一种牲畜屠宰线监控方法、装置及设备与流程

本发明涉及牲畜养殖技术领域，尤其是涉及一种牲畜屠宰线监控方法、装置及设备。

背景技术：

现有对牲畜屠宰过程中可能存在的异常/疾病检疫检验都是通过仪器加人工(兽医)进行判断的，存在耗费大量人力物力的技术缺陷。

技术实现要素：

现有技术存在的问题：

针对现有技术存在的缺陷，第一方面，本发明提供了一种牲畜屠宰线监控方法，包括：

通过采集设备采集牲畜屠宰生产线工作过程中的图像信息并将采集到的图像信息上传到云服务器；

根据所述采集到的图像信息进行分析判断，如果存在异常则生成报警信号同时停止屠宰生产线的工作。

进一步，所述根据所述采集到的图像信息进行分析判断具体包括：

将所述采集到的图像信息输入预先构建的深度学习网络；

利用所述深度学习网络根据预先制定的判断规则对输入的所述图像信息进行异常分析判断，如果存在异常则生成报警信号同时停止屠宰生产线的工作。

进一步，所述判断规则具体包括：

对屠宰线工作过程中分割得到的牲畜内脏和/或器官进行是否存在颜色异常的判断，如果所述内脏和/或器官出现异常颜色，则停止屠宰生产线的工作并交由兽医进一步判断牲畜的内脏和/或器官具体存在的病症。

进一步，所述判断规则还包括：

对屠宰线工作过程中分割得到的牲畜内脏和/或器官进行是否存在温度异常的判断，如果所述内脏和/或器官出现异常温度，则停止屠宰生产线的工作并交由兽医进一步判断牲畜的内脏和/或器具体存在的病症。

第二方面，本发明提供了一种牲畜屠宰线监控装置，包括：

信息采集模块，用于通过采集设备采集牲畜屠宰生产线工作过程中的图像信息并将采集到的图像信息上传到云服务器；

分析判断模块，用于根据所述采集到的图像信息进行分析判断，如果存在异常则生成报警信号同时停止屠宰生产线的工作。

进一步，所述分析判断模块具体包括：

信息传输子模块，用于将所述采集到的图像信息输入预先构建的深度学习网络；

深度学习分析子模块，用于利用所述深度学习网络根据预先制定的判断规则对输入的所述图像信息进行异常分析判断，如果存在异常则生成报警信号同时停止屠宰生产线的工作。

进一步，所述判断规则具体包括：

对屠宰线工作过程中分割得到的牲畜内脏和/或器官进行是否存在颜色异常的判断，如果所述内脏和/或器官出现异常颜色，则停止屠宰生产线的工作并交由兽医进一步判断牲畜的内脏和/或器官具体存在的病症。

进一步，所述判断规则还包括：

对屠宰线工作过程中分割得到的牲畜内脏和/或器官进行是否存在温度异常的判断，如果所述内脏和/或器官出现异常温度，则停止屠宰生产线的工作并交由兽医进一步判断牲畜的内脏和/或器具体存在的病症。

第三方面，本发明提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。

本发明的有益效果是：

提供一种全新的牲畜屠宰过程的全方位的安全检疫检测的手段，进而实现消除牲畜屠宰过程中可能存在的安全隐患，同时通过机器代替人工(兽医)对牲畜屠宰过程中的监管节约了大量人力资源和物力成本。同时，通过本发明的技术方案也有效的规避了人工(兽医)检疫检测可能存在的无人检查/无人关注牲畜屠宰过程的道德风险。

附图说明

图1是本发明的一种牲畜屠宰线监控方法的流程示意图；

图2是本发明的一种牲畜屠宰线监控方法中应用的识别神经网络的结构示意图；

图3是本发明的一种牲畜屠宰线监控方法中应用的检测神经网络的结构示意图；

图4是本发明的一种牲畜屠宰线监控装置的结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定装备结构、接口、技术之类的具体细节，以便透彻理解本发明。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

