一种鸡只健康状态检测方法及其检测模型的搭建方法与流程

本发明属于鸡禽养殖监测，尤其涉及一种鸡只健康状态检测方法及其检测模型的搭建方法。

背景技术：

1、现代大型养鸡场的养殖密度较高，这种环境对鸡只的健康带来了很大的挑战。在这样的高密度环境下，鸡只容易受到温度、湿度等环境因素的影响，而且鸡只个体间存在差异，这些因素都会导致鸡只生病。一旦出现疾病，病鸡的外观与健康鸡只存在很大的差异。例如，精神状态上，病鸡常常表现为步态不稳、精神不振，而健康鸡只则行动敏捷、精神饱满。此外，在身体特征方面，健康鸡只的体温范围一般在41至43℃之间，呼吸频率为每分钟10至20次，心跳频率为每分钟120至200次。而病鸡则可能表现为体温升高、心跳紊乱，且呼吸伴有呼噜声或打喷嚏等症状。另外，健康鸡只的粪便一般呈现黄褐色或黄棕色，其中一端常常有白色尿酸盐沉积。相比之下，病鸡的粪便形态会表现为绿色、黄色、红色等，而且常呈现出稀水样。病鸡具有群体效应，病情会在鸡群中蔓延，导致大面积生病的现象，不仅给养殖场造成严重的经济损失，还会给社会带来严重的食品安全问题。因此，对于养殖场中的鸡只进行定期的健康检测非常重要，这可以有效地保障养殖场的经济效益，还可以保障公众的健康安全。

2、在已有的鸡只健康状态监测研究中，研究学者有根据鸡只鸡冠颜色来识别鸡只健康状态的。例如李亚硕等人设计了一种在喂料机上搭建高清机器视觉的系统。该系统采用并行算法来实现多路视频的快速采集，并基于lab空间中的a分量，使用最大类间方差法提取鸡冠区域，之后采用数理统计来对健康鸡只和病鸡的鸡冠颜色特征差异进行分析。当鸡冠颜色超出健康鸡冠颜色范围时，系统即认为其为病鸡，同时进行报警处理，定位出鸡只具体位置。毕敏娜等人根据健康和生病鸡只头部生理表现不同，提出一种识别病鸡的方法。首先使用rgb颜色空间的色差信息来消除背景，对鸡身和鸡冠的h分量分布进行分析，采用阈值分割法将黄羽鸡和鸡冠、鸡垂分开。其次根据鸡冠和鸡垂轮廓距离来合并鸡头，通过修正算法识别鸡头。之后提取鸡眼瞳孔轮廓的形状几何特征和鸡冠h分量共生矩阵特征，构成基于鸡头特征的病鸡特征向量。最后采用ara特征选择算法和支持向量机分类器进行训练分类。也有根据鸡只神态来识别鸡只健康情况的。例如陈章宝等人提出一种融合多层深度特征的卷积神经网络，用于识别病鸡，该方法包括区域定位和分类识别的任务。基于fasterr-cnn网络，对鸡、鸡头和鸡身进行区域定位，利用卷积神经网络将不同区分度的语义特征融合后进行准确的分类识别。网络中采用迁移学习的方式，先共享部分特征图进行训练，再对全网络的参数训练。

3、在识别鸡只健康状态时，现有研究根据病鸡与健康鸡只的神态表现不同，采用目标检测算法来学习病鸡的头部和身体的特征，最后通过训练的网络识别出鸡笼中的病鸡。这种识别算法实时性高，但当鸡只的头部或者身体被其他鸡只遮挡时，检测网络难以获取到病鸡的身体特征，导致总体识别准确率下降。

技术实现思路

1、针对上述问题，本发明第一方面提出了一种鸡只健康状态检测模型的搭建方法，，包括以下步骤：

2、步骤1，获取现场环境中拍摄的鸡只粪便图像数据集并划分为训练集和测试集，对训练集中图像数据的粪便种类进行打标签处理；

3、步骤2，在faster r-cnn基础上搭建一种针对鸡只粪便检测的f-faster r-cnn模型；所述f-faster r-cnn模型将faster r-cnn中的特征提取网络的后三层特征图融合后，分别与rpn网络层结合，送入感兴趣区域池化层进行池化，输出特征图以concat的方式融合，送入分类和回归层中；并根据目标特点，改变了rpn网络层中的锚框尺度，选择小尺度框来检测目标；同时，在特征提取网络中使用一种具备平滑特性的非线性激活函数mish进行梯度下降；

