CN109241941A - 一种基于深度学习分析的养殖场监控家禽数量的方法 - Google Patents

一种基于深度学习分析的养殖场监控家禽数量的方法 Download PDF

Info

Publication number
CN109241941A
CN109241941A CN201811138798.0A CN201811138798A CN109241941A CN 109241941 A CN109241941 A CN 109241941A CN 201811138798 A CN201811138798 A CN 201811138798A CN 109241941 A CN109241941 A CN 109241941A
Authority
CN
China
Prior art keywords
poultry
model
picture
monitoring
deep learning
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
CN201811138798.0A
Other languages
English (en)
Inventor
刘昱
马翔宇
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.)
Tianjin University
Original Assignee
Tianjin University
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 Tianjin University filed Critical Tianjin University
Priority to CN201811138798.0A priority Critical patent/CN109241941A/zh
Publication of CN109241941A publication Critical patent/CN109241941A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01K—ANIMAL HUSBANDRY; CARE OF BIRDS, FISHES, INSECTS; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
    • A01K45/00—Other aviculture appliances, e.g. devices for determining whether a bird is about to lay
    • 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

Abstract

本发明公开了一种基于深度学习分析的养殖场监控家禽数量的方法，步骤(1)、按照固定的采样频率将监控视频转换为静态图，获取训练图片数据集；步骤(2)、将图片数据集进行标注；步骤(3)、将标注好的每一张图片进行高斯卷积，转化为密度图，并统计出每一张图片中家禽的实际数量；步骤(4)、将图片数据集按照8:2的比例随机划分为训练集和测试集分别作为训练模型和测试模型的输入，离线训练深度学习模型(如图3所示家禽养殖场数量监控深度学习模型)，比较不同参数的模型在测试集上的MAE挑选出效果最优的模型来进行家禽数量监控；步骤(5)、对步骤(4)得到的家禽数量监控视频进行实时解码，输入训练好的模型，对经模型输出的密度图进行积分，获得监控范围内的家禽数量。本发明更准确地实现了对家禽数量的实时监控。

