一种梅花鹿行为识别和健康预警的方法及系统与流程

1.本技术涉及畜牧业智能监控领域，尤其涉及一种梅花鹿行为识别和健康预警的方法及系统。


背景技术：

2.随着梅花鹿的规模化养殖的兴起，梅花鹿场为了提高管理效率、降低人工成本，对于自动化和智能化养殖的需求也越来越高，同时，由于梅花鹿野性难驯，处于半散养状态，传统的接触式监测方法容易造成梅花鹿的应激反应，具有较大的困难性对于规模化养殖来说，梅花鹿的健康状况直接影响了梅花鹿场的经济效益，利用自动化的、智能化的监测方法，能够更好的在非接触的情况下提前发现到梅花鹿的异常状况，能够及时的处理，降低梅花鹿场的损失。而梅花鹿的健康状况在日常的行为中有着直接的体现，梅花鹿的日常行为主要包括站立、趴卧、跑跳、行走、采食、饮水等行为，当梅花鹿长时间的趴卧、频繁的起卧、极少或极多的采食、饮水等行为出现异常变化时，往往就预示着梅花鹿的身体健康出现问题了。因此，准确的识别梅花鹿的行为对于其健康状况是非常重要的。
3.目前实际生产中对于梅花鹿的行为的监测与识别中仍然处于人工检测的阶段，伴随着养殖规模的逐渐扩大，人工检测的时间长、出错多等问题逐一显露出来。虽然现在已经有一些可穿戴的设备用来监测梅花鹿的行为，但是这种方法首要的就是将设备穿戴或安置在梅花鹿身上，在安装和使用的过程中会让梅花鹿的日常行为及健康受到影响。其次，由于梅花鹿是半野生养殖类动物，会对装置进行啃食或者是损坏，一旦装置破碎或损坏会对梅花鹿的健康和监测的精度造成影响。
4.现在也有一些运用彩色图像对动物的姿态进行识别的，由于梅花鹿的皮毛具有自我保护机制，它会随着季节的变化而更改颜色，从而形成一种跟环境很相似的保护色，从而会影响识别的精度。


技术实现要素：

5.为了解决上述技术问题或者至少部分地解决上述技术问题，本技术提供了一种梅花鹿行为识别和健康预警的方法及系统。
6.为实现上述目的，本发明提供了一种梅花鹿行为识别和健康预警方法，具体步骤如下，步骤 1：获取监测梅花鹿个体的视频图像；步骤2：将视频图像进行预处理得到处理过后的单一背景的梅花鹿个体行为图像；步骤3：图像输入改进后的googlenet深度学习网络中，进行行为特征识别并输出行为类别；梅花鹿行为识别及健康预警步骤包括：步骤4：在上述梅花鹿行为识别方法中统一采集梅花鹿健康图像，在梅花鹿实时行为识别中，利用训练好的googlenet网络模型对梅花鹿行为图片进行识别，并对结果进行输
出，当输出的结果的识别率低于30%时，则进行预警。
7.进一步的，在步骤2中所述的将视频图像处理后得到单一背景的梅花鹿个体行为图像步骤为，步骤21：将视频中的每一帧图像提取出来，并将其分为不同类别；步骤22：将不同类别的图像利用photoshop将图像的背景改成单一白色背景，突出梅花鹿行为特征信息，提高行为识别的准确率。
8.进一步的，其特征在于深度学习网络googlenet包括一个多尺度卷积模块、三个se
‑
net模块、七个inception模块和特征输出模块，所述多尺度卷积模块是利用不同大小的卷积核提取到图像中的高、低频的特征图信息，所述的se
‑
net模块和inception模块相结合小幅度提升参数量，用于特征提取，提高模型准确率。
9.进一步的，一种梅花鹿行为识别方法，具体的特征识别步骤为，步骤31：输入图像224*224*3，将图像输入一个包含1*1、3*3、5*5、7*7多尺度卷积模块，用此多尺度模块代替7*7卷积层，提高模型的不变性和模型精度，经第一最大池化层进行空域最大池化，得到第一大池化层的56*56*128矩阵。
10.步骤32：输入矩阵112*112*64，通过1*1、3*3卷积层的进行特征提取，经第二最大池化层进行空域最大池化，得到第二大池化层的28*28*192矩阵。
11.步骤33：输入矩阵28*28*64，矩阵通过inception模块，inception模块中包含1*1、5*5、7*7、maxpooling这4层网络组成，同时将5*5改成2个3*3网络，减少模型参数，降低模型复杂度。
12.步骤34：在前3个inception模块后添加注意力机制se
