CN110288573A - 一种哺乳类家畜患病自动检测方法 - Google Patents
一种哺乳类家畜患病自动检测方法 Download PDFInfo
- Publication number
- CN110288573A CN110288573A CN201910512464.3A CN201910512464A CN110288573A CN 110288573 A CN110288573 A CN 110288573A CN 201910512464 A CN201910512464 A CN 201910512464A CN 110288573 A CN110288573 A CN 110288573A
- Authority
- CN
- China
- Prior art keywords
- mammalian livestock
- illness
- neural networks
- convolutional neural
- mammalian
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/70—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in livestock or poultry
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种哺乳类家畜患病自动检测方法,包括:采集患病哺乳类家畜和健康哺乳类家畜视频图像;对图像数据进行数据处理,生成训练集和测试集;建立卷积神经网络模型,在预定数据集上预训练并获得初始化参数;为卷积神经网络模型输入训练集,自动进行参数的迭代训练;用测试集测试,生成卷积神经网络检测器;选取待检测的哺乳类家畜图片,按预定方法扫描,形成待检测样本;将所有待检测样本输入训练完毕的卷积神经网络检测器中;卷积神经网络检测器工作,得出检测结果。本发明检测哺乳类家畜患病可以实现哺乳类家畜患病检测的自动化。
Description
技术领域
本发明涉及家畜患病检测技术领域,特别是涉及一种哺乳类家畜患病自动检测方法。
背景技术
如今,哺乳类家畜规模化养殖已成为大农场牧场的趋势。在科技发展日新月异的今天,如何将高科技视频图像识别应用在各个领域已成为当今社会的研究热点。现主流的哺乳类家畜患病鉴别方法离不开人为筛选与检测。但对人为因素的依赖必然会造成检测的不完全、不彻底,近年频发的哺乳类家畜大规模患病现象已经暴露出现有方法的不足。因此,如何大规模自动判定哺乳类家畜的具体情况成为减少大规模疫情产生的解决方法之一。
发明内容
本发明的目的是针对现有技术中存在的技术缺陷,而提供一种哺乳类家畜患病自动检测方法。
为实现本发明的目的所采用的技术方案是:
一种哺乳类家畜患病自动检测方法,包括步骤:
S1:采集患病哺乳类家畜和健康哺乳类家畜视频图像,获得图像数据;
S2:对获得的图像数据进行数据处理形成预定大小,生成训练集和测试集;
S3:将患病哺乳类家畜标记为正样本,将健康哺乳类家畜标记为负样本,并使用预定方法扩充训练集;
S4:建立卷积神经网络模型,在预定数据集上进行预训练并获得初始化参数;
S5:为卷积神经网络模型输入所得训练集,并自动进行参数的迭代训练;使用测试集进行测试,直到正确率达到理想值,生成卷积神经网络检测器;
S6:选取待检测的哺乳类家畜图片,按预定方法扫描,形成待检测样本;
S7:对哺乳类家畜标号以便区分患病个体,将所有待检测样本输入训练完毕的卷积神经网络检测器中;
S8:卷积神经网络检测器工作,得出检测结果并反馈。
与现有技术相比,本发明的有益效果是:
本发明检测哺乳类家畜患病可以实现哺乳类家畜患病检测的自动化,不再每次需要动用大量人力物力对哺乳类家畜进行常规体检。覆盖面积极广,可极大提升检测效率。
附图说明
图1所示为本发明哺乳类家畜患病自动检测方法的检测原理示意图;
图2所示为本发明的人工神经网络的示意图;
图中:
1为已知患病与否的哺乳类家畜;
2为图像传感器;
3为采集视频数据流;
4为计算机;
5为处理后的训练集和测试集数据流;
6为卷积神经网络;
7为经过卷积神经网络收敛计算出的结果;
8为未知患病哺乳类家畜,即待检测对象;
9为图像传感器;
10为采集到的待检测对象视频数据;
11为检测结果反馈接收计算机;
12为卷积层;
13为卷积层;
14为池化层;
15为卷积层;
16为池化层;
17为全连接层。
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。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,本发明家畜患病自动检测方法,包括以下步骤:
S1:采集训练集样本与预处理:
S11:对已知患病哺乳类家畜和健康哺乳类家畜进行视频采集。使用摄像头采集哺乳类家畜图像,以此作为判断依据。所采集图像应当具有较高的分辨率和固定的格式。以便在接下来的数据处理运算中保持图像的鲁棒性;
S12:进行数据处理以生成训练集和测试集。手动截取将所输入图像尺寸调节为227*227大小,以便网络处理;
