一种基于深度学习分析的养殖场监控家禽数量的方法与流程

本发明涉及监控技术、视频编码、深度学习等多种领域，特别是一种基于深度学习分析养殖场监控视频并监控家禽数量的模型方案。

背景技术：

近年来，在全国范围内，新建了一批家禽养殖场，在养殖户的妥善管理下，收到了可观的经济效益和社会效益，受到了专家们的高度赞扬和社会各界的认可，为社会提供了大量的放心肉。随着家禽养殖场的规模扩大，家禽的养殖数量增加，家禽的管理任务变得更加困难。不少养殖场为了加强管理，减轻工作人员的负担，相继安装了网络监控摄像头，希望用科技帮助管理。但是，由于家禽的数量多，摄像头的安装角度不同，家禽过于密集出现遮挡等问题，使得网络监控手段效果不佳，发挥的作用甚小。

卷积神经网络是深度学习(deepinglearning，dl)的一种方法，是一种多层神经网络，擅长处理图像特别是大图像等相关机器学习问题。卷积神经网络具有特征提取性好、自学习能力强、对复杂背景的过滤性好以及权值共享适应性强等特点。因此，卷积神经网络可以更好的解决不同场景下、不同拍摄角度下家禽数量的监控问题。

技术实现要素：

基于以上的现有技术，本发明提出了一种基于深度学习分析的养殖场监控家禽数量的方法，采用固定的采样频率将监控视频流转换为静态图片，实现了养殖场中家禽分布状态的分析。

本发明的一种基于深度学习分析的养殖场监控家禽数量的方法，该方法包括以下步骤：

步骤1、通过网络监控摄像头获取家禽养殖场的监控视频，按照固定的采样频率将视频转换为静态图，获取用于训练的图片数据集；

步骤2、以家禽的头部为标注点，按照一个标注点代表一只家禽的原则，将图片数据集进行标注；

步骤3、将标注好的每一张图片进行高斯卷积，转化为密度图，并统计出每一张图片中家禽的实际数量；

步骤4、将步骤1中获得的图片数据集按照8:2的比例随机划分为训练集和测试集分别作为训练模型和测试模型的输入，对应的密度图和家禽数量作为标签和度量标准，离线训练深度学习模型，得到家禽养殖场数量监控深度学习模型：该模型利用卷积神经网络和一个inception组件提取图片特征，并利用线性整流函数relu作为激活函数为模型添加非线性因素，最终获得家禽密度数量；其中inception组件包含四个通道，第一个通道是前一级特征图经过一个卷积核大小为1x1的卷积层进行卷积操作，并利用relu函数进行激活，第二个通道是前一级特征图经过一个卷积核大小为1x1的卷积层，利用relu进行激活后再经过一个卷积核大小为3x3的卷积层并通过relu进行激活，第三个通道与第二个通道类似，第四个通道是把前一级特征图进行最大池化层，再依次经过卷积核大小为1x1的卷积层和激活函数，最后，将四个通道获得的特征图进行堆叠，作为下一层的输入；

利用家禽养殖场数量监控深度学习模型进行监控预测：先将图片通过一个卷积核大小为3x3的卷积层进行卷积操作并进行激活，然后通过最大池化层进行下采样，将获得的特征图输入inception组件进一步提取更高一级别的特征，再一次经过最大池化层和inception组件后，通过一个卷积核大小为1x1的卷积层把高维度的特征图映射为预测的密度图作为模型输出并将密度图的像素值进行求和即可得到每张图片中家禽数量的预测值。最后在测试集上通过比较不同参数模型之间的平均绝对误差mae分析模型，把mae最小的模型作为最优模型来进行家禽数量监控；其中，平均绝对误差的计算公式为：

其中，为模型预测的第k张图片中家禽数量，yk为第k张图片对应的实际家禽数量，n为样本数量即用于测试的图片数量；

步骤5、对步骤4得到的家禽数量监控视频进行实时解码，解码后获得的静态图片输入到训练好的模型中，对经模型输出的密度图进行积分，即可获得监控范围内的家禽数量，实现对家禽数量的实时监控。

