CN111754547B - 一种暗光环境肉鸡的多目标自动识别跟踪定位方法 - Google Patents
一种暗光环境肉鸡的多目标自动识别跟踪定位方法 Download PDFInfo
- Publication number
- CN111754547B CN111754547B CN202010562958.5A CN202010562958A CN111754547B CN 111754547 B CN111754547 B CN 111754547B CN 202010562958 A CN202010562958 A CN 202010562958A CN 111754547 B CN111754547 B CN 111754547B
- Authority
- CN
- China
- Prior art keywords
- broiler
- target
- dark environment
- image
- images
- 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
Links
- 241000287828 Gallus gallus Species 0.000 title claims abstract description 181
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000002372 labelling Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000012544 monitoring process Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 39
- 238000012545 processing Methods 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 9
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000010008 shearing Methods 0.000 claims description 4
- 238000013519 translation Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 238000011426 transformation method Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 13
- 230000007613 environmental effect Effects 0.000 abstract description 3
- 235000016709 nutrition Nutrition 0.000 abstract description 3
- 230000035764 nutrition Effects 0.000 abstract description 3
- 230000009466 transformation Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 244000144977 poultry Species 0.000 description 2
- 235000013594 poultry meat Nutrition 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000001143 conditioned effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000009374 poultry farming Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 235000013619 trace mineral Nutrition 0.000 description 1
- 239000011573 trace mineral Substances 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- 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
