CN116703897B - 一种基于图像处理的猪只体重估值方法 - Google Patents
一种基于图像处理的猪只体重估值方法 Download PDFInfo
- Publication number
- CN116703897B CN116703897B CN202310965322.9A CN202310965322A CN116703897B CN 116703897 B CN116703897 B CN 116703897B CN 202310965322 A CN202310965322 A CN 202310965322A CN 116703897 B CN116703897 B CN 116703897B
- Authority
- CN
- China
- Prior art keywords
- pig
- weight
- model
- picture
- training
- 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 117
- 238000012545 processing Methods 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 66
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 32
- 230000008569 process Effects 0.000 claims description 43
- 238000004364 calculation method Methods 0.000 claims description 41
- 241000282887 Suidae Species 0.000 claims description 32
- 238000005303 weighing Methods 0.000 claims description 32
- 230000037396 body weight Effects 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 15
- 238000005516 engineering process Methods 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 6
- 238000013508 migration Methods 0.000 claims description 6
- 230000005012 migration Effects 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 230000008034 disappearance Effects 0.000 claims description 3
- 238000004880 explosion Methods 0.000 claims description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 238000002790 cross-validation Methods 0.000 claims description 2
- 238000002474 experimental method Methods 0.000 claims description 2
- 230000008014 freezing Effects 0.000 claims description 2
- 238000007710 freezing Methods 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 7
- 230000009897 systematic effect Effects 0.000 abstract description 2
- 238000013526 transfer learning Methods 0.000 description 12
- 238000010606 normalization Methods 0.000 description 11
- 238000011176 pooling Methods 0.000 description 10
- 230000006978 adaptation Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 208000013200 Stress disease Diseases 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000009395 breeding Methods 0.000 description 2
- 230000001488 breeding effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 235000015277 pork Nutrition 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000007794 visualization technique Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/97—Determining parameters from multiple pictures
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/0475—Generative 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
- G06N3/0895—Weakly supervised learning, e.g. semi-supervised or self-supervised learning
-
- 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
- G06N3/094—Adversarial learning
