[发明专利]一种基于堆叠沙漏网络的群养猪体尺测量方法

权利要求书

1.一种基于堆叠沙漏网络的群养猪体尺测量方法，其特征在于：包括以下步骤：

步骤S1、在群养猪舍环境下得到猪只图像的初始样本库，将初始样本库输入Mask R-CNN，提取通过Mask R-CNN的区域建议框网络得到的RoI和掩膜网络得到的Mask，两者进行融合处理，将图像中多目标猪体进行分离，建立新的样本库；

步骤S2、将S1中构建的新的样本库输入堆叠沙漏网络获得猪体关节点，所述堆叠沙漏网络以残差模块作为基础模块，可以提取不同尺度的特征，通过对4个沙漏网络进行堆叠，可以更好地获取关节点之间的空间关系。

步骤S3、设计基于SVM分类算法的关节点筛选方法，通过给定不同特征的猪体关节点样本，寻找一个超平面对样本进行分类，进而筛选出适合进行体尺测量的关节点样本。

步骤S4、构建体尺测量模型，利用关节点筛选结果得到猪体五个关节点，对猪的体尺数据进行计算。

2.根据权利要求1所述的一种基于堆叠沙漏网络的群养猪体尺测量方法，其特征在于：所述步骤S1的具体步骤如下：

步骤S11、在群养猪舍内，在猪舍正上方安装深度相机，获取俯视角度的深度图像；对获得的深度图像，用中值滤波方法去除大量干扰噪声，用限制对比度自适应直方图均衡化进行增强，得到原始样本库；用图像标注工具LabelMe对初始样本库中图像的猪体外包围框进行标注，获得初始训练样本集；

步骤S12、将初始样本库输入Mask R-CNN，所述Mask R-CNN是在Faster R-CNN的基础上改进的两阶段实例分割算法，能同时实现多目标分类、目标检测和掩膜分割；

步骤S13、提取通过Mask R-CNN的区域建议框网络得到的RoI和掩膜网络得到的Mask，两者进行融合处理，进而将图像中多目标猪只进行分离，建立新的样本库。

3.根据权利要求2所述的一种基于堆叠沙漏网络的群养猪体尺测量方法，其特征在于：所述步骤S12中的Mask R-CNN是两阶段的目标检测网络：第一阶段通过构建特征金字塔网络进行多尺度特征融合，接着输入区域建议框网络中生成目标对象的RoI，实现对群养猪舍下的猪体进行分离；第二阶段使用感兴趣区域对齐(RoI Align)后输入全连接层获得分类和边框回归的结果，同时Mask R-CNN还为每个RoI输出一个猪只的二进制Mask，将猪只的RoI和Mask作为构建新的样本库的基础。

4.根据权利要求2所述的一种基于堆叠沙漏网络的群养猪体尺测量方法，其特征在于：所述步骤S12中的Mask R-CNN的主干特征提取网络由深度残差网络resnet101和特征金字塔网络构成，猪只图像通过主干特征提取网络可以得到五个不同尺度大小的特征层，将五个特征层依次输入到区域建议框网络预测猪只的候选框坐标，接着用得到的候选框对输入到RoI Align层的特征图进行截取并固定尺寸，得到固定尺寸大小的RoI；最后，经过全连接层得到了Mask R-CNN的三个分支的输出，其中两个分支进行分类和边框回归操作，另一个分支是在已经得到包含猪只的检测框内，用一个全卷积网络来对检测框内像素点进行分类，并通过上采样得到最终的猪只Mask。

5.根据权利要求1所述的一种基于堆叠沙漏网络的群养猪体尺测量方法，其特征在于：所述步骤S2输入堆叠沙漏网络之前，将新的样本库进行训练集、验证集和测试集划分；用标注软件LabelMe对训练集中图像的猪只外包围框，以及左耳根、右耳根、左背部、右背部、尾根五个关节点进行标注，所述的训练样本集包括图像数据集和.txt格式的标签文件。

6.根据权利要求5所述的一种基于堆叠沙漏网络的群养猪体尺测量方法，其特征在于：所述步骤S2中的堆叠沙漏网络由4个沙漏网络堆叠而成，所述每个沙漏网络的结构是左右对称的，采用残差模块作为基础模块，可以提取猪只图像不同尺度的特征，通过卷积层和池化层的堆叠使前一个沙漏网络模块学习到的猪只图像的语义信息作为下一个沙漏网络模块的输入，使得堆叠沙漏网络学习到丰富的语义特征；所述堆叠沙漏网络中的每个沙漏网络结构之间存在跨阶段连接，每个沙漏网络分别对应一个损失函数，参与最终的损失函数计算，进而减少最终损失信息，提升模型的预测精确度。