(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211271128.2 (22)申请日 2022.10.17 (71)申请人 仲恺农业工程学院 地址 510220 广东省广州市海珠区纺织路 东沙街24 号大院 申请人 岭南现代农业科 学与技术广东省实 验室 (72)发明人 朱立学　郭晓耿　莫冬炎　陈品岚　 赖颖杰　张智浩　张世昂　官金炫　 邓文乾　 (74)专利代理 机构 重庆晶智汇知识产权代理事 务所(普通 合伙) 50229 专利代理师 施永卿 (51)Int.Cl. G06T 7/00(2017.01)G06T 7/136(2017.01) G06T 7/62(2017.01) G06T 7/70(2017.01) G06T 7/90(2017.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种用于笼养肉鸽料槽剩料的判别方法 (57)摘要 本申请提供一种用于笼养肉鸽料槽剩料的 判别方法， 包括： 移动机器人导航线的拟合、 料槽 侧面中心点与深度相机坐标系相对位置的获取、 以及通过料槽图像与超声波测距传感器数据判 断料槽剩料情况。 该方法能够 有效判断鸽子各个 料槽中的饲料剩余情况， 从而针对不同料槽提供 精确、 适量的饲料投喂， 确保投喂的饲料保证肉 鸽正常生长的同时、 避免过量投喂饲料而造成的 饲料浪费， 从而实现智能、 科 学的肉鸽养殖。 权利要求书2页 说明书8页 附图1页 CN 115526880 A 2022.12.27 CN 115526880 A 1.一种用于笼养肉鸽料槽剩料的判别方法， 其特征在于： 由移动机器人与两个检测机 构组成的装置实现， 其中， 两个检测机构分别安装在移动机器人的左、 右两侧， 包括深度相 机与超声 波测距传感器； 移动机器人中部设置一个深度相机； 具体方法为： 步骤A： 基于移动机器人的深度相机， 获得深度神经网络的第一数据集； 步骤B： 将第一数据集放入深度神经网络进行模型迭代训练后， 获得第一目标检测框， 通过第一 目标检测框并结合实地测 量数据值， 确定鸽笼两侧 边缘； 采用区域像素特征算法 去除伪边 缘点， 获得道路中点与左、 右边 缘点， 进而拟合得到移动机器人的导 航线； 步骤C： 基于移动机器人的深度相机， 获得深度神经网络的第二数据集； 步骤D： 将第二数据集放入深度神经网络中进行模型迭代训练后， 获得第二目标检测 框； 通过第二 目标检测框中心点的坐标信息， 获得料槽侧 面中心点与深度相 机坐标系的相 对位置； 步骤E： 基于两个检测机构的深度相机， 分别获取两侧料槽 图像； 对料槽图像进行预处 理、 阈值分割处理后， 结合超声波测距传感器数据并进 行不同补偿权重 分配， 判断料槽剩料 情况。 2.根据权利要求1所述的一种用于笼养肉鸽料槽剩料的判别方法， 其特征在于： 所述步 骤A获得第一数据集的具体步骤为： 首先， 通过深度相机获取鸽场实地环境、 多种真实光照 条件下的640*360的养殖道路图片N张； 然后， 经图像预处理后， 将采集到的图像采用 labelimg工具进行 标注， 标注出其鸽笼边 缘的支撑杆， 从而获得第一数据集。 3.根据权利要求1或2所述的一种用于笼养肉鸽料槽剩料的判别方法， 其特征在于： 所 述步骤B中基于 Yolov5s作为基础框架搭建目标识别网络模型。 4.根据权利要求1～3任一项所述的一种用于笼养肉鸽料槽剩料的判别方法， 其特征在 于： 所述步骤B中采用区域像素特征算法去除伪边缘点， 获得道路中点与左、 右边缘点具体 为： 步骤B1、 伪边缘点的去除： 当前检测处的目标识别点为n个， 且每个识别点的图像像素 位置为(Xi， Yi)， i＝1,2， …， n； 根据像素值对X进行目标识别点的排序， 获取最小值、 即Xmin与 最大值、 即Xmax对应的目标识别点， 判断Xmin是否小于预设阈值Xlimit‑l， 同时判断Xmin对应的Y 值、 即Yxmin与Xmax对应的Y值、 即Yxmax之间的差值是否大于预设阈值Ylimit； 若Xmin＜Xlimit‑l且|Yxmax‑Yxmin|＞Ylimit， 则剔除Xmin所对应的目标识别点， 剩余目标识别 点为(n‑1)个； 若上述条件 不成立， 则判断Xmax是否大于预设阈值Xlimit‑h， 同时判断同时判断Xmin对应的 Y值、 即Yxmin与Xmax对应的Y值、 即Yxmax之间的差值是否大于预设阈值Ylimit； 若Xmax＞Xlimit‑h且|Yxmax‑Yxmin|＞Ylimit， 则剔除Xmax所对应的目标识别点， 剩余目标识别 点为(n‑1)个； 若上述条件均不成立， 则表示无需进行目标识别点的剔除， 即无伪边 缘点； 步骤B2、 道路中点与左、 右边 缘点的获得： 伪边缘点去除处理后， 获得目标识别点矩阵[(X1,Y1),(X2,Y2),…， (Xn,Yn)]； 计算目标 识别点矩阵第1个到第 n个点之间的均值， 获得道路中点Xm； 目标识别矩阵内X值大于Xm的点 为右侧边 缘点， 否则为左侧边 缘点。 5.根据权利要求4所述的一种用于笼养肉鸽料槽剩料的判别方法， 其特征在于： 所述步权　利　要　求　书 1/2 页 2 CN 115526880 A 2骤B中拟合得到移动机器人的导 航线y为： y＝ax+b； 其中： 式中： 表示目标识别矩阵中识别点的所有X点的平均值、 即Xm； 表示目标识别矩阵中 识别点的所有Y点的平均值。 6.根据权利要求1或4所述的一种用于笼养肉鸽料槽剩料的判别方法， 其特征在于： 所 述步骤C获得第二数据集的具体步骤为： 对步骤A 中获得的N张640*360的养殖道路图片， 经 图像预处理后与清洗后， 挑选出N0张图片， 进行图像增强处理； 然后采用labelimg工具进行 标注， 标注出 料槽， 从而获得第二数据集。 7.根据权利要求6所述的一种用于笼养肉鸽料槽剩料的判别方法， 其特征在于： 所述步 骤D中基于 Yolov5s作为基础框架搭建目标识别网络模型。 8.根据权利要求1或7所述的一种用于笼养肉鸽料槽剩料的判别方法， 其特征在于： 所 述步骤E中对料槽图像进行 预处理、 阈值分割处 理具体为： 首先， 将进行降噪处理后的料槽图像转换为HSV格式， 从而获取到料槽图像的每一个像 素点的HSV颜色空间值； 然后， 根据V分量颜色空间对每一列的每一个像素对应的V分量值， 获得Xi‑col的一维矩阵[v1i,v2i,…， vni]； 之后， 对Xi‑col的一维矩阵进行v(i+1)i‑v(i)i的迭代计 算， 当其差值的绝对值大于预设阈值Vlimit时， 获得n个阈值边界点， 取最后一个边界点为 Xi‑col的一维矩阵的边界点Xb； 最后， 对每一列进行上述操作， 提取出阴影的上轮廓曲线， 结 合料槽图像的底部边 缘， 获得料槽正投影阴影 轮廓面积。权　利　要　求　书 2/2 页 3 CN 115526880 A 3