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/30232—Surveillance
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P60/00—Technologies relating to agriculture, livestock or agroalimentary industries
- Y02P60/80—Food processing, e.g. use of renewable energies or variable speed drives in handling, conveying or stacking
- Y02P60/87—Re-use of by-products of food processing for fodder production
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种暗光环境肉鸡的多目标自动识别跟踪定位方法,其技术特点是:采集暗光环境下的肉鸡图像并对其进行预处理;对预处理后的肉鸡图像进行特征标注;训练暗光环境肉鸡识别模型,并通过暗光环境肉鸡识别模型对暗光环境下的肉鸡图像进行识别预测,得到暗光环境肉鸡对应的特征分类结果并评估暗光环境肉鸡识别模型的有效性;输出目标肉鸡的最终位置信息并跟踪定位监测。本发明实现暗光环境肉鸡的多目标自动识别跟踪定位功能,能够及时掌握肉鸡的生长状态,便于饲养过程中环境条件、饲养管理、营养等因素的控制,进而有效解决了人工在暗光环境下检查肉鸡时存在的费时费力的问题,具有识别过程省时省力、识别结果客观准确等特点。
Description
技术领域
本发明属于图像处理技术领域,尤其是一种暗光环境肉鸡的多目标自动识别跟踪定位方法。
背景技术
中国的肉鸡出栏率居世界前列。随着禽类饲养的规模化和集约化养殖规模不断提高,禽类养殖业正朝着绿色化、福利化、精准化和智能化转型。但是,我国在禽类养殖尤其是肉鸡养殖的转型过程中,存在许多问题和不足。
为了记录肉鸡在养殖过程中的异常现象,并对处于昏暗环境的肉鸡进行监测分析,需要进行暗光环境下的肉鸡个体识别和跟踪定位检测。通过对暗光环境肉鸡状态的检测,能够及时掌握肉鸡的生长状态,便于饲养过程中环境条件、饲养管理、营养等因素的控制和饲料中各种微量元素的配比,进而能够有效解决人工在暗光环境下检查肉鸡时存在的费时费力的问题。因此,如果省时省力地在暗光环境下对肉鸡的多目标进行自动识别跟踪定位是目前迫切需要解决的问题。
发明内容
本发明的目的在于克服现有技术的不足,提出一种设计合理、准确可靠且省时省力的暗光环境肉鸡的多目标自动识别跟踪定位方法。
本发明解决其技术问题是采取以下技术方案实现的:
一种暗光环境肉鸡的多目标自动识别跟踪定位方法,包括以下步骤:
步骤1、采集暗光环境下的肉鸡图像并对其进行预处理,得到暗光环境肉鸡图像集和暗光环境肉鸡图像对应的目标数据集;
步骤2、对预处理后的肉鸡图像进行特征标注;
步骤3、根据步骤2得到的肉鸡图像的特征标注信息,训练暗光环境肉鸡识别模型,并通过暗光环境肉鸡识别模型对暗光环境下的肉鸡图像进行识别预测,得到暗光环境肉鸡对应的特征分类结果并评估暗光环境肉鸡识别模型的有效性;
步骤4、根据步骤3获得的肉鸡识别结果,输出目标肉鸡的最终位置信息并跟踪定位监测。
进一步,所述步骤1的具体实现方法包括以下步骤:
⑴采集暗光环境下的肉鸡图像,并对暗光环境下的肉鸡图像进行目标关键信息检查;
⑵对合格的暗光环境下的肉鸡图像进行数据增强处理;
⑶对数据增强处理的肉鸡图像进行限制对比度直方图均衡处理,最终得到暗光环境肉鸡图像集和暗光环境肉鸡图像对应的目标数据集。
进一步,所述步骤⑵使用仿射变换方法对肉鸡图像进行数据增强处理,包括平移、旋转、放缩、剪切和反射处理。
进一步,所述暗光环境肉鸡识别模型采用深度神经网络构建,包含若干层网络层,每层网络层由若干个神经元构成。
进一步,所述步骤3的具体实现方法包括以下步骤:
⑴将暗光环境肉鸡图像的特征输入特征向量构建层,构建得到暗光环境肉鸡图像的局部特征向量;
⑵通过全连接层对暗光环境肉鸡图像的局部特征向量进行全连接,得到暗光环境肉鸡图像的全局特征向量,并将全局特征向量输入到分类层,预测得到暗光环境肉鸡图像对应的暗光环境分类结果并评估肉鸡暗光环境识别模型的有效性。
进一步,所述步骤⑵的具体实现方法包括以下步骤:
①进行预测目标和实际目标的差异评估:
