CN116596937B - 一种鸡头部器官各参数的检测方法 - Google Patents
一种鸡头部器官各参数的检测方法 Download PDFInfo
- Publication number
- CN116596937B CN116596937B CN202310882842.3A CN202310882842A CN116596937B CN 116596937 B CN116596937 B CN 116596937B CN 202310882842 A CN202310882842 A CN 202310882842A CN 116596937 B CN116596937 B CN 116596937B
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- model
- chicken head
- cockscomb
- 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
- 241000287828 Gallus gallus Species 0.000 title claims abstract description 79
- 210000000056 organ Anatomy 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000001514 detection method Methods 0.000 claims abstract description 47
- 238000003709 image segmentation Methods 0.000 claims abstract description 26
- 238000004364 calculation method Methods 0.000 claims abstract description 19
- 238000002372 labelling Methods 0.000 claims abstract description 14
- 230000011218 segmentation Effects 0.000 claims abstract description 10
- 235000013330 chicken meat Nutrition 0.000 claims description 74
- 241000561734 Celosia cristata Species 0.000 claims description 60
- 210000001520 comb Anatomy 0.000 claims description 60
- 238000003708 edge detection Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 239000003086 colorant Substances 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000000873 masking effect Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 13
- 238000012360 testing method Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 238000012795 verification Methods 0.000 description 5
- 241000489045 Helosis Species 0.000 description 3
- 210000003323 beak Anatomy 0.000 description 3
- 241000271566 Aves Species 0.000 description 2
- 241000209149 Zea Species 0.000 description 2
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 2
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 235000005822 corn Nutrition 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000010257 thawing Methods 0.000 description 2
