基于深度学习的猪神经性疾病智能测报方法与流程

本发明涉及视频图像处理与神经网络技术方法，特别涉及一种基于深度学习的猪神经性疾病智能测报方法。

背景技术：

现阶段，我国养猪的规模化水平得到了很大的提高。但是由于技术以及成本限制等问题，传染性猪疫病时常发生。如果能在传染性猪疫病发病初期对其进行及时有效的隔离治疗，将会极大减少对猪养殖业造成的损失。第五届(2018)规模化养猪新技术国际研讨会就规模化猪场疾病预防技术进行了交流探讨，其中，华中农业大学陈焕春院士在我国猪病流行现状和防控策略报告中提出“管重于养，养重于防，防重于治”的思想。如何切实有效的提高规模化养殖场的管理，建立有效猪疾病智能预警机制，已成为我国建立规模化养猪场重点研究方向。猪神经性疾病典型的几种病因包括：猪伪狂犬病，猪水肿病，猪传染性脑脊髓炎，猪脑心肌炎，李氏杆菌病等。以上猪神经性疾病的临床症状都有以下共同点：共济失调，步态摇摆，震颤等，且死亡率高，病毒传染。疫病发病初期若不能将病猪尽早的隔离治疗处理，疫情将会迅速的蔓延扩大，给猪养殖业造成较大的经济损失。在现有的猪饲养条件下，采用人工观察和手工记数的方法在实际生产中将会存在较大的难度：首先，观察人员需要长期处于猪圈的环境下，容易对人体的身体健康产生较大的影响，而且工作人员劳动强度较大。其次，受到某些主观因素的影响，观测结果的误判和遗漏也存在着较大的可能性。目前主要应对措施是扑杀病猪、限制动物移动以及限制肉品上市流通，这类解决措施不仅会对人类的基本生活产生影响，而且还会造成经济上的重大损失。

当前，以大数据、云计算、机器学习等为代表的新一代人工智能技术进入了加速发展的阶段，日益成为国际竞争的新焦点，其发展将深刻改变人类社会生活。现发展以人工智能技术为核心的智能农业已成为我国农业创新发展的必然方向。近年来，模式识别、专家系统和人工神经网络(neuralnetwork,nn)被广泛应用于农业病虫害预测预报中，并取得了成功。其中深度学习是机器学习中较为热门的研究领域。与很多机器学习方法相比，深度学习能够从复杂图像和大量无标签复杂数据中自动学习有效的分类特征具有较强的数据分类识别和数据预测能力，并且在很多复杂的、具有内在表现特征学习方面取得了成功应用。

技术实现要素：

发明目的：本发明提供了一种采用非接触检测和诊断的方法，即可识别出猪神经性疾病早期猪体共济失调，步态摇摆，震颤等病症，实现猪神经性疾病的基于深度学习的猪神经性疾病智能测报系统。

技术方案：一种基于深度学习的猪神经性疾病智能测报系统步骤如下：

(1)采集实验所需要的视频样本，包括猪正常行走和跛脚的视频；在目标视频图像中提取一系列的单帧图像，并提取完整的目标轮廓。

(2)通过绘制轮廓中心-边缘点距离曲线，提取猪体轮廓关键点，通过将关键轮廓点与轮廓中心点相连接构建出三角形骨架模型。

(3)依据已经构建好的三角形骨架模型，提取步态角度信息，采用封装式特征选择方法，实现特征选择和步态参数的同步优化。

(4)利用开源框架caffe下的rpn网络结构设计测试平台，将特征优化过后的步态信息分作训练模型和测试模型，交叉验证得到最终检测平台。

进一步的，所述的步骤1中的实现方法如下：

(1)对目标视频图像提取一系列的单帧图像，对目标图像猪进行灰度化。

(2)对图像高斯滤波，对模板中每一个点的高斯系数使用二维高斯函数公式进行计算，通过归一化得到最终的二维高斯模板。

(3)采用边缘差分算子sobel计算水平和垂直方向的差分gx和gy，得到梯度模和方向。

(4)非极大值抑制，寻找像素点局部最大值。

(5)双阈值的选取，canny算法应用一个高阈值和一个低阈值来区分边缘像素。如果边缘像素点梯度值大于高阈值，则被认为是强边缘点。如果边缘梯度值小于高阈值，大于低阈值，则标记为弱边缘点。小于低阈值的点则被抑制掉。