如图1所示，本发明提供了一种牲畜屠宰线监控方法，包括：

s1：通过采集设备采集牲畜屠宰生产线工作过程中的图像信息并将采集到的图像信息上传到云服务器；

s2：根据所述采集到的图像信息进行分析判断，如果存在异常则生成报警信号同时停止屠宰生产线的工作。

在本发明的方法中，首先通过采集设备(通常采用高清网络摄像头)采集牲畜屠宰线在屠宰生产工作过程中的屠宰产生的牲畜各部位的图像信息(包含rgb三通道的图像数据)，并将采集到的所述图像信息通过无线网络上传到云服务器进行分析处理。

之后，在网络云服务器端，将采集到的所述图像信息输入预先构建的深度学习网络，在深度学习网络中进行学习判断后，如果认为所述图像信息的牲畜屠宰后产生的器官和/或内脏等部件具有异常状态，则生成告警信号并通过微信、短信或手机app发送告警信号给客户告知客户该牲畜存在疾病并召请兽医查看该异常部位并进一步判断该牲畜是得了哪种疾病才导致了该异常部位产生对应的色斑、凸起或颜色异常。

在一些说明性实施例中，所述根据所述采集到的图像信息进行分析判断具体包括：

将所述采集到的图像信息输入预先构建的深度学习网络；

利用所述深度学习网络根据预先制定的判断规则对输入的所述图像信息进行异常分析判断，如果存在异常则生成报警信号同时停止屠宰生产线的工作。

在本发明中，所采用的深度学习网络主要是基于卷积神经网络(cnn)的深度学习网络，本发明对目前现有技术中比较经典的网络结构进行了分析和研究，开发出了基于卷积神经网络的以牲畜监管为目标的深度学习算法。本发明的深度学习算法可以对输入的图像信息(即高清摄像头拍摄到的rgb图片)进行识别处理，可以识别出检测监管区域的人、车、牲畜等物体。本发明的深度学习算法识别监管区域的人、车、牲畜等物体的过程是通过提取图像中的物体的形态特征、颜色特征、纹理特征等信息以对物体进行识别和检测。

本发明的卷积神经网络主要采用两种网络结构，一种是用于图像识别的网络结构，其网络结构具体如图2所示。

在图2中，输入的图像信息表示为w×h×3，其中，w表示输入的图像信息的宽度，h表示输入的图像信息的高度，3表示输入的图像为rgb3通道图像。

在图2中，dbl表示为一个卷积处理单元，具体包含一个卷积层conv，一个bn(batchnormalization)批量正则化，以及以relu函数函数作为激活函数。

在图2中，res表示为一个残差单元，具体包括2～5之间的卷积处理单元dbl，以及一个用于将特征层对应位置的元素相加的add处理单元。

图2中resn(n为正整数)表示由1个dbl卷积处理单元和n个残差单元组成的残差块。

图2中res10-30表示由1个dbl卷积处理单元以及10～30个残差处理单元res构成的残差块，res3-6表示由1个dbl卷积处理单元以及3～6个残差处理单元res构成的残差块。具体卷积处理单元dbl单元的数量根据实际系统需要作相应细微调整。通过两次残差单元的卷积处理，将图像信息的宽和高缩小至16倍或32倍。

在图2中，gap表示对卷积后的参数进行全局池化操作处理。

在图2中，loss度量层是卷积神经网络深度学习领域通用的用来计算损失的层，在此不做赘述。

经过上述各层的处理后，最终输出cls_prob分类结果，即对输入的图像信息的识别结果。

另一种是用于图像检测的网络结构，其具体网络结构如图3所示。

在图3中，输入的图像信息表示为w×h×3，其中，w表示输入的图像信息的宽度，h表示输入的图像信息的高度，3表示输入的图像为rgb3通道图像。

在图3中，dbl表示卷积处理单元与图2中的dbl结构完全相同，在此不做赘述。

在图3中，res表示为一个残差单元，具体包括一定数量的卷积处理单元dbl，以及一个用于将特征层对应位置的元素相加的add处理单元。

图3中resn(n为正整数)表示由1个dbl卷积处理单元和n个残差单元组成的残差块。

图3中res4-10表示包含由1个dbl卷积处理单元和4～10个res残差单元组成的残差块，res4-20表示包含由1个dbl卷积处理单元和4～20个res残差单元组成的残差块，res3-6表示包含由1个dbl卷积处理单元和3～6个res残差单元组成的残差块。

