[发明专利]一种基于深度卷积神经网络的禽类动物行为识别方法

权利要求书

1.一种基于深度卷积神经网络的禽类动物行为识别方法，其特征是，包括：

步骤(1)、采集禽类动物养殖业管理过程中需要监测的所有禽类动物行为图像；

步骤(2)、对采集到的禽类动物行为图像进行预处理；

步骤(3)、结合待识别的禽类动物行为图像的特点设计深度卷积神经网络结构；

步骤(4)、将步骤(2)中得到的禽类动物行为图像作为训练数据，利用(3)中的深度卷积神经网络结构，训练禽类动物行为识别模型；

步骤(5)、对步骤(4)中训练好的禽类动物行为识别模型进行精度测试，若测试精度未达到养殖业管理应用标准，则返回步骤(3)，直至达到应用标准；

步骤(6)、将识别模型进行部署，应用于禽类动物养殖过程当中，结束。

2.如权利要求1所述一种基于深度卷积神经网络的禽类动物行为识别方法，其特征是，所述步骤(1)中采集禽类动物行为图像时采用人工设置灯光，排除养殖场地中其它光源的干扰。

3.如权利要求1或2所述一种基于深度卷积神经网络的禽类动物行为识别方法，其特征是，所述步骤(1)中拍摄时使用高速摄像机和深度图像摄像机。

4.如权利要求1所述一种基于深度卷积神经网络的禽类动物行为识别方法，其特征是，所述步骤(2)中图像预处理包括：对采集到的禽类动物行为图像按照对应类型进行分类整理、数据清洗以及图像数据扩充。

5.如权利要求4所述一种基于深度卷积神经网络的禽类动物行为识别方法，其特征是，所述图像数据扩充包括：图像的平移操作、图像的旋转操作、图像的水平翻转操作及图像的随机裁剪操作。

6.如权利要求1所述一种基于深度卷积神经网络的禽类动物行为识别方法，其特征是，所述步骤(3)中的深度卷积神经网络结构，需要结合图像的数据量以及禽类动物行为图像本身的特点，设计有不同层数的卷积神经网络结构。

7.如权利要求6所述一种基于深度卷积神经网络的禽类动物行为识别方法，其特征是，卷积神经网络中的不同层数包括：

卷积层和下采样层的个数及排列方式、卷积层中卷积核的个数和大小、池化层中滑动窗口的大小和滑动窗口的移动步长、全连接成的结点个数及激活函数的类型，考虑养殖业管理应用的要求，从中选出识别准确率最高、识别速度最快的卷积神经网络结构。

8.如权利要求1所述一种基于深度卷积神经网络的禽类动物行为识别方法，其特征是，所述步骤(4)中训练禽类动物行为识别模型时需要进行相关参数设置，相关参数设置包括：学习率的大小、训练的迭代次数、优化的方法、使用模式及批处理图像大小。

9.如权利要求8所述一种基于深度卷积神经网络的禽类动物行为识别方法，其特征是，使用模式包括CPU或者GPU。

10.如权利要求1所述一种基于深度卷积神经网络的禽类动物行为识别方法，其特征是，所述步骤(5)中的精度测试要求模型的识别精度达到99.5％以上。