CN113516071A - 一种猪只估重方法 - Google Patents
一种猪只估重方法 Download PDFInfo
- Publication number
- CN113516071A CN113516071A CN202110773514.0A CN202110773514A CN113516071A CN 113516071 A CN113516071 A CN 113516071A CN 202110773514 A CN202110773514 A CN 202110773514A CN 113516071 A CN113516071 A CN 113516071A
- Authority
- CN
- China
- Prior art keywords
- pig
- fisheye image
- weight
- detected
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 241000282887 Suidae Species 0.000 title claims abstract description 26
- 238000001514 detection method Methods 0.000 claims abstract description 53
- 238000013135 deep learning Methods 0.000 claims abstract description 17
- 238000004891 communication Methods 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 14
- 230000011218 segmentation Effects 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 9
- 238000013523 data management Methods 0.000 claims description 6
- 238000013500 data storage Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 230000003287 optical effect Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000009395 breeding Methods 0.000 description 7
- 230000001488 breeding effect Effects 0.000 description 7
- 238000005303 weighing Methods 0.000 description 7
- 238000011176 pooling Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 235000015277 pork Nutrition 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06N20/00—Machine learning
-
- 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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/04—Context-preserving transformations, e.g. by using an importance map
- G06T3/047—Fisheye or wide-angle transformations
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明属于深度学习技术领域,公开了一种猪只估重方法,包括如下步骤:基于深度学习建立猪只检测模型;实时获取待检测猪只鱼眼图像;将待检测猪只鱼眼图像输入猪只检测模型进行检测,得到所有的猪只目标及其像素面积;根据对应的像素面积获取所有的猪只目标的猪只重量。本发明解决了现有技术存在的人力成本投入高、工作量大、效率低下以及准确性低的问题。
Description
技术领域
本发明属于深度学习技术领域,具体涉及一种猪只估重方法。
背景技术
