一种基于图像处理的猪只体重估值方法与流程

本发明涉及图像处理领域，具体为一种基于图像处理的猪只体重估值方法。

背景技术：

1、在现代养猪业中，猪只的体重是非常重要的指标之一，因为它可以反映出猪只的生长状况，同时也是衡量猪只肉品质量的重要标准。传统的称重方法通常是采用人工称重或者称重设备进行测量，但是这些方法都存在一些不足之处。首先，人工称重需要专业技术人员进行操作，而且往往需要大量时间和劳动力。其次，传统称重设备不仅需要投入大量资金来购置，而且对环境有一定要求，而在一些特殊场景下无法应用，比如在野外养殖中。因此，如何通过更加智能、高效的方法来测量猪只的体重已经成为了养猪业中的一个急切需求。

2、近年来，深度学习技术的发展为该问题提供了一种新的解决方法。利用计算机视觉技术可以从猪只的图片中提取有用的特征，并结合机器学习算法来估计猪只的体重。这种方法不仅可以大大减少工作量和人力成本，而且可以提高测量的准确性和精度。

3、在本项目中，我们将利用监督学习和迁移学习技术来实现猪只体重的估计。首先，我们将利用人类的图片和对应的体重数据标签来训练一个深度卷积神经网络（cnn）模型。cnn模型是一种特殊的神经网络，可以自动从输入图像中提取出对于分类或者回归任务有用的特征。通过训练该cnn模型，我们可以得到一个高效准确的人体体重估计模型。然后，我们将利用领域自适应（domain adaptation）的方法将该模型应用到猪只体重估计任务中。领域自适应是一种机器学习技术，它可以将在一个领域中训练的模型迁移到另一个领域中进行估计。在本项目中，我们通过将人体图片和猪只图片视为不同的领域，来实现从人体体重计算到猪只体重计算的迁移。

4、猪只体重的准确估计可以帮助农户合理制定饲料配比，提高猪只的生长速度和健康状况，从而提高养殖效益。此外，该方法还可以减少对猪只的干扰，减少养殖成本，提高生产效率和效益，具有很高的实用性和经济价值。

技术实现思路

1、本发明提供一种基于图像处理的猪只体重估值方法，用以解决现实中养猪场猪只体重称量繁琐的问题。本发明利用迁移学习，先从有体重标签的人体图片数据集中有监督地训练人体体重计算模型，再利用迁移学习和领域自适应的方法，把在人体体重估计中学到的模型迁移到猪只体重计算的问题上，由于人的体重可以通过问卷调查的方式获得，不需要对每个人称重，所以这种迁移的方法可以减少直接对猪只体重计算中的数据集获取困难的问题，因为猪只体重是在每天不断的变化，所以不能通过问卷的形式获取数据集，对所有的猪只称重来获取体重标签会相当麻烦，影响猪只的正常生长。所以该发明提供的方法利用迁移学习，将有监督训练的人体体重计算的模型很好迁移到猪只体重计算问题中，很好地解决了现实生活中的猪只称重问题。

2、本发明提供一种基于图像处理的猪只体重估值方法，其特征在于：所述方法的步骤如下：

3、s101：基于有标签的人体图片训练一个卷积神经网络模型，用于生成预训练模型；

4、s102：将预训练模型迁移至猪只体重估值上；

5、所述步骤s101的卷积神经网络模型的训练步骤如下：

6、s201：获取人体体重数据集，包括一系列带有体重标签的人体图片；

7、s202：对所述步骤s201中的图片的尺寸进行归一化处理，确保网络在处理每个图像时都具有相同的输入形状；

8、s203：对所述步骤s202中处理后的人体体重图片的像素值归一化到介于0和1之间的范围，使卷积神经网络模型更容易地学习权重参数，同时避免卷积神经网络模型训练过程中出现梯度爆炸和梯度消失的问题。

