CN117576733B 一種基于計算機視覺的自動檢測羊理想站姿方法 （南京農業大學）

街道江蘇省棲霞現代農業產業園區南京農業大學現代園藝產業科技創新中心一種基于計算機視覺的自動檢測羊理想站本發明公開了一種基于計算機視覺的自動檢測深度學習模型提取羊體骨架特征關鍵點；在畜牧養殖智能化技術領域具有廣泛的應用前2S4、根據羊理想站姿判定標準，設計用于羊理想站姿判定的21組圖像特征向量如下：S2_2、使用k_means聚類算法從步驟S1獲得的側視圖像中隨機抽樣用于構建羊體骨架S2_3、對DS_kp_tr中的圖像進行關鍵點標注，為每S2_4、使用特征圖預測分支的損失函數sigmoid_cross失函數huber_loss作為目標函數評估模型預測關鍵點與標注S2_5、選定ResNet50網絡作為DeepLabCut模型的主S2_6、將S2_2劃分的DS_kp_te輸入到訓練好的DeepLa4.根據權利要求3所述的方法，其特征在于，S2_4中，特征圖預測分支的損失函數sigmoid_cross_entropy_loss和偏移位置的損失函3其中，sigmoid_cross_entropy_loss中的Pn表示實際標簽，表示模型的預測概率；此構建站姿分類數據集DS_sc，并將DS_sc按照9:1的比例劃分為訓練集DS_sc_tr和測試集S5_2、利用如下數學公式計算S4設計的21組圖像S5_3、從DS_sc_tr提取步驟S4中設計的21組圖像特S5_5、從DS_sc_tr中提取S5_4得到的17組圖像設置于圖像采集室出口處的出口門禁(1)、出口外的出口通道圍欄(3側視相機(8)基于側視相機支架(6)設置于圖像采集室的一側，用于拍攝羊體側視圖圖像采集室的側視相機(8)側設置玻璃擋板(13)，玻璃擋板(13)的對側為可移動擋板4處理器基于圖像采集室獲取的圖像信息自動計算獲得羊體5解決如何自動評判視頻幀圖像中羊是否處于理想站[0012]S2_2、使用k_means聚類算法從步驟S1獲得的側視圖像中隨機抽樣用于構建羊體骨架關鍵點定位模型的數據集DS_kp，將DS_kp按照8:2的比例劃分為訓練集DS_kp_tr和測6想站姿判定標準人工標注DS中各圖像中的羊站姿理想與否，將標注結果與關鍵點信息合7種基于計算機視覺的自動檢測羊理想站姿方法，該方法實地采集了圖像數據并進行預處現基于機器學習的理想站姿篩選過程。該方法整體流程圖如圖1所示，主要包括以下步驟[0043]S2、使用關鍵點檢測深度學習模型DeepLabCut提取羊體骨架特征關鍵點，8[0045]S2_2、使用k_means聚類算法從步驟S1獲得的側視圖像中隨機抽樣用于構建羊體骨架關鍵點定位模型的數據集DS_kp，將DS_kp按照8:2的比例劃分為訓練集DS_kp_tr和測DeepLabCut模型的損失函數主要有兩個，分別是特征圖part_pred預測分支的損失函數9想站姿判定標準人工標注DS中各圖像中的羊站姿理想與否，對于滿足理想站姿標準的圖[0081]優選的實施例中，使用申請人于2022年向國家知識產權局遞交發明專利(申請號光電傳感器9_2安裝位置靠近出口門禁1，確保羊完全進入圖像采集室后觸發入口門禁2關