基于混合深度神经网络的肉鸽精准饲喂方法与流程

1.本发明涉及肉鸽养殖技术领域，具体为基于混合深度神经网络的肉鸽精准饲喂方法。


背景技术：

2.我国肉鸽的规模化养殖初见于20世纪80年代初，并在发展的同时引进国外优秀的肉鸽品种加以改进。基于此，我国肉鸽的规模化养殖不断形成，自南而北，自沿海至内地，越来越多的畜牧人加入了肉鸽养殖大军。截至目前，我国共有30多种肉鸽品种，2020年底，我国种鸽的存栏量约为134万对，同比增长10％，是自2017年以来的最大存栏量，从历史数据看，自2018 年9月以来，除个别月份外，肉鸽的产能基本都是增长态势。
3.肉鸽养殖仍然以人工饲养为主，在养殖过程中，饲喂环节是占据劳动成本的大头，根据广东梅州金绿现代农业有限公司的养殖数据，一位养殖户每天需要花费超过一半的工作时间在饲喂环节，饲喂时，需要人工背着一桶近 30斤重的料桶，边走边投喂，劳动强度大，作业过程单一枯燥。目前，机器人在养殖行业的研发应用越来越受到重视，尤其是用于饲喂环节的饲喂机器人。饲喂机器人主要着眼于眼，手，脚的研究，主要由底盘车驱动行走，实现在养殖大棚里自主导航；底盘搭载作业机械臂实现机器人在空间上的作业以达到饲喂的任务，并搭载相机三维感知视觉输入系统，自主识别作业目标区域并监视作业过程。
4.现有的畜禽类饲喂机器人大都是在固定区域饲喂，不是移动式的饲喂机器人，缺乏便捷性；畜类饲喂机器人往往在大型畜类身上喷涂标记或装上传感器，再将牲畜赶至饲喂区域，通过传感器数据，或图像处理的数据进而实现精量饲喂，该方法便捷性不足，且需要在牲畜身上装传感器或定期喷涂标记，成本较大，而禽类饲喂机器人大都针对散养的养殖环境，没有精量饲喂，通常都是定时定量饲喂，缺乏精量性，容易造成饲料的浪费。综上，目前，在禽类的笼养环境下，尤其是肉鸽的规模笼养环境下，饲喂任务仍然以人工为主，劳动强度大，作业枯燥乏味。


