奶牛体况评分方法、系统、电子设备及介质

1.本发明涉及深度学习技术领域，尤其涉及一种奶牛体况评分方法、系统、电子设备及介质。


背景技术：

2.奶牛养殖业是我国畜牧业的重要组成部分，与奶牛养殖业相关的奶业是食品安全的代表性产业，也是农业现代化的标志性产业。而随着社会的发展，人们对乳制品的需求量逐渐提升，对牛奶的品质需求也在提升。奶牛的饲养模式和健康状况变得越来越重要，如何保证奶牛体况健康已作为其首要研究内容。
3.体况评定又称为为膘情评定，可以对奶牛的脂肪含量进行定性分析，能够指明奶牛身体皮下脂肪以及能量储备的相对量，可以监测奶牛的健康情况，是奶牛养殖过程中重要的管理技术之一。
4.目前对于奶牛体况评分以人工方式为主，然而这种方式耗费大量的人力物力、测量结果不客观，且对家畜应激大，已不能满足畜牧场对奶牛体尺获取快速、无应激且精准的需求。而且现在最流行的传统方法对奶牛体况的自动识别对奶牛图像要求太高，预测结果和图像的质量关系很大，如果不能采集到很好的图像质量效果，预测结果也变得浮动很大，所以现在亟需一种基于奶牛背部体况分析的深度学习方法以及装置来解决上述问题。


技术实现要素：

5.针对现有技术存在的问题，本发明实施例提供一种奶牛体况评分方法、系统、电子设备及介质。
6.本发明提供一种奶牛体况评分方法，包括：
7.获取奶牛背部图像；
8.将奶牛背部图像输入奶牛体况预测模型，得到奶牛体况评分结果；
9.所述奶牛体况预测模型是利用体况样本训练resnet-50残差网络得到的模型；
10.所述体况样本为奶牛背部样本图像；
11.所述resnet-50残差网络包括输入层；所述输入层包括输入卷积单元和池化单元；所述输入卷积单元包括3个大小为3
×
3的卷积核。
12.根据本发明提供的一种奶牛体况评分方法，所述resnet-50残差网络还包括下采样块；
13.所述下采样块包括采样路径；所述采样路径上依次设置有下采样块第一卷积核、下采样块第二卷积核以及下采样块第三卷积核；
14.所述下采样块第一卷积核的大小为1
×
1；所述下采样块第二卷积核的大小为3
×
3；
15.所述resnet-50残差网络通过下采样块第二卷积核实现下采样。
16.根据本发明提供的一种奶牛体况评分方法，所述获取奶牛背部图像步骤包括：
17.获取奶牛背部源图像；
18.对奶牛背部源图像进行预处理，得到显著性图像；
19.对所述显著性图像进行识别，得到奶牛背部图像；
20.所述预处理包括去噪和/或边缘识别。
21.根据本发明提供的一种奶牛体况评分方法，所述对奶牛背部源图像进行预处理，得到显著性图像的步骤包括：
22.将奶牛背部源图像作为输入量，通过basnet神经网络的预测层得到第一显著图；
23.根据第一显著图，通过basnet神经网络的残差优化层得到第二显著图，记为显著性图像；
24.所述预测层包括依次设置的编码器、桥接块以及解码器；所述编码器包括输入卷积层和残差块；所述桥接块包括卷积层；所述解码器与编码器对称，解码器每个阶段的输入为解码器前一阶段的上采样和编码器相应阶段输出的级联。
25.根据本发明提供的一种奶牛体况评分方法，所述根据第一显著图，通过basnet神经网络的残差优化层得到第二显著图，记为显著性图像的步骤包括：
26.通过basnet神经网络的残差优化层，混合损失后，得到第二显著图，记为显著性图像；
27.所述混合损失是指基于至少两种损失函数混合计算，得到混合后的损失函数结果；
28.所述损失函数包括交叉熵损失函数、结构相似性损失函数以及交并比损失函数中的任一者或任多者组合。
29.根据本发明提供的一种奶牛体况评分方法，所述对显著性图像进行识别分割，得到奶牛背部图像的步骤包括：
30.将显著性图像输入区域识别分割模型，得到奶牛背部图像；
31.所述区域识别分割模型是基于目标检测网络yolo-v3，通过一一对应的显著性图像样本和感兴趣区域标签训练得到的模型；
32.所述感兴趣区域为设定的奶牛勾骨和臀部之间的区域。
33.根据本发明提供的一种奶牛体况评分方法，所述体况样本为奶牛背部源图像经图像处理得到的奶牛背部样本图像；
