一种利用深度图像和CNN-SVM的群猪多姿态识别方法

一种利用深度图像和cnn-svm的群猪多姿态识别方法
技术领域
1.本发明涉及群猪多姿态识别的技术领域，尤其涉及一种利用深度图像和cnn-svm的群猪多姿态识别方法。


背景技术：

2.判断猪在环境中是否健康舒适是猪行为检测的一个重要方面，生猪的姿态可以作为一个反应生猪是否健康和舒适的一个指标。一般情况下生猪相比站立更喜欢躺，在环境温度较高时，猪一般呈现四肢伸展的完全平卧的方式，呈现出侧卧的方式，在环境温度较低是生猪会呈现出四肢折叠在身体下方的胸骨卧或者腹部、胸骨着地，前腿折叠在身体下方，后腿可见的腹部卧。同时在温度较高时生猪会表现的更加焦躁活动量会增加，生猪表现站立姿势相比气温较低有所增加，以上表明了猪只在环境中是否健康舒适的姿态在行为检测的重要性。
3.随着生猪的养殖规模越来越大，人们对于生猪的行为检测需求不仅仅是单头猪只，饲养者希望可以对群猪行为进行检测。机器视觉和机器学习技术相互融合增加了对大规模农场动物行为、健康和生长状况的检测的可能性，这有助于进一步的福利养殖，同时针对它们现阶段情况如健康状况和社会活动，管理者可以做出及时的调整。生猪的视频行为检测是机器视觉技术和深度学习技术应用的一种典型方式。这是一种精确、低成本、无应激性的非入侵的方式，对于动物和饲养者本身都没有压力，并且适应室内和室外的生产情况，避免了传统手工记录的繁琐、效率低下的过程。


技术实现要素：

4.本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
5.鉴于上述现有存在的问题，提出了本发明。
6.因此，本发明解决的技术问题是：基于深度视频利用机器视觉和深度学习技术实现猪的群体多姿态识别。
7.为解决上述技术问题，本发明提供如下技术方案：一种利用深度图像和cnn-svm的群猪多姿态识别方法，包括以下步骤，采集初始数据集；定义和描述生猪的各姿态；对所述初始数据集进行深度图像处理，获取各姿态下目标猪只的肩臀部深度距离、肩臀部深度距离比值、凸包的面积与边界的比值和凸包的周长与边界的比值作为输入数据；构建用于生猪姿态检测和分类cnn-svm检测器，将所述输入数据作为检测器的训练数据，训练完成得到模型各层之间的权重参，并保存模型；待识别目标群猪的图像数据由cnn模型的第一个全连接层获取特征向量，把其送入svm分类进行数据分类完成姿态识别。
8.优选的，所述深度图像处理包括以下步骤，通过grabcut图像分割提取目标物，先将目标物标定在进行分水岭分割；基于分割后猪只图像，通过最小外接矩形调整猪只到水
平位置，获取肩部和臀部的深度信息；并对分割后猪只图像，进行图像二值化，找到并计算每头猪各个姿态下凸包的周长和面积以及生猪边界。
9.优选的，所述肩臀部的深度距离的提取包括以下步骤，分水岭分割后的图像基于区域属性进行裁剪；对裁剪后的单只猪只图像求其凸多边形，进而求得最小外接矩形；得到俯视图像中水平角度，若水平角度大于1，则对每只猪只图像进行相应的旋转，将其调整为水平，旋转角度公式如下：
[0010][0011]
其中t0(x1,y1)、t1(x2,y2)分别是凸包络一条边的两个顶点，ti(x
t
,y
t
)是凸包络的顶点，(t＝1,2,...，n)，(x’t
,y’t
)是ti(x
t
,y
t
)是旋转θ后的坐标；取猪只身体的1/5起至2/5段深度距离的平均值作为其深度值，臀部的深度信息采集方式同上约从6/10起至8/10处，取平均值作为其深度距离，肩部深度距离计算公式如下：
[0012][0013]
其中，d
s-final
肩部取均值后的深度距离，(d
s-(i)
)
body(1/5～2/5
)为猪只从头部开始移动整个身体的1/5起至2/5处肩部一点的深度距离，n为获取肩部深度距离值点的数量，thrshold为设定阈值，臀部获取与肩部原理相同。
[0014]
优选的，包括基于图像二值化提取每只生猪凸包的面积和周长、边界，包括以下步骤，凸包定义公式如下：
[0015]
p＝[p1,p2,...,pn]λ＝λ1p1 λ2p2 ... λnpn(λ1 λ2 ... λn＝1,min{λ1,λ2,...,λn}≥0)其中，λ作为一个矢量，由n个分量组成，即作为各点系数，s＝{p1,p2,...,pn}为2维空间中点集，p为凸包，图像处理中目标的边界为边界的像素坐标的集合；基于定义分别计算生猪的边界、凸包的周长和面积，计算公式如下：
