一种牲畜估重方法、装置及存储介质与流程

1.本发明涉及牲畜管理技术领域，尤其是涉及一种牲畜估重方法、装置及存储介质。


背景技术：

2.在牲畜养殖行业中，随着牲畜的生长，一般都会对牲畜进行重量测定，尤其是在出栏阶段，需要按重量进行价格评估。例如在生猪饲养阶段，如果每天或每周统计出生猪体重的变化，则可以根据体重的变化掌握生猪的饲喂曲线，从而能够更好的调节生猪的饮食系统，提高料肉比。现有的牲畜估重方法通常采用地秤的方式对生猪重量进行评估，即通过将生猪驱赶到有地秤的地方进行称重。但是这种方法存在以下问题：
3.(1)牲畜不配合工作人员，需要工作人员花费较多时间驱赶牲畜；
4.(2)地秤长时间暴露在潮湿环境，设备生锈、腐蚀导致称重误差较大。


技术实现要素：

5.本发明提供了了一种牲畜估重方法、装置及存储介质，以解决现有的牲畜估重方法需要较大的工作量以及容易出现误差，导致体重评估的效率低以及误差大的技术问题。
6.本发明的第一实施例提供了一种牲畜估重方法，其特征在于，包括：
7.采集目标区域中待评估牲畜的图像数据，并将所述图像数据分为训练集和测试集，其中，所述图像数据包括深度数据和可见光数据；
8.对所述训练集中的图像数据进行数据标注，得到待处理数据；
9.将所述待处理数据中的深度数据以及可见光数据输入至深度学习神经网络模型中进行模型训练，得到牲畜体重评估模型；
10.将所述测试集输入至所述牲畜体重评估模型中，得到所述待评估牲畜的体重数据。
11.进一步的，所述将所述待处理数据中的深度数据以及可见光数据输入至深度学习神经网络模型中进行模型训练，得到牲畜体重评估模型，具体为：
12.利用深度神经网络模型分别对所述待处理数据中的可见光数据以及深度数据进行卷积运算，得到所述待评估牲畜的特征值以及mask位图；
13.将牲畜体重数据作为拟合目标，根据所述特征值以及所述mask位图进行模型训练，得到牲畜体重评估模型。
14.进一步的，在“将所述测试集输入至所述牲畜体重评估模型中，得到所述待评估牲畜的体重数据”，之后，还包括：
15.将所述体重数据与牲畜的真实体重数据进行比对，若所述体重数据的准确率低于预设值，则重新进行模型训练。
16.进一步的，所述可见光数据为可见光rgb数据。
17.进一步的，在得到所述待评估牲畜的体重数据之后，还包括：
18.将所述待评估牲畜的体重数数据上传至云平台。
19.本发明的第二实施例提供了一种牲畜估重装置，包括：
20.数据划分模块，用于采集目标区域中待评估牲畜的图像数据，并将所述图像数据分为训练集和测试集，其中，所述图像数据包括深度数据和可见光数据；
21.数据标注模块，用于对所述训练集中的图像数据进行数据标注，得到待处理数据；
22.模型训练模块，用于将所述待处理数据中的深度数据以及可见光数据输入至深度学习神经网络模型中进行模型训练，得到牲畜体重评估模型；
23.体重评估模块，用于将所述测试集输入至所述牲畜体重评估模型中，得到所述待评估牲畜的体重数据。
24.进一步的，所述模型训练模块，具体用于：
25.利用深度神经网络模型分别对所述待处理数据中的可见光数据以及深度数据进行卷积运算，得到所述待评估牲畜的特征值以及mask位图；
26.将牲畜体重数据作为拟合目标，根据所述特征值以及所述mask位图进行模型训练，得到牲畜体重评估模型。
27.进一步的，还包括数据比对模块，用于：
28.将所述体重数据与牲畜的真实体重数据进行比对，若所述体重数据的准确率低于预设值，则重新进行模型训练。
29.进一步的，所述可见光数据为可见光rgb数据。
30.本发明的第三实施例提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的牲畜估重方法。
31.本发明实施例通过计算机视觉采集牲畜的深度数据以及可见光数据，以对牲畜进行估重，能够有效减少工作量，从而能够有效提高牲畜体重评估的效率；本发明实施例能够从深度数据中获取摄像头与目标的距离，从而能够有效提高对牲畜进行估重的准确性。
附图说明
32.图1是本发明实施例提供的牲畜估重方法的流程示意图；
33.图2是本发明实施例提供的可见光数据示意图；
34.图3是本发明实施例提供的深度数据示意图；
35.图4是本发明实施例提供的牲畜体重评估模型的卷积结构示意图；
36.图5是本发明实施例提供的牲畜估重方法的另一流程示意图；
37.图6是本发明实施例提供的牲畜估重装置的结构示意图。
具体实施方式
38.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
39.在本技术的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第