34.所述图像处理是指：
35.将奶牛背部源图像输入basnet神经网络，得到显著性图像；
36.将显著性图像输入区域识别分割模型，输出得到奶牛背部样本图像；
37.所述basnet神经网络包括预测层和基于混合损失的残差优化层；
38.所述预测层包括依次设置的编码器、桥接块以及解码器；所述编码器包括输入卷积层和残差块；所述桥接块包括卷积层；所述解码器与编码器对称，解码器每个阶段的输入为解码器前一阶段的上采样和编码器相应阶段输出的级联；
39.所述区域识别分割模型是基于目标检测网络yolo-v3，通过一一对应的显著性图像样本和感兴趣区域标签训练得到的模型；
40.所述感兴趣区域为设定的奶牛勾骨和臀部之间的区域。
41.本发明还提供一种奶牛体况评分系统，包括图像获取模块、区域识别分割模块以
及评分模块；
42.所述图像获取模块能够获取奶牛背部图像；
43.所述区域识别分割模块能够根据奶牛背部图像和设定的感兴趣区域提取得到感兴趣区域图像；
44.所述评分模块能够将感兴趣区域图像输入奶牛体况预测模型，得到奶牛体况评分结果；
45.所述奶牛体况预测模型是基于resnet-50残差网络，通过样本和标签训练得到的模型；
46.所述样本为标注有感兴趣区域的奶牛背部样本图像或者奶牛背部感兴趣区域样本图像；所述标签包括根据所述样本预先确定的奶牛体况分数标签，且所述标签与所述样本一一对应；
47.所述resnet-50残差网络包括输入层；所述输入层包括输入卷积单元和池化单元；所述输入卷积单元包括3个大小为3
×
3的卷积核。
48.本发明还提供一种电子设备，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程序时实现如上述任一种所述奶牛体况评分方法的步骤。
49.本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述奶牛体况评分方法的步骤。
50.本发明提供的奶牛体况评分方法和系统，通过改进resnet-50残差网络中输入卷积单元的卷积核大小和数量，在保持感受野不变的前提下，有效减少了模型训练、测试、评估过程中的参数量和计算量，从而能够高效、精确地预测奶牛体况的评分值，实现了奶牛自动化的体况评分，解决了人工现场观察触摸评分方法费时费力且主观性强的问题。
附图说明
51.为了更清楚地说明本发明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一简单地介绍，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。
52.图1是本发明实施例提供的奶牛体况评分方法的流程示意图之一；
53.图2是本发明实施例提供的奶牛体况评分方法的流程示意图之二；
54.图3是本发明实施例提供的不同分类网络训练结果的示意图；
55.图4是本发明实施例提供的改进前的resnet-50结构示意图；
56.图5是本发明实施例提供的resnet-50输入卷积核改进结构示意图；
57.图6是本发明实施例提供的下采样改进结构示意图；
58.图7是本发明实施例提供的评分结果混淆矩阵图；
59.图8是本发明实施例提供的电子设备的结构示意图；
60.图9为本发明实施例提供的便携式奶牛体况采集装置结构示意图；
61.图10为本发明实施例提供的奶牛体况评分系统示意图。
62.附图标记：
63.1：可伸缩杆；
ꢀꢀꢀꢀꢀꢀꢀꢀ
2：扫描仪；
ꢀꢀꢀꢀꢀꢀꢀꢀ
3：处理器；
64.4：移动电源；
ꢀꢀꢀꢀꢀꢀꢀꢀ
5：移动推车；
ꢀꢀꢀꢀꢀꢀ
810：处理器；
65.820：通信接口；
ꢀꢀꢀꢀꢀꢀ
830：存储器；
ꢀꢀꢀꢀꢀꢀ
840：通信总线；
66.10：图像获取模块；
ꢀꢀꢀ
20：评分模块。
具体实施方式