S13:将患病哺乳类家畜标记为正样本,将健康哺乳类家畜标记为负样本。并使用平移变换,水平翻转,缩放变换,调整亮度等方法扩充训练集;
S2:建立卷积神经网络训练模型,以生成卷积神经网络检测器:
S21:建立卷积神经网络模型,在ImageSets数据集上进行预训练并获得初始化参数;
S22为神经网络输入上述S12、S13所得训练集,并自动进行参数的迭代训练。并使用测试集进行测试,直到正确率达到理想值(本发明中理想值设为99%);
S3:检测样本的预处理:
S31:选取待检测的哺乳类家畜图片,通过227*227窗口大小从左上角开始扫描。扫描步长为(227-1)/2,完成后按照纵向扫描步长(227-1)/2向下移动。直到对整个图像扫描完毕。记录每次扫描左上角的坐标作为检测窗口的位置信息;
S4:检测样本输入检测器,回归得出结果:
S41:首先由人工对哺乳类家畜进行标号以便区分患病个体,并将S3产生的所有待检测样本输入训练完毕的卷积神经网络检测器S2中;
S42:卷积神经网络检测器工作,并得出收敛结果以分析其患病与否,将结果反馈给管理人员,由人工对患病个体进行进一步确诊。
其中,步骤S21建立的卷积神经网络中的权值更新,使用BP反向传播算法进行,在每层更新权值的方法使用随机梯度下降法。所述随机梯度下降法的学习率设置在0.002-0.003之间。
其中,步骤S21建立的卷积神经网络中的最后输出使用Logistic作为二分类器。
其中,步骤S22建立的卷积神经网络中的迭代训练采取循环训练的策略,每次从训练集中随机选取一定数量的图片进行训练,batch—size大小为64。在不断的循环训练中更新神经网络模型中的权重。
下面结合图1-2对本发明进行详细说明如下:
首先,使用图像传感器2将采集的分辨率720*1080、HDMI格式的哺乳类家畜1(作为训练集的生成材料)的视频数据采入作为原始数据。图像传感器以及数据流控制板使用开发板,开发板使用Xilinx(赛灵思)公司的Spartent-6045,摄图像传感器采用美国OmniVision(豪威)CMOS芯片图像传感器OV5640,支持自动对焦的功能,OV5640芯片支持DVP和MIPI接口,OV5640摄像头模组通过DVP接口和FPGA连接实现图像的传输。然后将采集视频数据流3(具体格式为720*1080大小,HDMI格式)输入计算机4中使用图形处理软件对图形进行剪裁和压缩,并人工加注标签生成卷积神经网络的训练集,并将哺乳类家畜标号,具体为计算机4采用image tuner图形处理软件对采集图像压缩和剪裁,将所得图像统一归一化为227*227像素,并添加标注以生成训练集和测试集。
将处理后的训练集和数据集流5输入给如图2所示本发明的人工神经网络,用以训练和测试卷积神经网络,由三个卷积层,两个池化层和一个全连接层组成。在卷积层12(卷积核大小为5*5,输入3通道,输出32通道,移动步长为1)中进行卷积核大小为5*5的卷积计算以提取图像特征,并再通过卷积层13(卷积核大小为3*3,输入32通道,输出32通道,移动步长依然为1)进行卷积核大小为3*3的卷积计算以进一步将特征结构锐化。再通过ReLU激活函数转化为非线性激励输入池化层14(采用窗口为2*2的平均池化方法,然后将所得结果进行归一化)进行2*2的平均池化。所得结果再通过卷积层15(卷积核大小为3*3,输入32通道,输出32通道,移动步长依然为1),进行卷积核大小为3*3的卷积计算,然后再通过池化层16(采用窗口为2*2的最大值池化方式进行)进行2*2的平均池化。所得结果整理为一维特征向量与全连接层17的权重网络相连,最终输出哺乳类家畜患病与否的检测结果,并通过检测结果反馈给到检测结果反馈接收计算机11中,由兽医收集患病哺乳类家畜信息,以便做出诊断。
需要说明的是,本发明的所述人工神经网络能基于谷歌公司开发的tensorflow函数库使用python3.6编写,在anaconda平台下的spyder3工具中运行。可适当配以GPU加速以提升计算能力。由于神经网络结构相对简单,使用普通家用电脑完全可以满足计算能力的需求。
需要说明的是,本发明所述人工神经网络参数训练是基于训练集的有监督学习,是自动的程序过程,不需人为干预。只需要设定拟合率大小。一般来说,越低的拟合率训练时间越短。
以本文所述99%为例,使用英特尔i7-8750处理器,未使用GPU加速的情况下训练时间约为5小时左右。且网络训练完毕即可投入使用。关机等正常操作不会导致参数丢失,也即可以反复使用,并一般不需要重新训练。
与现有技术相比较,本发明具有以下的有益技术效果:
1.创新性:本发明首次提出利用人工神经网络的方法来检测哺乳类家畜患病。
2.成效性:用本发明检测哺乳类家畜患病可以实现哺乳类家畜患病检测的自动化,不再每次需要动用大量人力物力对哺乳类家畜进行常规体检。覆盖面积极广,可极大提升检测效率。
3.便捷性:网络结构简单,能耗低,硬件安装简单而且成本低廉。
以上所述仅是本发明的优选实施方式,应当指出的是,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (5)
1.一种哺乳类家畜患病自动检测方法,其特征在于,包括以下步骤:
S1:采集患病哺乳类家畜和健康哺乳类家畜视频图像,获得图像数据;
