CN114627337B - 一种基于rcnn算法的猪只尺体测量方法 - Google Patents
一种基于rcnn算法的猪只尺体测量方法 Download PDFInfo
- Publication number
- CN114627337B CN114627337B CN202210512495.0A CN202210512495A CN114627337B CN 114627337 B CN114627337 B CN 114627337B CN 202210512495 A CN202210512495 A CN 202210512495A CN 114627337 B CN114627337 B CN 114627337B
- Authority
- CN
- China
- Prior art keywords
- pig
- image
- patch
- moment
- contour
- 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
- 238000000034 method Methods 0.000 title claims abstract description 21
- 241000282887 Suidae Species 0.000 claims abstract description 13
- 238000003066 decision tree Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 3
- 238000005259 measurement Methods 0.000 claims description 10
- 238000013329 compounding Methods 0.000 claims description 5
- 210000005069 ears Anatomy 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims 1
- 230000007246 mechanism Effects 0.000 abstract description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 2
- 241000282898 Sus scrofa Species 0.000 description 51
- 238000013145 classification model Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 241000700605 Viruses Species 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 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
- G06F18/24—Classification techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域，尤其涉及一种基于RCNN算法的猪只尺体测量方法，包括：获取猪只图像；通过RCNN模型提取图像中猪只轮廓；建立hough森林，根据patch内两个像素点的色调值的大小对patch进行归一化赋值，并通过决策树模型判断patch分类；通过设定的阈值判断重点部位是否缺失；根据新的轮廓图像与模板图像的Hu矩匹配；建立猪只的选点MASK矩阵和轮廓图像卷积，提取像素点坐标；建立猪只的选点MASK矩阵和轮廓图像卷积，计算猪只长度。本发明解决当猪只的部分图像被阻挡以及猪只死亡形态各异时，猪只尺寸难以测量问题，通过RCNN神经网络结合Hough森林投票机制，提供猪只识别率。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种基于RCNN算法的猪只尺体测量方法。
背景技术
传统的对死猪的体尺测量多是采用接触式测量，例如使用皮尺进行手工测量；这种方法直接接触猪体，测量的量大时，效率较低；另外，如果死猪是病亡，接触式测量会导致病毒传感的风险，因此，非接触式自动测量在猪只养殖中的研究变得越来越重要。另外，现有技术中利用神经网络算法对活猪体尺进行测量，如肖德琴等人的一种基于深度学习的猪只体尺体重估测方法，图像采集中需要剔除画面中猪只不完整的图像，保留画面中猪只完整的图像；但猪死亡后的测体尺的过程中，遇到很大的问题就是猪只的部分图像会被阻挡以及猪只死亡形态各异，这都对后续猪只图像的选点造成困扰。
CN113920453A-一种基于深度学习的猪只体尺体重估测方法，该发明以活猪为分析对象，通过关键点检测算法对图像中的猪只进行关键点检测，获取关键点检测结果，并根据关键点检测结果，剔除画面中猪只不完整的图像，保留画面中猪只完整的图像；该方法是基于完整的猪只图像为依据，当图像缺失时进行数据剔除，此方法需要采集大量的数据样本，资源消耗大。
发明内容
本发明所要解决的技术问题是：当猪只的部分图像会被阻挡以及猪只死亡形态各异时，通过RCNN训练数据集建立猪只分类模型，建立重点部位的像素点的色调值，通过Hough森林投票机制进行分类投票，通过轮廓图像卷积，提取匹配度最高的区域，提高猪只识别率。
本发明所采用的技术方案是：一种基于RCNN算法的猪只尺体测量方法，包括以下步骤：
S1、获取猪只图像；
S2、通过RCNN模型训练数据集，建立猪只分类模型，通过加载RCNN模型对图像中的猪只进行归类，并提取猪只轮廓，从猪只轮廓中提取重点部位，重点部位包括：猪只嘴巴、耳朵、前后脚和尾巴；
