[发明专利]基于机器视觉的母猪发情行为检测方法

权利要求书

1.一种基于机器视觉的母猪发情行为检测方法，其特征在于，步骤如下：

步骤S1、通过摄像头拍摄到多张母猪在爬跨时的图像，并且将图像中的母猪爬跨位置标记出来，由母猪爬跨位置被标记好的各图像得到第一训练集，通过第一训练集对深度学习模型进行训练，得到爬跨行为判断模型；

通过摄像头拍摄到母猪在发情时的视频，从各只母猪在发情时的视频中对各只发情的母猪进行跟踪和识别，并且提取出各只发情母猪的位移运动量信息；针对上述拍摄到的各只母猪在发情时的视频，通过爬跨行为判断模型判断视频中各帧图像母猪是否有爬跨行为，并且统计出爬跨行为的频次；针对上述通过摄像头拍摄到的各只母猪在发情时的视频，获取到各只发情母猪与公猪之间的接近程度；

步骤S2、将步骤S1中获取到的每只发情母猪的位移运动量信息、爬跨行为的频次以及与公猪之间接近程度作为每个训练样本，构成第二训练集；通过第二训练集对神经网络模型进行训练，得到母猪发情预警模型；

步骤S3、当需要对母猪的发情行为进行检测时，通过摄像头拍摄到母猪的视频，从上述视频中针对母猪进行跟踪和识别，并且提取出母猪的位移运动量数据；同时针对上述拍摄到的母猪视频，通过爬跨行为判断模型判断视频中各帧图像是否有母猪爬跨行为，并且统计出母猪爬跨行为的频次；另外针对上述通过摄像头拍摄到的母猪视频，获取到母猪与公猪之间接近程度；

步骤S4、将步骤S3获取到的母猪的位移运动量数据、母猪爬跨行为的频次以及母猪与公猪之间的接近程度输入到母猪发情预警模型，通过母猪发情预警模型判定出母猪是否发情；

所述步骤S1和步骤S3中提取出母猪位移运动量数据的过程如下：

步骤Sa、首先建立图像数据与实际数据的映射；

步骤Sb、针对摄像头拍摄到的母猪视频中每帧图像进行分割，识别出每帧图像中猪只目标；

步骤Sc、对各帧图像中识别出的猪只目标进行追踪，并且通过各帧图像中猪只的位置和角度获取到猪只在各时刻的运动状态量；其中本步骤在猪只目标进行追踪过程中，对潜在的跟丢失误进行重寻回与重派号的改进机制；

步骤Sd、根据猪只在各时刻的运动状态量以及图像数据与实际数据的映射关系计算出猪只在各个时间段的位移运动量。

2.根据权利要求1所述的基于机器视觉的母猪发情行为检测方法，其特征在于，所述步骤S1中，训练得到爬跨行为判断模型的具体过程如下：

通过摄像头拍摄到多张母猪在爬跨时的图像，由各张母猪在爬跨时的图像形成图形数据集，将图像数据集分成第一训练集和验证集；首先通过第一训练集对深度学习模型进行训练，然后采用验证集针对上述训练后的深度学习模型进行验证，若准确率达到一定值，则将上述训练后的深度学习模型作为最终爬跨行为判断模型，否则继续增加训练次数，直到训练后的深度模型的准确率达到一定值。

3.根据权利要求1所述的基于机器视觉的母猪发情行为检测方法，其特征在于，所述步骤Sb中识别出每帧图像中猪只目标的具体过程如下：

步骤Sb1、首先将图像映射到RGB、YUV、YCbCr色彩空间中；然后根据前景与背景图像的类间方差最大为标准进行空间通道选择；

步骤Sb2、对步骤Sb1中所选择的空间通道应用大津法进行猪只目标与背景的分割，然后对大津法分割后的图像利用连通区域的消除、形态学腐蚀与膨胀方法将环境中相对于猪只个体来说面积小于一定值的目标去除；针对于存在粘连的猪只目标，采用基于颜色特征与轮廓特征结合的方法进行分割；

步骤Sb3、采用prewitty算子捕获边缘信息，得到图像中的猪只目标。

4.根据权利要求3所述的基于机器视觉的母猪发情行为检测方法，其特征在于，所述步骤Sb2中，在使用所选择的空间通道应用大津法进行猪只目标与背景的分割之前，通过手工设定将图像中固定环境噪音进行排除；其中固定环境包括猪栏食槽、水槽以及猪栏门。

5.根据权利要求1所述的基于机器视觉的母猪发情行为检测方法，其特征在于，所述步骤Sc中，猪只在各时刻的运动状态量为：

其中为猪只i在t时刻时在图像直接坐标系下的位置，为猪只i在t时刻时在图像直接坐标系下的角度，为猪只i在t时刻时的运动状态量。