本发明涉及数据分析
技术领域：
，特别涉及一种无接触测重方法。
背景技术：
：目标的检测和定位是三维目标测量的前提，现有基于深度数据的目标检测与定位方法及系统，利用深度数据传感器采集的深度数据获取深度图，构建深度图的背景模型，获取深度图视角下的目标前景区域，对目标前景区域进行初步分割，将得到的目标前景区域映射到俯视视角下，依据目标在水平空间上的位置差异对俯视视角下的目标前景区域进行再次分割提取前景区域的深度特征并训练得到目标检测模型，得到目标检测结果。但是特征提取与目标检测模型分离进行，运算量大，耗费内存较大，在复杂背景条件下，如果存在很多噪声点，难以分割出十分干净的目标前景，若背景建模结果不理想，目标会有细小空洞，影响目标检测准确度。技术实现要素：本发明实施例提供了一种无接触测重方法，利用深度学习技术对进行目标的检测、识别和智能测重，目标检测准确度高。本发明实施例提供了一种无接触测重方法，该方法包括：S1：将待送入神经网络的待预测数据进行预处理；S2：将预处理后的待预测数据送入神经网络进行卷积特征提取；S3：经过神经网络的计算后输出待预测数据的预测结果。优选地，步骤S1的具体过程包括：S11：对待预测数据进行减均值，使均值大小处于预设范围内；S12：对减均值后的待预测数据进行数据翻转；S13：将不同尺寸的图片缩放到相同尺寸。优选地，步骤S2的具体过程包括：S21：使用在ImageNet上训练的模型作为预训练参数，采用VGG16进行基础特征提取，获得特征图；S22：通过区域提取网络RPN在特征图上进行候选框提取，确定定位框的位置。优选地，步骤S3的具体过程包括：S31：以FasterRCNN网络为基础，在FasterRCNN网络的最后一部分添加回归层；S32：使回归层分别与分类层和定位框坐标输出层并联；S33：分类层输出类别置信度、定位框坐标输出层输出目标的位置坐标平移缩放比例，以及回归层输出归一化后的属性值。优选地，在步骤S33之后进一步包括：S34：将归一化后的属性值进行反归一化得到预测的真实值。优选地，步骤S33的具体过程为：分类层和定位框坐标输出层输出前经过第一优化器优化后分别输出类别置信度和目标的位置坐标平移缩放比例；回归层输出前经过第二优化器优化后输出归一化后的属性值。优选地，第一优化器用于优化目标定位和识别的总损失函数；第二优化器用于优化属性值的损失函数。优选地，优化属性值的损失函数采用欧几里德空间的均方误差值，具体公式为：其中，M为每批次处理数据的数量；i为第i个处理的数据；pred为网络输出的预测值；GT为待预测数据的真实值。与现有技术相比，本发明至少具有以下有益效果：将目标的定位、识别和特定的属性值预测三个任务用一个端对端的深度神经网络结构进行处理，使背景杂乱、环境恶劣条件下的无接触测重任务变得简单化，能够显著提高测重的效率。附图说明为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本发明一个实施例提供的一种无接触测重方法的流程图。具体实施方式为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。如图1所示，本发明实施例提供了一种无接触测重方法，在该方法中神经网络结构在tensorflow1.3.0深度学习平台上构建，编程语言为Python(版本2.7)，硬件配置要求为：CPU：AMDRyzen71080Xeight-CoreProcessor*16GPU：GeForceGTX1080Ti/PCIe/SSE2操作系统：Ubuntu16.04CUDA：8.0Cudnn：6.01数据集的标签通过人工手动标注得出，包括待预测目标的类别、定位框坐标(左上角坐标、右下角坐标)和特定属性值(例如：体重)，将此多标签文件以.xml格式存储。2数据预处理。将数据送入神经网络之前先进行一次减均值操作保证所有特征的均值都在0附近，即均值归一化，再进行一次数据翻转用于数据增强。将不同尺寸的图片缩放到相同尺寸。