一种肉鸭体重估测方法及其估测系统

1.本发明涉及肉鸭养殖技术领域，具体涉及一种肉鸭体重估测方法及其估测系统。


背景技术：

2.我国集约化肉鸭养殖业起步较晚，存在智能化程度低，生产基础薄弱等问题。在肉鸭的养殖阶段，其体重参数是反映肉鸭生长发育、生产性能是否优良的重要特征，同时体重随时间的变化趋势可以反映肉鸭的健康情况，是肉鸭养殖中所关注的重点参数之一。测量肉鸭的体重目前主要有三种传统方法：方法一是饲养员根据日龄和经验进行肉眼估重。此方法测量误差大、准确度较低，由于肉鸭相对猪牛等大型畜禽较小，往往要求体重测量精度要高；方法二是用电子秤等工具直接称重，此方法虽测量较为准确，但测定规模小，生产上一般采用多只肉鸭装笼并称总重后求均值来确定单只肉鸭体重，也存在一定误差；方法三是用皮尺先测量肉鸭体尺，再通过回归分析来预测其体重，此方法测量效率低，要求养殖人员有数学基础才可使用。以上三种方法均为接触式测量方法，在测量时肉鸭易产生强烈地应激反应，不利于肉鸭的福利养殖。


技术实现要素：

3.本发明的目的在于提供一种肉鸭体重估测方法及其估测系统，以能够提高肉鸭体重测量效率。
4.本发明解决上述技术问题的技术方案如下：
5.本发明提供一种肉鸭体重估测方法，所述肉鸭体重估测方法包括：
6.s1：获取肉鸭原始相关图像；
7.s2：对所述肉鸭原始相关图像进行预处理操作，得到肉鸭相关图像；
8.s3：判断所述肉鸭相关图像是否包含肉鸭，若是，进入步骤s4，否则，返回步骤s1；
9.s4：根据所述肉鸭相关图像，得到肉鸭体重的估测结果。
10.可选择地，所述预处理操作包括：倾斜检查与校正、失真检测、对比度调整、完整性检查。
11.可选择地，所述步骤s4包括：
12.s41：利用神经网络对所述肉鸭相关图像进行分割处理，得到肉鸭分割图像；
13.s42：对所述肉鸭分割图像进行二值化处理，得到肉鸭二值化图像；
14.s43：对所述肉鸭二值化图像进行数学处理，得到数学处理结果；
15.s44：利用所述数学处理结果和肉鸭相关信息，得到所述肉鸭体重的估测结果。
16.可选择地，所述步骤s41中，所述神经网络为ducknet网络，所述ducknet网络包括依次连接的主干特征提取子网络、加强特征提取子网络和预测子网络；
17.所述主干特征子网络包括自上而下依次连接的第一主干层级、第二主干层级、第三主干层级、第四主干层级和第五主干层级，所述第一主干层级包括依次连接的输入模块、3
×
3卷积模块和第一3
×
3bneck卷积模块；所述第二主干层级包括依次连接的第二3
×
3bneck卷积模块、第三3
×
3bneck卷积模块、第一5
×
5bneck卷积注意力模块、第二5
×
5bneck卷积注意力模块和第三5
×
5bneck卷积注意力模块；所述第三主干层级包括依次连接的第四3
×
3bneck卷积模块、第五3
×
3bneck卷积模块、第六3
×
3bneck卷积模块和第七3
×
3bneck卷积模块；所述第四主干层级包括依次连接的第一3
×
3bneck卷积注意力模块和第二3
×
3bneck卷积注意力模块；所述第五主干层级包括依次连接的第四5
×
5bneck卷积注意力模块、第五5
×
5bneck卷积注意力模块和第六5
×
5bneck卷积注意力模块；
18.所述加强特征提取子网络包括自下而上依次连接的第一特征层级、第二特征层级、第三特征层级和第四特征层级，所述第一特征层级包括依次设置的第一融合层和第一特征层，所述第六5
×
5bneck卷积注意力模块的输出结果通过上采样操作作为所述第一特征层的输入，所述第一特征层的输出通过3
×
3卷积操作得到第二特征层的输入，所述第二特征层的输出通过3
×
3卷积操作得到第三特征层的输入；所述第二特征层级包括依次设置的第二融合层和第四特征层，所述第三特征层的输出结果通过上采样操作作为所述第四特征层的输入，所述第二3
