CN114492664A - 一种猪只盘点方法、装置、设备及存储介质 - Google Patents

一种猪只盘点方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN114492664A
CN114492664A CN202210139355.3A CN202210139355A CN114492664A CN 114492664 A CN114492664 A CN 114492664A CN 202210139355 A CN202210139355 A CN 202210139355A CN 114492664 A CN114492664 A CN 114492664A
Authority
CN
China
Prior art keywords
pig
image
model
checking
result
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.)
Pending
Application number
CN202210139355.3A
Other languages
English (en)
Inventor
刘旭
蔺永
张海银
杨帆
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.)
Sichuan New Hope Animal Nutrition Technology Co ltd
Shandong New Hope Liuhe Group Co Ltd
New Hope Liuhe Co Ltd
Original Assignee
Sichuan New Hope Animal Nutrition Technology Co ltd
Shandong New Hope Liuhe Group Co Ltd
New Hope Liuhe Co Ltd
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 Sichuan New Hope Animal Nutrition Technology Co ltd, Shandong New Hope Liuhe Group Co Ltd, New Hope Liuhe Co Ltd filed Critical Sichuan New Hope Animal Nutrition Technology Co ltd
Priority to CN202210139355.3A priority Critical patent/CN114492664A/zh
Publication of CN114492664A publication Critical patent/CN114492664A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214Generating training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种猪只盘点方法、装置、设备及存储介质,通过获取每个栏位的待盘点图像,对待盘点图像进行第一预处理,生成预处理后的图像;对预处理后的图像中的每一猪只进行猪只轮廓标注,得到猪只轮廓标注信息,根据猪只轮廓标注信息,建立高斯模型,得到高斯密度图及猪只数量;搭建初始融合盘点模型,根据预处理后的图像、高斯密度图、猪只数量和猪只轮廓标注信息对初始融合盘点模型进行模型训练,生成融合盘点模型;将预处理后的图像输入到融合盘点模型中,得到每个栏位的待盘点图像的猪只盘点结果。与现有技术相比,通过构建融合盘点模型,降低猪只密度的不同对检测造成的影响,提高检测的精度。

Description

一种猪只盘点方法、装置、设备及存储介质
技术领域
本发明涉及养殖的技术领域,特别是涉及一种猪只盘点方法、装置、设备及存储介质。
背景技术
生猪作为一个公司的生物资产有着非常重要的意义,生猪的数量直接反映公司资产的数量。因此,养殖类的公司每个一定时间都需要对生猪的数量进行盘点。传统的盘点方法是靠人工,由饲养管理员一个场、一个场的统计,然后叠加数量,耗时耗力,效率低下,且容易出现因人为因素导致的数错、虚报,准确率没有保障。随着计算机技术的发展,尤其是近年来计算机视觉、深度学习等技术在工程应用方面落地,市面上也出现了利用计算机技术进行生猪盘点方法,具体做法是通过给猪场生猪的栏位上安装采集设备,或轨道巡检设备,采集图片,并利用回归、目标检测、分割、密度图等方法识别图片或者视频中的生猪目标,进而统计出目标猪只数量。
