技术领域
[0001] 本
发明属于
图像处理和
家禽养殖技术领域，涉及动物腹部异常肿胀状态的自动识别方法，尤其是一种肉鸡腹部异常肿胀状态的自动识别方法。
背景技术
[0002] 中国是肉鸡生产和消费大国，中国肉鸡的生产量和消费量现居世界第2位。随着禽类饲养的规模化和集约化养殖规模不断提高，禽类养殖业正朝着绿色化、福利化、精准化和智能化转型。但是，我国在禽类养殖尤其是肉鸡养殖的转型过程中，存在许多问题和不足。
[0003] 肉鸡腹部异常肿胀是肉鸡饲养过程中体现肉鸡生长指标的重要表征参数。通过对肉鸡腹部异常肿胀程度的监控，能够及时掌握肉鸡的生长状态，便于饲养过程中环境条件、饲养管理、营养等因素的控制和
饲料中各种微量元素的配比，进而能够有效解决人工检查肉鸡腹部异常肿胀时存在的费时费
力的问题。
[0004] 因此需要一种不依赖人的经验就可以根据特征图像判断腹部异常肿胀的方法。
发明内容
[0005] 本发明的目的在于克服
现有技术的不足，提出一种设计合理、省时省力且识别结果准确可靠的肉鸡腹部异常肿胀状态的自动识别方法。
[0006] 本发明解决其现实问题是采取以下技术方案实现的：
[0007] 一种肉鸡腹部异常肿胀状态的自动识别方法，包括以下步骤：
[0008] 步骤1、对腹部异常肿胀肉鸡图像进行预处理得到若干腹部异常肿胀肉鸡图像集和该腹部异常肿胀肉鸡图像对应的目标数据集；
[0009] 步骤2、对处于腹部异常肿胀肉鸡进行特征标注；
[0010] 步骤3、根据步骤2腹部异常肿胀肉鸡的特征标注，训练肉鸡腹部异常肿胀识别模型，并通过肉鸡腹部异常肿胀识别模型对腹部异常肿胀肉鸡进行识别预测，得到腹部异常肿胀肉鸡对应的特征分类结果并评估肉鸡腹部异常肿胀识别模型的有效性；
[0011] 步骤4、并根据步骤3获得的特征分类结果输出腹部异常肿胀肉鸡的最终判断结果。
[0012] 而且，所述步骤1的具体步骤包括：
[0013] (1)采集腹部异常肿胀肉鸡图像，并对该腹部异常肿胀肉鸡图像进行合格性检查；
[0014] (2)对合格的腹部异常肿胀肉鸡图像进行图像归一化处理，包括平移、翻转和缩放，并得到腹部异常肿胀肉鸡图像对应的目标数据集。
[0015] 而且，所述步骤3的具体步骤包括：
[0016] (1)将腹部异常肿胀肉鸡图像的特征输入
特征向量构建层，构建得到腹部异常肿胀肉鸡图像的局部特征向量；
[0017] (2)通过全连接层对腹部异常肿胀肉鸡图像的局部特征向量进行全连接，得到腹部异常肿胀肉鸡图像的全局特征向量，并将全局特征向量输入到分类层，预测得到腹部异常肿胀肉鸡图像对应的腹部异常肿胀分类结果并评估肉鸡腹部异常肿胀识别模型的有效性。
[0018] 而且，所述步骤3第(2)步的具体步骤包括：
[0019] ①首先进行预测目标和实际目标的差异评估：
[0020] 对于预测目标和实际目标的差异评估，需要计算预测肉鸡图像与期望肉鸡图像标签之间的距离即模型的损失；对于每个样本，使用交叉熵函数计算损失，公式如式(1)：
[0021]
[0022] 其中， 称为损失函数即用来衡量预测肉鸡图像与期望肉鸡图像标签之间的距离，用来衡量预测肉鸡图像与期望肉鸡图像标签有多接近；为预测输出分类的概率，用来表示当前输出目标肉鸡图像的概率；y表示输入的实际分类。
[0023] 对于N个肉鸡图像样本,则总的损失函数如式(2)：
[0024]
[0025] 其中 为第i个肉鸡图像的预测输出分类的概率， 表示第i个肉鸡图像输入的实际分类，i为样本数序号。