-
- 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
- G06N3/096—Transfer learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
一种基于图像处理的猪只体重估值方法,本发明涉及图像处理领域,一种基于图像处理的猪只体重估值方法,其特征在于:所述方法的步骤如下:S101:基于有标签的人体图片训练一个卷积神经网络模型,用于生成预训练模型;S102:将预训练模型迁移至猪只体重估计上;本发明的有益效果为通过摄像头从多个角度获取猪只图片,可以避免系统误差,提高猪只体重估计的准确度。
Description
技术领域
本发明涉及图像处理领域,具体为一种基于图像处理的猪只体重估值方法。
背景技术
在现代养猪业中,猪只的体重是非常重要的指标之一,因为它可以反映出猪只的生长状况,同时也是衡量猪只肉品质量的重要标准。传统的称重方法通常是采用人工称重或者称重设备进行测量,但是这些方法都存在一些不足之处。首先,人工称重需要专业技术人员进行操作,而且往往需要大量时间和劳动力。其次,传统称重设备不仅需要投入大量资金来购置,而且对环境有一定要求,而在一些特殊场景下无法应用,比如在野外养殖中。因此,如何通过更加智能、高效的方法来测量猪只的体重已经成为了养猪业中的一个急切需求。
近年来,深度学习技术的发展为该问题提供了一种新的解决方法。利用计算机视觉技术可以从猪只的图片中提取有用的特征,并结合机器学习算法来估计猪只的体重。这种方法不仅可以大大减少工作量和人力成本,而且可以提高测量的准确性和精度。
在本项目中,我们将利用监督学习和迁移学习技术来实现猪只体重的估计。首先,我们将利用人类的图片和对应的体重数据标签来训练一个深度卷积神经网络(CNN)模型。CNN模型是一种特殊的神经网络,可以自动从输入图像中提取出对于分类或者回归任务有用的特征。通过训练该CNN模型,我们可以得到一个高效准确的人体体重估计模型。然后,我们将利用领域自适应(Domain Adaptation)的方法将该模型应用到猪只体重估计任务中。领域自适应是一种机器学习技术,它可以将在一个领域中训练的模型迁移到另一个领域中进行估计。在本项目中,我们通过将人体图片和猪只图片视为不同的领域,来实现从人体体重计算到猪只体重计算的迁移。
猪只体重的准确估计可以帮助农户合理制定饲料配比,提高猪只的生长速度和健康状况,从而提高养殖效益。此外,该方法还可以减少对猪只的干扰,减少养殖成本,提高生产效率和效益,具有很高的实用性和经济价值。
发明内容
本发明提供一种基于图像处理的猪只体重估值方法,用以解决现实中养猪场猪只体重称量繁琐的问题。本发明利用迁移学习,先从有体重标签的人体图片数据集中有监督地训练人体体重计算模型,再利用迁移学习和领域自适应的方法,把在人体体重估计中学到的模型迁移到猪只体重计算的问题上,由于人的体重可以通过问卷调查的方式获得,不需要对每个人称重,所以这种迁移的方法可以减少直接对猪只体重计算中的数据集获取困难的问题,因为猪只体重是在每天不断的变化,所以不能通过问卷的形式获取数据集,对所有的猪只称重来获取体重标签会相当麻烦,影响猪只的正常生长。所以该发明提供的方法利用迁移学习,将有监督训练的人体体重计算的模型很好迁移到猪只体重计算问题中,很好地解决了现实生活中的猪只称重问题。
本发明提供一种基于图像处理的猪只体重估值方法,其特征在于:所述方法的步骤如下:
S101:基于有标签的人体图片训练一个卷积神经网络模型,用于生成预训练模型;
S102:将预训练模型迁移至猪只体重估值上;
所述步骤S101的卷积神经网络模型的训练步骤如下:
S201:获取人体体重数据集,包括一系列带有体重标签的人体图片;
S202:对所述步骤S201中的图片的尺寸进行归一化处理,确保网络在处理每个图像时都具有相同的输入形状;
S203:对所述步骤S202中处理后的人体体重图片的像素值归一化到介于0和1之间的范围,使卷积神经网络模型更容易地学习权重参数,同时避免卷积神经网络模型训练过程中出现梯度爆炸和梯度消失的问题。
S204:对卷积神经网络模型进行多次迭代训练,直至卷积神经网络模型训练过程中的准确率趋于平稳;
所述步骤S102的迁移步骤如下:
S301:获取两类图片,所述的两类图片分别为少量带有猪体重标签的猪图片和大量无猪体重标签的猪图片;
S302:采用领域自适应技术和数据增强技术来提高预训练模型的性能;
S303:将步骤S301中的两类图片输入到预训练模型中,对所述的两类图片进行半监督学习,在半监督学习过程中对预训练模型进行微调,以适应猪只体重计算任务;
S304:所述微调的过程经多次迭代,直到预训练模型的损失函数值趋于平稳,生成猪只体重视觉计算模型。
进一步,所述步骤S301中的带有猪体重标签的猪图片的获取,是通过一种称重与图像收集装置,所述称重与图像收集装置,主要包括地面部分1、围挡部分2和摄像部分3,所述围挡部分2位于地面部分1之上,用于将猪圈在一个大小合适的空间内,摄像部分3分布在围挡部分2上方的四周,用于对圈在围挡部分2内的猪进行全方面的拍照。摄像部分3以围挡部分2的中心部位向外呈圆周均匀分布,数量以成对方式出现;所述地面部分1主要包括地基1-1和称体盖板1-5,所述地基1-1内部设有用于安装称体盖板1-5的凹槽1-2,在凹槽1-2的四个角,以及中心部位设有用于安装重量传感器1-4的安装孔1-3,当猪停留在称体盖板1-5上之时,则可以获取该猪的真实体重值;所述围挡部分2主要包括两个侧板2-1和两个挡板2-3,其中在侧板2-1上设有固定挡板2-3的凹槽2-2,通过侧板2-1和挡板2-3组成一个底面积大小与称体盖板1-5相匹配的空间,从而实现当猪停留在该空间时,不会踏称体盖板1-5之外,造成测量的体重值出现误差。
进一步,所述猪只体重视觉计算模型在通过猪图片估计体重时,估计猪的最终体重值的公式如下:
式中为最终估计值,n为摄像部分3的个数,为第i个摄像部分3估计的准确
率,为第i个摄像部分3获得的图片通过猪只体重视觉计算模型估计的猪的体重值;
其中具体获取公式如下:
式中为第i个摄像部分3估计的准确率,为第j头猪的真实体重值,为第j头
猪通过猪只体重视觉计算模型对第i个摄像部分3获得的图片估计得到该猪的体重估计值,
m为S301中第i个摄像部分3的带有猪体重标签的猪图片数量。
