[发明专利]基于视觉的鸡雏公母智能鉴别方法及系统

权利要求书

1.一种基于视觉的鸡雏公母智能鉴别方法，其特征在于：包括以下步骤：

步骤A、采集若干个鸡雏肛门处的图像，构成鸡雏公母图像数据集；

步骤B、建立鸡雏公母鉴别模型；

步骤B-1、建立基础鉴别网络模型；

建立位置标签：鸡雏公母图像数据集中每个图像标注鸡雏肝门位置标签；

建立性别标签：鸡雏公母图像数据集中每个图像标注鸡雏公母性别标签；

特征提取：采用CNN多层神经网络提取鸡雏公母图像数据集中每个图像的鸡雏公母的高维特征图；

定位网络：根据鸡雏公母的高维特征图和位置标签，采用回归网络输出肛门的位置信息；

鉴别网络：根据鸡雏公母的高维特征图、位置信息和性别标签，作为CNN多层神经网络分类模型的输入，建立基础鉴别网络模型；

步骤B-2、基础鉴别网络模型进行多任务模型学习，获得针对N鸡种的N个鸡雏公母鉴别模型；

步骤C、采集待测鸡雏肛门处的图像并输入相应鸡种的鸡雏公母鉴别模型，鸡雏公母鉴别模型输出公母的判断结果。

2.如权利要求1所述的基于视觉的鸡雏公母智能鉴别方法，其特征在于：位置信息为输出坐标(X、Y)以及半径。

3.如权利要求1所述的基于视觉的鸡雏公母智能鉴别方法，其特征在于：步骤B-2包括以下步骤：

步骤B-2-1、将多个品种的鸡雏肛门数据合并为一整个数据集；

步骤B-2-2、在基础鉴别网络模型中使用特征提取网络加定位网络在整个数据集上面进行学习，保存模型；

步骤B-2-3、基于B-2-2保存的模型，固定定位网络参数，在整个数据集上训练特征提取网络和分类网络，保存模型；

步骤B-2-4、循环执行步骤B-2-2和步骤B-2-3设定的次数，保存模型；

步骤B-2-5、基于B-2-4保存的模型采用多任务损失函数，在所有数据集上训练整个模型；

步骤B-2-6、将图像数据按照鸡的品种区分，针对每个品种，基于步骤B-2-5的模型，采用迁移学习，在对应的品种的数据集上继续训练，获得最终的针对N个鸡种鸡雏公母鉴别模型。

4.如权利要求1所述的基于视觉的鸡雏公母智能鉴别方法，其特征在于：

定位网络采用的损失函数是Smooth L1损失，公式如下：

其中，x为预测值，y为位置标签值，N为一次训练的图片数。

5.如权利要求4所述的基于视觉的鸡雏公母智能鉴别方法，其特征在于：

鉴别网络采用的损失函数是交叉熵损失，公式如下：

其中N为一次训练的图片数，C为类别，p为真实概率分布，q为预测概率分布。

6.如权利要求5所述的基于视觉的鸡雏公母智能鉴别方法，其特征在于：

步骤B-2中，多任务模型学习的综合损失函数如下：

Loss＝α*Loss_loc+β*Loss_cls；

其中，α和β是权重。

7.一种基于视觉的鸡雏公母智能鉴别系统，其特征在于：包括光学成像模块和鸡雏公母鉴别模块；

光学成像模块：采集若干个鸡雏肛门处的图像，构成鸡雏公母图像数据集；

鸡雏公母鉴别模块：根据鸡雏公母图像数据集中每个图像标注鸡雏肝门位置标签；根据鸡雏公母图像数据集中每个图像标注鸡雏公母性别标签；采用CNN多层神经网络提取鸡雏公母图像数据集中每个图像的鸡雏公母的高维特征图；根据鸡雏公母的高维特征图和位置标签，采用回归网络输出肛门的位置信息；根据鸡雏公母的高维特征图、位置信息和性别标签，作为CNN多层神经网络分类模型的输入，建立基础鉴别网络模型；

鸡雏公母鉴别模块：还根据基础鉴别网络模型进行多任务模型学习，获得针对N鸡种的N个鸡雏公母鉴别模型；

光学成像模块采集待测鸡雏肛门处的图像并输入鸡雏公母鉴别模块中，鸡雏公母鉴别模块根据相应鸡种的鸡雏公母鉴别模型，判断输出公母结果。

8.如权利要求7所述基于视觉的鸡雏公母智能鉴别系统，其特征在于：光学成像模块包括相机、镜头、光源和支架；相机、镜头、光源固定在支架上；支架的位置可调节。