×
3bneck卷积注意力模块的输出结果和所述第七3
×
3bneck卷积模块的输出结果通过concat融合函数融合之后作为所述第二融合层的输入，所述第四特征层的输出通过3
×
3卷积操作得到第五特征层的输入，所述第五特征层的输出通过3
×
3卷积操作得到第六特征层的输入；所述第三特征层级包括依次设置的第三融合层和第七特征层，所述第六特征层的输出结果通过上采样操作作为所述第七特征层的输入，所述第三5
×
5bneck卷积模块的输出结果和所述第七3
×
3bneck卷积模块的输出结果通过concat融合函数融合之后作为第三融合层的输入，所述第七特征层的输出通过3
×
3卷积操作得到第八特征层的输入，所述第八特征层得到输出通过3
×
3卷积操作得到第九特征层的输入，所述第四特征层级包括第四融合层和第十特征层，所述第四融合层连接所述第一3
×
3bneck卷积模块，所述第九特征层的输出结果通过上采样操作作为所述第十特征层的输入，所述第十特征层的输出通过3
×
3卷积操作得到第十一特征层的输入，所述第十一特征层的输出通过3
×
3卷积操作得到第十二特征层的输入；
19.所述预测子网络包括最终特征层和输出模块，所述第十二特征层的输出通过1
×
1卷积操作得到所述最终特征层的输入，所述最终特征层连接所述输出模块。
20.可选择地，所述二值化图像的数学模型为：
[0021][0022]
其中，pixel表示肉鸭二值化图像，255和0均为二值化图像的像素值，duck表示肉鸭。
[0023]
可选择地，所述肉鸭相关信息包括肉鸭编号和肉鸭位置，所述步骤s43包括：
[0024]
s431：分别对所述肉鸭二值化图像添加外接矩形和最大内切圆；
[0025]
s432：分别计算所述外接矩形的相对像素面积和所述最大内切圆的相对像素面积；
[0026]
s433：计算所述外接矩形的相对像素面积和所述最大内切圆的相对像素面积之差的绝对值；
[0027]
s434：根据所述绝对值，得到校正系数；
[0028]
s435：根据所述外接矩形、所述最大内切圆、所述校正系数、肉鸭编号以及肉鸭位
置，利用bp神经网络，得到所述肉鸭体重的估测结果。
[0029]
可选择地，所述步骤s435包括：
[0030]
s4351：获取所述外接矩形、所述最大内切圆、所述校正系数、肉鸭编号以及肉鸭位置，以生成数据集；
[0031]
s4352：对所述数据集进行预处理操作，得到预处理结果；
[0032]
s4353：将所述预处理结果划分为训练集和测试集；
[0033]
s4354：利用所述训练集对所述bp神经网络进行训练，得到训练好的bp神经网络；
[0034]
s4355：将所述测试集输入至所述训练好的bp神经网络中进行验证，得到验证结果；
[0035]
s4356：根据所述验证结果、肉鸭真实体重值、鸭群体重的平均值以及试验次数，得到最优可决系数；
[0036]
s4357：根据所述最优可决系数，得到所述肉鸭体重的估测结果。
[0037]
可选择地，所述步骤s435中，所述bp神经网络包括依次连接的输入层、隐含层和输出层，所述输入层包括4个神经元，并用于输入所述外接矩形、所述最大内切圆、所述校正系数、肉鸭编号以及肉鸭位置；所述隐含层用于将所述输入层的神经元进行非线性拟合，所述输出层包括1个神经元并用于将所述隐含层的拟合结果转换为所述肉鸭体重的估测结果。
[0038]
可选择地，所述步骤s4352中，所述预处理操作包括：对所述数据集中错误和/或丢失和/或无效数据进行删除，以及利用插值法对删除数据进行补全；
[0039]
所述步骤s4356包括：
[0040]
根据所述验证结果、肉鸭真实体重值、鸭群体重的平均值以及试验次数，得到可决系数，其中，所述可决系数为：
[0041][0042]