进一步,步骤S302中自适应技术为生成对抗网络方法,以增加猪只图片数据的多样性,从而提高模型的泛化能力和准确性,所述的生成对抗网络方法的具体实现步骤如下:
S401:从原始猪只的图片数据集中随机选择一部分作为“real”图片数据集,然后用生成器随机生成一些噪声向量作为“fake”图片数据集,将“real”图片数据集和“fake”图片数据集用于训练生成对抗网络模型以获得更好的生成图片;
S402:使用生成器生成逼真的“fake”图片;
S403:使用判别器来判定这些图片的真假,并计算其损失函数,所述的判定过程中,所述的判别器的目标是尽可能准确地区分真假图片,而生成器的目标是尽可能生成逼真的图片;
S404:将损失函数获取的损失反向传播到生成器和判别器的权重中,以更新生成器和判别器的参数;
S405:重复以上步骤直到达到预期的生成效果或达到最大训练次数,获得训练好的生成器;
S406:将生成的“fake”图片加入到猪的图片数据集中,然后用已经预训练好的猪只体重视觉计算模型微调这个数据集,以获得更好的性能;
进一步,步骤S204中采用在处理稀疏数据时效果好的Adam优化器,并采用L1和L2正则化和dropout方法对卷积神经网络模型进行正则化,用以防止过拟合。
进一步,步骤S302中的数据增强,主要包括对图片随机裁剪、旋转、缩放、翻转,以增加数据的多样性和数量。
进一步,步骤S303中的微调策略如下:
冻结预训练模型的前n层或所有层,其中n<6,只训练新添加的输出层或部分新添加的层,以避免破坏预训练模型已经学到的特征;
所述的微调过程的学习率比预训练模型的学习率小,用以在微调期间保留预训练模型的特征表示,避免微调过程中过大的权重更新;
采用自适应学习率的优化器,在微调过程中可以逐步降低微调学习率,以细化微调过程中的权重更新。
进一步,所述微调过程中,使用交叉验证和学习曲线方法来评估模型的泛化能力。
进一步,所述的半监督学习方法为伪标签学习法,所述的伪标签学习法是将无猪体重标签的猪图片产生的估计结果来作为标签,从而提高模型的性能,并在半监督学习过程中通过实验检验伪标签的可靠性,用以提高预训练模型的泛化能力。
本发明的有益效果为:
1、通过迁移学习、数据增强和领域自适应等技术,可以快速、准确、低成本根据所拍摄的猪只图片预没出猪的体重值,从而为猪只的饲养、管理和营养配比提供可靠的依据;
2、通过摄像头从多个角度获取猪只图片,可以避免系统误差,提高猪只体重估计的准确度;
3、通过猪只体重视觉计算模型估计猪只体重,减少人与猪只的接触,避免疫病传播风险。
附图说明
图1是一种基于图像处理的猪只体重估值方法的流程图;
图2是步骤S101的流程图;
图3是步骤S102的流程图;
图4是步骤S302的流程图;
图5是称重与图像收集装置的结构示意图;
图6是图5的爆炸图;
图7是地面部分1的结构示意图;
图8是图7的爆炸图;
图9是围挡部分2的结构示意图;
图10是图9的爆炸图。
1:地面部分、2:围挡部分、3:摄像部分、1-1:地基、1-2:凹槽、1-3:安装孔、1-4:重量传感器、1-5:称体盖板、2-1:侧板、2-2:凹槽、2-3:挡板
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
需要说明的是,本申请中的术语“第一”、“第二”等是用于区别类似的对象,而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素,而且还包括没有明确列出的其它要素,或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
下面结合图1描述本发明的基于迁移学习的猪只体重视觉计算的模型方法。
如图1所示,为本实施例提供的一种基于图像处理的猪只体重估值方法的流程示意图,具体步骤包括:
S101:基于有标签的人体图片训练一个卷积神经网络模型,用于生成预训练模型,如图2所示,其具体步骤如下:
S201:获取人体体重数据集,包括一系列带有体重标签的人体图片;
数据收集:首先需要收集人体的图片数据集,并为每张图片打上对应的体重标签,形成有标签的数据集。为了训练出更加鲁棒的模型,需要收集足够多的数据,并尽量保证数据的多样性和覆盖面。这些数据的收集不涉及任何隐私问题,因为是通过问卷的形式获取图片中人的体重,图片和标签的用途都是被大家知晓的,并且我们为采集的图像中的人脸打上了马赛克,以保护隐私。
S202:对所述步骤S201中的图片的尺寸进行归一化处理,确保网络在处理每个图像时都具有相同的输入形状;
由于不同图片的尺寸和颜色分布可能存在差异,因此需要将所有的图片处理成相同的尺寸,并进行归一化处理 。我们使用常见的图像处理库如OpenCV、PIL等库来完成这些操作。这些操作对模型的精度的提升有很大影响。
S203:对所述步骤S202中处理后的人体体重图片的像素值归一化到介于0和1之间的范围,使卷积神经网络模型更容易地学习权重参数,同时避免卷积神经网络模型训练过程中出现梯度爆炸和梯度消失的问题。
S204:对卷积神经网络模型进行多次迭代训练,直至卷积神经网络模型训练过程中的准确率趋于平稳;
根据技术方案的需求,我们选择常见的深度学习框架如TensorFlow、PyTorch等,构建一个能够对人体图片进行体重计算的CNN模型。可以根据实际情况选择适当的网络结构,如ResNet、Inception等,由于不同的系统的计算能力不同,不同模型对系统的计算能力的需求也不同,所以具体的模型种类可以根据系统的计算能力确定。
利用步骤S201中收集的有标签的数据集,对构建好的CNN模型进行有监督的训练,
模型的输入大小都是224*224。通常需要将数据集分成训练集和验证集,采用交叉验证等方
法对模型进行调优,其中交叉熵的具体形式我们表述如下,其中为网络的参数权重,为输入图片,为输入图
片对应的标签,为交叉熵损失函数,n为样本的总个数,通过以上交叉熵损失函数,提高模
型的泛化能力。
为了进一步提高模型的表现,可以使用一些技巧进行模型的调优,例如dropout、正则化等。我们还可以调整超参数如学习率、批次大小等,以学到更加精准的模型,只有这样才能保证后面的迁移后的模型的精准度。
在训练过程中,需要及时评估模型的性能,可以使用常见的评估指标如均方误差、准确率等,以及可视化方法如ROC曲线、混淆矩阵等。在发现模型的性能不好时要及时停下来检查问题所在。
