CN111241907B - 幼禽孵化期生物特征预测装置及方法 - Google Patents

幼禽孵化期生物特征预测装置及方法 Download PDF

Info

Publication number
CN111241907B
CN111241907B CN201911171966.0A CN201911171966A CN111241907B CN 111241907 B CN111241907 B CN 111241907B CN 201911171966 A CN201911171966 A CN 201911171966A CN 111241907 B CN111241907 B CN 111241907B
Authority
CN
China
Prior art keywords
neural network
layer
convolutional neural
image
module
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
CN201911171966.0A
Other languages
English (en)
Other versions
CN111241907A (zh
Inventor
杨光华
蔡洽凯
邓长兴
陈奕宏
马少丹
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.)
Jinan University
Original Assignee
Jinan 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 Jinan University filed Critical Jinan University
Priority to CN201911171966.0A priority Critical patent/CN111241907B/zh
Publication of CN111241907A publication Critical patent/CN111241907A/zh
Application granted granted Critical
Publication of CN111241907B publication Critical patent/CN111241907B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Human Resources & Organizations (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Mining & Mineral Resources (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Economics (AREA)
  • Evolutionary Biology (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种基于深度卷积神经网络的幼禽生物特征识别装置，包括：幼禽定位模块，包括级联的多个卷积神经网络子模块和至少一个全连接层子模块，幼禽定位模块输入包含有幼禽的原图像，经运算后输出幼禽在原图像中的预测的位置信息；剪裁模块，根据位置信息对原图像执行裁剪处理，输出裁剪大部分背景后的幼禽外观图像；以及识别模块，包括级联的至少由第一卷积神经网络子模块、扩展卷积子模块以及第二卷积神经网络子模块级联构成的识别子模块，和至少一个全连接层子模块，所述识别模块输入所述幼禽外观图像，经运算后输出识别结果。如此，本通过卷积层的递增完成由粗到细的特征提取过程，能够高精度地完成识别。