[0016][0017]
其中，s
area
表示为凸包面积，s0,s1,...,sn代表凸包络的顶点，ls
1-s0代表凸包络的两顶点之间对应边长度，θs
2-s1代表凸包络的边s
2-s1在三角形s0s1s2该边所对应的夹角，l
c-girth
代表凸包络的周长，l
border
代表边界长度，(x
b-0
,y
b-0
),(x
b-1
,y
b-1
),...,(x
b-m
,y
b-m
)代表边界上点的像素坐标。
[0018]
优选的，所述cnn-svm检测器中cnn有两个卷积层、两个池化层和一个全连接层和一个softmax回归层，在第一个全连接层后连接一个svm分类器来实现对象的分类与识别。
[0019]
优选的，所述cnn-svm检测器包括以下识别步骤，文本数据先进入第一个卷积层c1进行特征向量的提取；然后进入第一个池化层s1数据降维处理；下一步数据进入第二个卷积层c2进行数据特征提取，而后进入第二个池化层s2进行降维处理；最后通过第一个全连接层fc1输出特征向量。
[0020]
优选的，所述cnn-svm检测器包括以下训练步骤，检测器模型设置卷积层的卷积核大小为5*5，步长为1，池化层的卷积核大小为2*2，设置dropout使其不容易产生过拟合，在
训练cnn模型时利用softmax回归层反向训练cnn，设置误差代价为交叉熵的形式，用adamoptimizer的算法优化目标函数；最后训练好模型，输入实验文本数据从cnn的第一个全连接层获取特征向量，把其送入svm分类进行数据分类。
[0021]
优选的，生猪的各姿态的定义和描述包括定义生猪5种躺姿，分别是a为站姿(std)，b是坐姿(sit)，c是胸骨卧姿(str),d是腹部卧姿(vtr)，e是平躺卧姿(ltr)。
[0022]
优选的，所述采集初始数据集包括，使用微软的azure kinect dk深度相机连续采集8天数据，室内的平均温度为22℃，湿度范围为55％-70％，相机安装为顶视，包括深度摄像头、rgb摄像头imu和多阵列麦克风。
[0023]
本发明的有益效果：本文模型(cnn-svm)结合了svm和cnn两种模型的优点，使用了cnn提取不容易拟合、更加科学的特征向量和svm强大的分为分类和泛化能力，本文模型(cnn-svm)与传统svm、cnn识别姿态的差异，在相同的训练数据和测试数据下，姿态识别的准确率分别为94.6368％、92.2175％和90.5396％，很明显在识别准确率上有了一个较大提升。
附图说明
[0024]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
[0025]
图1为本发明所述实验场地光源示意图；
[0026]
图2为本发明所述实验场地azure kinect dk相机设备的安装位置示意图；
[0027]
图3为本发明所述实验场地的细节描述示意图；
[0028]
图4为本发明所述生猪5种躺姿示例图；
[0029]
图5为本发明所述利用grabcut算法去除背景的流程示意图以及所述标记分割区域后的分水岭分割和无标记的分水岭分割的示意图；
[0030]
图6为本发明所述猪只肩臀部深度信息获取和猪只包络和边界信息获取的示意图；
[0031]
图7为本发明所述群猪姿态检测流程及cnn-svm检测器内部结构示意图；
[0032]
图8为本发明所述训练模型流程和测试模型流程的示意图。
具体实施方式
[0033]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。
[0034]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
[0035]
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方
式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
[0036]
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
[0037]
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0038]