- 230000007306 turnover Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000003746 feather Anatomy 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 229940088597 hormone Drugs 0.000 description 1
- 239000005556 hormone Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000028327 secretion Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 210000000051 wattle Anatomy 0.000 description 1
Classifications
-
- 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
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10024—Color image
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明属于目标检测的技术领域，公开了一种鸡头部器官各参数的检测方法，包括采集各品种鸡的标准图像进行标注，并搭建目标检测模型；基于提取的鸡头部图像，对各器官进行标注，并搭建图像分割模型；基于分割的器官图像，搭建目标识别模型，读取标尺信息以及识别色卡信息；基于检测、分割以及识别结果对鸡头部器官各参数进行计算。本发明方法目标识别准确，具有高准确率，高召回率的优点，通过自动化计算，仅需要输入图像，便可识别出各器官轮廓并计算相对应参数，人工参与度低，自动化程度高，可以大幅降低人工和时间成本。
Description
技术领域
本发明涉及目标检测的技术领域，尤其涉及一种鸡头部器官各参数的检测方法。
背景技术
鸡头部的器官（鸡冠、鸡垂、鸡眼以及鸡喙）对禽类有重要意义，例如：鸡冠和鸡垂的颜色常与鸡的健康状况息息相关，鸡冠的高度、大小常与激素分泌有关。因此，研究鸡的头部特征对于禽类的养殖有重要的意义。目前，大部分头部器官参数的采集常利用卡尺进行人工采集和估算，需要人工成本与时间成本较大，且在实际测量中准确性较低。而现有的测定软件需要手动标注头部器官的轮廓等，不能实现自动化识别头部各部位。
利用计算机对图形图像进行自动化处理的方法，主要包括以下几种：
一．基于阈值分割的方法：该方法使用一个或几个阈值将图像分成几个类，认为在同一个类内的像素属于同一个物体，该方法不考虑图像的空间特性，存在召回率低，抗噪性差，对于图像质量要求高等问题。
二．基于边缘检测的方法：该方法基于图像的不连续性进行分割，包括基于局部图像函数的方法，图像滤波，多尺度方法等，该方法对于细节丰富的图像进行处理时，难以检测边缘，且受噪声干扰较大。
三．基于区域的方法：该方法根据预先定义的标准，提取图像中相连接的区域。该方法每一个需要提取的区域都必须人工给出一个种子点，且对噪声也很敏感。
四．基于深度学习的方法：该方法利用神经网络对图像进行处理，调节节点间的权值来进行学习。常用于图像分类、目标检测等领域，但模型为黑盒性质，难以解释。
直接应用于鸡头部器官检测的方法较少，且现有方法中自动化程度低，需要人工干预，检测效率较低。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题，提出了本发明。
因此，本发明解决的技术问题是：现有技术存在检测难度大效率低的问题。
为解决上述技术问题，本发明提供如下技术方案：一种鸡头部器官各参数的检测方法，包括：
采集各品种鸡的标准图像进行标注，并搭建目标检测模型；
基于提取的鸡头部图像，对各器官进行标注，并搭建图像分割模型；
基于分割的器官图像，搭建目标识别模型，读取标尺信息以及识别色卡信息；
基于检测、分割以及识别结果对鸡头部器官各参数进行计算。
作为本发明所述的鸡头部器官各参数的检测方法的一种优选方案，其中： 采用人工标注的方式标注图像中鸡头的位置标签，生成的标签文件与图像文件相对应；
标注文件的标签格式表示为：
；
其中，为标签号，/>为目标中心位置的x坐标，/>为目标中心位置的y坐标，/>为目标矩形框的宽度，/>为目标矩形框高度。
作为本发明所述的鸡头部器官各参数的检测方法的一种优选方案，其中： 所述目标检测模型以图像为输入，检测目标位置为输出，通过将预测位置与标签位置进行比对，计算损失函数；
所述损失函数表示为：
；
其中，为分类损失，/>为置信损失，/>为定位损失，/>分别为三种损失的权重；
所述分类损失和置信损失使用二元交叉熵函数进行计算，表示为：
；
其中，是输出的属于标签/>的概率；
