一种基于毫米波雷达的猪只疾病检测方法与流程

本发明涉及人工智能，尤其是涉及一种基于毫米波雷达的猪只疾病检测方法。

背景技术：

1、智能化养殖技术的发展，主要体现在养殖设备的智能化、大数据管理系统的建立以及数字化分析等方面。智能化养殖设备可以实现自动投料投药，自动采集环境参数，自动清洁等功能，确保猪只的健康，并且可以大大减少人工成本。而大数据管理系统可以实时监控猪只的健康状况，进行实时分析，及时发现猪只的疾病，并制定出最佳护理方案；数字化分析可以根据猪只的状况，分析出最佳的养殖条件，从而提高养殖效率。

2、现有的技术中，一般通过声音采集设备持续采集栏位内猪只声音信息，通过声音信息判断猪只疾病情况。

3、上述中的现有技术方案存在以下缺陷：

4、1.声音采集设备采集信息稳定性较差，采集到的声音信息中干扰因素较多。

5、2.声音采集设备采集信息精准度较差，仅能反应是否存在疾病情况，具体情况需要人工辅助排查，费时费力。

6、3.声音采集设备成本硬件成本较高，单个采样设备覆盖区域有限，对于较大棚舍需要铺设较多硬件设备。

7、4.声音采集设备维护较为麻烦，猪舍栏位中环境较差，灰尘等杂质相对较多，设备由于通常悬挂于顶部，设备维护较为麻烦。

8、5.声音采集设备使用网线进行数据传输，部分猪场位于山里，通讯设备铺设价格较高。

技术实现思路

1、针对现有技术存在的不足，本发明的目的是提供一种基于毫米波雷达的猪只疾病检测方法，其使用人工智能领域的目标识别技术定位猪只位置，使用毫米波雷达设备检测猪只体表振动变化信息，通过分类模型区分异常振动信息对应疾病类型，提高了采集信息的稳定性与精准度，极大增加设备采集范围，减少硬件铺设成本，具有极大的经济推广价值。

2、本发明的上述发明目的是通过以下技术方案得以实现的：

3、一种基于毫米波雷达的猪只疾病检测方法，包括以下步骤：

4、s1：采集猪只栏位图像信息，对样本图像中猪只进行标注；

5、s2：根据所述样本图像的所述猪只信息训练猪只检测模型；

6、s3：利用所述猪只检测模型确定双目相机图像中猪只位置；

7、s4：使用毫米波雷达设备配合双目相机采集猪只振动数据；

8、s5：对所述猪只振动数据进行预处理；

9、s6：将猪只振动数据输入到猪只疾病检测模型中；

10、s7：将猪只疾病检测模型结果反馈到用户终端上。

11、本发明在一较佳示例中可以进一步配置为：通过猪只识别定位模块实现步骤s1至步骤s3，具体包括以下步骤：

12、(1)获取所述样本图像中所述猪只的候选区域；

13、(2)利用多层卷积神经网络提取所述候选区域的特征信息；

14、(3)根据提取的特征确定所述猪只候选区域；

15、(4)对所述猪只候选区域利用soft-nms进行筛选，得到所述猪只区域信息。

16、本发明在一较佳示例中可以进一步配置为：将获取的样本图像输入到目标检测网络，所述目标检测网络包含backbone模块、neck模块、prediction模块；

17、所述backbone模块为focus结构加csp1_x结构特征提取框架，用于对图像的特征进行提取；

18、所述neck模块为空间金字塔池化spp、路径聚合网络panet加csp2_x结构，用于增加感受野以及收集组合目标特征；

19、所述prediction模块使用了ciou_loss做边界框的损失函数，并在prediction模块中预测目标框中心坐标x、y与长宽w、h。

20、本发明在一较佳示例中可以进一步配置为：所述focus结构包括切片操作以及32卷积核，切片操作即将图像层分成多片小块操作，方便后续特征提取；

21、所述csp1_x结构包含多个cbm模块与多个残差组件，cbm包含卷积层、批量标准化层以及mish激活函数；

22、所述ciou_loss是在diou_loss使用真实框与预测框的欧氏距离作为惩罚项，进行改进，添加了相对比例，用于对预测的矩形形状和真实框不一致的结果进行惩罚，如公式(1)所示使得检测效果更进一步；

23、

24、本发明在一较佳示例中可以进一步配置为：其中iou是预测框与真实框的交集与并集之比，v作为新加的惩罚因子包含了要预测的框宽w和框高h，distance_c是两个框中心点的距离，distance_c是覆盖两个框的最小封闭矩形的对角线长度。

