[发明专利]幼禽孵化期生物特征预测装置及方法

说明书

本发明提供一种基于深度卷积神经网络的幼禽生物特征识别装置，包括：幼禽定位模块，包括级联的多个卷积神经网络子模块和至少一个全连接层子模块，幼禽定位模块输入包含有幼禽的原图像，经运算后输出幼禽在原图像中的预测的位置信息；剪裁模块，根据位置信息对原图像执行裁剪处理，输出裁剪大部分背景后的幼禽外观图像；以及识别模块，包括级联的至少由第一卷积神经网络子模块、扩展卷积子模块以及第二卷积神经网络子模块级联构成的识别子模块，和至少一个全连接层子模块，所述识别模块输入所述幼禽外观图像，经运算后输出识别结果。如此，本通过卷积层的递增完成由粗到细的特征提取过程，能够高精度地完成识别。

技术领域

本发明涉及一种幼禽孵化期生物特征预测装置及方法，具体涉及一种基于深度卷积神经网络对幼禽孵化期进行生物特征识别的方法。

背景技术

目前针对幼禽特别是雏鸡进行性别分类的工作绝大部分还是依靠工人通过观察雏鸡肛门来分类。虽然准确率尚能满足需求，但是分类速度较慢，对工人经验要求高。对于大型孵化场希望能通过机器来分辨，实现全自动流水线工作，以降低成本和提高生产效率。

此外，初生雏鸡抵抗力弱，处于集中化孵化环境中病变雏鸡容易造成雏鸡群大量感染，且有些孵化中发育不全或畸形的雏鸡很难存活，如不早期发现并及时处理，在运输或养殖过程中死亡极易造成细菌滋生，威胁雏鸡群健康。

为解决上述问题，目前有一种观察孵化期蛋轮廓或是透视内部结构而在孵化前进行性别识别，以进行相应的分别处理的方法。孵化前识别的优势是对于不需要的性别可以立即中止孵化而不影响作为鸡蛋使用。但目前的人工观察轮廓的方法准确率较低，达不到应用标准。

因此孵化场希望能通过机器来对孵化期单进行识别并进行相应的处理，提高生产效率。

深度神经网络是近几年来发展迅速，在自然语言处理和计算机视觉的发展中起到了至关重要的推动作用，并且也应用到了许多实际生活、工业生产当中，帮人们解决了许多难题。深度神经网络相对于SVM等传统的浅层机器学习架构，在一些复杂的场景模式中具有更加好的性能。在计算机视觉的自然图像分类方向中，深度神经网络已经可以达到95％以上的准确率，已经几乎超过了人类的分辨能力。它还有许多应用的领域、潜在价值等着人们去开发、挖掘。但是对于深度神经网络在孵化期蛋性别分类、病变识别的应用上，依然存在着识别速度慢，准确率极低，甚至无法识别的情况，难以满足实际生产需求。这导致了目前为止依然是依靠人工来进行雏鸡性别分类。

发明内容

本发明的目的在于提供一种幼禽孵化期生物特征预测装置及方法，旨在至少解决现有技术或相关技术中存在的技术问题之一。

为解决上述技术问题，本发明提供一种基于深度卷积神经网络的幼禽孵化期生物特征预测装置，包括：结构定位模块，包括级联的多个卷积神经网络子模块和至少一

发明效果

本发明通过搭建深度卷积神经网络，通过大量的实验不断优化调节，获得一个兼具识别速度快、准确率高适用于多种品种雏鸡的深度卷积神经网络模型。通过本发明所提供的技术方案，实时采集孵化期鸡蛋内部外观图像，经过图像预处理后输入神经网络模型自动将鸡蛋内部图像与背景分离出来之后，进行性别识别，能够提高识别效率和精度，以便鸡蛋孵化后，将雏鸡按照性别分开养殖，进而能够降低成本、提高生产效率。

附图说明

图1为本发明的幼禽孵化期生物特征识别系统的一个实施例的示意图。

图2为本发明的深度卷积神经网络模型之一例的整体结构示意图。

图3为图2所示的深度卷积神经网络模型的运算模块的说明图。

图4为本发明的幼禽孵化期生物特征识别方法的一个实施例的示意图。

图5为本发明的深度卷积神经网络模型之一例的整体结构示意图。

附图标记说明