随着经济发展,人们对猪肉的需求越来越高,猪肉的产量也越来越高,目前采用最多的养殖模式是大栏养猪,实现了养猪行业由散养模式向规模化、集约化模式的转变,这种养殖模式的特点是猪只密度大,数量多,其优点为节约占地,增加单位饲养头数,适合集约化养殖,便于统计,母猪生活在大栏里一目了然,统计挂牌,不容易出错。
传统技术中采用人工的方式对猪只进行称重,这种方式的人力成本投入高,工作人员的工作量大,并且效率低下;随着现代化设备在养殖业的普及,深度学习技术在猪只称重的应用越来越广泛,但是现有的猪只称重技术只能对平面图像进行计算,而对于鱼眼图像的猪只称重存在较大的误差,准确度低。
发明内容
为了解决现有技术存在的人力成本投入高、工作量大、效率低下以及准确度低的问题,本发明目的在于提供一种成本投入低、工作量少、效率高以及准确度高的猪只估重方法。
本发明所采用的技术方案为:
一种猪只估重方法,包括如下步骤:
基于深度学习建立猪只检测模型;
实时获取待检测猪只鱼眼图像;
将待检测猪只鱼眼图像输入猪只检测模型进行检测,得到所有的猪只目标及其像素面积;
根据对应的像素面积获取所有的猪只目标的猪只重量。
进一步地,基于深度学习建立猪只检测模型,包括如下步骤:
获取猪只鱼眼图像数据集,并对猪只鱼眼图像数据集中的所有图像进行预处理,得到预处理后的猪只鱼眼图像数据集;
基于深度学习建立Mask-RCNN模型;
使用预处理后的猪只鱼眼图像数据集对Mask-RCNN模型进行训练,得到猪只检测模型。
进一步地,预处理包括几何变换处理、光学变换处理、增加噪声处理以及归一化处理。
进一步地,Mask-RCNN模型的网络结构包括ResNeXt模块、RPN模块、RoI Align模块、Fast R-CNN模块以及FCN模块。
进一步地,Mask-RCNN模型的工作方法,包括如下步骤:
将猪只鱼眼图像输入ResNeXt模块,得到特征图;
根据特征图获取若干ROI候选框;
将若干ROI候选框输入RPN模块进行筛选,使用二值分类方法与边框回归方法得到筛选后的ROI候选框;
将筛选后的ROI候选框输入ROI Align模块进行特征图对应处理,即将输入的猪只鱼眼图像与特征图的像素进行对应,将特征图于固定特征进行对应;
将筛选后的ROI候选框输入FCN模块进行依次的分类、边框回归以及Mask分割,得到每个筛选后的ROI候选框的Mask。
进一步地,使用预处理后的猪只鱼眼图像数据集对Mask-RCNN模型进行训练,得到猪只检测模型,包括如下步骤:
将预处理后的猪只鱼眼图像数据集划分为猪只鱼眼图像训练集和猪只鱼眼图像测试集;
将猪只鱼眼图像训练集输入Mask-RCNN模型进行训练,得到初始的猪只检测模型;
将猪只鱼眼图像测试集输入初始的猪只检测模型进行优化,得到最优的猪只检测模型。
进一步地,将待检测猪只鱼眼图像输入猪只检测模型进行检测,得到所有的猪只目标及其像素面积,包括如下步骤:
将待检测猪只鱼眼图像进行网格划分,得到含有网格的猪只鱼眼图像;
获取每个网格的像素权重;
将当前的含有网格的待检测猪只鱼眼图像输入猪只检测模型进目标检测,得到待检测猪只鱼眼图像内的所有猪只目标及其位置;
获取当前的猪只目标在对应位置的网格的像素面积;
遍历待检测猪只鱼眼图像的所有猪只目标,得到所有的猪只目标在对应位置的网格的像素面积。
进一步地,根据对应的像素面积获取所有的猪只目标的猪只重量,包括如下步骤:
根据当前的猪只目标在对应位置的网格的像素面积和对应网格的像素权重获取当前的猪只目标的猪只重量;
遍历待检测猪只鱼眼图像的所有猪只目标,得到所有猪只目标的猪只重量。
进一步地,猪只重量的获取公式为:
式中,P为猪只重量;Si为猪只目标在第i个网格的像素面积;li为第i个网格的像素权重;i为网格指示量;N为猪只目标所占的网格总数。
进一步地,猪只估重方法基于猪只估重系统,猪只估重系统包括摄像单元和数据处理中心,摄像单元与数据处理中心通信连接;
摄像单元,用于实时获取待检测猪只鱼眼图像,并将待检测猪只鱼眼图像发送至数据处理中心;
数据处理中心,用于基于深度学习建立猪只检测模型,接收待检测猪只鱼眼图像,将待检测猪只鱼眼图像输入猪只检测模型进行检测,得到所有的猪只目标及其像素面积,并根据对应的像素面积获取所有的猪只目标的猪只重量;
摄像单元包括主控模块、摄像头以及通讯模块,主控模块分别与摄像头和通讯模块通信连接,通讯模块与数据处理中心通信连接;
数据处理中心包括数据处理服务器、数据管理服务器以及数据存储服务器,数据管理服务器分别与通讯模块、数据处理服务器以及数据存储服务器通信连接。
本发明的有益效果为:
1)本发明提供一种基于深度学习的猪只估重方法,对拍摄的待检测猪只鱼眼图像进行检测,使用猪只检测模型方便的检测猪只目标的位置及其像素面积,获取每个猪只目标的猪只重量,避免了人工方式进行称重,减少了人力成本投入,提高了估重效率;