Description

一种基于深度学习分析的养殖场监控家禽数量的方法
技术领域
本发明涉及监控技术、视频编码、深度学习等多种领域，特别是一种基于深度学习分析养殖场监控视频并监控家禽数量的模型方案。
背景技术
近年来，在全国范围内，新建了一批家禽养殖场，在养殖户的妥善管理下，收到了可观的经济效益和社会效益，受到了专家们的高度赞扬和社会各界的认可，为社会提供了大量的放心肉。随着家禽养殖场的规模扩大，家禽的养殖数量增加，家禽的管理任务变得更加困难。不少养殖场为了加强管理，减轻工作人员的负担，相继安装了网络监控摄像头，希望用科技帮助管理。但是，由于家禽的数量多，摄像头的安装角度不同，家禽过于密集出现遮挡等问题，使得网络监控手段效果不佳，发挥的作用甚小。
卷积神经网络是深度学习(Deeping Learning，DL)的一种方法，是一种多层神经网络，擅长处理图像特别是大图像等相关机器学习问题。卷积神经网络具有特征提取性好、自学习能力强、对复杂背景的过滤性好以及权值共享适应性强等特点。因此，卷积神经网络可以更好的解决不同场景下、不同拍摄角度下家禽数量的监控问题。
发明内容
基于以上的现有技术，本发明提出了一种基于深度学习分析的养殖场监控家禽数量的方法，采用固定的采样频率将监控视频流转换为静态图片，实现了养殖场中家禽分布状态的分析。
本发明的一种基于深度学习分析的养殖场监控家禽数量的方法，该方法包括以下步骤：
步骤1、通过网络监控摄像头获取家禽养殖场的监控视频，按照固定的采样频率将视频转换为静态图，获取用于训练的图片数据集；
步骤2、以家禽的头部为标注点，按照一个标注点代表一只家禽的原则，将图片数据集进行标注；
步骤3、将标注好的每一张图片进行高斯卷积，转化为密度图，并统计出每一张图片中家禽的实际数量；
步骤4、将步骤1中获得的图片数据集按照8:2的比例随机划分为训练集和测试集分别作为训练模型和测试模型的输入，对应的密度图和家禽数量作为标签和度量标准，离线训练深度学习模型，得到家禽养殖场数量监控深度学习模型：该模型利用卷积神经网络和一个Inception组件提取图片特征，并利用线性整流函数ReLu作为激活函数为模型添加非线性因素，最终获得家禽密度数量；其中Inception组件包含四个通道，第一个通道是前一级特征图经过一个卷积核大小为1x1的卷积层进行卷积操作，并利用ReLu函数进行激活，第二个通道是前一级特征图经过一个卷积核大小为1x1的卷积层，利用ReLu进行激活后再经过一个卷积核大小为3x3的卷积层并通过ReLu进行激活，第三个通道与第二个通道类似，第四个通道是把前一级特征图进行最大池化层，再依次经过卷积核大小为1x1的卷积层和激活函数，最后，将四个通道获得的特征图进行堆叠，作为下一层的输入；
利用家禽养殖场数量监控深度学习模型进行监控预测：先将图片通过一个卷积核大小为3x3的卷积层进行卷积操作并进行激活，然后通过最大池化层进行下采样，将获得的特征图输入Inception组件进一步提取更高一级别的特征，再一次经过最大池化层和Inception组件后，通过一个卷积核大小为1x1的卷积层把高维度的特征图映射为预测的密度图作为模型输出并将密度图的像素值进行求和即可得到每张图片中家禽数量的预测值。最后在测试集上通过比较不同参数模型之间的平均绝对误差MAE分析模型，把MAE最小的模型作为最优模型来进行家禽数量监控；其中，平均绝对误差的计算公式为：
其中，为模型预测的第k张图片中家禽数量，yk为第k张图片对应的实际家禽数量，N为样本数量即用于测试的图片数量；
步骤5、对步骤4得到的家禽数量监控视频进行实时解码，解码后获得的静态图片输入到训练好的模型中，对经模型输出的密度图进行积分，即可获得监控范围内的家禽数量，实现对家禽数量的实时监控。
与现有技术相比，本次发明具有以下积极效果：
(1)通过将标注好的图片数据集转换为对应的密度图，极大地减少了由于家禽之间的遮挡和摄像头拍摄角度对家禽数量监控的影响，提高了监控方法的可靠性；
(2)使用卷积神经网络对图片进行处理，可以自动提取出最有效的特征，增加了模型的适应性和准确性。
附图说明
图1为本发明的一种基于深度学习分析的养殖场监控家禽数量的方法整体流程图；
图2为Inception组件结构图；
图3为家禽养殖场数量监控深度学习模型的机构示意图。
具体实施方式
下面将结合附图对本发明的实施方式作进一步的详细描述。
本发明的基于深度学习分析养殖场监控视频并监控家禽数量的方法，该方法具体包括以下步骤：
步骤1、通过网络监控摄像头获取家禽养殖场的监控视频，按照固定的采样频率将视频转换为静态图，获取用于训练的图片数据集；
步骤2、以家禽的头部为标注点，按照一个标注点代表一只家禽的原则，将图片数据集进行标注；
步骤3、将标注好的每一张图片进行高斯卷积，转化为密度图，并统计出每一张图片中家禽的实际数量；
步骤(4)、将步骤(1)中获得的图片数据集按照8:2的比例随机划分为训练集和测试集分别作为训练模型和测试模型的输入，对应的密度图和家禽数量作为标签和度量标准，离线训练深度学习模型，得到家禽养殖场数量监控深度学习模型：该模型利用卷积神经网络和一个Inception组件提取图片特征，并利用线性整流函数ReLu作为激活函数为模型添加非线性因素，最终获得家禽密度数量；其中Inception组件包含四个通道，第一个通道是前一级特征图经过一个卷积核大小为1x1的卷积层进行卷积操作，并利用ReLu函数进行激活，第二个通道是前一级特征图经过一个卷积核大小为1x1的卷积层，利用ReLu进行激活后再经过一个卷积核大小为3x3的卷积层并通过ReLu进行激活，第三个通道与第二个通道类似，第四个通道是把前一级特征图进行最大池化层，再依次经过卷积核大小为1x1的卷积层和激活函数，最后，将四个通道获得的特征图进行堆叠，作为下一层的输入；
利用家禽养殖场数量监控深度学习模型进行监控预测：先将图片通过一个卷积核大小为3x3的卷积层进行卷积操作并进行激活，然后通过最大池化层进行下采样，将获得的特征图输入Inception组件进一步提取更高一级别的特征，再一次经过最大池化层和Inception组件后，通过一个卷积核大小为1x1的卷积层把高维度的特征图映射为预测的密度图作为模型输出并将密度图的像素值进行求和即可得到每张图片中家禽数量的预测值。最后在测试集上通过比较不同参数模型之间的平均绝对误差MAE分析模型，把MAE最小的模型作为最优模型来进行家禽数量监控；其中，平均绝对误差的计算公式为：
其中，为模型预测的第k张图片中家禽数量，yk为第k张图片对应的实际家禽数量，N为样本数量即用于测试的图片数量；
对于卷积层，可以使用下列公式进行卷积计算(以卷积核大小为5x5的卷积操作为例，其他的卷积操作类似)：
式中，m和n分别对应卷积核5x5的大小；wm，n表示第m行n列的权重；xi，j表示图像中第i行第j列的像素值；b表示偏置项；f表示激活函数，这里选取线性整流函数ReLU(Rectified LinearUnit)作为激活函数，公式如下：
f(x)＝max(0，x)
步骤5、对步骤4得到的家禽数量监控视频进行实时解码，解码后获得的静态图片输入到训练好的模型中，对经模型输出的密度图进行积分，即可获得监控范围内的家禽数量，实现对家禽数量的实时监控。
本发明并不局限于前述的流程，任何将本发明所披露的特征或新的步骤的组合进行扩展的，皆落入本发明的保护范围。