3FasterRCNN训练卷积特征。使用在ImageNet上训练的模型作为预训练参数，采用VGG16进行基础特征提取，获得特征图。区域提取网络(RegionProposalNetworks，简称RPN)输出是一组打过分的候选框，使用固定大小的滑窗在特征图上进行滑动，每个窗口会输出固定大小维度的特征，每一个窗口对候选的9个矩形框进行回归坐标和分类，即得到定位框的粗略位置，并分类出框内区域是背景还是前景。4使用神经网络回归算法对待预测目标数据进行拟合。以FasterRCNN网络为基础，在经过特征提取和感兴趣区域提取操作以后，在网络最后一部分使新添加的回归层与分类层和边界框坐标输出层并联，共享FasterRCNN提取的特征。使用sigmoid函数作为实现此预测目的的回归器，鉴于sigmoid函数的特点，目标数据输入网络结构之前需首先进行归一化，使其映射到[0,1]之间，增加回归的非线性，此项处理可以将尺度标签归一化到[0,1]之间，构成了特征向量与标签值之间的映射关系。由于网络层与原有分类和定位框预测层并行，此时网络有三个输出，分别为目标的类别置信度、目标的位置坐标平移缩放比例和归一化后的目标特定属性值(例如：体重值)。最终预测的目标真实值须经反归一化得到。5目标特定属性值预测的回归层与目标定位和识别部分网络层并行输出，但共享此层以前的所有特征，为避免定位与识别对目标特定属性值预测的影响，网络分别采用两个Adam优化器实现对网络参数的优化，其中一个优化器用来优化目标定位和识别的总损失函数，另一个优化器用来优化目标特定属性值预测的损失函数，学习速率设置为0.0001，每10000次衰减为原来学习率的1/10，Adam参数设置为beta1等于0.9，beta2等于0.999，epsilon等于1e-08。目标特定属性值预测的损失函数采用欧几里德空间的均方误差值，具体公式如公式1：其中M为每批次处理数据的数量，本网络设置为128；；i为第i个处理的数据；pred为网络输出的预测值；GT为待预测数据的真实值。Adam优化算法是深度学习较为常用的一种随机优化方法，对超参数的选择相当鲁棒，适用于大数据集和高维空间，实验验证，适合此网络结构的优化。针对限位栏母猪的体重无接触测量问题，利用深度学习技术对猪只进行识别和智能测重。使用不同半径不同位置单个圆图片模拟简化版限位栏场景下的猪体，验证算法的有效性，实验训练集数量为50000张图片，测试集数量为10000张图片的情况下，经验证，部分半径预测实验结果列举如表1。表1部分圆半径预测结果图片名称真实值预测值绝对误差相对误差(％)000001.jpg117112.0954.9044.192000004.jpg120114.3125.6874.740000008.jpg5152.297-1.2972.543000010.jpg99100.303-1.3031.317000011.jpg3737.446-0.4461.208000014.jpg7170.2300.7691.084000015.jpg103101.2211.7781.727000017.jpg104103.6030.3960.382000018.jpg4142.592-1.5923.884此方法经验证，半径预测的平均相对误差为2.415％，此结果满足项目基本要求。使用此网络结构对真实场景下采集到的限位栏母猪深度图像进行体重预测(同一栏猪只，体重变化较小)，图片命名规则为：图片顺序_体重_背膘_摄像头角度.png。为了可视化效果更显著，测试过程中对图片增加一步直方图均衡化操作，1万张训练图片经10000次训练后，使用测试集1000张图片测试，部分猪体预测结果如表2所示。表2部分猪只体重预测结果最后需要说明的是：以上所述仅为本发明的较佳实施例，仅用于说明本发明的技术方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所做的任何修改、等同替换、改进等，均包含在本发明的保护范围内。当前第1页1 2 3