上述中目标检测、分割技术针对于目标较大、数量较少、密度较低的场景。若目标较小或者数量众多、密度较高采用这种方法准确率会下降,主要原因,密度高,遮挡严重,裸露出来的面积小,识别率低,且不易标注,且生猪在保育阶段多密集扎堆,对高密度堆叠的场景目标检测、分割技术盘点精度陡然下降,采用密度图方法的计数方法精度远高于目标检测,而密度图方法适合此高密度计数场景,对于密度低、目标大的育肥阶段猪只盘点场景精度远远低于目标检测技术。
发明内容
本发明要解决的技术问题是:提供一种猪只盘点方法、装置、设备及存储介质,通过构建融合盘点模型,解决现有猪只盘点检测中,因猪只密度不同,造成的检测精度下降的问题,能够降低猪只密度的不同对检测造成的影响,提高检测的精度。
为了解决上述技术问题,本发明提供了一种猪只盘点方法、装置、设备及存储介质,包括:
获取每个栏位的待盘点图像,对所述待盘点图像进行第一预处理,生成预处理后的图像;
对所述预处理后的图像中的每一猪只进行猪只轮廓标注,得到猪只轮廓标注信息,根据所述猪只轮廓标注信息,建立高斯模型,得到高斯密度图及猪只数量;
搭建初始融合盘点模型,根据所述预处理后的图像、所述高斯密度图、所述猪只数量和所述猪只轮廓标注信息对所述初始融合盘点模型进行模型训练,生成融合盘点模型;
将所述预处理后的图像输入到所述融合盘点模型中,得到所述每个栏位的待盘点图像的猪只盘点结果。
进一步地,所述获取每个栏位的待盘点图像,对所述图像进行第一预处理,生成预处理后的图像,具体为:
获取每个栏位的待盘点图像,并对所述待盘点图像匹配相对应的栏位编号,同时对所述待盘点图像进行栏位轮廓标注,生成栏位轮廓数据集;
根据所述栏位轮廓数据集,对栏位分割模型进行预训练,生成并根据栏位轮廓,对所述待盘点图像进行分割处理,获取栏位轮廓内的图像,生成预处理后的图像。
进一步地,所述对所述预处理后的图像中的每一猪只进行猪只轮廓标注,得到猪只轮廓标注信息,根据所述猪只轮廓标注信息,建立高斯模型,得到高斯密度图及猪只数量,具体为:
对所述预处理后的图像中的每一猪只进行猪只轮廓标注,得到猪只轮廓标注信息,同时获取猪只轮廓标注个数,得到所述预处理后的图像的猪只数量的计数结果;
根据所述猪只轮廓标注信息,计算猪只轮廓的角度,根据所述角度,得到猪只方向;同时对所述猪只轮廓选取多个坐标点,结合所述猪只方向和所述多个坐标点,建立高斯模型,得到并根据高斯密度图,计算猪只数量的积分结果。
进一步地,所述将所述预处理后的图像输入到所述融合盘点模型中,得到所述每个栏位的待盘点图像的猪只盘点结果,具体为:
将所述预处理后的图像输入到所述融合盘点模型中,输出所述预处理后的图像中猪只数量的积分结果、计数结果和模型盘点结果;
根据所述积分结果获取所述预处理后的图像中的猪只密度,将所述猪只密度与预设密度阈值相比,得到对应的所述每个栏位的待盘点图像的猪只盘点结果;或
根据所述积分结果和所述计数结果,按预设公式,计算所述每个栏位的待盘点图像的猪只盘点结果。
进一步地,本发明还提供一种猪只盘点装置,包括:图像预处理模块、猪只轮廓标注模块、融合盘点模型训练模块和结果输出模块;
其中,所述图像预处理模块用于获取每个栏位的待盘点图像,对所述待盘点图像进行第一预处理,生成预处理后的图像;
所述猪只轮廓标注模块用于对所述预处理后的图像中的每一猪只进行猪只轮廓标注,得到猪只轮廓标注信息,根据所述猪只轮廓标注信息,建立高斯模型,得到高斯密度图及猪只数量;
所述融合盘点模型训练模块用于搭建初始融合盘点模型,根据所述预处理后的图像、所述高斯密度图、所述猪只数量和所述猪只轮廓标注信息对所述初始融合盘点模型进行模型训练,生成融合盘点模型;
所述结果输出模块用于将所述预处理后的图像输入到所述融合盘点模型中,得到所述每个栏位的待盘点图像的猪只盘点结果。
进一步地,所述图像预处理模块用于获取每个栏位的待盘点图像,对所述图像进行第一预处理,生成预处理后的图像,具体为:
获取每个栏位的待盘点图像,并对所述待盘点图像匹配相对应的栏位编号,同时对所述待盘点图像进行栏位轮廓标注,生成栏位轮廓数据集;
根据所述栏位轮廓数据集,对栏位分割模型进行预训练,生成并根据栏位轮廓,对所述待盘点图像进行分割处理,获取栏位轮廓内的图像,生成预处理后的图像。
进一步地,所述猪只轮廓标注模块用于对所述预处理后的图像中的每一猪只进行猪只轮廓标注,得到猪只轮廓标注信息,根据所述猪只轮廓标注信息,建立高斯模型,得到高斯密度图及猪只数量,具体为:
对所述预处理后的图像中的每一猪只进行猪只轮廓标注,得到猪只轮廓标注信息,同时获取猪只轮廓标注个数,得到所述预处理后的图像的猪只数量的计数结果;
根据所述猪只轮廓标注信息,计算猪只轮廓的角度,根据所述角度,得到猪只方向;同时对所述猪只轮廓选取多个坐标点,结合所述猪只方向和所述多个坐标点,建立高斯模型,得到并根据高斯密度图,计算猪只数量的积分结果。
进一步地,所述结果输出模块用于将所述预处理后的图像输入到所述融合盘点模型中,得到所述每个栏位的待盘点图像的猪只盘点结果,具体为:
将所述预处理后的图像输入到所述融合盘点模型中,输出所述预处理后的图像中猪只数量的积分结果、计数结果和模型盘点结果;
根据所述积分结果获取所述预处理后的图像中的猪只密度,将所述猪只密度与预设密度阈值相比,得到对应的所述每个栏位的待盘点图像的猪只盘点结果;或
根据所述积分结果和所述计数结果,按预设公式,计算所述每个栏位的待盘点图像的猪只盘点结果。
进一步地,本发明还提供一种终端设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上述任意一项所述的猪只盘点方法。
进一步地,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述任意一项所述的猪只盘点方法。
本发明实施例一种猪只盘点方法、装置、设备及存储介质,与现有技术相比,具有如下有益效果:
通过获取每个栏位的待盘点图像,对待盘点图像进行第一预处理,生成预处理后的图像;对预处理后的图像中的每一猪只进行猪只轮廓标注,得到猪只轮廓标注信息,根据猪只轮廓标注信息,建立高斯模型,得到高斯密度图及猪只数量;搭建初始融合盘点模型,根据预处理后的图像、高斯密度图、猪只数量和猪只轮廓标注信息对初始融合盘点模型进行模型训练,生成融合盘点模型;将预处理后的图像输入到融合盘点模型中,得到每个栏位的待盘点图像的猪只盘点结果。与现有技术相比,通过构建融合盘点模型,解决现有猪只盘点检测中,因猪只密度不同,造成的检测精度下降的问题,能够降低猪只密度的不同对检测造成的影响,提高检测的精度。
附图说明
图1是本发明提供的一种猪只盘点方法的一种实施例的流程示意图;
图2是本发明提供的一种猪只盘点装置的一种实施例的结构示意图;
图3是本发明实施例提供的每个栏位的待盘点图像示意图;
图4是本发明实施例提供的预处理后的图像示意图;
图5是本发明实施例提供的椭圆高斯示意图;
图6是本发明实施例提供的高斯密度图。
具体实施方式
下面将结合本发明中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
参见图1,图1是本发明提供的一种猪只盘点方法的一种实施例的流程示意图,如图1所示,该方法包括步骤101-步骤104,具体如下:
步骤101:获取每个栏位的待盘点图像,对所述待盘点图像进行第一预处理,生成预处理后的图像。
本实施例中,在获取每个栏位的待盘点图像前,基于养殖场地划分的多个猪舍,在每个猪舍栏位上方,沿各栏位中心线顶部安装轨道和图像采集设备,以使图像采集设备沿着轨道水平运行。
本实施例中,在轨道对应各栏位中心点处安装用于定位的磁贴片,建立栏位编号和磁贴片顺序号的映射关系,如栏位编号C01:磁贴片顺序号1,栏位编号C02:磁贴片顺序号2,…,栏位编号Cmn:磁贴片顺序号mn。
本实施例中,在运行期间,图形采集设备在轨道上移动,使用霍尔传感器监控采集磁通量,当检测到磁贴片时,计数器加一,使用计数器表达当前磁贴片序号;同时获取每个栏位的待盘点图像,并匹配记录栏位编号。将采集到的每个栏位的待盘点图像和栏位编号通过交换机调用云端服务器接口,上传到云端服务器,其中,每个栏位的待盘点图像,如图3所示。
本实施例中,在图像采集设备中加入了wifi模块及4G通讯模块,将wifi模块为主要数据传输通路,将4G模块作为备用网络链接。在wifi模块网络环境异常情况下,自动切换到4G模块完成数据传输任务。
本实施例中,对待盘点图像进行栏位轮廓标注,生成栏位轮廓数据集,其中,栏位轮廓数据集包括采集的待盘点图像,以及对应的栏位轮廓标注信息;根据栏位轮廓数据集,对栏位分割模型进行预训练,生成并根据栏位轮廓,对待盘点图像进行分割处理,去除栏位轮廓外的图像,得到栏位轮廓内的图像,作为预处理后的图像,其中,预处理后的图像,如图4所示。
步骤102:对所述预处理后的图像中的每一猪只进行猪只轮廓标注,得到猪只轮廓标注信息,根据所述猪只轮廓标注信息,建立高斯模型,得到高斯密度图及猪只数量。
本实施例中,对预处理后的图像中的每一猪只进行猪只轮廓标注,得到猪只轮廓标注信息,同时获取预处理后的图像中猪只轮廓标注个数,将猪只轮廓标注个数作为猪只数量,得到预处理后的图像的猪只数量的计数结果。
本实施例中,根据猪只轮廓标注信息,计算猪只轮廓的角度,根据角度,得到猪只方向;同时根据轮廓标注信息,求取猪只的长短轴及中心点,根据猪只的长短轴及中心点,建立猪只轮廓的多个坐标点信息,结合猪只方向和所述多个坐标点,生成椭圆高斯,建立高斯模型,得到并根据高斯密度图,设置每个猪只的高斯像素点之和为1,即代表计数为1,对高斯密度图进行积分计算,得到猪只数量的积分结果,其中,椭圆高斯图如图5所示,高斯密度图如图6所示。
步骤103:搭建初始融合盘点模型,根据所述预处理后的图像、所述高斯密度图、所述猪只数量和所述猪只轮廓标注信息对所述初始融合盘点模型进行模型训练,生成融合盘点模型。