67.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明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作出创造性劳动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。
68.下面结合图1-图7描述本发明的奶牛体况评分方法
69.如图1所示，本发明实施例提供一种奶牛体况评分方法，包括：
70.步骤100，获取奶牛背部图像；
71.步骤200，将奶牛背部图像输入奶牛体况预测模型，得到奶牛体况评分结果；
72.所述奶牛体况预测模型是利用体况样本训练resnet-50残差网络得到的模型；
73.所述体况样本为奶牛背部样本图像；
74.所述resnet-50残差网络包括输入层；所述输入层包括输入卷积单元和池化单元；所述输入卷积单元包括3个大小为3
×
3的卷积核。
75.本实施例中，将resnet-50网络的输入层卷积核由7
×
7改成3个3
×
3的卷积核，大大减少了参数量；
76.本实施例中，训练过程可以基于如下参数进行：
77.训练阶段采用动量为0.9的异步随机梯度下降,每一个batch包含16张图片，权值的初始学习率为0.001，训练迭代次数为5000次，当迭代次数为2000次和3000次时，分别将学习率降低为0.0001和0.00001，使损失函数进一步收敛。训练完成之后，即可得到奶牛体况预测模型。
78.可选的，训练过程输入量还包括作为标签的奶牛体况评分；
79.其中，关于奶牛体况评分：
80.按照标注的信息可以把奶牛体况评分按照精度为0.25步长进行分类，由于奶牛场几乎不存在体况分数小于2或者大于4.5的奶牛并且根据数据集情况选择分类区间范围为2.25-4.5。
81.步骤100能够通过便携式采集装置实现；步骤100的采集实际可以根据实际情况设置为奶牛挤奶时、奶牛采食时或者在奶牛挤奶通道中行走时。
82.本实施例的有益效果在于：
83.通过改进resnet-50残差网络中输入卷积单元的卷积核大小和数量，在保持感受野不变的前提下，有效减少了模型训练、测试、评估过程中的参数量和计算量，从而能够高效、精确地预测奶牛体况的评分值，实现了奶牛自动化的体况评分，解决了人工现场观察触摸评分方法费时费力且主观性强的问题。
84.根据上述实施例，在本实施例中：
85.所述resnet-50残差网络还包括下采样块；
86.所述下采样块包括采样路径；所述采样路径上依次设置有下采样块第一卷积核、下采样块第二卷积核以及下采样块第三卷积核；
87.所述下采样块第一卷积核的大小为1
×
1；所述下采样块第二卷积核的大小为3
×
3；
88.所述resnet-50残差网络通过下采样块第二卷积核实现下采样。
89.本实施例实质上针对下采样过程中步幅过大造成特征提取时特征丢失的问题，将下采样过程移动至大小为3
×
3的下采样块第二卷积核进行，下采样块第二卷积核的步幅长度为1，避免了特征丢失的情况。
90.本实施例的有益效果在于：
91.传统resnet-50残差网络中，下采样过程通常基于步幅为2、大小为1
×
1的下采样块第一卷积核实现，进而导致该采样路径中的卷积会忽略输入特征图的四分之三。
92.本实施例通过更改下采样块，将下采样过程移动至下采样块第二卷积核进行，避免了信息的大量流失。
93.根据上述任一实施例，在本实施例中：
94.所述获取奶牛背部图像步骤包括：
95.获取奶牛背部源图像；
96.对奶牛背部源图像进行预处理，得到显著性图像；
97.对所述显著性图像进行识别，得到奶牛背部图像；
98.所述预处理包括去噪和/或边缘识别。
99.本实施例还能够应用于构建resnet-50残差网络训练过程输入量，即样本和标签：
100.将质量很差的图像自动删除后，利用basnet神经网络对奶牛背部图像进行去噪和边缘识别，并对奶牛背部图像进行显著性提取，得到显著性图像；
101.对显著性图像进行身份标注、体况分数标注以及背部感兴趣区域标注，则带有背部感兴趣区域标注的显著性图像可以作为样本，对应于样本的体况分数标注可以作为标签；
102.其中，背部感兴趣区域标注的获取步骤包括：
