[發(fā)明專(zhuān)利]一種適用于多種養(yǎng)殖模式的家禽計(jì)數(shù)方法及其計(jì)數(shù)裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 202310034920.4
• 申請(qǐng)日: 2023-01-10
• 公開(kāi)（公告）號(hào): CN115937791B
• 公開(kāi)（公告）日: 2023-05-16
• 發(fā)明（設(shè)計(jì)）人: 肖德琴;招勝秋;劉又夫;潘永琪;劉克堅(jiān);閆志廣;殷建軍
• 申請(qǐng)（專(zhuān)利權(quán)）人: 華南農(nóng)業(yè)大學(xué)
• 主分類(lèi)號(hào): G06V20/52
• 分類(lèi)號(hào): G06V20/52;G06V20/70;G06V40/10;G06V10/12;G06V10/26;G06V10/80;G06V10/82;G06N3/045;G06N3/0464;G06N3/048;G06N3/096;G06F16/583;G06Q50/02;G16Y10
• 代理公司: 西安正華恒遠(yuǎn)知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 61271
• 代理人: 陳選中

1.一種適用于多種養(yǎng)殖模式的家禽計(jì)數(shù)方法，其特征在于，包括以下步驟：

S1：采集每個(gè)養(yǎng)殖籠（11）的籠養(yǎng)圖像數(shù)據(jù)、每個(gè)養(yǎng)殖欄（12）的欄養(yǎng)圖像數(shù)據(jù)以及對(duì)應(yīng)的位置數(shù)據(jù)；

S2：對(duì)籠養(yǎng)圖像數(shù)據(jù)和欄養(yǎng)圖像數(shù)據(jù)進(jìn)行優(yōu)化處理；

S3：將籠養(yǎng)圖像數(shù)據(jù)輸入預(yù)訓(xùn)練過(guò)的第一神經(jīng)網(wǎng)絡(luò)模型，并進(jìn)行圖像分割、識(shí)別確認(rèn)和求和計(jì)算，得到對(duì)應(yīng)養(yǎng)殖籠（11）內(nèi)的家禽數(shù)量；

S4：將欄養(yǎng)圖像數(shù)據(jù)輸入預(yù)訓(xùn)練過(guò)的第二神經(jīng)網(wǎng)絡(luò)模型，并生成密度圖像，對(duì)密度圖像進(jìn)行積分求和，得到對(duì)應(yīng)養(yǎng)殖欄（12）內(nèi)的家禽數(shù)量；

S5：將每個(gè)養(yǎng)殖籠（11）和每個(gè)養(yǎng)殖欄（12）內(nèi)的家禽數(shù)量分別與數(shù)據(jù)庫(kù)內(nèi)對(duì)應(yīng)養(yǎng)殖籠（11）和養(yǎng)殖欄（12）內(nèi)所記錄的家禽數(shù)量進(jìn)行對(duì)比，并計(jì)算出每個(gè)養(yǎng)殖籠（11）和每個(gè)養(yǎng)殖欄（12）的巡檢數(shù)量平均誤差值；

S6：將巡檢數(shù)量平均誤差值與設(shè)定誤差值進(jìn)行對(duì)比，若巡檢數(shù)量平均誤差值不大于設(shè)定誤差值，則發(fā)出養(yǎng)殖籠（11）和/或養(yǎng)殖欄（12）內(nèi)家禽數(shù)量安全的巡檢信息，否則，發(fā)出養(yǎng)殖籠（11）和/或養(yǎng)殖欄（12）內(nèi)家禽數(shù)量不匹配的預(yù)警信息；

S7：將巡檢信息和預(yù)警信息通過(guò)通訊模塊上傳至物聯(lián)網(wǎng)平臺(tái)。

2.根據(jù)權(quán)利要求1所述的家禽計(jì)數(shù)方法，其特征在于，所述籠養(yǎng)圖像數(shù)據(jù)包括籠養(yǎng)RGB圖像和對(duì)應(yīng)的Depth圖像，所述欄養(yǎng)圖像數(shù)據(jù)包括欄養(yǎng)RGB圖像，所述步驟S2中優(yōu)化處理的方法包括以下步驟：

M1：采用拉普拉斯算子邊緣對(duì)籠養(yǎng)RGB圖像和欄養(yǎng)RGB圖像分別進(jìn)行圖像模糊度檢測(cè)，若檢測(cè)的響應(yīng)方差低于設(shè)定閾值，則丟棄對(duì)應(yīng)的籠養(yǎng)RGB圖像和/或欄養(yǎng)RGB圖像，并重新采集，直至檢測(cè)的響應(yīng)方差高于設(shè)定閾值；