25、本发明在一较佳示例中可以进一步配置为：在所述目标检测网络中，图像经过第一backbone模块处理后，得到输入图像的特征信息；

26、经过neck模块处理后，对所述第一backbone模块获取的特征进行提取融合；

27、经过prediction模块处理后，根据特征最终确定检测目标候选区域分类为猪只候选区域；

28、在经过所述目标检测网络处理后，对所述猪只候选区域利用soft-nms软式非极大抑制方法进行筛选。

29、本发明在一较佳示例中可以进一步配置为：通过毫米波雷达检测模块实现步骤s4至步骤s5，具体包括以下步骤：

30、系统通过猪只识别定位模块确认栏位中猪只的位置信息，毫米波雷达模块通过毫米波雷达设备对栏位中的猪只进行扫描处理，由于猪只生理活动会引起的体表运动，毫米波雷达设备会接收到雷达信号的相位变化，毫米波雷达检测模块通过静态杂波过滤去除无效数据，通过信号处理算法来提取猪只呼吸和心跳引起的体表振幅变化。

31、本发明在一较佳示例中可以进一步配置为：通过猪只疾病分类模块实现步骤s5至步骤s6，具体包括以下步骤：

32、(1)获取不同疾病导致的猪只体表振动图像数据集；

33、(2)使用猪只疾病分类模型进行学习，将训练集数据输入网络进行特征提取，得到特征向量；

34、(3)用分类器对提取到的特征向量进行猪只疾病类别的概率预测，得到疾病概率；

35、(4)根据训练集类别标签的概率计算损失函数，通过反向传播算法进行迭代训练；

36、(5)等模型训练完成，得到训练好的猪只疾病分类模型。

37、本发明在一较佳示例中可以进一步配置为：根据猪只疾病分类模块得到所述猪只体表振动变化图像对应的猪只疾病信息，具体包括：将处理后的猪只体表振动变化图像输入到训练好的猪只疾病分类模块中，对猪只体表振动信息的疾病类别进行预测，模型输出猪只疾病类别标签，从而得到处理后的猪只体表异常振动图像的猪只疾病分类结果。

38、本发明在一较佳示例中可以进一步配置为：(1)获取不同种猪只体表异常振动变化图像数据集，具体包括以下步骤：

39、将数据集中不同种猪只体表异常振动变化图像进行分类处理，对每一类数据按照6:2:2的比例进行划分，划分为训练集，验证集和测试集；

40、(2)使用猪只疾病分类模型进行学习，将训练集数据输入网络进行特征提取，得到特征向量，具体包括以下步骤：

41、首先使用卷积层对训练集数据进行浅层特征提取，得到浅层特征；

42、使用池化层对浅层特征进行最大池化，通过最大值方式减少数据量，将输入图像划分为若干矩形区域，对每个矩形区域输出最大值；

43、进行批处理归一化，使用relu作为神经元激活函数，由softmax分类器输出特征向量；

44、(3)用分类器对提取到的特征向量进行猪只疾病类别的概率预测，得到猪只疾病分类概率；

45、(4)根据训练集类别标签的概率计算损失函数，通过反向传播算法进行迭代训练，具体包括以下步骤：

46、损失函数及反向传播过程为：输入的猪只体表异常振动变化图像经过预训练网络进行特征提取后得到特征向量，使用softmax分类器对特征向量分类。对照猪只疾病类别标签，采用交叉熵损失函数，根据损失函数和随机梯度下降的优化器进行反向传播，进行迭代训练；

47、(5)等模型训练完成，得到训练好的猪只疾病分类模型，具体包括以下步骤：

48、训练好猪只疾病分类模型后，将从猪只体表异常振动数据集中分类出来的测试集中的数据输入到猪只疾病分类模型，利用训练好的猪只疾病分类模型以及分类器得出的猪只疾病标签，从而得出测试图片中猪只疾病分类模型预测结果；

49、服务器将处理终端返回的猪只体表异常振动变化图像作为猪只疾病分类模型的输入图像，猪只疾病分类模型将检测结果返回到处理终端展示给用户。

50、系统数据流向：

51、(1)系统通过位于轮式机器人上的双目相机采集猪只栏位图像信息

52、(2)终端设备通过猪只识别模型将猪只位置信息从图像中提取出来

53、(3)系统通过毫米波雷达设备检测指定位置的猪只体表振动变化信息

54、(4)智能终端信息将猪只振动信息数据上传到服务器中

55、(5)服务器通过猪只疾病分类程序检测猪只患病概率

56、(6)服务器将疾病检测概率最高的结果数据及其概率传输到用户手机终端上。

57、综上所述，本发明包括以下至少一种有益技术效果：

58、1.本发明通过毫米波雷达设备检测猪只体表振动信息，根据猪只体表异常振动信息检测猪只疾病信息。

59、2.本发明通过双目相机、毫米波雷达及轮式机器人配合，疾病猪只定位精度从栏位精确到具体猪只。

60、3.本发明通过双目相机及轮式机器人，极大增加设备采集范围，减少硬件铺设成本。

61、4.本发明通过毫米波雷达配合双目相机增加猪只振动检测有效区域并生成猪只检测区域3d模型检测猪只振动变化。提高猪只振动检测有效区域，通过3d模型提高振动检测精度。