一种基于视觉检测的饲喂浪费评估与策略优化方法及系统与流程

本技术涉及视觉检测，具体而言，涉及一种基于视觉检测的饲喂浪费评估与策略优化方法及系统。

背景技术：

1、在畜牧业规模化养殖中，基于视觉检测的自动化饲喂系统通过实时监测食槽饲料调整投喂策略，旨在减少浪费并保障营养。然而，实际应用中面临严峻挑战：养殖场高湿度、多粉尘环境使相机镜头逐渐积累污垢（粉尘、水汽、油污），形成薄膜，导致图像亮度降低、模糊不清、色偏严重（如浅黄饲料变灰暗）。这些退化直接影响现有视觉分析方法的可靠性——尽管系统能排除猪体干扰，但模糊和色偏使饲料边界难以区分，易将食槽底部误判为饲料或忽略薄层饲料，覆盖面积计算失准。后果是饲喂决策频繁出错：食槽有余粮时因画面昏暗误判不足而频繁补料，造成堆积浪费；食槽近空时因异常反光或色偏误判充足而延迟补料，导致猪群饥饿，影响生长发育。由此，镜头污染引发的图像质量下降严重削弱系统精准性与可靠性，甚至比人工饲喂更糟——系统“自信”地执行错误决策，而养殖人员难以从后台数据直接溯源问题根源。最终，这一技术瓶颈使自动化饲喂优势大打折扣，亟待解决镜头维护与鲁棒性算法问题。

技术实现思路

1、本技术旨在至少解决现有技术中存在的技术问题之一。为此，本技术提出一种基于视觉检测的饲喂浪费评估与策略优化方法及系统，旨在解决现有自动化饲喂系统在养殖场特殊环境下，因相机镜头污染导致图像质量下降，进而影响饲料存量评估准确性及饲喂策略调整可靠性的技术问题。

2、第一方面，本技术实施例提供一种基于视觉检测的饲喂浪费评估与策略优化方法，包括：

3、在摄像头镜头处于清洁状态时，获取食槽内预设区域的图像信息，并从所述图像信息中提取并存储所述预设区域的亮度信息、对比度信息以及颜色分布信息，作为参考光学特征信息；

4、周期性获取食槽的实时图像信息，从所述实时图像信息中提取所述预设区域的实时亮度信息、实时对比度信息以及实时颜色分布信息；

5、将所述实时亮度信息、所述实时对比度信息以及所述实时颜色分布信息与所述参考光学特征信息进行计算，确定表征图像亮度衰减、模糊度以及颜色偏移程度的图像退化参数；

6、根据所述图像退化参数对所述实时图像信息进行校正处理，得到校正后的图像信息；

7、基于所述校正后的图像信息，评估食槽内饲料的存量以得到饲料存量评估结果；

8、根据所述饲料存量评估结果，调整饲喂策略。

9、根据本技术的一些实施例，所述获取食槽内预设区域的图像信息，并从所述图像信息中提取并存储所述预设区域的亮度信息、对比度信息以及颜色分布信息，作为参考光学特征信息，包括：

10、获取食槽内预设区域的图像信息以得到多帧图像；

11、根据多帧所述图像建立亮度直方图；

12、分别计算每帧所述图像的平均亮度值、亮度值的标准差和颜色通道的平均值；

13、根据所述平均亮度值、所述亮度值的标准差和所述颜色通道的平均值得到所述预设区域的亮度信息、对比度信息以及颜色分布信息；

14、将所述亮度直方图、所述亮度信息、所述对比度信息和所述颜色分布信息作为参考光学特征信息。

15、根据本技术的一些实施例，所述将所述实时亮度信息、所述实时对比度信息以及所述实时颜色分布信息与所述参考光学特征信息进行计算，确定表征图像亮度衰减、模糊度以及颜色偏移程度的图像退化参数，包括：

