[发明专利]基于母猪关键部位与环境联合分区的母猪侧卧姿态实时检测系统

说明书

本发明公开了一种基于母猪关键部位与环境联合分区的母猪侧卧姿态实时检测系统，它包括分娩室、摄像头、视频存储单元、服务器，分娩室用于放置待产母猪；摄像头监控获得分娩室的视频数据，摄像头一方面连续存储视频数据到视频存储单元，另一方面直连服务器；服务器调用备份视频数据，同时实时分析监控数据；检测系统的工作步骤为实时监控母猪姿态，通过卷积神经网络区域识别模型同时检测认亲区、哺乳区、分娩区三个区域，当同时检测出2个以上区域时识别母猪为侧卧姿态，并将识别结果输出到数据库。与传感器技术识别母猪姿态方法相比，计算机视觉技术避免了与母猪的接触，减少应激反应，且具有成本低、效率高的特点。

技术领域

本专利涉及计算机视觉、动物福利养殖、深层卷积神经网络算法等技术领域。具体是一种基于母猪关键部位与环境联合分区的母猪侧卧姿态实时检测系统。

背景技术

我国是世界第一养猪大国和猪肉消费国，养猪业是我国农业的支柱产业。仔猪的成活率是生猪养殖产业中极其重要的一项指标，与围产期母猪的母性行为密切相关。母猪多在侧卧时进行分娩和哺乳，侧卧时间的比重是影响母猪母性行为的关键因素。

母猪在产中和产后阶段多保持侧卧姿态，有利于分娩和哺乳。受到饲养人员干扰、仔猪咬伤乳头等情况下，母猪会转变姿态，以保护仔猪或拒绝哺乳，频繁的姿态转化会缩短哺乳时间，同时易引起仔猪挤压致死，仔猪断奶前死亡率高达13％，挤压致死率占其中的15％～51％。现阶段对于母猪姿态的自动化识别多依靠传感器技术和计算机视觉技术，其中计算机视觉检测母猪姿态成本低、效率高、无损伤，可避免采用传感器监测方法引起的猪的应激反应，且随着卷积神经网络进行目标识别的效果逐步提高，使得计算机视觉在动物行为识别领域的应用更加广泛。但利用卷积神经网络进行母猪姿态识别时，主要是通过标注整个母猪目标为特征提取区域，没有关注母猪身体和分娩栏内的关键区域，造成图像数据信息的损失、研究的单一性、对母猪身体部分遮挡时的识别效果不理想。

发明内容

本发明针对背景技术中存在的问题，提出了一种基于母猪关键部位与环境联合分区的母猪侧卧姿态实时检测系统，通过将母猪身体与环境联合分区，实现正常情况和在母猪身体部分遮挡时，都能实时准确地检测母猪侧卧姿态；通过分区间的相对位置判断母猪侧卧方向，探究侧卧方向与仔猪保育室位置间的关系；将检测结果以文本方式实时写入数据库，并用可视化的方法展示。利用母猪身体部位与环境联合分区检测母猪侧卧姿态是研究母猪与仔猪的联系，围产期母猪母性行为评估的重要基础。

技术方案：

一种基于母猪关键部位与环境联合分区的母猪侧卧姿态实时检测系统，它包括分娩室、摄像头、视频存储单元、服务器，所述分娩室带有限位栏，分娩室用于放置待产母猪；所述摄像头设置在高度3m处；摄像头监控获得分娩室的视频数据，摄像头一方面连续存储视频数据到视频存储单元，另一方面直连服务器；服务器调用备份视频数据，同时实时分析监控数据；检测系统的工作步骤为实时监控母猪姿态，通过卷积神经网络区域识别模型同时检测认亲区、哺乳区、分娩区三个区域，当同时检测出2个以上区域时识别母猪为侧卧姿态，并将识别结果输出到数据库；所述模型的构建包括以下步骤：

S1、数据采集：获得图像数据；

S2、数据预处理；

S3、数据标注：在母猪侧卧姿态的照片中按照认亲区、哺乳区、分娩区对每张图像进行标注；

S4、数据划分：按比例划分训练集、测试集、验证集；

S5、网络设计：平衡检测速度和检测精度，采用YOLOv3为检测网络模型；

S6、主干网预训练：将主干网络进行预训练，预训练的权重模型作为母猪侧卧姿态识别的初始化网络权重；

S7、网络模型训练：设置超参数，部署训练环境进行训练；