‑
net模块，通过将矩阵和输入feature map做矩阵全乘，实现attention，提高模型的准确率。
13.步骤35：在模型的末尾，利用vggnet的模型结构替换原本的inception模块，减少模型深度的同时利用vggnet的小卷积核，在保证模型高效的特征提取率下降低模型的参数量，提高模型的计算率，同时输出1*1*256矩阵，通过softmax对数据进行分类输出。
14.进一步的，在梅花鹿圈架设摄像设备，实时拍摄梅花鹿群情况，同时利用单片机驱动摄像设备，设置每隔30分钟抓取梅花鹿行为图片，通过后台传输到存储介质中，在存储介质内对图片进行处理及识别，同时在识别后进行分类，当分类结果的准确率低于30%时，将识别结果再传到梅花鹿监测app上，并进行报警，提醒工作人员。
15.进一步的，通过将se
‑
net模块嵌入网络之中，可以在小幅度提升参数量的代价下更加合理地分配神经网络的计算资源，大幅提升网络性能，在se
‑
net模块中，每张特征图通过全局平均池化操作进行挤压，将每一张特征图挤压成一个实数h和w分别为特征图的高和宽，u为卷积后的结果，z为对应特征图的全局注意力信息；将此向量通过全连接层与激活函数，训练结果用来放大对于识别任务更加重要特征图的权重，缩小不重要特征图的权重σ为relu激活函数，δ代表sigmoid激活函数，w1 与w2 代表两个不同的全连接操
作。
16.进一步的，除了模型训练之外，还需要先采集大量的、多种类的梅花鹿行为图片，并将图片做成梅花鹿行为识别的数据集，利用制作好的数据集对模型进行训练，将训练好的模型传至计算机存储介质中；在摄像设备中安置小型单片机，并设置好每隔30分钟抓取一个梅花鹿行为图片，将抓取的图片处理成模型可输入的图片大小，将其输入进模型进行识别。
17.按照本发明的第二方面，提供了一种系统，包括：计算机可读存储介质和处理器，计算机可读存储介质用于存储可执行程序；处理器用于读取计算机可读存储介质中存储的可执行程序，执行本发明第一方面提供的梅花鹿行为识别方法。
18.本技术实施例提供的上述技术方案与现有技术相比具有如下优点：（1）本发明提供的一种梅花鹿行为识别和健康预警的方法及系统，根据梅花鹿日常行为的实际特点，从实际的梅花鹿日常行为的图片和视频中，根据梅花鹿的各个行为所具有的独特的特点，将其区分开，并建立梅花鹿日常行为数据集，针对梅花鹿行为的特点进行识别，既能保证训练所得的模型能够在梅花鹿行为识别中得到较好的识别效果，提高模型的识别精度，也无需考虑图片带的噪声的影响，有效的减少计算的复杂度，增强实时性。
19.（2）本发明提供的一种梅花鹿行为识别和健康预警的方法及系统，其最优的模型结构中，使用多尺度模块代替googlenet网络的第一层卷积，提取图片的低、高频信息，提高模型的不变性和精度，再将inception模块中的5*5卷积改换成2个3*3卷积，降低模型的复杂性和参数量，提高模型的计算能力，同时加入vgg模块，利用vggnet的小卷积核，在保证模型高效的特征提取率下降低模型的参数量，提高模型的计算率，通过对模型的修改能够得到更高的计算速率和准确度。
20.（3）本发明提供的一种梅花鹿行为识别和健康预警的方法及系统，通过在摄像设备中安置小型单片机，并运用程序设置好摄像头每隔30分钟抓取一个梅花鹿行为图片，将抓取的图片处理成模型可输入的图片大小，将其输入进模型进行识别，同时在识别后进行分类，当分类结果的准确率低于30%时，将识别结果再传到梅花鹿监测app上，并进行报警，提醒工作人员。
附图说明
21.图1为本技术实施例提供的一种梅花鹿行为识别和健康预警的方法及系统的流程图；图2为本技术实施例提供的梅花鹿行为监测装置示意图；图3为本技术实施例提供的一种以googlenet为骨干网的行为识别网络结构图；图4为本技术实施例提供的一种梅花鹿行为识别和健康预警的方法及系统的示意图。
具体实施方式
22.为使本技术实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是