4、步骤3，使用训练集和测试集分别对搭建的f-faster r-cnn模型模型进行训练与测试；

5、步骤4，获取完成测试且识别率符合要求的f-faster r-cnn模型作为最终模型。

6、优选的，所述步骤1中，为了增强模型训练的鲁棒性，采用调节图像亮度、翻转和旋转的方式来增强所获取的图像数据集，并划分为训练集和测试集，所述打标签处理是用labelimg软件进行目标框的标注。

7、优选的，所述步骤2中所搭建的f-faster r-cnn模型包括以下四个部分：第一部分是特征提取网络，用来提取图像输入的浅层特征，之后用于后续的rpn网络层计算；第二部分是区域提议网络，这部分主要是生成较为准确的候选框，通过softmax函数完成内容分类任务，判断候选框属于前景还是背景，然后对候选框回归得到候选框位置；第三部分是感兴趣区域池化层，用于收集rpn网络层生成的建议框，即框的坐标信息，并从特征提取网络得到的conv5提取出来，生成的建议框特征图进入后面的全连接层做分类与回归；第四部分是定位和分类，得到准确的检测框。

8、优选的，所述步骤2中根据目标特点，改变了rpn网络层中的锚框尺度，选择小尺度框来检测目标，具体为：根据目标特点，计算锚框对应的原图面积，统计数据集中病鸡粪便的尺寸占比，根据池化后的缩放比例对应到原图上，将原锚框对应3种尺度(8,16,32)改为小锚框尺度方案(4,8,16)。

9、优选的，所述步骤2中搭建的f-faster r-cnn模型包括特征提取网络、rpn网络和池化层；在使用时，首先，将已经进行了数据增强和归一化处理的粪便图像数据集输入到f-faster r-cnn的特征提取网络vgg16，其作用是提取特征图完成特征编码，然后，将编码后的特征图输入到rpn网络层中，对目标候选框进行粗略定位，最后，将rpn网络输出与vgg16的输出特征图结合，送入roi pooling层进行池化，对候选目标框分类，并进行细致的回归。

10、优选的，所述步骤3在训练时，首先将特征提取网络在voc2007数据集上进行预训练，在f-faster rcnn网络中使用预训练的特征提取网络模型参数，迭代次数设置为500次，初始学习率设置为0.001。

11、本发明第二方面提供了一种鸡只健康状态检测方法，其特征在于，包括以下过程：

12、s1，通过摄像头获取现场环境中拍摄的鸡只粪便图像；

13、s2，将获取的图像输入到如第一方面所述的搭建方法所搭建完成的f-faster r-cnn网络模型当中；

14、s3，输出处理后的图像，图像中对患病鸡只粪便进行了相应的标注。

15、本发明第三方面提供了一种鸡只健康状态检测设备，所述设备包括至少一个处理器和至少一个存储器，所述处理器和存储器相耦合；所述存储器中存储有如第一方面所述的搭建方法所搭建的鸡只健康状态检测模型的计算机执行程序；所述处理器执行存储器中存储的计算机执行程序时，可以实现鸡只健康状态检测的方法。

16、本发明第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有如第一方面所述的搭建方法所搭建的鸡只健康状态检测模型的计算机程序或指令，所述程序或指令被处理器执行时可以使处理器执行鸡只健康状态检测的方法。

17、与现有技术相比，本发明主要提供了一种鸡只健康状态检测方法及其检测模型的搭建方法，本发明首次把faster r-cnn模型用于鸡只粪便识别检测，在faster r-cnn的框架下，本发明借鉴特征金字塔网络思想，将深层语义信息与低层位置信息结合，在特征提取网络中进行多分辨率特征融合，提取候选区域卷积特征，丰富感兴趣区域池化层细节，使其能够检测到不同尺度的目标，对建议框进行更细致的回归。通过分析数据特点，本发明提出对rpn网络层进行优化，使用小锚框来匹配目标，并使用具备平滑特性的mish函数作为特征提取网络的激活函数，能够避免在训练速度急剧下降时产生的梯度饱和问题。