一种猪只重识别方法技术

本发明专利技术属于深度学习技术领域，公开了一种猪只重识别方法，包括如下步骤：基于深度学习建立猪只识别模型；使用猪只识别模型获取识别结果，并根据识别结果建立猪只档案表；根据猪只实时视频进行猪只重识别，获取重识别结果，并根据重识别结果更新猪只档案表。本发明专利技术解决了现有技术存在的人力成本投入高、工作量大、效率低下、跟踪容易失效以及准确性低的问题。跟踪容易失效以及准确性低的问题。跟踪容易失效以及准确性低的问题。

【技术实现步骤摘要】
一种猪只重识别方法


[0001]本专利技术属于深度学习
，具体涉及一种猪只重识别方法。

技术介绍

[0002]随着经济发展，人们对猪肉的需求越来越高，猪肉的产量也越来越高，目前采用最多的养殖模式是大栏养猪，实现了养猪行业由散养模式向规模化、集约化模式的转变，这种养殖模式的特点是猪只密度大，数量多，其优点为节约占地，增加单位饲养头数，适合集约化养殖，便于统计，母猪生活在大栏里一目了然，统计挂牌，不容易出错。
[0003]传统技术中采用人工的方式对猪只进行观察，来对猪只进行运动量监测、采食行为识别等工作，这种方式的人力成本投入高，工作人员的工作量大，并且由于人工无法对猪只进行分辨，导致其观察效率低下，还容易产生误差，准确性低；随着现代化设备在养殖行业的引入，现有技术中采用基于摄像头进行识别和辨认，但是由于在实际视频场景中，圈养在栏舍中的猪群经常由于互相堆叠、遮挡等因素导致跟踪失效，并且由于猪只的特征比较相近，常规的识别方法容易产生错误。