Description

幼禽孵化期生物特征预测装置及方法
技术领域
本发明涉及一种幼禽孵化期生物特征预测装置及方法，具体涉及一种基于深度卷积神经网络对幼禽孵化期进行生物特征识别的方法。
背景技术
目前针对幼禽特别是雏鸡进行性别分类的工作绝大部分还是依靠工人通过观察雏鸡肛门来分类。虽然准确率尚能满足需求，但是分类速度较慢，对工人经验要求高。对于大型孵化场希望能通过机器来分辨，实现全自动流水线工作，以降低成本和提高生产效率。
此外，初生雏鸡抵抗力弱，处于集中化孵化环境中病变雏鸡容易造成雏鸡群大量感染，且有些孵化中发育不全或畸形的雏鸡很难存活，如不早期发现并及时处理，在运输或养殖过程中死亡极易造成细菌滋生，威胁雏鸡群健康。
为解决上述问题，目前有一种观察孵化期蛋轮廓或是透视内部结构而在孵化前进行性别识别，以进行相应的分别处理的方法。孵化前识别的优势是对于不需要的性别可以立即中止孵化而不影响作为鸡蛋使用。但目前的人工观察轮廓的方法准确率较低，达不到应用标准。
因此孵化场希望能通过机器来对孵化期单进行识别并进行相应的处理，提高生产效率。
深度神经网络是近几年来发展迅速，在自然语言处理和计算机视觉的发展中起到了至关重要的推动作用，并且也应用到了许多实际生活、工业生产当中，帮人们解决了许多难题。深度神经网络相对于SVM等传统的浅层机器学习架构，在一些复杂的场景模式中具有更加好的性能。在计算机视觉的自然图像分类方向中，深度神经网络已经可以达到95％以上的准确率，已经几乎超过了人类的分辨能力。它还有许多应用的领域、潜在价值等着人们去开发、挖掘。但是对于深度神经网络在孵化期蛋性别分类、病变识别的应用上，依然存在着识别速度慢，准确率极低，甚至无法识别的情况，难以满足实际生产需求。这导致了目前为止依然是依靠人工来进行雏鸡性别分类。
发明内容
本发明的目的在于提供一种幼禽孵化期生物特征预测装置及方法，旨在至少解决现有技术或相关技术中存在的技术问题之一。
为解决上述技术问题，本发明提供一种基于深度卷积神经网络的幼禽孵化期生物特征预测装置，包括：结构定位模块，包括级联的多个卷积神经网络子模块和至少一
发明效果
本发明通过搭建深度卷积神经网络，通过大量的实验不断优化调节，获得一个兼具识别速度快、准确率高适用于多种品种雏鸡的深度卷积神经网络模型。通过本发明所提供的技术方案，实时采集孵化期鸡蛋内部外观图像，经过图像预处理后输入神经网络模型自动将鸡蛋内部图像与背景分离出来之后，进行性别识别，能够提高识别效率和精度，以便鸡蛋孵化后，将雏鸡按照性别分开养殖，进而能够降低成本、提高生产效率。
附图说明
图1为本发明的幼禽孵化期生物特征识别系统的一个实施例的示意图。
图2为本发明的深度卷积神经网络模型之一例的整体结构示意图。
图3为图2所示的深度卷积神经网络模型的运算模块的说明图。
图4为本发明的幼禽孵化期生物特征识别方法的一个实施例的示意图。
图5为本发明的深度卷积神经网络模型之一例的整体结构示意图。
附图标记说明
10 雏鸡孵化期性别识别系统
11 图像采集装置
12 图像预处理装置
13 预测装置
100 深度神经网络模型
101 结构定位模块
102 剪裁模块
103 性别预测模块
具体实施方式
以下，参照附图对本发明的实施方式进行说明。
[实施例1]
作为本发明的基于深度卷积神经网络的幼禽孵化期生物特征预测装置之一例，图1示出了一种雏鸡孵化期性别识别系统的一个实施例，如图1所示，本发明的雏鸡孵化期性别识别系统10包括：图像采集装置11、图像预处理装置12和预测装置13。
图像采集装置11采集作为识别对象的孵化期蛋的图像。图像采集装置11可以包括多个拍摄单元，以拍摄孵化期蛋各个角度的外观图像，例如设置3个摄像头采集孵化期蛋前方、侧方、侧上方的图像。为清晰地获取孵化期鸡蛋内部血管等结构特征的图像，图像采集装置11中还可设置开有圆孔的托架，托架上方或侧面设置光照设备，优选地，将鸡蛋竖直放置，从鸡蛋顶端或与摄像头对置的方向照射强光，从而能够尽量采集到没有杂物的清晰内部图像。该图像采集单元可以布置在孵化场的孵化箱中，也可以在孵化箱之外单独设置同时配置相应的保温措施，可以由机械抓取装置抓取或人工抓取待识别孵化期蛋进行图像采集。
图像采集装置11所采集的图像被传输到图像预处理装置12进行预处理。图像预处理装置12对所采集的图像进行边框裁剪、缩放、图像增强等预处理，以减少光照强度、孵化期蛋摆放角度、拍摄角度等因素对性别预测造成的影响。
本实施例中，作为一个例子，图像预处理装置12按照下述公式(1)对输入图像进行对比度拉伸，
Figure BDA0002288948540000031
其中Imin，Imax是原始图像的最小灰度值和最大灰度值，MIN和MAX是要拉伸到的灰度空间的灰度最小值和最大值，作为一个例子，本发明设置最大值为255，最小值为0，但不限于此，可以根据鸡蛋种类、母鸡年龄、日龄、光照条件等进行调整。