M2：對(duì)籠養(yǎng)RGB圖像、Depth圖像和欄養(yǎng)RGB圖像進(jìn)行邊緣裁切處理。

3.根據(jù)權(quán)利要求2所述的家禽計(jì)數(shù)方法，其特征在于，所述第一神經(jīng)網(wǎng)絡(luò)模型包括RGB提取層、Depth提取層、融合層和輸出層；

所述RGB提取層和Depth提取層分別對(duì)籠養(yǎng)RGB圖像和Depth圖像進(jìn)行特征提取；

所述融合層將RGB提取層和Depth提取層提取的不同層級(jí)特征進(jìn)行多模態(tài)數(shù)據(jù)融合，并輸出分割圖像；

所述輸出層根據(jù)分割圖像的實(shí)際特征對(duì)家禽對(duì)象進(jìn)行識(shí)別確認(rèn)，并對(duì)識(shí)別確認(rèn)的家禽對(duì)象進(jìn)行求和計(jì)算，得到對(duì)應(yīng)養(yǎng)殖籠（11）內(nèi)的家禽數(shù)量。

4.根據(jù)權(quán)利要求3所述的家禽計(jì)數(shù)方法，其特征在于，所述第一神經(jīng)網(wǎng)絡(luò)模型的預(yù)訓(xùn)練方法包括以下步驟：

A1：采集若干籠養(yǎng)RGB圖像和對(duì)應(yīng)的Depth圖像，并對(duì)籠養(yǎng)RGB圖像和Depth圖像進(jìn)行校準(zhǔn)和邊緣裁剪；

A2：對(duì)籠養(yǎng)RGB圖像中的家禽進(jìn)行點(diǎn)標(biāo)記，并生成點(diǎn)標(biāo)記后的掩膜圖像，其中點(diǎn)標(biāo)記的位置為家禽身體和頭部的可視部分；

A3：每個(gè)籠養(yǎng)RGB圖像以及對(duì)應(yīng)的掩膜圖像和Depth圖像共同構(gòu)成籠養(yǎng)數(shù)據(jù)集，并按照設(shè)定比例將籠養(yǎng)數(shù)據(jù)集劃分為訓(xùn)練集、測(cè)試集和驗(yàn)證集；

A4：將訓(xùn)練集中的RGB圖像和對(duì)應(yīng)的掩膜圖像輸入至第一神經(jīng)網(wǎng)絡(luò)模型中的RGB提取層，將訓(xùn)練集中的Depth圖像輸入至第一神經(jīng)網(wǎng)絡(luò)模型中的Depth提取層，并采用遷移學(xué)習(xí)的訓(xùn)練方法對(duì)第一神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練；

A5：第一神經(jīng)網(wǎng)絡(luò)模型利用驗(yàn)證集對(duì)自身的訓(xùn)練結(jié)果進(jìn)行精度評(píng)估，確定第一神經(jīng)網(wǎng)絡(luò)模型損失值是否收斂，若是，得到第一神經(jīng)網(wǎng)絡(luò)模型的預(yù)訓(xùn)練模型；否則，優(yōu)化超參數(shù)后繼續(xù)訓(xùn)練，待第一神經(jīng)網(wǎng)絡(luò)模型損失值收斂后得到第一神經(jīng)網(wǎng)絡(luò)模型的預(yù)訓(xùn)練模型。

5.根據(jù)權(quán)利要求2所述的家禽計(jì)數(shù)方法，其特征在于，所述第二神經(jīng)網(wǎng)絡(luò)模型包括輸入層、評(píng)估層、密度層和輸出層；

所述輸入層接收欄養(yǎng)RGB圖像，并對(duì)其進(jìn)行切分處理，得到若干切分圖像；

所述評(píng)估層將若干切分圖像進(jìn)行密度評(píng)估分類(lèi)；

所述密度層根據(jù)評(píng)估層的密度評(píng)估分類(lèi)，選擇不同的卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)切分圖像進(jìn)行密度圖像生成；

所述輸出層將若干密度圖像進(jìn)行拼接，并對(duì)其進(jìn)行積分求和，從而得到對(duì)應(yīng)養(yǎng)殖欄（12）內(nèi)的家禽數(shù)量。