103.利用yolo-v3网络检测并分割奶牛勾骨到臀部之间的区域。
104.本实施例中，删除质量很差的图像这一步骤可以通过人工筛选和自动筛选两种方式实现。
105.人工筛选是指筛查拍摄模糊有残影得图像，保持拍摄图像得清晰度。
106.自动筛选是利用软件平台实现，具体包括：
107.检测奶牛的中心脊椎线，若与水平轴角度偏差45度以上则删除，保持姿势相同；
108.检测中心脊椎线对应的两边得端点，若出现距离相差一定阈值则删除，保持边缘完整性；
109.本实施例的有益效果在于：
110.本实施例通过预处理、识别、分割的步骤处理奶牛背部图像，能够降低采集得到的奶牛背部图像的质量要求，使得本实施例的评分方法能够在采集图像质量要求更低的情况下得到较为准确的评分结果，解决了传统方法对图像质量要求过高且需要昂贵的3d扫描仪的问题，对于高吞吐量和低吞吐量的养殖企业奶牛体况评分都比较适宜。
111.根据上述任一实施例，在本实施例中：
112.所述对奶牛背部源图像进行预处理，得到显著性图像的步骤包括：
113.将奶牛背部源图像作为输入量，通过basnet神经网络的预测层得到第一显著图；
114.根据第一显著图，通过basnet神经网络的残差优化层得到第二显著图，记为显著性图像；
115.所述预测层包括依次设置的编码器、桥接块以及解码器；所述编码器包括输入卷积层和残差块；所述桥接块包括卷积层；所述解码器与编码器对称，解码器每个阶段的输入为解码器前一阶段的上采样和编码器相应阶段输出的级联。
116.本实施例设计了编解码网络，同时获取高层次的全局上下文和低层次的细节。编码器有一个输入卷积层和基本的残差块组织成的六部分。并且为了进一步获取全局信息，在编码器和解码器之间加一个桥接块，包含三个卷积层，解码器与编码器基本对称，每个阶段的输入是解码器的前一阶段的上采样和编码器相应阶段输出的级联。取最后一层精度最高的图作为预测模块的输出。最后通过残差块优化粗糙的显著图，即可得到精度很高的奶牛背部轮廓信息。
117.本实施例中解码器与编码器对称是指，预测层和残差优化层都为解码器和编码器网络，但层数不同。本实施例中，预测层的网络层数更多。
118.更具体地，本实施例中basnet的网络结构如下：
119.一部分是预测层，即预测模块，预测层的输入为一张图像，经过编码器和解码器，输出初步预测的显著性图。编码器对图像进行提取特征，使用池化方法得到了分辨率逐步变小的高层语义特征，后面的解码器部分则负责将高层语义信息逐步还原放大，从而逐步获得大分辨率的特征图，最终输出和原图一样大小的显著性图。在编码器和解码器之间，会有短连接，将相同分辨率的特征图相加，从而让最终的输出的特征图能够兼顾低层次和高层次的特征。值得一提的是，在解码器的过程中，共有6种不同分辨率的特征图，再加上解码器阶段最后一层的特征图，一共使用了7个特征图进行损失计算，这种多层多损失的方法类似于中继损失，一方面可以帮助网络更好的收敛，另一方面可以让网络关注到不同尺度的显著性图。
120.另一部分是残差优化层，这部分的网络结构与前面的预测模块网络结构相似，使用conv、bn、relu构造解码器和编码器，相比于预测模块，这部分的网络结构更简单，网络深度更低。另外，这部分的损失只用最后一层的输出作为损失，中间层的输出则没有。
121.本实施例的有益效果在于：
122.本实施例通过设计预测层的编解码网络，能够同时获取高层次的全局上下文和低层次的细节，从而得到高精度的奶牛背部轮廓信息。
123.具体地，关于本实施例同时获取高层次的全局上下文和低层次的细节的有益效果说明如下：
124.为了使网络在输入阶段就能够获取更高的分辨率特征图，在输入阶段不进行池化操作，保持输入图像的分辨率。提取特征之后采用池化操作获取分辨率逐渐变小的高层语义特征。解码器部分再对语义特征进行逐步放大，从而获取和输入一样分别率的特征预测图。
125.根据上述任一实施例，在本实施例中：
126.所述根据第一显著图，通过basnet神经网络的残差优化层得到第二显著图，记为显著性图像的步骤包括：