式中，式中，表示bp神经网络输出的肉鸭体重估测结果，表示真实肉鸭体重测量的平均值，yw表示肉鸭体重测量的真实值，i表示试验次数；
[0043]
根据预设阈值判断所述可决系数是否为最优可决系数，若是，将所述可决系数作为所述最优可决系数，否则，返回步骤s4354。
[0044]
本发明还提供基于上述的肉鸭体重估测方法的肉鸭体重估测系统，所述肉鸭体重估测系统包括：
[0045]
图像获取模块，所述图像获取模块用于获取所述肉鸭原始相关图像；
[0046]
预处理模块，所述预处理模块用于对所述肉鸭原始相关图像进行预处理操作；
[0047]
判断模块，所述判断模块用于判断所述肉鸭相关图像是否包含肉鸭；
[0048]
体重估测模块，所述体重估测模块用于根据所述肉鸭相关图像，生成肉鸭体重的估测结果。
[0049]
本发明具有以下有益效果：
[0050]
1、本发明仅通过获取肉鸭的图像便能够实现对肉鸭的体重估测，减少了人工成本和时间成本，从而提高肉鸭体重测量效率；
[0051]
2、图像中肉鸭的深浅层特征可由ducknet学习得到，无需建立繁琐的特征工程，
ducknet与bp神经网络处理复杂的估重模型有更佳的鲁棒性；
[0052]
3、本发明使用二值化后的肉鸭外接矩形与内切圆等参数经过bp神经网络估计肉鸭的体重，无需求取肉鸭的关键点信息，减少的获取关键点所需的繁杂过程。
附图说明
[0053]
图1为本发明所提供的肉鸭体重估测方法的流程图；
[0054]
图2为本发明所提供的ducknet网络的结构示意图；
[0055]
图3为本发明所提供的最大内切圆和外接矩形结构示意图；
[0056]
图4为本发明所提供的bp神经网络的结构示意图。
[0057]
附图标记说明
[0058]
1-3
×
3卷积模块；2-第一3
×
3bneck卷积模块；3-第二3
×
3bneck卷积模块；4-第三3
×
3bneck卷积模块；5-第一5
×
5bneck卷积注意力模块；6-第二5
×
5bneck卷积注意力模块；7-第三5
×
5bneck卷积注意力模块；8-第四3
×
3bneck卷积模块；9-第五3
×
3bneck卷积模块；10-第六3
×
3bneck卷积模块；11-第七3
×
3bneck卷积模块；12-第一3
×
3bneck卷积注意力模块；13-第二3
×
3bneck卷积注意力模块；14-第四5
×
5bneck卷积注意力模块；15-第五5
×
5bneck卷积注意力模块；16-第六5
×
5bneck卷积注意力模块；17-第一融合层；18-第一特征层；19-第二特征层；20-第三特征层；21-第二融合层；22-第四特征层；23-第五特征层；24-第六特征层；25-第三融合层；26-第七特征层；27-第八特征层；29-第四融合层；30-第九特征层；31-第十特征层；32-第十一特征层；33-最终特征层。
具体实施方式
[0059]
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
[0060]
实施例
[0061]
本发明提供一种肉鸭体重估测方法，参考图1所示，所述肉鸭体重估测方法包括：
[0062]
s1：获取肉鸭原始相关图像；
[0063]
本发明采用rgb彩色摄像头获取肉鸭原始相关图像，当然，作为另外的实施方式，本领域技术人员可选择其他图像获取设备获取肉鸭原始相关图像，本发明不做限制。
[0064]
此外，本发明所获取的肉鸭原始相关图像是在俯视状态下拍摄得到的，每张图像中包含一只或多只肉鸭。对于单只或者多只肉鸭的图像数据，肉鸭应处于图像内，避免肉鸭之间的两两遮挡或因其它原因的遮挡，即要求保持肉鸭个体俯视图像的完整性。
[0065]
s2：对所述肉鸭原始相关图像进行预处理操作，得到肉鸭相关图像；
[0066]
