CN110378953A - 一种智能识别猪群圈内空间分布行为的方法 - Google Patents

Abstract

本发明涉及了一种智能识别猪群圈内空间分布行为的方法，通过在猪圈的成像设备采集，标定猪圈电子围栏范围，再使用残差网络提取特征，并以vgg网络进行判别猪只类别，使用回归算法与射线算法对猪只进行定位，从而达到非人工接触下智能识别猪群在猪圈内的空间位置分布行为的目标。

Description

一种智能识别猪群圈内空间分布行为的方法

技术领域

本发明涉及畜牧养殖管理领域，具体的说是一种智能识别猪群圈内空间分布行为的方法。

背景技术

养猪业逐渐从传统的农户散养、养猪专业户的作坊式养猪作业，发展成集约化、工厂化的养猪方式过程中，集约化程度的提高必须由现代化的养殖技术和管理信息系统作为保障，以降低成本、提高产出。同时，猪只在饲养过程中，猪只的健康问题，活动区域等，是目前政府和养殖企业关注的核心问题之一。

因此，本发明设计了一种智能识别猪群圈内空间分布行为的方法。通过在猪圈的图像采集，来对猪只进行定位。此外，该项技术也可用于其他养殖业的动物智能定位与识别系统。

目前，采用RFID(射频识别)技术，采用可以施加于生猪耳部的电子耳标，用于证明生猪身份，识读距离仅2-8cm。但该技术无法对猪只进行定位，仅有识别功能，并且需要人工接触式标记，增加猪只患病风险。

发明内容

本发明针对现有技术中仅能对猪只进行身份识别，难以在猪只养殖中对猪只进行定位，且需要人工接触式标记的问题，提供了一种无接触式的猪只定位识别方法。

为了达到上述目的，本发明提供了一种智能识别猪群圈内空间分布行为的方法。具体的步骤如下：

首先通过相机、摄像头或其他图像采集设备将猪圈的环境预先采集，将采集后的图片进行人工标定，包括猪只位置，猪圈电子围栏，组成猪圈的环境图片集。

其次通过采集的环境图片集，生成目标候选区模型。采用选择性搜索算法，将图像分为2X2子块集合，计算机不同子块之间的相似度，找出相似度最高的两个区域，然后将其合并为新的子块，添加到目标子块集合中，并移除之前的被合并的子块。重复计算，直到原来的子块集合为空，生成感兴趣区域模型。相似度的判断主要参考4个参数：颜色相似度、纹理相似度、尺寸相似度、交叠相似度。

颜色相似度将RGB色彩空间转为HSV，每个通道下以bins＝25计算直方图，这样每个区域的颜色直方图有25×3＝75个区间。对直方图除以区域尺寸做归一化后使用下式计算相似度：

其中：S_colour为颜色相似度，n为颜色空间数

纹理相似度(texture similarity)采用方差为1的高斯分布在8个方向做梯度统计，在尺寸与区域大小一致的情况下，将统计结果以bins＝10使用RGB色彩空间计算直方图。直方图区间数为8×3×10＝240。如下式所示：

其中，是直方图中第k个bin值。

尺寸相似度要保证合并操作的尺度较为均匀，避免一个大区域陆续稀释其他小区域。采用如下公式计算：

其中，r_i与r_j为取样的两个尺寸，im为图像大小。

交叠相似度采用以下公式计算：

其中，r_i与r_j为取样的两个尺寸，B_ij为r_j区域和r_i区域交叉面积，im为图像大小。

判定相似度时，需要调整4个相似度参数的值来修正不同相似度的影响，使用下式进行计算：

S(r_i,r_j)＝a₁S_color(r_i,r_j)+a₂S_texture(r_i,r_j)+a₃S_size(r_i,r_j)+a₄S_fill(r_i,r_j)

其中，a₁、a₂、a₃、a₄权重系数，所述权重系数需根据猪圈环境不同设置不同影响的权重。由于猪圈中猪只纹理比较特别，a₂的数值较大，猪只在相机中的尺寸大小不会发生较大变化，a₃较小。一般选用a₁,a₂,a₃,a₄＝0.25,0.4,0.1,0.25的权重比例。

之后使用卷积网络检测所述感兴趣区域，所述卷积网络使用VGG16网络进行类别检测，输出猪只的类别判断。其中检测的种类只有一种，则网络层的输出为2(其中一个为背景)，采用随机梯度下降优化算法进行训练，学习率设置为0.001，批量大小(batch size)设置为128，考察候选框与当前图像上所有标定重叠面积最大的一个。如果重叠比例大于0.5，则认为此候选框为此标定的类别，否则认为是背景。将其中的倒数第二层作为特征层进行提取和分析。对于每一个判定目标，采用VGG16网络进行判别。输入为深度网络输出的4096维度的特征，输出为是否属于此类。

