CN112861663B - 一种基于语义分割的家禽姿态监测方法和系统 - Google Patents

一种基于语义分割的家禽姿态监测方法和系统 Download PDF

Info

Publication number
CN112861663B
CN112861663B CN202110095536.6A CN202110095536A CN112861663B CN 112861663 B CN112861663 B CN 112861663B CN 202110095536 A CN202110095536 A CN 202110095536A CN 112861663 B CN112861663 B CN 112861663B
Authority
CN
China
Prior art keywords
point
poultry
regional
semantic segmentation
point group
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
CN202110095536.6A
Other languages
English (en)
Other versions
CN112861663A (zh
Inventor
张铁民
方成
杨继康
郑海坤
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.)
South China Agricultural University
Original Assignee
South China Agricultural 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 South China Agricultural University filed Critical South China Agricultural University
Priority to CN202110095536.6A priority Critical patent/CN112861663B/zh
Publication of CN112861663A publication Critical patent/CN112861663A/zh
Application granted granted Critical
Publication of CN112861663B publication Critical patent/CN112861663B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于语义分割的家禽姿态监测方法和系统，该方法包括以下步骤：获取畜禽养殖场中的家禽图片，对家禽图片进行预处理，对预处理后的家禽图片中的背景和不同部位使用不同颜色进行标注，将标注后的家禽图片分为训练集和测试集；将测试集输入语义分割网络，语义分割网络输出不同颜色的区域点群；区域点群包括背景区域点群；区域点群包括背景区域点群；分别计算出除背景区域点群以外的区域点群对应的关键点，将所有关键点通过连接算法构建出家禽的姿态骨架。本发明通过提出上述姿态估计方法，可实时对监控的鸡只进行姿态估计，从而达到持续监控鸡只姿态的目的。