Claims (1)

1.一种基于深度学习分析的养殖场监控家禽数量的方法，其特征在于，该方法包括以下步骤：
步骤(1)、通过网络监控摄像头获取家禽养殖场的监控视频，按照固定的采样频率将视频转换为静态图，获取用于训练的图片数据集；
步骤(2)、以家禽的头部为标注点，按照一个标注点代表一只家禽的原则，将图片数据集进行标注；
步骤(3)、将标注好的每一张图片进行高斯卷积，转化为密度图，并统计出每一张图片中家禽的实际数量；
步骤(4)、将步骤(1)中获得的图片数据集按照8:2的比例随机划分为训练集和测试集分别作为训练模型和测试模型的输入，对应的密度图和家禽数量作为标签和度量标准，离线训练深度学习模型，如图3所示的家禽养殖场数量监控深度学习模型。该模型利用卷积神经网络和一个Inception组件(如图2所示)提取图片特征，并利用线性整流函数ReLu(Rectified Linear Unit)作为激活函数为模型添加非线性因素，最终获得家禽密度数量。其中Inception组件包含四个通道，第一个通道是前一级特征图经过一个卷积核大小为1x1的卷积层进行卷积操作，并利用ReLu函数进行激活，第二个通道是前一级特征图经过一个卷积核大小为1x1的卷积层，利用ReLu进行激活后再经过一个卷积核大小为3x3的卷积层并通过ReLu进行激活，第三个通道与第二个通道类似，第四个通道是把前一级特征图进行最大池化层，再依次经过卷积核大小为1x1的卷积层和激活函数，最后，将四个通道获得的特征图进行堆叠，作为下一层的输入。如图3所示的家禽养殖场数量监控深度学习模型的整体流程为：先将图片通过一个卷积核大小为3x3的卷积层进行卷积操作并进行激活，然后通过最大池化层进行下采样，将获得的特征图输入Inception组件进一步提取更高一级别的特征，再一次经过最大池化层和Inception组件后，通过一个卷积核大小为1x1的卷积层把高维度的特征图映射为预测的密度图作为模型输出并将密度图的像素值进行求和即可得到每张图片中家禽数量的预测值。最后在测试集上通过比较不同参数模型之间的平均绝对误差MAE(Mean Absolute Error)分析模型，把MAE最小的模型作为最优模型来进行家禽数量监控。其中，平均绝对误差的计算公式为：
其中，为模型预测的第k张图片中家禽数量，yk为第k张图片对应的实际家禽数量，N为样本数量即用于测试的图片数量。
步骤(5)、对步骤(4)得到的家禽数量监控视频进行实时解码，解码后获得的静态图片输入到训练好的模型中，对经模型输出的密度图进行积分，即可获得监控范围内的家禽数量，实现对家禽数量的实时监控。
CN201811138798.0A 2018-09-28 2018-09-28 一种基于深度学习分析的养殖场监控家禽数量的方法 Pending CN109241941A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811138798.0A CN109241941A (zh) 2018-09-28 2018-09-28 一种基于深度学习分析的养殖场监控家禽数量的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811138798.0A CN109241941A (zh) 2018-09-28 2018-09-28 一种基于深度学习分析的养殖场监控家禽数量的方法