可选择地，所述预处理操作包括：倾斜检查与校正、失真检测、对比度调整、完整性检查。
[0067]
s3：判断所述肉鸭相关图像是否包含肉鸭，若是，进入步骤s4，否则，返回步骤s1；
[0068]
这里，具体通过判断肉鸭相关图像的分割数量来确定所述肉鸭相关图像是否包含肉鸭，即若肉鸭相关图像的分割数为0则图像不包含肉鸭。
[0069]
s4：根据所述肉鸭相关图像，得到肉鸭体重的估测结果。
[0070]
可选择地，所述步骤s4包括：
[0071]
s41：利用神经网络对所述肉鸭相关图像进行分割处理，得到肉鸭分割图像；
[0072]
可选择地，所述步骤s41中，参考图2所示，所述神经网络为ducknet网络，所述ducknet网络包括依次连接的主干特征提取子网络、加强特征提取子网络和预测子网络；
[0073]
所述主干特征子网络包括自上而下依次连接的第一主干层级、第二主干层级、第三主干层级、第四主干层级和第五主干层级，所述第一主干层级包括依次连接的输入模块、3
×
3卷积模块1和第一3
×
3bneck卷积模块2；所述第二主干层级包括依次连接的第二3
×
3bneck卷积模块3、第三3
×
3bneck卷积模块4、第一5
×
5bneck卷积注意力模块5、第二5
×
5bneck卷积注意力模块6和第三5
×
5bneck卷积注意力模块7；所述第三主干层级包括依次连接的第四3
×
3bneck卷积模块8、第五3
×
3bneck卷积模块9、第六3
×
3bneck卷积模块10和第七3
×
3bneck卷积模块11；所述第四主干层级包括依次连接的第一3
×
3bneck卷积注意力模块12和第二3
×
3bneck卷积注意力模块13；所述第五主干层级包括依次连接的第四5
×
5bneck卷积注意力模块14、第五5
×
5bneck卷积注意力模块15和第六5
×
5bneck卷积注意力模块16；
[0074]
所述加强特征提取子网络包括自下而上依次连接的第一特征层级、第二特征层级、第三特征层级和第四特征层级，所述第一特征层级包括依次设置的第一融合层17和第一特征层18，所述第六5
×
5bneck卷积注意力模块16的输出结果通过上采样操作作为所述第一特征层18的输入，所述第一特征层18的输出通过3
×
3卷积操作得到第二特征层19的输入，所述第二特征层19的输出通过3
×
3卷积操作得到第三特征层20的输入；所述第二特征层级包括依次设置的第二融合层21和第四特征层22，所述第三特征层20的输出结果通过上采样操作作为所述第四特征层22的输入，所述第二3
×
3bneck卷积注意力模块13的输出结果和所述第七3
×
3bneck卷积模块11的输出结果通过concat融合函数融合之后作为所述第二融合层21的输入，所述第四特征层22的输出通过3
×
3卷积操作得到第五特征层23的输入，所述第五特征层23的输出通过3
×
3卷积操作得到第六特征层24的输入；所述第三特征层级包括依次设置的第三融合层25和第七特征层26，所述第六特征层24的输出结果通过上采样操作作为所述第七特征层26的输入，所述第三5
×
5bneck卷积注意力模块7的输出结果和所述第七3
×
3bneck卷积模块11的输出结果通过concat融合函数融合之后作为第三融合层25的输入，所述第七特征层26的输出通过3
×
3卷积操作得到第八特征层27的输入，所述第八特征层27的输出通过3
×
3卷积操作得到第九特征层28的输入，所述第四特征层级包括第四融合层29和第十特征层30，所述第四融合层29连接所述第一3
×
3bneck卷积模块2，所述第九特征层28的输出结果通过上采样操作作为所述第十特征层30的输入，所述第十特征层30的输出通过3
×
3卷积操作得到第十一特征层31的输入，所述第十一特征层31的输出通过3
×
3卷积操作得到第十二特征层32的输入；
