层叠式笼养模式下的鸡蛋计数及定位系统技术方案

本发明专利技术公开了一种层叠式笼养模式下的鸡蛋计数及定位系统，包括：鸡蛋目标跟踪计数模块：基于鸡蛋多类别目标检测模型和多目标跟踪DeepSORT算法实现鸡蛋的计数，并将不同类别的鸡蛋加以区分实现分别计数；速度显示屏定位及示数识别模块：利用卷积神经网络设计并训练了基于UNet算法的速度显示屏语义分割模型及基于CNN算法的速度显示屏目标分类模型，两者搭配共同实现了速度显示屏示数的识别从而得到蛋带运作的速度。本系统首次将目标跟踪算法应用于层叠式笼养模式下的鸡蛋计数中，避免出现重复计数的情况，提高了计数准确率。提高了计数准确率。提高了计数准确率。

【技术实现步骤摘要】
层叠式笼养模式下的鸡蛋计数及定位系统


[0001]本专利技术所属
为畜禽精准养殖领域，使用到的技术主要有：深度学习技术、图像处理技术与网络通信技术，研究对象是层叠式笼养模式下的鸡蛋，尤其涉及一种层叠式笼养模式下的鸡蛋计数及定位系统。

技术介绍

[0002]鸡蛋是日常生活中常见的食品，具有营养丰富、价格适宜、流通广泛等优点，市场对其需求量较大，据2020年的鸡蛋市场调查统计结果表明，我国的蛋鸡养殖量和新鲜鸡蛋消费量均居世界首位。为满足消费市场的需求，蛋鸡养殖正朝大规模、现代化、集约化、全程机械化的方向发展，其中层叠式笼架设备的应用越来越广泛，搭载于此类设备的自动集蛋系统包括纵向集蛋机、中央输蛋线及鸡蛋分级包装机，提高了鸡蛋的收集效率，解放了大量人力物力。但是随着蛋鸡养殖规模的不断扩大，其管理也凸显出了越来越多的问题和需求，例如养殖人员需要在层叠式笼养模式下及时掌握每笼蛋鸡的产蛋量及异常蛋量，以此辅助查找“假母鸡”及可能存在疾病的蛋鸡以便开展选淘工作。
[0003]在目前的蛋鸡养殖生产实践中，对鸡蛋的识别主要采用机器视觉技术进行鸡蛋表观特征检测；鸡蛋的计数主要通过在链杆式传送带与纵向提升机连接处安装计数组件解决多蛋粘连问题，或通过图像处理对采集的图像二值化实现计数，但以上方法不利于实现鸡蛋的定位。针对层叠式笼养模式的鸡蛋计数及定位的研究未有报道。