S2:对获得的图像数据进行数据处理形成预定大小,生成训练集和测试集;
S3:将患病哺乳类家畜标记为正样本,将健康哺乳类家畜标记为负样本,并使用预定方法扩充训练集;
S4:建立卷积神经网络模型,在预定数据集上进行预训练并获得初始化参数;
S5:为卷积神经网络模型输入所得训练集,并自动进行参数的迭代训练;使用测试集进行测试,直到正确率达到理想值,生成卷积神经网络检测器;
S6:选取待检测的哺乳类家畜图片,按预定方法扫描,形成待检测样本;
S7:对哺乳类家畜标号以便区分患病个体,将所有待检测样本输入训练完毕的卷积神经网络检测器中;
S8:卷积神经网络检测器工作,得出检测结果并反馈。
2.根据权利要求1所述哺乳类家畜患病自动检测方法,其特征在于,所述预定的数据集为ImageSets数据集。
3.根据权利要求1所述哺乳类家畜患病自动检测方法,其特征在于,所述扩充训练集的方法包括平移变换、水平翻转、缩放变换、调整亮度的方法。
4.根据权利要求1所述哺乳类家畜患病自动检测方法,其特征在于,在扫描时,通过227*227窗口大小从左上角开始扫描,扫描步长为(227-1)/2,完成后按照纵向扫描步长(227-1)/2向下移动,直到对整个图像扫描完毕,同时记录每次扫描左上角的坐标作为检测窗口的位置信息。
5.根据权利要求1所述哺乳类家畜患病自动检测方法,其特征在于,所述卷积神经网络模型,包括三个卷积层,两个池化层和一个全连接层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910512464.3A CN110288573A (zh) | 2019-06-13 | 2019-06-13 | 一种哺乳类家畜患病自动检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910512464.3A CN110288573A (zh) | 2019-06-13 | 2019-06-13 | 一种哺乳类家畜患病自动检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110288573A true CN110288573A (zh) | 2019-09-27 |
Family
ID=68005078
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910512464.3A Pending CN110288573A (zh) | 2019-06-13 | 2019-06-13 | 一种哺乳类家畜患病自动检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110288573A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112396123A (zh) * | 2020-11-30 | 2021-02-23 | 上海交通大学 | 基于卷积神经网络的图像识别方法、系统、终端和介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709254A (zh) * | 2016-12-29 | 2017-05-24 | 天津中科智能识别产业技术研究院有限公司 | 一种医疗诊断机器人系统 |
CN106951928A (zh) * | 2017-04-05 | 2017-07-14 | 广东工业大学 | 一种甲状腺乳头状癌的超声图像识别方法及装置 |
WO2017151757A1 (en) * | 2016-03-01 | 2017-09-08 | The United States Of America, As Represented By The Secretary, Department Of Health And Human Services | Recurrent neural feedback model for automated image annotation |
CN107784319A (zh) * | 2017-09-26 | 2018-03-09 | 天津大学 | 一种基于增强卷积神经网络的病理图像分类方法 |
CN108038513A (zh) * | 2017-12-26 | 2018-05-15 | 北京华想联合科技有限公司 | 一种肝脏超声图像的特征分类方法 |
CN108922622A (zh) * | 2018-07-10 | 2018-11-30 | 平安科技(深圳)有限公司 | 一种动物健康监测方法、装置及计算机可读存储介质 |
CN109118504A (zh) * | 2018-07-26 | 2019-01-01 | 深圳辰视智能科技有限公司 | 一种基于神经网络的图像边缘检测方法、装置及其设备 |
-
2019
