CN115223199A - 猪只行为数据均衡化方法、装置、计算机设备及存储介质 - Google Patents

猪只行为数据均衡化方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN115223199A
CN115223199A CN202210788877.6A CN202210788877A CN115223199A CN 115223199 A CN115223199 A CN 115223199A CN 202210788877 A CN202210788877 A CN 202210788877A CN 115223199 A CN115223199 A CN 115223199A
Authority
CN
China
Prior art keywords
training
sample image
network
image set
pig
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
CN202210788877.6A
Other languages
English (en)
Inventor
毛亮
陆连凤
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.)
Guangzhou National Modern Agricultural Industry Science And Technology Innovation Center
Shenzhen Polytechnic
Original Assignee
Guangzhou National Modern Agricultural Industry Science And Technology Innovation Center
Shenzhen Polytechnic
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 Guangzhou National Modern Agricultural Industry Science And Technology Innovation Center, Shenzhen Polytechnic filed Critical Guangzhou National Modern Agricultural Industry Science And Technology Innovation Center
Priority to CN202210788877.6A priority Critical patent/CN115223199A/zh
Publication of CN115223199A publication Critical patent/CN115223199A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Human Computer Interaction (AREA)
  • Social Psychology (AREA)
  • Psychiatry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本申请属于图像识别技术领域，公开了一种猪只行为数据均衡化方法、装置、计算机设备及存储介质，该方法包括：获取原始样本图像集，原始样本图像集包括从监控视频中采集到的包含猪只行为姿态的多个原始样本图像；基于原始样本图像集对预设的深度卷积生成对抗网络进行训练，得到训练数据生成网络，其中，训练数据生成网络用于生成包含猪只坐立姿态的生成样本图像；通过训练数据生成网络对原始样本图像集进行数据扩充，得到训练样本图像集。本申请可以达到提高猪只行为识别的准确性的效果。