2)本发明的针对鱼眼图像进行网格划分和像素权重划分,减小了对于鱼眼图像的猪只称重的误差,提高了准确度。
本发明的其他有益效果将在具体实施方式中进一步进行说明。
附图说明
图1是本发明中猪只估重方法流程框图。
图2是Mask-RCNN模型的网络结构图。
图3是待检测猪只鱼眼图像。
图4是含有网格的待检测猪只鱼眼图像。
图5是猪只估重系统框图。
具体实施方式
下面结合附图及具体实施例对本发明做进一步阐释。
实施例1:
如图1所示,本实施例提供一种猪只估重方法,包括如下步骤:
基于深度学习建立猪只检测模型,包括如下步骤:
获取猪只鱼眼图像数据集,并对猪只鱼眼图像数据集中的所有图像进行预处理,得到预处理后的猪只鱼眼图像数据集;
预处理包括几何变换处理、光学变换处理、增加噪声处理以及归一化处理;
几何变换处理丰富物体在图像中出现的位置和尺度等,从而满足模型的平移不变性和尺度不变性,例如平移、翻转、缩放和裁剪等;光学变换处理增加不同光照和场景下的图像,典型的操作有亮度、对比度、色相与饱和度的随意扰动、通道色域之间的变换;增加噪声处理通过在原始图像中增加一定的扰动,如高斯噪声,可以使模型对可能遇到的噪声具有抗干扰性,从而提升模型的泛化能力;归一化处理图像处理完成后,需要对图像进行裁剪,让图像缩放到固定的尺寸;
基于深度学习建立Mask-RCNN模型,如图2所示,Mask-RCNN模型的网络结构包括ResNeXt模块、RPN模块、RoI Align模块、Fast R-CNN模块以及FCN模块;
Mask-RCNN模型的工作方法,包括如下步骤:
将猪只鱼眼图像输入ResNeXt模块,得到特征图;
根据特征图获取若干兴趣区域ROI候选框;
将若干ROI候选框输入区域建议网络RPN模块进行筛选,使用二值分类方法与边框回归方法得到筛选后的ROI候选框;
将筛选后的ROI候选框输入兴趣区域校正ROI Align模块进行特征图对应处理,即将输入的猪只鱼眼图像与特征图的像素进行对应,将特征图于固定特征进行对应;
将筛选后的ROI候选框输入全卷积网络FCN模块进行依次的分类、边框回归以及掩码Mask分割,得到每个筛选后的ROI候选框的Mask;
主要包括以下优点:
1)高速和高准确率:Mask R-CNN模型选用了经典的目标检测算法Faster R-CNN和经典的语义分割FCN模块,二者结合,Faster R-CNN模型可以既快又准的完成目标检测的功能;FCN模块可以精准的完成语义分割的功能,这两个算法都是对应领域中的经典之作,Mask R-CNN比Faster R-CNN复杂,但是最终仍然可以达到5fps的速度,这和原始的FasterR-CNN模型的速度相当,由于发现了ROI Pooling中所存在的像素偏差问题,提出了对应的ROIAlign策略,加上FCN精准的像素MASK,使得其可以获得高准确率;
ROI Align模块是在Mask R-CNN模型中提出的一种区域特征聚集方式,很好地解决了现有技术中ROI Pooling模块操作中两次量化造成的区域不匹配问题,用ROI Align模块替换ROI Pooling模块可以提升检测模型的准确性;
RoI Align模块的思路很简单:取消量化操作,使用双线性内插的方法获得坐标为浮点数的像素点上的图像数值,从而将整个特征聚集过程转化为一个连续的操作,值得注意的是,在具体的算法操作上,RoI Align模块并不是简单地补充出候选区域边界上的坐标点,然后将这些坐标点进行池化,而是重新设计了一套流程:
2)简单直观:整个Mask R-CNN模型的思路很简单,就是在原始Faster R-CNN模型的基础上面增加了FCN模型来产生对应的MASK分支,Mask R-CNN模型通过Faster R-CNN模型扩展得到,在Faster R-CNN模型中,对于每个ROI主要有两个输出,一个输出是分类结果,也就是预测框的标签;另一个输出是回归结果,也就是预测框的坐标offset;而Mask R-CNN模型则是添加了第三个输出:目标掩码Object Mask,也就说对每个ROI都输出一个Mask,该支路是通过FCN网络来实现的;以上这三个输出支路相互之间都是平行关系,相比其他先分割再分类的实例分割算法相比,这种平行设计不仅简单而且高效;
3)易于使用:整个Mask R-CNN模型非常的灵活,可以用来完成多种任务,包括目标分类、目标检测、语义分割、实例分割、人体姿态识别等多个任务,这将其易于使用的特点展现的淋漓尽致,有很好的扩展性和易用性,并且可以更换不同的主干架构和头部结构来获得不同性能的结果;
遍历每一个候选区域,保持浮点数边界不做量化;
