家禽识别方法、装置、可读存储介质及电子设备制造方法及图纸

本申请公开了一种家禽识别方法、装置、可读存储介质及电子设备，所述方法包括：获取第一数据和第二数据，其中，所述第一数据包括标记了各个待检测家禽的待检测图像，所述第二数据包括标记了各个待检测家禽以及各个待检测家禽的方位识别信息的待检测图像；将所述第一数据和所述第二数据输入预先训练好的采用Mask‑RCNN算法的家禽识别模型，获得各个待检测家禽的身份识别信息。本实施例中，通过采用Mask‑RCNN算法的家禽识别模型来识别家禽，因此能够准确地识别出不同家禽个体。

Poultry identification methods, devices, readable storage media and electronic equipment

【技术实现步骤摘要】
家禽识别方法、装置、可读存储介质及电子设备
本申请涉及目标检测
，具体而言，涉及一种家禽识别方法、装置、可读存储介质及电子设备。
技术介绍
饲养家禽，例如鸡只时，为了区分出每一只鸡，往往需要对鸡只进行身份识别以识别出特定的鸡只。传统的鸡只身份识别通常通过给鸡只佩戴鸡脚环或者电子标签进行实现，通过内置电子芯片完成身份识别和定位，这种识别方法存在操作难、实时性差、重复利用率低等缺点。传统鸡只监控方式中摄像头捕捉到的画面往往是鸡群影像，由于鸡只长相类似，从鸡群视频中难以分辨出特定鸡只，也就是说，由于鸡只相似度非常高，因此，在识别鸡只时难度非常大。
技术实现思路
为了至少克服现有技术中的上述不足，本申请的目的之一在于提供一种家禽识别方法，所述方法包括：获取第一数据和第二数据，其中，所述第一数据包括标记了各个待检测家禽的待检测图像，所述第二数据包括标记了各个待检测家禽以及各个待检测家禽的方位识别信息的待检测图像；将所述第一数据和所述第二数据输入预先训练好的采用Mask-RCNN算法的家禽识别模型，获得各个待检测家禽的身份识别信息。可选地，所述方法包括：将多个标注好家禽的第一原始图像作为第一训练样本；针对在家禽的多个不同方位采集的每个第二原始图像，将该第二原始图像以及该第二原始图像上标注的家禽标识、每个家禽的身份识别信息、所标注家禽的方位识别信息作为第二训练样本，所述家禽标识用于表征目标是否为家禽；将多个所述第一训练样本和多个所述第二训练样本分别输入采用Mask-RCNN算法的预分类模型进行模型训练；将输出的各个家禽的身份识别信息与标注好的各个家禽的身份识别信息进行对比，计算得到本次训练的损失函数值；若所述损失函数值小于预设损失值，则判定所述家禽识别模型完成训练；若所述损失函数值不小于所述预设损失值，则将多个第一训练样本和多个所述第二训练样本分别输入调整后的家禽识别模型中进行训练，重复上述步骤直至所有损失函数值小于预设损失值。可选地，所述将多个所述第一训练样本和多个所述第二训练样本分别输入基于Mask-RCNN算法的预分类模型进行模型训练的步骤包括：将多个所述第一训练样本输入基于Mask-RCNN算法的预训练模型进行训练，获得中间训练模型；将所述第二训练样本输入所述中间训练模型进行模型训练，获得家禽识别模型。可选地，所述家禽识别模型包括卷积神经网络、RPN网络、ROI层、分类器和掩膜网络，所述卷积神经网络、RPN网络、ROI层依次连接，所述ROI层与分类器和掩膜网络分别连接。可选地，所述将输出的各个家禽的身份识别信息与标注好的各个家禽的身份识别信息进行对比，计算得到本次训练的损失函数值的步骤包括：获取所述分类器输出的家禽标识的第一损失值；获取所述分类器输出的身份识别信息的第二损失值；获取所述分类器输出的方位识别信息的第三损失值；获取家禽的掩膜网络输出家禽的掩膜的第四损失值；计算第一损失值、第二损失值、第三损失值和第四损失值之和，获得方位损失值；获取RPN网络输出的参数的网络损失值；计算方位损失值与网络损失值之和，获得损失函数值。可选地，所述方法还包括：判断所述损失函数值的大小是否满足预设范围；如果所述损失函数值不满足预设范围，则重新调整所述家禽识别模型的网络参数。本申请的另一目的在于提供一种家禽识别装置，所述装置包括：获取模块，用于获取第一数据和第二数据，其中，所述第一数据包括标记了各个待检测家禽的待检测图像，所述第二数据集包括标记了各个待检测家禽以及各个待检测家禽的方位识别信息的待检测图像；识别模块，用于将所述第一数据和所述第二数据输入预先训练好的采用Mask-RCNN算法的家禽识别模型，获得各个待检测家禽的身份识别信息。可选地，所述装置还包括训练模块，所述训练模块用于：将多个标注好家禽的第一原始图像作为第一训练样本；针对在家禽的多个不同方位采集的每个第二原始图像，将该第二原始图像以及该第二原始图像上标注的家禽标识、每个家禽的身份识别信息、所标注家禽的方位识别信息作为第二训练样本，所述家禽标识用于表征目标是否为家禽；将多个所述第一训练样本和多个所述第二训练样本分别输入采用Mask-RCNN算法的预分类模型进行模型训练；将输出的各个家禽的身份识别信息与标注好的各个家禽的身份识别信息进行对比，计算得到本次训练的损失函数值；若所述损失函数值小于预设损失值，则判定所述家禽识别模型完成训练；若所述损失函数值不小于所述预设损失值，则将多个第一训练样本和多个所述第二训练样本分别输入调整后的家禽识别模型中进行训练，重复上述步骤直至所有损失函数值小于预设损失值。本申请的另一目的在于提供一种可读存储介质，所述可读存储介质存储有可执行程序，处理器在执行所述可执行程序时，实现如本申请任一项所述的方法。本申请的另一目的在于提供一种电子设备，所述电子设备包括存储器和处理器，所述存储器和所述处理器电性连接，所述存储器中存储有可执行程序，所述处理器在执行所述可执行程序时，实现本申请任一项所述的方法。相对于现有技术而言，本申请具有以下有益效果：本申请中，通过采用包括标记了各个待检测家禽的待检测图像的第一数据和标记了各个待检测家禽以及各个待检测家禽的方位识别信息的待检测图像的第二数据来进行家禽识别，将所述第一数据和所述第二数据输入预先训练好的采用Mask-RCNN算法的家禽识别模型，从而来获得出图像中各个家禽的身份识别信息，也就是说对家禽进行身份识别，采用的家禽识别模型是采用Mask-RCNN算法训练，而输入的第二数据中还包括了家禽的方位识别信息，因此，本实施例能够更加精确地识别家禽的身份。附图说明为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。图1是本申请实施例提供的电子设备的结构示意框图；图2是本申请实施例提供的家禽识别方法的流程示意图一；图3是本申请实施例提供的家禽识别方法的流程示意图二；图4是本申请实施例提供的家禽识别模型的结构示意图；图5是本申请实施例提供的家禽识别模型的图像处理示意图；图6是本申请实施例提供的家禽的识别效果示意图；图7是本申请实施例提供的家禽识别装置的结构示意框图。图标：100-电子设备；110-家禽识别装置；111-获取模块；112-识别模块；113-训练模块；120-存储器；130-处理器。具体实施方式为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描本文档来自技高网...