Description

猪只行为数据均衡化方法、装置、计算机设备及存储介质
技术领域
本申请涉及图像识别技术领域，尤其涉及一种猪只行为数据均衡化方法、装置、计算机设备及存储介质。
背景技术
在分类网络算法研究过程中，基于某种场景采集的数据可能会出现类别数量不均衡问题，少数类的数量远远少于多数类。而在实际应用中，少数类别中往往蕴藏着更多值得挖掘的有用信息,例如：对猪只行为进行智能监控的主要目的是让机器代替人监管猪只的日常作息、及时发现猪只异常行为并进行告警。但是在现实研究中，大部分时间猪只处于正常的状态，猪只异常行为数据采集相对比较困难，采集到的研究猪只姿态数据集中坐立姿态的数量远远少于其他姿态类别，导致训练分类网络过程中所使用的训练数据往往出现正负样本不平衡问题，而样本不平衡会造成分类网络过拟合问题，对分类网络的检测准确性造成较大影响。因此，现有技术难以实现对猪只行为的准确识别。
发明内容
本申请提供了一种猪只行为数据均衡化方法、装置、计算机设备及存储介质，有利于获得更高识别精度的猪只行为识别网络，从而提高猪只行为识别的准确性。
第一方面，本申请实施例提供了一种猪只行为数据均衡化方法，该方法包括：
获取原始样本图像集，原始样本图像集包括从监控视频中采集到的包含猪只行为姿态的多个原始样本图像；
基于原始样本图像集对预设的深度卷积生成对抗网络进行训练，得到训练数据生成网络，其中，训练数据生成网络用于生成包含猪只坐立姿态的生成样本图像；
通过训练数据生成网络对原始样本图像集进行数据扩充，得到训练样本图像集。
在其中一个实施例中，深度卷积生成对抗网络包括生成器和判别器；基于原始样本图像集对预设的深度卷积生成对抗网络进行训练，得到训练数据生成网络，包括：
将预设的噪声和约束条件输入生成器，经过生成器转置卷积操作后生成伪造样本图像；其中，约束条件为猪只的真实位置信息，噪声的形状为正态分布向量；
从多个原始样本图像中选取包含猪只坐立姿态的原始样本图像作为真实样本图像，并将真实样本图像与伪造样本图像输入判别器进行对比，计算深度卷积生成对抗网络对应的损失信息；
根据损失信息更新深度卷积生成对抗网络，得到更新后的深度卷积生成对抗网络；
基于更新后的深度卷积生成对抗网络重复执行将噪声和约束条件信息输入生成器，经过生成器转置卷积操作后生成伪造样本图像至根据损失信息更新深度卷积生成对抗网络，得到更新后的深度卷积生成对抗网络的步骤，直至损失信息满足预设损失条件；
将损失信息满足预设损失条件时的深度卷积生成对抗网络作为训练数据生成网络。
在其中一个实施例中，通过训练数据生成网络对原始样本图像集进行数据扩充，得到训练样本图像集，包括：
基于原始样本图像集中包含猪只坐立姿态的原始样本图像，通过训练数据生成网络得到生成样本图像集，生成样本图像集包括多张包含猪只坐立姿态的生成样本图像；
将生成样本图像集加入原始样本图像集，得到训练样本图像集。
另一方面，本申请实施例提供了一种猪只行为识别网络训练方法，该方法包括：
获取训练样本图像集，训练样本图像集包括多张包含猪只行为姿态的训练样本图像；
基于训练样本图像集对预设的分类网络进行训练，得到训练好的猪只行为识别网络；
其中，训练样本图像集是基于上述各实施例中任一项的猪只行为数据均衡化方法生成得到的。
另一方面，本申请实施例提供了一种猪只行为识别方法，该方法包括：
获取待识别图像；
将待识别图像输入训练好的猪只行为识别网络进行识别，得到待识别图像中猪只行为的分类结果；
当检测到待识别图像中猪只的行为出现异常时，发出报警信息；
其中，猪只行为识别网络是基于上述实施例的猪只行为识别网络训练方法训练后得到的。
另一方面，本申请实施例提供了一种猪只行为数据均衡化装置，该装置包括：
原始样本获取模块，用于获取原始样本图像集，原始样本图像集包括从监控视频中采集到的包含猪只行为姿态的多个原始样本图像；
生成网络训练模块，用于基于原始样本图像集对预设的深度卷积生成对抗网络进行训练，得到训练数据生成网络，其中，训练数据生成网络用于生成包含猪只坐立姿态的生成样本图像；
训练样本生成模块，用于通过训练数据生成网络对原始样本图像集进行数据扩充，得到训练样本图像集。
另一方面，本申请实施例提供了一种猪只行为识别网络训练装置，该装置包括：
训练样本获取模块，用于获取训练样本图像集，训练样本图像集包括多张包含猪只行为姿态的训练样本图像；