本实施例中,搭建初始融合盘点模型,其中,初始融合盘点模型为多任务训练模型,包括分割训练任务和密度训练任务。将步骤102得到的预处理后的图像、高斯密度图、猪只数量和猪只轮廓标注信息等信息结合,随机分为训练集、测试集和验证集,将训练集作为初始融合盘点模型的输入,对初始融合盘点模型进行模型训练;且在对初始融合盘点模型进行模型训练时,通过加载图像数据、高斯密度图、标注轮廓信息,对加载的数据进行翻转变换、随机修剪、平移变换、尺度变换、噪声扰动、旋转变换等数据扩增处理。
本实施例中,设置初始融合盘点模型的损失函数,如下式:
L=Lmask+Ldensity+Lcount
其中,Lmask和Ldensity与常见分割和密度方法相同,在此不做详细说明。同时,计算盘点结果的偏差,结算结果如下式:
dif=|Count-CountGT|;
其中,dif指模型盘点结果的偏差,Count指模型盘点结果,CountGT指猪只轮廓标注的猪只个数。
本实施例中,使用Lcount多阶段损失函数,按盘点结果的偏差大小给出等级,将等级分为多个阶段进行打分,其中,多个阶段为s1,s2,s3…;偏差越大惩罚值越大,也就是对应Scores越大,相应的模型就会更新参数进行梯度下降。反之,盘点结果的偏差小,惩罚值小,对应的Scores小甚至为0,相应的模型就不会更新参数,使得模型盘点准确度更高。作为本实施例中的一种举例,Lcount=Scores1*(dif>s1)+Scores2*(dif>s2)+Scores3*(dif>s3)。
本实施例中,为了提高输出盘点结果的准确性,对验证集设置预设的验证精度,当验证集的精度到达预设精度时,结束对初始融合盘点模型的训练,并保存当前参数,更新初始融合盘点模型,生成训练后的融合盘点模型。其中,验证集的精度验证的主要是盘点结果的精度,主要是通过模型推理验证集中数据集,对数据的盘点结果进行统计,其统计公式如下所示:
Figure BDA0003504801020000081
本实施例中,在生成经过训练后的融合盘点模型后,对融合盘点模型进行剪枝、量化等处理,同时将融合盘点模型转换到边缘设备适配的框架。
步骤104:将所述预处理后的图像输入到所述融合盘点模型中,得到所述每个栏位的待盘点图像的猪只盘点结果。
本实施例中,将图像采集设备实时采集的待盘点的图像接入到边缘设备中,并记录栏位号,将实时采集的待盘点的图像输入到步骤101中预训练的栏位分割模型中,得到预处理后的图像,将预处理后的图像输入到所述融合盘点模型中,输出所述预处理后的图像中猪只数量的积分结果、计数结果和模型盘点结果。
本实施例中,根据模型输出的积分结果获取预处理后的图像中的单位面积内的猪只密度,将猪只密度与预设密度阈值相比,通过积分结果可以计算出单位面积内栏位猪只密集度,预设密度阈值选取业务上的一个经验值。当猪只密集度大于等于预设密度阈值时,表示该猪舍栏位中猪只的扎堆密集程度已经很高,此时采用积分结果作为该栏位的待盘点图像的猪只盘点结果;若当猪只密集度小于预设密度阈值时,此时采用计数结果作为该栏位的待盘点图像的猪只盘点结果。
作为本实施例中的又一个举例,对于猪只盘点结果,除了可使用上述的预设密度阈值来计算外,还可根据预设公式进行计算,将其计算结果作为待盘点图像的猪只盘点结果,计算公式如下所示:
D*a+(1-a)*M;
其中,a为一个可训练的超参数,D为积分结果,M为计数结果。
本实施例中,在计算出待盘点图像的猪只盘点结果后,还需根据预设的图像采集设备预设的每日采集次数,对每一猪舍栏位获取预设次数的待盘点图像,并输出预设次数的待盘点图像的猪只盘点结果,对于每个猪舍栏位的预设次数的猪只盘点结果进行统计,获取统计结果的平均值或中位值,作为当日该猪舍栏位的最终猪只盘点结果,统计每个猪舍栏位的最终猪只盘点结果,完成对养殖场地的猪只盘点任务。
参见图2,图2是本发明提供的一种猪只盘点装置的一种实施例的结构示意图,如图2所示,该装置包括步图像预处理模块201、猪只轮廓标注模块202、融合盘点模型训练模块203和结果输出模块204,具体如下:
图像预处理模块201用于获取每个栏位的待盘点图像,对所述待盘点图像进行第一预处理,生成预处理后的图像。
本实施例中,在获取每个栏位的待盘点图像前,基于养殖场地划分的多个猪舍,在每个猪舍栏位上方,沿各栏位中心线顶部安装轨道和图像采集设备,以使图像采集设备沿着轨道水平运行。
本实施例中,在轨道对应各栏位中心点处安装用于定位的磁贴片,建立栏位编号和磁贴片顺序号的映射关系,如栏位编号C01:磁贴片顺序号1,栏位编号C02:磁贴片顺序号2,…,栏位编号Cmn:磁贴片顺序号mn。
