一种猪只点数方法技术

本发明专利技术属于深度学习技术领域，公开了一种猪只点数方法，包括如下步骤：基于深度学习建立猪只点数模型；获取猪只实时视频；将猪只实时视频输入猪只点数模型进行检测，得到检测结果图像；对检测结果图像进行猪只点数，得到猪只数量。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、硬件成本投入高以及准确性低的问题。及准确性低的问题。及准确性低的问题。

【技术实现步骤摘要】
一种猪只点数方法


[0001]本专利技术属于深度学习
，具体涉及一种猪只点数方法。

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点数，这种方式的人力成本投入高，工作人员的工作量大，并且效率低下，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固定式的摄像头进行点数，这种方式需要在猪场安装摄像头需要较大的施工改动，硬件成本投入也较高，并且猪是活物，容易隐藏在摄像死角导致点数准确性低。

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、硬件成本投入高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、效率高以及准确性高的猪只点数方法。
[0005]本专利技术所采用的技术方案为：
[0006]一种猪只点数方法，包括如下步骤：
[0007]基于深度学习建立猪只点数模型；
[0008]获取猪只实时视频；
[0009]将猪只实时视频输入猪只点数模型进行检测，得到检测结果图像；
[0010]对检测结果图像进行猪只点数，得到猪只数量。
[0011]进一步地，猪只点数方法基于猪只点数系统，猪只点数系统包括拍摄设备和数据处理中心，拍摄设备与数据处理中心通信连接；
[0012]拍摄设备，用于移动渐进式拍摄猪只实时视频，将猪只实时视频发送至数据处理中心进行处理，接收并显示检测结果图像；
[0013]数据处理中心，用于接收猪只实时视频，建立猪只点数模型对猪只实时视频进行处理和检测，得到检测结果图像并进行猪只点数，将检测结果图像发送至拍摄设备进行显示。
[0014]进一步地，拍摄设备包括主控模块、触摸显示屏、通讯模块以及摄像头，主控模块分别与触摸显示屏、通讯模块以及摄像头通信连接，通讯模块与数据处理中心通信连接。
[0015]进一步地，基于深度学习建立猪只点数模型，包括如下步骤：
[0016]获取初始猪只图像数据集，并对初始猪只图像数据集进行预处理，得到预处理后猪只图像数据集；
[0017]基于深度学习建立YOLO v5模型，并将预处理后猪只图像数据集输入YOLO v5模型进行训练，得到猪只点数模型。
[0018]进一步地，预处理包括对初始猪只图像数据集中每个图像进行的几何变换处理、增加噪声处理、光学变换处理以及归一化处理。
[0019]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。
[0020]进一步地，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；
[0021]Backbone模块包括Focus结构和CSP结构；
[0022]Neck模块的结构为FPN+PAN结构；
[0023]Prediction模块使用GIOU_Loss函数进行损失计算。
[0024]进一步地，将猪只实时视频输入猪只点数模型进行检测，得到检测结果图像，包括如下步骤：
[0025]将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实时图像；
[0026]将当前的预处理后猪只实时图像输入猪只点数模型进行检测，得到含有预选框的猪只检测图像；
[0027]使用softnms算法对当前的猪只检测图像的预选框进行筛选，得到含有检测框的当前的猪只检测图像；
[0028]使用SORT算法对当前的含有检测框的猪只检测图像进行猪只跟踪，得到当前的猪只检测图像的所有检测框中的猪只ID；
[0029]遍历所有的预处理后猪只实时图像，得到含有猪只ID的连续的猪只检测图像，并将含有猪只ID的连续的猪只检测图像作为检测结果图像。
[0030]进一步地，简SORT算法包括卡尔曼滤波算法和匈牙利匹配算法。
[0031]进一步地，根据猪只ID使用猪只点数算法对检测结果图像进行猪只点数，得到猪只数量，包括如下步骤：
