【技术实现步骤摘要】
本专利技术涉及一种图像识别，尤其涉及一种基于深度学习的猪体姿态识别方法、电子设备及可读存储介质。
技术介绍
1、生猪在生长过程中的姿态变化是健康诊断依据中重要的因素之一，对猪只姿态进行精确识别，可提前诊断健康状况，预防常见疾病，避免大规模感染造成经济损失。
2、传统的生猪姿态识别主要依赖于养殖人员进行人工观察和判断，这种传统的人工观察方法耗时耗力。近年来，以技术为主导的生产系统发展迅速。例如，微惯性传感器被用于监测猪的姿势，然而，依赖可穿戴硬件进行检测，传感器容易损坏或脱落。随着深度学习技术的发展，图像处理在畜牧业中的动物姿态识别方面得到了进一步加强，但现有姿态识别算法存在关键点检测复杂耗时、3d姿态识别成本高、数据需求高、处理复杂等问题；并且二维摄像机无法给出猪的距离，也无法提供物体的三维结构，会导致识别准确率降低。
3、因此，为解决上述技术问题，亟需提出一种新的技术手段。
技术实现思路
1、有鉴于此，为提高姿态识别的准确率，降低人工成本，为猪只健康判断提供辅助信息，本专利技术提出了一种基于深度学习的猪体姿态识别方法、电子设备及可读存储介质。
2、本专利技术提供的一种基于深度学习的猪体姿态识别方法，包括以下步骤：
3、s1.获取猪体图像集，并对所述猪体图像集进行预处理，得到样本数据集；
4、s2.构建图像分割模型，将样本数据集输入至图像分割模型中进行训练，直至达到预设训练目标，得到训练完成的图像分割模型；
5
6、s4.根据掩码图确定像素数据集；
7、所述像素数据集包括不同部位掩码图的像素面积，以及不同部位掩码图之间像素面积的比值；
8、s5.计算像素数据集中数据与姿态标签的相关系数，确定n种像素数据作为姿态识别数据，n≥3；
9、姿态识别数据满足：姿态识别数据与姿态标签的相关系数大于像素数据集中除姿态识别数据以外的剩余数据与姿态标签的相关系数；
10、s6.构建姿态识别模型，将姿态识别数据和对应的姿态标签输入至姿态识别模型中进行训练，直至达到预设训练目标，得到训练完成的姿态识别模型；
11、s7.将待识别姿态猪体的图像输入至训练完成的图像分割模型中，获得待识别姿态猪体不同部位的掩码图；
12、s8.根据掩码图确定姿态识别数据，并将待识别姿态猪体的姿态识别数据输入至训练完成的姿态识别模型中，得到姿态标签，根据姿态标签确定猪体姿态。
13、进一步，所述图像分割模型为改进的segformer模型；
14、所述改进的segformer模型包括改进的分层transformer编码器和解码器；所述改进的分层transformer编码器的输出端连接于所述解码器的输入端；
15、所述改进的编码器包括重叠像素块嵌入模块、四个transformer模块、四个极化自注意力模块；
16、所述重叠像素块嵌入模块的输出端连接于第一个transformer模块的输入端，第一个transformer模块的输出端连接于第一个极化自注意力模块的输入端，第一个极化自注意力模块的输出端连接于第二个transformer模块的输入端和解码器的输入端，第二个transformer模块的输出端连接于第二个极化自注意力模块的输入端，第二个极化自注意力模块的输出端连接于第三个transformer模块的输入端和解码器的输入端，第三个transformer模块的输出端连接于第三个极化自注意力模块的输入端，第三个极化自注意力模块的输出端连接于第四个transformer模块的输入端和解码器的输入端，第四个transformer模块的输出端连接于第四个极化自注意力模块的输入端，第四个极化自注意力模块的输出端连接于解码器的输入端。
17、进一步，所述解码器采用改进的轻量级多层感知机解码器；
18、所述改进的轻量级多层感知机解码器包括两个多层感知机层、一个上采样模块和一个空洞空间金字塔池化模块；
19、所述空洞空间金字塔池化模块的输出端连接于第一个多层感知机层的输入端，第一个多层感知机层的输出端连接于上采样模块的输入端，上采样模块的输出端连接于第二个多层感知机层的输入端；
20、所述空洞空间金字塔池化模块的输入端连接于第一个极化自注意力模块、第二个极化自注意力模块、第三个极化自注意力模块和第四个极化自注意力模块的输出端。