16、将所述实时亮度信息与所述参考光学特征信息中的亮度信息进行计算，得到亮度衰减系数；

17、将所述实时对比度信息与所述参考光学特征信息中的对比度信息进行计算，得到模糊参数；

18、将所述实时颜色分布信息与所述参考光学特征信息中的颜色分布信息进行计算，得到颜色变换矩阵；

19、获取所述实时图像信息的实时亮度直方图；

20、将所述参考光学特征信息中的亮度直方图与所述实时亮度直方图进行分布比较，得到分布比较的结果；

21、根据所述分布比较的结果，确定用于调整所述亮度衰减系数、所述模糊参数和/或所述颜色变换矩阵的校正因子；

22、根据所述亮度衰减系数、所述模糊参数、所述颜色变换矩阵和校正因子，构成表征图像亮度衰减、模糊度以及颜色偏移程度的图像退化参数。

23、根据本技术的一些实施例，所述根据所述图像退化参数对所述实时图像信息进行校正处理，得到校正后的图像信息，包括：

24、获取所述实时图像信息中各像素点的原始灰度值，将所述原始灰度值乘以所述亮度衰减系数的倒数，得到初步补偿灰度值；

25、采用对比度拉伸算法对所述初步补偿灰度值进行动态范围调整，得到调整后的灰度值；

26、将调整后的灰度值限定在预设的灰度级阈值范围内，得到限定后的灰度值并以所述限定后的灰度值替换原始像素值，得到亮度恢复后的图像信息；

27、将所述实时图像信息从空间域变换至频率域，得到频域图像频谱；

28、根据所述模糊参数构建对应的点扩散函数的频率响应矩阵，将所述频域图像频谱除以所述点扩散函数的频率响应矩阵，得到去模糊后的频域频谱并对所述去模糊后的频域频谱执行逆傅里叶变换，得到去模糊后的图像信息；

29、将所述实时图像信息分解为红色通道、绿色通道和蓝色通道三个独立通道，根据每个所述通道的原始像素值向量和所述颜色变换矩阵，得到包含串扰消除和色温校正的初步通道映射值；

30、对所述初步通道映射值施加通道独立偏置补偿量，并将补偿后的各所述通道的值重新合成为三通道彩色图像数据，得到颜色校正后的图像信息；

31、采用并行加权融合对所述亮度恢复后的图像信息、所述去模糊后的图像信息和所述颜色校正后的图像信息进行处理，得到校正后的图像信息。

32、根据本技术的一些实施例，所述根据所述图像退化参数对所述实时图像信息进行校正处理，得到校正后的图像信息之后，还包括：

33、将所述校正后的图像信息与预设参考图像或相邻帧图像进行残差计算，基于所述残差在色度通道上的偏移量提取颜色偏差候选区域，以及基于所述残差在高频分量上的梯度衰减量提取细节失真候选区域；

34、对所述颜色偏差候选区域和所述细节失真候选区域进行连通域筛选，将面积大于预设阈值的连通域界定为目标区域，并根据所述目标区域内偏差类别确定其失真类型；

35、根据识别出的所述失真类型，生成非线性校正函数；

36、根据所述非线性校正函数对所述目标区域进行校正，得到局部校正后的图像信息；

37、评估所述局部校正后的图像信息的校正效果，直到所述校正效果达到预设效果停止校正。

38、根据本技术的一些实施例，所述评估所述局部校正后的图像信息的校正效果，直到所述校正效果达到预设效果停止校正，包括：

39、将所述局部校正后的图像信息输入至预先训练的目标检测模型中，经所述目标检测模型的前向推理计算，输出表征当前图像中饲料区域被正确识别的置信度分数；

40、根据所述置信度分数，确定所述非线性校正函数的参数调整方向和调整步长；

41、根据所述参数调整方向和所述调整步长对所述非线性校正函数进行调整；

42、提取所述局部校正后的图像信息中所述目标区域的色度均值和平均梯度幅值，将所述色度均值和平均梯度幅值分别与所述参考光学特征信息中对应的参考色度值和参考梯度值进行比较，得到比较结果差值，直至所述比较结果差值未超出预设容差阈值停止校正。

43、根据本技术的一些实施例，所述根据所述置信度分数，确定所述非线性校正函数的参数调整方向和调整步长，包括：

44、当所述置信度分数提升时，获取本次所述非线性校正函数的参数调整幅度和当前方向，沿所述当前方向调整所述非线性校正函数的参数调整方向并根据所述参数调整幅度动态调整下次调整步长；