本发明中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、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也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发明中的具体含义。
[0039]
实施例1
[0040]
动物的行为提供了关于它们自身的健康、福利、生存环境状况等信息。在不同环境温度条件下它们会表现出不同的姿态，在环境温度较高时它们表现出四肢伸展的侧卧，会表现的更加焦躁。同时站立姿态相对平时较多，在气温较低时会呈现腹部或者胸骨侧卧，卧躺姿势相对平时较多，近年来，机器视觉和机器学习技术已被广泛用于猪的个体和群体的行为检测。
[0041]
因此本实施例提出一种基于深度视频利用机器视觉和深度学习技术实现猪的群体多姿态识别方法，该方法采用了卷积神经网络(cnn)和支持向量机(svm)的图像处理算法，利用顶视的azure kinect dk深度摄像机获取猪只的深度信息，通过grabcut图像分割提取目标物，接着先通过目标物标定在进行分水岭分割，一方面基于分割后猪只图像，通过最小外接矩形调整猪只到水平位置，获取肩部和臀部的深度信息。另一方面对分割后图像，进行图像二值化，找到并计算每头猪各个姿态下凸包的周长和面积以及生猪边界。并把对应凸包面积和周长分别与目标猪只边界的比值、肩臀部深度信息以及比值作为cnn-svm分类模型的输入，对模型进行训练并进行测试，训练和测试完成的模型应用于实际的生猪姿态识别中。
[0042]
更加具体的，一种利用深度图像和cnn-svm的群猪多姿态识别方法，包括以下步骤，
[0043]
s1：采集初始数据集；
[0044]
s2：定义和描述生猪的各姿态；
[0045]
s3：对所述初始数据集进行深度图像处理，获取各姿态下目标猪只的肩臀部深度距离、肩臀部深度距离比值、凸包的面积与边界的比值和凸包的周长与边界的比值作为输入数据；
[0046]
s4：构建用于生猪姿态检测和分类cnn-svm检测器，将所述输入数据作为检测器的训练数据，训练完成得到模型各层之间的权重参，并保存模型；
[0047]
s5：待识别目标群猪的图像数据由cnn模型的第一个全连接层获取特征向量，把其
送入svm分类进行数据分类完成姿态识别。
[0048]
进一步的，在步骤s1中，需要说明的是：
[0049]
由于真实场景的各种环境因素在一定程度上影响着实验的结果，导致生猪姿态分析不准确。主要影响实验结果原因包括：(1)生猪身体拥挤在一起连导致图像不准分割确；(2)实验场地中灯光和昼夜变换导致场地中光线改变，本实施例结合实际的生产情况对成组猪进行姿态进行识别，这种方式自动检测的难度比单头猪姿态识别的难度大很多。
[0050]
为了减少实验场地中光照的变化对图像采集影响，必须考虑由于采集场地中灯光和昼夜循环引起的光线的变化，为了保证实验的准确性，必须要构建一个稳定、清晰、可靠的数据集。
[0051]
本实施例中数据于2021年5月在当地浙江杭州养猪站点“太湖源饲养站”采集了实验数据，为了保证实验数据的可靠性，连续采集8天数据，使用微软的azure kinec tdk深度相机，室内的平均温度为22℃，湿度范围为55％-70％。本实验研究中，使用azurekinectdk深度相机作为采集rgb和深度图像的工具，安装为顶视(参照图2的示意)，它由一个深度摄像头、一个rgb摄像头、一个imu、一个多阵列麦克风组成。
[0052]
饲养场地一共有24个猪栏，猪栏的面积为5.30m
×
3.8m，高为2.3m～3m，饲养场地中的围栏采用镀锌钢管，采用这种材料既保证了猪圈的稳定性，也保证了猪圈的空气流通。猪圈中光线采用统一的平顶式led节能灯和自然光源相互补充，猪圈中通风采用统一的排风扇，进行空气流通。实验观察的长白猪猪龄为60～70d左右，每个猪圈中猪只数量为10-15只，kinect相机安装位置与地面平行，具体情况参图1～3所示，其中图3中为实验场地细节描述，h1和h2＝猪舍高度、l＝猪舍长度、w＝猪舍宽度。
[0053]
进一步的，在步骤s2中，需要说明的是：
[0054]