技术实现要素：

5.本发明的目的在于提供基于混合深度神经网络的肉鸽精准饲喂方法，通过机器人可以实现智能化、机械化作业，依靠视觉识别系统进行路径分割、鸽子的生长状态识别，采用闭环控制系统，实现底盘自主导航、机械臂喂料作业、落料单元精量控制落料环节之间的闭环控制，不需要大量的人力劳动，能够实现智能化、机械化的自主作业，同时可以依据鸽子的数量、大小，当前的活动状态来控制饲喂量，实现鸽子的少吃多餐，避免鸽子的挑食行为，提高肉鸽养殖的料肉比，进而实现鸽子的科学养殖，以解决上述背景技术中提出的问题。
6.为实现上述目的，本发明提供如下技术方案：
7.基于混合深度神经网络的肉鸽精准饲喂方法，由搭载底盘车导航模块、机械臂喂料模块、落料模块、运算控制模块组成的饲喂机器人实现，其具体方法如下：
8.s1：饲喂机器人进入鸽子棚，上电，各系统初始化；
9.s2：饲喂机器人机械臂由初始化点运行到接料点；
10.s3：运算控制模块打开料槽识别神经网络、打开底盘车语义分割网络，并打开两者对应的深度相机；
11.s4：底盘车根据语义分割开始自主导航运动，料槽相机开始检测定位，当检测料槽中心点，获得其中心点坐标时，传递信号给底盘车停止运动，并将中心点位置传递给运算控制模块；
12.s5：运算控制模块接受到中心点坐标，开始解算三个落料点的坐标与机械臂末端的姿态；同时通过数据管理系统动态获取当前鸽笼里鸽子的数量与生长阶段，并开启即时喂食量神经网络，检测当前鸽笼的鸽子活动状态，把鸽子数量与生长阶段数据同时喂入网络，得出即时喂食量；
13.s6：将解算得到的喂料坐标与即时喂食量信息传递给机械臂控制模块与落料模块，落料模块控制落料量，机械臂控制模块将对应的饲料运到落料点并执行落料动作；
14.s7：落料完毕，落料模块停止落料，机械臂控制模块传输底盘车启动信号，并运动到接料点，回到s2，循环执行。
15.更进一步地，底盘车导航模块的实现方法如下：
16.s101：搭建基于深度学习的unet语义分割网络，使用深度相机采集 640*480的鸽棚道路图片7500张，经过图片预处理之后制作数据集，放进神经网络进行模型迭代训练，训练后的模型可以分割道路，非道路部分全部默认为背景；
17.s102：根据分割出来的道路图片进行二值化，采用像素逐行扫描方式寻找道路边缘点信息，由边缘点可得到拟中点，采用最小二乘法拟合中点从而得到导航线；
18.s103：搭建基于树莓派的ros底盘控制环境，在所提取的导航线上确定预瞄点坐标，通过串口把预瞄点信息传输给下位机，结合运动学模型，底盘可实现实时自主导航。
19.更进一步地，机械臂喂料模块的实现方法如下：
20.s201：搭建卷积神经网络，采集640*480的料槽图片5000张，喂入神经网络进行模型迭代训练，训练的模型可以识别料槽中心点的位置；
21.s202：搭建基于树莓派的ros机械臂控制环境，开发机械臂运动实时反馈ros节点与机械臂实时运动可视化界面；
22.s203：开发基于moveit的机械臂运动轨迹规划技术，并开启多线程技术，实现机械臂同时与边缘服务器、落料模块之间通信。
23.更进一步地，落料模块的实现方法如下：
24.s301：搭建基于ardunio控制板的落料模块，绘制ardunio电路图，并焊制电路板；
25.s302：采用步进电机控制星状落料阀，控制电机的转动时间进而控制落料量。
26.更进一步地，运算控制模块的实现方法如下：
27.s401：部署底盘车语义分割模型、料槽定位与检测神经网络模型、鸽子即时活动状态预测神经网络模型，将三个神经网络混合部署，互相之间进行网络信号交互；
28.s402：部署机械臂正反解模型，采用牛顿高斯迭代法进行反解；
29.s403：部署底盘语义分割算法，采用基于最小二乘法的边缘特征点迭代法进行拟合导航线；
30.s404：采用ch340串口连接底盘车导航模块、机械臂喂料模块。
31.与现有技术相比，本发明的有益效果是：
32.本发明提供的基于混合深度神经网络的肉鸽精准饲喂方法，通过在饲喂机器人上搭载的底盘车导航模块、机械臂喂料模块、落料模块和运算控制模块，可以实现智能化、机械化作业，依靠视觉识别系统进行路径分割、鸽子的生长状态识别，采用闭环控制系统，实现底盘自主导航、机械臂喂料作业、落料单元精量控制落料环节之间的闭环控制，不需要大量的人力劳动，能够实现智能化、机械化的自主作业，同时可以依据鸽子的数量、大小，当前的活动状态来控制饲喂量，实现鸽子的少吃多餐，避免鸽子的挑食行为，提高肉鸽养殖的料肉比，进而实现鸽子的科学养殖。
附图说明
33.图1为本发明的四个模块工作流程图；
34.图2为本发明的饲喂机器人工作实物图；
35.图3为本发明的饲喂方法流程图。
具体实施方式
