立BP神经网络模型，以用于处理待识别猪只体态特征向量，能够提升猪只体态识别时的准确性。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其它的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

Claims (10)

1.一种猪只体态识别方法，用于识别猪只的体态类别，其特征在于，所述方法包括：
接收用户输入的待识别猪只体态特征向量，其中，所述待识别猪只体态特征向量由第一椭圆方向角、第二椭圆方向角、第二椭圆相对值、第三椭圆方向角、第三椭圆相对值、第四椭圆方向角、第四椭圆相对值组成；
以预先建立的BP神经网络模型处理所述待识别猪只体态特征向量，获得猪只体态类别，其中，所述猪只体态类别包括躺卧、平视、垂头、仰头。
2.如权利要求1所述的方法，其特征在于，在所述接收用户输入的待识别猪只体态特征向量的步骤之前，所述方法还包括：
依据用户输入的多个训练猪只体态特征向量作为训练样本，预先建立BP神经网络模型，其中，所述预先建立的BP神经网络模型的输入层节点数为7个，所述预先建立的BP神经网络模型的输出层节点数为4个。
3.如权利要求2所述的方法，其特征在于，所述依据用户输入的多个训练猪只体态特征向量作为训练样本，预先建立BP神经网络模型的步骤，包括：
归一化处理用户输入的多个训练猪只体态特征向量；
以所述多个归一化处理后的训练猪只体态特征向量作为初始BP神经网络模型的输入，训练所述初始BP神经网络模型，生成预先建立的BP神经网络模型。
4.如权利要求3所述的方法，其特征在于，所述依据用户输入的多个训练猪只体态特征向量作为训练样本，预先建立BP神经网络模型的步骤，还包括：
采用tansig函数和logsig函数分别作为隐含层和输出层的传递函数，且以traingdx函数训练所述预先建立的BP神经网络模型，以使所述预先建立的BP神经网络模型收敛。
5.如权利要求2-4中任一项所述的方法，其特征在于，所述预先建立的BP神经网络模型的隐含层节点数w表示为：
其中，m为输入层节点数，n为输出层节点数，a为1～10之间的整数。
6.一种猪只体态识别装置，用于识别猪只的体态类别，其特征在于，所述装置包括：
待识别猪只接收模块，用于接收用户输入的待识别猪只体态特征向量，其中，所述待识别猪只体态特征向量由第一椭圆方向角、第二椭圆方向角、第二椭圆相对值、第三椭圆方向角、第三椭圆相对值、第四椭圆方向角、第四椭圆相对值组成；
猪只体态识别模块，用于以预先建立的BP神经网络模型处理所述待识别猪只体态特征向量，获得猪只体态类别，其中，所述猪只体态类别包括躺卧、平视、垂头、仰头。
7.如权利要求6所述的装置，其特征在于，所述装置还包括：
神经网络模型创建模块，用于依据用户输入的多个训练猪只体态特征向量作为训练样本，预先建立BP神经网络模型，其中，所述预先建立的BP神经网络模型的输入层节点数为7个，所述预先建立的BP神经网络模型的输出层节点数为4个。
8.如权利要求7所述的装置，其特征在于，所述神经网络模型创建模块包括：
归一化处理单元，用于归一化处理用户输入的多个训练猪只体态特征向量；
神经网络模型训练单元，用于以所述多个归一化处理后的训练猪只体态特征向量作为初始BP神经网络模型的输入，训练所述初始BP神经网络模型，生成预先建立的BP神经网络模型。
9.如权利要求8所述的装置，其特征在于，所述神经网络模型创建模块还包括：
神经网络模型优化单元，用于采用tansig函数和logsig函数分别作为隐含层和输出层的传递函数，且以traingdx函数训练所述预先建立的BP神经网络模型，以使所述预先建立的BP神经网络模型收敛。
10.一种电子设备，其特征在于，包括：
存储器，用于存储一个或多个程序；
处理器；
当所述一个或多个程序被所述处理器执行时，实现如权利要求1-5中任一项所述的方法。
CN201810527300.3A 2018-05-23 2018-05-23 猪只体态识别方法、装置及电子设备 Pending CN108846326A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810527300.3A CN108846326A (zh) 2018-05-23 2018-05-23 猪只体态识别方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810527300.3A CN108846326A (zh) 2018-05-23 2018-05-23 猪只体态识别方法、装置及电子设备

Publications (1)