图像预处理装置12对孵化期蛋图像进行预处理之后，输入到预测装置13进行性别识别，本发明的预测装置13采用基于训练的深度卷积神经网络，所述级深度卷积神经网络中每一级独立的深度卷积神经网络包含多层，包括：卷积层，池化层，全连接层，soft-max层。其中池化层有包括：最大池化层，最小池化层、平均池化层。
进一步地，所述深度卷积神经网络大致可以分为2个部分：
1)第一级：对输入的孵化期鸡蛋内部图像进行目标检测，自动裁剪，自动填充图像边缘，输出一个包含整个孵化期鸡蛋内部血管等结构特征的图像。
2)第二级：第一级深度卷积神经网络中输出的孵化期蛋内部结构图像，作为第二级的输入，经过多层卷积神经网络模块，全连接层，soft-max层。最后输出该鸡蛋孵化后的雏鸡性别的预测结果。
本发明采用的深度卷积神经网络模型，每一层独立的卷积神经网络模块的输入都是上一层卷积神经网络模块的输出，层层相连。按照卷积层的递增，后续的卷积模块在前面的基础上完成更精细的计算，完成由粗到细的特征提取过程。每个独立卷积神经网络模块由卷积神经网络层，池化层,激活层组成。最后一个卷积神经网络层连接一个全连接层和soft-max层，共同完成通过孵化期鸡蛋内部结构特征分辨孵化期蛋性别的工作。采用本发明的方法，能够加快训练时间，有效提高孵化期蛋性别识别的速度和准确率。
本发明的深度卷积神经网络模型，在应用于孵化期鸡蛋内部特征自动识别之前先进行模型训练。
模型训练阶段
1)使用图像采集装置11对大量强光照射下的孵化期蛋的外观的各个角度进行拍摄，保存为图像文件，并贴上序号标签。等待孵化后人工分辨出之前拍摄的各个鸡蛋孵化出来的雏鸡的性别，并对图像数据集贴上性别标签。
2)图像预处理装置12使用图像增强算法将采集到孵化期鸡蛋内部结构图像数据，自动进行图像处理、图像增强。
3)将预处理后的孵化期鸡蛋内部结构图像输入预测装置13所搭建的深度卷积神经网络进行训练。使用交叉熵损失函数作为loss function来优化参数，交叉熵损失函数如下述公式(2)所示，其中y是雏鸡性别真实值，
Figure BDA0002288948540000041
为预测值，当L值达到规定后结束训练并且保存训练完成后的模型。
Figure BDA0002288948540000042
训练好后，可采用本发明的系统实施自动识别，同样地，图像采集装置11采集孵化期鸡蛋内部结构图像数据，经图像预处理装置12进行预处理之后，输入到预测装置13的已经训练好的深度卷积神经网络模型对孵化期鸡蛋内部结构进行自动检测、分割、识别，并输出性别预测结果。
深度卷积神经网络模型
以下，对本发明的所采用的深度卷积神经网络，示例出具体模型结构以进行更具体的说明，但是提供模型具体结构仅仅是为了更好地理解本发明及其优点，并非意图限定本发明。
图2为本发明的所采用的一例深度卷积神经网络模型100的整体结构示意图，图3为图2所示的深度卷积神经网络模型的运算模块的说明图。如图2、图3所示，模型100为基于训练的深度卷积神经网络，其中每一级独立的深度卷积神经网络包含多层，包括：卷积层，池化层，全连接层，soft-max层。其中池化层有包括：最大池化层，最小池化层、平均池化层。
图2中：
1)Conv layer:代表卷积神经网络子模块。在图中每个卷积神经网络子模块都包含着数层卷积运算，池化层和激活函数。
2)Fully connected layer:代表全连接层子模块，用于最后输出孵化期鸡蛋内部结构图像定位信息以及性别预测结果。
进一步地，所述深度神经网络模型100大致可以分为结构定位模块101、剪裁模块102和性别预测模块103：
结构定位模块
图像采集装置11所采集的图像经图像预处理装置12进行裁剪、缩放、图像增强等预处理之后，输入到神经网络模型的结构定位模块101。
结构定位模块101的卷积神经网络由6个Conv layer级联即Conv layer 1～6和2个全连接层Fully connected layer组成。
Conv layer 1～6
简易预处理后的孵化期鸡蛋原图像传到第一层卷积神经网络子模块Convlayer1，进行卷积，池化，激活运算。使用图像的RGB三个通道的信息提取出32个featuremap。将第一层的输出作为第二层卷积神经网络子模块(卷积层Conv layer2)的输入，经过运算获得64个feature map。以此方式，将上一层的输出作为下一层的输出，经过6层的运算后，获得1024个特征图feature map。
Fully connected layer 1～2
Fully connected layer 1将Conv layer6输出的1024个feature map平均分成4份，每个部分都采用reshape函数转化成一维的数据，分别输入4个小全连接层；4个小全连接层输出的数据再合并起来最为总的输出，并传给下一层全连接层Fully connectedlayer2，最终运算后输出孵化期鸡蛋内部结构在原图像中的位置预测像素点信息。