对于预测目标和实际目标的差异评估,需要计算预测肉鸡图像与期望肉鸡图像标签之间的距离即模型的损失,对于每个样本,使用如下交叉熵函数计算损失:
对于N个肉鸡图像样本,总的损失函数如下:
②创建随机梯度下降SGD优化器,逐步找到权重和偏差的最佳组合;
③评估暗光环境肉鸡识别模型的有效性:
采用交并比检验非目标物体、目标物体和部分目标物体,方法如下:
其中,area(C)是候选框区域;area(GT)是原标记框区域,∩表示两个区域的交集,∪表示两个区域的并集;
④将非目标物体定义为IoU小于0.3的区域目标,目标物体定义为IoU高于0.65的区域目标,部分目标物体的IoU在0.3到0.65之间;
随机从图像裁剪区域,计算与给定的目标物体的IoU,以此获取非目标物体、目标物体和部分目标物体,训练各个目标物体候选框;依次选取样本随机从图像裁剪区域,计算与标定目标物体特征点的IoU,如果IoU>0.65,认为检测正确;
⑤对目标图片分别用训练好的模型提取目标物体特征向量,再用余弦距离度量目标物体特征的相似度,方法如下:
其中,x和y表示一对目标物体特征向量;当其余弦距离大于阈值时,暗光环境自动检测系统将目标物体识别为异常状态,若当其余弦距离小于阈值时,暗光环境自动检测系统将目标物体识别为正常状态。
进一步,所述步骤4的具体实现方法包括以下步骤:
⑴对图像进行HOG特征描述分析;
⑵对正确识别到的肉鸡图像进行连续帧的目标跟踪定位定位。
进一步,所述步骤⑵的具体实现方法包括以下步骤:
①HOG特征描述:对识别的肉鸡图像进行旋转不变性特征描述分析,使目标跟踪定位结果匹配度更高;
②跟踪定位实现:应用特征描述方式,将肉鸡图像当前帧的目标表示为1×(r-1)的梯度行向量,在获取下一帧肉鸡图像后,以上一帧目标中心点为基准,在目标肉鸡2倍范围内进行目标检索,找到原始图像目标肉鸡与变化后的肉鸡关联性,按下式计算目标的梯度行向量S与待检区域梯度行向量S’的余弦相关性:
其中,(x′,y′)表示待检测区域中可能是目标中心点的坐标,S是目标的梯度行向量,S’是待检区域梯度行向量,Q(x′,y′)极大值位置即新的一帧中目标中心所在,继续采用相同的搜索策略以实现连续帧的目标跟踪定位。
本发明的优点和积极效果是:
本发明通过构建训练好的暗光环境肉鸡识别跟踪定位模型,在暗光环境对肉鸡进行实时监控,实现暗光环境肉鸡的多目标自动识别跟踪定位功能,能够及时掌握肉鸡的生长状态,便于饲养过程中环境条件、饲养管理、营养等因素的控制和饲料中各种微量元素的配比,进而有效解决了人工在暗光环境下检查肉鸡时存在的费时费力的问题,具有识别过程省时省力、识别结果客观准确等特点。
附图说明
图1为本发明的处理流程图。
具体实施方式
以下结合附图对本发明做进一步详述。
一种暗光环境肉鸡的多目标自动识别跟踪定位方法,如图1所示,包括以下步骤:
步骤1、采集暗光环境下的肉鸡图像并对其进行预处理,得到若干暗光环境肉鸡图像集和暗光环境肉鸡图像对应的目标数据集。
在本步骤中,暗光环境肉鸡图像可以通过视频采集设备采集得到,然后将采集到的暗光环境肉鸡图像上传到服务器中进行处理。
本步骤的具体实现方法包括以下步骤:
(1)采集暗光环境下的肉鸡图像,并对暗光环境下的肉鸡图像进行目标关键信息检查。
对视频采集设备采集到的图像进行预处理,得到完整包含目标肉鸡的图像即为合格图像,将合格图像整合得到若干合格肉鸡图像集;若不符合上述指标,则生成告警信息并提示重新采集并上传图像进行合格性检查。
(2)对暗光环境肉鸡图像进行数据增强处理。
对合格的暗光环境下的肉鸡图像进行数据增强处理,包括平移、旋转、放缩、剪切和反射,得到暗光环境下的肉鸡图像对应的目标数据集。
对视频采集设备采集得到的肉鸡图像进行数据增强处理是指利用几何归一化将不同尺寸或旋转的目标物体统一处理为规范化的合格肉鸡图像。其具体增强方法为:
本系统使用仿射变换(平移、旋转、放缩、剪切、反射)对肉鸡图像进行归一化操作。仿射变换矩阵可以用一个3*3的变换矩阵来表示,该变换矩阵将原肉鸡像素点坐标(x,y)变换为新坐标(x',y'),如式(1):
其中,为仿射变换的变换矩阵,m00,m01,m02,m10,m11,m12表示约束参数,x、y为原肉鸡像素点坐标参数,x'、y'表示新肉鸡像素点坐标参数。仿射变换的变换矩阵有6个自由度,不同基础变换的m00,m01,m02,m10,m11,m12约束不同。对于坐标系中的位置(x,y),其相对坐标原点在[1,0]方向上的投影为x,在[0,1]方向上的投影为y。当坐标系变化,坐标系中的点也跟着变化,但点相对新坐标系(x′y′坐标系)的位置不变仍为(x,y)。故坐标系由坐标原点和基向量决定,坐标原点和基向量确定了,坐标系也就确定了。在仿射变换矩阵/>中/>和/>为新的基向量/>为新的坐标原点。
