CN115984554A - 一种基于深度学习的体重估计方法 - Google Patents

Abstract

本发明公开了一种基于深度学习的体重估计方法，涉及计算机视觉技术领域，通过对单个羊只侧视深度图像数据的采集，使用羊只检测和羊体语义分割模型对采集的数据进行数据增强后，将LiteHRNet网络模型作为体重估计模型的骨干网络，以获取羊只深度图像数据不同层次的语义信息，利用类激活映射方法对不同的体重估计头注意力区域进行可视化，最后筛选出体重估计误差小且羊只区域注意力集中的体重估计模型；该方法可以高效地进行羊只体重的估计，从而节省畜牧业从业人员的时间成本和劳工成本，并为其他类似动物的体重估计提供了深度学习方向上的研究思路。

Description

一种基于深度学习的体重估计方法

技术领域

本发明涉及计算机视觉技术领域，具体涉及一种基于深度学习的体重估计方法。

背景技术

畜牧业是发展中国家农业中的一个重要分支。发展现代畜牧业是我国消除绝对贫困的重要措施之一，同时也是提高我国西北地区农村经济和农业生活水平的关键。

羊只体重的获取是养殖业中日常的作业之一，提高羊只体重的获取效率是推进智慧养殖业的重要手段之一，通过对羊只体重信息的及时获取，可以监测羊成长、发育状态。羊只体重是养羊场选择优质种羊的参考指标之一，获取羊只体重可以正确判断羊的生长发育好坏，饲养管理是否合理，作为合理培育和选种选配的依据。

传统的羊只体重获取方法包括地秤称重法、基于体尺估计的方法和基于双目视觉的图像处理估计法；地秤称重法，需要人们驱赶羊只通过地秤通道，中途可能会对羊只造成不同程度的伤害；基于体尺估计体重的方法，需要提前获取羊只的体尺数据，而体尺的获取也是需要耗费大量人力和时间才能完成的事情；基于双目视觉的体重估计方法，设备的部署需要校准，且后续的处理需要人工交互完成，方法的应用受到限制。

传统的羊只体重获取方法降低了羊只体重获取的自动化程度，其效率无法满足现代智慧养殖的需求。为此提出一种基于深度学习的体重估计方法以解决以上问题。

发明内容

针对现有技术的不足，本发明提供了一种基于深度学习的体重估计方法，解决现有技术中存在的问题。

为实现以上目的，本发明通过以下技术方案予以实现：

一种基于深度学习的体重估计方法，包括以下步骤：

采集单个羊只的侧视深度图像数据，对采集的数据进行羊只检测，并截取检测到的羊只图像；

对截取出的羊只图像进行羊只语义分割处理，得到分割处理后的羊只深度图像数据；

构建LiteHRNet骨干网络，通过利用LiteHRNet骨干网络的点卷积层、ReLU层、Dropout层、自适应平均池化层和线性层构建体重估计网络头；

结合不同的体重估计网络头构建LiteHRNet深度神经网络模型，利用羊只检测和羊只语义分割后得到的数据对LiteHRNet深度神经网络模型进行训练，得到不同的体重估计预训练模型；

利用类激活映射方法对不同的体重估计预训练模型的预测层进行分析，筛选出精确度高且注意力在羊只区域集中的预训练模型作为最终的羊只体重估计模型；

将处理后的羊只目标输入到最终的预训练模型中得到对应羊只的体重估计结果。

进一步地，将深度相机布置在单只羊通道的侧面，距离通道约0.8米，高度0.5米，以采集羊只侧视的深度图像数据。

进一步地，利用羊只检测模型对采集的深度图像数据进行羊只检测并截取出对应的羊只区域图像。

进一步地，利用羊只语义分割模型，对截取出的羊只图像进行语义分割处理。

进一步地，利用均方差损失函数训练神经网络，得到不同的体重估计预训练模型。

进一步地，利用预训练模型的体重估计的平均误差作为模型的精确度指标。

进一步地，根据预训练模型注意力可视化结果在图像中羊只区域的集中程度作为模型的视觉筛选指标。

本发明提供了一种基于深度学习的体重估计方法，具备以下有益效果：

(1)本发明相较于传统方法，本文方法选择了“无接触，高收益，高效率”的深度学习方法，在效率上优于传统的羊只体重估计方法。

(2)本发明中利用羊只检测和分割模型对采集的深度图像数据进行预处理，可以得到质量可靠且丰富的羊只对象数据，减小无关对象对估计模型的影响，并且提高模型对羊只对象特征的提取能力。