将候选区域分割成若干个单元,每个单元的边界也不做量化;
在每个单元中计算固定四个坐标位置,用双线性内插的方法计算出这四个位置的值,然后进行最大池化操作;
使用预处理后的猪只鱼眼图像数据集对Mask-RCNN模型进行训练,得到猪只检测模型,包括如下步骤:
将预处理后的猪只鱼眼图像数据集划分为猪只鱼眼图像训练集和猪只鱼眼图像测试集;
将猪只鱼眼图像训练集输入Mask-RCNN模型进行训练,得到初始的猪只检测模型;
将猪只鱼眼图像测试集输入初始的猪只检测模型进行优化,得到最优的猪只检测模型;
实时获取如图3所示待检测猪只鱼眼图像,本实施例中,摄像头安装在栏位正中间的上方,并且对栏位全局无死角拍摄;
将待检测猪只鱼眼图像输入猪只检测模型进行检测,得到所有的猪只目标及其像素面积,包括如下步骤:
将待检测猪只鱼眼图像进行网格划分,从中间到边缘划分多个面积大小不同的网格,每个网格范围代表相同的猪只体重,得到含有网格的猪只鱼眼图像,减小了对于鱼眼图像的猪只称重的误差,提高了准确度;
根据实际计算时的效率划分,网格越多效果越好,但是算法越慢,可以根据算法速度和复杂度要求划分;由于畸变是中间向四周渐变的,可以根据线性渐变规则,从中间向两边乘以固定系数衰减,得到对应的网格,远离中心的像素点权重越大,可知越靠近边缘,网格的面积越小;
获取每个网格的像素权重,根据预知的数据,摄像头高度、猪只实际面积以及猪只实际重量,预先计算并标定出不同网格中像素权重;
将如图4所示的当前的含有网格的待检测猪只鱼眼图像输入猪只检测模型进目标检测,得到待检测猪只鱼眼图像内的所有猪只目标及其位置;
获取当前的猪只目标在对应位置的网格的像素面积;
遍历待检测猪只鱼眼图像的所有猪只目标,得到所有的猪只目标在对应位置的网格的像素面积;
根据对应的像素面积获取所有的猪只目标的猪只重量,包括如下步骤:
根据当前的猪只目标在对应位置的网格的像素面积和对应网格的像素权重获取当前的猪只目标的猪只重量;
遍历待检测猪只鱼眼图像的所有猪只目标,得到所有猪只目标的猪只重量;猪只重量的获取公式为:
式中,P为猪只重量;Si为猪只目标在第i个网格的像素面积;li为第i个网格的像素权重;i为网格指示量;N为猪只目标所占的网格总数。
本发明提供一种基于深度学习的猪只估重方法,对拍摄的待检测猪只鱼眼图像进行检测,使用猪只检测模型方便的检测猪只目标的位置及其像素面积,获取每个猪只目标的猪只重量,避免了人工方式进行称重,减少了人力成本投入,提高了估重效率。
实施例2:
如图5所示,本实施例在实施例1的基础上,提供一种猪只估重系统,应用于实施例1中的猪只估重方法,猪只估重系统包括摄像单元和数据处理中心,摄像单元与数据处理中心通信连接;
摄像单元,用于实时获取待检测猪只鱼眼图像,并将待检测猪只鱼眼图像发送至数据处理中心;
数据处理中心,用于基于深度学习建立猪只检测模型,接收待检测猪只鱼眼图像,将待检测猪只鱼眼图像输入猪只检测模型进行检测,得到所有的猪只目标及其像素面积,并根据对应的像素面积获取所有的猪只目标的猪只重量;
摄像单元包括主控模块、摄像头以及通讯模块,主控模块分别与摄像头和通讯模块通信连接,通讯模块与数据处理中心通信连接;
数据处理中心包括数据处理服务器、数据管理服务器以及数据存储服务器,数据管理服务器分别与通讯模块、数据处理服务器以及数据存储服务器通信连接。
本发明不局限于上述可选的实施方式,任何人在本发明的启示下都可得出其他各种形式的产品。上述具体实施方式不应理解成对本发明的保护范围的限制,本发明的保护范围应当以权利要求书中界定的为准,并且说明书可以用于解释权利要求书。
Claims (10)
1.一种猪只估重方法,其特征在于:包括如下步骤:
基于深度学习建立猪只检测模型;
实时获取待检测猪只鱼眼图像;
将待检测猪只鱼眼图像输入猪只检测模型进行检测,得到所有的猪只目标及其像素面积;
根据对应的像素面积获取所有的猪只目标的猪只重量。
2.根据权利要求1所述的猪只估重方法,其特征在于:所述的基于深度学习建立猪只检测模型,包括如下步骤:
获取猪只鱼眼图像数据集,并对猪只鱼眼图像数据集中的所有图像进行预处理,得到预处理后的猪只鱼眼图像数据集;
基于深度学习建立Mask-RCNN模型;
使用预处理后的猪只鱼眼图像数据集对Mask-RCNN模型进行训练,得到猪只检测模型。
3.根据权利要求2所述的猪只估重方法,其特征在于:所述的预处理包括几何变换处理、光学变换处理、增加噪声处理以及归一化处理。
4.根据权利要求2所述的猪只估重方法,其特征在于:所述的Mask-RCNN模型的网络结构包括ResNeXt模块、RPN模块、RoI Align模块、Fast R-CNN模块以及FCN模块。