剪裁模块
剪裁模块102包括Crop层和增强处理层Image enhancement
Crop层：
输入：Fully connected layer2输出的孵化期鸡蛋内部结构在原图像中的位置信息和孵化期蛋的原始图像；
输出：自动图像裁剪处理，输出裁剪大部分背景后的孵化期鸡蛋内部结构图像。
Image enhancement：
输入：Crop层输出的裁剪大部分背景后的孵化期蛋内部结构图像；
输出：使用图像增强，归一化处理算法处理后的孵化期蛋内部结构图像。
性别预测模块
性别预测模块103的卷积神经网络由5个Conv layer级联即Conv layer 7～11，3个用于防止梯度爆炸,梯度消失的短接层--Extend Conv layer，数个独立的池化层和1个全连接层Fully connected layer组成。
其中Conv layer7～10都由2/3个级联的基本单元Conv blocks和一个短接层组成的Deep Conv layer。
图像数据流动过程：将Image enhancement处理后的孵化期蛋内部结构图像的RGB三个通道的图像数据归一化，标准化处理后分别输入到Conv layer 7子模块中进行卷积，池化，激活运算。经过2个级联的Conv block运算后获得64个feature map，再将其输出。
Conv layer 7输出的数据经过池化层后，输入Conv layer 8和Extend Convlayer2。Conv layer 8将输入的数据进行卷积，池化，激活运算。经过2个级联的Conv block运算后输出128个feature map。另一方面Extend Conv layer2也将池化后的数据进行运算，同样输出128个feature map。再将2个输出合并起来，经过池化层后再输出给下一层conv layer9。
从模型图上可以清晰直观地看到后续的Conv layer 9→Conv layer 10→Convlayer 11也是以此模式进行数据运算、传递。
经过Conv layer 9运算，输入的128个feature map会输出256个feature map池化后作为作为Conv layer 10的输入。经过Conv layer 10运算后，会将输入的256个featuremap再深一层提取出512个feature map。最后经过Conv layer11输出1024个feature map。
Fully connected layer 3：将Conv layer 11输出的1024个feature map展开成一维的数据输入Fully connected layer 3，输出的结果经过softmax函数计算，输出最终输入的孵化期鸡蛋的性别预测结果。
如此，本发明的深度卷积神经网络模型100，每一层独立的卷积神经网络模块的输入都是上一层卷积神经网络模块的输出，层层相连。通过卷积层的递增，后续的卷积模块在前面的基础上完成更精细的计算，完成由粗到细的特征提取过程，共同完成通过孵化期鸡蛋内部结构分辨雏鸡性别的工作。
[实施例2]
作为本发明的基于深度卷积神经网络的幼禽孵化期生物特征预测方法之一例，图3示出了一种雏鸡孵化期性别识别方法的一个实施例，如图4所示，本发明的雏鸡孵化期性别识别方法包括：图像采集步骤S11、图像预处理步骤S12和预测步骤S13。
图像采集步骤S11中，图像采集装置11采集作为识别对象的孵化期蛋的图像。图像采集装置11可以包括多个拍摄单元，以拍摄孵化期蛋各个角度的外观图像，例如设置3个摄像头采集孵化期蛋前方、侧方、侧上方的图像。为清晰地获取孵化期鸡蛋内部血管等结构特征的图像，图像采集装置11中还可设置开有圆孔的托架，托架上方或侧面设置光照设备，优选地，将鸡蛋竖直放置，从鸡蛋顶端或与摄像头对置的方向照射强光，从而能够尽量采集到没有杂物的清晰内部图像。该图像采集单元可以布置在孵化场的孵化箱中，也可以在孵化箱之外单独设置同时配置相应的保温措施，可以由机械抓取装置抓取或人工抓取待识别孵化期蛋进行图像采集。
图像预处理步骤S12中，对图像采集装置所采集的图像进行包括边框裁剪、缩放、图像增强等的预处理，以减少光照强度、孵化期蛋摆放角度、拍摄角度等因素对性别预测造成的影响。
本实施例中，作为一个例子，图像预处理步骤按照公式(1)对输入图像进行对比度拉伸，
Figure BDA0002288948540000071
其中Imin，Imax是原始图像的最小灰度值和最大灰度值，MIN和MAX是要拉伸到的灰度空间的灰度最小值和最大值，作为一个例子，本发明设置最大值为255，最小值为0，但不限于此，可以根据鸡蛋种类、母鸡年龄、日龄、光照条件等进行调整。