(6)滞后边界跟踪，为得到精确的结果，去除噪声或颜色变化引起的引起的弱边缘点。

进一步的，所述的二维高斯函数公式为：

进一步的，利用开源框架caffe下的rpn网络结构设计测试平台，将特征优化过后的步态信息85％作为数据源，输入该测试平台用于训练模型；剩下的15％步态信息作为测试模型，共循环5次，交叉验证得到最终检测平台，通过已经建立好的检测模型，作为测报目标图像步态不稳，共济失调，震颤等症状，实现猪神经性疾病智能测报。

有益效果：与现有技术相比，本发明有以下显著效果：本发明在深度学习应用技术基础上，通过构建骨架模型提取猪步态参数，利用骨架模型的角度统计特征，在深度学习架构基础上设计预训练模型，经训练和测试后得到优化模型，实现猪神经性疾病智能测报。

附图说明

图1为测试和训练模型的建立流程框图；

图2为轮廓中心-边缘点距离计算示意图；

图3为轮廓中心-边缘点距离曲线图；

图4为三角形骨架模型示意图；

图5为∠aob的角度统计部分示例图。

具体实施方式

如图1-5所示，猪神经性疾病病症图像采集、处理和大数据集合的构建。采集实验所需要的视频样本，包括猪正常行走和跛脚的视频；在目标视频图像中提取一系列的单帧图像，对目标图像进行灰度化，然后对图像高斯滤波，图像高斯滤波的实现可以直接通过一个二维高斯核一次卷积实现，也就是二维卷积模板，二维高斯函数公式为：模板中每一个点的高斯系数可以由上面的公式计算，然后再通过归一化的方式得到最终的二维高斯模板。采用边缘差分算子sobel计算水平和垂直方向的差分gx和gy，得到梯度模和方向。通过非极大值抑制，寻找像素点局部最大值。双阈值的选取，canny算法应用一个高阈值和一个低阈值来区分边缘像素。如果边缘像素点梯度值大于高阈值，则被认为是强边缘点。如果边缘梯度值小于高阈值，大于低阈值，则标记为弱边缘点，小于低阈值的点则被抑制掉，滞后边界跟踪，为得到精确的结果，噪声或颜色变化引起的引起的弱边缘点应该去掉，通常真实边缘引起的弱边缘点和强边缘点是连通的，而由噪声引起的弱边缘点则不会，最终取得目标轮廓。求取目标轮廓的中心点(xc,yc)为：

其中为边缘点总数，(xi,yi)为某一边缘点；通过轮廓上边缘点边缘点(xi,yi)求取中心点(xc,yc)。从中心-边缘点距离曲线得到鼻子a、尾根b以及能被检测到的前肢c后肢d，从而得到三角形骨架模型。提取步态角度特征∠aob。为验证本发明数据的确定性，实验通过对多组不同监控视频数据的采集研究来判别猪正常行走和跛脚行走的∠aob，以上采集的角度统计信息作为本发明中的训练数据集合。统计计算出连续目标帧的∠aob角度的变化。

猪神经性疾早期诊断深度学习模型构建是通过对多组不同监控视频数据的采集研究来判别猪正常行走和跛脚行走的∠aob。通过对训练数据集卷积神经网络训练，得出预测分类模型同时带入测试数据集，得到预测结果。

猪神经性疾病早期诊断和智能测报系统搭建是以猪神经性疾病不同发病病因和发病不同阶段下图像大数据集作为图像样本数据集进行模型训练，构建机器学习模型探索常见猪神经性疾病的识别方法。基于样本图像数据集，研究基于深度学习的图像分割和目标检测算法，总结猪神经性疾病识别特征与规律，利用深度卷积神经网络模型进行猪神经性疾病识别，建立兼顾准确率和即时检测需求的猪神经性疾病诊断预测模型。

通过机器学习，以角度统计图像大数据集作为图像样本数据集进行模型训练。利用开源框架caffe下的rpn网络结构设计测试平台，将特征优化过后的步态信息85％作为数据源，输入该测试平台用于训练模型；剩下的15％步态信息作为测试模型，共循环5次，交叉验证得到最终检测平台，通过已经建立好的检测模型，作为测报目标图像步态不稳，共济失调，震颤等症状，实现猪神经性疾病智能测报。最后，在前期实验研究的基础上在猪舍搭建检测设备，搭建猪神经性疾病早期预警与诊断系统。