[0026] ②创建随机梯度下降(SGD)优化器，逐步找到权重和偏差的最佳组合，以最大程度地减少损失。
[0027] ③评估肉鸡腹部异常肿胀识别模型的有效性。
[0028] 采用交并比来判断目标物体、非目标物体和部分目标物体，如式(3)：
[0029]
[0030] 其中，area(C)是候选框(candidate bound)区域；area(GT)是原标记框区域，∩表示两个区域的交集，∪表示两个区域的并集；
[0031] ④非目标物体定义为与任何目标物体IOU小于0.3的区域，目标物体定义为与任一目标物体IOU高于0.65的区域，部分目标物体的IOU在0.3到0.65之间。
[0032] 随机从图像裁剪区域，计算与给定的目标物体矩形框
位置的IOU，以此获取非目标物体、目标物体和部分目标物体，训练各个目标物体候选框；依次选取样本随机从图像裁剪区域，计算与标定目标物体特征点的IOU，如果IOU>0.65，认为检测正确。
[0033] 而且，所述步骤4的具体方法为：
[0034] 对目标图片分别用训练好的模型提取目标物体特征向量，再用余弦距离度量目标物体特征的相似度，如式(4)：
[0035]
[0036] 其中，x和y表示一对目标物体特征向量；
[0037] 当其余弦距离大于
阈值时，腹部异常肿胀自动检测系统将目标
物体识别为异常状态，若当其余弦距离小于阈值时，腹部异常肿胀自动检测系统将目标物体识别为正常状态。
[0038] 本发明的优点和有益效果：
[0039] 本发明通过构建训练好的肉鸡腹部异常肿胀识别模型，对肉鸡腹部异常肿胀程度的监控，能够及时掌握肉鸡的生长状态，便于饲养过程中环境条件、饲养管理、营养等因素的控制和饲料中各种微量元素的配比，进而能够有效解决人工检查肉鸡腹部异常肿胀时存在的费时费力的问题。且本发明是一种可不依赖人的经验就可以根据特征图像判断腹部异常肿胀的方法，科学性客观性强。
附图说明
具体实施方式
[0041] 以下结合附图对本发明
实施例作进一步详述：
[0042] 一种肉鸡腹部异常肿胀状态的自动识别方法，如图1所示，包括以下步骤：
[0043] 步骤1、对腹部异常肿胀肉鸡图像进行预处理得到若干腹部异常肿胀肉鸡图像集和该腹部异常肿胀肉鸡图像对应的目标数据集；
[0044] 在本实施例中，腹部异常肿胀肉鸡图像可以通过视频采集设备采集得到，然后将采集到的腹部异常肿胀肉鸡图像上传到
服务器中进行处理。
[0045] 所述步骤1的具体步骤包括：
[0046] (1)采集腹部异常肿胀肉鸡图像，并对该腹部异常肿胀肉鸡图像进行合格性检查；
[0047] 对视频采集设备采集到的图像进行预处理，得到清晰并包含完整肉鸡腹部部位的图像即为合格图像，将合格图像整合得到若干合格肉鸡图像集；若不符合上述指标，则生成告警信息并提示重新采集并上传图像进行合格性检查。
[0048] (2)对腹部异常肿胀肉鸡图像进行图像预处理；
[0049] 在本实施例中，预处理主要是对图像进行归一化处理，包括裁剪、平移、翻转以及缩放，得到腹部异常肿胀肉鸡图像对应的目标数据集。
[0050] 归一化处理过程为：
[0051] 对视频采集设备采集得到的肉鸡图像进行归一化处理是指利用几何归一化将不同尺寸或旋转的目标物体统一处理为规范化的合格肉鸡图像。本系统使用仿射变换(平移、旋转、放缩、剪切、反射)对肉鸡图像进行归一化操作。仿射变换矩阵可以用一个3*3的变换矩阵来表示，该变换矩阵将原肉鸡
