[发明专利]一种大型养殖场体征异常禽类检测系统及检测方法

权利要求书

1.一种大型养殖场体征异常禽类检测方法，其特征在于，它使用包括轮式机器人、热成像仪、工控机、图像处理与识别软件的大型养殖场体征异常禽类检测系统，

其中，所述轮式机器人用于搭载热成像仪和工控机；

所述热成像仪用于拍摄大型养殖场的禽类形成热成像图像；

所述工控机用于对拍摄得到的热成像图形进行处理，并完成目标检测，其中包括图像处理与识别软件，图像处理与识别软件中包括事先训练好的检测模型；

搭载热像仪和工控机的轮式机器人在养殖场内做固定轨迹巡航，热成像仪将拍摄得到的数据传送给工控机，工控机对传输过来的数据进行处理，通过图像处理与识别软件及其中的检测模型来检测目标，最后输出检测结果；

所述大型养殖场体征异常禽类检测方法包括以下步骤：

S1、数据采集预处理：使用热成像仪采集养殖场异常禽类数据集，在采集得到的数据集中剔除噪声污染严重的图像，对剩余的图像进行人工标注；然后根据热成像图像显示温度，将数据集中的目标分为两类，一类是体征异常类，另一类是死禽类；

S2、采用深度残差网络和全卷积神经网络提取热成像图像的特征，获得经其中4种卷积残差模块处理的4条通道数据，并通过区域推荐网络产生候选对象边框；

S3、将经区域推荐网络处理后的特征图进行池化和像素对齐操作，然后将感兴趣区域进行融合处理，然后分三个通道分别输出分类信息，边界框回归信息，掩码信息，采用多任务损失函数来训练神经网络；

S4、利用训练好的模型对未参加训练的图片进行检测，形成检测集，并显示出检测效果。

2.如权利要求1所述的大型养殖场体征异常禽类检测方法，其特征在于，所述步骤S1中还包括对采集到的养殖场异常禽类数据集在目标分类之前进行扩充操作，所述扩充操作包括对图像进行翻转，旋转，随机裁剪，镜像处理，以使数据集数量满足训练网络模型的需要。

3.如权利要求1所述的大型养殖场体征异常禽类检测方法，其特征在于，所述步骤S1中的检测目标分类是根据热成像图像中显示的温度进行：将体温在30℃以下的目标归于死禽类并进行人工标注；将30℃到35℃的目标归于体征异常类并进行人工标注。

4.如权利要求1或3所述的大型养殖场体征异常禽类检测方法，其特征在于，所述步骤S1中的人工标注采用labelme软件；在进行目标分类标注时，采用多边形标注框对死禽类和体征异常类目标的位置进行勾勒；标注的相关信息自动保存为Json格式文件，并将Json格式文件转化为训练使用的数据集格式。

5.如权利要求1所述的大型养殖场体征异常禽类检测方法，其特征在于，所述步骤S2中深度残差网络的主干网络依次包括输入层、1个独立卷积层、1个最大池化层和4种卷积残差模块，并对经4种卷积模块处理后的卷积层运用全卷积神经网络，即把高层次中低分辨率的特征图融合到低层次中高分辨率的特征图中，以使其具有更强的语义。

6.如权利要求1所述的大型养殖场体征异常禽类检测方法，其特征在于，所述步骤S2中通过区域推荐网络产生候选对象边框的具体方法为：将经四种卷积模块操作处理得到的4种不同的特征图分别输入到区域推荐网络中，区域推荐网络将特征图的每一个像素设置多种不同尺寸和长宽比的检测框，即锚盒；然后为每一个锚盒分配一个二进制标签，用于区别前景和背景；同时对预测出的边界框进行回归操作，使得原始的锚盒经过映射得到与真实的标注框更加接近的回归窗口。

7.如权利要求6所述的大型养殖场体征异常禽类检测方法，其特征在于，所述步骤S2中还采用非极大值抑制算法，将网络提出的建议进行排序，丢弃那些交并比值大于某个预定义阈值的建议，以处理经过筛选后的前景中存在很多重叠锚盒的问题。

8.如权利要求1或7所述的大型养殖场体征异常禽类检测方法，其特征在于，所述步骤S3中进行感兴趣区域融合后，从以下3个网络通道中输出信息：1)全连接预测类别；2)全连接预测矩形框；3)全卷积预测像素分隔。

9.如权利要求1所述的大型养殖场体征异常禽类检测方法，其特征在于，所述步骤S4中采取降低模型在每张图片中的检测目标数的参数配置，使每张图片仅允许检测出一个目标。