识别网络训练模块，用于基于训练样本图像集对预设的分类网络进行训练，得到训练好的猪只行为识别网络；
其中，训练样本图像集是基于上述实施例的猪只行为数据均衡化装置生成得到的。
另一方面，本申请实施例提供了一种猪只行为识别装置，该装置包括：
待识别图像模块，用于获取待识别图像；
猪只行为识别模块，用于将待识别图像输入训练好的猪只行为识别网络进行识别，得到待识别图像中猪只行为的分类结果；
异常行为报警模块，用于当检测到待识别图像中猪只的行为出现异常时，发出报警信息；
其中，猪只行为识别网络是基于上述实施例的猪只行为识别网络训练装置训练后得到的。
另一方面，本申请实施例提供了一种计算机设备，包括存储器及处理器，存储器中储存有计算机程序，计算机程序被处理器执行时，使得处理器执行如上述任一实施例的猪只行为数据均衡化方法、猪只行为识别网络训练方法或猪只行为识别方法的步骤。
另一方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上述任一实施例的猪只行为数据均衡化方法、猪只行为识别网络训练方法或猪只行为识别方法的步骤。
综上，与现有技术相比，本申请实施例提供的技术方案带来的有益效果至少包括：
本申请实施例提供的一种猪只行为数据均衡化方法，可以获取原始样本图像集，基于原始样本图像集对预设的深度卷积生成对抗网络进行训练，得到训练数据生成网络，其中，训练数据生成网络用于生成包含猪只坐立姿态的生成样本图像；通过训练数据生成网络对原始样本图像集进行数据扩充，得到训练样本图像集。上述方法能够利用训练好的深度卷积生成对抗网络生成猪只坐立姿态图像来扩充训练数据，实现猪只行为数据均衡化，解决了因猪只姿态数据不平衡引起行为识别网络过拟合问题，能够获得更高识别精度的猪只行为识别网络，从而提高猪只行为识别的准确性。
附图说明
图1为本申请一个示例性实施例提供的猪只行为数据均衡化方法的流程图。
图2为本申请一个示例性实施例提供的深度卷积生成对抗网络的结构图。
图3为本申请一个示例性实施例提供的生成器训练过程的示例图。
图4为本申请一个示例性实施例提供的原始样本图像直接输入深度卷积生成对抗网络中训练的测试效果图。
图5为本申请一个示例性实施例提供的融入目标定位约束条件后的深度卷积生成对抗网络训练的测试效果图。
图6为本申请一个示例性实施例提供的猪只行为识别网络训练方法的流程图。
图7为本申请一个示例性实施例提供的猪只行为识别方法的流程图。
图8为本申请一个示例性实施例提供的猪只行为数据均衡化装置的结构图。
图9为本申请一个示例性实施例提供的猪只行为识别网络训练装置的结构图。
图10为本申请一个示例性实施例提供的猪只行为识别装置的结构图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
请参见图1，本申请实施例提供了一种猪只行为数据均衡化方法，该方法可以采用终端设备作为执行主体，该方法具体包括以下步骤：
步骤S11，获取原始样本图像集，原始样本图像集包括从监控视频中采集到的包含猪只行为姿态的多个原始样本图像。
其中，监控视频可以为安装在养猪场的监控摄像头获取到的视频数据，从上述监控视频中可以采集到多张包含猪只行为姿态的图像作为原始样本图像，根据这些原始样本图像可以创建原始样本图像集；该原始样本图像集一般为预先采集好的图像数据集；猪只行为姿态可以有多种，比如坐立姿态、站立姿态和趴下姿态等。
具体地，终端设备可以通过有线或无线连接方式与猪场监控摄像头连接以获取原始样本图像集；用户也可以预先从摄像设备中将监控视频下载下来，从中进行随机或定时采样以获得原始样本图像集。
步骤S12，基于原始样本图像集对预设的深度卷积生成对抗网络进行训练，得到训练数据生成网络，其中，训练数据生成网络用于生成包含猪只坐立姿态的生成样本图像。
具体地，可以利用现有的原始样本图像集中的数据对预设的深度卷积生成对抗网络进行训练，得到训练好的深度卷积生成对抗网络，将上述训练好的深度卷积生成对抗网络作为训练数据生成网络，以便生成包含猪只坐立姿态的样本图像。
