[发明专利]一种基于神经网络的养殖场管理方法

权利要求书

1.一种基于神经网络的养殖场管理方法，其特征在于，具体包括以下步骤，

步骤1：采集养殖场的各种图像，处理形成图像数据集；

步骤1.1：采集养殖场各种场景下的包含目标类别的各种图像和无目标类别的各种图像；

步骤1.2：将图像分割成固定大小的图片；

步骤1.3：对图片的图像进行缩放、翻转、颜色抖动和Box纠正操作；

步骤1.4：对图片进行标注，形成图像数据集；

步骤2：采用YOLO网络形成目标检测器，所述目标检测器采用3个尺度，每个尺度预测3个box；所述YOLO网络包括特征交互层，特征交互层分为3个尺度，每个尺度内，通过卷积核的方式实现局部的特征交互；

步骤3：将图像数据集输入到YOLO网络中完成训练；

步骤3.1：对YOLO网络进行调整和参数优化；

步骤3.2：在卷积层中输入图片，采用Batch Normalization算法进行归一化处理，再进行卷积操作后输出相应大小的feature map；

步骤3.3：将所有卷积层分阶，用shortcut的连接方式使得每个阶对残差进行训练，输出13×13的feature map，一共有1024个通道；

步骤3.4：将经过卷积后的数据输入到3个尺度的YOLO网络特征交互层，再输出相应大小的feature map，一共有75个通道，最后进行分类和位置回归；

步骤4：将步骤3中训练后的目标检测器用于对养殖场所养殖的目标进行检测和计数，并区分出其他类别物种；

步骤4.1：将步骤3中训练后的目标检测器用于对养殖场所养殖的目标进行检测；

步骤4.2：对检测出的同类目标进行计数；

步骤4.3：区分出其他类别物种，若检测到危害养殖场所安全的物种，则发出提示性报警；

步骤5：判断步骤4中检测出的目标是否包括人，如果包括人，则对人头部进行定位，控制摄像机对人头部自动调焦来提取清晰头像并存储记录。

2.根据权利要求1所述的基于神经网络的养殖场管理方法，其特征在于，所述的固定大小的图片的大小为416×416像素。

3.根据权利要求1所述的基于神经网络的养殖场管理方法，其特征在于，所述的YOLO网络为YOLOv3网络，包括Darknet-53网络部分和YOLO部分，其中Darknet-53网络，共有75层，其中53个卷积层，22个res层，YOLO网络部分为30层。

4.根据权利要求1所述的基于神经网络的养殖场管理方法，其特征在于，步骤3.1所述的参数包括置信度阈值为0.3，交叉区域阈值为0.45。

5.根据权利要求1所述的基于神经网络的养殖场管理方法，其特征在于，所述的目标类别为猪、鸡、黄鼠狼、蛇和人。

6.根据权利要求1所述的基于神经网络的养殖场管理方法，其特征在于，为了避免视频帧与帧之间目标检测的抖动性和避免目标重叠造成计数影响，采用实时监控和定时单帧计数的策略，即定期在某一时刻截取某一帧图像来检测目标和计数，既能提高计数准确性，也能达到管理要求。

7.根据权利要求1-6任意一项所述的基于神经网络的养殖场管理方法，其特征在于，所述的对人头部进行定位，首先将摄像机视轴调整与地面垂直，再以摄像机镜头的中心点为原点建立相机坐标系，相机坐标系坐标表示为(X_c,Y_c,Z_c)，测得摄像机镜头的中心点与地面的距离为S，以摄像机镜头的中心点为原点建立世界坐标系，世界坐标系坐标表示为(X,Y,Z)，即相机坐标系与世界坐标系完全重合，(X_c,Y_c,Z_c)＝(X,Y,Z)，则在世界坐标中地面各点的Z坐标值都为S；以图像左上角为原点建立图像坐标系，x表示横坐标，y表示纵坐标，图像的主点即中心点坐标为(u₀,v₀)，物体的成像点(x,y)的图像坐标与物体的相机坐标的转换关系为

其中f分别为相机焦距；

由(X_c,Y_c,Z_c)＝(X,Y,Z)，物体的成像点(x,y)图像坐标与物体的世界坐标的转换关系为

设人的平均身高为H，人头部中心点的Z方向坐标值约为Z_F＝S-H，依据摄像机取的图像帧中人头部成像点的图像坐标(x_F,y_F)和式(2)，计算出人头部成像点(x_F,y_F)对应的人头部的世界坐标(X_F,Y_F,S-H)，即实现人头部的定位。