[发明专利]一种基于无监督聚类和深度学习的群猪躺模式识别方法

说明书

本发明公开了一种基于无监督聚类和深度学习的群猪躺模式识别方法，包括以下步骤，采集初始数据集并对图像进行统一裁剪；利用Grabcut图像分割的方法提取出目标图像；通过动态阈值分割，使所述目标图像二值化，利用无监督聚类算法Mean‑shift找到聚类中心，通过各个椭圆拟合中心到聚类中心的距离并输出其方差和标准差；对所述标准差进行处理，使其数据的值映射到[0,1]之间，利用训练完成的所述CNN‑SVM模型对群猪躺模式进行识别。本发明的有益效果：基于CNN‑SVM分类模型对群猪5种躺卧模式进行高精度分类识别，识别准确率为97.09％，平衡准确率为96.59％，平衡准确率加权为97.07％。

技术领域

本发明涉及群猪多姿态识别的技术领域，尤其涉及一种基于无监督聚类和深度学习的群猪躺模式识别方法。

背景技术

近年来随着猪群养殖规模增大，人们对于生猪卧躺行为的检测不仅仅是单头生猪，饲养者希望可以对于大规模猪群的卧躺行为进行监测。机器视觉和机器学习技术相互结合增加了对大规模动物行为、健康和生长状况的检测的可能性，检测它们现阶段情况如健康状况和社会活动，管理者可以及时做出调整。生猪的视频行为检测是机器视觉技术和深度学习技术应用的一种典型方式。这是一种快捷、低成本无应激性的方式，这种方式对于饲养者和动物来说都是相对轻松，便捷的，它适用于室内和室外的情况，避免了传统手工观察记录繁琐的过程。

传统对群猪卧躺模式的研究，是通过视频或者人工观察并对其进行手工记录。这种方式费时费力，需要耗费大量的成本。现阶段对于商业条件下群猪躺卧模式的时空特征研究的较少，大部分是对生猪具体卧躺姿势进行研究。截止目前还没有利用无监督技术和深度学习对商业条件下猪群躺模式进行研究。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明解决的技术问题是：猪群的卧躺模式不能被准确识别。

为解决上述技术问题，本发明提供如下技术方案：一种基于无监督聚类和深度学习的群猪躺模式识别方法，包括以下步骤，采集初始数据集并对图像进行统一裁剪；利用Grabcut图像分割的方法提取出目标图像；通过动态阈值分割，使所述目标图像二值化，利用中值模糊滤波算法多次迭代，消除图像噪声的干扰并对移动生猪进行排除；对分割区域进行标记，再进行分水岭分割，并在分割基础上进行椭圆拟合，同时获取每个拟合的椭圆的中心点；基于椭圆拟合后的群猪图像，利用无监督聚类算法Mean-shift找到聚类中心，通过各个椭圆拟合中心到聚类中心的距离并输出其方差和标准差；对所述标准差进行处理，使其数据的值映射到[0,1]之间，并将归一化后的数据定义为5等分，不同数值范围代表不同猪群聚集模式，并将每帧图像群猪聚集归一化后的方差和标准差作为训练数据输入至CNN-SVM模型分类器中；利用训练完成的所述CNN-SVM模型对群猪躺模式进行识别。

作为本发明所述的基于无监督聚类和深度学习的群猪躺模式识别方法的一种优选方案，其中：所述标准差的映射处理，如下式，

式中，x_i代表该某帧图像中生猪椭圆拟合的中心的坐标，X_i代表生猪椭圆拟合中心到聚类中心的距离，m代表一帧图像中生猪的数量，x_centroids-X代表该帧图像中聚类中心的坐标，S_N-Fr(j)代表该图像帧中的标准差，代表标准差标准化后的数值。

作为本发明所述的基于无监督聚类和深度学习的群猪躺模式识别方法的一种优选方案，其中：归一化出来的数据，定义的5等份分别为