一种单围栏育肥猪检测计数的方法与流程

本发明涉及养殖，尤其涉及一种单围栏育肥猪检测计数的方法。

背景技术：

1、在实现本发明过程中，发明人发现现有技术中至少存在如下问题：

2、在养殖场(户)进行猪险投保时，保险公司无法进入养猪场清点数量，都是由养殖户自行人工清点报备，因此易造成少报、瞒报标的数量的现象。

技术实现思路

1、有鉴于此，本发明实施例提供一种单围栏育肥猪检测计数的方法，能够对存栏的育肥猪数量自动清点，从而提高数据准确性、加强防范虚增承保数量或不足额承保等情况。

2、为实现上述目的，根据本发明实施例的一个方面，提供了一种单围栏育肥猪检测计数的方法，包括：

3、根据训练原始猪栏图片，生成多猪栏照片数据集；

4、根据所述多猪栏照片数据集，预先构建猪栏分割模型；

5、根据所述多猪栏照片数据集，预先构建育肥猪检测模型；

6、将待识别的原始猪栏照片输入到所述猪栏分割模型与所述育肥猪检测模型中，输出图片中的单个猪栏区域，以及在此区域中育肥猪定位与数量。

7、可选地，所述根据训练原始猪栏图片，生成多猪栏照片数据集，包括：

8、收集育肥猪养殖险承保阶段的所述训练原始猪栏图片；其中，所述训练原始猪栏图片中包括了多个猪栏，且所述育肥猪清点数量是指照片中面积占比最大猪栏的育肥猪数量；

9、对猪栏照片进行数据处理；

10、采用标注工具对每张所述训练原始猪栏图片采用图像分割标注，分割图中所有的猪栏区域，类别为猪栏内地面和猪栏外地面；

11、采用标注工具对每张所述训练原始猪栏图片采用目标检测中的矩形框标注，定位图中所有育肥猪位置；

12、在标注了少量照片后，生成初版的检测模型；

13、将所述初版的检测模型嵌在标注工具中，自动生成每张图的目标位置框；

14、在完成生每张图的所述目标位置框后，进行数据增强处理。

15、可选地，所述数据增强处理，包括：

16、对每张图的所述目标位置框进行随机裁剪、随机缩放、随机翻转、随机伽马变换、随机旋转、颜色抖动、mosaic处理的方式。

17、可选地，所述根据所述多猪栏照片数据集，预先构建猪栏分割模型，包括：

18、对已标注完成的猪栏数据集进行归一化处理后，划分为为第一训练集、第一验证集与第一测试集；

19、设置模型的分类为背景、栏内地面、栏外地面；

20、设置首次训练参数，设置总训练轮次，设置单步训练数据个数和尺寸；

21、对所述第一训练集的部分数据进行初始训练，生成初始训练模型；

22、对所述初始训练模型进行预设第一次数的训练后，根据所述第一验证集进行验证，保留验证准确率最高的模型；

23、使用所述准确率最高的模型，对所述第一训练集中的数据进行二次训练，生成二次训练的模型；根据所述验证集进行验证，对所述二次训练的模型，将验证准确率最高的模型确定为猪栏分割模型。