【技术保护点】
1.一种家禽识别方法，其特征在于，所述方法包括：/n获取第一数据和第二数据，其中，所述第一数据包括标记了各个待检测家禽的待检测图像，所述第二数据包括标记了各个待检测家禽以及各个待检测家禽的方位识别信息的待检测图像；/n将所述第一数据和所述第二数据输入预先训练好的采用Mask-RCNN算法的家禽识别模型，获得各个待检测家禽的身份识别信息。/n

【技术特征摘要】
1.一种家禽识别方法，其特征在于，所述方法包括：
获取第一数据和第二数据，其中，所述第一数据包括标记了各个待检测家禽的待检测图像，所述第二数据包括标记了各个待检测家禽以及各个待检测家禽的方位识别信息的待检测图像；
将所述第一数据和所述第二数据输入预先训练好的采用Mask-RCNN算法的家禽识别模型，获得各个待检测家禽的身份识别信息。


2.根据权利要求1所述的方法，其特征在于，所述方法包括：
将多个标注好家禽的第一原始图像作为第一训练样本；
针对在家禽的多个不同方位采集的每个第二原始图像，将该第二原始图像以及该第二原始图像上标注的家禽标识、每个家禽的身份识别信息、所标注家禽的方位识别信息作为第二训练样本，所述家禽标识用于表征目标是否为家禽；
将多个所述第一训练样本和多个所述第二训练样本分别输入采用Mask-RCNN算法的预分类模型进行模型训练；
将输出的各个家禽的身份识别信息与标注好的各个家禽的身份识别信息进行对比，计算得到本次训练的损失函数值；
若所述损失函数值小于预设损失值，则判定所述家禽识别模型完成训练；
若所述损失函数值不小于所述预设损失值，则将多个第一训练样本和多个所述第二训练样本分别输入调整后的家禽识别模型中进行训练，重复上述步骤直至所有损失函数值小于预设损失值。


3.根据权利要求2所述的方法，其特征在于，所述将多个所述第一训练样本和多个所述第二训练样本分别输入基于Mask-RCNN算法的预分类模型进行模型训练的步骤包括：
将多个所述第一训练样本输入基于Mask-RCNN算法的预训练模型进行训练，获得中间训练模型；
将所述第二训练样本输入所述中间训练模型进行模型训练，获得家禽识别模型。


4.根据权利要求2或3所述的方法，其特征在于，所述家禽识别模型包括卷积神经网络、RPN网络、ROI层、分类器和掩膜网络，所述卷积神经网络、RPN网络、ROI层依次连接，所述ROI层与分类器和掩膜网络分别连接。


5.根据权利要求4所述的方法，其特征在于，所述将输出的各个家禽的身份识别信息与标注好的各个家禽的身份识别信息进行对比，计算得到本次训练的损失函数值的步骤包括：
获取所述分类器输出的家禽标识的第一损失值；
获取所述分类器输出的身份识别信息的第二损失值；
获取所述分类器输出的方位识别信息的...

【专利技术属性】
技术研发人员：张曙华，杨安荣，宗琳，
申请(专利权)人：上海中信信息发展股份有限公司，
类型：发明
国别省市：上海;31