一种猪只重识别方法与流程

1.本发明属于深度学习技术领域，具体涉及一种猪只重识别方法。


背景技术：

2.随着经济发展，人们对猪肉的需求越来越高，猪肉的产量也越来越高，目前采用最多的养殖模式是大栏养猪，实现了养猪行业由散养模式向规模化、集约化模式的转变，这种养殖模式的特点是猪只密度大，数量多，其优点为节约占地，增加单位饲养头数，适合集约化养殖，便于统计，母猪生活在大栏里一目了然，统计挂牌，不容易出错。
3.传统技术中采用人工的方式对猪只进行观察，来对猪只进行运动量监测、采食行为识别等工作，这种方式的人力成本投入高，工作人员的工作量大，并且由于人工无法对猪只进行分辨，导致其观察效率低下，还容易产生误差，准确性低；随着现代化设备在养殖行业的引入，现有技术中采用基于摄像头进行识别和辨认，但是由于在实际视频场景中，圈养在栏舍中的猪群经常由于互相堆叠、遮挡等因素导致跟踪失效，并且由于猪只的特征比较相近，常规的识别方法容易产生错误。


技术实现要素：

4.为了解决现有技术存在的人力成本投入高、工作量大、效率低下、跟踪容易失效以及准确性低的问题，本发明目的在于提供一种成本投入低、工作量少、效率高、持续跟踪以及准确性高的猪只重识别方法。
5.本发明所采用的技术方案为：
6.一种猪只重识别方法，包括如下步骤：
7.基于深度学习建立猪只识别模型；
8.使用猪只识别模型获取识别结果，并根据识别结果建立猪只档案表；
9.根据猪只实时视频进行猪只重识别，获取重识别结果，并根据重识别结果更新猪只档案表。
10.进一步地，深度学习建立猪只识别模型，包括如下步骤：
11.获取猪只训练图像数据集，并对猪只训练图像数据集进行预处理，得到预处理后猪只训练图像数据集；
12.基于深度学习建立yolo v5模型，并将预处理后猪只训练图像数据集输入yolo v5模型进行训练，得到猪只识别模型。
13.进一步地，预处理包括对猪只训练图像数据集中每个图像进行的灰度化处理、几何变换处理、增加噪声处理、光学变换处理以及归一化处理。
14.进一步地，yolo v5模型包括依次连接的输入端、backbone模块、neck模块和prediction模块；
15.输入端使用mosaic数据增强方法对输入的预处理后猪只图像进行处理；
16.backbone模块包括focus结构和csp结构；
17.neck模块的结构为fpn+pan结构；
18.prediction模块使用giou_loss函数进行损失计算。
19.进一步地，使用猪只识别模型获取识别结果，并根据识别结果建立猪只档案表，包括如下步骤：
20.获取当前栏舍的猪只识别图像数据集，对猪只识别图像数据集进行预处理，得到预处理后猪只识别图像数据集；
21.将预处理后猪只识别图像数据集输入猪只识别模型进行识别，得到当前栏舍的所有的猪只目标的数量、id以及对应的图片；
22.根据所有的猪只目标的图片进行特征提取，得到所有的猪只目标对应的特征向量；
23.根据所有的猪只目标的数量、id、图片以及对应的特征向量，建立猪只档案表。
24.进一步地，猪只档案表包括当前栏舍的所有的猪只目标的猪只档案，每个猪只档案包括id、图片、特征向量以及跟踪状态，跟踪状态包括在线和掉线。
25.进一步地，根据猪只实时视频进行猪只重识别，获取重识别结果，并根据重识别结果更新猪只档案表，包括如下步骤：
26.获取当前栏舍的猪只实时视频，并对猪只实时视频进行帧截取和预处理，得到连续的预处理后猪只待识别图像；
27.使用猪只识别模型对连续的预处理后猪只待识别图像中的猪只目标持续进行识别和跟踪，得到识别结果，并根据识别结果更新猪只档案表中对应id的猪只目标的特征向量和跟踪状态；
28.若持续跟踪中未识别到与猪只档案中特征向量相匹配的猪只目标，将当前的猪只档案的跟踪状态更新为掉线，并持续识别未知的猪只目标；