本实施例中,在运行期间,图形采集设备在轨道上移动,使用霍尔传感器监控采集磁通量,当检测到磁贴片时,计数器加一,使用计数器表达当前磁贴片序号;同时获取每个栏位的待盘点图像,并匹配记录栏位编号。将采集到的每个栏位的待盘点图像和栏位编号通过交换机调用云端服务器接口,上传到云端服务器,其中,每个栏位的待盘点图像,如图3所示。
本实施例中,在图像采集设备中加入了wifi模块及4G通讯模块,将wifi模块为主要数据传输通路,将4G模块作为备用网络链接。在wifi模块网络环境异常情况下,自动切换到4G模块完成数据传输任务。
本实施例中,对待盘点图像进行栏位轮廓标注,生成栏位轮廓数据集,其中,栏位轮廓数据集包括采集的待盘点图像,以及对应的栏位轮廓标注信息;根据栏位轮廓数据集,对栏位分割模型进行预训练,生成并根据栏位轮廓,对待盘点图像进行分割处理,去除栏位轮廓外的图像,得到栏位轮廓内的图像,作为预处理后的图像,其中,预处理后的图像,如图4所示。
猪只轮廓标注模块202用于对所述预处理后的图像中的每一猪只进行猪只轮廓标注,得到猪只轮廓标注信息,根据所述猪只轮廓标注信息,建立高斯模型,得到高斯密度图及猪只数量。
本实施例中,对预处理后的图像中的每一猪只进行猪只轮廓标注,得到猪只轮廓标注信息,同时获取预处理后的图像中猪只轮廓标注个数,将猪只轮廓标注个数作为猪只数量,得到预处理后的图像的猪只数量的计数结果。
本实施例中,根据猪只轮廓标注信息,计算猪只轮廓的角度,根据角度,得到猪只方向;同时根据轮廓标注信息,求取猪只的长短轴及中心点,根据猪只的长短轴及中心点,建立猪只轮廓的多个坐标点信息,结合猪只方向和所述多个坐标点,生成椭圆高斯,建立高斯模型,得到并根据高斯密度图,设置每个猪只的高斯像素点之和为1,即代表计数为1,对高斯密度图进行积分计算,得到猪只数量的积分结果,其中,椭圆高斯图如图5所示,高斯密度图如图6所示。
融合盘点模型训练模块203用于搭建初始融合盘点模型,根据所述预处理后的图像、所述高斯密度图、所述猪只数量和所述猪只轮廓标注信息对所述初始融合盘点模型进行模型训练,生成融合盘点模型。
本实施例中,搭建初始融合盘点模型,其中,初始融合盘点模型为多任务训练模型,包括分割训练任务和密度训练任务。将猪只轮廓标注模块202得到的预处理后的图像、高斯密度图、猪只数量和猪只轮廓标注信息等信息结合,随机分为训练集、测试集和验证集,将训练集作为初始融合盘点模型的输入,对初始融合盘点模型进行模型训练;且在对初始融合盘点模型进行模型训练时,通过加载图像数据、高斯密度图、标注轮廓信息,对加载的数据进行翻转变换、随机修剪、平移变换、尺度变换、噪声扰动、旋转变换等数据扩增处理。
本实施例中,设置初始融合盘点模型的损失函数,如下式:
L=Lmask+Ldensity+Lcount
其中,Lmask和Ldensity与常见分割和密度方法相同,在此不做详细说明。同时,计算盘点结果的偏差,结算结果如下式:
dif=|Count-CountGT|;
其中,dif指模型盘点结果的偏差,Count指模型盘点结果,CountGT指猪只轮廓标注的猪只个数。
本实施例中,使用Lcount多阶段损失函数,按盘点结果的偏差大小给出等级,将等级分为多个阶段进行打分,其中,多个阶段为s1,s2,s3…;偏差越大惩罚值越大,也就是对应Scores越大,相应的模型就会更新参数进行梯度下降。反之,盘点结果的偏差小,惩罚值小,对应的Scores小甚至为0,相应的模型就不会更新参数,使得模型盘点准确度更高。作为本实施例中的一种举例,Lcount=Scores1*(dif>s1)+Scores2*(dif>s2)+Scores3*(dif>s3)。
本实施例中,为了提高输出盘点结果的准确性,对验证集设置预设的验证精度,当验证集的精度到达预设精度时,结束对初始融合盘点模型的训练,并保存当前参数,更新初始融合盘点模型,生成训练后的融合盘点模型。其中,验证集的精度验证的主要是盘点结果的精度,主要是通过模型推理验证集中数据集,对数据的盘点结果进行统计,其统计公式如下所示:
Figure BDA0003504801020000121
本实施例中,在生成经过训练后的融合盘点模型后,对融合盘点模型进行剪枝、量化等处理,同时将融合盘点模型转换到边缘设备适配的框架。
结果输出模块204用于将所述预处理后的图像输入到所述融合盘点模型中,得到所述每个栏位的待盘点图像的猪只盘点结果。
本实施例中,将图像采集设备实时采集的待盘点的图像接入到边缘设备中,并记录栏位号,将实时采集的待盘点的图像输入到图像预处理模块201中预训练的栏位分割模型中,得到预处理后的图像,将预处理后的图像输入到所述融合盘点模型中,输出所述预处理后的图像中猪只数量的积分结果、计数结果和模型盘点结果。
本实施例中,根据模型输出的积分结果获取预处理后的图像中的单位面积内的猪只密度,将猪只密度与预设密度阈值相比,通过积分结果可以计算出单位面积内栏位猪只密集度,预设密度阈值选取业务上的一个经验值。当猪只密集度大于等于预设密度阈值时,表示该猪舍栏位中猪只的扎堆密集程度已经很高,此时采用积分结果作为该栏位的待盘点图像的猪只盘点结果;若当猪只密集度小于预设密度阈值时,此时采用计数结果作为该栏位的待盘点图像的猪只盘点结果。