根据猪只大小进行归类；
S3、在重点部位的轮廓图像中，根据patch建立数据集S(s1,s2,...sn)，进而建立重点部位的轮廓图像的hough森林；根据patch内两个像素点的色调值的大小对patch进行归一化赋值，并通过决策树模型判断patch分类；
Hough森林模型如下：
其中，(p1,q1)和(p2,q2)为patch中两个像素点坐标，F(p1,q1)和F(p2,q2)为
patch中两个像素点的色调值，
为Hough森林对第i个patch归一化赋值；
比较patch中两个固定坐标像素的色调值（例如选定patch中的(3,5)和(7,8)两个
像素点的色调值进行比较），当F(p1,q1)<F(p2,q2)则patch归一化赋值为0，否则为1；Patch
在猪只轮廓内滑动，得到数据集
，K为patch在图像
中的位置坐标，并将数据集代入决策树模型中。
决策树模型如下：
其中，当a=b时
(a,b)=1，否则
(a,b)=0，Cjt(rK)为分类损失函数，初始赋值为
1，如果Sr(j)小于阈值，Cjt(rK)赋值0，再次计算Sr(j)，K为patch在图像中的位置坐标，L为
Hough森林树的个数，F(rK,r)为patch在图像中的权重函数，权重函数是基于重点部位，符
合正态分布；
F(rK,r)权重函数是基于模板图像获取到位敏特征分布；常用的位敏特征分布获取方法如CNN算法、R-FCN算法等，例如假设针对“人”这个类别，划分为k∗k、k∗k、k∗k个bin（假设k=3），那么每个bin的激活特征是不一样的，得到的Position-sensitive score map也不一样，如top-left的bin激活的是人的一侧肩和头的部分，bottom-right的bin激活的是人的一条腿的部分，那么对于一张输入图片将得到3∗3 = 9、3∗3=9、3∗3=9个bin对应的部分的激活特征图（共9张图），即对应“人”这个类别的Position-sensitive score maps；
Sr(j)为分类j在所有l棵树里的加权投票值，对应重点部位的概率值，根据决策树模型的Sr(j)判断patch的分类，patch的分类是指重点部位的子类，例如：将每个重点部位分为4个子类，所有重点部位会有20个子类，根据Sr(j)判断patch对应哪个子类，由于一个patch可能会对应多个子类，则还需要通过决策树对各重点部位进行再次投票，得出某个重点部位的概率值，从而确定patch的最终子类；
S4、对各重点部位进行分类投票，得出某个重点部位的概率值，通过设定的阈值判断重点部位是否缺失；如果重点部位缺失，对重点部位进行补齐，形成补齐后的图像，并对补齐后的图像进行Hu矩测量；
进一步的，当某个重点部位缺失，处理如下：
S41、预先选定一批猪只图像，作为模板图像，在极坐标系下获取各个重点部位的相对位置，并计算模板图像的Hu矩；
S42、在缺失的轮廓中复合缺失部位轮廓图像，得到新的轮廓；
复合缺失部位轮廓图像是提取模板图像中某重点部位的轮廓，将其拟合到缺失重点部位的轮廓图像中；
拟合是通过相邻patch的位置的方向，复合上缺失的patch，得到新的轮廓；
S5、根据新的轮廓图像计算对应Hu矩，与模板图像的Hu矩匹配，如果匹配程度高于设定的阈值，则图像复合完成；否则匹配异常；
进一步的，Hu矩匹配是计算复合后图像的Hu矩与模板图像的Hu矩的相似度，通过match Shapes函数接收模板图像轮廓与缺失图像轮廓，并使用Hu Moments匹配一阶/二阶Hu矩，计算轮廓差异；
Hu矩是利用归一化中心矩构造了7个不变特征矩，如下所示：
其中，
，
为矩心、
为(p+q)阶矩；
S6、建立猪只的选点MASK矩阵和轮廓图像卷积，提取重点部位匹配度最高的像素点坐标，根据猪只尾巴和耳朵的最高的像素点坐标计算猪只长度；
进一步的，根据重点部位的像素点坐标定位出猪只的体型大小和摆放位置；
通过猪只嘴巴、耳朵、前后脚和尾巴的像素点坐标可以得到猪只体型大小，通过猪只嘴巴和后脚跟可以定位摆放位置。
本发明技术效果：
通过RCNN训练数据集建立猪只分类模型，建立重点部位的像素点的色调值，通过Hough森林投票机制进行分类投票，通过轮廓图像卷积，提取匹配度最高的区域，提高猪只识别率。
附图说明
图1是本发明的基于RCNN算法的猪只尺体测量方法流程图；
图2是本发明猪只关键部位的某些特征点图；
图3是本发明根据猪只关键部位的特征点测得猪只长度图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明，此图为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
如图1所示，一种基于RCNN算法的猪只尺体测量方法，包括以下步骤：
S1、通过固定位置的2D彩色图像传感器获得1500张猪只图像；
S2、通过RCNN训练数据集建立猪只分类模型，通过加载RCNN模型对图像中的猪只进行分类，并提取猪只轮廓，从猪只轮廓中提取重点部位，重点部位包括：猪只嘴巴、耳朵、前后脚和尾巴；
S3、在重点部位的轮廓图像中，根据patch建立数据集，patch大小设为16*16的矩阵，建立重点部位的轮廓图像的hough森林；根据patch内两个像素点的色调值的大小对patch进行归一化赋值，并通过决策树模型判断patch的分类，通过决策树对各重点部位进行再次投票，得出某个重点部位的概率值，从而确定patch的最终子类；
S4、通过设定的阈值判断重点部位是否缺失；如果重点部位缺失，对重点部位进行补齐，形成补齐后的图像，并对补齐后的图像进行Hu矩测量；