(3)对数据增强处理的肉鸡图像进行限制对比度直方图均衡(CLAHE)处理。
CLAHE是一种很常用的直方图类方法,通过图像的灰度分布直方图确定一条映射曲线,用来对图像进行灰度变换,以达到提高图像对比度。对于彩色图像,三通处理分开处理会导致严重的偏色,将其进行颜色空间转换(如RGB转为HSV),然后仅对亮度分量处理,再反变换回RGB空间。
步骤2、采用特征标注软件对处于暗光环境下的肉鸡图像进行特征标注。
在本实施例中,暗光环境下的肉鸡的特征是用于表征肉鸡在暗光环境下的性状表现,不同光线环境所对应的肉鸡特征图像有所不同。
对暗光环境下的肉鸡图像均进行局部特征标注,所有肉鸡所对应的图像特征标注的组合即构成了暗光环境下的肉鸡识别跟踪定位模型的训练文件。
步骤3、根据步骤2暗光环境肉鸡图像的特征标注信息,训练暗光环境肉鸡识别模型,并通过暗光环境肉鸡识别模型对暗光环境下的肉鸡图像进行识别预测,得到暗光环境肉鸡对应的特征分类结果并评估暗光环境肉鸡识别模型的有效性。具体方法为:
⑴将暗光环境肉鸡图像的特征输入特征向量构建层,构建得到暗光环境肉鸡图像的局部特征向量;
在本实施例中,暗光环境下的识别跟踪定位模型是利用深度神经网络所构建的用于暗光环境识别的模型,其中包含若干层网络层,每层网络层由若干个神经元构成。通过深度神经网络来构建暗光环境识别模型。
暗光环境识别跟踪定位模型构建包括特征向量构建层、全连接层、分类层和模型输出,其将步骤2处理过的训练文件输入特征向量构建层,构建得到所述暗光环境肉鸡图像的局部特征向量。此过程需要计算机提前进行监督学习过程。
⑵通过所述全连接层对所述肉鸡图像的局部特征向量进行全连接,得到所述肉鸡图像的全局特征向量;将所述全局特征向量输入到所述分类层,预测得到暗光环境肉鸡图像对应的暗光环境分类结果并评估肉鸡暗光环境识别模型的有效性。
预测得到特征分类编号的过程中包含了对预测目标和实际目标的差异评估。对于预测目标和实际目标的差异评估,需要计算预测肉鸡图像与期望肉鸡图像标签之间的距离即模型的损失。对于每个样本,使用交叉熵函数计算损失,公式如式(2):
其中,为损失函数即用来衡量预测肉鸡图像与期望肉鸡图像标签之间的距离,用来衡量预测肉鸡图像与期望肉鸡图像标签有多接近;/>为预测输出分类的概率,用来表示当前样本是否为目标图像以及概率大小;y表示输入的实际分类。
对于N个肉鸡图像样本,则总的损失函数如式(3):
创建一个随机梯度下降(SGD)优化器,以最小化loss。随机梯度下降是一种通过计算并且减小梯度将损失降至最低的技术,它以训练数据为条件,来计算损失相对于模型参数的梯度。通俗来说,梯度下降法以迭代方式调整参数,逐渐找到权重和偏差的最佳组合,从而将损失降至最低。该模型将逐步找到权重和偏差的最佳组合,以最大程度地减少损失。损失越小,模型的预测越好。
循环训练csv数据,当所述深度神经网络模型最终收敛稳定,以收敛的深度神经网络模型作为所述肉鸡暗光环境识别模型。
使用单独的测试集评估模型的有效性,衡量整个模型的准确性。与训练阶段不同,该模型仅评估单个时期的测试数据。遍历测试集中的每个样本数据,并将模型的预测与实际标签进行比较。
用训练好的模型进行测试时,网络会预测出一系列的候选框,移除一些IoU值大于某个阈值的框,然后在剩下的候选框中,分别计算与ground truth的IoU值,规定当候选框(candidate bound)和原标记框(ground truth bound)的IoU值大于某个阀值时,认为检测正确。
采用交并比(Intersection-over-Union,IoU)检验非目标物体、目标物体和部分目标物体。如式(4):
其中,area(C)是候选框(candidatebound)区域;area(GT)是原标记框(groundtruth bound) 区域,∩表示两个区域的交集,∪表示两个区域的并集。
非目标物体定义为IoU小于0.3的区域目标,目标物体定义为IoU高于0.65的区域目标,部分目标物体的IoU在0.3到0.65之间。
随机从图像裁剪区域,计算与给定的目标物体的IoU,以此获取非目标物体、目标物体和部分目标物体,训练各个目标物体候选框;依次选取样本随机从图像裁剪区域,计算与标定目标物体特征点的IoU,如果IoU>0.65,认为检测正确。
采用交并比检验非目标物体、目标物体和部分目标物体,如式(5):
其中,area(C)是候选框(candidate bound)区域;area(GT)是原标记框区域,∩表示两个区域的交集,∪表示两个区域的并集;