作为本实施例中的又一个举例,对于猪只盘点结果,除了可使用上述的预设密度阈值来计算外,还可根据预设公式进行计算,将其计算结果作为待盘点图像的猪只盘点结果,计算公式如下所示:
D*a+(1-a)*M;
其中,a为一个可训练的超参数,D为积分结果,M为计数结果。
本实施例中,在计算出待盘点图像的猪只盘点结果后,还需根据预设的图像采集设备预设的每日采集次数,对每一猪舍栏位获取预设次数的待盘点图像,并输出预设次数的待盘点图像的猪只盘点结果,对于每个猪舍栏位的预设次数的猪只盘点结果进行统计,获取统计结果的平均值或中位值,作为当日该猪舍栏位的最终猪只盘点结果,统计每个猪舍栏位的最终猪只盘点结果,完成对养殖场地的猪只盘点任务。
本发明实施例中,还提供了一种猪只盘点的设备,包括处理器、存储器以及存储在存储器中且被配置为由处理器执行的计算机程序,处理器执行计算机程序时实现上述的猪只盘点方法。
本发明实施例中,还提供了一种计算机可读存储介质,计算机可读存储介质包括存储的计算机程序,其中,在计算机程序运行时控制计算机可读存储介质所在设备执行上述的猪只盘点方法。
示例性的,所述计算机程序可以被分割成一个或多个模块,所述一个或者多个模块被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在猪只盘点的设备中的执行过程。
所述猪只盘点的设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述猪只盘点的设备可包括,但不仅限于,处理器、存储器、显示器。本领域技术人员可以理解,上述部件仅仅是猪只盘点的设备的示例,并不构成对猪只盘点的设备的限定,可以包括比所述部件更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述猪只盘点的设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述牲畜盘点的设备的控制中心,利用各种接口和线路连接整个所述牲畜盘点的设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述猪只盘点的设备的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、文字转换功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、文字消息数据等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中,所述猪只盘点的设备集成的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一个计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
需说明的是,以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,本发明提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
综上,本发明一种猪只盘点方法、装置、设备及存储介质,通过获取每个栏位的待盘点图像,对待盘点图像进行第一预处理,生成预处理后的图像;对预处理后的图像中的每一猪只进行猪只轮廓标注,得到猪只轮廓标注信息,根据猪只轮廓标注信息,建立高斯模型,得到高斯密度图及猪只数量;搭建初始融合盘点模型,根据预处理后的图像、高斯密度图、猪只数量和猪只轮廓标注信息对初始融合盘点模型进行模型训练,生成融合盘点模型;将预处理后的图像输入到融合盘点模型中,得到每个栏位的待盘点图像的猪只盘点结果。与现有技术相比,通过构建融合盘点模型,解决现有猪只盘点检测中,因猪只密度不同,造成的检测精度下降的问题,能够降低猪只密度的不同对检测造成的影响,提高检测的精度。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和替换,这些改进和替换也应视为本发明的保护范围。

Claims (10)

1.一种猪只盘点方法,其特征在于,包括:
获取每个栏位的待盘点图像,对所述待盘点图像进行第一预处理,生成预处理后的图像;
对所述预处理后的图像中的每一猪只进行猪只轮廓标注,得到猪只轮廓标注信息,根据所述猪只轮廓标注信息,建立高斯模型,得到高斯密度图及猪只数量;
搭建初始融合盘点模型,根据所述预处理后的图像、所述高斯密度图、所述猪只数量和所述猪只轮廓标注信息对所述初始融合盘点模型进行模型训练,生成融合盘点模型;