本技术的一部分实施例，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的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。
23.图1为本技术实施例提供的一种梅花鹿行为识别和健康预警方法，所述梅花鹿行为识别方法包括以下步骤：步骤1：获取监测梅花鹿个体的视频图像。
24.训练样本是对视频样本中的数据帧进行筛选，从视频中提取出需要的视频帧图片。
25.步骤2：将视频图像进行预处理得到处理过后的单一背景的梅花鹿个体行为图像。
26.将图片的大小进行统一化，修改成224*224*3，然后利用photoshop将图片处理成单一背景色，消除背景带来的影响，建立梅花鹿行为数据集。
27.步骤3：图像输入改进后的googlenet深度学习网络中，进行行为特征识别并输出行为类别。
28.梅花鹿行为识别网络以googlenet网络为骨架，在网络中添加se
‑
net模块注意力机制和vgg网络模块，提升网络的准确率和计算效率。
29.通过将se
‑
net模块嵌入网络之中，可以在小幅度提升参数量的代价下更加合理地分配神经网络的计算资源，大幅提升网络性能。
30.减少模型深度的同时利用vggnet的小卷积核，在保证模型高效的特征提取率下降低模型的参数量，提高模型的计算率。
31.梅花鹿行为识别及健康预警步骤包括：步骤4：在上述梅花鹿行为识别方法中统一采集梅花鹿健康图像，在梅花鹿实时行为识别中，利用训练好的googlenet网络模型对梅花鹿行为图片或拍摄的梅花鹿行为视频中的视频帧进行识别，并对结果进行输出，当输出的结果的识别率低于30%时，则进行预警。
32.将视频中提取的图片进行处理，然后输入到已经训练好的模型中，通过模型对其进行识别，并对结果进行输出，在判定输出结果的准确率，当准确率低于30%时，通过app对工作人员进行预警。
33.上述一种梅花鹿行为识别方法中，梅花鹿行为识别网络运用googlenet网络为整个网络的骨架，利用se
‑
net模块增加模型注意力，提高模型的准确率，在运用vggnet的小卷积核，在保证模型高效的特征提取率下降低模型的参数量，提高模型的计算率，在更改inception的结构，将5*5换成2个3*3，在不影响模型对特征提取的情况下，降低模型参数，提高模型的计算效率。
[0034] 在其中一个实施例中，步骤1和步骤2中，在获得视频数据后，要对视频中的视频帧进逐一提取，然后将提取的视频帧图片根据梅花鹿行为的特点分门别类；再将分好类的图片裁剪成图片内梅花鹿占据图片空间的80%及以上，接下来在随机裁剪成224像素*224像素大小的图像；在将图像乘以1/225，映射到[0,1] 区间内；再将图像的rgb三通道进行均值归一化处理，然后通过photoshop将每一张图像变成单一背景的图像，然后对图像进行翻转、平移等操作对数据进行增强，以此得到训练样本。
[0035]
在其中一个实施例中，步骤s3中还包括再将样本成功的分好类后，得到数据集和测试集；将训练集输入到梅花鹿行为识别网络中进行训练，采用基于交叉熵损失的带动量的随机梯度下降法对梅花鹿行为识别网络进行参数优化，得到训练好的梅花鹿行为识别网
络模型。
[0036]
在其中一个实施例中，以googlenet网络为骨架搭建梅花鹿行为识别网络如图3所示结构，首先，输入图像224*224*3，将图像输入一个包含1*1、3*3、5*5、7*7多尺度卷积模块，用此多尺度模块代替7*7卷积层，提高模型的不变性和模型精度，经第一最大池化层进行空域最大池化，得到第一大池化层的56*56*128矩阵；然后，输入矩阵112*112*64，通过1*1、3*3卷积层的进行特征提取，经第二最大池化层进行空域最大池化，得到第二大池化层的28*28*192矩阵；接下来，输入矩阵28*28*64，矩阵通过inception模块，inception模块中包含1*1、5*5、7*7、maxpooling这4层网络组成，同时将5*5改成2个3*3网络，减少模型参数，降低模型复杂度，同时，在前3个inception模块后添加注意力机制se