所述定位损失的计算包括：
交并比表示为：
；
其中，为真实矩形框与预测矩形框的交集区域，为真实矩形框与预测矩形框的并集区域；
所述定位损失公式表示为：
；
其中，为预测标注框长宽比的一致性参数表示，/>、/>为真实矩形框的宽和高，/>、/>为预测矩形框的宽和高；/>为权重参数，表示预测标注框长宽比在损失中的占比，/>为真实矩形框中心点，/>为预测矩形框中心点，/>为真实矩形框与预测矩形框的中心点的欧式距离，/>为真实矩形框与预测矩形框的最小闭包区域的对角线距离。
作为本发明所述的鸡头部器官各参数的检测方法的一种优选方案，其中：在计算损失后，对所述目标检测模型进行反向传播更新模型参数，使得预测位置贴近真实的标签位置。
作为本发明所述的鸡头部器官各参数的检测方法的一种优选方案，其中： 对提取的鸡头图像，采用人工标注的方法，将鸡头部位各器官标注出来，搭建图像分割模型，并在图像中分割出鸡头部位的各个器官。
作为本发明所述的鸡头部器官各参数的检测方法的一种优选方案，其中： 对所述图像分割模型以鸡头部图像为输入，图像分割后的各个像素所属类别为输出，通过将预测类别与标签类别进行比对，计算损失函数，进行反向传播更新模型参数；
图像分割的损失函数表示为：
；
其中，为交叉熵损失，比较输出与实际标签之间的差异，用于评估模型在像素级别上的预测准确度；/>为辅助损失，测量模型预测输出与实际标签之间的相似度来确定预测错误的程度；
所述交叉熵损失公式表示为：
；
其中，为图像宽度，/>为图像高度，/>为某像素预测在某一类中的概率；
所述辅助损失公式表示为：
；
其中，和/>表示分割的真实像素分类和预测的像素分类，/>表示为二者交集，/>为防止分母为0添加的参数。
作为本发明所述的鸡头部器官各参数的检测方法的一种优选方案，其中：所述读取标尺信息包括：
通过目标识别模型识别图中的标尺，计算标尺的像素宽和高，并根据实际长度将像素长度转换为真实长度，得到每个像素代表的真实距离，得到标尺的轮廓，并计算标尺轮廓的像素宽度W和像素高度H；
定义标尺为实际面积为Area的正方形，每一个像素的面积表示为：
；
每个像素的边长表示为：
；
所述识别色卡信息包括：
通过目标识别模型识别图中的色卡信息，所述色卡包括1-7级别色块的RGB信息；
通过使用边缘检测得到每个级别色块的边缘，再使用直线识别定位各级别色块的位置信息。
作为本发明所述的鸡头部器官各参数的检测方法的一种优选方案，其中： 基于图像分割模型对鸡头部各器官进行分类，将分类后的每一个类别都使用掩码方法遮盖，分割出各个器官，计算各器官的像素面积和像素周长，并通过目标识别模型计算出的每像素代表的真实值，换算出各器官的真实面积和周长。
作为本发明所述的鸡头部器官各参数的检测方法的一种优选方案，其中： 对于鸡冠部位，在识别周长和面积的基础上，还需要计算鸡冠高度，包括：
基于图像分割模型得到鸡冠分割后的二值图，在二值图上得到鸡冠轮廓，绘制轮廓的最小外接矩形，定义所述外接矩形的高度为Z，所述外接矩形的矩表示为：
；
其中，代表图像的第i+j阶矩，/>表示图像第x行第y列的值；x为图像第x行，y为图像第y列，/>表示x的j次幂，/>表示y的i次幂；
鸡冠图像的长轴与水平方向的夹角表示为：
；
其中，、/>为图像的质心，/>为长轴与水平方向夹角，/>、/>、/>为计算过程的中间变量；
将鸡冠图像旋转度，然后从鸡冠图像外接矩形的中心向下做直线到鸡冠底部，定义这段距离为z，则鸡冠像素高度为Z/2+z，通过换算得到鸡冠的真实高度。
作为本发明所述的鸡头部器官各参数的检测方法的一种优选方案，其中：对于鸡冠和鸡垂部位，在识别周长和面积的基础上，还需要通过投票方式判断颜色等级，包括：
将RGB颜色映射到HSV颜色空间进行距离计算，计算每个像素所属的颜色类别，并记录每个颜色类别的像素数目，以像素最多的级别作为最终鸡冠的颜色级别，所述距离计算公式表示为：
；
其中，、/>、/>分别代表RGB颜色空间上的红色、绿色、蓝色三个分量，/>表示三个分量归一化后的最大值，/>表示三个分量归一化后的最小值，/>、/>、/>分别代表HSV颜色模型中的色相、饱和度、色明度三个分量。
本发明的有益效果：本发明提供的一种鸡头部器官各参数的检测方法目标识别准确，具有高准确率，高召回率的优点，通过自动化计算，仅需要输入图像，便可识别出各器官轮廓并计算相对应参数，人工参与度低，自动化程度高，可以大幅降低人工和时间成本。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明一个实施例所述的鸡头部器官各参数的检测方法的整体流程图；
图2为本发明一个实施例所述的鸡头部器官各参数的检测方法的目标检测模型架构示意图；
图3为本发明一个实施例所述的鸡头部器官各参数的检测方法的图像分割模型架构示意图；