对目标图片分别用训练好的模型提取目标物体特征向量,再用余弦距离度量目标物体特征的相似度,如式(6):
当其余弦距离大于阈值时,暗光环境自动检测系统将目标物体识别为异常状态,若当其余弦距离小于阈值时,暗光环境自动检测系统将目标物体识别为正常状态。
步骤4、根据步骤3获得的肉鸡识别结果,输出目标肉鸡的最终位置信息并跟踪定位监测。
⑴对图像进行HOG特征描述分析;
HOG图像特征描述:即方向梯度直方图,是一种基于区域特征分析的特征描述方法。在图像处理领域中,它被广泛应用于描述图像部分特征。总体上HOG算法计算步骤如下:
1)将目标图像单元化;
2)分别计算每个单元的各方向梯度值;
3)根据积累的梯度值得到直方图;
4)标准化直方图。
⑵对正确识别到的肉鸡图像进行连续帧的目标跟踪定位定位。
应用特征描述方式,将肉鸡图像当前帧的目标表示为1×(r-1)的梯度行向量,在获取下一帧肉鸡图像后,以上一帧目标中心点为基准,在目标肉鸡2倍范围内进行目标检索,找到原始图像目标肉鸡与变化后的肉鸡关联性,计算目标的梯度行向量S与待检区域梯度行向量S’的余弦相关性。如公式(7):
其中,(x′,y′)表示待检测区域中可能是目标中心点的坐标,S是目标的梯度行向量,S’是待检区域梯度行向量,Q(x′,y′)极大值位置即新的一帧中目标中心所在,继续采用相同的搜索策略以实现连续帧的目标跟踪定位。
需要强调的是,本发明所述的实施例是说明性的,而不是限定性的,因此本发明包括并不限于具体实施方式中所述的实施例,凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式,同样属于本发明保护的范围。
Claims (5)
1.一种暗光环境肉鸡的多目标自动识别跟踪定位方法,其特征在于:包括以下步骤:
步骤1、采集暗光环境下的肉鸡图像并对其进行预处理,得到暗光环境肉鸡图像集和暗光环境肉鸡图像对应的目标数据集;
步骤2、采用特征标注软件对处于暗光环境下的肉鸡图像进行特征标注,所有肉鸡所对应的图像特征标注的组合构成了暗光环境下的肉鸡识别跟踪定位模型的训练文件,将暗光环境下的肉鸡特征用于表征肉鸡在暗光环境下的性状表现,不同光线环境所对应的肉鸡特征图像有所不同;
步骤3、根据步骤2得到的肉鸡图像的特征标注信息,训练暗光环境肉鸡识别模型,并通过暗光环境肉鸡识别模型对暗光环境下的肉鸡图像进行识别预测,得到暗光环境肉鸡对应的特征分类结果并评估暗光环境肉鸡识别模型的有效性;
步骤4、根据步骤3获得的肉鸡识别结果,输出目标肉鸡的最终位置信息并跟踪定位监测;
所述步骤1的具体实现方法包括以下步骤:
⑴采集暗光环境下的肉鸡图像,并对暗光环境下的肉鸡图像进行目标关键信息检查;
⑵对合格的暗光环境下的肉鸡图像进行数据增强处理;
⑶对数据增强处理的肉鸡图像进行限制对比度直方图均衡处理,最终得到暗光环境肉鸡图像集和暗光环境肉鸡图像对应的目标数据集;
对数据增强处理的肉鸡图像进行限制对比度直方图均衡处理的方法为:通过图像的灰度分布直方图确定一条映射曲线,用来对图像进行灰度变换;对于彩色图像,将其进行颜色空间转换,然后仅对亮度分量处理,再反变换回RGB空间;
所述步骤4的具体实现方法包括以下步骤:
⑴对暗光环境肉鸡图像进行HOG特征描述分析:将目标图像单元化;分别计算每个单元的各方向梯度值;根据积累的梯度值得到直方图;标准化直方图;
⑵对正确识别到的肉鸡图像进行连续帧的目标跟踪定位定位,其具体实现方法为:
应用特征描述方式,将肉鸡图像当前帧的目标表示为1×(r-1)的梯度行向量,在获取下一帧肉鸡图像后,以上一帧目标中心点为基准,在目标肉鸡2倍范围内进行目标检索,找到原始图像目标肉鸡与变化后的肉鸡关联性,按下式计算目标的梯度行向量S与待检区域梯度行向量S’的余弦相关性:
其中,(x',y')表示待检测区域中可能是目标中心点的坐标,S是目标的梯度行向量,S’是待检区域梯度行向量,Q(x',y')极大值位置即新的一帧中目标中心所在,继续采用相同的搜索策略以实现连续帧的目标跟踪定位。
2.根据权利要求1所述的一种暗光环境肉鸡的多目标自动识别跟踪定位方法,其特征在于:所述步骤⑵使用仿射变换方法对肉鸡图像进行数据增强处理,包括平移、旋转、放缩、剪切和反射处理。
3.根据权利要求1所述的一种暗光环境肉鸡的多目标自动识别跟踪定位方法,其特征在于:所述暗光环境肉鸡识别模型采用深度神经网络构建,包含若干层网络层,每层网络层由若干个神经元构成。
4.根据权利要求1或3所述的一种暗光环境肉鸡的多目标自动识别跟踪定位方法,其特征在于:所述步骤3的具体实现方法包括以下步骤:
⑴将暗光环境肉鸡图像的特征输入特征向量构建层,构建得到暗光环境肉鸡图像的局部特征向量;
⑵通过全连接层对暗光环境肉鸡图像的局部特征向量进行全连接,得到暗光环境肉鸡图像的全局特征向量,并将全局特征向量输入到分类层,预测得到暗光环境肉鸡图像对应的暗光环境分类结果并评估肉鸡暗光环境识别模型的有效性。
5.根据权利要求4所述的一种暗光环境肉鸡的多目标自动识别跟踪定位方法,其特征在于:所述步骤⑵的具体实现方法包括以下步骤:
①进行预测目标和实际目标的差异评估:
对于预测目标和实际目标的差异评估,需要计算预测肉鸡图像与期望肉鸡图像标签之间的距离即模型的损失,对于每个样本,使用如下交叉熵函数计算损失:
对于N个肉鸡图像样本,总的损失函数如下:
②创建随机梯度下降SGD优化器,逐步找到权重和偏差的最佳组合;
③评估暗光环境肉鸡识别模型的有效性:
采用交并比检验非目标物体、目标物体和部分目标物体,方法如下:
其中,area(C)是候选框区域;area(GT)是原标记框区域,∩表示两个区域的交集,∪表示两个区域的并集;
④将非目标物体定义为IoU小于0.3的区域目标,目标物体定义为IoU高于0.65的区域目标,部分目标物体的IoU在0.3到0.65之间;
随机从图像裁剪区域,计算与给定的目标物体的IoU,以此获取非目标物体、目标物体和部分目标物体,训练各个目标物体候选框;依次选取样本随机从图像裁剪区域,计算与标定目标物体特征点的IoU,如果IoU>0.65,认为检测正确;
⑤对目标图片分别用训练好的模型提取目标物体特征向量,再用余弦距离度量目标物体特征的相似度,方法如下:
其中,x和y表示一对目标物体特征向量;当其余弦距离大于阈值时,暗光环境自动检测系统将目标物体识别为异常状态,若当其余弦距离小于阈值时,暗光环境自动检测系统将目标物体识别为正常状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010562958.5A CN111754547B (zh) | 2020-06-19 | 2020-06-19 | 一种暗光环境肉鸡的多目标自动识别跟踪定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010562958.5A CN111754547B (zh) | 2020-06-19 | 2020-06-19 | 一种暗光环境肉鸡的多目标自动识别跟踪定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111754547A CN111754547A (zh) | 2020-10-09 |
CN111754547B true CN111754547B (zh) | 2023-06-23 |
Family
ID=72675519
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010562958.5A Active CN111754547B (zh) | 2020-06-19 | 2020-06-19 | 一种暗光环境肉鸡的多目标自动识别跟踪定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111754547B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107844797A (zh) * | 2017-09-27 | 2018-03-27 | 华南农业大学 | 一种基于深度图像的哺乳母猪姿态自动识别的方法 |
CN110991300A (zh) * | 2019-11-27 | 2020-04-10 | 天津农学院 | 一种肉鸡腹部异常肿胀状态的自动识别方法 |
-
2020
- 2020-06-19 CN CN202010562958.5A patent/CN111754547B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107844797A (zh) * | 2017-09-27 | 2018-03-27 | 华南农业大学 | 一种基于深度图像的哺乳母猪姿态自动识别的方法 |
CN110991300A (zh) * | 2019-11-27 | 2020-04-10 | 天津农学院 | 一种肉鸡腹部异常肿胀状态的自动识别方法 |
Non-Patent Citations (1)