5.根据权利要求4所述的猪只估重方法,其特征在于:所述的Mask-RCNN模型的工作方法,包括如下步骤:
将猪只鱼眼图像输入ResNeXt模块,得到特征图;
根据特征图获取若干ROI候选框;
将若干ROI候选框输入RPN模块进行筛选,使用二值分类方法与边框回归方法得到筛选后的ROI候选框;
将筛选后的ROI候选框输入ROI Align模块进行特征图对应处理,即将输入的猪只鱼眼图像与特征图的像素进行对应,将特征图于固定特征进行对应;
将筛选后的ROI候选框输入FCN模块进行依次的分类、边框回归以及Mask分割,得到每个筛选后的ROI候选框的Mask。
6.根据权利要求2所述的猪只估重方法,其特征在于:所述的使用预处理后的猪只鱼眼图像数据集对Mask-RCNN模型进行训练,得到猪只检测模型,包括如下步骤:
将预处理后的猪只鱼眼图像数据集划分为猪只鱼眼图像训练集和猪只鱼眼图像测试集;
将猪只鱼眼图像训练集输入Mask-RCNN模型进行训练,得到初始的猪只检测模型;
将猪只鱼眼图像测试集输入初始的猪只检测模型进行优化,得到最优的猪只检测模型。
7.根据权利要求1所述的猪只估重方法,其特征在于:所述的将待检测猪只鱼眼图像输入猪只检测模型进行检测,得到所有的猪只目标及其像素面积,包括如下步骤:
将待检测猪只鱼眼图像进行网格划分,得到含有网格的猪只鱼眼图像;
获取每个网格的像素权重;
将当前的含有网格的待检测猪只鱼眼图像输入猪只检测模型进目标检测,得到待检测猪只鱼眼图像内的所有猪只目标及其位置;
获取当前的猪只目标在对应位置的网格的像素面积;
遍历待检测猪只鱼眼图像的所有猪只目标,得到所有的猪只目标在对应位置的网格的像素面积。
8.根据权利要求7所述的猪只估重方法,其特征在于:所述的根据对应的像素面积获取所有的猪只目标的猪只重量,包括如下步骤:
根据当前的猪只目标在对应位置的网格的像素面积和对应网格的像素权重获取当前的猪只目标的猪只重量;
遍历待检测猪只鱼眼图像的所有猪只目标,得到所有猪只目标的猪只重量。
10.根据权利要求1所述的猪只估重方法,其特征在于:所述的猪只估重方法基于猪只估重系统,所述的猪只估重系统包括摄像单元和数据处理中心,所述的摄像单元与数据处理中心通信连接;
摄像单元,用于实时获取待检测猪只鱼眼图像,并将待检测猪只鱼眼图像发送至数据处理中心;
数据处理中心,用于基于深度学习建立猪只检测模型,接收待检测猪只鱼眼图像,将待检测猪只鱼眼图像输入猪只检测模型进行检测,得到所有的猪只目标及其像素面积,并根据对应的像素面积获取所有的猪只目标的猪只重量;
所述的摄像单元包括主控模块、摄像头以及通讯模块,所述的主控模块分别与摄像头和通讯模块通信连接,所述的通讯模块与数据处理中心通信连接;
所述的数据处理中心包括数据处理服务器、数据管理服务器以及数据存储服务器,所述的数据管理服务器分别与通讯模块、数据处理服务器以及数据存储服务器通信连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110773514.0A CN113516071B (zh) | 2021-07-08 | 一种猪只估重方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110773514.0A CN113516071B (zh) | 2021-07-08 | 一种猪只估重方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113516071A true CN113516071A (zh) | 2021-10-19 |
CN113516071B CN113516071B (zh) | 2024-06-28 |
Family
ID=
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115631402A (zh) * | 2022-12-22 | 2023-01-20 | 联通(四川)产业互联网有限公司 | 一种适用于智慧养殖的ai算法服务平台构建方法 |
CN117011804A (zh) * | 2023-09-28 | 2023-11-07 | 厦门农芯数字科技有限公司 | 高精度猪场栋舍盘估方法、系统、设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014025849A (ja) * | 2012-07-27 | 2014-02-06 | Nippon Telegr & Teleph Corp <Ntt> | 重要領域決定装置及び方法及びプログラム |