猪身体的各部分的位置、方向和连接关系的组合，被成为猪的姿态。本研究识别5种生猪的姿态的定义见下表1，参照图4显示了不同姿态下的深度图像实例。其中“卧姿”又被细分为“胸骨”、“腹部”和“平躺”卧姿，通过这几种姿态可以进一步反映生猪的行为习惯。
[0055]
表1：定义和描述生猪姿态。
[0056][0057]
参照图4的示意，生猪5种躺姿示例，a是站姿(std)，b是坐姿(sit)，c是胸骨卧姿(str),d是腹部卧姿(vtr)，e是平躺卧姿(ltr)。
[0058]
进一步的，在步骤s3中关于深度图像处理，需要说明的是：
[0059]
分析生猪站、坐和卧姿首先需要获取具体目标猪只的具体信息(即肩臀部深度距离、边界、凸包的周长和面积)。首先对图像进行像素裁剪，图像统一裁剪为512*424像素的分辨率。传统生猪的背景减除，是通过影差法进行背景的消除，利用目标图像和背景图像相减提取出猪体，但是在实际的生产实践中很难单一拍摄背景图像。
[0060]
本实施例采用一种grabcut图像分割的方法提取出目标物，它是基于能量优化算法，将图像分割问题转换为图的最小割优问题，通过输入前景与背景，完成背景和前景的相似度督导额赋权图，并通过最优切割来实现图像分割，从而达到无需背景图提取出前景，提取效果如图5的示意。
[0061]
再通过动态阈值分割，转化为二值化图像，利用中值模糊滤波算法多次迭代，消除图像噪声的干扰。分水岭变换被作为一种常用的分割方法，本实验采用该方法分割重叠(接触)的猪，传统的分水岭分割方法往往会出现过分割的现象，本实验为了解决这种过分割的现象首先对分割区域进行标记，在进行分水岭分割，这样通过提前规定分割“山谷”，可以更有效的进行图像分割，分割结果对比如图5的示意。其次为了获得更好姿态分类的性能，本实验把站姿归为一类统一进行识别。图5中grabcut算法去除背景，图中包括前景、背景，以及标记分割区域后的分水岭分割和无标记的分水岭分割，由图5可以看出实际分割目标的真实效果。
[0062]
对图像中的猪只利用自身的深度图像数据对其进行姿态识别，相比传统的rgb图像能获取更多的目标的信息，这为检测更多的姿态提供了可能。为了初始化生猪姿态评分的模型，需要获取目标猪体的肩臀部深度距离、凸包络和边界。具体如下：
[0063]
首先提取猪体的肩臀部的深度距离。对上述分水岭分割后的图像基于区域属性进行裁剪(大小和面积),以去除其他近距离猪的任何身体部分。根据生猪在不同姿态下的真
实深度距离可知，在不同姿态下猪只肩臀部深度距离不同、且有明显的差异。同时由于图像中生猪的倾斜姿态不同，为了使采集肩臀部的深度数据更加准确，对裁剪后的单只猪只图像求其凸多边形(定义见公式3)进而求得最小外接矩形，得到俯视图像中水平角度，如果水平角度大于1。则对每只猪只进行相应的旋转，将其调整为水平。旋转角度公式如下：
[0064][0065]
其中t0(x1,y1)、t1(x2,y2)分别是凸包络一条边的两个顶点，ti(x
t
,y
t
)，t＝1,2,...，n,是凸包络的顶点。(x’t
,y’t
)是ti(x
t
,y
t
)是旋转θ后的坐标。通过对现场采集9000帧图像可知，猪只的肩部位置约为从头部开始移动整个身体的1/5起至2/5处。取该段猪只的深度距离的平均值作为其深度值，臀部的深度信息采集方式同上约从6/10起至8/10处，取平均值作为其深度距离，肩部深度距离计算公式如下：
[0066][0067]
其中d
s-final
肩部取均值后的深度距离，(d
s-(i)
)
body(1/5～2/5
)为猪只从头部开始移动整个身体的1/5起至2/5处肩部一点的深度距离,n为获取肩部深度距离值点的数量，thrshold为设定阈值，设置阈值的目的是为了防止提取点深度距离不符合实际，臀部获取与肩部类似，提取流程如图6的示意。其中图6左边(a)部分为猪只肩臀部深度信息获取，右边(b)部分为猪只包络和边界信息获取的示意。
[0068]
下一步提取生猪图像的2维特征(凸包络和边界)，即基于上述二值化图像提取每只生猪凸包的面积和周长、边界。凸包作为计算机图像处理中一个重要的几何结构，被称为所有给定点的最小凸多边形集(jayaram and fleyeh.,2016；behera et al.,2018)，作为2维图像中物体形状识别的著特征(liu-yu andthonnat.,1993)其原理是因为不同姿态猪只边界的包络和凸包不同，凸包定义公式如下：
[0069]