其中，深度卷积生成对抗网络可以简称DCGAN网络(DeepConvolutionalGenerative Adversarial Networks)，DCGAN网络的网络结构图如图2所示，其生成器和判别器的特征提取层使用了卷积神经网络代替了原始GAN(Generative AdversarialNetworks，生成对抗网络)中的多层感知机。图2中左边虚框为DCGAN网络的生成器(Generator，G)，可以输入1×100的正态分布向量，经过4层卷积得到高宽不断扩大的特征层，上述过程看似普通卷积神经网络的逆过程，因此可以将其称为反卷积，也称为转置卷积。生成器最后输出64×64的假图像G(z)。图2中右边实框是DCGAN网络的判别器(Discriminator，D)，输入的是真实样本图像和生成器生成的假图像，可以在经过普通卷积网络后输出判别结果。
步骤S13，通过训练数据生成网络对原始样本图像集进行数据扩充，得到训练样本图像集。
其中，训练样本图像集既包括原始样本图像集中的所有原始样本图像，也包括通过训练数据生成网络生成的新样本图像。
具体地，通过上述训练数据生成网络可以生成大量包含猪只坐立姿态的样本图像，将训练数据生成网络生成的样本图像加入原始样本图像集中，就可以实现训练数据扩充，得到训练样本图像更均衡的训练样本图像集。
上述实施例中提供的一种猪只行为数据均衡化方法，可以获取原始样本图像集，基于原始样本图像集对预设的深度卷积生成对抗网络进行训练，得到训练数据生成网络，其中，训练数据生成网络用于生成包含猪只坐立姿态的生成样本图像；通过训练数据生成网络对原始样本图像集进行数据扩充，得到训练样本图像集；其中，本实施例是通过随机生成猪只坐立姿态图像来补充数据集的，而不是简单地复制少数类样本，一方面能有效地解决数据不均衡问题，另一方面能进一步解决过拟合问题。上述方法能够利用训练好的深度卷积生成对抗网络生成猪只坐立姿态图像来扩充训练数据，实现猪只行为数据均衡化，解决了因猪只姿态数据不平衡引起行为识别网络过拟合问题，能够获得更高识别精度的猪只行为识别网络，从而提高猪只行为识别的准确性。
在一些实施例中，深度卷积生成对抗网络包括生成器和判别器。本申请实施例中获取的原始样本图像来自于真实场景下拍摄的群养猪视频，因此得到的猪只行为图片中场景较大，猪只目标较小。如果直接将原始样本图像输入DCGAN网络，由于猪只目标信息过少，生成的猪只坐立姿态效果很不理想。为了改进生成的样本图像效果，步骤S12可以包括：
将预设的噪声和约束条件输入生成器，经过生成器转置卷积操作后生成伪造样本图像。
其中，约束条件为猪只的真实位置信息(ground truth)，噪声的形状为正态分布向量。
从多个原始样本图像中选取包含猪只坐立姿态的原始样本图像作为真实样本图像，并将真实样本图像与伪造样本图像输入判别器进行对比，计算深度卷积生成对抗网络对应的损失信息(loss)。
根据损失信息更新深度卷积生成对抗网络，得到更新后的深度卷积生成对抗网络。
基于更新后的深度卷积生成对抗网络重复执行将噪声和约束条件信息输入生成器，经过生成器转置卷积操作后生成伪造样本图像至根据损失信息更新深度卷积生成对抗网络，得到更新后的深度卷积生成对抗网络的步骤，直至损失信息满足预设损失条件。
其中，DCGAN网络的损失函数可以用下面的最大最小化过程来描述：
Figure BDA0003732891820000061
上式中，x表示真实样本，y表示额外输入信息，pdata是真实数据x的分布，z表示输入G网络的噪声，pz是噪声分布，G(z|y)是生成模型根据随机噪声z生成的模拟真实数据的假数据，D(x|y)是判别模型判断真实数据为真的概率，D(G(z|y))是判别模型判断造假数据为真的概率。D(.)的取值是一个0～1之间的概率值，D(.)＝0表示概率最小，即判别器认为这是一张假图片；D(.)＝1表示概率最小，即判别器认为这是一张真图片。
将损失信息满足预设损失条件时的深度卷积生成对抗网络作为训练数据生成网络。
具体的，预设损失条件可以结合实际应用中对训练数据生成网络的训练精度设定。
在具体实施时，改进后的生成器训练过程如图3所示，首先输入形状为1×100正态分布向量的噪声和目标对象真实位置，通过生成网络转置卷积操作后生成假图片，生成结果通过与1(真实样本图像的标签为1)对比计算loss，生成网络根据loss大小不断调整，以生成更接近真图片的假图片(假图片的标签为0)。图4为原始样本图像直接输入DCGAN网络中训练500Epoch的测试效果，可以看到，生成图片的目标很小，而且模糊不清；图5为融入目标定位约束条件后的DCGAN网络训练的测试效果。对比图4与5的效果，可以看出，改进后图像生成的效果有了明显的改进。