一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本技术的描述中，除非另有说明，“多个”的含义是两个或两个以上。
40.在本技术的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本技术中的具体含义。
41.请参阅图1
‑
5，在本发明的第一实施例中，提供了图1所示的一种牲畜估重方法，其特征在于，包括：
42.s1、采集目标区域中待评估牲畜的图像数据，并将图像数据分为训练集和测试集，其中，图像数据包括深度数据和可见光数据；
43.在本发明实施例中，需要采集大量的牲畜图像数据，在单目摄像头成像时，摄像头离目标的距离远近决定了目标的大小，在实际工程中难以让摄像头在同一距离下对牲畜进行取样以及标定。本发明实施例通过采集牲畜的深度数据以及可见光数据，能够从深度数据中获取摄像头与目标的距离，从而能够有效提高对牲畜进行估重的准确性。
44.示例性的，本发明实施例的牲畜样本为生猪，通过集成可见光相机以及深度摄像机的摄像设备采集待评估牲畜的图像数据。在本发明实施例中，可见光数据为可见光rgb数据。
45.s2、对训练集中的图像数据进行数据标注，得到待处理数据；
46.在本发明实施例中，通过数据标注的方式对图像数据打上一个标签，该标签为模型训练时需要预测的值。
47.s3、将待处理数据中的深度数据以及可见光数据输入至深度学习神经网络模型中进行模型训练，得到牲畜体重评估模型；
48.请参阅图2
‑
3，分别分本发明实施例的可见光数据示意图以及深度数据示意图。
49.s4、将测试集输入至牲畜体重评估模型中，得到待评估牲畜的体重数据。
50.本发明实施例通过计算机视觉采集牲畜的深度数据以及可见光数据，以对牲畜进行估重，能够有效减少工作量，从而能够有效提高牲畜体重评估的效率；本发明实施例能够从深度数据中获取摄像头与目标的距离，从而能够有效提高对牲畜进行估重的准确性。
51.在本发明实施例中，将待处理数据中的深度数据以及可见光数据输入至深度学习神经网络模型中进行模型训练，得到牲畜体重评估模型，具体为：
52.利用深度神经网络模型分别对待处理数据中的可见光数据以及深度数据进行卷积运算，得到待评估牲畜的特征值以及mask位图；
53.可选地，本发明实施例通过采用4通道数据输入的方式将深度数据以及可见光数据输入至深度神经网络模型中。本发明实施例在将深度数据以及可见光数据输入至深度神经网络中进行卷积运算，并在卷积运算过程中将深度数据以及rgb可见光数据进行融合，通过卷积运算输出特征值以及mask位图。
54.将牲畜体重数据作为拟合目标，根据特征值以及mask位图进行模型训练，得到牲畜体重评估模型。
55.请参阅图4，本发明实施例通过加入一种attention机制，使得可见光rgb数据更加
专注于对生猪轮廓的提取，同时能够使得深度数据根据生猪的轮廓，将权重数据集中到轮廓内部，从而能够提高能够有效提高深度数据的使用效率，通过降低非生猪身上数据的权重，增加生猪身上数据的权重，从而能够有效提高模型训练的准确性和可靠性。
56.在一种具体的实施方式中，可将训练好的模型部署到嵌入式设备中进行生猪体重的评估。
57.在本发明实施例中，在“将测试集输入至牲畜体重评估模型中，得到待评估牲畜的体重数据”，之后，还包括：
58.将体重数据与牲畜的真实体重数据进行比对，若体重数据的准确率低于预设值，则重新进行模型训练。
59.可选地，在评估得到的体重数据没有达到预期的准确率时，重新进行模型训练，并采用新的模型进行牲畜的体重评估，直至得到的体重数据达到预期的准确率。
60.在本发明实施例中，在得到待评估牲畜的体重数据之后，还包括：
61.将待评估牲畜的体重数数据上传至云平台。
62.在本发明实施例中，将牲畜的体重上传至云平台，可以通过云平台查看所有牲畜的体重数据，有利于提高对牲畜管理的便捷性。
63.请参阅图5，为本发明实施例提供的一种牲畜评估方法的另一流程示意图。
64.实施本发明实施例，具有以下有益效果：
65.本发明实施例通过计算机视觉采集牲畜的深度数据以及可见光数据，以对牲畜进行估重，能够有效减少工作量，从而能够有效提高牲畜体重评估的效率；本发明实施例能够从深度数据中获取摄像头与目标的距离，从而能够有效提高对牲畜进行估重的准确性；本发明实施例将深度数据以及可见光数据输入至深度神经网络中进行卷积运算，并在卷积运算过程中将深度数据以及rgb可见光数据进行融合，通过卷积运算输出特征值以及mask位图，使得可见光rgb数据更加专注于对生猪轮廓的提取，同时能够使得深度数据根据生猪的轮廓，将权重数据集中到轮廓内部，从而能够提高能够有效提高深度数据的使用效率，通过降低非生猪身上数据的权重，增加生猪身上数据的权重，从而能够有效提高模型训练的准确性和可靠性。
