[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

说明书

提供了一种大型养殖场体征异常禽类检测方法，具体为：预处理采集到的热成像图像，用于数据标注，然后采用基于实例分割通用框架(Mask RCNN)的目标检测及实例分隔方法，对热成像图像进行特征提取，像素对齐，目标的定位，分类和掩码分隔等操作，最后通过控制单张图像的目标检测数，使得在每张图片中的检测正确率得到提高。本方法是对现如今热成像图像在目标检测领域的一次尝试，打破传统方法带来的局限性，利用深度学习在图像特征处理上的优越性能，提高了模型的鲁棒性和准确性。验证了深度学习方法在热成像图像检测领域的可行性。同时也可将其扩展至畜牧业等领域，从而提高我国在养殖业方面的智能化水平。

技术领域

本发明总体地涉及热成像图像处理、深度学习技术和目标检测领域，具 体地涉及一种大型养殖场体征异常禽类检测系统及检测方法。

背景技术

目前国内大部分大型养殖场的智能化水平都不高，检查养鸡场中是否有 体征异常个体就需要人工参与。但是人工参与检查，效率很低而且非常的耗 时，并且一般的养殖场都比较封闭，通风不太好，有大量的有毒气体，人若 长时间逗留在养殖场将会对身体产生不利的影响。若死鸡没有在短时间内被 发现，那么尸体将培养病菌，并不断地扩散传播，禽流感传播迅速并且感染 率高，这样会给养殖场造成大量的损失。所以，及时地发现体征异常个体， 防止禽流感病毒传播，并减少养殖人员在禽舍的工作时间具有十分重要的意义。

国内在检测病死禽类方面的算法上有一些工作，中国专利申请号200810235531.3的发明申请公开了一种养鸡场死鸡探测系统及探测方法，其 主要的处理算法为选取鸡的红鸡冠作为较为明显且敏感的特征。由于活鸡的 鸡冠始终处于运动状态,因此在相同拍摄条件下连续几幅图像中的红鸡冠几 乎不可能处于同一位置，而死鸡的鸡冠则静止不变。于是可根据不同图片中 鸡冠出现的不同位置来判断鸡笼中鸡的生存状态。也有相关研究方法提出采 用支持向量机(SVM)在小样本下优越的分类性能。根据活禽图片和死禽图片 特征的不同,利用支持向量机(SVM)对它们分类。但从实际情况来看，有些 品类的鸡没有鸡冠，采用鸡冠进行判断有一定的偶然性。并且以上算法需要 人工提取特征，不同情况模型调整比较大，模型对于不同的禽类鲁棒性不强， 在光照不充足的养殖场内，图像的识别效果会大幅减弱。

最近几年深度学习尤其是卷积神经网络(Convolutional Neural Network, CNN)在ImageNet等数据集中多次斩获桂冠，在物体检测领域的正确率已超 过人类。由于该网络避免了对图像的复杂前期预处理，可以直接输入原始图 像，由卷积神经网络自动提取图像的特征，避免了人工设计特征的不准确性 和预处理的复杂性，因而得到了更为广泛的应用。

在目标检测算法领域大体分为两种结构，分别是以RCNN系列算法等为代 表的两阶段(Two-Stage)方法和以YOLO系列算法为代表的一阶段 (One-Stage)算法。它们分别在精度和速度上各有一定的优势。随着卷积神 经网络在目标检测任务上的推进，它也开始被应用于更精细的图像处理任务 如语义分割和实例分隔。

发明内容

针对现有检测方法的不足，本发明提供了一种大型养殖场体征异常禽类 检测方法，该方法基于实例分割算法，能将检测到的实例进行有效的分割， 通过将卷积神经网络引入到热成像图像的特征提取当中，通过卷积神经网络 提取到特征后，分别对检测目标进行分类，定位和掩膜操作。该方法只需要 将拍摄到的热成像图像输入到模型中，通过模型直接获取图像的处理结果， 中间不需要人为的干预，实现了检测的智能化，极大地解放了人力。