最后检测猪只位置的位置精修模型，采用边框回归算法对目标猪只重心点进行计算。猪只定位模型用于对供判定的猪只定位，优选地采用边框回归算法对检测目标猪只位置进行定位。分别用P表示计算出猪只的重心点坐标，G表示目标点坐标，在所述猪圈环境下，存在一种映射f，使得原始的重心点映射后更加接近真实重心点位置。这种映射f主要包括：

1.将重心点平移：

其中P_0x为x方向平移距离，P_0y为y方向平移距离。

2.再将重心点进行旋转：

G＝T*G

其中T为旋转矩阵，使得映射f满足：

f(P)＝G

根据人工标定的电子围栏(l₁,l₂,l₃)，和上述得到的猪只重心点(G)来判断当前猪只位置：

1.以猪只位置点为起点，任意做一条射线，计算该射线与多边形的交点的数目

2.若为偶数个交点，则点在多边形外，否则在多边形内部

3.若与线段所在的端点处重合或者相交，则需要重新计算

最终得到猪只在猪圈内的定位。

本发明通过非人工接触的方式，能够在圈定的猪圈范围内对猪只进行类别判断及位置识别，不仅降低了猪圈猪只患病风险，同时通过智能化管理能够实时的监控猪只位置。

附图说明

图1是本发明的步骤示意图

图2是本发明的卷积网络结构示意图

图3是本发明的类别检测网络结构示意图

图4是本发明的猪只定位示意图

具体实施方式

结合具体的实施方式，进一步对本发明进行说明。以下实施例对本领域普通技术人员对本发明技术方案的理解与运用起到完整的说明作用，但实施例中所述的技术方案并不作为限制本发明技术方案的任何形式。对于本领域普通技术人员，在不脱离本发明构思的前提下，还可以就本发明所述技术方案做出更多不需要创造性劳动的变化或者更多不需要创造性劳动的改进，以及在本发明保护范围内的变化或改进，不排除在保护范围内。

步骤1:本发明通过首先通过相机、摄像头等图像采集设备对猪圈的环境预先采集，将采集后的图片进行人工标定，包括猪只位置，猪圈电子围栏(l₁,l₂,l₃)，组成猪圈的环境图片集。

步骤2：随后生成目标候选区，采用选择性搜索算法。优选地将图像分为2X2子块集合，计算机不同子块之间的相似度，找出相似度最高的两个区域，然后将其合并为新的子块，添加到目标子块集合中，并移除之前的被合并的子块。重复计算，直到原来的子块集合为空。

相似度的计算主要采用4个参数：颜色相似度、纹理相似度、尺寸相似度、交叠相似度。

其中，颜色相似度的判断，优选地将色彩空间转为HSV，每个通道下以bins＝25计算直方图，这样每个区域的颜色直方图有25×3＝75个区间。对直方图除以区域尺寸做归一化后使用下式计算相似度：

其中：S_colour为颜色相似度，n为颜色空间数

纹理相似度的判断，优选地采用方差为1的高斯分布在8个方向做梯度统计，在尺寸与区域大小一致的情况下，将统计结果以bins＝10使用RGB色彩空间计算直方图。直方图区间数为8×3×10＝240。如下式所示：

其中，是直方图中第k个bin值。

尺寸相似度的判断，需要保证合并操作的尺度较为均匀，避免一个大区域陆续稀释其他小区域。采用如下公式计算：

其中，r_i与r_j为取样的两个尺寸，im为图像大小。

交叠相似度(shape compatibility measure)采用以下公式计算：

其中，r_i与r_j为取样的两个尺寸，B_ij为r_j区域和r_i区域交叉面积，im为图像大小。

颜色相似度、纹理相似度、尺寸相似度、交叠相似度的可根据具体环境的调整来修正相似度的影响，如下式所示：

S(r_i,r_j)＝a₁S_color(r_i,r_j)+a₂S_texture(r_i,r_j)+a₃S_size(r_i,r_j)+a₄S_fill(r_i,r_j)

其中，a₁、a₂、a₃、a₄权重系数，所述权重系数需根据猪圈环境不同设置不同影响的权重。由于猪圈中猪只纹理比较特别，a₂的数值较大，猪只在相机中的尺寸大小不会发生较大变化，a₃较小。优选地用a₁,a₂,a₃,a₄＝0.25,0.4,0.1,0.25的权重比例。