127.通过basnet神经网络的残差优化层，混合损失后，得到第二显著图，记为显著性图像；
128.所述混合损失是指基于至少两种损失函数混合计算，得到混合后的损失函数结果；
129.所述损失函数包括交叉熵损失函数、结构相似性损失函数以及交并比损失函数中的任一者或任多者组合。
130.本实施例提供了基于混合损失的残差优化层优化方法，首先经过编码和解码层，输出初步预测的显著性图，然后经过优化模块(即残差优化层)，解决模糊有噪声的边界，利用交叉熵、结构相似性等多种混合损失，使网络更关注于边界质量，从而很精确的分出来奶牛背部区域。
131.本实施例的有益效果在于：
132.通过混合损失的技术手段，本实施例能够得到更为精确的奶牛背部区域轮廓。
133.根据上述任一实施例，在本实施例中：
134.所述对显著性图像进行识别分割，得到奶牛背部图像的步骤包括：
135.将显著性图像输入区域识别分割模型，得到奶牛背部图像；
136.所述区域识别分割模型是基于目标检测网络yolo-v3，通过一一对应的显著性图像样本和感兴趣区域标签训练得到的模型；
137.所述感兴趣区域为设定的奶牛勾骨和臀部之间的区域。
138.因为奶牛体况信息最主要与奶牛胖瘦相关，而奶牛勾骨和臀部之间的区域最能体现奶牛的胖瘦，因此本实施例提取奶牛勾骨和臀部之间的区域作为奶牛背部感兴趣区域。
139.本实施例的有益效果在于：
140.本实施例选定奶牛勾骨和臀部之间的区域为感兴趣区域，能够更为准确的反映奶牛的胖瘦情况，从而更为精准的给出最终的体况评分。
141.根据上述任一实施例，在本实施例中：
142.所述体况样本为奶牛背部源图像经图像处理得到的奶牛背部样本图像；
143.所述图像处理是指：
144.将奶牛背部源图像输入basnet神经网络，得到显著性图像；
145.将显著性图像输入区域识别分割模型，输出得到奶牛背部样本图像；
146.所述basnet神经网络包括预测层和基于混合损失的残差优化层；
147.所述预测层包括依次设置的编码器、桥接块以及解码器；所述编码器包括输入卷积层和残差块；所述桥接块包括卷积层；所述解码器与编码器对称，解码器每个阶段的输入为解码器前一阶段的上采样和编码器相应阶段输出的级联；
148.所述区域识别分割模型是基于目标检测网络yolo-v3，通过一一对应的显著性图像样本和感兴趣区域标签训练得到的模型；
149.所述感兴趣区域为设定的奶牛勾骨和臀部之间的区域。
150.对于已有标注信息的奶牛背部图像，可以通过本实施例直接形成对应的样本和标签，作为训练素材供奶牛体况预测模型训练。
151.本实施例的有益效果在于：
152.通过已有体况评分的奶牛背部图像获取样本和标签作为resnet-50残差网络的训练集、验证集以及测试集，本实施例针对高吞吐量养殖企业的奶牛体况评分需求，给出了自动化的解决方案。
153.根据上述任一实施例，本实施例提供一种奶牛体况预测模型的获得方法，包括如下步骤：
154.步骤一：通过便携式采集装置获取奶牛背部图像；
155.步骤二：利用basnet神经网络对奶牛背部图像进行去噪和边缘识别，并将质量很差的图像自动删除；
156.步骤三：利用yolo v3网络检测并分割奶牛勾骨到臀部之间的区域；
157.步骤四：利用改进的resnet 50网络对奶牛体况进行分类预测训练。
158.所述步骤一的实现方法为：
159.在奶牛挤奶、采食或者在挤奶厅通道前进时，利用便携式奶牛信息采集设备采集奶牛背部图像。
160.所述步骤二的实现方法为：
161.设计编解码网络，同时获取高层次的全局上下文和低层次的细节。编码器有一个输入卷积层和基本的残差块组织成的六部分。并且为了进一步获取全局信息，在编码器和解码器之间加一个桥接快，包含三个卷积层，解码器与编码器基本对称，每个阶段的输入是解码器的前一阶段的上采样和编码器相应阶段输出的级联。取最后一层精度最高的图作为预测模块的输出。最后通过残差块优化粗糙的显著图，即可得到精度很高的奶牛背部轮廓信息。
162.所述步骤三的实现方法为：
