买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明提供了一种基于堆叠沙漏网络的群养猪体尺测量方法。首先将初始样本库输入基于掩码区域的卷积神经网络，得到感兴趣区域和掩膜，两者进行融合处理，进而将图像中多目标猪体进行分离，建立新的样本库；将新的样本库输入堆叠沙漏网络获得猪体关节点；接着设计基于支持向量机分类算法的关节点筛选方法，筛选出适合体尺测量的关节点；最后利用筛选后的关节点对猪体尺进行测量。该方法结合计算机视觉技术、检测技术与养殖技术等领域，避免现有方法导致的动物应激反应、猪舍环境复杂、猪只遮挡、粘连、猪体姿态不理想等情况，提高了猪体尺测量的检测效率和准确率。

主权项：1.一种基于堆叠沙漏网络的群养猪体尺测量方法，其特征在于：包括以下步骤：步骤S1、在群养猪舍环境下得到猪只图像的初始样本库，将初始样本库输入MaskR-CNN，提取通过MaskR-CNN的区域建议框网络得到的RoI和掩膜网络得到的Mask，两者进行融合处理，将图像中多目标猪体进行分离，建立新的样本库；所述步骤S1的具体步骤如下：步骤S11、在群养猪舍内，在猪舍正上方安装深度相机，获取俯视角度的深度图像；对获得的深度图像，用中值滤波方法去除大量干扰噪声，用限制对比度自适应直方图均衡化进行增强，得到原始样本库；用图像标注工具LabelMe对初始样本库中图像的猪体外包围框进行标注，获得初始训练样本集；步骤S12、将初始样本库输入MaskR-CNN，所述MaskR-CNN是在FasterR-CNN的基础上改进的两阶段实例分割算法，能同时实现多目标分类、目标检测和掩膜分割；所述步骤S12中的MaskR-CNN的主干特征提取网络由深度残差网络resnet101和特征金字塔网络构成，猪只图像通过主干特征提取网络可以得到五个不同尺度大小的特征层，将五个特征层依次输入到区域建议框网络预测猪只的候选框坐标，接着用得到的候选框对输入到RoIAlign层的特征图进行截取并固定尺寸，得到固定尺寸大小的RoI；最后，经过全连接层得到了MaskR-CNN的三个分支的输出，其中两个分支进行分类和边框回归操作，另一个分支是在已经得到包含猪只的检测框内，用一个全卷积网络来对检测框内像素点进行分类，并通过上采样得到最终的猪只Mask；步骤S13、提取通过MaskR-CNN的区域建议框网络得到的RoI和掩膜网络得到的Mask，两者进行融合处理，进而将图像中多目标猪只进行分离，建立新的样本库；步骤S2、将S1中构建的新的样本库输入堆叠沙漏网络获得猪体关节点，所述堆叠沙漏网络以残差模块作为基础模块，可以提取不同尺度的特征，通过对4个沙漏网络进行堆叠，可以更好地获取关节点之间的空间关系；步骤S3、设计基于SVM分类算法的关节点筛选方法，通过给定不同特征的猪体关节点样本，寻找一个超平面对样本进行分类，进而筛选出适合进行体尺测量的关节点样本；所述步骤S3利用带有高斯核函数的SVM算法对猪体关节点进行筛选之前，将获得的猪体关节点标记为体尺测量点，其中点1、点2表示左耳根和右耳根测量点，点3、点4点表示左背部和右背部测量点，点5表示尾根测量点，将测量点6设置为点1、点2的中点；在此基础上建立区分关节点样本好坏的5个特征输入到SVM中进行学习，计算从步骤S2获得的猪体关节点数目num、连线L12与连线L56的角度∠1、连线L34与连线L56的角度∠2、连线L12与连线L34的延长线的角度∠3、点6到L34的垂直距离d1与点5到L34的垂直距离d2的比例所述SVM二分类模型具体为：gJP＝wTφJP+b其中w为超平面的权系数，b为分类阈值，核函数φJP代表了将数据映射到高维空间从而增加线性学习的能力，选择φJP为高斯核函数，如式： 利用网格搜索的方法搜索模型的惩罚系数和内核系数，找到模型的最优参数，对通过堆叠沙漏网络得到的关节点样本进行分类，筛选出适合进行体尺测量的关节点样本；步骤S4、构建体尺测量模型，利用关节点筛选结果得到猪体五个关节点，对猪的体尺数据进行计算。

全文数据：

权利要求：

百度查询： 东南大学 一种基于堆叠沙漏网络的群养猪体尺测量方法