针对由于原始样本图像中猪只目标过小引起的生成图像模糊问题，上述实施例可以采用目标对象真实位置作为约束条件，对DCGAN网络的生成器进行了改进，加快了算法收敛速度，提高了图像生成质量。
在一些实施例中，步骤S13具体包括以下步骤：
基于原始样本图像集中包含猪只坐立姿态的原始样本图像，通过训练数据生成网络得到生成样本图像集，生成样本图像集包括多张包含猪只坐立姿态的生成样本图像；
将生成样本图像集加入原始样本图像集，得到训练样本图像集。
上述实施例可以通过随机生成猪只坐立姿态图像补充训练数据集，而非简单地复制少数类样本，解决了猪只行为数据不均衡的问题，避免了样本不平衡导致的分类网络过拟合问题。
由以上实施例提供的技术方案可见，本申请各实施例中通过原始样本图像集训练预设的深度卷积生成对抗网络，得到可以生成大量包含猪只坐立姿态的样本图像的训练数据生成网络，然后利用训练数据生成网络进行训练数据扩充，保证了训练数据的均衡化，从而提高了猪只行为识别网络的训练精度。
以下介绍本申请实施例提供的一种猪只行为识别网络训练方法，图6为本申请实施例提供的一种猪只行为识别网络训练方法的流程示意图。需要说明的是，本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。如图6所示，上述方法可以包括：
步骤S21，获取训练样本图像集，训练样本图像集包括多张包含猪只行为姿态的训练样本图像。
步骤S22，基于训练样本图像集对预设的分类网络进行训练，得到训练好的猪只行为识别网络。
其中，训练样本图像集是利用上述猪只行为数据均衡化方法生成得到的。
具体地，在训练过程中基于反向传播算法调整该分类网络的权重参数至该分类网络输出的训练样本图像中猪只行为的预测分类结果与训练样本图像中猪只行为的实际分类信息相匹配，得到训练好的猪只行为识别网络。在具体实施时，预设的分类网络可以采用现有技术中常用的分类网络，例如：AlexNet、VGG、ResNet、SqueezeNet和DenseNet等，同时本说明书中未作详细描述的内容均属于本领域技术人员公知的现有技术。
由以上实施例提供的技术方案可见，本申请实施例中利用上述猪只行为数据均衡化得到的训练样本图像集对预设的分类网络进行训练，获得了识别精度更高的猪只行为识别网络，能够提高对猪只行为的识别准确度。
以下介绍本申请实施例提供的一种猪只行为识别方法，图7为本申请实施例提供的一种猪只行为识别方法的流程示意图。需要说明的是，本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。如图7所示，上述方法可以包括：
步骤S31，获取待识别图像。
步骤S32，将待识别图像输入训练好的猪只行为识别网络进行识别，得到待识别图像中猪只行为的分类结果。
步骤S33，当检测到待识别图像中猪只的行为出现异常时，发出报警信息。
其中，猪只行为识别网络是基于上述猪只行为识别网络训练方法训练后得到的。
由以上本说明书实施例可见，利用上述猪只行为识别网络训练方法训练得到的猪只行为识别网络进行猪只行为识别，提升了猪只行为的识别准确率，具有更好的识别效果。
本申请实施例提供了一种猪只行为数据均衡化装置，请参见图8，该装置包括：
原始样本获取模块101，用于获取原始样本图像集，原始样本图像集包括从监控视频中采集到的包含猪只行为姿态的多个原始样本图像。
生成网络训练模块102，用于基于原始样本图像集对预设的深度卷积生成对抗网络进行训练，得到训练数据生成网络，其中，训练数据生成网络用于生成包含猪只坐立姿态的生成样本图像。
训练样本生成模块103，用于通过训练数据生成网络对原始样本图像集进行数据扩充，得到训练样本图像集。
在一些实施例中，深度卷积生成对抗网络包括生成器和判别器；生成网络训练模块102具体用于：将预设的噪声和约束条件输入生成器，经过生成器转置卷积操作后生成伪造样本图像；其中，约束条件为猪只的真实位置信息，噪声的形状为正态分布向量；从多个原始样本图像中选取包含猪只坐立姿态的原始样本图像作为真实样本图像，并将真实样本图像与伪造样本图像输入判别器进行对比，计算深度卷积生成对抗网络对应的损失信息；根据损失信息更新深度卷积生成对抗网络，得到更新后的深度卷积生成对抗网络；基于更新后的深度卷积生成对抗网络重复执行将噪声和约束条件信息输入生成器，经过生成器转置卷积操作后生成伪造样本图像至根据损失信息更新深度卷积生成对抗网络，得到更新后的深度卷积生成对抗网络的步骤，直至损失信息满足预设损失条件；将损失信息满足预设损失条件时的深度卷积生成对抗网络作为训练数据生成网络。