图4为本发明一个实施例所述的鸡头部器官各参数的检测方法的标尺和色卡信息示意图；
图5为本发明一个实施例所述的鸡头部器官各参数的检测方法的鸡头部位目标检测结果示意图；
图6为本发明一个实施例所述的鸡头部器官各参数的检测方法的图像分割结果示意图；
图7为本发明一个实施例所述的鸡头部器官各参数的检测方法的标尺目标检测结果示意图；
图8为本发明一个实施例所述的鸡头部器官各参数的检测方法的色卡目标检测结果示意图；
图9为本发明一个实施例所述的鸡头部器官各参数的检测方法的参数计算结果示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1—4，为本发明的第一个实施例，该实施例提供了一种鸡头部器官各参数的检测方法，包括：
S1：采集各品种鸡的标准图像进行标注，并搭建目标检测模型；
更进一步的，采用人工标注的方式标注图像中鸡头的位置标签，生成的标签文件与图像文件相对应；
标注文件的标签格式表示为：
；
其中，为标签号，/>为目标中心位置的x坐标，/>为目标中心位置的y坐标，/>为目标矩形框的宽度，/>为目标矩形框高度。
更进一步的，如图2所示，目标检测模型以图像为输入，检测目标位置为输出，通过将预测位置与标签位置进行比对，计算损失函数；
损失函数表示为：
；
其中，为分类损失，/>为置信损失，/>为定位损失，/>分别为三种损失的权重；
分类损失和置信损失使用二元交叉熵函数进行计算，表示为：
；
其中，是输出的属于标签/>的概率；
定位损失的计算包括：
交并比表示为：
；
其中，为真实矩形框与预测矩形框的交集区域，为真实矩形框与预测矩形框的并集区域；
定位损失公式表示为：
；
其中，为预测标注框长宽比的一致性参数表示，/>、/>为真实矩形框的宽和高，/>、/>为预测矩形框的宽和高；/>为权重参数，表示预测标注框长宽比在损失中的占比，/>为真实矩形框中心点，/>为预测矩形框中心点，/>为真实矩形框与预测矩形框的中心点的欧式距离，/>为真实矩形框与预测矩形框的最小闭包区域的对角线距离。
更进一步的，在计算损失后，对目标检测模型进行反向传播更新模型参数，使得预测位置贴近真实的标签位置。
S2：基于提取的鸡头部图像，对各器官进行标注，并搭建图像分割模型；
更进一步的，对提取的鸡头图像，采用人工标注的方法，将鸡头部位各器官标注出来，搭建图像分割模型，并在图像中分割出鸡头部位的各个器官。
应说明的是，本发明所提及的鸡头部器官包括鸡冠、鸡垂、鸡眼、鸡喙。
更进一步的，如图3所示，对图像分割模型以鸡头部图像为输入，图像分割后的各个像素所属类别为输出，通过将预测类别与标签类别进行比对，计算损失函数，进行反向传播更新模型参数；
图像分割的损失函数表示为：
；
其中，为交叉熵损失，比较输出与实际标签之间的差异，用于评估模型在像素级别上的预测准确度；/>为辅助损失，测量模型预测输出与实际标签之间的相似度来确定预测错误的程度；二者组合为模型提供更准确的训练信号。
交叉熵损失公式表示为：
；
其中，为图像宽度，/>为图像高度，/>为某像素预测在某一类中的概率；
辅助损失公式表示为：
；
其中，和/>表示分割的真实像素分类和预测的像素分类，/>表示为二者交集，/>为防止分母为0添加的参数。
S3：基于分割的器官图像，搭建目标识别模型，读取标尺信息以及识别色卡信息；
更进一步的，读取标尺信息包括：
通过目标识别模型识别图中的标尺，计算标尺的像素宽和高，并根据实际长度将像素长度转换为真实长度，得到每个像素代表的真实距离，得到标尺的轮廓，并计算标尺轮廓的像素宽度W和像素高度H；
定义标尺为实际面积为Area的正方形，每一个像素的面积表示为：
；
每个像素的边长表示为：
；
识别色卡信息包括：
通过目标识别模型识别图中的色卡信息，如图4所示，色卡包括1-7级别色块的RGB信息；
通过使用边缘检测得到每个级别色块的边缘，再使用直线识别定位各级别色块的位置信息。
应说明的是，在识别和定位色块时，有两个问题，一是各级别色块中的RGB信息应该是相同的，但在图片中每个像素的RGB信息不一定一致；二是定位色块时，可能会出现较小的偏差，导致不属于本色块的像素也在定位范围内。因此在色块中进行抽样，取99个样本点得到他们的颜色信息，最后在99个点的RGB信息中分别取中位数作为该色块的RGB信息，保证取得的RGB信息能够真实代表各级别的颜色信息。
S4：基于检测、分割以及识别结果对鸡头部器官各参数进行计算。
更进一步的，基于图像分割模型对鸡头部各器官进行分类，将分类后的每一个类别都使用掩码方法遮盖，分割出各个器官，计算各器官的像素面积和像素周长，并通过目标识别模型计算出的每像素代表的真实值，换算出各器官的真实面积和周长。
更进一步的，对于鸡冠部位，在识别周长和面积的基础上，还需要计算鸡冠高度，包括：
