基于深度学习的屠宰厂生猪无序识别计数算法开发与应用

前言随着经济现代化的不断发展人们的物质需求不断增加对猪肉的需求一直在增长以家庭为主的小型生猪屠宰场将逐渐满足不了市场快速增长的需求在激烈的竞争中逐渐显露出劣势被市场淘汰而大规模的集约式的生猪屠宰场将成为市场的主流。在传统的小型生猪屠宰场因为生猪数量少、场地小这给人工进行计数带来很多便利。在传统的小型生猪屠宰场中的工作人员需要完全依靠自己对猪场进行检查监控他们需要不间断的进行生猪的计数消耗工作人员大量的体力而且工作十分枯燥无趣可能会导致工作人员因疲劳疏忽工作而造成漏检错检。这种效率极低的计数方式不能符合大规模场的要求。在大规模的生猪屠宰场里需要使用更多的自动化方式来替代低效高昂难监管的人工方式自动化监督、辅助管理等需求变得非常迫切。课题研究的生猪无序识别计数算法可以有效降低劳动力代替人工进行高效的生猪计数、检测并可以在后续通过数据可视化手段将数据以简单的图表展现清晰明了地展示各类重要的数据用更为高效的手段和更为节省的投入达到更好的经济效益。详细视频演示文章底部名片联系我看更详细的演示视频一、项目介绍在《基于深度学习的实时母猪行为检测算法》中提到传统的方法主要是使用纯人工观察或人工查阅视频记录形式进行需要消耗大量人力物力。机器视觉技术作为非侵入式监测的解决方案在行为跟踪识别领域发挥着重要的作用。近年来使用机器视觉技术对母猪行为检测进行研究成为热点。但是当前检测方法大多以准确识别生猪个体作为前提一般针对生猪的单一行为进行检测。当文提出了一种基于深度学习的母猪行为实时检测算法(Real-Time Sows Behaviors Detection Algorithm Based on Deep Learning,SBDA-DL)主要针对母猪的饮水行为、排尿行为和爬跨行为共三种行为进行实时检测[6]。在《基于深度学习YOLOv4的舍养育肥猪行为识别》中提到为了增加生猪福利实时检测猪只的健康状况预防异常现象发生试验进行了舍养育肥猪行为检测。该方法通过深度学习YOLO v4模型对猪只行为进行了训练验证测试和评估。结果表明:训练模型中猪只的躺卧站立进食,坐立和侵略性行为的识别精度 分别为98.80%95.05%89.40%79.41%97.30%平均精度为91.99%利用该模型进行测试的精度分别为90.70%90.16%88.38%80.75%96.69%平均精度则为89.34%。说明基于深度学习YOLOv4的舍养育肥猪行为识别模型有效克服了环境中不同光照强度和噪声的影响达到了较好的识别效果并且利用模型可以有效地检测猪只的侵略性行为[7]。二、功能介绍1.数据采集与预处理数据集的采集可以自行设计并采集生猪在屠宰场的视频。在屠宰场通道的正上方架设垂直于地面的监控摄像头对生猪经过通道进行全天候拍摄将得到的相关数据通过计算机视觉算法进行处理。将得到的数据集划分为训练集和测试集其中训练集用于模型训练测试集用于模型评估。2.深度学习模型设计与训练采用YOLO算法进行目标检测以识别屠宰场中的生猪。首先根据收集好的数据集使用YOLO算法来进行模型训练。在训练过程中采用适当的损失函数来度量目标检测的误差并采用优化算法来更新模型参数。及时调整模型的超参数如学习率、批大小等以提高模型的性能。采用DeepSORT算法对被检测到的生猪进行无序目标跟踪和计数。对于每一帧图像或视频使用YOLO模型检测生猪目标并获取其位置信息以及类别信息。对于每个检测到的生猪目标从图像中提取特征向量可以使用深度学习模型提取特征。将上一步得到的生猪目标特征向量输入到DeepSORT算法中进行目标匹配和轨迹初始化。在轨迹初始化阶段DeepSORT会为每个生猪目标分配一个唯一的ID并初始化其轨迹信息。在连续的帧中使用已经初始化的轨迹信息对生猪目标进行跟踪。对于每一帧中检测到的生猪目标利用目标特征向量进行目标匹配将其关联到已有的轨迹上并更新轨迹信息。在每一帧中遍历所有被跟踪的生猪目标。判断每个目标的ID是否在之前出现过以识别新生猪目标。对于新的生猪目标进行计数操作并将其ID保存到一个字典或列表中以便后续判断是否为新目标。三、核心代码部分代码四、效果图五、参考文献六 、源码获取下方名片联系我即可大家点赞、收藏、关注、评论啦 、查看获取联系方式