[发明专利]采用残差卷积神经网络和长短期记忆分类群养猪饮水和玩耍饮水器的分析方法

说明书

本发明公开了一种采用残差卷积神经网络和长短期记忆分类群养猪饮水和玩耍饮水器的分析方法。从俯视群养猪视频中挑选饮水片段和玩耍饮水器片段并保持数据平衡；接着采用残差卷积神经网络提取这些片段中每一帧的空间特征；然后采用长短期记忆将这些空间特征转化成时空特征；最后采用全连接层和Softmax函数分类时空特征从而分类饮水和玩耍饮水器；统计所检测饮水和玩耍饮水器的持续时间和发生频率作为猪健康和福利的评价指标。该项研究是基于残差卷积神经网络和长短期记忆对群养猪进行饮水和玩耍饮水器分类，为传统的人工观测群养猪饮水和玩耍饮水器行为提供了参考，所统计的饮水和玩耍饮水器的时间和频率数据有助于农场主对猪健康和福利进行评估。

技术领域

本发明涉及深度学习、计算机视觉、模式识别、动物行为分析等技术，具体涉及一种俯视状态下分类视频中群养猪饮水和玩耍饮水器分析方法。

背景技术

猪养殖产业中福利的基本组成部分之一是提供充足的食物和水。猪饮水量和重要参数有关，例如环境温度、食物摄入量、食物转换、生长率和健康状况。不充足的饮水可能会导致减少食物摄入，减少产量和增加健康问题。监控猪的饮水是也检测疾病的有效工具。通过监控猪的饮水消耗，腹泻的爆发能够在身体症状可见于猪上的大约前一天被检测。当猪发生水肿、猪瘟和其他疾病时，饮水也会变异常。因此，监控猪饮水行为是非常必要的。然而，产生猪饮水量估计误差的一个重要原因是好奇的猪仔可能只是在玩耍饮水器并非饮水。在单帧中，饮水和玩耍饮水器具有相似的姿态，且猪嘴到饮水器的距离都很近。这使得分类饮水和玩耍饮水器成为猪仔饮水检测研究中的难点，也是亟待解决的问题。与传统人工观测相比，计算机视觉技术具有优势，因为其无侵扰、连续、更客观。

发明内容

本发明的目的是对俯视状态下群养猪监控视频中的饮水和玩耍饮水器进行分类。首先从俯视群养猪视频中挑选饮水片段和玩耍饮水器片段并保持数据平衡；接着采用残差卷积神经网络提取这些片段中每一帧的空间特征。然后采用长短期记忆将这些空间特征转化成时空特征。最后采用全连接层和Softmax函数分类时空特征从而分类饮水和玩耍饮水器。本发明给出一种采用残差卷积神经网络和长短期记忆分类群养猪饮水和玩耍饮水器的方法。本方法根据饮水和玩耍饮水器在序列上的运动模式差异，从视频片段中提取饮水和玩耍饮水器的时空特征，并采用全连接层分类这些时空特征从而分类饮水和玩耍饮水器，也为其他家畜的相似行为的分类提供了理论依据。所统计的饮水和玩耍饮水器的时间和频率数据有助于农场主对猪健康和福利进行评估。

本发明采用的技术方案是：采用残差卷积神经网络和长短期记忆分类群养猪饮水和玩耍饮水器的分析方法包括以下步骤：

步骤1，从俯视群养猪视频中挑选饮水片段和玩耍饮水器片段并保持数据平衡；步骤2，采用残差卷积神经网络提取这些片段中每一帧的空间特征；步骤3，采用长短期记忆将这些空间特征转化成时空特征；步骤4，采用全连接层和Softmax函数分类时空特征从而分类饮水和玩耍饮水器。

进一步，所述步骤1具体包括：

首先改建实验用猪舍，在猪舍正上方安装拍摄俯视视频的图像采集系统，获取包含猪饮水和玩耍饮水器的视频。然后从这些视频中挑选出饮水和玩耍饮水器片段，并保持数据平衡。

进一步，所述挑选饮水和玩耍饮水器片段以及保持数据平衡的具体方法是：

步骤1.1，根据饮水持续最小时间为2秒，从获取的所有视频中挑选出所有饮水2秒片段和玩耍饮水器2秒片段，并统计所有饮水和玩耍饮水器片段的数量。

步骤1.2，根据实际的饮水片段和玩耍饮水器片段的比例，采用水平镜像，垂直镜像和对角镜像保持饮水片段和玩耍饮水器片段的数量一致。

步骤1.3，由于饮水和玩耍饮水器的运动差异主要集中在猪头部且猪体间可能存在粘连和重叠，将原始视频进一步定位到猪头部运动区域，从而产生新的饮水和玩耍饮水器片段。

进一步，所述步骤2的具体过程为：