(3)本发明采用多个体重估计网络头对采集的数据进行训练，可以探索网络头中不同的结构对体重估计的影响，网络骨干网络采用LiteHRNet进行从头训练，可以高效的提取丰富的羊只体重相关的特征。

(4)本发明采用类激活映射技术，对预训练模型在体重估计任务中关注的图像区域进行了可视化，增加了预训练模型的可解释性，同时也对不同的体重估计网络头进行了优化和筛选。

(5)本发明为高效率的羊只体重估计提供了一种新的解决方案，可以极大的节省养殖场中的羊只体重获取的时间成本，同时避免了传统方法对羊只造成可能的伤害，增加了羊只的福利，为相关禽畜的体重估计方法提供了思路，值得推广。

附图说明

图1为本发明基于深度学习的羊只羊只体重估计的方法流程图；

图2为本发明数据采集的装置布置图；

图3为本发明实施例提供的实验效果图。

具体实施方式

下面将结合本发明实施例中的附图，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。

如图1-3所示，本发明提供的一种基于深度学习的羊只体重估计方法，包括以下步骤：

采集单个羊只的侧视深度图像数据，对采集的数据进行羊只检测，并截取检测到的羊只图像；

对截取出的羊只图像进行羊只语义分割处理，得到分割处理后的羊只深度图像数据；

构建LiteHRNet骨干网络，通过利用LiteHRNet骨干网络的点卷积层、ReLU层、Dropout层、自适应平均池化层和线性层构建体重估计网络头；

结合不同的体重估计网络头构建LiteHRNet深度神经网络模型，利用羊只检测和羊只语义分割后得到的数据对LiteHRNet深度神经网络模型进行训练，得到不同的体重估计预训练模型；

利用类激活映射方法对不同的体重估计预训练模型的预测层进行分析，筛选出精确度高且注意力在羊只区域集中的预训练模型作为最终的羊只体重估计模型；

将截取后的羊只目标图像输入到最终的预训练模型中得到对应羊只的体重估计结果。

步骤1、为了获取更完整的不同生长状态和体型的羊只侧面图像，设置一个单只羊可通过的通道，在通道一侧布置深度相机，相机距离通道约0.8米，高度约0.5米，保证采集到羊只侧视图的深度图像数据；为了减少环境和光线的噪声，尽量将采集场景和通道部署在没有阳光直射的场景中，通道保持单只羊通过，确保深度相机只捕捉到单只羊的数据；步骤1的羊只侧视图的数据采集，确保了可以捕获不同体型以及运动通过状态的羊只，以确保对通过羊只数据的捕获率，最大化获取羊只的深度图像数据。

步骤2、为减少信息采集中其他背景和对象的干扰，尽可能提高羊只对象在整个图片中的占比，本方法首先将深度相机捕获的视频流数据转码为彩色图像和对应的深度图像数据，然后利用羊只检测模型，截取出彩色图像和深度图像中羊只的部分；然后利用羊只语义分割模型，对截取出的羊只图像进行语义分割处理，对羊只深度图像数据进行扩增；步骤2的羊只侧视图的数据预处理，利用智能羊只检测模型获取羊只对象，移除羊只外的其他对象，减小无关对象对模型的影响，羊只实例分割增强模型对羊只特征的利用。

步骤3、羊只体重估计需要图像中不同层次的语义信息，同时为了提高羊只估计的效率，选取了LiteHRNet作为深度神经网络模型的骨干网络，其通过不同分辨率的分支结构提取不同层次的语义信息，同时具有计算高效的内部模块，较小的参数量和高效的计算效率；构建结合了不同的体重估计网络头的LiteHRNet深度神经网络模型，利用羊只检测和羊只分割得到的数据以及对应羊只的真实体重数据对LiteHRNet深度神经网络模型进行训练，利用均方差作为损失函数，得到不同的体重估计预训练模型；构建LiteHRNet骨干网络，该骨干网络用于提取不同通道数量的羊只深度图像数据特征；构建体重估计网络头，用于接收骨干网络所提取的图像数据特征，输出估计羊只的体重，该网络头由点卷积层、ReLU层、Dropout层、自适应平均池化层和线性层组成；利用羊只检测和分割得到的数据，对结合体重估计网络头的LiteHRNet深度神经网络模型进行训练，得到不同的体重估计预训练模型；步骤3的羊只预处理数据的训练，采用轻量型网络进行从头训练，以充分学习数据中针对羊只体重的特征。