基于图像分割模型得到鸡冠分割后的二值图，在二值图上得到鸡冠轮廓，绘制轮廓的最小外接矩形，定义外接矩形的高度为Z，外接矩形的矩表示为：
；
其中，代表图像的第i+j阶矩，/>表示图像第x行第y列的值；x为图像第x行，y为图像第y列，/>表示x的j次幂，/>表示y的i次幂；
鸡冠图像的长轴与水平方向的夹角表示为：
；
其中，、/>为图像的质心，/>为长轴与水平方向夹角，/>、/>、/>为计算过程的中间变量；
将鸡冠图像旋转度，然后从鸡冠图像外接矩形的中心向下做直线到鸡冠底部，定义这段距离为z，则鸡冠像素高度为Z/2+z，通过换算得到鸡冠的真实高度。
更进一步的，对于鸡眼部位，需要得到鸡眼部位的长短半径，同样利用外接矩形的宽和高来表示鸡眼的大小。
更进一步的，对于鸡冠和鸡垂部位，在识别周长和面积的基础上，还需要通过投票方式判断颜色等级，包括：
将RGB颜色映射到HSV颜色空间进行距离计算，计算每个像素所属的颜色类别，并记录每个颜色类别的像素数目，以像素最多的级别作为最终鸡冠的颜色级别，距离计算公式表示为：
；
其中，、/>、/>分别代表RGB颜色空间上的红色、绿色、蓝色三个分量，/>表示三个分量归一化后的最大值，/>表示三个分量归一化后的最小值，/>、/>、/>分别代表HSV颜色模型中的色相、饱和度、色明度三个分量。
应说明的是，由于RGB空间是线性的并且相互正交，而人眼的视觉系统并不是线性的，RGB空间并不能反映人眼对颜色的感知，相对应的颜色距离也不能很好的反映两个颜色是否相近，因此将RGB颜色映射到HSV颜色空间，在进行距离计算。
由于鸡冠和鸡垂颜色分布不均匀，且在图像分割时可能会包含少数背景像素，因此，直接使用图像的平均RGB信息进行计算可能会产生极大的误差。故本发明判断颜色等级采用投票的方式，以鸡冠为例，属于“鸡冠”这一类的像素分别提取他们的RGB信息，映射到HSV颜色空间后，计算每个像素所属的颜色类别，并记录每个颜色类别的像素数目，以像素最多的级别作为最终鸡冠的颜色级别。
实施例2
参照图5—9，为本发明的一个实施例，该实施例提供了一种鸡头部器官各参数的检测方法，为了验证本发明的有益效果，通过具体的实施方式以及实施效果进行科学论证。
本实施例具体如下，
目标检测模型的构建如下：获取72张不同品种鸡的图片，其中50张用于训练集，7张作为验证集，15张作为测试集。由于数据较少，因此在训练集上对数据进行增强，做旋转、翻转操作，最终训练集包括300张带标注的图片。
对如图2所示的目标检测模型设置如下参数：
；
其中，为训练轮数，/>为训练的批量大小，/>为训练的图片尺寸。
对目标检测模型计算损失，并反向传播更新模型参数。模型训练好后，利用模型检测目标羽毛的位置。模型推理需要设定置信度阈值及覆盖度阈值，其中，置信度阈值为模型损失函数中的置信损失的权重，更高的置信度阈值将过滤更多的检测框，仅保留置信度较高概率的检测框；覆盖度阈值为模型损失中的交并集损失，覆盖度越低，检测框之间重合的容忍度越低，当覆盖度阈值为0时，将不存在重合的检测框。阈值参数设定如下：
；
最终模型在验证集上精确率和召回率均达到1，mAP达到0.995，能够准确检测到鸡头所在部位。部分测试集模型检测结果如图5所示。
图像分割模型的构建如下：识别鸡头部位之后，将鸡头部位从原始图片中切割出来，再使用labelme工具对鸡头部位各器官进行人工标注，共标注图像64张，51张作为训练集，13张作为验证集，8张未标注图片作为测试集。
对如图3所示的图像分割模型设置如下参数：
；
其中，为解冻前训练轮数，/>为解冻后训练轮数，为训练图片尺寸；
模型将根据损失函数计算损失，并反向传播更新模型参数。模型训练好后，利用模型对鸡头部位的器官进行分割。
最终训练模型在验证集上损失为0.127，miou为0.817。模型在部分测试集上的结果如图6所示。
目标识别模型使用如图2所示的目标检测模型架构，构建过程如下：获取66张带标尺和色卡图片，其中50张用于训练，6张作为验证集，10张作为测试集。由于数据较少，因此在训练集上对数据进行增强，做旋转、翻转操作，最终训练集包括300张带标注的图片。最终，识别标尺的模型在验证集上精确率和召回率均达到1，mAP达到0.995，能够准确检测到鸡头所在部位。部分测试集模型检测结果如图7所示。识别色块的模型在验证集上精确率和召回率均达到1，mAP达到0.995，能够准确检测到鸡头所在部位。部分测试集模型检测结果如图8所示。
对于识别到的标尺，利用边缘检测检测到标尺的边缘，识别标尺的轮廓，计算标尺的宽和高的像素数目。利用标尺真实面积计算每一个像素对应的真实面积和边长，本实例设置标尺为2cm×2cm的正方形，为之后计算各器官的参数做准备。对于识别的色卡，利用边缘检测，识别色块的轮廓。从各个色块的坐标范围中取多个个点取中值作为每个色块的颜色信息。在识别鸡冠和鸡垂颜色级别时利用HSV颜色空间进行计算。