将所述预处理后的图像输入到所述融合盘点模型中,得到所述每个栏位的待盘点图像的猪只盘点结果。
2.如权利要求1所述的一种猪只盘点方法,其特征在于,所述获取每个栏位的待盘点图像,对所述图像进行第一预处理,生成预处理后的图像,具体为:
获取每个栏位的待盘点图像,并对所述待盘点图像匹配相对应的栏位编号,同时对所述待盘点图像进行栏位轮廓标注,生成栏位轮廓数据集;
根据所述栏位轮廓数据集,对栏位分割模型进行预训练,生成并根据栏位轮廓,对所述待盘点图像进行分割处理,获取栏位轮廓内的图像,生成预处理后的图像。
3.如权利要求1所述的一种猪只盘点方法,其特征在于,所述对所述预处理后的图像中的每一猪只进行猪只轮廓标注,得到猪只轮廓标注信息,根据所述猪只轮廓标注信息,建立高斯模型,得到高斯密度图及猪只数量,具体为:
对所述预处理后的图像中的每一猪只进行猪只轮廓标注,得到猪只轮廓标注信息,同时获取猪只轮廓标注个数,得到所述预处理后的图像的猪只数量的计数结果;
根据所述猪只轮廓标注信息,计算猪只轮廓的角度,根据所述角度,得到猪只方向;同时对所述猪只轮廓选取多个坐标点,结合所述猪只方向和所述多个坐标点,建立高斯模型,得到并根据高斯密度图,计算猪只数量的积分结果。
4.如权利要求1所述的一种猪只盘点方法,其特征在于,所述将所述预处理后的图像输入到所述融合盘点模型中,得到所述每个栏位的待盘点图像的猪只盘点结果,具体为:
将所述预处理后的图像输入到所述融合盘点模型中,输出所述预处理后的图像中猪只数量的积分结果、计数结果和模型盘点结果;
根据所述积分结果获取所述预处理后的图像中的猪只密度,将所述猪只密度与预设密度阈值相比,得到对应的所述每个栏位的待盘点图像的猪只盘点结果;或
根据所述积分结果和所述计数结果,按预设公式,计算所述每个栏位的待盘点图像的猪只盘点结果。
5.一种猪只盘点装置,其特征在于,包括:图像预处理模块、猪只轮廓标注模块、融合盘点模型训练模块和结果输出模块;
其中,所述图像预处理模块用于获取每个栏位的待盘点图像,对所述待盘点图像进行第一预处理,生成预处理后的图像;
所述猪只轮廓标注模块用于对所述预处理后的图像中的每一猪只进行猪只轮廓标注,得到猪只轮廓标注信息,根据所述猪只轮廓标注信息,建立高斯模型,得到高斯密度图及猪只数量;
所述融合盘点模型训练模块用于搭建初始融合盘点模型,根据所述预处理后的图像、所述高斯密度图、所述猪只数量和所述猪只轮廓标注信息对所述初始融合盘点模型进行模型训练,生成融合盘点模型;
所述结果输出模块用于将所述预处理后的图像输入到所述融合盘点模型中,得到所述每个栏位的待盘点图像的猪只盘点结果。
6.如权利要求5所述的一种猪只盘点装置,其特征在于,所述图像预处理模块用于获取每个栏位的待盘点图像,对所述图像进行第一预处理,生成预处理后的图像,具体为:
获取每个栏位的待盘点图像,并对所述待盘点图像匹配相对应的栏位编号,同时对所述待盘点图像进行栏位轮廓标注,生成栏位轮廓数据集;
根据所述栏位轮廓数据集,对栏位分割模型进行预训练,生成并根据栏位轮廓,对所述待盘点图像进行分割处理,获取栏位轮廓内的图像,生成预处理后的图像。
7.如权利要求5所述的一种猪只盘点装置,其特征在于,所述猪只轮廓标注模块用于对所述预处理后的图像中的每一猪只进行猪只轮廓标注,得到猪只轮廓标注信息,根据所述猪只轮廓标注信息,建立高斯模型,得到高斯密度图及猪只数量,具体为:
对所述预处理后的图像中的每一猪只进行猪只轮廓标注,得到猪只轮廓标注信息,同时获取猪只轮廓标注个数,得到所述预处理后的图像的猪只数量的计数结果;
根据所述猪只轮廓标注信息,计算猪只轮廓的角度,根据所述角度,得到猪只方向;同时对所述猪只轮廓选取多个坐标点,结合所述猪只方向和所述多个坐标点,建立高斯模型,得到并根据高斯密度图,计算猪只数量的积分结果。
8.如权利要求5所述的一种猪只盘点装置,其特征在于,所述结果输出模块用于将所述预处理后的图像输入到所述融合盘点模型中,得到所述每个栏位的待盘点图像的猪只盘点结果,具体为:
将所述预处理后的图像输入到所述融合盘点模型中,输出所述预处理后的图像中猪只数量的积分结果、计数结果和模型盘点结果;
根据所述积分结果获取所述预处理后的图像中的猪只密度,将所述猪只密度与预设密度阈值相比,得到对应的所述每个栏位的待盘点图像的猪只盘点结果;或
根据所述积分结果和所述计数结果,按预设公式,计算所述每个栏位的待盘点图像的猪只盘点结果。
9.一种终端设备,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至4任意一项所述的猪只盘点方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至4中任意一项所述的猪只盘点方法。
