1.一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:
2.根据权利要求1所述的一种基于图像处理的猪只体重估值方法,其特征在于: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,不会因踏在称体盖板(1-5)之外,造成测量的体重值出现误差。
3.根据权利要求2所述的一种基于图像处理的猪只体重估值方法,其特征在于: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:
4.根据权利要求3所述的一种基于图像处理的猪只体重估值方法,其特征在于: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:
5.根据权利要求4所述的一种基于图像处理的猪只体重估值方法,其特征在于: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。
6.根据权利要求4所述的一种基于图像处理的猪只体重估值方法,其特征在于: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。
7.根据权利要求4-6任一所述的一种基于图像处理的猪只体重估值方法,其特征在于:步骤s303中的微调策略如下:
8.根据权利要求7所述的一种基于图像处理的猪只体重估值方法,其特征在于: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。
9.根据权利要求8所述的一种基于图像处理的猪只体重估值方法,其特征在于: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。