与现有技术相比，本次发明具有以下积极效果：

(1)通过将标注好的图片数据集转换为对应的密度图，极大地减少了由于家禽之间的遮挡和摄像头拍摄角度对家禽数量监控的影响，提高了监控方法的可靠性；

(2)使用卷积神经网络对图片进行处理，可以自动提取出最有效的特征，增加了模型的适应性和准确性。

附图说明

图1为本发明的一种基于深度学习分析的养殖场监控家禽数量的方法整体流程图；

图2为inception组件结构图；

图3为家禽养殖场数量监控深度学习模型的机构示意图。

具体实施方式

下面将结合附图对本发明的实施方式作进一步的详细描述。

本发明的基于深度学习分析养殖场监控视频并监控家禽数量的方法，该方法具体包括以下步骤：

步骤1、通过网络监控摄像头获取家禽养殖场的监控视频，按照固定的采样频率将视频转换为静态图，获取用于训练的图片数据集；

步骤2、以家禽的头部为标注点，按照一个标注点代表一只家禽的原则，将图片数据集进行标注；

步骤3、将标注好的每一张图片进行高斯卷积，转化为密度图，并统计出每一张图片中家禽的实际数量；

步骤(4)、将步骤(1)中获得的图片数据集按照8:2的比例随机划分为训练集和测试集分别作为训练模型和测试模型的输入，对应的密度图和家禽数量作为标签和度量标准，离线训练深度学习模型，得到家禽养殖场数量监控深度学习模型：该模型利用卷积神经网络和一个inception组件提取图片特征，并利用线性整流函数relu作为激活函数为模型添加非线性因素，最终获得家禽密度数量；其中inception组件包含四个通道，第一个通道是前一级特征图经过一个卷积核大小为1x1的卷积层进行卷积操作，并利用relu函数进行激活，第二个通道是前一级特征图经过一个卷积核大小为1x1的卷积层，利用relu进行激活后再经过一个卷积核大小为3x3的卷积层并通过relu进行激活，第三个通道与第二个通道类似，第四个通道是把前一级特征图进行最大池化层，再依次经过卷积核大小为1x1的卷积层和激活函数，最后，将四个通道获得的特征图进行堆叠，作为下一层的输入；

利用家禽养殖场数量监控深度学习模型进行监控预测：先将图片通过一个卷积核大小为3x3的卷积层进行卷积操作并进行激活，然后通过最大池化层进行下采样，将获得的特征图输入inception组件进一步提取更高一级别的特征，再一次经过最大池化层和inception组件后，通过一个卷积核大小为1x1的卷积层把高维度的特征图映射为预测的密度图作为模型输出并将密度图的像素值进行求和即可得到每张图片中家禽数量的预测值。最后在测试集上通过比较不同参数模型之间的平均绝对误差mae分析模型，把mae最小的模型作为最优模型来进行家禽数量监控；其中，平均绝对误差的计算公式为：

其中，为模型预测的第k张图片中家禽数量，yk为第k张图片对应的实际家禽数量，n为样本数量即用于测试的图片数量；

对于卷积层，可以使用下列公式进行卷积计算(以卷积核大小为5x5的卷积操作为例，其他的卷积操作类似)：

式中，m和n分别对应卷积核5x5的大小；wm，n表示第m行n列的权重；xi，j表示图像中第i行第j列的像素值；b表示偏置项；f表示激活函数，这里选取线性整流函数relu(rectifiedlinearunit)作为激活函数，公式如下：

f(x)＝max(0，x)

步骤5、对步骤4得到的家禽数量监控视频进行实时解码，解码后获得的静态图片输入到训练好的模型中，对经模型输出的密度图进行积分，即可获得监控范围内的家禽数量，实现对家禽数量的实时监控。

本发明并不局限于前述的流程，任何将本发明所披露的特征或新的步骤的组合进行扩展的，皆落入本发明的保护范围。