[发明专利]基于多层径向基网络的大型动物体重自动评估方法、系统及介质

说明书

本发明公开了一种基于多层径向基网络的大型动物体重自动评估方法、系统及介质，该方法包括：每层首先随机生成径向基函数中心点，再生成径向基神经元以组成径向基层，最后连接径向基层和全连接层以构建多层径向基网络模型；输入归一化的大型动物体况参数以训练多层径向基网络模型，采用损失函数优化模型的参数；利用训练好的多层径向基网络模型进行体重自动估计。本发明采用一维的大型动物体况参数进行预测其体重，基本不受动物姿态以及运动的影响，对于估计动物生重的鲁棒性较大；本发明将多层径向基网络层通过全连接层进行连接，拟合能力更高，仅在输入一维体况的情况下有较高的估计精度。

技术领域

本发明属于深度学习的技术领域，具体涉及一种基于多层径向基网络的大型动物体重自动评估方法、系统及介质。

背景技术

活重是大型动物的重要指标，及时准确的获取大型动物的体重，即可马上评价大型动物的生长状况和健康状况，并据此检测大型动物的饲料吸收率，或者对营养状况不同的大型动物分别饲养，以达到饲料的最大利用率和最佳生长控制。如何对大型动物体重进行自动精准测量，是当前智能农业的研究重点之一。传统的大型动物体重检测往往都需要与大型动物进行直接接触，需要将大型动物移动至电子秤等称重设备上，整个过程不仅费时而且费力，人工测量的误差较大，需要人畜接触容易造成疫病传播；有时候还需要使用镇静剂等药物辅助，给大型动物带来极大的压力，影响诸如进食，交配等日常活动，甚至会造成大型动物猝死，造成极大的经济损失。

近来多种大型动物体重评估方法被提出，主要分为2大类，即直接测量法和间接测量法。在直接测量法中，大型动物移动等造成的除了体重之外向下的力很难得到解决。而在间接测量法中，目前的方法都需要得到大型动物的二维面积，这个参数的获取对于捕获的图像有较高的精度要求，需要大型动物处于相对固定位置，且极易受到大型动物姿势的影响。根据动物饲养学原理，大型动物体况和体重存在潜在关系，当大型动物品种确定后，可以通过构建体况和体重的推演模型，实现大型动物体重的自动估计。同时，若可以仅仅需要获取大型动物中其中几个一维的体况特征，如体高，围长等，那么对于捕获大型动物的图像要求便会降低很多，对于捕获得到的图像便有较大的鲁棒性，本发明以此角度，通过对大量体况和体重数据进行学习和训练，构造多层径向基网络模型，得到两者间的非线性关系，进而实现大型动物体重的精准计算。

发明内容

本发明的主要目的在于克服现有技术的缺点与不足，提供一种基于多层径向基网络的大型动物体重自动评估方法、系统及介质，通过对大型动物的体长、体高、体宽、腹围、腰围的5种体况参数进行规则化预处理并输入至多层径向基网络模型中进行训练学习，通过输出的数据与标准数据的差值对多层径向基网络模型的参数进行更新，直至多层径向基网络模型预测稳定且预测精度较好，最终自动计算出体重数据。

为了达到上述目的，本发明采用以下技术方案：

本发明一方面提供了一种基于多层径向基网络的大型动物体重自动评估方法，包括下述步骤：

根据设定的各径向基层中心点的个数，以位置随机的方式生成中心点，基于中心点生成对应的径向基核函数以及径向基神经元，通过连接全连接层调整维度以连接下一层，重复上述步骤以构造多层径向基网络模型；

训练多层径向基网络模型，首先将分别归一化处理后的体况参数输入多层径向基网络模型得到输出数据，将输出数据和标准数据作为损失函数的参数输入计算损失值，然后利用损失函数优化多层径向基网络模型的参数，当损失值稳定达到预期某一极小值时，即得到训练好的多层径向基网络模型；

将待预测的大型动物的归一化后的体况参数结果作为输入数据，输入到训练好的多层径向基网络模型，所述多层径向基网络模型的输出即为待预测的大型动物体重估计值。

作为优选的技术方案，所述中心点是和输入数据相同维度的向量，表示在该维度空间中的一个点，初始位置随机，后续通过损失函数求导进行更新调整；