通过已上4个参数创建目标检测的感兴趣区域(ROI)。然后将感兴趣区域归一化为统一尺寸。采用如图2所示的卷积网络进行特征提取，以供检测。

步骤3：使用卷积网络对感兴趣区域内目标进行识别，首先需要进行随机梯度下降优化算法(SGD)进行训练，学习率设置为0.001，批量大小(batch size)设置为128.考察候选框与当前图像上所有标定重叠面积最大的一个。如果重叠比例大于0.5，则认为此候选框为此标定的类别，否则认为是背景，从而检测出目标类别。优选地，采用vgg16网络进行判别。输入为深度网络输出的4096维度的特征，输出为是否属于此类。采用以下的网络进行判定是否为猪只类别，如图3所示。

步骤4：猪只定位用于对供判定的猪只定位，优选地采用边框回归算法对检测目标猪只位置进行定位。分别用P表示计算出猪只的重心点坐标，G表示目标点坐标，在所述猪圈环境下，存在一种映射f，使得原始的重心点映射后更加接近真实重心点位置。这种映射f主要包括：

1.将重心点平移：

其中P_0x为x方向平移距离，P_0y为y方向平移距离。

2.再将重心点进行旋转：

G＝T*G

其中T为旋转矩阵

使得映射f满足：

f(P)＝G

根据人工标定的电子围栏(l₁,l₂,l₃)，和上述得到的猪只重心点(G)来判断当前猪只位置，如图4所示：

1.以猪只位置点为起点，任意做一条射线，计算该射线与多边形的交点的数目

2.若为偶数个交点，则点在多边形外，否则在多边形内部

3.若与线段所在的端点处重合或者相交，则需要重新计算

最终得到猪只的定位。

结合目标类别判别以及位置判别，得到判断目标在猪圈中的位置及类别。

Claims (10)

1.一种智能识别猪群圈内空间分布行为的方法，其特征是：

步骤1：确定猪圈及猪圈图像采集设备，采集猪圈环境与猪只图片，人工标定的所述猪圈中猪只位置或猪圈围栏，生成包含猪只图片的环境图片集；

步骤2：将所述环境图片使用选择性搜索算法生成的目标候选区模型，所述目标候选区模型通过颜色、纹理、尺寸、交叠的相似度这4个参数创建猪只特征区域模型，通过重复计算排除相似度高的区域，创建感兴趣区域模型；

步骤3：建立识别所述感兴趣区域模型特征的卷积网络(CNN)，使用所述卷积网络对猪只进行类别判别；

步骤4：对目标位置精修，通过人工标定所述猪圈环境电子围栏与回归算法对判别目标位置。

2.根据权利要求1所述的智能识别猪群圈内空间分布行为的方法，其特征是：所述颜色的相似度使用HSV颜色模型。

3.根据权利要求1所述的智能识别猪群圈内空间分布行为的方法，其特征是：所述纹理的相似度采用方差为1的高斯分布在8个方向做梯度统计，所述梯度统计结果在尺寸与区域大小一致的情况下以bins＝10与RGB色彩空间计算直方图，所述直方图区间数为8×3×10＝240。

4.根据权利要求1所述的智能识别猪群圈内空间分布行为的方法，其特征是：所述尺寸的相似度采用以下公式计算相似度：

其中，r_i与r_j为取样的两个尺寸，im为图像大小。

5.根据权利要求1所述的智能识别猪群圈内空间分布行为的方法，其特征是：所述交叠相似度采用以下公式计算相似度：

其中，r_i与r_j为取样的两个尺寸，B_ij为r_j区域和r_i区域交叉面积，im为图像大小。

6.根据权利要求1所述的智能识别猪群圈内空间分布行为的方法，其特征是：创建的所述感兴趣区域模型受到所述颜色相似度、纹理相似度、尺寸相似度以及交叠相似度这4个参数综合影响。

7.根据权利要求1-5任意一项所述的智能识别猪群圈内空间分布行为的方法，其特征是：所述卷积网络采用随机梯度下降优化算法(SGD)进行训练。

8.根据权利要求1-5任意一项所述的智能识别猪群圈内空间分布行为的方法，其特征是：所述卷积网络采用VGG16网络，所述VGG16网络识别层为倒数第二层，输入的维度为4096，输出为类别。

9.根据权利要求1所述的智能识别猪群圈内空间分布行为的方法，其特征是：所述回归算法是采用边框回归算法对位置进行判断，通过平移与尺度缩放得到包含猪只边框的所述猪只图片平移与缩放，得到映射，计算获得猪只重心点。

10.根据权利要求9所述的智能识别猪群圈内空间分布行为的方法，其特征是：使用猪只定位模型将所述人工标定的猪圈围栏，和所述猪只重心点采用射线算法计算，定位出猪只在所述猪圈的位置。