(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 202210307934.4 (22)申请日 2022.03.25 (71)申请人 成都爱记科技有限公司 地址 610000 四川省成 都市高新区天府四 街158号2栋2单 元7楼701号 (72)发明人 张剑　 (74)专利代理 机构 深圳信科专利代理事务所 (普通合伙) 44500 专利代理师 李冬存 (51)Int.Cl. G06V 10/26(2022.01) G06V 10/82(2022.01) G06V 10/44(2022.01) G06V 10/774(2022.01) G06T 7/62(2017.01)G06N 20/20(2019.01) G06N 3/04(2006.01) (54)发明名称 一种基于深度学习的高精度猪只体重估算 方法 (57)摘要 本发明公开了一种基于深度学习的高精度 猪只体重估算方法， 包括以下步骤： 步骤一， 猪只 图像预处理； 步骤二， 提取猪只各部位的关键点； 步骤三， 计算猪只的真实尺寸； 步骤四， 调校猪只 体尺； 步骤五， 估算猪只的体重； 所述步骤一中， 参照物的选 择依据是： 成本低、 不易伪造、 不易形 变、 颜色鲜艳易分离， 且相对预测对象的空间位 置尽量保持一致； 本发明较之人工估算， 采用了 图像处理、 深度学习和机器学习技术， 具备高度 的智能化和自动化， 能有效地提高估算精度和估 算效率， 本发 明利用基于全卷积神经网络的图像 语义分割技术对图像进行语义分割， 避免了繁复 的图像预处理工作， 减小了预测误差， 提高了数 据采集效率。 权利要求书2页 说明书4页 附图1页 CN 114926633 A 2022.08.19 CN 114926633 A 1.一种基于深度 学习的高精度猪只体重估算方法， 包括以下步骤： 步骤一， 猪只图像预 处理； 步骤二， 提取猪只各部位的关键点； 步骤三， 计算猪只的真实尺寸； 步骤四， 调校猪只 体尺； 步骤五， 估算猪只的体重； 其特 征在于： 其中在上述步骤一中， 将已知度量的参照物放置在猪身上的特定位置， 拍摄出带有参 照物的猪只全身侧视图片， 利用基于全卷积神经网络的图像语义分割模型对图像进行预处 理， 将背景、 猪只各部位和参照物的像素区域分开， 从图片中分离出猪只各部位和参照物的 像素信息； 其中在上述步骤二中， 利用关键点位置概率模型标注猪只各部位像素信息的关键点， 利用关键点还原模型提取关键点 坐标位置， 获得猪只各部位的关键点 集合； 其中在上述步骤三中， 将步骤二中所获得的猪只各部位关键点集合输送至体尺生成 器， 体尺生成器构造出猪只体尺信息， 再将猪只体尺信息与步骤一中所获得 的参照物的像 素信息输送至体尺转换器， 体尺转换器基于已获知的参照物像素尺寸和真实尺寸的比例关 系， 计算出猪只的真实尺寸； 其中在上述步骤四中， 利用体尺调校器， 基于拍摄距离、 拍摄角度以及参照物与猪只相 对位置等信息， 将步骤三中所获得的猪只真实尺寸校正到标准侧视度量， 从而获得体尺特 征集合； 其中在上述 步骤五中， 将体尺特 征集合输入动态融合模型， 即可估算出猪只的体重 。 2.根据权利要求1所述的一种基于深度 学习的高精度猪只体重估算方法， 其特征在于： 所述步骤一中， 参照物的选择依据是： 成本低、 不易伪造、 不易形变、 颜色鲜艳易分离， 且相 对预测对象的空间位置尽量保持一 致。 3.根据权利要求1所述的一种基于深度 学习的高精度猪只体重估算方法， 其特征在于： 所述步骤一中， 获取图像语义分割模型的具体操作为： 首先定义全卷积神经网络模型， 然后 将训练数据集以6： 2： 2的比例划分为训练集、 测试集和验证集， 将训练集输入模型进 行迭代 训练确定模型参数， 直至模 型收敛， 然后利用测试集对模型的精度进 行测试， 最后利用验证 集进一步调整模型参数， 得到完成训练的图像语义分割模型； 其中， 训练数据集为带有参照 物的猪只全身侧视图像数据集和对应的标签数据集。 4.根据权利要求1所述的一种基于深度 学习的高精度猪只体重估算方法， 其特征在于： 所述步骤二中， 获取关键点位置概率模型 的具体操作为： 基于数据生成算法对关键点位置 的概率密度分布进行建模， 此处数据生成算法采用高斯混合模型。 5.根据权利要求1所述的一种基于深度 学习的高精度猪只体重估算方法， 其特征在于： 所述步骤二中， 猪只各部位关键点包括猪只的头、 尾、 胸下 方和腰下 方等。 6.根据权利要求1所述的一种基于深度 学习的高精度猪只体重估算方法， 其特征在于： 所述步骤三中， 猪只体尺信息包括体长、 胸围、 腰围、 腿间距和核心躯 干面积等。 7.根据权利要求1所述的一种基于深度 学习的高精度猪只体重估算方法， 其特征在于： 所述步骤五中， 动态融合模型是根据猪只体尺与体重对应关系 数据， 拟合出一组机器学习 基回归器， 并基于基回归器， 通过Adaboo st、 GBRT、 Bagging、 Rando mForest、 Stacking等集成 学习算法进行整合强化所获得的。 8.根据权利要求7所述的一种基于深度 学习的高精度猪只体重估算方法， 其特征在于： 所述机器学习基回归器包括但不限于线性回归、 K近邻回归、 LASSO回归、 支持向量机、 多层权　利　要　求　书 1/2 页 2 CN 114926633 A 2感知机和高斯混合模型等。权　利　要　求　书 2/2 页 3 CN 114926633 A 3