识别步骤S13中，对预处理之后的图像进行性别识别，本发明采用基于训练的深度卷积神经网络的识别方法，所述级深度卷积神经网络中每一级独立的深度卷积神经网络包含多层，包括：卷积层，池化层，全连接层，soft-max层。其中池化层有包括：最大池化层，最小池化层、平均池化层。
本发明的深度卷积神经网络模型，在应用于孵化期鸡蛋内部特征自动识别之前先进行模型训练。
模型训练阶段
1)执行图像采集步骤S11对大量强光照射下的孵化期蛋的外观的各个角度进行拍摄，保存为图像文件，并贴上序号标签。等待孵化后人工分辨出之前拍摄的各个鸡蛋孵化出来的雏鸡的性别，并对图像数据集贴上性别标签。
2)执行图像预处理装置S12，使用图像增强算法将采集到孵化期鸡蛋内部结构图像数据，自动进行图像处理、图像增强。
3)执行预测步骤S13，将预处理后的孵化期鸡蛋内部结构图像输入本发明搭建的深度卷积神经网络进行训练。使用交叉熵损失函数作为loss function来优化参数，交叉熵损失函数如下述公式(2)所示，其中y是雏鸡性别真实值，
Figure BDA0002288948540000081
为预测值，当L值达到规定后结束训练并且保存训练完成后的模型。
Figure BDA0002288948540000082
训练好后，可采用本发明的系统实施自动识别，同样地，图像采集步骤S11采集孵化期鸡蛋内部结构图像数据，经图像预处理步骤S12进行预处理之后，预测步骤S13输入到已经训练好的深度卷积神经网络模型对孵化期鸡蛋内部结构进行自动检测、分割、识别，并输出性别预测结果。
进一步地，所述深度卷积神经网络大致可以分为2个部分：
1)第一级：对输入的孵化期鸡蛋内部图像进行目标检测，自动裁剪，自动填充图像边缘，输出一个包含整个孵化期鸡蛋内部血管等结构特征的图像。
2)第二级：第一级深度卷积神经网络中输出的孵化期蛋内部结构图像，作为第二级的输入，经过多层卷积神经网络模块，全连接层，soft-max层。最后输出该鸡蛋孵化后的雏鸡性别的预测结果。
图5示出了采用本发明搭建的深度卷积神经网络进行雏鸡孵化期性别预测的方法的一个实施例，如图5所示，本发明的基于深度卷积神经网络的预测方法包括以下步骤。
结构定位步骤S101，将包含有孵化期蛋的原图像输入第一级，采用级联的多个卷积神经网络依次进行卷积，池化和激活运算后，输入到至少一个全连接层子模块运算后输出孵化期鸡蛋内部结构在原图像中的预测的位置信息；
剪裁步骤S102，采用Crop层，根据所述位置信息对所述原图像执行裁剪处理，输出裁剪大部分背景后的孵化期鸡蛋内部结构图像；以及
性别预测步骤S103，采用级联至少一个预测子模块对输入的所述孵化期蛋内部结构图像进行处理，将预测子模块的输出数据输入给至少一个全连接层子模块进行处理后，采用识别函数进行计算，输出最终的识别结果。其中，所述预测子模块包括至少一个第一卷积神经网络子模块，以及与该至少一个第一卷积神经网络子模块并联的防止梯度消失用扩展卷积子模块，所述卷积子步骤中，每个预测子模块将所述第一卷积神经网络子模块、所述扩展卷积子模块分别处理后的数据，合并起来作为输出数据。
以下，对本实施例的所采用的深度卷积神经网络，示例出具体模型结构以进行更具体的说明，但是提供模型具体结构仅仅是为了更好地理解本实施例及其优点，并非意图限定本发明。
图5为本实施例的所采用的一例深度卷积神经网络模型的整体结构示意图，如图5所示，模型100为基于训练的深度卷积神经网络，其中每一级独立的深度卷积神经网络包含多层，包括：卷积层，池化层，全连接层，soft-max层。其中池化层有包括：最大池化层，最小池化层、平均池化层。
图5中：
1)Conv layer:代表卷积神经网络子模块。在图中每个卷积神经网络子模块都包含着数层卷积运算，池化层和激活函数。
2)Fully connected layer:代表全连接层子模块，用于最后输出结构定位信息以及孵化期蛋性别预测结果。
本实施例的基于深度卷积神经网络的识别方法，如前文所述，大致可以分为结构定位步骤S101、剪裁步骤102和性别预测步骤S103。
结构定位步骤
结构定位步骤S101采用的卷积神经网络由6个Conv layer级联即Conv layer 1～6和2个全连接层Fully connected layer组成。
Conv layer 1～6
简易预处理后的孵化期鸡蛋原图像传到第一层卷积神经网络子模块Convlayer1，进行卷积，池化，激活运算。使用图像的RGB三个通道的信息提取出32个featuremap。将第一层的输出作为第二层卷积神经网络子模块(卷积层Conv layer2)的输入，经过运算获得64个feature map。以此方式，将上一层的输出作为下一层的输出，经过6层的运算后，获得1024个特征图feature map。
