[发明专利]一种基于编解码网络的生猪骨架提取方法及评价方法

权利要求书

1.一种基于编解码网络的生猪骨架提取方法，其特征在于：包括以下步骤，

采集生猪各类姿态数据并构建原始数据集；

所述原始数据集进行数据集增广后，区分为训练集和测试集；

建立骨架模型并对骨架上的关键点进行人工标注；

基于ResNet50残差网络和U-Net语义分割网络的相结合搭建编解码网络结构，并同时引入注意力机制的门控模块增强特征提取结果；

将增强的所述特征提取结果依次经过关键点分类、高斯滤波后生成包含位置信息的关键点热力图H；

生成所述关键点热力图H的同时预测关键点偏移量，并利用霍夫投票机制将关键点偏移特征矩阵和输出的所述关键点热力图H聚合，得到精确定位的关键点位置后重新映射到原图，把关键点相连后提取出生猪骨架。

2.根据权利要求1所述的基于编解码网络的生猪骨架提取方法，其特征在于：所述骨架模型包括以下建立步骤，

依据解剖学上猪关节的定义建立猪的骨架模型；

将所述骨架模型分为上半身区域和下半身区域，共14个关键点，上半身区域定义6个点，分别包括头部区域的头、鼻和主体区域的尾巴、髋部、脊背中心点以及肩膀，下半身区域分为8个点，分别代表了四肢的肘、蹄关节；

定义骨架关键点之间的连接关系。

3.根据权利要求1或2所述的基于编解码网络的生猪骨架提取方法，其特征在于：所述编解码网络结构包括编码单元和解码单元；

所述编码单元保留ResNet50的特征提取主体，去除分类的平均池化层和全连接层；

所述解码单元定义三个解码块，每个所述解码块接受融合特征矩阵Merge，进行步长为1、3*3的卷积操作降维后，得到特征矩阵FC，再经过sigmoid激活函数得到尺寸为原图的1/4，通道数为k的关键点分类特征图Y。

4.根据权利要求3所述的基于编解码网络的生猪骨架提取方法，其特征在于：引入所述注意力机制包括以下步骤，

结合注意力机制的门控模块，将注意力作用在用作特征融合的跳跃连接上；

通过深层次特征对浅层次特征的指导，对浅层次特征的不同区域进行权重再分配，赋予关键点特征高权重，背景特征低权重。

5.根据权利要求4所述的基于编解码网络的生猪骨架提取方法，其特征在于：所述关键点热力图H包括以下生成步骤，

所述关键点分类特征图Y和所述关键点热力图H的通道数、尺寸保持一致；

利用所述关键点热力图H的图上每个像素位置的置信度表示对关键点的响应程度，所述置信度越高，对关键点的响应越大；

确定热力图上不同关键点位置，遍历查找所述关键点分类特征图Y对应通道上峰值点(Y_max(k))，如下式(1)：

Y_mal(k)＝Max(P_k(Y_i,j)) (1)

式(1)中k＝1，2，..14为关键点序号，P_k表示置信度，Y_i,j表示所述关键点分类特征图Y上的某个像素点；

在热力图上生成以峰值点为中心，半径为R像素的圆形区域S_k，将每个圆形区域中心点H_center的置信度设置为1，通过高斯滤波对生成的圆形区域进行平滑，实现区域到中心的逐步衰减，得到含有K个圆形区域的所述关键点热力图H，如下式(2)和(3)：

S_k(H_i，j)＝{||H_i，j-Y_max(k)||≤R，，R＝4} (2)

式(2)中H_i,j表示热力图上的某个像素点，式(3)中F表示高斯滤波函数，sigma设置为4，除S_k区域外其他位置为0。