CN202210139355.3A 2022-02-15 2022-02-15 一种猪只盘点方法、装置、设备及存储介质 Pending CN114492664A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210139355.3A CN114492664A (zh) 2022-02-15 2022-02-15 一种猪只盘点方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210139355.3A CN114492664A (zh) 2022-02-15 2022-02-15 一种猪只盘点方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN114492664A true CN114492664A (zh) 2022-05-13

Family

ID=81481327

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210139355.3A Pending CN114492664A (zh) 2022-02-15 2022-02-15 一种猪只盘点方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN114492664A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116206342A (zh) * 2023-04-27 2023-06-02 广东省农业科学院动物科学研究所 一种猪只体重检测方法、装置、设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116206342A (zh) * 2023-04-27 2023-06-02 广东省农业科学院动物科学研究所 一种猪只体重检测方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN111310775B (zh) 数据训练方法、装置、终端设备及计算机可读存储介质
CN108154105B (zh) 水下生物检测与识别方法、装置、服务器及终端设备
CN111815754B (zh) 一种三维信息确定方法、三维信息确定装置及终端设备
CN110826581B (zh) 一种动物数量识别方法、装置、介质及电子设备
CN113298152B (zh) 模型训练方法、装置、终端设备及计算机可读存储介质
CN111340801A (zh) 一种牲畜盘点方法、装置、设备及存储介质
WO2024060684A1 (zh) 模型训练方法、图像处理方法、设备及存储介质
CN111161090A (zh) 圈养栏信息的确定方法、装置及系统、存储介质
CN115082752A (zh) 基于弱监督的目标检测模型训练方法、装置、设备及介质
CN111028266B (zh) 畜禽盘点方法、装置、电子设备和存储介质
CN114492664A (zh) 一种猪只盘点方法、装置、设备及存储介质
CN112507095A (zh) 基于弱监督学习的信息识别方法及相关设备
CN116612417A (zh) 利用视频时序信息的特殊场景车道线检测方法及装置
CN111325181A (zh) 一种状态监测方法、装置、电子设备及存储介质
CN110599520A (zh) 一种旷场实验数据分析方法、系统及终端设备
CN112712005B (zh) 识别模型的训练方法、目标识别方法及终端设备
CN114494863A (zh) 基于Blend Mask算法的动物幼崽计数方法以及装置
CN111405197B (zh) 一种视频裁剪方法、图像处理方法及装置
CN111967406A (zh) 人体关键点检测模型生成方法、系统、设备和存储介质
CN110991235B (zh) 一种状态监测方法、装置、电子设备及存储介质
Danish Beef Cattle Instance Segmentation Using Mask R-Convolutional Neural Network
CN112560621A (zh) 基于动物图像的识别方法、装置、终端及介质
CN113724176A (zh) 一种多摄像头动作捕捉无缝衔接方法、装置、终端及介质
Bastiaansen et al. Continuous real-time cow identification by reading ear tags from live-stream video
CN116580063B (zh) 目标追踪方法、装置、电子设备及存储介质

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