36.下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
37.请参阅图1，本发明实施例中：基于混合深度神经网络的肉鸽精准饲喂方法，由搭载底盘车导航模块、机械臂喂料模块、落料模块、运算控制模块组成的饲喂机器人实现，其中，底盘车导航模块的实现方法如下：
38.步骤一：搭建基于深度学习的unet语义分割网络，使用深度相机采集 640*480的鸽棚道路图片7500张，经过图片预处理之后制作数据集，放进神经网络进行模型迭代训练，训练后的模型可以分割道路，非道路部分全部默认为背景；
39.步骤二：根据分割出来的道路图片进行二值化，采用像素逐行扫描方式寻找道路边缘点信息，由边缘点可得到拟中点，采用最小二乘法拟合中点从而得到导航线；
40.步骤三：搭建基于树莓派的ros底盘控制环境，在所提取的导航线上确定预瞄点坐标，通过串口把预瞄点信息传输给下位机，结合运动学模型，底盘可实现实时自主导航。
41.机械臂喂料模块的实现方法如下：
42.步骤一：搭建卷积神经网络，采集640*480的料槽图片5000张，喂入神经网络进行模型迭代训练，训练的模型可以识别料槽中心点的位置；
43.步骤二：搭建基于树莓派的ros机械臂控制环境，开发机械臂运动实时反馈ros节点与机械臂实时运动可视化界面；
44.步骤三：开发基于moveit的机械臂运动轨迹规划技术，并开启多线程技术，实现机械臂同时与边缘服务器、落料模块之间通信。
45.落料模块的实现方法如下：
46.步骤一：搭建基于ardunio控制板的落料模块，绘制ardunio电路图，并焊制电路
板；
47.步骤二：采用步进电机控制星状落料阀，控制电机的转动时间进而控制落料量。
48.运算控制模块的实现方法如下：
49.步骤一：部署底盘车语义分割模型、料槽定位与检测神经网络模型、鸽子即时活动状态预测神经网络模型，将三个神经网络混合部署，互相之间进行网络信号交互；
50.步骤二：部署机械臂正反解模型，采用牛顿高斯迭代法进行反解；
51.步骤三：部署底盘语义分割算法，采用基于最小二乘法的边缘特征点迭代法进行拟合导航线；
52.步骤四：采用ch340串口连接底盘车导航模块、机械臂喂料模块。
53.为了进一步更好的解释说明本发明，还提供如下具体的实施例：
54.请参阅图2，基于混合深度神经网络的肉鸽精准饲喂方法如下：
55.第一步：饲喂机器人进入鸽子棚，上电，各系统初始化；
56.第二步：饲喂机器人机械臂由初始化点运行到接料点；
57.第三步：运算控制模块打开料槽识别神经网络、打开底盘车语义分割网络，并打开两者对应的深度相机；
58.第四步：底盘车根据语义分割开始自主导航运动，料槽相机开始检测定位，当检测料槽中心点，获得其中心点坐标时，传递信号给底盘车停止运动，并将中心点位置传递给运算控制模块；
59.第五步：运算控制模块接受到中心点坐标，开始解算三个落料点的坐标与机械臂末端的姿态；同时通过数据管理系统动态获取当前鸽笼里鸽子的数量与生长阶段，并开启即时喂食量神经网络，检测当前鸽笼的鸽子活动状态，把鸽子数量与生长阶段数据同时喂入网络，得出即时喂食量；
60.第六步：将解算得到的喂料坐标与即时喂食量信息传递给机械臂控制模块与落料模块，落料模块控制落料量，机械臂控制模块将对应的饲料运到落料点并执行落料动作；
61.第七步：落料完毕，落料模块停止落料，机械臂控制模块传输底盘车启动信号，并运动到接料点，回到第二步，循环执行。
62.更为具体地，请参阅图3,饲喂机器人初始化至落料位置，其内部的视觉系统启动，底盘小车运动并获取料槽相机坐标，当槽中心处于相机视野中心，一方面，饲喂机器人将料槽相机坐标转换至机械臂基座标，反解得出关节坐标，将关节坐标位置传送至机器人控制单元，进一步传送到机械臂控制单元；同时，另一方面，通过饲喂机器人的数据管理系统获取鸽子数量、生长阶段数据与视觉系统识别视野范围内鸽子的活动状态，通过神经网络得出即时喂食量，将即时喂食量信息传送至落料控制单元，落料控制单元接受信息并落料，饲喂机器人执行倒料动作。
63.综上所述：本发明提供的基于混合深度神经网络的肉鸽精准饲喂方法，通过在饲喂机器人上搭载的底盘车导航模块、机械臂喂料模块、落料模块和运算控制模块，可以实现智能化、机械化作业，依靠视觉识别系统进行路径分割、鸽子的生长状态识别，采用闭环控制系统，实现底盘自主导航、机械臂喂料作业、落料单元精量控制落料环节之间的闭环控制，不需要大量的人力劳动，能够实现智能化、机械化的自主作业，同时可以依据鸽子的数量、大小，当前的活动状态来控制饲喂量，实现鸽子的少吃多餐，避免鸽子的挑食行为，提高
肉鸽养殖的料肉比，进而实现鸽子的科学养殖。
64.以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。