通过以上步骤,可以训练出一个能够对人体图片进行体重计算的CNN模型,并且具备较好的泛化能力和准确性。接下来,可以将这个模型通过迁移学习的方式,应用到猪只体重计算任务中。
S102:将预训练模型迁移至猪只体重估值上;
在得到了训练好的人体体重计算模型之后,我们可以使用迁移学习的方法将其应用到猪只体重计算任务中。从网络模型中删除原有的输出层,将其替换为一个新的输出层,该层的输出的结果还是猪只的体重值,因为输出层对迁移的影响比较大,所以重新训练输出层。
使用猪只图片的数据集对新的输出层进行随机初始化,同时保持原有的卷积层和其他网络层的参数不变。如图3所示,具体的步骤如下:
S301:获取两类图片,所述的两类图片分别为少量带有猪体重标签的猪图片和大量无猪体重标签的猪图片;
S302:采用领域自适应技术和数据增强技术来提高预训练模型的性能;
使用少量带标签的猪只图片来微调新的输出层,以使其能够更好地适应猪只体重计算任务。这里可以采用与训练人体体重计算模型时相同的方法和技巧,例如调整学习率、使用数据增强等。
继续使用大量未标记的猪只图片来微调整个网络模型,使其能够更好地适应猪只体重计算任务。这里可以采用无监督的领域自适应技术,如对抗生成网络(GAN)等方法,来进一步提高模型的泛化能力和准确性。
在上述的迁移学习中涉及到了无监督学习的方式,这里对无监督学习的过程做一个描述:
加载有标签的猪只图片数据,并将其标签转化为模型可以接受的格式。
将这些有标签的数据分成训练集和验证集。在训练集上训练模型,在验证集上验证模型的性能。
加载无标签的猪只图片数据,将其转化为模型可以接受的格式。可以使用之前提到的数据增强技术来增加无标签数据的多样性。
S303:将步骤S301中的两类图片输入到预训练模型中,对所述的两类图片进行半监督学习,在半监督学习过程中对预训练模型进行微调,以适应猪只体重计算任务;
利用无标签数据进行训练。使用半监督学习的方法,如对抗学习等。这些方法可以利用无标签数据的特征来训练模型,并在有标签数据上微调模型。这样可以提高模型的泛化性能。
在训练过程中,可以利用有标签数据的标签信息来指导无标签数据的训练。具体来说,可以利用有标签数据的标签信息来约束无标签数据的估计结果,使其更加接近真实标签。这样可以提高无标签数据的训练效果。
在训练完成后,可以利用测试集来评估模型的性能。同时,可以通过比较有标签数据和无标签数据的估计结果来检查模型在半监督学习过程中是否有效地利用了无标签数据。
总的来说,我们使用半监督学习的方式,可以利用少量的有标签数据和大量的无标签数据来提高模型的泛化性能。
S304:所述微调的过程经多次迭代,直到预训练模型的损失函数值趋于平稳,生成猪只体重视觉计算模型。
以上便是基于迁移学习的猪只体重视觉计算的模型方法具体实施方式的全部过程。下面再对一些细节做一些补充。
在步骤S302中自适应技术为生成对抗网络方法,以增加猪只图片数据的多样性,从而提高模型的泛化能力和准确性,在上述的迁移学习中,为了增加数据集的数量,我们还使用了增强学习,我们主要使用GAN来生成逼真的数据,这里对其实施步骤做一个描述:
首先,我们需要从原始猪只的图片数据集中随机选择一部分作为“real”图片数据集,这些数据集将被用作训练判别器模型。然后,我们需要随机生成一些噪声向量作为“fake”图片数据集,这些图片将被用于训练生成器模型。
接下来,我们需要使用已经训练好的生成器模型来生成逼真的“fake”图片,这些图片应该和“real”图片在外观上几乎相同。然后,我们需要使用判别器模型来判定这些图片的真假,并计算其损失函数。在这个过程中,判别器的目标是尽可能准确地区分真假图片,而生成器的目标是尽可能生成逼真的图片。
然后,我们将损失反向传播到生成器和判别器的权重中,以更新它们的参数。这个过程可以通过梯度下降算法来实现。在这个过程中,生成器的目标是尽可能减小判别器对“fake”图片的损失,而判别器的目标是尽可能减小判别器对“fake”图片的误判率。
接着,我们重复以上步骤直到达到预期的生成效果或达到最大训练次数。这个过程需要反复迭代训练,以逐步提高生成器和判别器的性能。
最后,我们将生成的“fake”图片加入到猪的图片数据集中,然后用已经预训练好的人体体重计算模型微调这个数据集,以获得更好的性能。这个过程可以通过迁移学习的方法来实现,将人体体重计算模型的参数迁移到猪只体重计算模型中,并用微调技术来优化模型的性能。
对上面的过程总结为生成对抗网络方法的具体实现步骤如下:
S401:从原始猪只的图片数据集中随机选择一部分作为“real”图片数据集,然后用生成器随机生成一些噪声向量作为“fake”图片数据集,将“real”图片数据集和“fake”图片数据集用于训练生成对抗网络模型以获得更好的生成图片;
S402:使用生成器生成逼真的“fake”图片;
S403:使用判别器来判定这些图片的真假,并计算其损失函数,所述的判定过程中,所述的判别器的目标是尽可能准确地区分真假图片,而生成器的目标是尽可能生成逼真的图片;
S404:将损失函数获取的损失反向传播到生成器和判别器的权重中,以更新生成器和判别器的参数;
S405:重复以上步骤直到达到预期的生成效果或达到最大训练次数,获得训练好的生成器;
S406:将生成的“fake”图片加入到猪的图片数据集中,然后用已经预训练好的猪只体重视觉计算模型微调这个数据集,以获得更好的性能;
猪只体重视觉计算模型中提到的卷积神经网络(CNN)的具体结构如下:
所用的CNN网络结构包含了3个卷积层,3个池化层,3个归一化层,两个全连接层,一个输出层。下面具体对每个网络层做详细说明。输入层的输入大小为 224*224(常见的图片大小),RGB三通道。卷积层1包含 32 个卷积核,每个大小为 3*3,步幅为1,不使用填充,输出大小为222*222*32。池化层1使用最大池化,大小为2*2,步幅为2,输出大小为111*111*32。归一化层1使用局部响应规范化,对池化层输出进行标准化处理,输出大小不变。卷积层2包含64个卷积核,每个大小为 3*3,步幅为1,不使用填充,输出大小为109*109*64。池化层2使用最大池化,大小为2*2,步幅为2,输出大小为54*54*64。归一化层2使用局部响应规范化,对池化层输出进行标准化处理,输出大小不变。卷积层3包含128个卷积核,每个大小为3*3,步幅为1,不使用填充,输出大小为52 *52 *128。池化层3使用最大池化,大小为2*2,步幅为2,输出大小为26*26*128。归一化层3使用局部响应规范化,对池化层输出进行标准化处理,输出大小不变。全连接层1有 512 个神经元,输出大小为 1*1*512。全连接层2有 64个神经元,输出大小为 1*1*64。输出层有 1 个神经元,输出大小为 1* 1*1,即一个实数,即估计的体重值。