像素点坐标(x，y)变换为新坐标(x'，y')，如式(1)：
[0052]
[0053] 其中， 为仿射变换的变换矩阵，m00，m01，m02，m10，m11，m12表示约束参数，x、y为原肉鸡像素点坐标参数，x'、y'表示新肉鸡像素点坐标参数。仿射变换的变换矩阵有6个
自由度，不同
基础变换的m00，m01，m02，m10，m11，m12约束不同。对于
坐标系中的位置(x,y)，其相对坐标原点在[1,0]方向上的投影为x，在[0,1]方向上的投影为y。当坐标系变化，坐标系中的点也跟着变化，但点相对新坐标系(x′y′坐标系)的位置不变仍为(x,y)。故坐标系由坐标原点和基向量决定，坐标原点和基向量确定了，坐标系也就确定了。在仿射变换矩阵 中 和 为新的基向量 为新的坐标原点。
[0054] 步骤2、采用特征标注
软件对处于腹部异常肿胀肉鸡进行特征标注；
[0055] 在本实施例中，腹部异常肿胀肉鸡的特征是用于表征腹部异常肿胀的，不同腹部异常肿胀所对应的特征图像所表现出的特征有所不同。
[0056] 针对腹部异常肿胀肉鸡中的每张图片均进行特征的标注，所有腹部异常肿胀肉鸡所对应的图像特征标注的组合即构成了该腹部异常肿胀肉鸡识别模型的训练文件。
[0057] 步骤3、根据步骤2腹部异常肿胀肉鸡的特征标注，训练肉鸡腹部异常肿胀识别模型，并通过肉鸡腹部异常肿胀识别模型对腹部异常肿胀肉鸡进行识别预测，得到腹部异常肿胀肉鸡对应的特征分类结果并评估肉鸡腹部异常肿胀识别模型的有效性；
[0058] 在本实施例中，特征腹部异常肿胀识别模型是利用
深度神经网络所构建的用于腹部异常肿胀识别的模型，其中包含若干层网络层，每层网络层由若干个神经元构成。通过深度神经网络来构建腹部异常肿胀识别模型。
[0059] 腹部异常肿胀识别模型构建包括特征向量构建层、全连接层、分类层和模型输出，包括：将步骤2处理过的训练文件输入特征向量构建层，构建得到所述腹部异常肿胀肉鸡图像的局部特征向量。此过程需要计算机提前进行
监督学习过程。
[0060] 通过所述全连接层对所述肉鸡图像的局部特征向量进行全连接，得到所述肉鸡图像的全局特征向量；
[0061] 将所述全局特征向量输入到所述分类层，预测得到所述肉鸡图像对应的特征分类编号，并评估预测准确性。
[0062] 预测得到特征分类编号的过程中包含了对预测目标和实际目标的差异评估。对于预测目标和实际目标的差异评估，需要计算预测肉鸡图像与期望肉鸡图像标签之间的距离即模型的损失。对于每个样本，使用交叉熵函数计算损失，公式如式(2)：
[0063]
[0064] 其中， 称为损失函数即用来衡量预测肉鸡图像与期望肉鸡图像标签之间的距离，用来衡量预测肉鸡图像与期望肉鸡图像标签有多接近；为预测输出分类的概率，用来表示当前输出目标肉鸡图像的概率；y表示输入的实际分类。
[0065] 对于N个肉鸡图像样本,则总的损失函数如式(3)：
[0066]
[0067] 其中 为第i个肉鸡图像的预测输出分类的概率，yi表示第i个肉鸡图像输入的实际分类，i为样本数序号。
[0068] 创建一个随机梯度下降(SGD)优化器，以最小化loss。随机梯度下降是一种通过计算并且减小梯度将损失降至最低的技术，它以
训练数据为条件，来计算损失相对于模型参数的梯度。通俗来说，
梯度下降法以
迭代方式调整参数，逐渐找到权重和偏差的最佳组合，从而将损失降至最低。该模型将逐步找到权重和偏差的最佳组合，以最大程度地减少损失。损失越小，模型的预测越好。