Description

一种基于语义分割的家禽姿态监测方法和系统
技术领域
本发明涉及畜禽智能化养殖技术领域，更具体的说，涉及一种基于语义分割的家禽姿态监测方法和系统。
背景技术
当前许多动物行为的研究主要集中于对动物行为的分类和姿态估计。家禽行为分析和姿态估计在养殖过程中起着十分重要的作用。视频监测作为研究动物姿态的方法，是一种低成本且易于实现的方法。然而，研究动物姿态通常需要分析大量的离线视频，而人工分析离线视频又是一项时间和劳动密集型的工作。如何从视频中提取出有效的姿态信息就成为了一个至关重要的问题。因此，行业内急需研发一种自动化的家禽姿态估计方法或者系统。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足，提供一种基于语义分割的家禽姿态监测方法和系统，该方法能解决人工监控费时费力的问题，从而对散养家禽进行自动化监测，实现持续监控鸡只姿态的目的。
本发明的目的通过以下的技术方案实现：一种基于语义分割的家禽姿态监测方法，包括：
S1，获取畜禽养殖场中的家禽图片，对家禽图片进行预处理，对预处理后的家禽图片中的背景和不同部位使用不同颜色进行标注，将标注后的家禽图片分为训练集和测试集；
S2，将训练集输入语义分割网络进行训练，训练完成后；将测试集输入语义分割网络，语义分割网络输出不同颜色的区域点群；区域点群包括背景区域点群；
S3，分别计算出除背景区域点群以外的区域点群对应的关键点，将所有关键点通过连接算法构建出家禽的姿态骨架。
本发明的目的还通过以下的技术方案实现：一种基于语义分割的家禽姿态监测系统，包括：
家禽图片预处理模块，用于获取畜禽养殖场中的家禽图片，对家禽图片进行预处理，对预处理后的家禽图片中的背景和不同部位使用不同颜色进行标注，将标注后的家禽图片分为训练集和测试集；
网络训练模块，用于将训练集输入语义分割网络进行训练，训练完成后；将测试集输入语义分割网络，语义分割网络输出不同颜色的区域点群；区域点群包括背景区域点群；
姿态骨架构建模块，用于分别计算出除背景区域点群以外的区域点群对应的关键点，将所有关键点通过连接算法构建出家禽的姿态骨架。
本发明与现有技术相比，具有如下优点和有益效果：
本发明的基于语义分割的家禽姿态监测方法，相比于传统人工监控方法费时费力的情况，本发明能解决散养鸡只自动姿态估计的问题，从而对散养家禽进行自动化监测，实现持续监控鸡只姿态的目的。
附图说明
图1为本发明一种基于语义分割的家禽姿态监测方法的示意性流程图。
图2为本发明一种基于语义分割的家禽姿态监测系统的示意性结构图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例
如图1所示，本发明提出一种基于语义分割的家禽姿态监测方法的方法，相比于传统人工监控方法费时费力的情况，在本实施例，以家禽为鸡只进行说明。本发明能解决散养鸡只自动姿态估计的问题，从而对散养家禽进行自动化监测，实现持续监控鸡只姿态的目的，包括以下步骤：
S1，获取畜禽养殖场中的鸡只图片，对鸡只图片进行预处理，对预处理后的鸡只图片中的背景和不同部位使用不同颜色进行标注，将标注后的鸡只图片分为训练集和测试集；具体地，获取得到的鸡只图片进行预处理操作，方法是：
通过架设在畜禽养殖场中的摄像头获获取的鸡只图片，将获取的鸡只图片分辨率裁剪到512*512的统一规格；其中鸡只图片通过架设在畜禽养殖场中的摄像头获取的。
对鸡只图片进行多部位颜色标注，包括鸡眼部位、鸡冠部位、鸡喙部位、鸡脚部位、尾巴部位以及剩余部位标注。具体为，通过家禽语义分割算法把鸡只的不同部位和背景分割出来；接着对分割出来的鸡只不同部位图片用不同颜色进行标注。训练集和测试集的比例按照5:1划分。其中训练集用训练FCN语义分割网络，使得将测试集输入FCN语义分割网络进行测试时，输出结果更准确。
S2，将训练集输入FCN语义分割网络进行训练，训练完成后；将测试集输入FCN语义分割网络，语义分割网络输出不同颜色的区域点群；区域点群包括背景区域点群；语义分割网络输出7类不同颜色的区域点群，包括鸡眼区域点群、鸡冠区域点群、鸡喙区域点群、鸡脚区域点群、尾巴区域点群、剩余部位区域点群和背景区域点群。
其中，对于FCN语义分割网络，训练的轮次为100，训练的批大小为4，初始学习率为1×10-4，decay为5×10-4，采用Adam优化器。
S3，分别计算出除背景区域点群以外的区域点群对应的关键点，将所有关键点通过连接算法构建出鸡只的姿态骨架。在本实施例，针对鸡只关键点连接算法，通过计算出的6个关键点，分别为鸡眼(O1)，鸡喙(O2)，鸡冠(O3)，鸡脚(O4)，尾巴(O5)和剩余部位(O6)。连接关键点构建出鸡只姿态骨架，其中关键点对如下：
(O6,O1)、(O6,O3)、(O6,O4)、(O6,O5)、(O1,O2)、(O1,O3)。
在本实施例，除背景点群以外的每个区域点群计算出的关键点，见如下步骤：
S31：随机选择区域点群中的一点A；
S32：遍历区域点群所有的像素点，找出两点间距离最大的点B；
S33：点A和点B的连线中点设为圆心O，再次遍历区域点群所有像素点，找出是否有到圆心O的距离大于半径OB的点；如果有，执行步骤S4，反之执行步骤S6；
S34：将到圆心O的距离最大的像素点作为点C；
S35：以坐标点C替换点A，重复步骤S2；
S36：确定O为关键点。
在本实施例，关键点连接采用Opencv的DrawLine()函数完成。
参见图2，上述基于语义分割的家禽姿态监测系统适用的一种基于语义分割的家禽姿态监测系统，包括：家禽图片预处理模块，用于获取畜禽养殖场中的家禽图片，对家禽图片进行预处理，对预处理后的家禽图片中的背景和不同部位使用不同颜色进行标注，将标注后的家禽图片分为训练集和测试集；网络训练模块，用于将训练集输入语义分割网络进行训练，训练完成后；将测试集输入语义分割网络，语义分割网络输出不同颜色的区域点群；区域点群包括背景区域点群；姿态骨架构建模块，用于分别计算出除背景区域点群以外的区域点群对应的关键点，将所有关键点通过连接算法构建出家禽的姿态骨架。
本发明与现有技术相比，具有如下优点和有益效果：
本发明提供的基于语义分割的鸡只姿态估计方法，相比于传统人工监控方法费时费力的情况，本发明能解决散养鸡只自动姿态估计的问题，从而对散养鸡只进行自动化监测，实现持续监控鸡只姿态的目的。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (6)

