【技术实现步骤摘要】
本专利技术涉及生物个体参数估计领域，具体涉一种基于牛背图像和身高体长数据的牛只体重估测方法及系统。
技术介绍
1、在规模化养牛场，要实现个体化、自动化、信息化的日常精细化管理，对于牛只的体重进行及时监测是非常重要的。
2、传统的牛只体重测量方法主要是使用带地磅的体重箱子进行测量，需要人为将牛只限制在体重箱中，待地磅数据平稳后读取牛只的体重数据。传统方法对牛只的限制行为容易引发牛只的应激反应，影响牛只的健康状况，并且随着体重箱中的污秽积累，如果不及时清理，很容易影响体重测量的精度。
3、通过间接方法估测牛只的体重逐渐成为研究的热点，如采用主成分逐步回归法建立体尺和体重间的线性映射关系来估测新疆褐牛体重，从牛只体高、体斜长、胸围和管围四个变量中提取主成分，并将主成分与体重进行主成分逐步回归分析，得到体重估测的主成分回归映射关系，能够有效的实现新疆褐牛的体重估测。但是这种预测方法依赖于回归系数的选择，当参与预测的参数之间存在高度相关性，会使得预测的回归系数产生不确定性，增加预测误差的方差，导致预测的结果不可靠，预测性能降低。
4、随着深度神经网络的发展，研究人员提出基于深度卷积神经网络的牛只体重估测方法，采用牛只的背部图像作为输入，采用深度卷积神经网络提取特征向量，最后回归预测图像中牛只的体重，采用平均绝对误差(mean absolute error,mae)损失函数进行训练，加速模型的收敛速度。深度卷积神经网络因其强大的特征表达能力，在牛只体重估测领域取得了一些成果，但是受限于输入图片提供的可学习
技术实现思路
1、针对基于牛只体尺参数的多元线性回归体重估测方法的回归系数选择困难而导致估测性能降低；以及图神经网络能够从图片中学习到有助于体重估测的信息有限，而导致估测性能容易达到瓶颈的问题。
2、本专利技术提出一种基于牛背图像和身高体长数据的牛只体重估测方法及系统。本专利技术对牛背掩码图像和身高体长数据进行加权构造，获得包含更多可学习特征的高维数据。设计一种通道注意力和空间注意力残差的sca-convnet网络，有效的从高维输入数据中提取相关特征，并且使用体重、身高和体长多个预测任务的损失值共同监督学习，提高牛只体重估测算法的精度。为提高牛只体重估测的精度，
3、基于牛背图像和身高体长数据的牛只体重估测方法，采用的技术方案包括以下步骤：
4、s1、采集牛背图像、牛身高、牛体长和牛体重数据：
5、采用架设在圈舍-挤奶厅之间通道正上方的摄像头采集牛只的背部视频数据，从视频流中截取下每头牛的完整牛背位于画面中央时的图片数据。同时在通道正中央安装测量牛只体重的地磅，通过rs232通信协议读取牛只体重数据。牛只身高体长数据由牧场工作人员现场采用测量仪器实测获得。
6、训练牛只背部的实例分割深度学习模型，用于分割获取牛背掩码图像。并将牛背掩码图像、身高、体长和体重对应成组，组成完整的数据集。将数据集分为训练集和测试集。
7、s2、基于sca-convnet对牛背掩码图像以及牛只身高体长进行数据处理。
8、s2-1.首先将输入的牛只身高h和体长数据l分别按照各自数据集合中的最大值和最小值进行归一化，得到各自数据集的归一化身高hnormalization和归一化体长lnormalization。