技术实现思路

[0004]本专利技术针对
技术介绍
中存在的问题，提出一种层叠式笼养模式下产蛋量及定位系统，该系统中利用紧贴蛋带的计米轮跟随蛋带转动得到当前蛋带运作速度并显示于速度显示屏上，俯拍的摄像头同时记录鸡蛋的传输情况及速度显示屏的示数得到专利技术所需视频数据。本专利技术在对数据处理后，利用四种卷积神经网络共同实现鸡蛋的计数并定位至笼数，其中YOLOv5与DeepSORT算法相结合实现鸡蛋的跟踪计数，UNet与CNN算法相结合实现速度显示屏示数的读取，以此得到蛋带的运行速度及运行距离，从而对每笼的产蛋量进行统计并上传至数据库。在此基础上搭建一套鸡蛋信息统计系统，该系统包括数据库、中间件及移动终端，中间件和数据库的作用为鸡蛋数据及环境信息数据的管理与存储并将每天的统计结果展示至移动端，以此实现了每笼鸡蛋个数的统计显示，基于鸡蛋多类别目标检测模型辅助鸡场工作人员对产蛋异常鸡笼中的蛋鸡进行检查与淘汰处理。
[0005]技术方案：
[0006]一种层叠式笼养模式下的鸡蛋计数及定位系统，所述层叠式笼养模式下的笼具包括产蛋鸡笼、自动喂料系统(由料塔、喂料行车及横向输料装置等组成)、乳头供水系统、自动集蛋系统(丙纶编织袋鸡蛋收集系统及链式中央集蛋系统)和自动清粪系统(履带式清粪带和横向输粪系统)；蛋鸡所产鸡蛋自有一定角度的鸡笼底网滚动至丙纶编织袋鸡蛋收集系统上，根据养殖场的设置，间隔一定时间开启鸡蛋收集，丙纶编织袋作为蛋带开始传输，
将丙纶编织袋上的鸡蛋相继传输至链式中央集蛋系统；鸡蛋计数及定位系统包括以下模块：
[0007]速度传感模块：包括速度传感器和速度显示屏，速度传感器的计米轮紧贴于蛋带上的编织袋，速度传感器的检测结果连接速度显示屏显示；此模块安装在蛋带与链式中央集蛋系统交接处；
[0008]数据采集模块：获取蛋带及速度显示屏的彩色视频数据，此模块安装于蛋带与链式中央集蛋系统交接处，俯拍蛋带末端，获取蛋带上的鸡蛋运作图像并保存至网络硬盘录像机(NVR)中；
[0009]数据预处理模块：对彩色视频数据进行预处理，获取4个用于模型训练的数据集，分别是：鸡蛋多类别目标检测数据集、鸡蛋目标跟踪ReID数据集、LED速度显示屏语义分割数据集及显示屏目标分类数据集；
[0010]鸡蛋目标跟踪计数模块：基于鸡蛋多类别目标检测模型和多目标跟踪DeepSORT算法实现鸡蛋的计数，并将不同类别的鸡蛋加以区分实现分别计数；本专利技术采用的是YOLOv5
‑
6.0版本，相较于5.0版本模型结构有了如下改变：使用Conv(k＝6，s＝2，p＝2)代替Focus层；使用SPPF代替SPP层；减少P3主干层C3；将SPPF放在主干后面；在最后一个C3主干层中重新引入快捷方式；更新超参数。YOLOv5中包含的三种损失函数分别为：classification loss(分类损失)、localization loss(定位损失，即预测框和GT框之间的误差)及confidence loss(置信度损失)，总体的损失即为以上三种损失的加权相加，通过改变权值可以调整对三种损失的关注度。其中分类损失函数采用二元交叉熵损失，(2)式所示。
[0011][0012][0013]其中N表示类别总个数，x
i
为当前类别预测值，y
i
为经过激活函数后得到的当前类别概率，如(1)式所示，为当前类别的真实值(0或1)，L
class
即为分类损失。
[0014]在模型的评价指标中精确率Precision是针对预测结果而言的指标，表示预测为正的样本中实际为正的比例；召回率Recall是针对原始样本而言的指标，表示样本中的正例被预测正确了的比例；平均精度AP为Precision与Recall作为两轴作图后围成的面积；平均精度均值mAP是对每种类别的目标计算出该类别的AP后对各个类别进行求平均，计算公式如(3)及(4)所示。
[0015][0016][0017]式中：C表示目标类别数，本研究为5，N表示含有C类目标的测试图片数量。
[0018]速度显示屏定位及示数识别模块：利用卷积神经网络设计并训练了基于UNet算法的速度显示屏语义分割模型及基于CNN算法的速度显示屏目标分类模型，两者搭配共同实现了速度显示屏示数的识别从而得到蛋带运作的速度；本专利技术选择UNet语义分割算法作为
速度显示屏识别的第一步，得到的二值化图片作为后续研究的基础数据。对二值化图片(显示屏部分为白色，其余部分为黑色)进行边缘检测，获取显示屏的边缘坐标和最小外接矩阵四个端点坐标，从边缘坐标中选取和最小外接矩阵四个端点最近的点，对速度显示屏进行定位和矫正。针对本专利技术的多标签多分类问题采用卷积神经网络进行训练，以实现对显示屏中三个数字的分类，并对大量图片进行测试判断该卷积神经网络的性能。将鸡蛋目标跟踪计数模块与速度显示屏定位及示数识别模块相结合实现鸡蛋的定位，将每一笼各个类别的鸡蛋进行统计并将统计结果以字典的形式保存至txt文件，为后续上传云服务器提供数据。