1.一种基于语义分割的家禽姿态监测方法，其特征在于，包括：
S1，获取畜禽养殖场中的家禽图片，对家禽图片进行预处理，对预处理后的家禽图片中的背景和不同部位使用不同颜色进行标注，将标注后的家禽图片分为训练集和测试集；
S2，将训练集输入语义分割网络进行训练，训练完成后；将测试集输入语义分割网络，语义分割网络输出不同颜色的区域点群；区域点群包括背景区域点群；训练完成后，语义分割网络输出不同颜色的区域点群有7类，分别为鸡眼区域点群、鸡冠区域点群、鸡喙区域点群、鸡脚区域点群、尾巴区域点群、剩余部位区域点群和背景区域点群；
S3，分别计算出除背景区域点群以外的区域点群对应的关键点，将所有关键点通过连接算法构建出家禽的姿态骨架；所述计算出除背景区域点群以外的区域点群对应的关键点包括：
S31：随机选择区域点群中的一点A；
S32：遍历区域点群所有的像素点，找出两点间距离最大的点B；
S33：点A和点B的连线中点设为圆心O，再次遍历区域点群所有像素点，找出是否有到圆心O的距离大于半径OB的点；如果有，执行步骤S34，反之执行步骤S36；
S34：将到圆心O的距离最大的像素点作为点C；
S35：以坐标点C替换点A，重复步骤S32；
S36：确定O为关键点。
2.根据权利要求1所述的基于语义分割的家禽姿态监测方法，其特征在于，家禽为鸡，步骤S1包括：
将获取的家禽图片分辨率裁剪到512*512的统一规格；
对家禽图片中的不同部位使用不同颜色进行标注，不同部位包括鸡眼部位、鸡冠部位、鸡喙部位、鸡脚部位、尾巴部位以及剩余部位。
3.根据权利要求1所述的基于语义分割的家禽姿态监测方法，其特征在于，对于FCN语义分割网络，训练的轮次为100，训练的批大小为4，初始学习率为1×10-4，decay为5×10-4，采用Adam优化器。
4.根据权利要求1所述的基于语义分割的家禽姿态监测方法，其特征在于，步骤S3包括：
计算出除背景区域点群以外的区域点群对应的6个关键点，6个关键点分别为鸡眼（O1），鸡喙（O2），鸡冠（O3），鸡脚（O4），尾巴（O5）和剩余部位（O6）
将所有关键点连接构成关键点对，建出家禽的姿态骨架，其中关键点对如下：
(O6,O1)、(O6,O3)、(O6,O4)、(O6,O5)、(O1,O2)、(O1,O3)。
5.根据权利要求4所述的基于语义分割的家禽姿态监测方法，其特征在于， 关键点连接采用Opencv的DrawLine()函数完成。
6.一种基于语义分割的家禽姿态监测系统，其特征在于，包括：
家禽图片预处理模块，用于获取畜禽养殖场中的家禽图片，对家禽图片进行预处理，对预处理后的家禽图片中的背景和不同部位使用不同颜色进行标注，将标注后的家禽图片分为训练集和测试集；
网络训练模块，用于将训练集输入语义分割网络进行训练，训练完成后；将测试集输入语义分割网络，语义分割网络输出不同颜色的区域点群；区域点群包括背景区域点群；训练完成后，语义分割网络输出不同颜色的区域点群有7类，分别为鸡眼区域点群、鸡冠区域点群、鸡喙区域点群、鸡脚区域点群、尾巴区域点群、剩余部位区域点群和背景区域点群；
姿态骨架构建模块，用于分别计算出除背景区域点群以外的区域点群对应的关键点，将所有关键点通过连接算法构建出家禽的姿态骨架；所述计算出除背景区域点群以外的区域点群对应的关键点包括：
S31：随机选择区域点群中的一点A；
S32：遍历区域点群所有的像素点，找出两点间距离最大的点B；
S33：点A和点B的连线中点设为圆心O，再次遍历区域点群所有像素点，找出是否有到圆心O的距离大于半径OB的点；如果有，执行步骤S34，反之执行步骤S36；
S34：将到圆心O的距离最大的像素点作为点C；
S35：以坐标点C替换点A，重复步骤S32；
S36：确定O为关键点。
CN202110095536.6A 2021-01-25 2021-01-25 一种基于语义分割的家禽姿态监测方法和系统 Active CN112861663B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110095536.6A CN112861663B (zh) 2021-01-25 2021-01-25 一种基于语义分割的家禽姿态监测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110095536.6A CN112861663B (zh) 2021-01-25 2021-01-25 一种基于语义分割的家禽姿态监测方法和系统

