申请/专利权人：江苏大学

申请日：2019-12-13

公开（公告）日：2024-03-22

公开（公告）号：CN111046808B

主分类号：G06V40/10

分类号：G06V40/10;G06V10/764;G06V10/82;G06N3/0442;G06N3/0464;G06N3/048;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.03.22#授权;2020.05.15#实质审查的生效;2020.04.21#公开

摘要：本发明公开了一种采用残差卷积神经网络和长短期记忆分类群养猪饮水和玩耍饮水器的分析方法。从俯视群养猪视频中挑选饮水片段和玩耍饮水器片段并保持数据平衡；接着采用残差卷积神经网络提取这些片段中每一帧的空间特征；然后采用长短期记忆将这些空间特征转化成时空特征；最后采用全连接层和Softmax函数分类时空特征从而分类饮水和玩耍饮水器；统计所检测饮水和玩耍饮水器的持续时间和发生频率作为猪健康和福利的评价指标。该项研究是基于残差卷积神经网络和长短期记忆对群养猪进行饮水和玩耍饮水器分类，为传统的人工观测群养猪饮水和玩耍饮水器行为提供了参考，所统计的饮水和玩耍饮水器的时间和频率数据有助于农场主对猪健康和福利进行评估。

主权项：1.一种采用残差卷积神经网络和长短期记忆分类群养猪饮水和玩耍饮水器的分析方法，其特征在于，包含以下步骤：步骤1，获取俯视状态下群养猪视频，从视频中挑选饮水片段和玩耍饮水器片段并保持数据平衡；步骤2，采用残差卷积神经网络提取这些片段中每一帧的空间特征；步骤3，采用长短期记忆将这些空间特征转化成时空特征；步骤4，采用全连接层和Softmax函数分类时空特征从而分类饮水和玩耍饮水器；步骤5，统计所检测饮水和玩耍饮水器的持续时间和发生频率作为猪健康和福利的评价指标；所述步骤3的具体过程为：根据视频序列中饮水猪保持几乎静止的姿态而玩耍饮水器猪的嘴部绕着饮水器进行咀嚼和闻嗅的特点，采用长短期记忆网络提取饮水和玩耍饮水器过程中的时空特征用来分类这两种行为，将每一帧的空间特征乘以相应权重得到长短期记忆网络的4个输入控制信号z,zi,zo和zf；将这4个输入控制信号通过长短期记忆网络的输入门、输出门、忘记门和记忆单元得到每一帧对应的一个输出yt；由于帧率为30fps，将视频片段中所有帧对应的输出作为一个列向量[y1,y2,…,y60]，将此列向量作为长短期记忆所提取的时空特征；具体方法是：1根据视频序列中饮水猪保持几乎静止的姿态而玩耍饮水器猪的嘴部绕着饮水器进行咀嚼和闻嗅的特点，采用长短期记忆网络提取饮水和玩耍饮水器过程中的时空特征用来分类这两种行为，将每一帧的空间特征乘以相应权重得到长短期记忆网络的4个输入控制信号z,zi,zo和zf；2将这4个输入控制信号通过长短期记忆网络的输入门、输出门、忘记门和记忆单元得到每一帧对应的一个输出yt，将长短期记忆网络LSTM考虑成一个有4输入1输出的特殊神经元；z,zi,zo和zf是LSTM的控制信号；这4个信号通过输入门、输出门和忘记门，得到输出yt；此过程中产生的记忆单元ct和ht被带入下一个LSTM，使得LSTM具有记忆功能，t＝1,2,…,60；其中，z的激活函数g为区间[-1,1]的tanh函数，zi,zo和zf的激活函数f为区间[0,1]的Sigmoid函数，记忆单元cell的激活函数h为区间[-1,1]的tanh函数；ct、ht和yt的计算公式如式1： 在第1帧中，对应的25088维向量[x1,x2,…,x25088]乘以权重得到LSTM的控制信号z,zi,zo和zf，通过LSTM得到输出y1和记忆单元c1和h1，在第2帧中，采用获取的另一组100352维向量[x1,x2,…,x25088]乘以权重得到LSTM的控制信号z,zi,zo和zf，通过LSTM得到输出y2和记忆单元c2和h2；其中，第1帧中的记忆单元c1和h1被带入第2个LSTM，决定了第2帧中的c2和h2，依次采用此方法，得到60帧对应的60维向量[y1,y2,…,y60]作为60个LSTM的总输出；3由于帧率为30fps，将视频片段中所有帧对应的输出列向量[y1,y2,…,y60]作为长短期记忆所提取的时空特征。

全文数据：

权利要求：

百度查询： 江苏大学 采用残差卷积神经网络和长短期记忆分类群养猪饮水和玩耍饮水器的分析方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD