[發明專利]一種牲畜盤點方法、裝置、設備及存儲介質

在審

• 申請號: 202010216268.4
• 申請日: 2020-03-24
• 公開（公告）號: CN111340801A
• 公開（公告）日: 2020-06-26
• 發明（設計）人: 楊龍;劉旭;彭端;陳剛;萬方;梁田
• 申請（專利權）人: 新希望六和股份有限公司;山東新希望六和集團有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 郭浩輝;麥小嬋

本發明公開了一種牲畜盤點方法、裝置、設備及存儲介質，牲畜盤點方法包括獲取牲畜所在場所的待盤點圖像；分別在所述待盤點圖像中的每一目標的幾何中心點、若干特征點處標注坐標點；基于所述坐標點建立以所述幾何中心點作為高斯核的橢圓高斯模型，并得到高斯密度圖；將所述待盤點圖像和對應的所述高斯密度圖輸入深度學習神經網絡模型并進行回歸訓練和積分處理，得到牲畜數量。本發明實施例能夠有效提高生豬數目統計結果的準確率。

技術領域

本發明涉及養殖領域，尤其是涉及一種牲畜盤點方法、裝置、設備及存儲介質。

背景技術

生豬作為一個公司的生物資產有著非常重要的意義，生豬的數量直接反映公司資產狀況。因此，養殖類公司每隔一定時間都需要對生豬的數量進行盤點。傳統的盤點方法是靠人工到每一個養殖場進行統計，通過數量的疊加計算得到一個粗略的數據，這種方式不僅耗時耗力，效率低下，而且存在人為因素，準確率沒有保障。

隨著計算機技術的發展，尤其是近年來計算機視覺、深度學習等技術在工程應用方面落地，出現了利用計算機技術進行生豬盤點方法。現有技術的具體做法是通過給豬場生豬的欄位上安裝攝像頭以采集圖片或者視頻，主要采用目標檢測技術識別圖片或者視頻中的生豬目標，進而統計出目標豬只數量。但是，目標檢測技術適用于目標較大、數量較少、密度較低的場景，在目標較小或者數量眾多、密度較高的場景采用這種技術的結果準確率會下降，一個原因是由于密度高、遮擋嚴重、裸露出來的面積小，導致識別率低；另一原因是因為在利用這些目標檢測的算法訓練模型之前，需要對圖片中的目標進行標注，如圖1a所示，利用矩形框將目標框住，標注相對簡單，然而這種標注方法對于重疊的目標，其檢測效果較差。因此，目標檢測技術對于如圖1b、圖1c所示的目標眾多、密度較高的場景，標注成本較高，且標注準確率也有一定影響，即待訓練的標注文件本身就不準確，從而導致模型預測誤差更大，影響生豬盤點結果準確率。

發明內容

本發明提供一種牲畜盤點方法、裝置、設備及存儲介質，以解決現有的養殖場生豬數目采用目標檢測技術的準確率不高的技術問題，能夠有效提高生豬數目統計結果的準確率。

第一方面，本發明實施例提供了一種牲畜盤點方法，至少包括以下步驟：

獲取牲畜所在場所的待盤點圖像；

分別在所述待盤點圖像中的每一目標的幾何中心點、若干特征點處標注坐標點；

基于所述坐標點建立以所述幾何中心點作為高斯核的橢圓高斯模型，并得到高斯密度圖；

將所述待盤點圖像和對應的所述高斯密度圖輸入深度學習神經網絡模型并進行回歸訓練和積分處理，得到牲畜數量。

在第一方面的第一種實現方式中，所述分別在所述待盤點圖像中的每一目標的幾何中心點、若干特征點處標注坐標點的步驟，具體為：

當所述待盤點圖像中的所有目標中含有至少一個部分遮擋目標時，選取所述部分遮擋目標的最大露出面積的幾何中心進行坐標點標注。

在第一方面的第二種實現方式中，所述若干特征點為所述目標上的最長縱向線段上的兩個頂點、最長橫向線段上的兩個頂點。

在第一方面的第三種實現方式中，所述基于所述坐標點建立以所述幾何中心點作為高斯核的橢圓高斯模型，并得到高斯密度圖的步驟，具體為：

將每一所述目標的幾何中心點、四個頂點作為參數點，建立以所述幾何中心點作為高斯核的橢圓高斯模型；

將所有的所述高斯模型進行歸一化處理，得到所述高斯密度圖。

在第一方面的第四種實現方式中，所述將所述待盤點圖像和對應的所述高斯密度圖輸入深度學習神經網絡模型并進行回歸訓練和積分處理，得到牲畜數量的步驟，具體為：

建立深度學習神經網絡模型；