[0019]优选的，数据采集模块包括支架、架设于支架顶端的摄像头、交换机及网络硬盘录像机NVR，摄像头俯拍蛋带及速度显示屏获得彩色视频数据。
[0020]优选的，将NVR中的视频导出为MP4格式视频文件，剔除部分蛋带倾斜角度过大的视频后进行截帧工作，对得到的大量图片进行筛选、数据标注及数据增强操作，获得相应的数据集。
[0021]具体的，鸡蛋多类别目标检测模型的获取步骤为：采用YOLOv5s进行鸡蛋多类别目标检测模型的训练，利用鸡蛋多类别目标检测数据集，在搭建本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种层叠式笼养模式下的鸡蛋计数及定位系统，所述层叠式笼养模式下的笼具包括产蛋鸡笼、自动喂料系统、乳头供水系统、自动集蛋系统和自动清粪系统；蛋鸡所产鸡蛋自有一定角度的鸡笼底网滚动至丙纶编织袋鸡蛋收集系统上，根据养殖场的设置，间隔一定时间开启鸡蛋收集，丙纶编织袋作为蛋带开始传输，将丙纶编织袋上的鸡蛋相继传输至链式中央集蛋系统；其特征在于鸡蛋计数及定位系统包括以下模块：速度传感模块：包括速度传感器和速度显示屏，速度传感器的计米轮紧贴于蛋带上的编织袋，速度传感器的检测结果连接速度显示屏显示；此模块安装在蛋带与链式中央集蛋系统交接处；数据采集模块：获取蛋带及速度显示屏的彩色视频数据，此模块安装于蛋带与链式中央集蛋系统交接处，俯拍蛋带末端，获取蛋带上的鸡蛋运作图像；数据预处理模块：对彩色视频数据进行预处理，获取4个用于模型训练的数据集，分别是：鸡蛋多类别目标检测数据集、鸡蛋目标跟踪ReID数据集、LED速度显示屏语义分割数据集及显示屏目标分类数据集；鸡蛋目标跟踪计数模块：基于鸡蛋多类别目标检测模型和多目标跟踪DeepSORT算法实现鸡蛋的计数，并将不同类别的鸡蛋加以区分实现分别计数；速度显示屏定位及示数识别模块：利用卷积神经网络设计并训练了基于UNet算法的速度显示屏语义分割模型及基于CNN算法的速度显示屏目标分类模型，两者搭配共同实现了速度显示屏示数的识别从而得到蛋带运作的速度。2.根据权利要求1所述的系统，其特征在于数据采集模块包括支架、架设于支架顶端的摄像头、交换机及网络硬盘录像机NVR，摄像头俯拍蛋带及速度显示屏获得彩色视频数据。3.根据权利要求1所述的系统，其特征在于将NVR中的视频导出为MP4格式视频文件，剔除部分蛋带倾斜角度过大的视频后进行截帧工作，对得到的大量图片进行筛选、数据标注及数据增强操作，获得相应的数据集。4.根据权利要求1所述的系统，其特征在于鸡蛋多类别目标检测模型的获取步骤为：采用YOLOv5s进行鸡蛋多类别目标检测模型的训练，利用鸡蛋多类别目标检测数据集，在搭建好的深度卷积神经网络框架上利用YOLOv5s进行训练；YOLOv5s源码基于PyTorch框架，修改默认的训练参数为适宜本方法所需的参数，将数据集输入卷积网络中进行训练；YOLOv5s含有早停机制EarlyStopping，在模型评估阶段若模型效果没有提升，EarlyStopping通过设置model.stop_training＝True让模型提前停止训练，设置patience参数为100，当100个epoch模型效果仍未提升则停止训练；在训练结束后通过设置好的测试集评价模型的性能。5.根据权利要求1所述的系统，其特征在于鸡蛋目标跟踪ReID数据集的获取步骤为：参照VeRi
‑
776数据集重新制作鸡蛋重识别数据集，采用PyTorch版的DeepSORT训练跟踪特征，利用宽残差网络wide residual network重新训练提取外观特征的模型；在鸡蛋多类别目标检测数据集中对鸡蛋均进行了标注，在制作鸡蛋重识别数据集时共选取436个经过镜头下的鸡蛋并运行py脚本文件将每个鸡蛋截取保存为.png格式的图片，每个鸡蛋约对应13张截取后的图片分别放入436个文件夹中；对此数据集共迭代训练2000个epoch得到ReID重识别模型。6.根据权利要求1所述的系统，其特征在于采用YOLOv5鸡蛋多类别目标检测算法结合DeepSORT目标跟踪算法设计鸡蛋目标跟踪模型从而实现计数；DeepSORT将鸡蛋多类别目标
检测算法输出的检测框作为输入转换为Detection对象并生成检测框，使用卡尔曼滤波预测下一时刻跟踪框的位置，在获得本帧新的跟踪框后使用匈牙利算法将预测后的tracks和当前帧中的detecions进行匹配；首先根据外观信息利用马氏距离计算tracks和detections的代价矩阵，然后依次进行级联匹配和IoU匹配，得到当前帧的所有匹配对、未匹配的tracks以及未匹配的detections；最后利用卡尔曼滤波进行更新，每条成功匹配的track均用其对应的detection进行更新，对未匹配tracks和detections进行处理；在实现跟踪功能后，制作脚本文件以实现计数功能，步骤为：(1)在视频上绘制撞线多边形，本研究中绘制蓝色长方...

【专利技术属性】
技术研发人员：沈明霞，李崭，刘龙申，赵茹茜，姚文，陈佳，丁奇安，
申请(专利权)人：南京农业大学，
类型：发明
国别省市：