【技术实现步骤摘要】
本专利技术属于生产领域人工智能系统、畜牧业自动化、计算机视觉技术和动物特征识别，具体涉及一种用于猪产房内的仔猪早期生长性能预测方法及系统。
技术介绍
1、在现代养猪业中，评估仔猪的早期生长性能对提高养殖企业的经济效益至关重要。能够尽早准确地预测仔猪的生长动态曲线，对于早期进行健康干预和提高饲料效率具有关键意义。仔猪早期生长性能预测是指利用各种技术手段预测仔猪从出生到断奶期间体重的变化，通过将这些数据和预测结果以可视化的形式展现出来，绘制生长曲线，它有助于畜牧学家和兽医师分析仔猪的生长模式，预测其生长趋势和潜在的健康问题。这种方法可以缩短研究周期、降低研究成本，从而优化饲养管理策略，提高养殖效率和动物福利。
2、公开号为cn110378505a的专利提出了一种体重预测方法，该方法通过结合气象数据与体重数据，利用灰色关联分析确定影响体重的主要气象因素，并将这些因素以线性或指数形式整合到传统的生长模型中。此方法针对0-7月龄的苏尼特羊，考虑了风速、降水、温度等气象因素，通过改进的模型提高了体重预测的准确性，为牧民和养殖户提供了更科学的体重管理与出栏时间决策支持。doi: 10.1093/tas/txab006的研究提出了一种基于rgb-d相机的计算机视觉系统，用于从图像中预测非限制性猪只的体重。该系统通过分析猪只的rgb和深度图像，自动提取猪只的长度、宽度和高度，并据此估算体重。研究在38天内对8头猪只进行了视频记录和每日手动称重，开发了python图像处理流程以优化图像特征提取。实验结果显示，该方法在时间序列交叉验证中对
3、综合分析现有技术可知，传统的动物生长性能预测方法大多依赖于复杂的数据收集和人工称重过程，这种方法的数据获取效率和预测准确性都存在局限，并且无法全面反映动物在不同环境条件下的实际生长情况。随着计算机视觉、图像处理技术和机器学习算法的快速发展，尤其是深度学习在图像识别和模式识别领域的突破，基于图像的深度学习技术为动物体重预测提供了新的解决方案。这种技术能够自动从大量图像数据中学习和提取特征，不仅提高了预测的准确性和效率，而且减少了对人工数据收集和处理的依赖，使得实时监测和长期趋势预测成为可能。这对于提高畜牧业的管理效率和预测精度具有重要的意义。然而现有的基于深度学习的动物生长性能预测方法大多仍无法实现在无人工介入的情况下，处理饲养场景相对复杂且自由活动状态下的牲畜。
技术实现思路
1、本专利技术要解决的技术问题包括以下几个方面。传统动物生长性能的预测方法往往依赖于详尽的数据搜集工作和人工称量，这一过程不仅耗时耗力，而且在数据的实时性和预测的准确度上存在明显局限。这些方法很难捕捉到动物在自然生长环境中受到的各种复杂环境因素的影响。尽管融入了深度学习技术的动物生长性能预测模型在减少人为干预、提高预测自动化程度方面取得了显著进展，但它们在应对动物在自由活动状态下的复杂饲养场景时，仍然面临挑战，难以完全实现无需人工介入的全自动监测和分析。
2、为了解决上述问题，本专利技术提供了如下技术方案，提出了一种用于猪产房内的仔猪早期生长性能预测方法及系统，具体方案如下。
3、一种用于猪产房内的仔猪早期生长性能预测方法，包括：
4、步骤s1，对产房栏内无约束断奶前仔猪群体进行无接触式rgb-d图像拍摄，定期获取rgb和深度图像；
5、步骤s2，将rgb图像作为数据集，构建仔猪个体分割模型，应用该分割模型分割获得单只仔猪rgb图像及其检测框内背景图像；
6、步骤s3，将所述单只仔猪rgb图像作为数据集，构建仔猪个体识别模型，应用该识别模型识别单只仔猪的rgb图像，得到仔猪身份信息；
7、步骤s4，将步骤s2分割获得的单只仔猪rgb图像对应转换到深度图像中，获取单只仔猪深度图像，并结合步骤s3得到的仔猪身份信息，获得带有身份信息的单只仔猪深度图像；
8、步骤s5，将步骤s4获得的带有身份信息的单只仔猪深度图像作为数据集，构建仔猪体重预估模型，并将该体重预估模型用于预估仔猪体重；
9、步骤s6，将步骤s5预估获得的仔猪体重与仔猪日龄共同记录，按照时间序列收集整理作为数据集，构建仔猪早期生长性能预测模型，并应用该预测模型对仔猪从出生到断奶前的生长性能进行预测。
10、优选地，所述步骤s1中对产房栏内无约束断奶前仔猪群体进行无接触式rgb-d图像拍摄，具体是通过如下方式实现：搭建1个rgb-d智能监控车，可在产房内自由移动，依次对多个栏位的仔猪rgb和深度图像进行获取。
11、优选地，所述步骤s2中构建的分割模型是基于imagenet预训练的mask r-cnn网络获得的。