9、s204：对卷积神经网络模型进行多次迭代训练，直至卷积神经网络模型训练过程中的准确率趋于平稳；

10、所述步骤s102的迁移步骤如下：

11、s301：获取两类图片，所述的两类图片分别为少量带有猪体重标签的猪图片和大量无猪体重标签的猪图片；

12、s302：采用领域自适应技术和数据增强技术来提高预训练模型的性能；

13、s303：将步骤s301中的两类图片输入到预训练模型中，对所述的两类图片进行半监督学习，在半监督学习过程中对预训练模型进行微调，以适应猪只体重计算任务；

14、s304：所述微调的过程经多次迭代，直到预训练模型的损失函数值趋于平稳，生成猪只体重视觉计算模型。

15、进一步，所述步骤s301中的带有猪体重标签的猪图片的获取，是通过一种称重与图像收集装置，所述称重与图像收集装置，主要包括地面部分1、围挡部分2和摄像部分3，所述围挡部分2位于地面部分1之上，用于将猪圈在一个大小合适的空间内，摄像部分3分布在围挡部分2上方的四周，用于对圈在围挡部分2内的猪进行全方面的拍照。摄像部分3以围挡部分2的中心部位向外呈圆周均匀分布，数量以成对方式出现；所述地面部分1主要包括地基1-1和称体盖板1-5，所述地基1-1内部设有用于安装称体盖板1-5的凹槽1-2，在凹槽1-2的四个角，以及中心部位设有用于安装重量传感器1-4的安装孔1-3，当猪停留在称体盖板1-5上之时，则可以获取该猪的真实体重值；所述围挡部分2主要包括两个侧板2-1和两个挡板2-3，其中在侧板2-1上设有固定挡板2-3的凹槽2-2，通过侧板2-1和挡板2-3组成一个底面积大小与称体盖板1-5相匹配的空间，从而实现当猪停留在该空间时，不会踏称体盖板1-5之外，造成测量的体重值出现误差。

16、进一步，所述猪只体重视觉计算模型在通过猪图片估计体重时，估计猪的最终体重值的公式如下：

17、

18、式中为最终估计值，n为摄像部分3的个数，为第i个摄像部分3估计的准确率，为第i个摄像部分3获得的图片通过猪只体重视觉计算模型估计的猪的体重值；

19、其中具体获取公式如下：

20、

21、式中为第i个摄像部分3估计的准确率，为第j头猪的真实体重值，为第j头猪通过猪只体重视觉计算模型对第i个摄像部分3获得的图片估计得到该猪的体重估计值，m为s301中第i个摄像部分3的带有猪体重标签的猪图片数量。

22、进一步，步骤s302中自适应技术为生成对抗网络方法，以增加猪只图片数据的多样性，从而提高模型的泛化能力和准确性，所述的生成对抗网络方法的具体实现步骤如下：

23、s401：从原始猪只的图片数据集中随机选择一部分作为“real”图片数据集，然后用生成器随机生成一些噪声向量作为“fake”图片数据集，将“real”图片数据集和“fake”图片数据集用于训练生成对抗网络模型以获得更好的生成图片；

24、s402：使用生成器生成逼真的“fake”图片；

25、s403：使用判别器来判定这些图片的真假，并计算其损失函数，所述的判定过程中，所述的判别器的目标是尽可能准确地区分真假图片，而生成器的目标是尽可能生成逼真的图片；

26、s404：将损失函数获取的损失反向传播到生成器和判别器的权重中，以更新生成器和判别器的参数；

27、s405：重复以上步骤直到达到预期的生成效果或达到最大训练次数，获得训练好的生成器；

28、s406：将生成的“fake”图片加入到猪的图片数据集中，然后用已经预训练好的猪只体重视觉计算模型微调这个数据集，以获得更好的性能；

29、进一步，步骤s204中采用在处理稀疏数据时效果好的adam优化器，并采用l1和l2正则化和dropout方法对卷积神经网络模型进行正则化，用以防止过拟合。

30、进一步，步骤s302中的数据增强，主要包括对图片随机裁剪、旋转、缩放、翻转，以增加数据的多样性和数量。

31、进一步，步骤s303中的微调策略如下：

32、冻结预训练模型的前n层或所有层，其中n<6，只训练新添加的输出层或部分新添加的层，以避免破坏预训练模型已经学到的特征；

33、所述的微调过程的学习率比预训练模型的学习率小，用以在微调期间保留预训练模型的特征表示，避免微调过程中过大的权重更新；

34、采用自适应学习率的优化器，在微调过程中可以逐步降低微调学习率，以细化微调过程中的权重更新。

35、进一步，所述微调过程中，使用交叉验证和学习曲线方法来评估模型的泛化能力。

36、进一步，所述的半监督学习方法为伪标签学习法，所述的伪标签学习法是将无猪体重标签的猪图片产生的估计结果来作为标签，从而提高模型的性能，并在半监督学习过程中通过实验检验伪标签的可靠性，用以提高预训练模型的泛化能力。

37、本发明的有益效果为：

38、1、通过迁移学习、数据增强和领域自适应等技术，可以快速、准确、低成本根据所拍摄的猪只图片预没出猪的体重值，从而为猪只的饲养、管理和营养配比提供可靠的依据；

39、2、通过摄像头从多个角度获取猪只图片，可以避免系统误差，提高猪只体重估计的准确度；

40、3、通过猪只体重视觉计算模型估计猪只体重，减少人与猪只的接触，避免疫病传播风险。