Fully connected layer 1～2
Fully connected layer 1将Conv layer6输出的1024个feature map平均分成4份，每个部分都采用reshape函数转化成一维的数据，分别输入4个小全连接层；4个小全连接层输出的数据再合并起来最为总的输出，并传给下一层全连接层Fully connectedlayer2，最终运算后输出孵化期鸡蛋内部结构在原图像中的位置预测像素点信息。
剪裁步骤
剪裁步骤S102中采用Crop层和增强处理层Image enhancement进行处理。
Crop层：
输入：Fully connected layer2输出的孵化期鸡蛋内部结构在原图像中的位置信息和孵化期蛋的原始图像；
输出：自动图像裁剪处理，输出裁剪大部分背景后的孵化期鸡蛋内部结构图像。
Image enhancement：
输入：Crop层输出的裁剪大部分背景后的孵化期蛋内部结构图像；
输出：使用图像增强，归一化处理算法处理后的孵化期蛋内部结构图像。
性别预测步骤
性别预测步骤S103采用的卷积神经网络由5个Conv layer级联即Conv layer 7～11，3个用于防止梯度爆炸,梯度消失的短接层--Extend Conv layer，数个独立的池化层和1个全连接层Fully connected layer组成。
其中Conv layer7～10都由2/3个级联的基本单元Conv blocks和一个短接层组成的Deep Conv layer。
图像数据流动过程：将Image enhancement处理后的孵化期蛋内部结构图像的RGB三个通道的图像数据归一化，标准化处理后分别输入到Conv layer 7子模块中进行卷积，池化，激活运算。经过2个级联的Conv block运算后获得64个feature map，再将其输出。
Conv layer 7输出的数据经过池化层后，输入Conv layer 8和Extend Convlayer2。Conv layer 8将输入的数据进行卷积，池化，激活运算。经过2个级联的Conv block运算后输出128个feature map。另一方面Extend Conv layer2也将池化后的数据进行运算，同样输出128个feature map。再将2个输出合并起来，经过池化层后再输出给下一层conv layer9。
从模型图上可以清晰直观地看到后续的Conv layer 9→Conv layer 10→Convlayer 11也是以此模式进行数据运算、传递。
经过Conv layer 9运算，输入的128个feature map会输出256个feature map池化后作为作为Conv layer 10的输入。经过Conv layer 10运算后，会将输入的256个featuremap再深一层提取出512个feature map。最后经过Conv layer11输出1024个feature map。
Fully connected layer 3：将Conv layer 11输出的1024个feature map展开成一维的数据输入Fully connected layer 3，输出的结果经过softmax函数计算，输出最终输入的孵化期鸡蛋的性别预测结果。
如此，本发明采用的深度卷积神经网络模型，每一层独立的卷积神经网络模块的输入都是上一层卷积神经网络模块的输出，层层相连。通过卷积层的递增，后续的卷积模块在前面的基础上完成更精细的计算，完成由粗到细的特征提取过程，共同完成通过孵化期鸡蛋内部结构分辨雏鸡性别的工作。
实验结果：
为检验本发明的模型的预测效果，取5000只个处于孵化期的鸡蛋，分别采用基于VGG Net和Resnet针对此次孵化期的鸡蛋性别识别实验进行细微调整而获得的Deep VGGNet和Deep Resnet与本发明的模型进行性别识别测试，根据识别结果统计识别准确率和识别速度，记录如下表。
Figure BDA0002288948540000111
由上表经过实验对比可见，采用本发明的方法，能够加快训练时间，有效提高雏鸡孵化期性别识别的速度和准确率，表现的综合性能最好。
值得注意的是，在本发明的较佳实施例中，虽然以雏鸡孵化期性别识别为例对本发明的幼禽孵化期生体特征识别进行了说明。但是在其他的实施例中，该生体特征也可以是发育状况、病变特征、健康状况等等，并且不限于孵化期性别，本发明的深度卷积神经网络模型还可以适用于雏鸭等孵化期鸭蛋，同样表现出良好的识别准确率和速度，适于大规模养殖业。本领域技术人员可理解，以上实施例仅用以说明本发明的技术方案而非对其进行限制，本领域的普通技术人员可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明的精神和范围，本发明的保护范围应以权利要求所述为准。