S41、预先选定一批猪只图像，作为模板图像，在极坐标系下获取各个重点部位的相对位置，并计算模板图像的Hu矩；
S42、在缺失的轮廓中复合缺失部位轮廓图像，得到新的轮廓；
S5、根据新的轮廓图像计算对应Hu矩，与模板图像的Hu矩匹配，如果匹配程度高于设定的阈值，则图像复合完成；否则匹配异常；
S6、建立猪只的选点MASK矩阵和轮廓图像卷积，提取重点部位匹配度最高的像素点坐标，根据猪只尾巴和耳朵的最高的像素点坐标计算猪只长度。
如图3所示为本发明猪只尾巴和耳朵测量得到猪只长度；
将本发明方法与现有光幕测量方法进行比较，如下表所示：
本发明可自定义设别部分，基本不受猪只摆放位置的影响，统计对环境光照要求也比较低，同时测量精度也能得到保证。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。
Claims (5)
1.一种基于RCNN算法的猪只尺体测量方法，其特征在于，包括以下步骤：
S1、获取猪只图像；
S2、通过RCNN模型提取图像中猪只轮廓，从猪只轮廓中提取重点部位；
S3、在重点部位的轮廓图像中，根据patch 建立数据集，进而建立hough森林；根据patch内两个像素点的色调值的大小对patch进行归一化赋值，并通过决策树模型判断patch的分类；通过决策树模型对各重点部位进行再次投票，得出某个重点部位的概率值；
通过Hough森林模型
比较
patch中两个固定坐标像素的色调值，当F(p1,q1)<F(p2,q2)则patch归一化赋值为0，否则
为1；
其中，(p1,q1)和(p2,q2)为patch中两个像素点坐标，F(p1,q1)和F(p2,q2)为patch中
两个像素点的色调值，
为Hough森林对第i个patch归一化赋值；
S4、通过设定的阈值判断重点部位是否缺失；如果缺失，对重点部位进行补齐，形成补齐后的图像，并对补齐后的图像进行Hu矩测量；
S5、根据新的轮廓图像计算对应Hu矩，并与模板图像的Hu矩匹配，如果匹配程度高于设定的阈值，则图像复合完成；否则匹配异常；
S6、建立猪只的选点MASK矩阵和轮廓图像卷积，提取重点部位匹配度最高的像素点坐标，根据猪只尾巴和耳朵的最高的像素点坐标计算猪只长度。
2.根据权利要求1所述的基于RCNN算法的猪只尺体测量方法，其特征在于，所述重点部位包括：猪只嘴巴、耳朵、前后脚和尾巴。
3.根据权利要求1所述的基于RCNN算法的猪只尺体测量方法，其特征在于，当所述步骤S4中某个重点部位缺失时，处理包括：
S41、根据预定模板图像，在极坐标系下获取各个重点部位的相对位置，计算模板图像的Hu矩；
S42、在缺失的轮廓中复合缺失部位轮廓图像，得到新的轮廓。
4.根据权利要求3所述的基于RCNN算法的猪只尺体测量方法，其特征在于：所述Hu矩匹配是计算复合后的图像的Hu矩与模板图像的Hu矩的相似度，通过match Shapes函数接收模板图像轮廓与缺失图像轮廓，并使用Hu Moments通过匹配一阶/二阶Hu矩，计算轮廓差异。
5.根据权利要求1所述的基于RCNN算法的猪只尺体测量方法，其特征在于，所述步骤S6还包括：根据重点部位的像素点坐标定位出猪只的体型大小和摆放位置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210512495.0A CN114627337B (zh) | 2022-05-12 | 2022-05-12 | 一种基于rcnn算法的猪只尺体测量方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210512495.0A CN114627337B (zh) | 2022-05-12 | 2022-05-12 | 一种基于rcnn算法的猪只尺体测量方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114627337A CN114627337A (zh) | 2022-06-14 |
| CN114627337B true CN114627337B (zh) | 2022-08-02 |
Family
ID=81905310
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210512495.0A Active CN114627337B (zh) | 2022-05-12 | 2022-05-12 | 一种基于rcnn算法的猪只尺体测量方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114627337B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105913425A (zh) * | 2016-04-08 | 2016-08-31 | 江苏大学 | 一种基于自适应椭圆分块和小波变换的多猪轮廓提取方法 |
| CN106778784A (zh) * | 2016-12-20 | 2017-05-31 | 江苏大学 | 基于机器视觉的猪个体识别与饮水行为分析方法 |
| CN107563384A (zh) * | 2017-08-31 | 2018-01-09 | 江苏大学 | 基于广义Hough聚类的粘连猪的头尾识别方法 |
| CN108898601A (zh) * | 2018-05-31 | 2018-11-27 | 清华大学 | 基于随机森林的股骨头图像分割装置及分割方法 |