在一些实施例中，训练样本生成模块103具体用于：基于原始样本图像集中包含猪只坐立姿态的原始样本图像，通过训练数据生成网络得到生成样本图像集，生成样本图像集包括多张包含猪只坐立姿态的生成样本图像；将生成样本图像集加入原始样本图像集，得到训练样本图像集。
本申请实施例提供了一种猪只行为识别网络训练装置，请参见图9，该装置包括：
训练样本获取模块201，用于获取训练样本图像集，训练样本图像集包括多张包含猪只行为姿态的训练样本图像。
识别网络训练模块202，用于基于训练样本图像集对预设的分类网络进行训练，得到训练好的猪只行为识别网络。
其中，训练样本图像集是基于上述猪只行为数据均衡化装置生成得到的。
本申请实施例提供了一种猪只行为识别装置，请参见图10，该装置包括：
待识别图像模块301，用于获取待识别图像。
猪只行为识别模块302，用于将待识别图像输入训练好的猪只行为识别网络进行识别，得到待识别图像中猪只行为的分类结果。
异常行为报警模块303，用于当检测到待识别图像中猪只的行为出现异常时，发出报警信息。
其中，猪只行为识别网络是基于上述猪只行为识别网络训练装置训练后得到的。
本实施例中提供的关于猪只行为数据均衡化装置、猪只行为识别网络训练装置及猪只行为识别装置的具体限定，可以参见上文中关于猪只行为数据均衡化方法、猪只行为识别网络训练方法及猪只行为识别方法的实施例，于此不再赘述。上述猪只行为数据均衡化装置、猪只行为识别网络训练装置及猪只行为识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
本申请实施例提供了一种计算机设备，该计算机设备可以包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。处计算机程序被处理器执行时，使得处理器执行如上述任一实施例的猪只行为数据均衡化方法、猪只行为识别网络训练方法或猪只行为识别方法的步骤。
本实施例提供的计算机设备的工作过程、工作细节和技术效果，可以参见上文中关于猪只行为数据均衡化方法、猪只行为识别网络训练方法或猪只行为识别方法的实施例，于此不再赘述。
本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上述任一实施例的猪只行为数据均衡化方法、猪只行为识别网络训练方法或猪只行为识别方法的步骤。其中，所述计算机可读存储介质是指存储数据的载体，可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(Memory Stick)等，所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
本实施例提供的计算机可读存储介质的工作过程、工作细节和技术效果，可以参见上文中关于猪只行为数据均衡化方法、猪只行为识别网络训练方法或猪只行为识别方法的实施例，于此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是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非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种猪只行为数据均衡化方法，其特征在于，所述方法包括：
获取原始样本图像集，所述原始样本图像集包括从监控视频中采集到的包含猪只行为姿态的多个原始样本图像；
基于所述原始样本图像集对预设的深度卷积生成对抗网络进行训练，得到训练数据生成网络，其中，所述训练数据生成网络用于生成包含猪只坐立姿态的生成样本图像；
通过所述训练数据生成网络对所述原始样本图像集进行数据扩充，得到训练样本图像集。
2.根据权利要求1所述的方法，其特征在于，所述深度卷积生成对抗网络包括生成器和判别器；所述基于所述原始样本图像集对预设的深度卷积生成对抗网络进行训练，得到训练数据生成网络，包括：
将预设的噪声和约束条件输入所述生成器，经过所述生成器转置卷积操作后生成伪造样本图像；其中，所述约束条件为猪只的真实位置信息，所述噪声的形状为正态分布向量；