Publication Number Publication Date
CN108846326A true CN108846326A (zh) 2018-11-20

Family

ID=64207878

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810527300.3A Pending CN108846326A (zh) 2018-05-23 2018-05-23 猪只体态识别方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN108846326A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109766856A (zh) * 2019-01-16 2019-05-17 华南农业大学 一种双流RGB-D Faster R-CNN识别哺乳母猪姿态的方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090285452A1 (en) * 2000-11-24 2009-11-19 Clever Sys, Inc. Unified system and method for animal behavior characterization in home cages using video analysis
CN102521563A (zh) * 2011-11-19 2012-06-27 江苏大学 基于椭圆拟合的猪行走姿态识别方法
CN103824056A (zh) * 2014-02-18 2014-05-28 江苏大学 一种基于Zernike矩及支持向量机的猪的姿态识别方法
CN104216397A (zh) * 2014-08-20 2014-12-17 济宁中科先进技术研究院有限公司 智能驱动桥系统故障识别与检测的方法
CN105654141A (zh) * 2016-01-06 2016-06-08 江苏大学 基于Isomap和SVM算法的俯视群养猪个体识别方法
CN106326919A (zh) * 2016-08-16 2017-01-11 西北农林科技大学 一种基于bp神经网络的生猪行为分类方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090285452A1 (en) * 2000-11-24 2009-11-19 Clever Sys, Inc. Unified system and method for animal behavior characterization in home cages using video analysis
CN102521563A (zh) * 2011-11-19 2012-06-27 江苏大学 基于椭圆拟合的猪行走姿态识别方法
CN103824056A (zh) * 2014-02-18 2014-05-28 江苏大学 一种基于Zernike矩及支持向量机的猪的姿态识别方法
CN104216397A (zh) * 2014-08-20 2014-12-17 济宁中科先进技术研究院有限公司 智能驱动桥系统故障识别与检测的方法
CN105654141A (zh) * 2016-01-06 2016-06-08 江苏大学 基于Isomap和SVM算法的俯视群养猪个体识别方法
CN106326919A (zh) * 2016-08-16 2017-01-11 西北农林科技大学 一种基于bp神经网络的生猪行为分类方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109766856A (zh) * 2019-01-16 2019-05-17 华南农业大学 一种双流RGB-D Faster R-CNN识别哺乳母猪姿态的方法
CN109766856B (zh) * 2019-01-16 2022-11-15 华南农业大学 一种双流RGB-D Faster R-CNN识别哺乳母猪姿态的方法

Similar Documents

Publication Publication Date Title
CN107633207B (zh) Au特征识别方法、装置及存储介质
CN112052789B (zh) 人脸识别方法、装置、电子设备及存储介质
CN104572804B (zh) 一种视频物体检索的方法及其系统
CN111931592B (zh) 对象识别方法、装置及存储介质
CN104680119B (zh) 图像身份识别方法和相关装置及身份识别系统
CN106295694B (zh) 一种迭代重约束组稀疏表示分类的人脸识别方法
CN107633204A (zh) 人脸遮挡检测方法、装置及存储介质
CN108229509A (zh) 用于识别物体类别的方法及装置、电子设备
CN111027378A (zh) 行人重识别的方法、装置、终端及存储介质
CN113515988B (zh) 掌纹识别方法、特征提取模型训练方法、设备及介质
CN105528584B (zh) 一种正脸图像的检测方法和装置
CN107871107A (zh) 人脸认证方法和装置
CN113449704B (zh) 人脸识别模型训练方法、装置、电子设备及存储介质
CN112668482B (zh) 人脸识别训练方法、装置、计算机设备及存储介质
CN109389002A (zh) 活体检测方法及装置
CN109993021A (zh) 人脸正脸检测方法、装置及电子设备
CN108182457A (zh) 用于生成信息的方法和装置
CN108509994A (zh) 人物图像聚类方法和装置
CN113269010B (zh) 一种人脸活体检测模型的训练方法和相关装置
CN108846326A (zh) 猪只体态识别方法、装置及电子设备
CN109583492A (zh) 一种识别对抗性图像的方法及终端
CN115082963A (zh) 人体属性识别模型训练及人体属性识别方法、相关装置
Kang et al. Ontology-based inference system for adaptive object recognition
RU2708504C1 (ru) Способ обучения системы распознавания товаров на изображениях
CN112883875A (zh) 图像聚类方法、装置、服务器及存储介质

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20181120