9、s2-2.将归一化身高和归一化体长分别与牛背掩码图像进行逐像素相乘，分别获得三通道的身高掩码图像和体长掩码图像。
10、s2-3.将牛背掩码图像、身高掩码图像和体长掩码图像在通道维度上进行拼接，得到高维复合数据。
11、s2-4.将步骤s2-3获得的高维复合数据输入sca-convnet中进行特征提取，在sca-convnet block主干分支中，采用分组卷积替代普通卷积，将分组卷积输出的卷积特征记为输入特征x，输入特征x分别再经过主干逆瓶颈层、空间注意力分支和通道注意力分支，其中空间注意力分支计算获得空间注意力矩阵msa，通道注意力分支计算获得通道注意力矩阵mca，将msa和mca与主干逆瓶颈层的输出相乘，得到输出特征向量。
12、所述的sca-convnet包括主干分支、空间注意力分支和通道注意力分支；其中主干分支包括分组卷积层和干逆瓶颈层。
13、s2-5.将sca-convnet提取的特征向量输入到多任务预测头网络中，进行体重、身高和体长的多任务预测。
14、s3、使用所述步骤s1中的训练集构建损失函数，并采用步骤s2中所述的sca-convnet进行模型训练，当总损失下降到趋于稳定时结束训练，得到训练好的牛只体重估测模型。
15、s4、将步骤s1中所述的测试集中的数据输入训练好的牛只体重估测模型中，进行牛只的体重估测并比较误差。
16、作为优选，所述s2-4中。所述空间注意力分支的结构包括：通道均值计算层、卷积层和sigmoid激活层。
17、在所述的空间注意力分支的计算过程具体为：
18、首先将输入特征经过一个通道均值计算层，将特征通道数从c压缩至1，获得压缩后的特征然后将特征x0输入卷积层中进行参数学习，最后通过一个sigmoid激活函数进行约束，获得输入特征的空间注意力矩阵即：
19、msa＝sigmoid(conv(mean(x,dim＝1)))
20、作为优选，所述s2-4中。所述通道注意力分支的结构包括：全局平均池化层、mlp层和sigmoid激活层。
21、在所述的空间注意力分支的计算过程具体为：
22、首先将输入特征经过一个全局平均池化层，将特征高宽维度从h×w压缩至1×1，获得压缩后的特征然后将特征x1输入mlp层中进行参数学习，最后通过一个sigmoid激活函数进行约束，获得输入特征的通道注意力矩阵即：
23、mca＝sigmoid(conv(avgpool(x)))
24、作为优选，所述s3中的损失函数计算包含：huber损失函数和加权损失函数。
25、huber损失函数的计算公式如下：
26、
27、式中y为真实值，为估测值，δ为自定义设置的huber loss损失函数的参数。当估测值与真实值的误差小于等于δ时，采用均方误差损失函数(mse)；当估测值与真实值的误差大于δ时，使用绝对误差损失函数(mae)。
28、加权损失函数的计算公式如下：
29、loss＝αlossweight+βlossheight+γlosslength
30、式中lossweight、lossheight和losslength分别为三个输出的huber损失；α，β，γ为各项损失值的权重，权重值越大，代表对应损失函数对于模型参数更新的越大。
31、基于牛背图像和身高体长数据的牛只体重估测系统，包括数据采集模本文档来自技高网...