JP2014042160A (ja) * | 2012-08-22 | 2014-03-06 | Ntt Docomo Inc | 表示端末、動体検知の対象領域の設定方法及びプログラム |
CN104104869A (zh) * | 2014-06-25 | 2014-10-15 | 华为技术有限公司 | 一种拍照方法、装置及电子设备 |
US20170148212A1 (en) * | 2015-11-23 | 2017-05-25 | Adobe Systems Incorporated | Color-based dynamic sub-division to generate 3d mesh |
US20180357804A1 (en) * | 2017-06-12 | 2018-12-13 | Qualcomm Incorporated | Fisheye image stitching for movable cameras |
CN112150498A (zh) * | 2020-11-09 | 2020-12-29 | 浙江大华技术股份有限公司 | 体态信息的确定方法、装置、存储介质及电子装置 |
CN112766136A (zh) * | 2021-01-14 | 2021-05-07 | 华南理工大学 | 一种基于深度学习的空间车位检测方法 |
CN112793564A (zh) * | 2021-02-07 | 2021-05-14 | 杨东杰 | 一种基于全景鸟瞰图和深度学习的自主泊车辅助系统 |
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014025849A (ja) * | 2012-07-27 | 2014-02-06 | Nippon Telegr & Teleph Corp <Ntt> | 重要領域決定装置及び方法及びプログラム |
JP2014042160A (ja) * | 2012-08-22 | 2014-03-06 | Ntt Docomo Inc | 表示端末、動体検知の対象領域の設定方法及びプログラム |
CN104104869A (zh) * | 2014-06-25 | 2014-10-15 | 华为技术有限公司 | 一种拍照方法、装置及电子设备 |
US20170148212A1 (en) * | 2015-11-23 | 2017-05-25 | Adobe Systems Incorporated | Color-based dynamic sub-division to generate 3d mesh |
US20180357804A1 (en) * | 2017-06-12 | 2018-12-13 | Qualcomm Incorporated | Fisheye image stitching for movable cameras |
CN112150498A (zh) * | 2020-11-09 | 2020-12-29 | 浙江大华技术股份有限公司 | 体态信息的确定方法、装置、存储介质及电子装置 |
CN112766136A (zh) * | 2021-01-14 | 2021-05-07 | 华南理工大学 | 一种基于深度学习的空间车位检测方法 |
CN112793564A (zh) * | 2021-02-07 | 2021-05-14 | 杨东杰 | 一种基于全景鸟瞰图和深度学习的自主泊车辅助系统 |
Non-Patent Citations (3)
Title |
---|
SHAOKANG JIANG等: "Detection of Parking Slots Based on Mask R-CNN", 《APPLIED SCIENCES》, vol. 10, no. 12, 23 June 2020 (2020-06-23), pages 4295, XP055907389, DOI: 10.3390/app10124295 * |
ZHIHAO DUAN等: "RAPiD:Rotation-Aware People Detection in Overhead Fisheye Images", 《PROCEEDINGS OF THE IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION WORKSHOPS》, 28 July 2020 (2020-07-28), pages 636 - 637 * |
