猪只视频数据采集和基于视觉AI的猪只行为评测方法

摘要

本发明公开了一种猪只视频数据采集和基于视觉AI的猪只行为评测方法。猪只视频数据采集方法使用若干视频采集设备采集猪场现场的猪只视频数据，各视频采集设备以相同的拍摄方向进行安装，且各视频采集设备配置的工作参数一致。猪只行为评测方法对猪只视频数据进行标签标注，得到训练的数据集；数据集按预设比例分为训练数据集和测试数据集；使用分类器模型对所述训练数据集进行学习，使用所述测试数据集对学习后的分类器模型进行评估修正，最终训练出用于识别猪只行为的判别模型；使用所述判别模型对待识别的猪只视频数据进行识别，输出识别的猪只行为信息。本发明规范化了采集的猪只视频数据，便于统一处理，评测方法具备较高的准确性。

说明书

技术领域

本发明涉及智慧畜牧业和智能养殖领域，尤其是一种猪只视频数据采集和基于视觉AI的猪只行为评测方法。

背景技术

我国是生猪肉的生产大国，出口和内销的量都非常大，所以生猪的产能和生猪的健康状况是关键因素，目前的规模养殖方式都还存在一些缺点。主要表现在于：1、需要大量的饲养人员现场或通过视频监控进行管理，人力监管的方式无法实时对所有猪只的状态进行反馈和处理。2、需要饲养人员凭借经验判断猪只状态，饲养人员虽有一定经验，但也并非专业技术人员，判断结果受主观影响较大。3、当前的远程猪只监控管理方法非常低效，虽然增加了24h的监控设备，无需管理人员到达现场，但依然需要管理人员长时间在视频前进行长时间监管。长时间监管视频容易产生倦怠，并且少量的管理人员无法同时对多路视频进行监控，并且人工容易产生疲劳容易出错。

对此，应用当下反馈较好的AI技术来对猪只养殖进行实时监控，能够有效改善上述全部或部分问题。而通过视频监控的前提，需要采集有效的视频数据。现有的猪只数据采集方法非常不规范，视频采集的设备只要能够工作，并且能够观察到所有猪只即可，所采集的视频数据格式、规范不一，导致后期AI识别的效果不佳。此外，目前的基于纯视觉的AI算法对猪只的行为识别准确率不高。

发明内容

本发明的发明目的在于：针对上述存在的问题，提供一种猪只视频数据采集方法，以为实时分析猪只状态提供良好的视频数据。

本发明采用的技术方案如下：

一种猪只视频数据采集方法，该方法使用若干视频采集设备采集猪场现场的猪只视频数据，各视频采集设备以相同的拍摄方向进行安装，且各视频采集设备配置的工作参数一致。

进一步的，所述相同的拍摄方向，为安装的高度、角度相同，且拍摄视角相同。

进一步的，对于各视频采集设备所采集的猪只视频数据，还存在筛选步骤。

为了解决通过视频实时快速分析猪只行为的问题，本发明还提供了一种基于视觉AI的猪只行为评测方法，该方法包括：

对上述的猪只视频数据采集方法所采集的猪只视频数据进行标签标注，得到训练的数据集，标注的标签为猪只行为信息；数据集按预设比例分为训练数据集和测试数据集；

使用分类器模型对所述训练数据集进行学习，使用所述测试数据集对学习后的分类器模型进行评估修正，最终训练出用于识别猪只行为的判别模型；

使用所述判别模型对待识别的猪只视频数据进行识别，输出识别的猪只行为信息。

进一步的，进行标签标注的猪只视频数据的格式相同。

进一步的，所述数据集按预设比例分为训练数据集和测试数据集，包括：

对猪只视频数据统一进行标签标注，在训练所述分类器模型时将所述数据集按预设比例随机分为训练数据集和测试数据集。

或者，进行标签标注的猪只视频数据的格式不相同。

进一步的，所述数据集按预设比例分为训练数据集和测试数据集，包括：将数据集以不同的格式划分为第一数据集和第二数据集，分别对第一数据集和第二数据集中的猪只视频数据进行标签标注，对应得到训练数据集和测试数据集。

进一步的，方法还包括：同步显示待识别的猪只视频数据及对应识别的猪只行为信息。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

1、本发明的猪只视频数据采集方法，统一采集方向和拍摄参数，对猪只视频数据进行了规范化约束，使得采集数据更加高效，克服了现有不规范数据采集方式存在的视频数据不可用或可用比例较低的问题，提升了采集数据的有效性。

2、本发明的猪只视频数据采集方法，统一采集规范，便于后期做统一的批量解畸变处理，方便数据集的统一管理，减轻了机器学习负担，节省数据计算开销，提升视频数据处理的准确性。