技术实现思路

[0004]为了解决现有技术存在的人力成本投入高、工作量大、效率低下、跟踪容易失效以及准确性低的问题，本专利技术目的在于提供一种成本投入低、工作量少、效率高、持续跟踪以及准确性高的猪只重识别方法。
[0005]本专利技术所采用的技术方案为：
[0006]一种猪只重识别方法，包括如下步骤：
[0007]基于深度学习建立猪只识别模型；
[0008]使用猪只识别模型获取识别结果，并根据识别结果建立猪只档案表；
[0009]根据猪只实时视频进行猪只重识别，获取重识别结果，并根据重识别结果更新猪只档案表。
[0010]进一步地，深度学习建立猪只识别模型，包括如下步骤：
[0011]获取猪只训练图像数据集，并对猪只训练图像数据集进行预处理，得到预处理后猪只训练图像数据集；
[0012]基于深度学习建立YOLO v5模型，并将预处理后猪只训练图像数据集输入YOLO v5模型进行训练，得到猪只识别模型。
[0013]进一步地，预处理包括对猪只训练图像数据集中每个图像进行的灰度化处理、几何变换处理、增加噪声处理、光学变换处理以及归一化处理。
[0014]进一步地，YOLO v5模型包括依次连接的输入端、Backbone模块、Neck模块和Prediction模块；
[0015]输入端使用Mosaic数据增强方法对输入的预处理后猪只图像进行处理；
[0016]Backbone模块包括Focus结构和CSP结构；
[0017]Neck模块的结构为FPN+PAN结构；
[0018]Prediction模块使用GIOU_Loss函数进行损失计算。
[0019]进一步地，使用猪只识别模型获取识别结果，并根据识别结果建立猪只档案表，包括如下步骤：
[0020]获取当前栏舍的猪只识别图像数据集，对猪只识别图像数据集进行预处理，得到预处理后猪只识别图像数据集；
[0021]将预处理后猪只识别图像数据集输入猪只识别模型进行识别，得到当前栏舍的所有的猪只目标的数量、ID以及对应的图片；
[0022]根据所有的猪只目标的图片进行特征提取，得到所有的猪只目标对应的特征向量；
[0023]根据所有的猪只目标的数量、ID、图片以及对应的特征向量，建立猪只档案表。
[0024]进一步地，猪只档案表包括当前栏舍的所有的猪只目标的猪只档案，每个猪只档案包括ID、图片、特征向量以及跟踪状态，跟踪状态包括在线和掉线。
[0025]进一步地，根据猪只实时视频进行猪只重识别，获取重识别结果，并根据重识别结果更新猪只档案表，包括如下步骤：
[0026]获取当前栏舍的猪只实时视频，并对猪只实时视频进行帧截取和预处理，得到连续的预处理后猪只待识别图像；
[0027]使用猪只识别模型对连续的预处理后猪只待识别图像中的猪只目标持续进行识别和跟踪，得到识别结果，并根据识别结果更新猪只档案表中对应ID的猪只目标的特征向量和跟踪状态；
[0028]若持续跟踪中未识别到与猪只档案中特征向量相匹配的猪只目标，将当前的猪只档案的跟踪状态更新为掉线，并持续识别未知的猪只目标；
[0029]若存在跟踪状态为掉线的猪只档案，根据实时识别得到的未知的猪只目标进行重识别，根据得到的重识别结果更新跟踪状态为掉线的猪只档案，得到实时更新的猪只档案表；
[0030]若猪只档案表的跟踪状态全为掉线，使用猪只识别模型重新进行识别，更新所有的猪只档案，得到实时更新的猪只档案表。
[0031]进一步地，根据实时识别得到的未知的猪只目标进行重识别，包括如下步骤：
[0032]提取跟踪状态为掉线的猪只档案，所述的猪只档案包括跟踪状态为掉线的猪只目标的ID、图片以及特征向量；
[0033]对未知的猪只目标进行识别和特征提取，得到未知的猪只目标的图片和对应的特征向量；
[0034]将未知的猪只目标的特征向量与跟踪状态为掉线的猪只档案的特征向量进行相似度匹配，根据未知的猪只目标的图片和对应的特征向量更新对应的猪只档案，并将对应的猪只档案的跟踪状态更新为在线。
[0035]进一步地，预处理包括对猪只识别图像数据集中每个图像以及帧截取得到的猪只待识别图像进行的灰度化处理、几何变换处理、消除噪声处理以及图像增强处理。
[0036]进一步地，使用SORT算法对连续的预处理后猪只待识别图像中的猪只目标持续进行跟踪；
[0037]所述的SORT算法包括卡尔曼滤波算法和匈牙利匹配算法。
[0038]传统技术中采用人工的方式对猪只进行观察，来对猪只进行运动量监测、采食行为识别等工作，这种方式的人力成本投入高，工作人员的工作量大，并且由于人工无法对猪只进行分辨，导致其观察效率低下，还容易产生误差，准确性低；随着现代化设备在养殖行业的引入，现有技术中采用基于摄像头进行识别和辨认，但是由于在实际视频场景中，圈养在栏舍中的猪群经常由于互相堆叠、遮挡等因素导致跟踪失效，并且由于猪只的特征比较相近，常规的识别方法容易产生错误。
[0039]本专利技术的有益效果为：
[0040]1)本专利技术提供一种基于深度学习的猪只重识别方法，采用猪只识别模型对当前栏舍的猪只目标进行持续进行识别和跟踪，避免了人工方式对猪只目标进行观察，减少了人力成本投入、降低了工作量、提高了观察效率并且提高了识别的准确性；
[0041]2)本专利技术采用了重识别方法，猪只档案表，对遮挡导致丢失的猪只目标进行重识别，快速匹配和持续跟踪，提高了识别的效率和准确性。
[0042]本专利技术的其他有益效果将在具体实施方式中进一步进行说明。
附图说明
[0043]图1是本专利技术中猪只重识别方法流程框图。
[0044]图2是YOLO v5模型的网络结构图。
具体实施方式
[0045]下面结合附图及具体实施例对本专利技术做进一步阐释。
[0046]实本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种猪只重识别方法，其特征在于：包括如下步骤：基于深度学习建立猪只识别模型；使用猪只识别模型获取识别结果，并根据识别结果建立猪只档案表；根据猪只实时视频进行猪只重识别，获取重识别结果，并根据重识别结果更新猪只档案表。2.根据权利要求1所述的猪只重识别方法，其特征在于：所述的深度学习建立猪只识别模型，包括如下步骤：获取猪只训练图像数据集，并对猪只训练图像数据集进行预处理，得到预处理后猪只训练图像数据集；基于深度学习建立YOLO v5模型，并将预处理后猪只训练图像数据集输入YOLO v5模型进行训练，得到猪只识别模型。3.根据权利要求2所述的猪只重识别方法，其特征在于：所述的预处理包括对猪只训练图像数据集中每个图像进行的灰度化处理、几何变换处理、增加噪声处理、光学变换处理以及归一化处理。4.根据权利要求2所述的猪只重识别方法，其特征在于：所述的YOLO v5模型包括依次连接的输入端、Backbone模块、Neck模块和Prediction模块；所述的输入端使用Mosaic数据增强方法对输入的预处理后猪只图像进行处理；所述的Backbone模块包括Focus结构和CSP结构；所述的Neck模块的结构为FPN+PAN结构；所述的Prediction模块使用GIOU_Loss函数进行损失计算。5.根据权利要求1所述的猪只重识别方法，其特征在于：所述的使用猪只识别模型获取识别结果，并根据识别结果建立猪只档案表，包括如下步骤：获取当前栏舍的猪只识别图像数据集，对猪只识别图像数据集进行预处理，得到预处理后猪只识别图像数据集；将预处理后猪只识别图像数据集输入猪只识别模型进行识别，得到当前栏舍的所有的猪只目标的数量、ID以及对应的图片；根据所有的猪只目标的图片进行特征提取，得到所有的猪只目标对应的特征向量；根据所有的猪只目标的数量、ID、图片以及对应的特征向量，建立猪只档案表。6.根据权利要求5所述的猪只重识别方法，其特征在于：所述的猪只档案表包括当前栏舍的所有的猪只目标的猪只档案，每个所述的猪只档案包括ID...

【专利技术属性】
技术研发人员：柯海滨，刘聪，刘云明，
申请(专利权)人：深圳喜为智慧科技有限公司，
类型：发明
国别省市：