29.若存在跟踪状态为掉线的猪只档案，根据实时识别得到的未知的猪只目标进行重识别，根据得到的重识别结果更新跟踪状态为掉线的猪只档案，得到实时更新的猪只档案表；
30.若猪只档案表的跟踪状态全为掉线，使用猪只识别模型重新进行识别，更新所有的猪只档案，得到实时更新的猪只档案表。
31.进一步地，根据实时识别得到的未知的猪只目标进行重识别，包括如下步骤：
32.提取跟踪状态为掉线的猪只档案，所述的猪只档案包括跟踪状态为掉线的猪只目标的id、图片以及特征向量；
33.对未知的猪只目标进行识别和特征提取，得到未知的猪只目标的图片和对应的特征向量；
34.将未知的猪只目标的特征向量与跟踪状态为掉线的猪只档案的特征向量进行相似度匹配，根据未知的猪只目标的图片和对应的特征向量更新对应的猪只档案，并将对应的猪只档案的跟踪状态更新为在线。
35.进一步地，预处理包括对猪只识别图像数据集中每个图像以及帧截取得到的猪只待识别图像进行的灰度化处理、几何变换处理、消除噪声处理以及图像增强处理。
36.进一步地，使用sort算法对连续的预处理后猪只待识别图像中的猪只目标持续进行跟踪；
37.所述的sort算法包括卡尔曼滤波算法和匈牙利匹配算法。
38.传统技术中采用人工的方式对猪只进行观察，来对猪只进行运动量监测、采食行为识别等工作，这种方式的人力成本投入高，工作人员的工作量大，并且由于人工无法对猪只进行分辨，导致其观察效率低下，还容易产生误差，准确性低；随着现代化设备在养殖行业的引入，现有技术中采用基于摄像头进行识别和辨认，但是由于在实际视频场景中，圈养在栏舍中的猪群经常由于互相堆叠、遮挡等因素导致跟踪失效，并且由于猪只的特征比较相近，常规的识别方法容易产生错误。
39.本发明的有益效果为：
40.1)本发明提供一种基于深度学习的猪只重识别方法，采用猪只识别模型对当前栏舍的猪只目标进行持续进行识别和跟踪，避免了人工方式对猪只目标进行观察，减少了人力成本投入、降低了工作量、提高了观察效率并且提高了识别的准确性；
41.2)本发明采用了重识别方法，猪只档案表，对遮挡导致丢失的猪只目标进行重识别，快速匹配和持续跟踪，提高了识别的效率和准确性。
42.本发明的其他有益效果将在具体实施方式中进一步进行说明。
附图说明
43.图1是本发明中猪只重识别方法流程框图。
44.图2是yolo v5模型的网络结构图。
具体实施方式
45.下面结合附图及具体实施例对本发明做进一步阐释。
46.实施例1：
47.如图1所示，本实施例提供一种猪只重识别方法，包括如下步骤：
48.基于深度学习建立猪只识别模型，包括如下步骤：
49.获取猪只训练图像数据集，并对猪只训练图像数据集进行预处理，得到预处理后猪只训练图像数据集；
50.预处理包括对猪只训练图像数据集中每个图像进行的灰度化处理、几何变换处理、增加噪声处理、光学变换处理以及归一化处理；
51.几何变换处理丰富物体在图像中出现的位置和尺度等，从而满足模型的平移不变性和尺度不变性，例如平移、翻转、缩放和裁剪等；光学变换处理增加不同光照和场景下的图像，典型的操作有亮度、对比度、色相与饱和度的随意扰动、通道色域之间的变换；增加噪声处理通过在原始图像中增加一定的扰动，如高斯噪声，可以使模型对可能遇到的噪声具有抗干扰性，从而提升模型的泛化能力；归一化处理图像处理完成后，需要对图像进行裁剪，让图像缩放到固定的尺寸；
52.基于深度学习建立yolo v5模型，并将预处理后猪只训练图像数据集输入yolo v5模型进行训练，得到猪只识别模型；
53.yolo v5模型的网络结构如图2所示，包括依次连接的输入端、backbone模块、neck模块和prediction模块；