另外,这里再对上面提到的GAN网络做具体的说明:
前面提到GAN网络包括生成器和判别器两个部分,它们都是由神经网络构成的。
生成器:
生成器的作用是生成逼真的猪只图片。它由一些转置卷积层(TransposeConvolutional Layer)组成,这些层将噪声向量映射为猪只图片。转置卷积层的作用与卷积层相反,可以将一维的向量转换为二维的图像。同时,生成器中通常还会包括一些批量标准化(Batch Normalization)层和激活函数层,以帮助生成更逼真的图片。
判别器:
判别器的作用是判定输入的图片是真实的猪只图片还是生成器生成的虚假的图片。它由一些卷积层和池化层组成,这些层可以从输入的图片中提取特征,以帮助判别器判断图片的真假。判别器中也包含一些批量标准化层和激活函数层,以帮助其更好地提取特征。这里具体的设计细节与CNN网络设计相似,不再赘述。
综上,本实施例提供的基于图像处理的猪只体重估值方法,旨在解决现实中猪只称重操作繁琐的问题,通过猪只图片计算猪只体重,可以减少传统称重方法对猪只生长的影响,更好地指导猪只的饲养过程。该方法具体包括,先利用人体图片及其体重标签训练一个神经网络,根据人体图片计算人体体重的模型,再通过迁移学习,领域自适应,数据增强,半监督学习等方法将训练好的模型迁移到猪只体重计算任务中,以更加准确的计算猪只重量。具体具有一下优势:
优势一, 非接触式测量:传统的猪只体重称量方法通常需要人工接触猪只并将其放入秤上进行测量,这不仅耗时耗力,而且容易引起猪只的压力反应和压力疾病。而该项目的方法只需要拍摄猪只的图片,即可估计猪只的体重,避免了人与猪只之间的接触,减少了猪只的压力反应和压力疾病的风险。
优势二,高效准确:传统的猪只体重称量方法需要逐一称量每头猪只,耗时耗力,并且容易出现误差。而该项目的方法可以在较短的时间内拍摄多张猪只的图片,利用深度学习模型对图片进行快速估计,大大提高了效率和准确性。
优势三,数据积累:传统的猪只体重称量方法无法在称量过程中获取更多的猪只信息,而该项目的方法可以不断积累更多的猪只图片,加强模型的泛化能力和准确性。
为了获取步骤S301中带有猪体重标签的猪图片,本发明提供一种称重与图像收集装置,如图5和6所示,主要包括地面部分1、围挡部分2和摄像部分3,其中围挡部分2位于地面部分1之上,用于将猪圈在一个大小合适的空间内,摄像部分3分布在围挡部分2上方的四周,用于对圈在围挡部分2内的猪进行全方面的拍照。摄像部分3以围挡部分2的中心部位向外呈圆周均匀分布,数量以成对方式出现。
如图7和8所示,地面部分1主要包括地基1-1和称体盖板1-5,地基1-1内部设有用于安装称体盖板1-5的凹槽1-2,在凹槽1-2的四个角,以及中心部位设有用于安装重量传感器1-4的安装孔1-3,当猪停留在称体盖板1-5上之时,则可以获取该猪的真实体重值。
如图9和10所示,围挡部分2主要包括两个侧板2-1和两个挡板2-3,其中在侧板2-1上设有固定挡板2-3的凹槽2-2,通过侧板2-1和挡板2-3组成一个底面积大小与称体盖板1-5相匹配的空间,从而实现当猪停留在该空间时,不会踏称体盖板1-5之外,造成测量的体重值出现误差。
通过称重与图像收集装置可以同时获取猪的体重值和一组多角度的猪图片,从而为步骤S301提供带有猪体重标签的猪图片。在实际生产过程中,为了提高生产效率,不会安装地面部分1,以及用挡板2-3将猪挡在封闭空间内,但可以用摄像部分3采集猪的图片,但通过摄像部分3采集猪的图片由于存在多个角度的图片,各个角度的图片存在估计准确度的差异,为此,为了提高估计的准确度,将各个摄像部分3采集的图片通过估计模型计算出准确率,将这些准确率进行加权平均来确定最终估计的体重值,具体公式如下:
式(一)
式中为最终估计值,n为摄像部分3的个数,为第i个摄像部分3估计的准确
率,为第i个摄像部分3获得的图片通过猪只体重视觉计算模型估计的猪的体重值;
其中具体获取公式如下:
式(二)
式中为第i个摄像部分3估计的准确率,为第j头猪的真实体重值,为第j头
猪通过猪只体重视觉计算模型对第i个摄像部分3获得的图片估计得到该猪的体重估计值,
m为S301中第i个摄像部分3的带有猪体重标签的猪图片数量。
为了进一步描述上面的公式如何准确的通过猪只体重视觉计算模型估计猪只体重值,现举例如下:
现有4(即式一中的i)个摄像部分3,对猪只进行拍摄,一共有5(式二中的j)头猪通过称重与图像收集装置,通过猪只体重视觉计算模型估计出每头猪的体重值如下表1所示:
表 1 通过摄像头图片估计的体重值和真实值
摄像头序号猪只序号 | 1 | 2 | 3 | 4 | 真实值 |
1 | 101 | 102 | 100 | 101 | 100 |
2 | 106 | 103 | 102 | 105 | 102 |
3 | 101 | 102 | 103 | 103 | 101 |
4 | 103 | 105 | 104 | 104 | 103 |
5 | 106 | 104 | 108 | 107 | 104 |
将上面的值分别代入到式二:
上式是1号摄像头获取图片的准确率A1的值为101.37%,依次求出其他各摄像头的准确率,如下表2所示:
表 2 通过各摄像头获取图片估计猪只体重的准确率
摄像头序号 | 1 | 2 | 3 | 4 |
准确率 | 101.37% | 101.18% | 101.37% | 101.96% |
再将上面的值入到式一:
99.54
依据上述计算,获得猪的最终体重值如下表3所示:
表 3 通过各摄像头获取图片估计的猪只体重值
猪只序号 | 1 | 2 | 3 | 4 | 5 |
体重估计值 | 99.54 | 102.49 | 100.77 | 102.49 | 104.71 |
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (7)
1.一种基于图像处理的猪只体重估值方法,其特征在于:所述方法的步骤如下:
S101:基于有标签的人体图片训练一个卷积神经网络模型,用于生成预训练模型;
