[发明专利]基于深度学习的饲料合格性分类方法

说明书

本申请提供一种基于深度学习的饲料合格性分类方法，包括：获取待测图像集；按预设比例划分所述待测图像集为训练集、验证集和测试集，构建Resnet50模型和SE‑Resnet50模型；通过优化器和交叉熵损失函数评价所述Resnet50模型和所述SE‑Resnet50模型的准确率acc；比较所述Resnet50模型的准确率和所述SE‑Resnet50模型的准确率，选择准确率高的为最优网络模型；对所述最优网络模型进行优化，得到最终网络模型；根据所述最终网络模型，得到待测图像合格性判断的结果。本申请通过对全混合日粮饲在制备的不同阶段进行拍摄后进行合格性检测，结果准确率高、实时性强。

技术领域

本申请涉及图像处理领域，尤其涉及一种基于深度学习的饲料合格性分类方法。

背景技术

全混合日粮是一种根据牲畜长发育不同阶段的营养需求和饲养目的,按照营养调控技术和多饲料搭配原则将粗料、精料、矿物质、维生素和其他添加剂充分混合,能够提供足够的营养以满足饲养的需求。

目前，规模化奶牛场多采用全混合日粮(TMR，Total Mixed Ration)喂养方式，以提供给奶牛营养均衡的全混合日粮，把铡切适当长度的粗饲料、精饲料和各种添加剂按照一定的比例进行充分混合而得到，传统对于全混合日粮饲在制备的不同阶段的合格性检测通过滨州筛进行判断，由营养师将不同阶段的等量采样饲料依次放入不同层的滨州筛，进行8个方向、每个方向的振幅为17cm，频率为1s/次的振动，通过每层剩下的饲料重量与合格标准表进行比较判断。然而，通过营养师手工操作后获取全混合日粮饲在制备的不同阶段的合格性检测结果准确性差、效率低、实时性弱。

发明内容

本申请提供了一种基于深度学习的饲料合格性分类方法，以解决现有的全混合日粮饲在制备的不同阶段的合格性检测结果准确性差、效率低、实时性弱的技术问题。

为了达到上述目的，本申请实施例采用以下技术方案：

提供一种基于深度学习的饲料合格性分类方法，所述方法包括：

获取待测图像集；

按预设比例划分所述待测图像集为训练集、验证集和测试集，构建Resnet50模型和SE-Resnet50模型；

通过优化器和交叉熵损失函数评价所述Resnet50模型和所述SE-Resnet50模型的准确率acc；

比较所述Resnet50模型的准确率和所述SE-Resnet50模型的准确率，选择准确率高的为最优网络模型；

对所述最优网络模型进行优化，得到最终网络模型；

根据所述最终网络模型，得到待测图像合格性判断的结果。

进一步地，所述待测图像集包括第一待测图像、第二待测图像、第三待测图像、第四待测图像。

进一步地，对所述最优网络模型进行优化，包括：

对所述第四待测图像进行图像数据扩增；

对最优网络模型的深度可分离卷积、逆转差结构、线性瓶颈结构及h-swish激活函数进行改进；

对改进后的最优网络模型进行模型层数的剪枝，得到最终网络模型。

进一步地，所述图像数据扩增包括添加模糊、畸变、随机放射变换其中的一种或多种的组合。

进一步地，所述得到最终网络模型之前，包括：

将所述训练集中的待测图像划分为N块预处理图像，分别进行最优网络模型识别；

根据预设权重，得到N块所述预处理图像的识别结果；

根据所述识别结果判定验证集种待测图像是否正确；