[0032]基于猪只检测图像的大小和移动渐进式拍摄的方向在猪只检测图像中建立二维坐标系；
[0033]基于二维坐标系获取当前的猪只ID对应的猪只坐标；
[0034]若当前的猪只ID的猪只坐标到达最大值，猪只数量增加一个；
[0035]遍历猪只检测图像，得到最终的猪只数量。
[0036]本专利技术的有益效果为：
[0037]1)本专利技术提供一种基于深度学习的猪只点数方法，对拍摄的猪只实时视频进行检测和识别，使用猪只点数模型方便的提取猪只的数量，避免了人工方式进行点数，减少了人力成本投入，提高了点数效率，避免了误差；
[0038]2)本专利技术的移动渐进式拍摄，避免了固定摄像头的死角，提高了猪只点数的准确性，采用便携易携带的拍摄设备获取猪只实时视频，减少了硬件投入成本。
[0039]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
[0040]图1是本专利技术中猪只点数方法流程框图。
[0041]图2是YOLO v5模型的网络结构图。
[0042]图3是猪只误识别、漏识别问题检测结果图像。
[0043]图4是完整的检测结果图像。
[0044]图5是猪只点数示例图。
[0045]图6是猪只点数系统框图。
具体实施方式
[0046]下面结合附图及具体实施例对本专利技术做进一步阐释。
[0047]实施例1：
[0048]如图1所示，本实施例提供一种猪只点数方法，包括如下步骤：
[0049]基于深度学习建立猪只点数模型，包括如下步骤：
[0050]获取初始猪只图像数据集，并对初始猪只图像数据集进行预处理，得到预处理后猪只图像数据集；
[0051]预处理包括对初始猪只图像数据集中每个图像进行的几何变换处理、增加噪声处理、光学变换处理以及归一化处理；
[0052]几何变换处理丰富物体在图像中出现的位置和尺度等，从而满足模型的平移不变性和尺度不变性，例如平移、翻转、缩放和裁剪等；光学变换处理增加不同光照和场景下的图像，典型的操作有亮度、对比度、色相与饱和度的随意扰动、通道色域之间的变换；增加噪声处理通过在原始图像中增加一定的扰动，如高斯噪声，可以使模型对可能遇到的噪声具有抗干扰性，从而提升模型的泛化能力；归一化处理图像处理完成后，需要对图像进行裁剪，让图像缩放到固定的尺寸；
[0053]基于深度学习建立YOLO v5模型，并将预处理后猪只图像数据集输入YOLO v5模型进行训练，得到猪只点数模型；
[0054]YOLO v5模型的网络本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种猪只点数方法，其特征在于：包括如下步骤：基于深度学习建立猪只点数模型；获取猪只实时视频；将猪只实时视频输入猪只点数模型进行检测，得到检测结果图像；对检测结果图像进行猪只点数，得到猪只数量。2.根据权利要求1所述的猪只点数方法，其特征在于：所述的猪只点数方法基于猪只点数系统，所述的猪只点数系统包括拍摄设备和数据处理中心，所述的拍摄设备与数据处理中心通信连接；拍摄设备，用于移动渐进式拍摄猪只实时视频，将猪只实时视频发送至数据处理中心进行处理，接收并显示检测结果图像；数据处理中心，用于接收猪只实时视频，建立猪只点数模型对猪只实时视频进行处理和检测，得到检测结果图像并进行猪只点数，将检测结果图像发送至拍摄设备进行显示。3.根据权利要求2所述的猪只点数方法，其特征在于：所述的拍摄设备包括主控模块、触摸显示屏、通讯模块以及摄像头，所述的主控模块分别与触摸显示屏、通讯模块以及摄像头通信连接，所述的通讯模块与数据处理中心通信连接。4.根据权利要求1所述的猪只点数方法，其特征在于：所述的基于深度学习建立猪只点数模型，包括如下步骤：获取初始猪只图像数据集，并对初始猪只图像数据集进行预处理，得到预处理后猪只图像数据集；基于深度学习建立YOLO v5模型，并将预处理后猪只图像数据集输入YOLO v5模型进行训练，得到猪只点数模型。5.根据权利要求4所述的猪只点数方法，其特征在于：所述的预处理包括对初始猪只图像数据集中每个图像进行的几何变换处理、增加噪声处理、光学变换处理以及归一化处理。6.根据权利要求4所述的猪只点数方法，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...

【专利技术属性】
技术研发人员：柯海滨，刘云明，刘聪，
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：