12、优选地，所述步骤s3中构建的识别模型是基于resnext-101(32x8d)网络获得的。
13、优选地，所述步骤s4中获取单只仔猪深度图像时，采用如下步骤实现：
14、步骤s41，基于步骤s2中获得的检测框内背景图像，将其映射到深度图像，再选择最大深度值作为深度相机与地面的垂直距离；
15、步骤s42，将深度相机与地面的垂直距离减去每只仔猪在深度图像中的深度值，得到仔猪的真实深度信息；
16、步骤s43，对于深度图像中像素点小于0的异常值，通过求和并平均周围有效像素点的深度值进行填充，按照最近邻插值算法，将不同位置拍摄的深度图像缩放至相同高度下，获得最终校正后的单只仔猪深度图像。
17、优选地，所述步骤s5中预估仔猪的体重，采用如下步骤实现：
18、步骤s51，基于步骤s4中获取的单只仔猪深度图像及仔猪的真实称重值，构建基于resnext-101(32x8d)网络的仔猪体重预估模型；
19、步骤s52，基于步骤s51中构建的仔猪体重预估模型，对同一身份同一日龄仔猪个体的多张深度图像进行体重预估，获得多个体重预估值；
20、步骤s53，基于步骤s52中获得的多个仔猪体重预估值，计算体重预估值的中位数，作为该仔猪在该日龄的最终体重预估值。
21、优选地，所述步骤s6具体包括如下步骤：
22、步骤s61，基于仔猪出生后直至断奶连续多日预估的体重数据，按照时间序列构建每一头仔猪的生长曲线，并以此作为仔猪早期生长性能预测模型的数据集；
23、步骤s62，将步骤s61构建的数据集以8:2的比例随机划分为训练集和测试集；
24、步骤s63，采用基于自动机器学习框架开发的autogluon-tabular方法构建仔猪早期生长性能预测模型，输入前i天的仔猪体重数据，预测第i+1天的体重，i∈[3,20]，训练18个模型，对于每个模型基于5折交叉验证的方法使用autogluon的两层堆叠策略通过集成本文档来自技高网...
【技术保护点】
1.一种用于猪产房内的仔猪早期生长性能预测方法，其特征在于，包括：
2.根据权利要求1所述的用于猪产房内的仔猪早期生长性能预测方法，其特征在于，所述步骤S1中对产房栏内无约束断奶前仔猪群体进行无接触式RGB-D图像拍摄，具体是通过如下方式实现：搭建1个RGB-D智能监控车，可在产房内自由移动，依次对多个栏位的仔猪RGB和深度图像进行获取。
3.根据权利要求1所述的用于猪产房内的仔猪早期生长性能预测方法，其特征在于，所述步骤S2中构建的分割模型是基于ImageNet预训练的Mask R-CNN网络获得的。
4.根据权利要求1所述的用于猪产房内的仔猪早期生长性能预测方法，其特征在于，所述步骤S3中构建的识别模型是基于ResNeXt-101(32x8d)网络获得的。
5.根据权利要求1所述的用于猪产房内的仔猪早期生长性能预测方法，其特征在于，所述步骤S4中获取单只仔猪深度图像时，采用如下步骤实现：
6.根据权利要求1所述的用于猪产房内的仔猪早期生长性能预测方法，其特征在于，所述步骤S5中预估仔猪的体重，采用如下步骤实现：>
7.根据权利要求1所述的用于猪产房内的仔猪早期生长性能预测方法，其特征在于，所述步骤S6具体包括如下步骤：
8.根据权利要求7所述的用于猪产房内的仔猪早期生长性能预测方法，其特征在于，所述步骤S63中构建仔猪早期生长性能预测模型具体包括如下步骤：
9.一种用于猪产房内的仔猪早期生长性能预测系统，其采用如权利要求1-8中任意一项所述的猪产房内的仔猪早期生长性能预测方法来进行生长性能预测，其特征在于，该系统包括如下模块：
...【技术特征摘要】
1.一种用于猪产房内的仔猪早期生长性能预测方法，其特征在于，包括：
2.根据权利要求1所述的用于猪产房内的仔猪早期生长性能预测方法，其特征在于，所述步骤s1中对产房栏内无约束断奶前仔猪群体进行无接触式rgb-d图像拍摄，具体是通过如下方式实现：搭建1个rgb-d智能监控车，可在产房内自由移动，依次对多个栏位的仔猪rgb和深度图像进行获取。
3.根据权利要求1所述的用于猪产房内的仔猪早期生长性能预测方法，其特征在于，所述步骤s2中构建的分割模型是基于imagenet预训练的mask r-cnn网络获得的。
4.根据权利要求1所述的用于猪产房内的仔猪早期生长性能预测方法，其特征在于，所述步骤s3中构建的识别模型是基于resnext-101(32x8d)网络获得的。
5.根...
【专利技术属性】
技术研发人员：熊雄，刘恒祎，付玉华，马国剑，李新云，刘小磊，
申请(专利权)人：华中农业大学，
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。