一种肉牛异常行为分级识别方法及系统

本发明涉及目标检测，更具体的说是涉及一种肉牛异常行为分级识别方法及系统。

背景技术：

1、目前，随着我国智慧畜牧业向规模化、集约化方向深入发展，肉牛健康状态的实时监测已成为保障养殖经济效益和动物福利的关键环节。肉牛的异常行为（如非周期性跛行、异常打斗等）通常是疫病感染、蹄部病变或群体应激的早期外在表征。目前，多数牧场对肉牛异常行为的监测仍高度依赖人工定时巡视，存在漏检率高、主观性强及夜间监管盲区大等问题，难以实现全天候、高频次的精细化监控。

2、近年来，基于深度学习的计算机视觉技术逐渐被引入畜牧业的行为识别任务中。例如，中国发明专利申请（公开号：cn116543462a，发明名称：基于视频骨骼的奶牛行为识别判断奶牛健康状况的方法）公开了一种提取奶牛骨骼关键点进行行为识别的方案；又如中国发明专利申请（公开号：cn110741962a，发明名称：一种基于奶牛行为识别算法的发情和健康监测方法）公开了基于端到端深度学习网络的牛只行为判别模型。虽然这些现有技术在实验室环境下取得了一定的识别效果，但在真实的肉牛养殖工程场景及移动巡检机器人的应用中，面临着难以克服的技术瓶颈：

3、首先，难以从庞大牛群的复杂画面中快速筛查出异常单体。真实的规模化牛舍环境极其庞大，系统往往需要处理错综复杂的群体视觉信号。如果缺乏高效的过滤机制，系统极易在海量正常牛只的数据处理中迷失，导致真正发生异常的单体病牛难以被及时挑出与警报。

4、其次，对大规模群体进行全局无差别处理极易引发边缘端设备的算力瘫痪。在超大规模牧场巡检中，画面内可能同时出现数十头甚至上百头肉牛。巡检机器人搭载的边缘计算节点算力存在物理上限，若对全局画面中所有牛只无差别地执行高负载的静态特征识别与姿态估计算法，会导致边缘计算芯片算力瞬间过载、处理帧率大幅下降。海量未经初筛的繁杂数据强行流入深度网络，甚至会导致系统死机，彻底丧失工业级实时监测的意义。

5、因此，如何提供一种能够解决上述问题的肉牛异常行为分级识别方法是本领域技术人员亟需解决的问题。

技术实现思路

1、有鉴于此，本发明提供了一种肉牛异常行为分级识别方法及系统，构建了一种由“全局扫描—异常初筛—空间门控—精细诊断—状态仲裁—过滤预警”组成的级联处理框架。该框架通过个体空间尺度门控与宏观动力学初筛解耦并行运行，实现计算资源的按需释放；同时结合静态体征诊断、动态步态分析以及时序行为识别机制，实现对异常个体的快速筛查与精准定位。此外，本发明将畜牧病理学先验特征与双向时序神经网络深度耦合，并构建基于状态字典的多标签状态仲裁机制和异常过滤存证机制，从而在复杂移动巡检场景下实现对肉牛跛行、打斗以及静态体征异常个体的低延迟识别与风险分级。