[0075]
所述预测子网络包括最终特征层33和输出模块，所述第十二特征层32的输出通过1
×
1卷积操作得到所述最终特征层33的输入，所述最终特征层33连接所述输出模块。
[0076]
使用diceloss和bceloss的组合函数dbloss来作为ducknet的损失函数。由于肉鸭的特征在整体图像中可能存在不明显，为了突出边缘特征，采用diceloss与交叉熵损失bceloss的线性加权作为ducknet的损失函数。该损失函数的组合可有效注重目标物体的损失度变化，避免特征面积对分割精度的影响。d-bloss损失函数计算公式如下：
[0077][0078]
其中，
[0079][0080]
y表示真实的分割结果，表示预测的分割结果；对所有的样本集合n和所有的标签集合l进行计算,τ是为了防止出现除以0的计算错误而设置的一个极小值。
[0081]
在肉鸭的图像分割中，使用dice相似系数作为评价指标，有效的衡量了算法分割结果与真是标注标签的重叠程度，其计算公式为：
[0082][0083]
式中，tp为模型判定的正样本，实际上为正样本；fn为模型判定的负样本，实际上为正样本；fp为模型判定的正样本，实际上为负样本。
[0084]
此外，在对肉鸭相关图像进行分割处理之前，需要对ducknet网络进行预训练，具体的训练步骤为：
[0085]
对肉鸭相关图像进行边界裁剪保证图像中的肉鸭的完整性，对有问题的肉鸭图像进行旋转校正、亮度值调整等操作；
[0086]
使用labelme工具人工对肉鸭图像中的每只肉鸭进行标注处理，并将标注的肉鸭图像进行二值化，得到标注后的肉鸭二值化图像；
[0087]
对所述标注后的肉鸭二值化图像进行数据增强处理，得到增强后的肉鸭二值化图像；
[0088]
根据所述肉鸭原始相关图像、标注后的肉鸭二值化图像以及所述增强后的肉鸭二值化图像，得到数据集；
[0089]
按照8:1:1的比例随机划分训练集、测试机和验证集；本实施例中肉鸭图像数据共5000张，原则上图像数量越多，预训练的效果越佳。
[0090]
将训练集输入到ducknet中训练并确定模型的参数，对ducknet训练100epoch，学习率设置为0.0001，测试集对ducknet的分割效果进行精度测试，最后验证集输入ducknet做进一步的参数调整，得到最终的ducknet网络。
[0091]
s42：对所述肉鸭分割图像进行二值化处理，得到肉鸭二值化图像；
[0092]
可选择地，所述二值化图像的数学模型为：
[0093][0094]
其中，pixel表示肉鸭二值化图像，255和0均为二值化图像的像素值，duck表示肉鸭。
[0095]
s43：对所述肉鸭二值化图像进行数学处理，得到数学处理结果；
[0096]
在本发明中，在此之前，对肉鸭二值化图像进行数据增强处理，包括翻转、添加高斯噪声、仿射变换、随机裁剪，得到原来四倍的数据量。
[0097]
可选择地，所述肉鸭相关信息包括肉鸭编号和肉鸭位置，肉鸭编号是肉鸭佩戴与掌关节中的脚环提供，每只肉鸭的肉鸭编号唯一，脚环上还携带uwb标签，可选择uwb定位模块获取肉鸭的定位信息，用于定位图像中肉鸭的位置，因此，这里的数学处理过程即为步骤s43的分步骤，其具体包括：
[0098]
s431：分别对所述肉鸭二值化图像添加外接矩形和最大内切圆；
[0099]
具体参考图3所示。
[0100]
s432：分别计算所述外接矩形的相对像素面积和所述最大内切圆的相对像素面积；
[0101]
s433：计算所述外接矩形的相对像素面积和所述最大内切圆的相对像素面积之差的绝对值；
[0102]
s434：根据所述绝对值，得到校正系数；
[0103]
在本发明中，校正系数由绝对值开立方根获得，当然，本领域技术人员可选择其他计算方式，本发明不做具体限制。
[0104]