步骤4、为了评估不同网络头的体重估计模型，同时探索不同预训练模型的决策过程，利用类激活映射技术，对步骤3得到的深度神经网络预训练模型体重估计图像中注意力区域的可视化；利用预训练模型的体重估计的平均误差作为模型的精确度指标，同时根据预训练模型注意力可视化结果在图像中羊只区域的集中程度作为模型的视觉筛选指标，利用两个指标筛选出精确度高且注意力在羊只区域集中的预训练模型，作为最终的羊只体重估计模型；步骤4的羊只体重估计头的设计和优化，利用类激活映射方法对预训练模型进行选择，筛选出可解释性强且预测误差小的体重估计模型。

步骤5、对步骤4得到最终模型进行部署，对需要体重估计的目标羊只，按步骤1采集其深度图像数据；为尽可能提高羊只对象在整个图片中的占比，利用羊只检测模型对采集的深度图像数据进行羊只检测并截取出对应的羊只区域，然后将截取得到的深度图像数据输入到体重估计最终模型中，得到对应羊只的体重估计结果；步骤5的羊只体重估计模型，利用预训练模型对羊只对象的体重进行估计，可获得解释性好和误差小的估计结果。

本发明相较于传统方法，本文方法选择了“无接触，无伤害，高收益，高效率”的深度学习方法，在效率上优于传统的羊只体重估计方法；本发明不仅实现了羊只体重的快速获取方法，也为相关禽畜体重的估计提供了一个方向，同时也节约了相关人员的时间成本，提高了动物福利，值得推广。

以上所述，仅为本发明较佳的具体实施方式，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，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (7)

1.一种基于深度学习的体重估计方法，其特征在于，包括以下步骤：

采集单个羊只的侧视深度图像数据，对采集的数据进行羊只检测，并截取检测到的羊只图像；

对截取出的羊只图像进行羊只语义分割处理，得到分割处理后的羊只深度图像数据；

构建LiteHRNet骨干网络，其用于提取不同通道数量的羊只深度图像数据特征；利用点卷积层、ReLU层、Dropout层、自适应平均池化层和线性层构建体重估计网络头，其用于接收骨干网络所提取的图像数据特征，输出估计羊只的体重；

利用羊只检测和分割得到的数据，对结合体重估计网络头的LiteHRNet深度神经网络模型进行训练，得到不同的体重估计预训练模型；

利用类激活映射方法对不同的体重估计预训练模型的预测层进行分析，筛选出精确度高且注意力在羊只区域集中的预训练模型作为最终的羊只体重估计模型；

将截取后的羊只图像输入到最终的预训练模型中得到对应羊只的体重估计结果。

2.根据权利要求1所述的一种基于深度学习的体重估计方法，其特征在于，

将深度相机布置在单只羊通道的侧面，距离通道约0.8米，高度0.5米，以采集羊只侧视的深度图像数据。

3.根据权利要求1所述的一种基于深度学习的体重估计方法，其特征在于，

利用羊只检测模型对采集的深度图像数据进行羊只检测并截取出对应的羊只区域图像。

4.根据权利要求1所述的一种基于深度学习的体重估计方法，其特征在于，

利用羊只语义分割模型，对截取出的羊只图像进行语义分割处理。

5.根据权利要求1所述的一种基于深度学习的体重估计方法，其特征在于，

利用均方差损失函数训练神经网络，得到不同的体重估计预训练模型。

6.根据权利要求1所述的一种基于深度学习的体重估计方法，其特征在于，

利用预训练模型的体重估计的平均误差作为模型的精确度指标。

7.根据权利要求1所述的一种基于深度学习的体重估计方法，其特征在于，

根据预训练模型注意力可视化结果在图像中羊只区域的集中程度作为模型的视觉筛选指标。

Images