163.将步骤二中提取到的奶牛背部轮廓标注奶牛的相对bcs值、身份信息以及勾骨到臀部之间轮廓。利用yolo-v3网络对标注的勾骨到臀部之间的轮廓进行训练，得出奶牛背部感兴趣区域的识别和分割。
164.所述步骤四的实现方法为：
165.利用改进的resnet-50网络将步骤三中yolo-v3的识别和分割效果以及奶牛bcs值和身份信息进行训练，得出奶牛体况预测模型。
166.本实施中，奶牛背部轮廓标注奶牛的相对bcs值、身份信息以及勾骨到臀部之间轮廓的提取方法为：
167.人工标注奶牛后半部分区域和奶牛身份以及真实体况评分值。可选的标注工具包括lableme。
168.本实施例的有益效果在于：
169.本实施例将包含体况信息最多的背部作为对象，在短时间里可自动、无应激、且随时随地都可采集到奶牛背部图像，并根据预设的算法，可以很精确的预测奶牛体况的评分值，实现了奶牛自动化的体况评分，解决了人工现场观察触摸评分方法费时费力且主观性强的问题，又解决了传统方法对图像质量要求过高且需要昂贵的3d扫描仪，对于高吞吐量和低吞吐量的养殖企业奶牛体况评分都比较适宜。
170.根据上述任一实施例，如图2所示，本实施例提供了一种基于奶牛背部体况的分析
方法，包括：
171.步骤101，当奶牛在挤奶、采食或者在挤奶通道中行走时，利用采集设备，采集奶牛后背图像。
172.步骤102，根据采集到的奶牛背部图像，利用优化的basnet神经网络对奶牛背部图像进行显著性提取。
173.首先经过编码和解码层，输出初步预测的显著性图，然后经过优化模块，解决模糊有噪声的边界，利用交叉熵、结构相似性等多种混合损失，使网络更关注于边界质量，从而很精确的分出来奶牛背部区域。
174.然后对显著性提取的图像进行身份标注、体况分数标注、以及背部感兴趣区域标注。
175.步骤103，利用yolo-v3对奶牛背部感兴趣区域进行识别和分割，因为奶牛体况信息最主要与奶牛胖瘦相关，而奶牛勾骨和臀部之间的区域最能体现奶牛的胖瘦，于是提取到的奶牛背部感兴趣区域进行分割出来。
176.步骤104，利用改进的resnet-50分类网络对奶牛的体况进行分类，先把resnet-50网络的输入层卷积核由7x7改成3个3x3的卷积核，大大减少了参数量。另外针对下采样过程中步幅过大造成特征提取时，特征丢失的问题，将下采样中的步幅长度从2改成1，避免了特征丢失的情况。最后按照标注的信息可以把奶牛信息按照精度为0.25步长进行分类，其中由于奶牛场几乎不存在体况分数小于2或者大于4.5的奶牛并且根据数据集情况选择分类区间范围为2.25-4.5。将步骤103处理后的数据进行训练。
177.训练阶段采用动量为0.9的异步随机梯度下降,每一个batch包含16张图片,权值的初始学习率为0.001,训练迭代次数为5000次,当迭代次数为2000次和3000次时,分别将学习率降低为0.0001和0.00001,使损失函数进一步收敛。训练完成之后，即可得到奶牛体况预测模型。
178.输入一张奶牛背部图像，经过奶牛体况预测模型预测，即可得到预测的奶牛体况分数。
179.本实施例的有益效果在于：
180.本实施例将包含体况信息最多的背部作为对象，在短时间里可自动、无应激、且随时随地都可采集到奶牛背部图像，并根据预设的算法，可以很精确的预测奶牛体况的评分值，实现了奶牛自动化的体况评分，解决了人工现场观察触摸评分方法费时费力且主观性强的问题，又解决了传统方法对图像质量要求过高且需要昂贵的3d扫描仪，对于高吞吐量和低吞吐量的养殖企业奶牛体况评分都比较适宜。
181.根据上述任一实施例，本实施例通过对比说明本发明实施例的优点。
182.1、不同网络模型分类效果：
183.选取了lenet-5、vgg-16、googlenet、resnet-50网络作为奶牛bcs的分类骨干网络，比较奶牛体况分类结果，根据分类准确率和模型复杂度判断最适合奶牛体况分类评分的网络。使用上述四种分类骨架网络训练100个轮次，批大小设置为4，使用带动量随机梯度下降优化策略，动量为0.9，初始学习率为l