从所述多个原始样本图像中选取包含猪只坐立姿态的原始样本图像作为真实样本图像，并将所述真实样本图像与所述伪造样本图像输入所述判别器进行对比，计算所述深度卷积生成对抗网络对应的损失信息；
根据所述损失信息更新所述深度卷积生成对抗网络，得到更新后的所述深度卷积生成对抗网络；
基于所述更新后的所述深度卷积生成对抗网络重复执行所述将噪声和约束条件信息输入所述生成器，经过所述生成器转置卷积操作后生成伪造样本图像至所述根据所述损失信息更新所述深度卷积生成对抗网络，得到更新后的所述深度卷积生成对抗网络的步骤，直至所述损失信息满足预设损失条件；
将所述损失信息满足所述预设损失条件时的深度卷积生成对抗网络作为所述训练数据生成网络。
3.根据权利要求2所述的方法，其特征在于，所述通过所述训练数据生成网络对所述原始样本图像集进行数据扩充，得到训练样本图像集，包括：
基于所述原始样本图像集中包含猪只坐立姿态的原始样本图像，通过所述训练数据生成网络得到生成样本图像集，所述生成样本图像集包括多张包含猪只坐立姿态的生成样本图像；
将所述生成样本图像集加入所述原始样本图像集，得到所述训练样本图像集。
4.一种猪只行为识别网络训练方法，其特征在于，所述方法包括：
获取训练样本图像集，所述训练样本图像集包括多张包含猪只行为姿态的训练样本图像；
基于所述训练样本图像集对预设的分类网络进行训练，得到训练好的猪只行为识别网络；
其中，所述训练样本图像集是基于权利要求1至3任一项所述的猪只行为数据均衡化方法生成得到的。
5.一种猪只行为识别方法，其特征在于，所述方法包括：
获取待识别图像；
将所述待识别图像输入训练好的猪只行为识别网络进行识别，得到所述待识别图像中猪只行为的分类结果；
当检测到所述待识别图像中猪只的行为出现异常时，发出报警信息；
其中，所述猪只行为识别网络是基于权利要求4所述的猪只行为识别网络训练方法训练后得到的。
6.一种猪只行为数据均衡化装置，其特征在于，所述装置包括：
原始样本获取模块，用于获取原始样本图像集，所述原始样本图像集包括从监控视频中采集到的包含猪只行为姿态的多个原始样本图像；
生成网络训练模块，用于基于所述原始样本图像集对预设的深度卷积生成对抗网络进行训练，得到训练数据生成网络，其中，所述训练数据生成网络用于生成包含猪只坐立姿态的生成样本图像；
训练样本生成模块，用于通过所述训练数据生成网络对所述原始样本图像集进行数据扩充，得到训练样本图像集。
7.一种猪只行为识别网络训练装置，其特征在于，所述装置包括：
训练样本获取模块，用于获取训练样本图像集，所述训练样本图像集包括多张包含猪只行为姿态的训练样本图像；
识别网络训练模块，用于基于所述训练样本图像集对预设的分类网络进行训练，得到训练好的猪只行为识别网络；
其中，所述训练样本图像集是基于权利要求6所述的猪只行为数据均衡化装置生成得到的。
8.一种猪只行为识别装置，其特征在于，所述装置包括：
待识别图像模块，用于获取待识别图像；
猪只行为识别模块，用于将所述待识别图像输入训练好的猪只行为识别网络进行识别，得到所述待识别图像中猪只行为的分类结果；
异常行为报警模块，用于当检测到所述待识别图像中猪只的行为出现异常时，发出报警信息；
其中，所述猪只行为识别网络是基于权利要求7所述的猪只行为识别网络训练装置训练后得到的。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述方法的步骤。
CN202210788877.6A 2022-07-06 2022-07-06 猪只行为数据均衡化方法、装置、计算机设备及存储介质 Pending CN115223199A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210788877.6A CN115223199A (zh) 2022-07-06 2022-07-06 猪只行为数据均衡化方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210788877.6A CN115223199A (zh) 2022-07-06 2022-07-06 猪只行为数据均衡化方法、装置、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
CN115223199A true CN115223199A (zh) 2022-10-21