Publications (2)

Publication Number Publication Date
CN112861663A CN112861663A (zh) 2021-05-28
CN112861663B true CN112861663B (zh) 2023-10-10

Family

ID=76008412

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110095536.6A Active CN112861663B (zh) 2021-01-25 2021-01-25 一种基于语义分割的家禽姿态监测方法和系统

Country Status (1)

Country Link
CN (1) CN112861663B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113280820B (zh) * 2021-06-09 2022-11-29 华南农业大学 基于神经网络的果园视觉导航路径提取方法与系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110598554A (zh) * 2019-08-09 2019-12-20 中国地质大学（武汉） 基于对抗学习的多人姿态估计方法
CN111667535A (zh) * 2020-06-04 2020-09-15 电子科技大学 一种针对遮挡场景下的六自由度位姿估计方法
CN111862126A (zh) * 2020-07-09 2020-10-30 北京航空航天大学 深度学习与几何算法结合的非合作目标相对位姿估计方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110598554A (zh) * 2019-08-09 2019-12-20 中国地质大学（武汉） 基于对抗学习的多人姿态估计方法
CN111667535A (zh) * 2020-06-04 2020-09-15 电子科技大学 一种针对遮挡场景下的六自由度位姿估计方法
CN111862126A (zh) * 2020-07-09 2020-10-30 北京航空航天大学 深度学习与几何算法结合的非合作目标相对位姿估计方法

Also Published As

Publication number Publication date
CN112861663A (zh) 2021-05-28

Similar Documents

Publication Publication Date Title
CN110992317B (zh) 一种基于语义分割的pcb板缺陷检测方法
CN109064454A (zh) 产品缺陷检测方法及系统
CN111967313B (zh) 一种深度学习目标检测算法辅助的无人机图像标注方法
CN114994061A (zh) 一种基于机器视觉的钢轨智能化检测方法及系统
CN110175519B (zh) 一种变电站的分合标识仪表识别方法、装置与存储介质
CN112861663B (zh) 一种基于语义分割的家禽姿态监测方法和系统
CN109003271A (zh) 一种基于深度学习yolo算法的线束连接器排线质量检测方法
CN112613428B (zh) 基于平衡损失的Resnet-3D卷积牛视频目标检测方法
CN112070712B (zh) 基于自编码器网络的印刷缺陷检测方法
CN112396042A (zh) 实时更新的目标检测方法及系统、计算机可读存储介质
CN114092699A (zh) 基于迁移学习的群猪图像分割的方法及系统
CN112861664B (zh) 一种基于深度学习的家禽姿态检测方法和系统
CN105205833A (zh) 一种基于时空背景模型的运动目标检测方法及装置
US11922680B2 (en) Image determination device, image determination method, and non-transitory computer readable medium storing program
CN111428796B (zh) 一种基于深度学习的通用物品检测方法及系统
CN115238428A (zh) 变电站二次图纸可视化编辑数字化配置装置、方法及应用
Nanjappa et al. Mouse pose estimation from depth images
CN112215107A (zh) 一种猪的行为识别方法及装置、电子设备和存储介质
CN115239615A (zh) 基于ctpn的布匹缺陷检测方法
CN113361520A (zh) 基于样本偏移网络的输电线路设备缺陷检测方法
CN110706205B (zh) 一种使用计算机视觉技术检测布匹破洞缺陷的方法
CN116563770B (zh) 车辆颜色的检测方法、装置及设备和介质
CN111191724B (zh) 一种电梯图像标注方法、装置、计算机设备及存储介质
KR102131243B1 (ko) 딥러닝 및 연결성 그래프에 기초한 식물 영역 추출 시스템 및 방법
CN117649396A (zh) 用于化塑智能管理平台的数据传输方法

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