3、本发明猪只行为评测方法使用的训练数据集和验证数据集使用相同场景的猪只视频数据，并且标注标准统一，进而保证训练模型具备较高的准确性。

附图说明

本发明将通过例子并参照附图的方式说明，其中：

图1是基于视觉AI的猪只行为评测方法的流程图。

具体实施方式

本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。

本说明书(包括任何附加权利要求、摘要)中公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。

实施例一

现有的猪只视频数据采集环境和采集方式非常的不规范，包括猪场中猪舍的卫生环境、设施管理还是数据采集工具的摆放布置都不够规范，对于摄像机的选型及配置等均较为随意，导致最终采集到的猪只视频数据格式不一，参数不一，具备利用价值的数据较少，并且即使具备利用价值，也需要消耗交到的计算资源来进行处理，额外增加了机器处理成本。

本实施例公开了一种猪只视频数据采集方法，该方法主要体现在视频采集设备的物理配置上，该方法包括：

对于采集猪只视频数据的所有视频采集设备，将各视频采集设备以相同的拍摄方向安装于视频采集现场，且各视频采集设备配置的工作参数一致。所谓的相同的拍摄方向，是指视频采集设备的高度和角度，无论是俯视还是侧向(即拍摄视角)拍摄，所有视频采集设备均保持一致。所谓的工作参数，即拍摄模式、曝光时长/快门速度、亮度等。

对于各视频采集设备所采集的猪只视频数据，还存在筛选步骤。该筛选步骤筛选出光照、清晰度均满足预定要求的猪只视频数据，对应的筛选步骤可通过设置相应的光照阈值、清晰度阈值实现。

实施例二

如图1所示，本实施例公开了一种基于视觉AI的猪只行为评测方法，包括：

对采集的猪只视频数据进行标签标注，作为训练的数据集，该数据集按预设比例(通常为4:1)分为训练数据集和测试数据集。训练数据集用于训练分类器，测试数据集用于评估所训练的分类器的结果。此处的猪只视频数据，为原始采集的猪只视频数据经过筛选步骤后保留下的猪只视频数据，对该猪只视频数据进行人工标注标签，即得到数据集，所标注的标签为猪只行为信息，对应于期望判别的分类结果。

本发明数据集中的所有猪只视频数据，优选采用实施例一种的猪只视频数据采集方法所采集的猪只视频数据，得到的猪只视频数据的格式、采光、清晰度等均较为统一，能够有效确保对分类器的训练效果。但是，需要说明的是，本实施例的基于视觉AI的猪只行为评测方也对包含不同格式猪只视频数据的数据集适用，具体的，当所有猪只视频数据的格式一致时，先对所有猪只视频数据进行集中标签标注，再在训练分类器时随机将数据集划分为训练数据集和测试数据集。当所有的猪只视频数据的格式不统一时，先将数据集以不同的格式划分为第一数据集和第二数据集，分别对第一数据集和第二数据集中的猪只视频数据进行标签标注，对应得到训练数据集和测试数据集。需要注意的是，对于不同格式的猪只视频数据，标签标注的要求需要统一，确保客观公正的标注结果。目前的模型评估方法都是基于训练数据，从中分出一部分图片数据进行评估模型，但由于训练数据的图片标注工作量巨大，使得量少的训练数据更加不足。本实施例中，提出了对测试数据集快速标注的方法。基于采集的猪只视频数据，直接分为各个行为状态唯一的视频片段，每个片段中的猪只行为状态都唯一，例如站立、躺卧或者饮水饮食，依次提高标注效率。

使用分类器模型(常用的机器学习模型-如支持向量机、决策树、卷积神经网络等-即可)对训练数据集进行学习，使用测试数据集对学习的模型进行评估修正，最终训练出用于识别猪只行为的判别模型。给定采集到的训练数据集训练得到的分类器，需要使用同样场景下采集到的猪只视频数据作为测试数据集进行对分类器的评估。测试数据集的场景分布需要和训练数据集一致，可以对算法能力更加全面的评估。

对于分类器的评估，可以将bad case可视化或统计分析，在AI算法(分类器)理论的基础上，可以高效地判断算法当前的问题，并修改猪舍猪只视频数据采集的方式、补充训练数据集或者优化AI算法以提高猪只行为检测的算法准确率。本实施例中，模型测试时可以根据每个视频片段的结果评估分类器，并且根据评估结果进行统计分析，选取其中模型预测效果较差(bad case)的训练数据重新标注，作为新标注的训练数据集，从而快速高效地迭代优化目前使用的分类器。

利用判别模型对视频采集设备采集的猪只视频数据进行识别，输出识别的猪只行为信息。使用图像显示设备同步展示猪只视频数据，以及该猪只视频数据中各猪只的猪只行为信息。

本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合，以及披露的任一新的方法或过程的步骤或任何新的组合。