图3中的上采样表示上采样池化层。

图3中的concat拼接表示将输入的图像数据拼接在一起，例如，分别输入20副图像和15副图像，则拼接后得到35副图像组成的图像数据。

在图3中，最终网络输出的数据结果包含cls_prob分类结果，即对输入的图像信息的识别结果以及bbox_pred预测框的预测结果。

上述详细解释了本发明的检测网络的各单元模块的功能，具体网络运行模式如图3中箭头的方向进行，在此不做赘述。

在一些说明性实施例中，所述判断规则具体包括：

对屠宰线工作过程中分割得到的牲畜内脏和/或器官进行是否存在颜色异常的判断，如果所述内脏和/或器官出现异常颜色，则停止屠宰生产线的工作并交由兽医进一步判断牲畜的内脏和/或器官具体存在的病症。

例如，当屠宰线生产过程中屠宰产生的牲畜的某一部位存在色斑、凸起或颜色异常，则判断该部位的内脏和/或器官出现了异常，需要立刻停止生产线的生产工作，通过微信、短信或手机app发送告警信号给客户告知客户该牲畜存在疾病并召请兽医查看该异常部位并进一步判断该牲畜是得了哪种疾病才导致了该异常部位产生对应的色斑、凸起或颜色异常。

在一些说明性实施例中，所述判断规则还包括：

对屠宰线工作过程中分割得到的牲畜内脏和/或器官进行是否存在温度异常的判断，如果所述内脏和/或器官出现异常温度，则停止屠宰生产线的工作并交由兽医进一步判断牲畜的内脏和/或器具体存在的病症。

例如，当屠宰线生产过程中对屠宰产生的牲畜的各个部位(包括内脏和/或器官)进行实时体温监测，当判断某一部位的温度超出预设阈值时即判定为该部位的温度存在异常现象。当牲畜的所述某一部位存在异常温度现象时，应立刻停止屠宰线的生产工作，通过微信、短信或手机app发送告警信号给客户告知客户该牲畜存在疾病并召请兽医查看该异常部位并进一步判断该牲畜是得了哪种疾病才导致了该异常部位出现异常温度现象。

本发明的牲畜屠宰线监控方法，还可以根据上述的色斑、凸起或颜色异常以及温度异常进行大数据库构建，将异常的类型同具体的疫病类型建立一一对应的关系。在完成大数据库的构建工作后，基于大数据库进行深度学习，当再次出现相同的异常现象(包括温度异常和/或颜色异常)时，可以直接判断出该牲畜患有了何种疫病。从而，本发明提供了一种全新的牲畜屠宰过程的全方位的安全检疫检测的手段，进而实现消除牲畜屠宰过程中可能存在的安全隐患，同时通过机器代替人工(兽医)对牲畜屠宰过程中的监管节约了大量人力资源和物力成本。同时，通过本发明的技术方案也有效的规避了人工(兽医)检疫检测可能存在的无人检查/无人关注牲畜屠宰过程的道德风险。

如图4所示，本发明提供了一种牲畜屠宰线监控装置，包括：

信息采集模块100，用于通过采集设备采集牲畜屠宰生产线工作过程中的图像信息并将采集到的图像信息上传到云服务器；

分析判断模块200，用于根据所述采集到的图像信息进行分析判断，如果存在异常则生成报警信号同时停止屠宰生产线的工作。

在一些说明性实施例中，所述分析判断模块200具体包括：

信息传输子模块201，用于将所述采集到的图像信息输入预先构建的深度学习网络；

深度学习分析子模块202，用于利用所述深度学习网络根据预先制定的判断规则对输入的所述图像信息进行异常分析判断，如果存在异常则生成报警信号同时停止屠宰生产线的工作。

在一些说明性实施例中，所述判断规则具体包括：

对屠宰线工作过程中分割得到的牲畜内脏和/或器官进行是否存在颜色异常的判断，如果所述内脏和/或器官出现异常颜色，则停止屠宰生产线的工作并交由兽医进一步判断牲畜的内脏和/或器官具体存在的病症。

在一些说明性实施例中，所述判断规则还包括：

对屠宰线工作过程中分割得到的牲畜内脏和/或器官进行是否存在温度异常的判断，如果所述内脏和/或器官出现异常温度，则停止屠宰生产线的工作并交由兽医进一步判断牲畜的内脏和/或器具体存在的病症。

本发明还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，物流管理服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。