54.输入端使用mosaic数据增强方法对输入的预处理后猪只图像进行处理，mosaic数
据增强则采用了4张图片，随机缩放、随机裁剪、随机排布的方式进行拼接，优点如下：
55.1)丰富数据集：随机使用4张图片，随机缩放，再随机分布进行拼接，大大丰富了检测数据集，特别是随机缩放增加了很多小目标，让网络的鲁棒性更好；
56.2)减少gpu：数据增强中的随机缩放对于gpu的数量的要求较高，本发明实现了单个gpu完成随机缩放功能，减少了gpu需求；
57.因此mosaic增强训练时，可以直接计算4张图片的数据，使得mini
‑
batch大小并不需要很大，一个gpu就可以达到比较好的效果；
58.backbone模块包括focus结构和csp结构，在yolo v3和yolo v4中并没有这个结构，其中比较关键是切片操作，4
×4×
3的图像切片后变成2
×2×
12的特征图，原始608
×
608
×
3的图像输入focus结构，采用切片操作，先变成304
×
304
×
12的特征图，再经过一次32个卷积核的卷积操作，最终变成304
×
304
×
32的特征图；
59.neck模块的结构为fpn+pan结构，yolo v5中设计了两种csp结构，以csp1_x结构应用于backbone主干模块，另一种csp2_x结构则应用于neck模块中，fpn结构，对骨架网络输出的三个基本特征层通过fpn构建网络金字塔，首先使用1x1的卷积调整通道数，然后使用上采样进行特征的融合，最终输出三个有效特征层用于训练预测，fpn层的后面还添加了一个自底向上的特征金字塔，其中包含两个pan结构，构成了本方案的fpn+pan结构，这样结合操作，fpn层自顶向下传达强语义特征，而特征金字塔则自底向上传达强定位特征，从不同的主干层对不同的检测层进行特征聚合，进一步提高特征提取的能力；
60.prediction模块使用giou_loss函数进行损失计算，ciou_loss函数就将目标框回归函数应该考虑三个重要几何因素：重叠面积、中心点距离，长宽比全都考虑进去；
61.本发明提供一种基于深度学习的猪只重识别方法，采用猪只识别模型对当前栏舍的猪只目标进行持续进行识别和跟踪，避免了人工方式对猪只目标进行观察，减少了人力成本投入、降低了工作量、提高了观察效率并且提高了识别的准确性；
62.使用猪只识别模型获取识别结果，并根据识别结果建立猪只档案表，包括如下步骤：
63.获取当前栏舍的猪只识别图像数据集，对猪只识别图像数据集进行预处理，得到预处理后猪只识别图像数据集；
64.预处理包括对猪只识别图像数据集中每个图像进行的灰度化处理、几何变换处理、消除噪声处理以及图像增强处理；
65.将预处理后猪只识别图像数据集输入猪只识别模型进行识别，得到当前栏舍的所有的猪只目标的数量、id以及对应的图片；
66.根据所有的猪只目标的图片进行特征提取，得到所有的猪只目标对应的特征向量；
67.根据所有的猪只目标的数量、id、图片以及对应的特征向量，建立猪只档案表，本实施例中，一共包括6只猪只目标，如表1所示的猪只档案表包括当前栏舍的所有的猪只目标的猪只档案，每个猪只档案包括id、图片、特征向量以及跟踪状态，跟踪状态包括在线和掉线；
68.表1猪只档案表
69.id图片特征向量跟踪状态
1pig1fv1在线2pig2fv2在线3pig3fv3在线4pig4fv4在线5pig5fv5掉线(跟丢)6pig6fv6掉线(跟丢)
70.根据猪只实时视频进行猪只重识别，获取重识别结果，并根据重识别结果更新猪只档案表，包括如下步骤：
71.获取当前栏舍的猪只实时视频，并对猪只实时视频进行帧截取和预处理，得到连续的预处理后猪只待识别图像；