‑
net模块，通过将矩阵和输入feature map做矩阵全乘，实现attention，提高模型的准确率；再然后，在模型的末尾，利用vggnet的模型结构替换原本的inception模块，减少模型深度的同时利用vggnet的小卷积核，在保证模型高效的特征提取率下降低模型的参数量，提高模型的计算率，同时输出1*1*256矩阵，通过softmax对数据进行分类输出。
[0037]
以googlenet网络为骨架搭建梅花鹿行为识别网络，利用se
‑
net模块，过将矩阵和输入feature map做矩阵全乘，实现attention，提高模型的准确率，通过将se
‑
net模块嵌入网络之中，可以在小幅度提升参数量的代价下更加合理地分配神经网络的计算资源，大幅提升网络性能，在se
‑
net模块中，每张特征图通过全局平均池化操作进行挤压，将每一张特征图挤压成一个实数h和w分别为特征图的高和宽，u为卷积后的结果，z为对应特征图的全局注意力信息；将此向量通过全连接层与激活函数，训练结果用来放大对于识别任务更加重要特征图的权重，缩小不重要特征图的权重σ为relu激活函数，δ代表sigmoid激活函数，w1 与w2 代表两个不同的全连接操作；inception 模块由1
×
1卷积，3
×
3卷积，5
×
5卷积和3
×
3最大池化组成，增加网络对不同尺度的适应性，其卷积公式如下：g()活函数，为偏置值，为特征映射集，为第l
‑
1层第i个神经元输出，为卷积核。
[0038]
加入vgg模块，利用vggnet的小卷积核，在保证模型高效的特征提取率下降低模型的参数量，提高模型的计算率，通过对模型的修改能够得到更高的计算速率和准确度。
[0039]
使用全局均值池化层替代全连接层，从而增强特征图与最终分类输出的直接映射关系，具有更好的鲁棒性;使用dropout避免模型过拟合提高泛化能力，设置dropout比率为0. 4;最终利用一个全连接和softmax分类器获取输出结果。
[0040]
在另一个实施例中，如图2梅花鹿行为监测装置示意图所示，使用mcu作为主控制
单元，图中所示的冷光灯、摄像头、电源接口、存储器接口与数据接口都与mcu电性相连，在mcu中烧录程序，控制摄像头对梅花鹿进行监测，同时将平时录取的视频信息通过存储器接口传到存储介质内，对数据进行存储，通过电源接口对整个装置进行供电，在夜间时通过mcu打开冷光灯对鹿场进行补光，方便对梅花鹿行为的监测。
[0041]
在其中一个实施例中，通过在图2中的mcu中烧录控制程序，控制摄像头没隔30分钟抓取一次梅花鹿行为图片，将抓取的图片通过存储器接口传输到存储介质内，在存储介质内存好已训练好的模型和图片预处理程序，将抓取的图片先进行预处理，得到可输入进梅花鹿行为识别模型的图片大小，然后将图片输入进模型，通过模型对图片进行识别分类。
[0042]
在其中一个实施例中，如同图4一种梅花鹿行为识别和健康预警的方法及系统的示意图所示，在图片识别之后，将结果通过数据接口传输到app中，在存储介质内写入判断程序，当输出的结果小于30%时，再进行预警的同时，将输入的图片放大显示在app上，提醒工作人员前往查看。
[0043]
由上所述，本发明采用的上述结构是一种梅花鹿行为识别和健康预警的方法及系统，获取监测梅花鹿个体的视频图像，视频图像进行预处理得到处理过后的单一背景的梅花鹿个体行为图像，图像输入改进后的googlenet深度学习网络中，进行行为特征识别并输出行为类别，在上述梅花鹿行为识别方法中统一采集梅花鹿健康图像，在梅花鹿实时行为识别中，利用训练好的googlenet网络模型对梅花鹿行为图片进行识别，并对结果进行输出，当输出的结果的识别率低于30%时，则进行预警。这套方法及系统的搭配能够实现梅花鹿行为的自动监测，节省了大量人工劳动，消除了接触式监测带来的问题，具有实时性、自动性和智能性等特点。
[0044]
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。