参数计算的结果如图9所示；其中，comb information为鸡冠信息，area为鸡冠面积，comb hight为鸡冠高度，girth为鸡冠周长，meanRGB为鸡冠颜色RGB均值，stdRGB 为鸡冠颜色RGB方差，comb color grade为鸡冠颜色等级，wattle information为鸡垂信息，area为鸡垂面积，girth为鸡垂周长，meanRGB为鸡垂颜色RGB均值，stdRGB 为鸡垂颜色RGB方差，comb color grade为鸡垂颜色等级，eye information为鸡眼信息，width and hight为鸡眼高和宽，beak area为鸡喙面积。由图中数据可知，仅需要输入图像，便可识别出各器官轮廓并计算相对应参数，自动化程度搞，大大降低了人工成本，具有很高的实用性。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种鸡头部器官各参数的检测方法，其特征在于，包括：
采集各品种鸡的标准图像进行标注，并搭建目标检测模型；
基于提取的鸡头部图像，对各器官进行标注，并搭建图像分割模型；
基于分割的器官图像，搭建目标识别模型，读取标尺信息以及识别色卡信息；
基于检测、分割以及识别结果对鸡头部器官各参数进行计算；
对于鸡冠部位，在识别周长和面积的基础上，还需要计算鸡冠高度，包括：
基于图像分割模型得到鸡冠分割后的二值图，在二值图上得到鸡冠轮廓，绘制轮廓的最小外接矩形，定义所述外接矩形的高度为Z，所述外接矩形的矩表示为：
其中，mji代表图像的第i+j阶矩，img(x,y)表示图像第x行第y列的值，x为图像第x行，y为图像第y列，xj表示x的j次幂，yi表示y的i次幂；
鸡冠图像的长轴与水平方向的夹角表示为：
其中，xc、yc为图像的质心，θ为长轴与水平方向夹角，a、b、c为计算过程的中间变量；
将鸡冠图像旋转θ度，然后从鸡冠图像外接矩形的中心向下做直线到鸡冠底部，定义这段距离为z，则鸡冠像素高度为Z/2+z，通过换算得到鸡冠的真实高度；
对于鸡冠和鸡垂部位，在识别周长和面积的基础上，还需要通过投票方式判断颜色等级，包括：
将RGB颜色映射到HSV颜色空间进行距离计算，计算每个像素所属的颜色类别，并记录每个颜色类别的像素数目，以像素最多的级别作为最终鸡冠的颜色级别，所述距离计算公式表示为：
Cmax＝max(R/255,G/255,B/255)
Cmin＝min(R/255,G/255,B/255)
V＝Cmax
其中，R、G、B分别代表RGB颜色空间上的红色、绿色、蓝色三个分量，Cmax表示三个分量归一化后的最大值，Cmin表示三个分量归一化后的最小值，H、S、V分别代表HSV颜色模型中的色相、饱和度、色明度三个分量。
2.如权利要求1所述的鸡头部器官各参数的检测方法，其特征在于：采用人工标注的方式标注图像中鸡头的位置标签，生成的标签文件与图像文件相对应；
标注文件的标签格式表示为：
(s,x,y,w,h)
其中，s为标签号，x为目标中心位置的x坐标，y为目标中心位置的y坐标，w为目标矩形框的宽度，h为目标矩形框高度。
3.如权利要求2所述的鸡头部器官各参数的检测方法，其特征在于：所述目标检测模型以图像为输入，检测目标位置为输出，通过将预测位置与标签位置进行比对，计算损失函数；
所述损失函数表示为：
L＝λ1Lcls+λ2Lobj+λ3LCIoU
其中，Lcls为分类损失，Lobj为置信损失，LCIoU为定位损失，λ1、λ2、λ3分别为三种损失的权重；
所述分类损失和置信损失使用二元交叉熵函数进行计算，表示为：
其中，p是输出的属于标签y的概率；
所述定位损失的计算包括：
交并比IoU表示为：
其中，Intersection(x,y)为真实矩形框与预测矩形框的交集区域，Union(x,y)为真实矩形框与预测矩形框的并集区域；
所述定位损失公式表示为：
其中，v为预测标注框长宽比的一致性参数表示，w、h为真实矩形框的宽和高，wgt、hgt为预测矩形框的宽和高；α为权重参数，表示预测标注框长宽比在损失中的占比，b为真实矩形框中心点，bgt为预测矩形框中心点，ρ为真实矩形框与预测矩形框的中心点的欧式距离，c为真实矩形框与预测矩形框的最小闭包区域的对角线距离。
4.如权利要求2或3所述的鸡头部器官各参数的检测方法，其特征在于：在计算损失后，对所述目标检测模型进行反向传播更新模型参数，使得预测位置贴近真实的标签位置。
5.如权利要求4所述的鸡头部器官各参数的检测方法，其特征在于：对提取的鸡头图像，采用人工标注的方法，将鸡头部位各器官标注出来，搭建图像分割模型，并在图像中分割出鸡头部位的各个器官。
6.如权利要求5所述的鸡头部器官各参数的检测方法，其特征在于：对所述图像分割模型以鸡头部图像为输入，图像分割后的各个像素所属类别为输出，通过将预测类别与标签类别进行比对，计算损失函数，进行反向传播更新模型参数；