66.请参阅图6，本发明的第二实施例提供了一种牲畜估重装置，包括：
67.数据划分模块，用于采集目标区域中待评估牲畜的图像数据，并将图像数据分为训练集和测试集，其中，图像数据包括深度数据和可见光数据；
68.在本发明实施例中，需要采集大量的牲畜图像数据，在单目摄像头成像时，摄像头离目标的距离远近决定了目标的大小，在实际工程中难以让摄像头在同一距离下对牲畜进行取样以及标定。本发明实施例通过采集牲畜的深度数据以及可见光数据，能够从深度数据中获取摄像头与目标的距离，从而能够有效提高对牲畜进行估重的准确性。
69.示例性的，本发明实施例的牲畜样本为生猪，通过集成可见光相机以及深度摄像机的摄像设备采集待评估牲畜的图像数据。在本发明实施例中，可见光数据为可见光rgb数据。
70.数据标注模块，用于对训练集中的图像数据进行数据标注，得到待处理数据；
71.在本发明实施例中，通过数据标注的方式对图像数据打上一个标签，该标签为模型训练时需要预测的值。
72.模型训练模块，用于将待处理数据中的深度数据以及可见光数据输入至深度学习神经网络模型中进行模型训练，得到牲畜体重评估模型；
73.请参阅图2
‑
3，分别分本发明实施例的可见光数据示意图以及深度数据示意图。
74.体重评估模块，用于将测试集输入至牲畜体重评估模型中，得到待评估牲畜的体重数据。
75.本发明实施例通过计算机视觉采集牲畜的深度数据以及可见光数据，以对牲畜进行估重，能够有效减少工作量，从而能够有效提高牲畜体重评估的效率；本发明实施例能够从深度数据中获取摄像头与目标的距离，从而能够有效提高对牲畜进行估重的准确性。
76.在本发明实施例中，模型训练模块，具体用于：
77.利用深度神经网络模型分别对待处理数据中的可见光数据以及深度数据进行卷积运算，得到待评估牲畜的特征值以及mask位图；
78.可选地，本发明实施例通过采用4通道数据输入的方式将深度数据以及可见光数据输入至深度神经网络模型中。本发明实施例在将深度数据以及可见光数据输入至深度神经网络中进行卷积运算，并在卷积运算过程中将深度数据以及rgb可见光数据进行融合，通过卷积运算输出特征值以及mask位图。
79.将牲畜体重数据作为拟合目标，根据特征值以及mask位图进行模型训练，得到牲畜体重评估模型。
80.请参阅图4，本发明实施例通过加入一种attention机制，使得可见光rgb数据更加专注于对生猪轮廓的提取，同时能够使得深度数据根据生猪的轮廓，将权重数据集中到轮廓内部，从而能够提高能够有效提高深度数据的使用效率，通过降低非生猪身上数据的权重，增加生猪身上数据的权重，从而能够有效提高模型训练的准确性和可靠性。
81.在一种具体的实施方式中，可将训练好的模型部署到嵌入式设备中进行生猪体重的评估。
82.在本发明实施例中，还包括数据比对模块，用于：
83.将体重数据与牲畜的真实体重数据进行比对，若体重数据的准确率低于预设值，则重新进行模型训练。
84.可选地，在评估得到的体重数据没有达到预期的准确率时，重新进行模型训练，并采用新的模型进行牲畜的体重评估，直至得到的体重数据达到预期的准确率。
85.在本发明实施例中，在得到待评估牲畜的体重数据之后，还包括：
86.将待评估牲畜的体重数数据上传至云平台。
87.在本发明实施例中，将牲畜的体重上传至云平台，可以通过云平台查看所有牲畜的体重数据，有利于提高对牲畜管理的便捷性。
88.实施本发明实施例，具有以下有益效果：
89.本发明实施例通过计算机视觉采集牲畜的深度数据以及可见光数据，以对牲畜进行估重，能够有效减少工作量，从而能够有效提高牲畜体重评估的效率；本发明实施例能够从深度数据中获取摄像头与目标的距离，从而能够有效提高对牲畜进行估重的准确性；本发明实施例将深度数据以及可见光数据输入至深度神经网络中进行卷积运算，并在卷积运算过程中将深度数据以及rgb可见光数据进行融合，通过卷积运算输出特征值以及mask位图，使得可见光rgb数据更加专注于对生猪轮廓的提取，同时能够使得深度数据根据生猪的
轮廓，将权重数据集中到轮廓内部，从而能够提高能够有效提高深度数据的使用效率，通过降低非生猪身上数据的权重，增加生猪身上数据的权重，从而能够有效提高模型训练的准确性和可靠性。
90.本发明的第三实施例提供了一种计算机可读存储介质，计算机可读存储介质包括存储的计算机程序，其中，在计算机程序运行时控制计算机可读存储介质所在设备执行如上述的牲畜估重方法。
91.以上是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。