24、可选地，所述对所述第一训练集的部分数据进行初始训练，包括：

25、获取所述第一训练集中部分数据；

26、使用预训练模型冷启动，将起始学习率设置为0.00003，轮次设置为10轮，直到学习率线性增加到0.0001，配置gpu加速，进行所述初次训练。

27、可选地，所述使用所述准确率最高的模型，对所述第一训练集中的数据进行二次训练，包括：

28、获取所述准确率最高的模型；

29、利用所述准确率最高的模型，将所述第一训练集的全部数据进行训练；

30、其中，初始学习率设置为0.00001，总训练轮次100轮，设置单步训练数据个数8张，进行第二次训练。

31、可选地，还包括：

32、将线性学习率衰减、adam优化器，adam优化器选择momentum为0.9，weight decay为0.0001；

33、验证过程指标选择为meaniou为评价指标。

34、可选地，根据所述多猪栏照片数据集，预先构建育肥猪检测模型，包括：

35、根据训练原始猪栏图片，生成多猪栏照片数据集；

36、将所述多猪栏照片数据集分为第二训练集、第二验证集、第二测试集；

37、采用k-means算法对猪栏数据中的真值框进行聚类，得到锚框的参数；

38、利用预训练权重模型，生成第一阶段训练模型；

39、对所述第一阶段训练模型进行训练，得到育肥猪检测模型。

40、可选地，利用预训练权重模型，生成第一阶段训练模型，包括：

41、采用yolov7-w6_training.pt作为所述预训练权重模型；其中，初始学习率为0.01，epoch设置为50，batchsize设置为8；

42、将所述第二训练集输入到所述预训练权重模型中，利用gpu进行模型的训练，训练中冻结主干网络；

43、在训练中冻结主干网络的过程中，保存每10个epoch的权值。

44、可选地，所述对所述第一阶段训练模型进行训练，得到育肥猪检测模型，包括：

45、将学习率设置为0.0005，batchsize为4，epoch为300；

46、利用gpu将所述冻结主干网络解冻，主干网络的加入模型的训练，权重进行梯度计算；

47、当网络的训练过程中，训练集的loss值和第一验证集的loss值在5个epoch中基本趋于稳定时，模型的训练结束，得到育肥猪检测模型。

48、可选地，根据所述多猪栏照片数据集，预先构建育肥猪检测模型，包括：

49、采用了余弦退火学习率衰减、sgd优化器、silu激活函数以及label_smoothing正则化策略；最终的育肥猪检测的结果中会存在有多个检测目标，针对多个检测框的目标筛选采用soft-nms方法，确定最终的育肥猪的位置预测框。

50、上述发明中的一个实施例具有如下优点或有益效果：

51、通过采用本发明一种单围栏育肥猪检测计数的方法，能够对存栏的育肥猪数量自动清点，从而提高数据准确性、加强防范虚增承保数量或不足额承保等情况。

52、上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。

技术特征：

1.一种单围栏育肥猪检测计数的方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述根据训练原始猪栏图片，生成多猪栏照片数据集，包括：

3.根据权利要求2所述的方法，其特征在于，所述数据增强处理，包括：

4.根据权利要求1所述的方法，其特征在于，所述根据所述多猪栏照片数据集，预先构建猪栏分割模型，包括：

5.根据权利要求4所述的方法，其特征在于，所述对所述第一训练集的部分数据进行初始训练，包括：

6.根据权利要求4所述的方法，其特征在于，所述使用所述准确率最高的模型，对所述第一训练集中的数据进行二次训练，包括：

7.根据权利要求4-6中之一所述的方法，其特征在于，还包括：

8.根据权利要求1所述的方法，其特征在于，根据所述多猪栏照片数据集，预先构建育肥猪检测模型，包括：

9.根据权利要求8所述的方法，其特征在于，利用预训练权重模型，生成第一阶段训练模型，包括：

10.根据权利要求8所述的方法，其特征在于，所述对所述第一阶段训练模型进行训练，得到育肥猪检测模型，包括：

11.根据权利要求8所述的方法，其特征在于，根据所述多猪栏照片数据集，预先构建育肥猪检测模型，包括：

技术总结
本发明公开了一种单围栏育肥猪检测计数的方法，涉及养殖技术领域。该方法的一具体实施方式包括：根据训练原始猪栏图片，生成多猪栏照片数据集；根据所述多猪栏照片数据集，预先构建猪栏分割模型；根据所述多猪栏照片数据集，预先构建育肥猪检测模型；将待识别的原始猪栏照片输入到所述猪栏分割模型与所述育肥猪检测模型中，输出图片中的单个猪栏区域，以及在此区域中育肥猪定位与数量。该实施方式能够对存栏的育肥猪数量自动清点，从而提高数据准确性、加强防范虚增承保数量或不足额承保等情况。

技术研发人员：孔宇飞,吴东东,顾正宇
受保护的技术使用者：中国人寿财险保险股份有限公司
技术研发日：
技术公布日：2024/1/15