| CN111160134A (zh) * | 2019-12-12 | 2020-05-15 | 浙江大学 | 一种以人为主体的视频景别分析方法和装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110580699A (zh) * | 2019-05-15 | 2019-12-17 | 徐州医科大学 | 基于改进Faster RCNN算法的病理图像细胞核检测方法 |
| CN112926397B (zh) * | 2021-01-28 | 2022-03-01 | 中国石油大学(华东) | 基于两轮投票策略集成学习的sar图像海冰类型分类方法 |
-
2022
- 2022-05-12 CN CN202210512495.0A patent/CN114627337B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105913425A (zh) * | 2016-04-08 | 2016-08-31 | 江苏大学 | 一种基于自适应椭圆分块和小波变换的多猪轮廓提取方法 |
| CN106778784A (zh) * | 2016-12-20 | 2017-05-31 | 江苏大学 | 基于机器视觉的猪个体识别与饮水行为分析方法 |
| CN107563384A (zh) * | 2017-08-31 | 2018-01-09 | 江苏大学 | 基于广义Hough聚类的粘连猪的头尾识别方法 |
| CN108898601A (zh) * | 2018-05-31 | 2018-11-27 | 清华大学 | 基于随机森林的股骨头图像分割装置及分割方法 |
| CN111160134A (zh) * | 2019-12-12 | 2020-05-15 | 浙江大学 | 一种以人为主体的视频景别分析方法和装置 |
Non-Patent Citations (1)
| Title |
|---|
| 基于广义Hough聚类的粘连猪头尾识别;杨心;《江苏农业科学》;20180524;第46卷(第9期);第230-235页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114627337A (zh) | 2022-06-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107977671B (zh) | 一种基于多任务卷积神经网络的舌象分类方法 | |
| CN105956582B (zh) | 一种基于三维数据的人脸识别系统 | |
| EP1229493B1 (en) | Multi-mode digital image processing method for detecting eyes | |
| RU2018142757A (ru) | Система и способ обнаружения болезней растений | |
| CN110232389A (zh) | 一种基于绿色作物特征提取不变性的立体视觉导航方法 | |
| CN114332956B (zh) | 一种基于卷积神经网络的牛脸检测和牛脸关键点定位方法 | |
| CN106326834B (zh) | 人体性别自动识别方法及装置 | |
| WO2021000832A1 (zh) | 匹配人脸的方法、装置、计算机设备和存储介质 | |
| CN112257702A (zh) | 一种基于增量学习的农作物病害识别方法 | |
| JP4946878B2 (ja) | 画像識別装置及びプログラム | |
| Netto et al. | Segmentation of RGB images using different vegetation indices and thresholding methods | |
| CN112101076A (zh) | 识别猪只的方法和装置 | |
| Almaadeed et al. | Partial shoeprint retrieval using multiple point-of-interest detectors and SIFT descriptors | |
| CN111145205A (zh) | 基于红外图像的多猪只场景下猪体温检测方法 | |
| CN108520539B (zh) | 一种基于稀疏学习可变模型的图像目标检测方法 | |
| CN102163343B (zh) | 基于互联网图像的三维模型最佳视角自动获取方法 | |
| CN114627337B (zh) | 一种基于rcnn算法的猪只尺体测量方法 | |
| CN117541574A (zh) | 一种基于ai语义分割和图像识别的舌诊检测方法 | |
| CN104966064A (zh) | 基于视觉的前方行人测距方法 | |
| CN117237990A (zh) | 群养猪只体重的估测方法、装置、电子设备及存储介质 | |
| CN113283378B (zh) | 一种基于梯形区域归一化像素差异特征的猪脸检测方法 | |
| CN109300150A (zh) | 一种用于骨龄评估的手骨x光图像纹理特征提取方法 | |
| CN111460864B (zh) | 一种基于图像识别的动物疾病检测方法 | |
| CN114299097A (zh) | 茶树叶片图像提取方法、装置、设备及存储介质 | |
| CN113989214A (zh) | 基于分割区域方法的足迹压力特征分析系统 |
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 |