[0069] 循环训练csv数据，当所述深度神经网络模型最终收敛稳定，以收敛的深度神经网络模型作为所述肉鸡腹部异常肿胀识别模型。
[0070] 使用单独的测试集评估模型的有效性，衡量整个模型的准确性。与训练阶段不同，该模型仅评估单个时期的测试数据。遍历测试集中的每个样本数据，并将模型的预测与实际标签进行比较。
[0071] 用训练好的模型进行测试时，网络会预测出一系列的候选框，移除一些IOU值大于某个阈值的框，然后在剩下的候选框中，分别计算与ground truth的IOU值，规定当候选框(candidate bound)和原标记框(ground truth bound)的IOU值大于某个
阀值时，认为检测正确。
[0072] 采用交并比(Intersection-over-Union，IoU)来判断目标物体、非目标物体和部分目标物体。如式(4)：
[0073]
[0074] 其中，area(C)是候选框区域；area(GT)是原标记框区域，∩表示两个区域的交集，∪表示两个区域的并集。
[0075] 非目标物体定义为与任何目标物体IOU小于0.3的区域，目标物体定义为与任一目标物体IOU高于0.65的区域，部分目标物体的IOU在0.3到0.65之间。随机从图像裁剪区域，计算与给定的目标物体矩形框位置的IOU，以此获取非目标物体、目标物体和部分目标物体，训练各个目标物体候选框。依次选取样本随机从图像裁剪区域，计算与标定目标物体特征点的IOU，如果IOU>0.65，认为检测正确。
[0076] 步骤4、根据步骤3获得的特征分类结果输出腹部异常肿胀肉鸡的最终判断结果。
[0077] 对未标记的肉鸡进行识别预测，最终结果以矩形框的形式展示在显示屏上。此过程包含矩形框的
定位以及目标特征点的定位，上述问题通过多任务级联
卷积神经网络(CNN)
算法解决。该算法有三个阶段组成：第一阶段，浅层的CNN快速产生候选窗体；第二阶段，通过更复杂的CNN精炼候选窗体，丢弃大量的重叠窗体；第三阶段，使用更加强大的CNN，实现候选窗体去留，同时显示特征点定位。进而使用非极大值抑制法尽量去除非目标图像和部分目标图像，非极大值抑制法主要目的是消除多余(交叉重复)的窗口，找到目标物体最佳检测位置。
[0078] 对于矩形框的定位问题属于回归问题，本系统预测每个包含目标肉鸡的输入与最近的真实目标物体边界框(以左上
角坐标，高度和宽度表示)之间的偏移量。其损失函数采用每个样本的欧几里得损失，如式(5)：
[0079]
[0080] 其中， 是偏移损失； 表示网络回归的目标识别框坐标， 是实际的目标识别框坐标， 为欧几里得算符。
[0081] 对于目标特征点的定位，类似于矩形边界框回归任务，同样是一个回归问题，损失函数亦可用欧几里得损失表示，此处不再赘述。
[0082] 对目标图片分别用训练好的模型提取目标物体特征向量，再用余弦距离度量目标物体特征的相似度，如式(6)：
[0083]
[0084] 其中，x和y表示一对目标物体特征向量；
[0085] 当其余弦距离大于阈值时，腹部异常肿胀自动检测系统将目标物体识别为异常状态，若当其余弦距离小于阈值时，腹部异常肿胀自动检测系统将目标物体识别为正常状态。
[0086] 需要强调的是，本发明所述实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。