S102:将预训练模型迁移至猪只体重估值上;
所述步骤S101的卷积神经网络模型的训练步骤如下:
S201:获取人体体重数据集,包括一系列带有体重标签的人体图片;
S202:对所述步骤S201中的图片的尺寸进行归一化处理,确保网络在处理每个图像时都具有相同的输入形状;
S203:对所述步骤S202中处理后的人体体重图片的像素值归一化到介于0和1之间的范围,使卷积神经网络模型更容易地学习权重参数,同时避免卷积神经网络模型训练过程中出现梯度爆炸和梯度消失的问题;
S204:对卷积神经网络模型进行多次迭代训练,直至卷积神经网络模型训练过程中的准确率趋于平稳;
所述步骤S102的迁移步骤如下:
S301:获取两类图片,所述的两类图片分别为少量带有猪体重标签的猪图片和大量无猪体重标签的猪图片;
S302:采用领域自适应技术和数据增强技术来提高预训练模型的性能;
S303:将步骤S301中的两类图片输入到预训练模型中,对所述的两类图片进行半监督学习,在半监督学习过程中对预训练模型进行微调,以适应猪只体重计算任务;
S304:所述微调的过程经多次迭代,直到预训练模型的损失函数值趋于平稳,生成猪只体重视觉计算模型;
所述步骤S301中的带有猪体重标签的猪图片的获取,是通过一种称重与图像收集装置,所述称重与图像收集装置,主要包括地面部分(1)、围挡部分(2)和摄像部分(3),所述围挡部分(2)位于地面部分(1)之上,用于将猪圈在一个大小合适的空间内,摄像部分(3)分布在围挡部分(2)上方的四周,用于对圈在围挡部分(2)内的猪进行全方面的拍照,摄像部分(3)以围挡部分(2)的中心部位向外呈圆周均匀分布,数量以成对方式出现;所述地面部分(1)主要包括地基(1-1)和称体盖板(1-5),所述地基(1-1)内部设有用于安装称体盖板(1-5)的凹槽(1-2),在凹槽(1-2)的四个角,以及中心部位设有用于安装重量传感器(1-4)的安装孔(1-3),当猪停留在称体盖板(1-5)上之时,则可以获取该猪的真实体重值;所述围挡部分(2)主要包括两个侧板(2-1)和两个挡板(2-3),其中在侧板(2-1)上设有固定挡板(2-3)的凹槽(2-2),通过侧板(2-1)和挡板(2-3)组成一个底面积大小与称体盖板(1-5)相匹配的空间,从而实现当猪停留在该空间时,不会因踏在称体盖板(1-5)之外,造成测量的体重值出现误差;
所述猪只体重视觉计算模型在通过猪图片估计体重时,估计猪的最终体重值的公式如下:
;
式中为最终估计值,n为摄像部分(3)的个数,/>为第i个摄像部分(3)估计的准确率,/>为第i个摄像部分(3)获得的图片通过猪只体重视觉计算模型估计的猪的体重值;
其中具体获取公式如下:
;
式中为第i个摄像部分(3)估计的准确率,/>为第j头猪的真实体重值,/>为第j头猪通过猪只体重视觉计算模型对第i个摄像部分(3)获得的图片估计得到该猪的体重估计值,m为S301中第i个摄像部分(3)的带有猪体重标签的猪图片数量。
2.根据权利要求1所述的一种基于图像处理的猪只体重估值方法,其特征在于:步骤S302中自适应技术为生成对抗网络方法,以增加猪只图片数据的多样性,从而提高模型的泛化能力和准确性,所述的生成对抗网络方法的具体实现步骤如下:
S401:从原始猪只的图片数据集中随机选择一部分作为“real”图片数据集,然后用生成器随机生成一些噪声向量作为“fake”图片数据集,将“real”图片数据集和“fake”图片数据集用于训练生成对抗网络模型以获得更好的生成图片;
S402:使用生成器生成逼真的“fake”图片;
S403:使用判别器来判定这些图片的真假,并计算其损失函数,所述的判定过程中,所述的判别器的目标是尽量准确地区分真假图片,而生成器的目标是尽量生成逼真的图片;
S404:将损失函数获取的损失反向传播到生成器和判别器的权重中,以更新生成器和判别器的参数;
S405:重复以上步骤直到达到预期的生成效果或达到最大训练次数,获得训练好的生成器;
S406:将生成的“fake”图片加入到猪的图片数据集中,然后用已经预训练好的猪只体重视觉计算模型微调这个数据集,以获得更好的性能。
3.根据权利要求2所述的一种基于图像处理的猪只体重估值方法,其特征在于:步骤S204中采用在处理稀疏数据时效果好的Adam优化器,并采用L1和L2正则化和dropout方法对卷积神经网络模型进行正则化,用以防止过拟合。
4.根据权利要求3所述的一种基于图像处理的猪只体重估值方法,其特征在于:步骤S302中的数据增强,主要包括对图片随机裁剪、旋转、缩放、翻转,以增加数据的多样性和数量。
5.根据权利要求1-4任一所述的一种基于图像处理的猪只体重估值方法,其特征在于:步骤S303中的微调策略如下:
冻结预训练模型的前n层或所有层,其中n<6,只训练新添加的输出层或部分新添加的层,以避免破坏预训练模型已经学到的特征;
所述的微调过程的学习率比预训练模型的学习率小,用以在微调期间保留预训练模型的特征表示,避免微调过程中过大的权重更新;
采用自适应学习率的优化器,在微调过程中可以逐步降低微调学习率,以细化微调过程中的权重更新。
6.根据权利要求5所述的一种基于图像处理的猪只体重估值方法,其特征在于:所述微调过程中,使用交叉验证和学习曲线方法来评估模型的泛化能力。
7.根据权利要求6所述的一种基于图像处理的猪只体重估值方法,其特征在于:所述的半监督学习方法为伪标签学习法,所述的伪标签学习法是将无猪体重标签的猪图片产生的估计结果来作为标签,从而提高模型的性能,并在半监督学习过程中通过实验检验伪标签的可靠性,用以提高预训练模型的泛化能力。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310965322.9A CN116703897B (zh) | 2023-08-02 | 2023-08-02 | 一种基于图像处理的猪只体重估值方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310965322.9A CN116703897B (zh) | 2023-08-02 | 2023-08-02 | 一种基于图像处理的猪只体重估值方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116703897A CN116703897A (zh) | 2023-09-05 |