72.预处理包括对猪只识别图像数据集中每个图像以及帧截取得到的猪只待识别图像进行的灰度化处理、几何变换处理、消除噪声处理以及图像增强处理；
73.对彩色图像进行处理时，往往需要对三个通道依次进行处理，时间开销将会很大，因此，为了达到提高整个应用系统的处理速度的目的，对彩色图像进行灰度化处理以减少所需处理的数据量；图像的几何变换处理又称为图像空间变换，通过平移、转置、镜像、旋转、缩放等几何变换对采集的图像进行处理，用于改正图像采集系统的系统误差和仪器位置(成像角度、透视关系乃至镜头自身原因)的随机误差；消除噪声处理用于消除图像中的高斯噪音等，便于图像的识别与检测，提高了识别的准确度和处理的效率；增强图像处理用于增强图像中的有用信息，它可以是一个失真的过程，其目的是要改善图像的视觉效果，针对给定图像的应用场合，有目的地强调图像的整体或局部特性，将原来不清晰的图像变得清晰或强调某些感兴趣的特征，扩大图像中不同物体特征之间的差别，抑制不感兴趣的特征，使之改善图像质量、丰富信息量，加强图像判读和识别效果，满足某些特殊分析的需要；
74.使用猪只识别模型对连续的预处理后猪只待识别图像中的猪只目标持续进行识别和跟踪，得到识别结果，并根据识别结果更新猪只档案表中对应id的猪只目标的特征向量和跟踪状态；
75.使用在线实时跟踪sort算法对连续的预处理后猪只待识别图像中的猪只目标持续进行跟踪，sort算法作为一个粗略的框架，核心就是两个算法，包括卡尔曼滤波算法和匈牙利匹配算法，主要任务中是给定一个图像序列，找到图像序列中运动的物体，并将不同帧的运动物体进行识别，也就是给定一个确定准确的id，给予每头猪只目标一个id，当下一帧的猪只待识别图像中提取的猪只目标的特征向量与上一帧的猪只目标的特征向量相同时，才将当前的猪只目标作为同一只，并给予同一个id，实现猪只目标的跟踪，并保存猪只实时视频中猪只目标的运动轨迹，累计每头猪只目标的运动步数，可以统计一段时间内的每头猪只目标的运动步数，同理采食行为，也可以统计一段时间内猪只目标的采食占总时长的比例；
76.若持续跟踪中未识别到与猪只档案中特征向量相匹配的猪只目标，将当前的猪只档案的跟踪状态更新为掉线，并持续识别未知的猪只目标；
77.当猪只目标被遮挡了大部分，其图片的特征提取存在巨大的误差，导致其特征向量与猪只档案中特征向量的相似度较低，将其视为失踪，将当前的猪只档案的跟踪状态更新为掉线；
78.若存在跟踪状态为掉线的猪只档案，根据实时识别得到的未知的猪只目标进行重识别，根据得到的重识别结果更新跟踪状态为掉线的猪只档案，得到实时更新的猪只档案表，包括如下步骤：
79.提取跟踪状态为掉线的猪只档案，所述的猪只档案包括跟踪状态为掉线的猪只目标的id、图片以及特征向量；
80.对未知的猪只目标进行识别和特征提取，得到未知的猪只目标的图片和对应的特征向量；
81.将未知的猪只目标的特征向量与跟踪状态为掉线的猪只档案的特征向量进行相似度匹配，根据未知的猪只目标的图片和对应的特征向量更新对应的猪只档案，并将对应的猪只档案的跟踪状态更新为在线；
82.这种情况下的猪只重识别方法，首先确认那些没有跟丢的猪只目标，然后只从跟丢的猪只目标(也就是未知的猪只目标)中进行重识别，范围缩小了，精确度大大提升；
83.本发明采用了重识别方法，猪只档案表，对遮挡导致丢失的猪只目标进行重识别，快速匹配和持续跟踪，提高了识别的效率和准确性；
84.若猪只档案表的跟踪状态全为掉线，使用猪只识别模型重新进行识别，更新所有的猪只档案，得到实时更新的猪只档案表。
85.本发明不局限于上述可选的实施方式，任何人在本发明的启示下都可得出其他各种形式的产品。上述具体实施方式不应理解成对本发明的保护范围的限制，本发明的保护范围应当以权利要求书中界定的为准，并且说明书可以用于解释权利要求书。