Claims (12)

1.一种基于深度卷积神经网络的幼禽孵化期生物特征预测装置，其特征在于，包括：
结构定位模块，包括级联的多个卷积神经网络子模块和至少一个全连接层子模块，所述结构定位模块输入包含有孵化期蛋的原图像，经运算后输出孵化期蛋内部结构在原图像中的预测的位置信息，所述全连接层子模块；
剪裁模块，包括Crop层，根据所述位置信息对所述原图像执行裁剪处理，输出裁剪大部分背景后的孵化期蛋内部结构图像；以及
性别预测模块，包括级联的至少一个预测子模块和全连接层子模块，所述预测子模块包括至少一个第一卷积神经网络子模块，以及与该至少一个第一卷积神经网络子模块并联的防止梯度消失用扩展卷积子模块，所述性别预测模块输入所述孵化期蛋内部结构图像，经运算后输出性别预测结果，其中
所述结构定位模块采用由6个Conv layer级联即Conv layer 1～6和2个全连接层Fully connected layer组成的卷积神经网络，将Conv layer6输出的1024个feature map平均分成4份，每个部分都采用reshape函数转化成一维的数据，分别输入4个小全连接层；4个小全连接层输出的数据再合并起来最为总的输出，并传给下一层全连接层Fullyconnected layer2，最终运算后输出孵化期鸡蛋内部结构在原图像中的位置预测像素点信息，
所述预测子模块采用由5个Conv layer级联即Conv layer 7～11，3个用于防止梯度爆炸,梯度消失的短接层--Extend Conv layer，数个独立的池化层和1个全连接层Fullyconnected layer组成的卷积神经网络。
2.如权利要求1所述的基于深度卷积神经网络的幼禽孵化期生物特征预测装置，其特征在于：
所述性别预测模块还包括soft-max层。
3.如权利要求1所述的基于深度卷积神经网络的幼禽孵化期生物特征预测装置，其特征在于：
所述剪裁 模块还包括图像增强子模块，对裁剪了大部分背景后的孵化期蛋内部结构图像执行图像增强或归一化处理。
4.如权利要求1至3中任一项所述的基于深度卷积神经网络的幼禽孵化期生物特征预测装置，其特征在于：
所述生物特征包括幼禽的性别、发育状况及健康状况中的至少一种。
5.一种幼禽生物特征识别系统，其特征在于，包括如权利要求1至4中任一项所述的基于深度卷积神经网络的幼禽孵化期生物特征预测装置，还包括：
图像采集装置，采集作为识别对象的孵化期蛋的图像；
图像预处理装置，对所述图像采集装置所采集的图像进行预处理，所述预处理包括边框裁剪、缩放、图像增强中的至少一种。
6.如权利要求5所述的幼禽孵化期生物特征识别系统，其特征在于：
所述图像采集装置设有光照调整机构，以获取规定形态的图像。
7.一种基于深度卷积神经网络的幼禽孵化期生物特征识别方法，其特征在于，包括以下步骤：
结构定位步骤，对输入的包含有孵化期蛋的原图像，采用级联的多个卷积神经网络依次进行卷积，池化和激活运算后，输入到至少一个全连接层子模块运算后输出孵化期蛋内部结构在原图像中的预测的位置信息；
剪裁步骤，采用Crop层，根据所述位置信息对所述原图像执行裁剪处理，输出裁剪大部分背景后的孵化期蛋内部结构图像；以及
性别预测步骤，包括采用级联至少一个预测子模块对输入的所述孵化期蛋内部结构图像进行处理的卷积子步骤，和将所述卷积子步骤的输出数据输入给至少一个全连接层子模块进行处理后，采用识别函数进行计算，输出最终的识别结果的判断子步骤，其中，
所述结构定位步骤采用由6个Conv layer级联即Conv layer 1～6和2个全连接层Fully connected layer组成的卷积神经网络，将Conv layer6输出的1024个feature map平均分成4份，每个部分都采用reshape函数转化成一维的数据，分别输入4个小全连接层；4个小全连接层输出的数据再合并起来最为总的输出，并传给下一层全连接层Fullyconnected layer2，最终运算后输出孵化期鸡蛋内部结构在原图像中的位置预测像素点信息，
所述预测子模块采用由5个Conv layer级联即Conv layer 7～11，3个用于防止梯度爆炸,梯度消失的短接层--Extend Conv layer，数个独立的池化层和1个全连接层Fullyconnected layer组成的卷积神经网络。
8.如权利要求7所述的基于深度卷积神经网络的幼禽孵化期生物特征识别方法，其特征在于：
所述判断子步骤 采用soft-max函数进行计算。
9.如权利要求7或8所述的基于深度卷积神经网络的幼禽孵化期生物特征识别方法，其特征在于：
还包括采用大量幼禽孵化期数据对所述深度卷积神经网络进行训练的训练步骤，所述训练步骤中执行所述结构定位步骤、所述剪裁步骤和所述性别预测步骤以对所述卷积神经网络进行训练，并采用损失函数来优化模型参数，保存训练完成后的模型。
10.如权利要求7所述的基于深度卷积神经网络的幼禽生物特征识别方法，其特征在于：
所述剪裁 步骤还包括图像增强子步骤，对裁剪了大部分背景后的孵化期蛋内部结构图像执行图像增强或归一化处理。
11.如权利要求7至10中任一项所述的基于深度卷积神经网络的幼禽孵化期生物特征识别方法，其特征在于：
所述生物特征包括幼禽的性别、发育状况及健康状况中的至少一种。
12.一种计算机可读记录介质，其中存储有用于执行如权利要求7至11中任一项所述的基于深度卷积神经网络的幼禽孵化期生物特征识别方法的计算机程序。
CN201911171966.0A 2019-11-26 2019-11-26 幼禽孵化期生物特征预测装置及方法 Active CN111241907B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911171966.0A CN111241907B (zh) 2019-11-26 2019-11-26 幼禽孵化期生物特征预测装置及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911171966.0A CN111241907B (zh) 2019-11-26 2019-11-26 幼禽孵化期生物特征预测装置及方法