Family

ID=83610471

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210788877.6A Pending CN115223199A (zh) 2022-07-06 2022-07-06 猪只行为数据均衡化方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN115223199A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115689947A (zh) * 2022-12-30 2023-02-03 杭州魔点科技有限公司 一种图像锐化的方法、系统、电子装置和存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115689947A (zh) * 2022-12-30 2023-02-03 杭州魔点科技有限公司 一种图像锐化的方法、系统、电子装置和存储介质

Similar Documents

Publication Publication Date Title
US11403876B2 (en) Image processing method and apparatus, facial recognition method and apparatus, and computer device
CN110569721B (zh) 识别模型训练方法、图像识别方法、装置、设备及介质
CN110399799B (zh) 图像识别和神经网络模型的训练方法、装置和系统
CN113239874B (zh) 基于视频图像的行为姿态检测方法、装置、设备及介质
CN109271958B (zh) 人脸年龄识别方法及装置
CN110620905A (zh) 视频监控方法、装置、计算机设备和存储介质
CN110765860A (zh) 摔倒判定方法、装置、计算机设备及存储介质
WO2021114612A1 (zh) 目标重识别方法、装置、计算机设备和存储介质
CN109271957B (zh) 人脸性别识别方法以及装置
CN108875482B (zh) 物体检测方法和装置、神经网络训练方法和装置
CN110765865A (zh) 基于改进的yolo算法的水下目标检测方法
CN111914908A (zh) 一种图像识别模型训练方法、图像识别方法及相关设备
CN112232971A (zh) 反欺诈检测方法、装置、计算机设备和存储介质
CN113822155A (zh) 一种聚类辅助的弱监督视频异常检测方法和装置
CN111783997A (zh) 一种数据处理方法、装置及设备
CN113283368B (zh) 一种模型训练方法、人脸属性分析方法、装置及介质
CN118587569A (zh) 基于增强YOLOv9模型的水下目标检测方法及系统
CN111242951B (zh) 车辆检测方法、装置、计算机设备和存储介质
CN111860582B (zh) 图像分类模型构建方法、装置、计算机设备和存储介质
CN119515730B (zh) 一种基于模糊处理和目标检测的slam动态扰动抑制方法
CN115223199A (zh) 猪只行为数据均衡化方法、装置、计算机设备及存储介质
CN113283388B (zh) 活体人脸检测模型的训练方法、装置、设备及存储介质
Girish et al. Inter-frame video forgery detection using UFS-MSRC algorithm and LSTM network
CN110956102A (zh) 银行柜台监控方法、装置、计算机设备和存储介质
CN110086860A (zh) 一种物联网大数据环境下的数据异常检测方法及装置

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
CB02 Change of applicant information

Country or region after: China

Address after: 518000 Xili street xilihu town xilihu bank, Nanshan District, Shenzhen City, Guangdong Province

Applicant after: Shenzhen Vocational and Technical University

Applicant after: Guangzhou national modern agricultural industry science and Technology Innovation Center

Address before: Shenzhen Vocational and Technical College Shahe West Road Nanshan District Shenzhen Guangdong Province

Applicant before: SHENZHEN POLYTECHNIC

Country or region before: China

Applicant before: Guangzhou national modern agricultural industry science and Technology Innovation Center