图像分割的损失函数表示为：
L＝LCE+LDice
其中，LCE为交叉熵损失，比较输出与实际标签之间的差异，用于评估模型在像素级别上的预测准确度；LDice为辅助损失，测量模型预测输出与实际标签之间的相似度来确定预测错误的程度；
所述交叉熵损失公式表示为：
其中，W为图像宽度，H为图像高度，p为某像素预测在某一类中的概率；
所述辅助损失公式表示为：
其中，|X|和|Y|表示分割的真实像素分类和预测的像素分类，|X∩Y|表示为二者交集，smooth为防止分母为0添加的参数。
7.如权利要求1所述的鸡头部器官各参数的检测方法，其特征在于：所述读取标尺信息包括：
通过目标识别模型识别图中的标尺，计算标尺的像素宽和高，并根据实际长度将像素长度转换为真实长度，得到每个像素代表的真实距离，得到标尺的轮廓，并计算标尺轮廓的像素宽度W和像素高度H；
定义标尺为实际面积为Area的正方形，每一个像素的面积表示为：
每个像素的边长表示为：
所述识别色卡信息包括：
通过目标识别模型识别图中的色卡信息，所述色卡包括1-7级别色块的RGB信息；
通过使用边缘检测得到每个级别色块的边缘，再使用直线识别定位各级别色块的位置信息。
8.如权利要求7所述的鸡头部器官各参数的检测方法，其特征在于：基于图像分割模型对鸡头部各器官进行分类，将分类后的每一个类别都使用掩码方法遮盖，分割出各个器官，计算各器官的像素面积和像素周长，并通过目标识别模型计算出的每像素代表的真实值，换算出各器官的真实面积和周长。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310882842.3A CN116596937B (zh) | 2023-07-19 | 2023-07-19 | 一种鸡头部器官各参数的检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310882842.3A CN116596937B (zh) | 2023-07-19 | 2023-07-19 | 一种鸡头部器官各参数的检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116596937A CN116596937A (zh) | 2023-08-15 |
| CN116596937B true CN116596937B (zh) | 2023-09-22 |
Family
ID=87595979
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310882842.3A Active CN116596937B (zh) | 2023-07-19 | 2023-07-19 | 一种鸡头部器官各参数的检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116596937B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1080449A1 (en) * | 1998-05-29 | 2001-03-07 | Computerized Medical Systems, Inc. | Autosegmentation / autocontouring system and method |
| CN113223035A (zh) * | 2021-06-07 | 2021-08-06 | 南京农业大学 | 笼养鸡智能巡检系统 |
| CN113592894A (zh) * | 2021-08-29 | 2021-11-02 | 浙江工业大学 | 一种基于边界框和同现特征预测的图像分割方法 |
| CN116309791A (zh) * | 2023-05-17 | 2023-06-23 | 南京星罗基因科技有限公司 | 一种禽类羽毛面积参数的检测方法 |
-
2023
- 2023-07-19 CN CN202310882842.3A patent/CN116596937B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1080449A1 (en) * | 1998-05-29 | 2001-03-07 | Computerized Medical Systems, Inc. | Autosegmentation / autocontouring system and method |
| CN113223035A (zh) * | 2021-06-07 | 2021-08-06 | 南京农业大学 | 笼养鸡智能巡检系统 |