2、为了实现上述目的，本发明采用如下技术方案：

3、一种肉牛异常行为分级识别方法，包括以下步骤：

4、获取肉牛的群体视频场景数据，并对所述群体视频场景数据进行目标识别以及打斗行为识别，得到对应的目标识别结果以及初步行为识别结果；

5、对所述初步行为识别结果进行判别，当所述初步行为识别结果提示存在打斗行为时进行报警；

6、当所述初步行为识别结果提示不存在打斗行为时结合所述目标识别结果进行动态特征提取，得到对应的动态特征；

7、当所述目标识别结果符合预设判别规则时结合所述群体视频场景数据进行静态特征提取，得到对应的静态特征；

8、分别对所述静态特征以及动态特征进行异常识别，得到对应的异常识别结果。

9、优选的，得到对应的目标识别结果以及初步行为识别结果的具体处理过程包括：

10、获取肉牛的群体视频场景数据，并对所述群体视频场景数据进行预处理，得到对应的当前图像帧；

11、预设时间检测步长，对所述当前图像帧进行目标行为检测，得到对应的初步行为识别结果；

12、对所述当前图像帧进行牛只目标检测，生成对应的二维包围框信息；

13、根据所述二维包围框信息提取每个目标的独立时空运动轨迹，将所述独立时空运动轨迹作为目标识别结果。

14、优选的，得到对应的静态特征的具体处理过程包括：

15、对所述当前图像帧进行特征提取，得到对应的静态特征。

16、优选的，得到对应的动态特征的具体处理过程包括：

17、对所述独立时空运动轨迹进行提取，得到对应的二维包围框信息；

18、根据所述二维包围框信息解算牛只在连续时间窗口下的宏观运动学物理量；

19、对所述宏观运动学物理量进行动力学分析及筛选，得到对应的目标筛选结果；

20、构建轻量化位姿估算模型，并将所述目标筛选结果输入至所述轻量化位姿估算模型进行处理，得到每个目标的全身关键物理节点坐标，并基于全身关键物理节点坐标解析出目标的局部细粒度步态生物力学参量，并将所述局部细粒度步态生物力学参量以及全身关键物理节点坐标作为动态特征。

21、优选的，对所述动态特征进行异常识别的具体处理过程包括：

22、对所述局部细粒度步态生物力学参量以及全身关键物理节点坐标进行预处理，得到对应的多维时序特征张量；

23、构建判别模型，并将所述多维时序特征张量输入至所述判别模型进行处理，得到对应的风险置信度；

24、当风险置信度符合阈值要求时判断个体状态异常。

25、优选的，所述判别模型为双向长短期记忆网络。

26、优选的，对所述静态特征进行异常识别的具体处理过程包括：

27、构建多目标检测模型，并将所述静态特征输入至所述多目标检测模型进行处理，得到对应的静态特征异常判别结果。

28、本发明还提供一种肉牛异常行为分级识别系统，包括：

29、识别模块，用于获取肉牛的群体视频场景数据，并对所述群体视频场景数据进行目标识别以及打斗行为识别，得到对应的目标识别结果以及初步行为识别结果；

30、判别模块，用于分别对所述目标识别结果以及所述初步行为识别结果进行判别，当所述初步行为识别结果提示存在打斗行为时进行报警；

31、第一特征提取模块，用于当所述初步行为识别结果提示不存在打斗行为时结合所述目标识别结果进行动态特征提取，得到对应的动态特征；

32、第二特征提取模块，用于当所述目标识别结果符合预设判别规则时，构建多目标检测模型，利用多目标检测模型得到对应的静态特征；

33、异常判定模块，用于分别对所述静态特征以及动态特征进行异常识别，得到对应的异常识别结果。

34、经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种肉牛异常行为分级识别方法及系统，具有如下有益效果：

35、（1）通过全局打斗直算机制与个体级动力学粗筛机制，实现大规模牛群环境下异常个体的快速筛查；

36、（2）通过空间尺度门控机制实现算力按需释放，避免远端低质量目标造成无效推理；

37、（3）通过静态体征与动态步态双分支异构诊断结构，实现肉牛异常状态的全覆盖监测；

38、（4）通过病理学先验特征与bilstm时序网络深度融合，提高跛行异常识别精度；

39、（5）通过多标签状态仲裁机制，实现复杂异常状态下的统一风险表达；

40、（6）通过异常过滤与自动存证机制，大幅降低正常目标的渲染开销，提高边缘平台长期运行稳定性；

41、（7）通过“即查即拍、即检即存”的证据保留机制，提高异常个体追溯效率和智慧牧场工程应用价值。