[发明专利]一种基于深度神经网络的肉兔料盒中余料量的估算方法

说明书

本发明公开了属于图像分割技术领域的一种基于深度神经网络的肉兔料盒中余料量的估算方法。具体说是一种基于深度神经网络的图像分割与特征提取及神经网络智能预测的肉兔料盒中余料量的估算方法，其步骤为：采集包含饲料的料盒图像进行预处理和制作数据集；构建并训练基于Mask RCNN+PointRend算法的饲料图像分割网络；通过训练好的饲料图像分割网络对采集的图像进行分割，将饲料从图像中分割出来，并提取饲料的特征参数。以饲料的特征参数为输入，对应的饲料质量为输出，构建并训练基于BPNN的余料量估算网络，最后估算出余料量结果。本发明能够快速、准确、低成本的帮助肉兔养殖场计算肉兔的采食情况。

技术领域

本发明属于图像分割技术领域，特别涉及一种基于深度神经网络的肉兔料盒中余料量的估算方法。具体说是一种基于深度神经网络的图像分割与特征提取及神经网络智能预测的肉兔料盒中余料量的估算方法和应用。

技术背景

在肉兔养殖过程中，掌握肉兔每日采食状况是养殖场每日的重点工作，通过观察料盒中的余料量能间接判断肉兔的采食量。但通过人工观察肉兔的余料量有较多难点。一方面，一般养殖场中每栋兔舍的肉兔数量在2000只到4000只，笼位数量在800个到1000个不等，进行人工观察肉兔的采食量工作量很大，耗费的时间成本和经济成本较高。另一方面，人工观察采食量受限于人力成本，仅能大概地判断是否有剩余饲料，剩余料量多或少，而不能对余料量进行量化，没有明确的数据支撑。随着精准畜牧业概念在肉兔产业中的不断深入，采用人工观察余料量阻碍了后续对肉兔个体采食量的分析和兔舍中养殖情况的判断，精准定位每一只肉兔并了解其采食量不仅能够帮助养殖场实现饲养管理的优化，还能通过采食量判断肉兔的健康水平、料肉比曲线等。如果使用传统的称重方法对每个料盒中的饲料称重，势必会造成养殖成本的增加。因此，开发一种基于图像处理和人工神经网络的肉兔料盒余料量预测方法，帮助养殖场以低成本监测肉兔采食状况，具有很强的现实意义。

发明内容

本发明的目的是提供一种基于深度神经网络的肉兔料盒中余料量估算方法；其特征在于，所述余料量估算是基于Mask RCNN框架和PointRend网络头算法的针对图像边缘细分的饲料实例分割，提取图像数值特征后输入BP神经网络训练，从而估算余料量，步骤如下：

步骤1.获取存放于料盒中的不同质量的肉兔饲料的图像样本集，对获取到的样本图像进行预处理，并通过标注图像中饲料的方式制作饲料实例数据集；

步骤2.构建基于Mask RCNN框架和PointRend网络头算法的饲料图像分割网络，所述的饲料图像分割网络包括主干网络ResNet50、特征金字塔网络FPN、区域建议网络RPN、感兴趣区域匹配网络RoIAlign和包含PointRend网络头的多分支预测网络；

步骤3.实地采集存放于料盒中的不同质量的肉兔饲料图像，以及对应图像的饲料质量；使用训练好的Mask RCNN+PointRend饲料图像分割网络对采集到的图像进行分割，将饲料图像从图像背景中分割出来，获得单一背景下的饲料掩膜图像；

步骤4.采用Opencv图像处理技术提取饲料掩膜中的图像特征，包括料盒进料口处的饲料掩膜面积、饲料掩膜的长宽；料盒采食口处的饲料掩膜面积、饲料掩膜长宽；

步骤5.构建BP神经网络，以取得的饲料掩膜面积、饲料掩膜长宽所构建的训练集作为输入，饲料的质量作为输出，采用反向传播方法训练并优化BP神经网络结构，根据输入输出之间的拟合关系和训练误差不断调整包括训练算法、隐含层神经元数量和隐含层层数的网络结构参数，网络筛选条件为预测余料量与真实余料量之间拟合程度最高、训练误差最小；

步骤6.实地采集存放与料盒中的不同质量的肉兔饲料图像，使用训练好的饲料图像分割网络对采集到的图像进行分割，获取单一背景下的饲料掩膜图像；使用Opencv图像处理技术提取饲料掩膜的图像特征；使用训练好的BP神经网络对提取到的图像特征进行预测，得到余料量。