×
e-3
。并且网络使用迁移学习方式训练，使用在imagenet训练过的权值进行初始化。最终训练结果如图3所示，图3的横坐标为训练轮次，纵坐标为训练精度。
184.由图3可以看出，针对本发明实施例的奶牛图像数据集，从分类准确性以及网络的收敛情况可知，resnet-50收敛很快且达到了最高的分类准确度，因此本发明实施例选取resnet-50作为奶牛体况分类预测的骨干网络，相比于其他现有技术具备更好的分类准确度。
185.2、resnet-50改进
186.resnet-50在奶牛数据集上有较好的性能，但是在步长为0.25范围内的分类准确率只达到90.3％。精度有提升的空间，于是为进一步提升模型的性能，以及降低计算量，针对resnet-50存在问题进行优化和改进。resnet-50结构如图4所示。
187.resnet-50输入层由输入卷积和池化构成。其中输入具有7x7的卷积核，输出通道是64，步幅为2；池化部分具有3x3的卷积核，步幅也为2。池化部分将输入的宽度和高度减少了4倍。对于输入卷积核大小为7x7，具有良好的感受野，但同时对应的参数量也很多，在模型训练和测试时会产生很大的计算量。假设卷积核的深度都为c，则1个7x7卷积核和3个3x3卷积核对应的参数可计算为下式。
188.p7×7＝c
×
(7
×7×
c)＝49c2189.p
3(3
×
3)
＝3
×
[c
×
(3
×3×
c)]＝27c2[0190]
可见，使用多个小卷积核的堆叠可以大大较少参数量。另外堆叠小卷积核的卷积层能够使感受野不变，而且卷积核具有更多的非线性，可以增加分类决策的判别能力。因此本发明实施例使用3个3x3的卷积核替代原输入层7x7的卷积核。其优化结构如图5。
[0191]
同时由图4可知，在第四阶段下采样过程中，因为步幅为2的内核大小为1x1，导致路径a中的卷积会忽略输入特征图的四分之三。为解决这个问题，更改下采样块，改进结构如图6。
[0192]
每个stage(即阶段)的第一个conv(即卷积核)都有下采样的步骤，左边第一张图左侧的通路，input(即输入)数据进入后在会经历一个stride＝2(即步幅长度等于2)的1x1卷积，将特征图尺寸减小为原先的一半，1x1卷积和stride＝2会导致输入特征图3/4的信息不被利用，因此下采样的改进就是将下采样移到后面的3x3卷积里面去做，避免了信息的大量流失。
[0193]
改进后，原本的在1x1卷积核上进行下采样，改变为在3x3卷积核上进行下采样，保持路径a中输出形状不变，从而可以避免特征的丢失，进一步提高特征分类的精度。
[0194]
不同模型对比结果：
[0195]
表1不同模型对比结果
[0196][0197]
用664张测试集图像对训练好的模型进行评估。yolo-v3+优化的resnet-50评分结果的混淆矩阵如图7所示，其中纵坐标代表模型自动评分值、横坐标代表真实值；圆形代表精准评分结果、正方形代表误差0.25内评分结果、三角形代表误差0.5内评分结果。
[0198]
各个评分数量结果
[0199][0200]
理想混淆矩阵奶牛自动评分与真实值重合，虽然本文使用模型得出评分分布与理想混淆矩阵有所差异，但是奶牛各个评分实现了75％以上的对角线分布，样本自动评分结果和真实值的整体误差在0.25以内，满足奶牛畜牧场获取奶牛体况的误差要求。另外，模型在最大和最小评分值时，识别精度较高，能够帮助奶牛场及时发现不健康的奶牛，并针对评分值对奶牛采取措施，避免造成经济损失。
[0201]
用测试集测试利用yolo-v3目标识别网络以及改进的resnet-50训练好的模型。结果显示，对于姿势有一定偏移的奶牛也有很好的识别和分类效果。该方法解决了传统特征提取方法对图像要求过高的问题，且明显大大提升了奶牛评分的准确率，满足畜牧场获取奶牛体况评分需求。
[0202]
下面对本发明提供的奶牛体况评分装置进行描述，下文描述的奶牛体况评分装置
与上文描述的奶牛体况评分方法可相互对应参照。
[0203]