CN116703897B true CN116703897B (zh) | 2023-10-13 |
Family
ID=87839607
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310965322.9A Active CN116703897B (zh) | 2023-08-02 | 2023-08-02 | 一种基于图像处理的猪只体重估值方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116703897B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107633293A (zh) * | 2016-07-19 | 2018-01-26 | 北京图森未来科技有限公司 | 一种领域自适应方法及装置 |
CN110135510A (zh) * | 2019-05-22 | 2019-08-16 | 电子科技大学中山学院 | 一种动态领域自适应方法、设备及计算机可读存储介质 |
AU2020103613A4 (en) * | 2020-11-23 | 2021-02-04 | Agricultural Information and Rural Economic Research Institute of Sichuan Academy of Agricultural Sciences | Cnn and transfer learning based disease intelligent identification method and system |
CN113065409A (zh) * | 2021-03-09 | 2021-07-02 | 北京工业大学 | 一种基于摄像分头布差异对齐约束的无监督行人重识别方法 |
CN113096178A (zh) * | 2021-04-25 | 2021-07-09 | 中国农业大学 | 猪只体重的估测方法、装置、设备和存储介质 |
CN113128620A (zh) * | 2021-05-11 | 2021-07-16 | 北京理工大学 | 一种基于层次关系的半监督领域自适应图片分类方法 |
CN113378632A (zh) * | 2021-04-28 | 2021-09-10 | 南京大学 | 一种基于伪标签优化的无监督域适应行人重识别算法 |
CN214748355U (zh) * | 2021-03-06 | 2021-11-16 | 贵州东彩供应链科技有限公司 | 一种动态式动物称重信息采集装置 |
CN113920453A (zh) * | 2021-10-13 | 2022-01-11 | 华南农业大学 | 一种基于深度学习的猪只体尺体重估测方法 |
CN114092699A (zh) * | 2021-11-15 | 2022-02-25 | 南京理工大学 | 基于迁移学习的群猪图像分割的方法及系统 |
CN114692887A (zh) * | 2020-12-25 | 2022-07-01 | 台达电子工业股份有限公司 | 半监督学习系统及半监督学习方法 |
CN115482927A (zh) * | 2022-09-21 | 2022-12-16 | 浙江大学 | 一种基于小样本的儿童肺炎诊断系统 |
CN115908892A (zh) * | 2022-10-09 | 2023-04-04 | 浙江大学 | 一种基于原型对比自训练的跨域图像分类方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11443193B2 (en) * | 2020-04-24 | 2022-09-13 | Adobe Inc. | Domain adaptation for machine learning models |
-
2023
- 2023-08-02 CN CN202310965322.9A patent/CN116703897B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107633293A (zh) * | 2016-07-19 | 2018-01-26 | 北京图森未来科技有限公司 | 一种领域自适应方法及装置 |
CN110135510A (zh) * | 2019-05-22 | 2019-08-16 | 电子科技大学中山学院 | 一种动态领域自适应方法、设备及计算机可读存储介质 |
AU2020103613A4 (en) * | 2020-11-23 | 2021-02-04 | Agricultural Information and Rural Economic Research Institute of Sichuan Academy of Agricultural Sciences | Cnn and transfer learning based disease intelligent identification method and system |
CN114692887A (zh) * | 2020-12-25 | 2022-07-01 | 台达电子工业股份有限公司 | 半监督学习系统及半监督学习方法 |
CN214748355U (zh) * | 2021-03-06 | 2021-11-16 | 贵州东彩供应链科技有限公司 | 一种动态式动物称重信息采集装置 |
CN113065409A (zh) * | 2021-03-09 | 2021-07-02 | 北京工业大学 | 一种基于摄像分头布差异对齐约束的无监督行人重识别方法 |
CN113096178A (zh) * | 2021-04-25 | 2021-07-09 | 中国农业大学 | 猪只体重的估测方法、装置、设备和存储介质 |
CN113378632A (zh) * | 2021-04-28 | 2021-09-10 | 南京大学 | 一种基于伪标签优化的无监督域适应行人重识别算法 |
CN113128620A (zh) * | 2021-05-11 | 2021-07-16 | 北京理工大学 | 一种基于层次关系的半监督领域自适应图片分类方法 |