【技术保护点】
1.基于牛背图像和身高体长数据的牛只体重估测方法，其特征在于该方法首先对牛背掩码图像和身高体长数据进行加权构造，获得包含更多可学习特征的高维数据；其次设计一种通道注意力和空间注意力残差的SCA-ConvNet网络，从高维数据中提取相关特征，并且使用体重、身高和体长多个预测任务的损失值共同监督学习，提高牛只体重估测精度；具体包括如下步骤：
2.根据权利要求1所述的基于牛背图像和身高体长数据的牛只体重估测方法，其特征在于步骤S2的数据处理，包括将输入的牛只身高H和体长数据L分别按照各自数据集合中的最大值和最小值进行归一化，得到各自数据集的归一化身高Hnormalization和归一化体长Lnormalization。
3.根据权利要求2所述的基于牛背图像和身高体长数据的牛只体重估测方法，其特征在于步骤S2的数据处理，包括将归一化身高和归一化体长分别与牛背掩码图像进行逐像素相乘，获得三通道的身高掩码图像和体长掩码图像。
4.根据权利要求3所述的基于牛背图像和身高体长数据的牛只体重估测方法，其特征在于步骤S2的数据处理，包括将牛背掩码图像、身高掩码图像
5.根据权利要求4所述的基于牛背图像和身高体长数据的牛只体重估测方法，其特征在于步骤S2的数据处理，包括将获得的高维复合数据输入SCA-ConvNet中进行特征提取，SCA-ConvNet包括主干分支、空间注意力分支和通道注意力分支；其中主干分支包括分组卷积层和干逆瓶颈层；在SCA-ConvNet Block主干分支中，采用分组卷积替代普通卷积，将分组卷积输出的卷积特征记为输入特征X，输入特征X分别再经过主干逆瓶颈层、空间注意力分支和通道注意力分支，其中空间注意力分支计算获得空间注意力矩阵MSA，通道注意力分支计算获得通道注意力矩阵MCA，将MSA和MCA与主干逆瓶颈层的输出相乘，得到输出特征向量。
6.根据权利要求5所述的基于牛背图像和身高体长数据的牛只体重估测方法，其特征在于，包括将SCA-ConvNet提取的特征向量输入到多任务预测头网络中，进行体重、身高和体长的多任务预测。
7.根据权利要求5所述的基于牛背图像和身高体长数据的牛只体重估测方法，其特征在于，所述空间注意力分支的结构包括：通道均值计算层、卷积层和Sigmoid激活层，计算过程具体为：
8.根据权利要求5所述的基于牛背图像和身高体长数据的牛只体重估测方法，其特征在于，所述通道注意力分支的结构包括：全局平均池化层、MLP层和Sigmoid激活层，计算过程具体为：
9.根据权利要求5所述的基于牛背图像和身高体长数据的牛只体重估测方法，其特征在于，所述的损失函数计算包含：Huber损失函数和加权损失函数；
10.基于牛背图像和身高体长数据的牛只体重估测系统，其特征在于包括数据采集模块、数据处理模块、牛只体重估测模型构建模块、牛只体重估测模型测试模块；
...【技术特征摘要】
1.基于牛背图像和身高体长数据的牛只体重估测方法，其特征在于该方法首先对牛背掩码图像和身高体长数据进行加权构造，获得包含更多可学习特征的高维数据；其次设计一种通道注意力和空间注意力残差的sca-convnet网络，从高维数据中提取相关特征，并且使用体重、身高和体长多个预测任务的损失值共同监督学习，提高牛只体重估测精度；具体包括如下步骤：
2.根据权利要求1所述的基于牛背图像和身高体长数据的牛只体重估测方法，其特征在于步骤s2的数据处理，包括将输入的牛只身高h和体长数据l分别按照各自数据集合中的最大值和最小值进行归一化，得到各自数据集的归一化身高hnormalization和归一化体长lnormalization。
3.根据权利要求2所述的基于牛背图像和身高体长数据的牛只体重估测方法，其特征在于步骤s2的数据处理，包括将归一化身高和归一化体长分别与牛背掩码图像进行逐像素相乘，获得三通道的身高掩码图像和体长掩码图像。
4.根据权利要求3所述的基于牛背图像和身高体长数据的牛只体重估测方法，其特征在于步骤s2的数据处理，包括将牛背掩码图像、身高掩码图像和体长掩码图像在通道维度上进行拼接，得到高维复合数据。
5.根据权利要求4所述的基于牛背图像和身高体长数据的牛只体重估测方法，其特征在于步骤s2的数据处理，包括将获得的高维复合数据输入sca-convnet中进行特征提取，sca-convnet包括主干分支、空间注意力分支和...
【专利技术属性】
技术研发人员：沈雷，蓝雷斌，徐运涛，
申请(专利权)人：易采天成郑州信息技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。