Publications (1)

Publication Number Publication Date
CN109241941A true CN109241941A (zh) 2019-01-18

Family

ID=65057819

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811138798.0A Pending CN109241941A (zh) 2018-09-28 2018-09-28 一种基于深度学习分析的养殖场监控家禽数量的方法

Country Status (1)

Country Link
CN (1) CN109241941A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110766654A (zh) * 2019-09-09 2020-02-07 深圳市德孚力奥科技有限公司 基于机器学习的活禽检测方法、装置、设备及可读介质
CN110852189A (zh) * 2019-10-22 2020-02-28 天津大学 一种基于深度学习的低复杂度的密集人群分析方法
CN111340801A (zh) * 2020-03-24 2020-06-26 新希望六和股份有限公司 一种牲畜盘点方法、装置、设备及存储介质
CN111950458A (zh) * 2020-08-12 2020-11-17 每步科技(上海)有限公司 一种游泳馆监控系统、方法及智能机器人
CN112070791A (zh) * 2020-09-21 2020-12-11 深圳喜为智慧科技有限公司 一种提升畜牧个体点数精度和效率的方法和系统
CN112861666A (zh) * 2021-01-26 2021-05-28 华南农业大学 一种基于深度学习的鸡群计数方法及应用
WO2022070128A1 (en) 2020-09-30 2022-04-07 Pal Singh Mahender System and method for automatic mortality detection and management
CN115937791A (zh) * 2023-01-10 2023-04-07 华南农业大学 一种适用于多种养殖模式的家禽计数方法及其计数装置
CN115968813A (zh) * 2021-10-15 2023-04-18 智逐科技股份有限公司 家禽健康监测系统及其方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106778902A (zh) * 2017-01-03 2017-05-31 河北工业大学 基于深度卷积神经网络的奶牛个体识别方法
CN107301387A (zh) * 2017-06-16 2017-10-27 华南理工大学 一种基于深度学习的图像高密度人群计数方法
CN107967695A (zh) * 2017-12-25 2018-04-27 北京航空航天大学 一种基于深度光流和形态学方法的运动目标检测方法
CN108154110A (zh) * 2017-12-22 2018-06-12 任俊芬 一种基于深度学习人头检测的密集人流量统计方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106778902A (zh) * 2017-01-03 2017-05-31 河北工业大学 基于深度卷积神经网络的奶牛个体识别方法
CN107301387A (zh) * 2017-06-16 2017-10-27 华南理工大学 一种基于深度学习的图像高密度人群计数方法
CN108154110A (zh) * 2017-12-22 2018-06-12 任俊芬 一种基于深度学习人头检测的密集人流量统计方法
CN107967695A (zh) * 2017-12-25 2018-04-27 北京航空航天大学 一种基于深度光流和形态学方法的运动目标检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
CHRISTIAN SZEGEDY ETC.: ""Going deeper with convolutions"", 《ARXIV:1409.4842V1[CS.CV]》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110766654A (zh) * 2019-09-09 2020-02-07 深圳市德孚力奥科技有限公司 基于机器学习的活禽检测方法、装置、设备及可读介质
CN110852189A (zh) * 2019-10-22 2020-02-28 天津大学 一种基于深度学习的低复杂度的密集人群分析方法
CN111340801A (zh) * 2020-03-24 2020-06-26 新希望六和股份有限公司 一种牲畜盘点方法、装置、设备及存储介质
CN111950458A (zh) * 2020-08-12 2020-11-17 每步科技(上海)有限公司 一种游泳馆监控系统、方法及智能机器人
CN112070791A (zh) * 2020-09-21 2020-12-11 深圳喜为智慧科技有限公司 一种提升畜牧个体点数精度和效率的方法和系统
WO2022070128A1 (en) 2020-09-30 2022-04-07 Pal Singh Mahender System and method for automatic mortality detection and management
CN112861666A (zh) * 2021-01-26 2021-05-28 华南农业大学 一种基于深度学习的鸡群计数方法及应用
CN115968813A (zh) * 2021-10-15 2023-04-18 智逐科技股份有限公司 家禽健康监测系统及其方法
CN115937791A (zh) * 2023-01-10 2023-04-07 华南农业大学 一种适用于多种养殖模式的家禽计数方法及其计数装置