CN113920453A (zh) * | 2021-10-13 | 2022-01-11 | 华南农业大学 | 一种基于深度学习的猪只体尺体重估测方法 |
CN114092699A (zh) * | 2021-11-15 | 2022-02-25 | 南京理工大学 | 基于迁移学习的群猪图像分割的方法及系统 |
CN115482927A (zh) * | 2022-09-21 | 2022-12-16 | 浙江大学 | 一种基于小样本的儿童肺炎诊断系统 |
CN115908892A (zh) * | 2022-10-09 | 2023-04-04 | 浙江大学 | 一种基于原型对比自训练的跨域图像分类方法 |
Non-Patent Citations (4)
Title |
---|
TVT: Transferable Vision Transformer for Unsupervised Domain Adaptation;Yang, Jinyu;《 2023 IEEE/CVF WINTER CONFERENCE ON APPLICATIONS OF COMPUTER VISION (WACV)》;全文 * |
基于主动学习的半监督领域自适应方法研究;姚明海;黄展聪;;高技术通讯(第08期);全文 * |
基于图像分类的领域自适应方法研究;黄志勇;《中国优秀硕士学位论文全文数据库(信息科技辑)》(第1期);全文 * |
基于深度卷积网络的育肥猪体重估测;张建龙等;《中国农业大学学报》(第8期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116703897A (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Birenbaum et al. | Longitudinal multiple sclerosis lesion segmentation using multi-view convolutional neural networks | |
CN110739070A (zh) | 一种基于3d卷积神经网络的脑疾病诊断方法 | |
Rahaman et al. | An efficient multilevel thresholding based satellite image segmentation approach using a new adaptive cuckoo search algorithm | |
CN106295124A (zh) | 利用多种图像检测技术综合分析基因子图相似概率量的方法 | |
CN111090764B (zh) | 基于多任务学习和图卷积神经网络的影像分类方法及装置 | |
Wang et al. | SSRNet: In-field counting wheat ears using multi-stage convolutional neural network | |
CN113344045B (zh) | 一种结合hog特征提高sar船只分类精度的方法 | |
CN112614133B (zh) | 一种无锚点框的三维肺结节检测模型训练方法及装置 | |
CN114463675B (zh) | 一种水下鱼类群组活动强度识别方法及装置 | |
Turi et al. | Classification of Ethiopian coffee beans using imaging techniques | |
CN110363072A (zh) | 舌象识别方法、装置、计算机设备及计算机可读存储介质 | |
Kiratiratanapruk et al. | Automatic detection of rice disease in images of various leaf sizes | |
CN110751183A (zh) | 影像数据分类模型的生成方法、影像数据分类方法及装置 | |
Bonik et al. | A Convolutional Neural Network Based Potato Leaf Diseases Detection Using Sequential Model | |
CN116703897B (zh) | 一种基于图像处理的猪只体重估值方法 | |
CN112883915A (zh) | 一种基于迁移学习的麦穗自动识别方法和系统 | |
CN116091786B (zh) | 猪只估重的全息体尺自编码方法、系统、设备及存储介质 | |
CN113657438B (zh) | 一种热红外模式下vgg神经网络的排水管道病害检测方法 | |
Yu et al. | Non‐contact detection method of pregnant sows backfat thickness based on two‐dimensional images | |
Ma et al. | Corn-plant counting using scare-aware feature and channel interdependence | |
CN109308936B (zh) | 一种粮食作物产地的识别方法、识别装置及终端识别设备 | |
Hu et al. | Learning to detect saliency with deep structure | |
Folland et al. | Accuracy of biovolume formulas for CMEIAS computer-assisted microscopy and body size analysis of morphologically diverse microbial populations and communities | |
Wu et al. | Fish Target Detection in Underwater Blurred Scenes Based on Improved YOLOv5 | |
Bansod | Rice crop disease identification and classifier |
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 |