王耀东: "基于Mask RCNN神经网络的行人重识别研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 2021, 15 January 2021 (2021-01-15), pages 3 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115631402A (zh) * | 2022-12-22 | 2023-01-20 | 联通(四川)产业互联网有限公司 | 一种适用于智慧养殖的ai算法服务平台构建方法 |
CN115631402B (zh) * | 2022-12-22 | 2023-05-23 | 联通(四川)产业互联网有限公司 | 一种适用于智慧养殖的ai算法服务平台构建方法 |
CN117011804A (zh) * | 2023-09-28 | 2023-11-07 | 厦门农芯数字科技有限公司 | 高精度猪场栋舍盘估方法、系统、设备及存储介质 |
CN117011804B (zh) * | 2023-09-28 | 2023-12-26 | 厦门农芯数字科技有限公司 | 高精度猪场栋舍盘估方法、系统、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109360206B (zh) | 基于深度学习的大田稻穗分割方法 | |
Yu et al. | Segmentation and measurement scheme for fish morphological features based on Mask R-CNN | |
CN111640125B (zh) | 基于Mask R-CNN的航拍图建筑物检测和分割方法及装置 | |
US20210224609A1 (en) | Method, system and device for multi-label object detection based on an object detection network | |
CN110321937B (zh) | 一种Faster-RCNN结合卡尔曼滤波的运动人体跟踪方法 | |
CN113592896B (zh) | 基于图像处理的鱼类投喂方法、系统、设备及存储介质 | |
CN112561899A (zh) | 电力巡检图像识别方法 | |
CN117253154B (zh) | 一种基于深度学习的集装箱弱小序列号目标检测识别方法 | |
CN113420794B (zh) | 一种基于深度学习的二值化Faster R-CNN柑橘病虫害识别方法 | |
CN112861855A (zh) | 基于对抗网络模型的群养猪实例分割方法 | |
CN114140672A (zh) | 一种应用于雨雪天气场景下多传感器数据融合的目标检测网络系统及方法 | |
CN110827304A (zh) | 一种基于深度卷积网络与水平集方法的中医舌像定位方法和系统 | |
CN112115807A (zh) | 一种基于图像识别的变电站二次设备倒闸操作防误模拟方法和系统 | |
CN105405152B (zh) | 基于结构化支持向量机的自适应尺度目标跟踪方法 | |
CN115063438A (zh) | 一种应用于猪类胴体分割机器人的自主调节方法 | |
Huang et al. | Underwater image enhancement based on color restoration and dual image wavelet fusion | |
CN111832508B (zh) | 基于die_ga的低照度目标检测方法 | |
CN114549297A (zh) | 一种基于不确定分析的无监督单目深度估计方法 | |
CN113822816A (zh) | 气雾散射模型优化的单张遥感图像去霾方法 | |
CN117274314A (zh) | 一种特征融合的视频目标跟踪方法及系统 | |
CN113628170A (zh) | 一种基于深度学习的激光线提取方法及系统 | |
CN111160372B (zh) | 一种基于高速卷积神经网络的大目标识别方法 | |
CN115601301B (zh) | 鱼类表型特征测量方法、系统、电子设备及存储介质 | |
CN113516071B (zh) | 一种猪只估重方法 | |
CN113516071A (zh) | 一种猪只估重方法 |
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 |