- 2019-06-13 CN CN201910512464.3A patent/CN110288573A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017151757A1 (en) * | 2016-03-01 | 2017-09-08 | The United States Of America, As Represented By The Secretary, Department Of Health And Human Services | Recurrent neural feedback model for automated image annotation |
CN106709254A (zh) * | 2016-12-29 | 2017-05-24 | 天津中科智能识别产业技术研究院有限公司 | 一种医疗诊断机器人系统 |
CN106951928A (zh) * | 2017-04-05 | 2017-07-14 | 广东工业大学 | 一种甲状腺乳头状癌的超声图像识别方法及装置 |
CN107784319A (zh) * | 2017-09-26 | 2018-03-09 | 天津大学 | 一种基于增强卷积神经网络的病理图像分类方法 |
CN108038513A (zh) * | 2017-12-26 | 2018-05-15 | 北京华想联合科技有限公司 | 一种肝脏超声图像的特征分类方法 |
CN108922622A (zh) * | 2018-07-10 | 2018-11-30 | 平安科技(深圳)有限公司 | 一种动物健康监测方法、装置及计算机可读存储介质 |
CN109118504A (zh) * | 2018-07-26 | 2019-01-01 | 深圳辰视智能科技有限公司 | 一种基于神经网络的图像边缘检测方法、装置及其设备 |
Non-Patent Citations (1)
Title |
---|
任湘等: "基于卷积神经网络的乳腺癌分子分型预测研究", 《杭州电子科技大学学报(自然科学版)》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112396123A (zh) * | 2020-11-30 | 2021-02-23 | 上海交通大学 | 基于卷积神经网络的图像识别方法、系统、终端和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108875821A (zh) | 分类模型的训练方法和装置、移动终端、可读存储介质 | |
CN104573640B (zh) | 数据处理系统及其生成设备、面部检测方法 | |
JP5043755B2 (ja) | 樹脂材料検査装置およびプログラム | |
CN109902577A (zh) | 一种轻量级手势检测卷积神经网络模型的构建方法及应用 | |
CN103839255B (zh) | 视频抠像篡改检测方法及装置 | |
KR102503116B1 (ko) | 인공지능 머신러닝 학습을 위한 데이터셋 자동 생성 장치와 그의 제어 방법 | |
CN105979008A (zh) | 一种基于微距高清摄像头的皮肤分析装置及方法 | |
CN106845434B (zh) | 一种基于支持向量机的图像型机房漏水监测方法 | |
CN109242789A (zh) | 图像处理方法、图像处理装置及存储介质 | |
CN105976389A (zh) | 一种手机底板连接器缺陷检测方法 | |
CN108921830A (zh) | 一种基于图像检索的人数统计方法 | |
CN102088539B (zh) | 一种预拍照画质评价方法和系统 | |
CN112634248B (zh) | 颗粒状原料粒度测量系统及方法、电子设备及存储介质 | |
CN104200457A (zh) | 基于广角摄像的离散型冠层叶面积指数检测系统和方法 | |
CN109299634A (zh) | 斑检测方法、系统、设备及存储介质 | |
CN112534243A (zh) | 检查装置及方法 | |
CN107333123A (zh) | 对焦检测系统及对焦检测方法 | |
CN115170475A (zh) | 一种基于深度学习方法的无纺布缺陷检测方法 | |
CN116129096A (zh) | 一种马铃薯根系长度的数字化测量系统及其测量方法 | |
CN101207834A (zh) | 数码相机清晰度的检测方法 | |
CN116229230A (zh) | 基于多尺度Transformer的静脉识别神经网络模型、方法与系统 | |
CN110288573A (zh) | 一种哺乳类家畜患病自动检测方法 | |
CN103188432B (zh) | 一种对焦准确度的定量判定装置与方法 | |
CN112488165A (zh) | 一种基于深度学习模型的红外行人识别方法及系统 | |
CN113792807B (zh) | 皮肤病分类模型训练方法、系统、介质和电子设备 |
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 |
Application publication date: 20190927 |
|
WD01 | Invention patent application deemed withdrawn after publication |