Publications (2)

Publication Number Publication Date
CN111241907A CN111241907A (zh) 2020-06-05
CN111241907B true CN111241907B (zh) 2023-04-28

Family

ID=70874085

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911171966.0A Active CN111241907B (zh) 2019-11-26 2019-11-26 幼禽孵化期生物特征预测装置及方法

Country Status (1)

Country Link
CN (1) CN111241907B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103472008A (zh) * 2013-08-30 2013-12-25 黑龙江八一农垦大学 孵化前期近红外种蛋内鸡胚性别识别方法
CN110135313A (zh) * 2019-05-07 2019-08-16 西安募格网络科技有限公司 一种基于卷积神经网络的年龄判断方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10282589B2 (en) * 2017-08-29 2019-05-07 Konica Minolta Laboratory U.S.A., Inc. Method and system for detection and classification of cells using convolutional neural networks

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103472008A (zh) * 2013-08-30 2013-12-25 黑龙江八一农垦大学 孵化前期近红外种蛋内鸡胚性别识别方法
CN110135313A (zh) * 2019-05-07 2019-08-16 西安募格网络科技有限公司 一种基于卷积神经网络的年龄判断方法

Also Published As

Publication number Publication date
CN111241907A (zh) 2020-06-05

Similar Documents

Publication Publication Date Title
WO2020134255A1 (zh) 一种基于机器视觉对鱼类生长情况进行监测的方法
CN111294565A (zh) 一种智能化养猪监测方法和管理端
Ishengoma et al. Hybrid convolution neural network model for a quicker detection of infested maize plants with fall armyworms using UAV-based images
CN115424292A (zh) 基于改进YOLOX与DeepSORT的鱼群跟踪方法
CN111241908B (zh) 幼禽生物特征识别装置及方法
Rum et al. FishDeTec: a fish identification application using image recognition approach
Pramudhita et al. Strawberry Plant Diseases Classification Using CNN Based on MobileNetV3-Large and EfficientNet-B0 Architecture
CN115223191A (zh) 一种群养生猪行为的识别和跟踪方法
CN114997725A (zh) 基于注意力机制与轻量级卷积神经网络的奶牛体况评分方法
CN115861721A (zh) 基于图像数据的畜禽养殖喷雾设备状态识别方法
CN116310541A (zh) 基于卷积网络多维度学习的昆虫分类方法及系统
CN116543386A (zh) 一种基于卷积神经网络的农业病虫害图像识别方法
CN111241907B (zh) 幼禽孵化期生物特征预测装置及方法
Al Noman et al. HYBRID-CNN: For Identification of Rohu Fish Disease
Avanzato et al. Dairy cow behavior recognition using computer vision techniques and CNN networks
CN117115688A (zh) 基于深度学习的低亮度环境下死鱼识别计数系统及方法
CN108960042B (zh) 视觉显著性与sift特征的棘球绦虫原头蚴存活率检测方法
Zainuddin et al. Classification of fertile and infertile eggs using thermal camera image and histogram analysis: technology application in poultry farming industry
KR20130006865A (ko) 단말기, 이를 이용한 바로샷 생물 도감 서비스 시스템 및 방법
KR20130045287A (ko) 단말기, 이를 이용한 바로샷 생물 도감 서비스 시스템 및 방법
Gonzalez-Marquez et al. Grape bunch detection using a pixel-wise classification in image processing
CN117392747A (zh) 基于深度学习的牲畜行为检测方法、系统及计算机设备
Kawano et al. Toward building a data-driven system for detecting mounting actions of black beef cattle
CN115641466B (zh) 一种基于视频数据的病牛甄别方法
Sanchez et al. Optimized Image Enhancement Enabled LSTM Technique for Plant Leaf Disease Detection

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