基于混合深度神经网络的肉鸽精准饲喂方法与流程

技术特征：
1.基于混合深度神经网络的肉鸽精准饲喂方法，其特征在于，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：s1：饲喂机器人进入鸽子棚，上电，各系统初始化；s2：饲喂机器人机械臂由初始化点运行到接料点；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；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；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；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；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。2.如权利要求1所述的基于混合深度神经网络的肉鸽精准饲喂方法，其特征在于，底盘车导航模块的实现方法如下：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；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；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。3.如权利要求1所述的基于混合深度神经网络的肉鸽精准饲喂方法，其特征在于，机械臂喂料模块的实现方法如下：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；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；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。4.如权利要求1所述的基于混合深度神经网络的肉鸽精准饲喂方法，其特征在于，落料模块的实现方法如下：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；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。5.如权利要求1所述的基于混合深度神经网络的肉鸽精准饲喂方法，其特征在于，运算
控制模块的实现方法如下：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；s402：部署机械臂正反解模型，采用牛顿高斯迭代法进行反解；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；s404：采用ch340串口连接底盘车导航模块、机械臂喂料模块。

技术总结
本发明公开了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，其可以混合多个深度神经网络进行运算控制，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。进而实现鸽子的科学养殖。进而实现鸽子的科学养殖。


技术研发人员：朱立学 官金炫 莫冬炎 黄伟锋 张世昂 杨尘宇 郭晓耿 张智浩 赖颖杰 陈品岚
受保护的技术使用者：仲恺农业工程学院
技术研发日：2021.12.14
技术公布日：2022/3/3