| CN113592894A (zh) * | 2021-08-29 | 2021-11-02 | 浙江工业大学 | 一种基于边界框和同现特征预测的图像分割方法 |
| CN116309791A (zh) * | 2023-05-17 | 2023-06-23 | 南京星罗基因科技有限公司 | 一种禽类羽毛面积参数的检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于鸡头特征的病鸡识别方法研究;毕敏娜;张铁民;庄晓霖;焦培荣;;农业机械学报(01);第58-64页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116596937A (zh) | 2023-08-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Heinzel et al. | Prior-knowledge-based single-tree extraction | |
| CN109154978A (zh) | 用于检测植物疾病的系统和方法 | |
| CN108564085B (zh) | 一种自动读取指针式仪表读数的方法 | |
| CN109063754B (zh) | 一种基于OpenStreetMap的遥感影像多特征联合分类方法 | |
| Matikainen et al. | Automatic detection of changes from laser scanner and aerial image data for updating building maps | |
| CN111724355B (zh) | 一种鲍鱼体型参数的图像测量方法 | |
| KR20150000435A (ko) | 작물 생장 단계 인식 및 환경 제어 시스템 및 그 방법 | |
| CN110648322A (zh) | 一种子宫颈异常细胞检测方法及系统 | |
| Peng et al. | Object-based change detection from satellite imagery by segmentation optimization and multi-features fusion | |
| CN112257702A (zh) | 一种基于增量学习的农作物病害识别方法 | |
| CN112069985A (zh) | 基于深度学习的高分辨率大田图像稻穗检测与计数方法 | |
| Lambers et al. | Towards detection of archaeological objects in high-resolution remotely sensed images: the Silvretta case study | |
| CN116740758A (zh) | 一种防止误判的鸟类图像识别方法及系统 | |
| CN113160185A (zh) | 一种利用生成边界位置指导宫颈细胞分割的方法 | |
| CN112381830A (zh) | 基于YCbCr超像素和图割的鸟类关键部位提取方法和装置 | |
| CN108416304A (zh) | 一种利用上下文信息的三分类人脸检测方法 | |
| CN115331100A (zh) | 耕地种植属性的空间分布监测方法及系统 | |
| CN109657728B (zh) | 样例生产方法及模型训练方法 | |
| CN114627461A (zh) | 一种基于人工智能高精度识别水尺数据的方法及系统 | |
| Chen et al. | Image segmentation based on mathematical morphological operator | |
| CN116596937B (zh) | 一种鸡头部器官各参数的检测方法 | |
| CN116468690B (zh) | 基于深度学习的浸润性非粘液性肺腺癌的亚型分析系统 | |
| CN116704270A (zh) | 一种基于图像处理的智能设备定位标记方法 | |
| Albert et al. | Land use classification using conditional random fields for the verification of geospatial databases | |
| CN116416523A (zh) | 一种基于机器学习的水稻生长阶段的识别系统和方法 |
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 | ||
| GR01 | Patent grant |