[发明专利]一种基于堆叠沙漏网络的群养猪体尺测量方法

说明书

本发明提供了一种基于堆叠沙漏网络的群养猪体尺测量方法。首先将初始样本库输入基于掩码区域的卷积神经网络，得到感兴趣区域和掩膜，两者进行融合处理，进而将图像中多目标猪体进行分离，建立新的样本库；将新的样本库输入堆叠沙漏网络获得猪体关节点；接着设计基于支持向量机分类算法的关节点筛选方法，筛选出适合体尺测量的关节点；最后利用筛选后的关节点对猪体尺进行测量。该方法结合计算机视觉技术、检测技术与养殖技术等领域，避免现有方法导致的动物应激反应、猪舍环境复杂、猪只遮挡、粘连、猪体姿态不理想等情况，提高了猪体尺测量的检测效率和准确率。

技术领域

本发明涉及计算机视觉领域、检测领域以及养殖技术领域，具体为一种基于堆叠沙漏网络的群养猪体尺测量方法。

背景技术

现代养猪场趋向于智能化、自动化的发展方向，这就需要现代化智能方法来管理群养模式下的猪只。猪的体尺可以反映猪的生长发育状况，也是种猪选育、肉质评价的重要指标。在我国现阶段内，群养猪的体尺测量方法主要包括人工测量和传统机器学习方法。其中，采用人工测量方法对猪体进行直接接触，会导致猪产生应激反应，测量效率低下，人畜之间疾病传播等问题。基于传统机器学习方法的猪体尺测量，大多是对猪的静态图像进行轮廓提取，然后利用基于包络线的凹陷结构的拐点提取算法找到猪体关键角点，从而计算猪的体尺数据，但是这种方法要求采集的猪体图像完整、背部笔直、无歪头。在实际图像采集过程中，由于猪的生活习性，很难采集到理想图像，并且群养状态下的猪体容易相互遮挡、粘连，这种方法难以应用于群养猪场。

关节点检测来自于人体姿态检测，人体关节点检测是诸多计算机视觉任务的基础，例如动作分类，异常行为检测以及自动驾驶等。近年来，随着深度学习技术的发展，人体关节点检测效果不断提升，已经开始广泛应用于计算机视觉的相关领域。堆叠沙漏网络是关节点检测技术的一种，其将轻量级的沙漏网络按照端到端的方式进行堆叠，不仅能在不同尺度上提取特征，而且可以获取关节点之间的空间关系。

本发明针对复杂环境下的群养猪，利用实例分割技术分离图像中的猪体，基于堆叠沙漏网络获取用于体尺测量的猪体关节点，并且设计关节点筛选算法对关节点检测结果进行筛选后再进行猪体尺测量，部分解决了现有技术中在猪体尺测量中所存在的缺陷。

发明内容

为解决上述问题，本发明公开了提供一种基于堆叠沙漏网络的群养猪体尺测量方法，本发明要解决的技术问题：一是对群养状态下的猪体进行分离；二是基于堆叠沙漏网络获取猪体关节点；三是对猪体关节点检测结果进行筛选；四是基于筛选后的关节点检测结果提供一种非接触式体尺测量方法。

为解决上述技术问题，达到本发明的目的，本发明采取的技术方案如下：

一种基于堆叠沙漏网络的群养猪体尺测量方法，包括以下步骤：

S1、在群养猪舍环境下得到猪只图像的初始样本库，将初始样本库输入基于掩码区域的卷积神经网络(Mask Region-based Convolutional Neural Network,Mask R-CNN)，提取通过Mask R-CNN的区域建议框网络得到的感兴趣区域(Region of Interest,RoI)和掩膜网络得到的掩膜(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。

S2、将新的样本库输入堆叠沙漏网络(Stacked Hourglass Network,SHN)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，可以更好地获取特征点之间的空间关系。

S3、设计基于支持向量机(Support Vector Machine,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。

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。