21、进一步，步骤s5中，所述姿态识别数据通过如下方法确定：
22、s51.计算像素数据集中同一种数据的均值表示第j种数据的均值；
23、s52.计算姿态标签的均值
24、s53.根据均值和均值计算姿态标签和像素数据集中数据的离差，计算公式如下：
25、
26、其中，表示第i个样本的第j种数据的离差，xij表示第i个样本的第j种数据，表示第i个样本的姿态标签的离差，yi表示第i个样本的姿态标签；
27、s54.根据姿态标签的离差和像素数据的离差计算协方差和标准差，计算公式如下：
28、
29、其中，i表示样本的数量，cov(xj,y)表示姿态标签与第j种像素数据的协方差，sd(xj)和sd(y)分别表示第j种像素数据的标准差和姿态标签的标准差；
30、s55.根据协方差和标准差计算皮尔逊相关系数，计算公式如下：
31、
32、其中，rj表示第j种像素数据与姿态标签的皮尔逊相关系数；
33、s56.选取皮尔逊相关系数最大的前n种像素数据作为姿态识别数据。
34、进一步，步骤s2中，采用如下损失函数loss对所述图像分割模型进行训练：
35、
36、其中，i表示样本的数量，c表示类别的数量，yi,c表示第i个样本对于类别c的真实标签，表示所述图像分割模型预测的第i个样本属于类别c的概率。
37、进一步，步骤s6中，姿态识别模型为有监督的机器学习模型。
38、进一步，所述预设训练目标为预设训练次数或者预设收敛程度。
39、进一步，所述预处理至少包括：翻转、平移、添加噪声和去除噪声。
40、相应地，本专利技术还提供一种电子设备，包括：
41、存储器和处理器，所述存储器用于存储计算机程序，所述计算机程序被所述处理器执行时实现上述基于深度学习的猪体姿态识别方法。
42、相应地，本专利技术还提供一种可读存储介质，所述可读存储介质中存储有计算机指令，所述计算机指令被处理器执行时实现上述基于深度学习的猪体姿态识别方法。
43、本专利技术的有益效果：本专利技术通过计算不同部位的像素面积，以及不同部位像素面积的比值，并计算像素数据与姿态的相关性，选取相关性最高的像素数据作为姿态识别数据，将姿态识别数据本文档来自技高网...
【技术保护点】
1.一种基于深度学习的猪体姿态识别方法，其特征在于：包括以下步骤：
2.根据权利要求1所述基于深度学习的猪体姿态识别方法，其特征在于：所述图像分割模型为改进的SegFormer模型；
3.根据权利要求2所述基于深度学习的猪体姿态识别方法，其特征在于：所述解码器采用改进的轻量级多层感知机解码器；
4.根据权利要求1所述基于深度学习的猪体姿态识别方法，其特征在于：步骤S5中，所述姿态识别数据通过如下方法确定：
5.根据权利要求1所述基于深度学习的猪体姿态识别方法，其特征在于：步骤S2中，采用如下损失函数Loss对所述图像分割模型进行训练：
6.根据权利要求1所述基于深度学习的猪体姿态识别方法，其特征在于：步骤S6中，姿态识别模型为有监督的机器学习模型。
7.根据权利要求1所述基于深度学习的猪体姿态识别方法，其特征在于：所述预设训练目标为预设训练次数或者预设收敛程度。
8.根据权利要求1所述基于深度学习的猪体姿态识别方法，其特征在于：所述预处理至少包括：翻转、平移、添加噪声和去除噪声。
9.
10.一种可读存储介质，其特征在于：所述可读存储介质中存储有计算机指令，所述计算机指令被处理器执行时实现权利要求1-8中任一项所述基于深度学习的猪体姿态识别方法。
...【技术特征摘要】
1.一种基于深度学习的猪体姿态识别方法，其特征在于：包括以下步骤：
2.根据权利要求1所述基于深度学习的猪体姿态识别方法，其特征在于：所述图像分割模型为改进的segformer模型；
3.根据权利要求2所述基于深度学习的猪体姿态识别方法，其特征在于：所述解码器采用改进的轻量级多层感知机解码器；
4.根据权利要求1所述基于深度学习的猪体姿态识别方法，其特征在于：步骤s5中，所述姿态识别数据通过如下方法确定：
5.根据权利要求1所述基于深度学习的猪体姿态识别方法，其特征在于：步骤s2中，采用如下损失函数loss对所述图像分割模型进行训练：
...
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。