s435：根据所述外接矩形、所述最大内切圆、所述校正系数、肉鸭编号以及肉鸭位置，利用bp神经网络，得到所述肉鸭体重的估测结果。
[0105]
本发明所提供的bp神经网络的激活函数为sigmoid函数，激活函数的公式如下：
[0106][0107]
参考图4所示，本发明的bp神经网络包括依次连接的输入层、隐含层和输出层，所述输入层包括4个神经元，并用于输入所述外接矩形、所述最大内切圆、所述校正系数、肉鸭编号以及肉鸭位置；所述隐含层用于将所述输入层的神经元进行非线性拟合，所述输出层包括1个神经元并用于将所述隐含层的拟合结果转换为所述肉鸭体重的估测结果。
[0108]
所述步骤s435具体包括：
[0109]
s4351：获取所述外接矩形、所述最大内切圆、所述校正系数、肉鸭编号以及肉鸭位置，以生成数据集；
[0110]
s4352：对所述数据集进行预处理操作，得到预处理结果；
[0111]
可选择地，所述步骤s4352中，所述预处理操作包括：对所述数据集中错误和/或丢失和/或无效数据进行删除，以及利用插值法对删除数据进行补全。
[0112]
s4353：将所述预处理结果划分为训练集和测试集；
[0113]
将预处理结果按照8:2划分训练集、测试集。本例中数据组共计1800组。
[0114]
s4354：利用所述训练集对所述bp神经网络进行训练，得到训练好的bp神经网络；
[0115]
s4355：将所述测试集输入至所述训练好的bp神经网络中进行验证，得到验证结果；
[0116]
s4356：根据所述验证结果、肉鸭真实体重值、鸭群体重的平均值以及试验次数，得到最优可决系数；
[0117]
所述步骤s4356包括：
[0118]
根据所述验证结果、肉鸭真实体重值、鸭群体重的平均值以及试验次数，得到可决系数；
[0119]
其中，所述可决系数为：
[0120][0121]
式中，表示bp神经网络输出的肉鸭体重估测结果，表示真实肉鸭体重测量的平均值，yw表示肉鸭体重测量的真实值，i表示试验次数；
[0122]
根据预设阈值判断所述可决系数是否为最优可决系数，若是，将所述可决系数作为所述最优可决系数，否则，返回步骤s4354。
[0123]
这里，可决系数r2的取值区间为[0,1]，可决系数越接近1则bp神经网络的预测效果越好。
[0124]
s4357：根据所述最优可决系数，得到所述肉鸭体重的估测结果。
[0125]
s44：利用所述数学处理结果和肉鸭相关信息，得到所述肉鸭体重的估测结果。
[0126]
即将bp神经网络输出的所有肉鸭体重估测结果中，求得最优可决系数的肉鸭体重估测结果作为最终的肉鸭体重的估测结果。
[0127]
本发明还提供基于上述的肉鸭体重估测方法的肉鸭体重估测系统，所述肉鸭体重估测系统包括：
[0128]
图像获取模块，所述图像获取模块用于获取所述肉鸭原始相关图像；
[0129]
预处理模块，所述预处理模块用于对所述肉鸭原始相关图像进行预处理操作；
[0130]
判断模块，所述判断模块用于判断所述肉鸭相关图像是否包含肉鸭；
[0131]
体重估测模块，所述体重估测模块用于根据所述肉鸭相关图像，生成肉鸭体重的估测结果。
[0132]
本发明具有以下技术效果：
[0133]
1、本发明仅通过获取肉鸭的图像便能够实现对肉鸭的体重估测，减少了人工成本和时间成本；
[0134]
2、图像中肉鸭的深浅层特征可由ducknet学习得到，无需建立繁琐的特征工程，ducknet与bp神经网络处理复杂的估重模型有更佳的鲁棒性；
[0135]
3、本发明使用二值化后的肉鸭外接矩形与内切圆等参数经过bp神经网络估计肉鸭的体重，无需求取肉鸭的关键点信息，减少的获取关键点所需的繁杂过程。
[0136]
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。