Title |
---|
《一种基于YOLO-V3算法的水下目标识别跟踪方法》;徐建华 等;《一种基于 YOLO-V3 算法的水下目标识别跟踪方法》;20200228;第28卷(第1期);第129-133页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111754547A (zh) | 2020-10-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112380952B (zh) | 基于人工智能的电力设备红外图像实时检测及识别方法 | |
CN110569837B (zh) | 优化损伤检测结果的方法及装置 | |
CN113705478B (zh) | 一种基于改进YOLOv5的红树林单木目标检测方法 | |
Ruiz-Ruiz et al. | Testing different color spaces based on hue for the environmentally adaptive segmentation algorithm (EASA) | |
CN110569696A (zh) | 用于车辆部件识别的神经网络系统、方法和装置 | |
CN110766690B (zh) | 基于深度学习点监督思想的麦穗检测和计数方法 | |
CN111860106B (zh) | 一种无监督的桥梁裂缝识别方法 | |
Sabri et al. | Nutrient deficiency detection in maize (Zea mays L.) leaves using image processing | |
CN113761259A (zh) | 一种图像处理方法、装置以及计算机设备 | |
CN115482465A (zh) | 基于机器视觉的农作物病虫害预测方法、系统及存储介质 | |
CN116523352B (zh) | 一种森林资源信息的管理方法及系统 | |
Silver et al. | In vino veritas: Estimating vineyard grape yield from images using deep learning | |
Dharshana et al. | A novel approach for detection and classification of fish species | |
CN110991300B (zh) | 一种肉鸡腹部异常肿胀状态的自动识别方法 | |
CN108288273B (zh) | 基于多尺度耦合卷积网的铁路接触网异常目标自动检测法 | |
CN114529906A (zh) | 基于字符识别的输电设备数字仪表异常检测方法及系统 | |
McLeay et al. | Deep convolutional neural networks with transfer learning for waterline detection in mussel farms | |
CN117253192A (zh) | 用于桑蚕养殖的智能系统及方法 | |
CN111754547B (zh) | 一种暗光环境肉鸡的多目标自动识别跟踪定位方法 | |
Zhao et al. | A real‐time classification and detection method for mutton parts based on single shot multi‐box detector | |
ALSAADI et al. | An automated classification of mammals and reptiles animal classes using deep learning | |
CN114724089A (zh) | 一种基于互联网的智慧城市监测方法 | |
Yenugudhati | Identification of plant health using machine learning and image techniques | |
CN113947780A (zh) | 一种基于改进卷积神经网络的梅花鹿面部识别方法 | |
Mirra et al. | Classification of Fruits using Deep Learning Algorithms |
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 |