如图10所示，本发明实施例还提供一种奶牛体况评分系统，包括图像获取模块10和评分模块20；
[0204]
所述图像获取模块10能够获取奶牛背部图像；
[0205]
所述评分模块20能够将奶牛背部图像输入奶牛体况预测模型，得到奶牛体况评分结果；
[0206]
所述奶牛体况预测模型是基于resnet-50残差网络，通过样本训练得到的模型；
[0207]
所述样本为奶牛背部样本图像；
[0208]
所述resnet-50残差网络包括输入层；所述输入层包括输入卷积单元和池化单元；所述输入卷积单元包括3个大小为3
×
3的卷积核。
[0209]
本实施例的有益效果在于：
[0210]
通过改进resnet-50残差网络中输入卷积单元的卷积核大小和数量，在保持感受野不变的前提下，有效减少了模型训练、测试、评估过程中的参数量和计算量，从而能够高效、精确地预测奶牛体况的评分值，实现了奶牛自动化的体况评分，解决了人工现场观察触摸评分方法费时费力且主观性强的问题。
[0211]
下面将提供一种基于奶牛背部体况的便携式采集装置的实施例，能够用于上述任一方法或装置，完成奶牛背部图像采集。
[0212]
本实施例装置包括可伸缩杆1、扫描仪2、处理器3、移动电源4、移动推车5。可伸缩杆1与扫描仪2相连；移动电源4和扫描仪2相连，还与处理器3相连；扫描仪2与处理器3相连。
[0213]
所述伸缩杆1为可伸长3米，可缩短1米的伸缩杆1；
[0214]
所述移动推车5为两层式小推车，下层放置移动电源4，上层放置处理器3；
[0215]
本实施例的有益效果在于：
[0216]
将包含体况信息最多的背部作为对象，在短时间里可自动、无应激、且随时随地都可采集到奶牛背部图像。
[0217]
图8示例了一种电子设备的实体结构示意图，如图8所示，该电子设备可以包括：处理器(processor)810、通信接口(communications interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行奶牛体况评分方法，该方法包括：获取奶牛背部图像；将奶牛背部图像输入奶牛体况预测模型，得到奶牛体况评分结果。
[0218]
此外，上述的存储器830中的逻辑指令可以通过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，本发明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，服务器，或者网络设备等)执行本发明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-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0219]
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序
指令被计算机执行时，计算机能够执行上述各方法所提供的奶牛体况评分方法，该方法包括：获取奶牛背部图像；将奶牛背部图像输入奶牛体况预测模型，得到奶牛体况评分结果。
[0220]
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的奶牛体况评分方法，该方法包括：获取奶牛背部图像；将奶牛背部图像输入奶牛体况预测模型，得到奶牛体况评分结果。
[0221]
以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0222]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，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，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0223]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。