p＝[p1,p2,...,pn]λ＝λ1p1 λ2p2 ... λnpn(λ1 λ2 ... λn＝1,min{λ1,λ2,...,λn}≥0)
ꢀꢀꢀ
(3)
[0070]
其中λ作为一个矢量，由n个分量组成，即作为各点系数。s＝{p1,p2,...,pn}为2维空间中点集，p为凸包。图像处理中目标的边界为边界的像素坐标的集合，接下来基于上述定义分别计算生猪的边界、凸包的周长和面积，计算公式如下：
[0071][0072]
其中s
area
表示为凸包面积，s0,s1,...,sn代表凸包络的顶点，ls
1-s0代表凸包络的两顶点之间对应边长度,θs
2-s1代表凸包络的边s
2-s1在三角形s0s1s2该边所对应的夹角。l
c-girth
代表凸包络的周长，l
border
代表边界长度，(x
b-0
,y
b-0
),(x
b-1
,y
b-1
),...,(x
b-m
,y
b-m
)代表边界上点的像素坐标。
[0073]
最后为了增强模型的稳定性，把生猪肩臀部深度距离、肩臀部深度距离比值、凸包的面积与边界的比值和凸包的周长与边界的比值一起作为cnn-svm的输入，提取流程如图6。
[0074]
进一步的，在步骤s4中，需要说明的是：
[0075]
参照图7的示意，示意为视频中姿态识别的流程。该检测器输出识别目标物体分类、姿态识别准确率。结合图像的时间序列信息，对猪群的姿态信息进行统计。本实验是对整个栏位猪的姿态进行识别和统计，不涉及具体对某只猪进行识别和统计。
[0076]
本步骤中生猪姿态检测器的结构说明如下：
[0077]
进行的识别的模型是基于cnn的体系结构，建立在6层cnn(5层提取特征向量和1层softmax回归层)和svm分类器结构上。其中的过程基本由两部分组成(参照图7的示意)：用于生成特征向量的5层cnn网络结构和用于结果预测的一层svm分类器。cnn可以处理高维的数据、同时可以进行特征提取，有关于cnn改进模型应用于图像检测的各领域，但传统的cnn模型训练需要大量的时间和样本，对实验的条件有一定的限制。本文实验cnn-svm模型结合两种模优点：
[0078]
(1)由于cnn池化和卷积的性质使得提取到的特征向量不容易拟合；
[0079]
(2)cnn提取的特征向量要比简单的投影、方向和重心都科学；
[0080]
(3)可以利用不同的卷积、池化和最后的输出的特征向量的大小控制实际整体模型的拟合能力；
[0081]
(4)利用了svm分类器强大分类和泛化能力。实现了在少量样本容量的情况下，进行生猪多姿态较为精准的评估。
[0082]
本文模型中cnn有两个卷积层、两个池化层和一个全连接层和一个softmax回归层组成。在第一个全连接层后连接一个svm分类器来实现对象的分类与识别。首先文本数据先进入第一个卷积层c1进行特征向量的提取，然后进入第一个池化层s1数据降维处理；下一步数据进入第二个卷积层c2进行数据特征提取，而后进入第二个池化层s2进行降维处理；最后通过第一个全连接层fc1输出特征向量；该模型设置卷积层的卷积核大小为5*5，步长为1，池化层的卷积核大小为2*2，设置dropout使其不容易产生过拟合，在训练cnn模型时利用softmax回归层反向训练cnn，设置误差代价为交叉熵的形式，用adamoptimizer的算法优化目标函数，使网络更有效的训练；最后训练好模型，输入实验文本数据从cnn的第一个全连接层获取特征向量，把其送入svm分类进行数据分类，网络结构如7的示意。
[0083]
本实施例中针对上述cnn-svm模型进行训练和测试，本实验一共有两个步骤，为了初始化检测网络中各层之间的权重参数，随机选择了现场采集的9000幅深度图像提取了一共准确定位并提取了85500实验数据，第一步使用85425组实验数据进行训练，对cnn模型进行训练，在训练时不仅进行正向训练，同时利用softmax回归层进行反向训练，此时不使用svm分类，最后得到训练好后模型各层之间的权重参，并且保存模型。
[0084]
第二步利用训练好的模型进行姿态评分估计，使用提取数据集中69194组实验数据进行测试，首先输入实验数据到训练完成的最终模型中，同时利用第一个全连接层提取的特征向量，输入到svm分类器中进行姿态识别，训练模式和评分测试模式流程图如8所示。
[0085]
实施例2
[0086]