45、当所述置信度分数下降或无明显变化时，回溯所述非线性校正函数的参数状态，根据所述参数状态反向调整所述非线性校正函数的参数调整方向和调整步长。

46、根据本技术的一些实施例，所述根据所述饲料存量评估结果，调整饲喂策略，包括：

47、在接收到所述饲料存量评估结果后，获取当前养殖场的环境数据，其中，所述环境数据包括湿度、粉尘浓度、温度以及光照强度；

48、监测饲喂系统各关键部件的运行状态，以识别是否存在设备故障，其中，所述运行状态包括投料机构、输送机构以及料位传感器的实时数据；

49、通过视觉或传感器数据，识别牲畜群体的异常行为，所述异常行为包括长时间聚集在食槽周围但采食量未增加，或远离食槽；

50、根据所述环境数据、所述运行状态以及所述牲畜群体的异常行为，判断是否存在突发性异常事件；

51、当存在所述突发性异常事件，根据所述突发性异常事件的类型和程度，对所述饲料存量评估结果进行修正，以得到修正后的饲料存量评估结果；

52、根据所述修正后的饲料存量评估结果，调整饲喂策略，所述调整饲喂策略包括调整投喂量、调整投喂频率或暂停投喂。

53、根据本技术的一些实施例，所述当存在所述突发性异常事件，根据所述突发性异常事件的类型和程度，对所述饲料存量评估结果进行修正，以得到修正后的饲料存量评估结果，包括：

54、识别同时发生的多种所述突发性异常事件；

55、分析每种所述突发性异常事件对所述饲料存量评估结果的潜在影响方向以及潜在影响幅度；

56、根据所述潜在影响方向以及所述潜在影响幅度，计算每种所述突发性异常事件对所述饲料存量评估结果的修正权重；

57、依据所述修正权重，对每种所述突发性异常事件的影响进行加权叠加，得到综合修正值；

58、根据所述综合修正值对所述饲料存量评估结果进行修正，得到修正后的饲料存量评估结果。

59、第二方面，本技术还公开了一种基于视觉检测的饲喂浪费评估与策略优化系统，包括：

60、第一获取模块，用于在摄像头镜头处于清洁状态时，获取食槽内预设区域的图像信息，并从所述图像信息中提取并存储所述预设区域的亮度信息、对比度信息以及颜色分布信息，作为参考光学特征信息；

61、第二获取模块，用于周期性获取食槽的实时图像信息，从所述实时图像信息中提取所述预设区域的实时亮度信息、实时对比度信息以及实时颜色分布信息；

62、计算模块，用于将所述实时亮度信息、所述实时对比度信息以及所述实时颜色分布信息与所述参考光学特征信息进行计算，确定表征图像亮度衰减、模糊度以及颜色偏移程度的图像退化参数；

63、处理模块，用于根据所述图像退化参数对所述实时图像信息进行校正处理，得到校正后的图像信息；

64、评估模块，用于基于所述校正后的图像信息，评估食槽内饲料的存量以得到饲料存量评估结果；

65、调整模块，用于根据所述饲料存量评估结果，调整饲喂策略。

66、根据本技术实施例的技术方案，至少具有如下有益效果：本技术公开了一种基于视觉检测的饲喂浪费评估与策略优化方法。该方法通过在摄像头镜头处于清洁状态时，获取食槽内预设区域的图像信息，并提取亮度、对比度及颜色分布信息作为参考光学特征信息。随后，周期性获取食槽的实时图像信息，并提取相应的实时光学特征信息。通过将实时光学特征信息与参考光学特征信息进行计算，能够准确确定表征图像亮度衰减、模糊度以及颜色偏移程度的图像退化参数。基于这些图像退化参数，对实时图像信息进行校正处理，得到高质量的校正后图像信息。最终，基于校正后的图像信息评估饲料存量，并根据评估结果调整饲喂策略。通过上述技术方案，本技术有效解决了现有技术中因养殖场高湿度、多粉尘环境导致相机镜头污染，进而引发图像亮度衰减、模糊和色偏，最终影响饲料存量评估准确性及饲喂策略可靠性的问题。本方法通过建立清洁状态下的参考光学特征，并实时监测图像退化，对图像进行针对性校正，确保了视觉检测的准确性和稳定性。由此可见，本技术能够显著提高自动化饲喂系统的精准性和可靠性，避免因图像质量问题导致的饲料浪费或供给不足，从而优化养殖效率，降低运营成本。

67、本技术的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到。