Similar Documents

Publication Publication Date Title
CN109241941A (zh) 一种基于深度学习分析的养殖场监控家禽数量的方法
CN106875373B (zh) 基于卷积神经网络剪枝算法的手机屏幕mura缺陷检测方法
CN108875821A (zh) 分类模型的训练方法和装置、移动终端、可读存储介质
CN104992223A (zh) 基于深度学习的密集人数估计方法
CN105760835A (zh) 一种基于深度学习的步态分割与步态识别一体化方法
CN106997475B (zh) 一种基于并行卷积神经网络的害虫图像识别方法
CN104268538A (zh) 一种易拉罐点阵喷码字符在线视觉检测方法
CN108686978A (zh) 基于arm的水果类别和色泽的分拣方法及系统
CN103090946B (zh) 果树单树产量测量的方法和系统
CN107092883A (zh) 物体识别追踪方法
CN106097320B (zh) 水下海参图像自动分割方法及装置
CN112396635B (zh) 一种基于多设备的复杂环境下多目标检测方法
CN106991428A (zh) 基于自适应池化模型的害虫图像识别方法
CN113139489A (zh) 基于背景提取和多尺度融合网络的人群计数方法及系统
CN114972208A (zh) 一种基于YOLOv4的轻量化小麦赤霉病检测方法
Modasshir et al. Mdnet: Multi-patch dense network for coral classification
CN115526852A (zh) 基于目标检测的选区激光熔融过程中熔池与飞溅监测方法及应用
Sehree et al. Olive trees cases classification based on deep convolutional neural network from unmanned aerial vehicle imagery
Pramudhita et al. Strawberry Plant Diseases Classification Using CNN Based on MobileNetV3-Large and EfficientNet-B0 Architecture
Shi et al. Vision-based apple quality grading with multi-view spatial network
Zheng et al. YOLOX-Dense-CT: a detection algorithm for cherry tomatoes based on YOLOX and DenseNet
CN114022878A (zh) 一种基于改进YOLOv5的串型番茄实时检测方法
McLeay et al. Deep convolutional neural networks with transfer learning for waterline detection in mussel farms
CN107133634B (zh) 一种植株水分亏缺程度获取方法及装置
Zambare et al. Deep Learning Model for Disease Identification of Cotton Plants

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190118