为了训练和测试本文的姿态检测模型，本研究选择了现场采集的9000幅图像，利用上述提到的图像处理技术，进行实验数据提取，一共正确定位并提取95％的生猪的实验数据，数量为85540，而错误将围栏中的其他对象(猪槽和图像中噪声阴影)识别为猪只并提取信息，未能将图像中的猪只提取实验信息，这些都被认为错误信息提取，错误比例为5％，
数量为4500。
[0087]
为了对比本文姿态检测模型和svm、cnn姿态模型对于生猪姿态识别的差异，本实验对三种模型使用相同训练和测试数据，本实验使用85425组实验数据进行训练，利用使用69194组实验数据进行测试，模型的测试量为训练量90％，cnn_svm和svm的惩罚系数c设置为0.9，kernel＝
‘
linear’。
[0088]
本文姿态检测模型的中cnn卷积层和池化层大小和cnn设置相同，设置dropout使其不容易产生过拟合，同时利用softmax回归层反向训练cnn，设置误差代价为交叉熵的形式，用adamoptimizer的算法优化目标函数。分别对cnn、svm和本文姿态检测模型(cnn-svm)进行测试，为了保证实验结果的准确性，经过反正实验得到实验结果如下表2：
[0089]
表2：不同模型识别多姿态。
[0090][0091][0092]
本实施例利用不同方法、使用相同实验数据量分别对生猪姿态进行检测，本文模型(cnn-svm)、svm和cnn识别姿态的准确率分别为94.6368％、92.2175％和90.5396％。由此可知本文的方法相比传统的svm和cnn在模型姿态识别准确度上有了一个较大的提升，姿态识别准确率分别高出两种模型(svm和cnn)2.4193％和4.0972％。造成这个原因可能是，本实验的模型(cnn-svm)结合了svm和cnn两种模型的优点，使用了cnn提取不容易拟合、更加科学的特征向量和svm强大的分为分类和泛化能力使其在一定量的样本模型姿态识别的猪姿态准确率有了一定的提升，为了进一步验证本文模型的可靠性，在后续的研究中利用不同数据量和不同品种猪只的数据去训练三个模型并且进行验证。
[0093]
应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。
[0094]
此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
[0095]
进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存
储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、ram、rom等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。
[0096]
如在本技术所使用的，术语“组件”、“模块”、“系统”等等旨在指代计算机相关实体，该计算机相关实体可以是硬件、固件、硬件和软件的结合、软件或者运行中的软件。例如，组件可以是，但不限于是：在处理器上运行的处理、处理器、对象、可执行文件、执行中的线程、程序和/或计算机。作为示例，在计算设备上运行的应用和该计算设备都可以是组件。一个或多个组件可以存在于执行中的过程和/或线程中，并且组件可以位于一个计算机中以及/或者分布在两个或更多个计算机之间。此外，这些组件能够从在其上具有各种数据结构的各种计算机可读介质中执行。这些组件可以通过诸如根据具有一个或多个数据分组(例如，来自一个组件的数据，该组件与本地系统、分布式系统中的另一个组件进行交互和/或以信号的方式通过诸如互联网之类的网络与其它系统进行交互)的信号，以本地和/或远程过程的方式进行通信。
[0097]
还应当理解的是，本发明通过实施方式加以描述，实施例仅为针对本发明权利要求所提出技术方案能够实现所给出清楚完整的说明，即对权利要求的解释说明，因此当评判本发明说明书记载的技术方案是否公开充分时，应当予以充分考虑权利要求所限定方案的旨在核心要义，而在说明书中必然存在与本实施例所提出解决核心技术问题相无关的其他技术问题，其对应的技术特征、技术方案均不属于本实施例要义所指，属于非必要技术特征，故可参照隐含公开，本领域技术人员完全可以结合现有技术和公知常识进行实现，因此无任何必要做详述。
[0098]
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。