(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 202210263369.6 (22)申请日 2022.03.17 (71)申请人 东北大学秦皇岛分校 地址 066004 河北省秦皇岛市经济技 术开 发区泰山路143号 (72)发明人 赵玉良　田凯旋　 (74)专利代理 机构 沈阳东大知识产权代理有限 公司 21109 专利代理师 李在川 (51)Int.Cl. G06V 20/40(2022.01) G06V 10/26(2022.01) G06V 10/44(2022.01) G06V 10/54(2022.01) G06V 10/764(2022.01)G06V 10/766(2022.01) G06V 10/82(2022.01) G06T 5/00(2006.01) G06T 7/73(2017.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G01G 17/00(2006.01) (54)发明名称 一种基于2D图像的非接触式动物胴体测重 方法 (57)摘要 本发明公开了一种基于2D图像的非接触式 动物胴体测重方法， 涉及计算机视觉应用技术领 域。 通过获取流水线上动物胴体数据； 对动物胴 体样本视频数据进行预处理， 获得最终数据集； 将最终数据集按比例划分为训练集样本和测试 集样本； 搭 建DWD(Duck  weight detection)卷积 神经网络回归模型， 回归动物胴体样本重量； 使 用训练完毕的DWD卷积神经网络回归模 型预测动 物胴体重量。 使用深度学习算法自动提取2D图像 特征， 解决生产线上由于遮挡和晃动对测量精度 的影响， 通过非接触的方式实现大批量地预测动 物胴体的体 重。 权利要求书2页 说明书6页 附图4页 CN 114627418 A 2022.06.14 CN 114627418 A 1.一种基于2D图像的非接触式动物胴体测重方法， 其特 征在于： 包括以下步骤： 步骤1： 获取流水线上动物胴体样本 视频数据； 步骤2： 对步骤1.1中获取的动物胴体样本 视频数据进行 预处理， 获得最终数据集； 步骤3： 将步骤2中获得的最终数据集按比例划分为训练集样本和 测试集样本； 步骤4： 搭建DWD(Duck  weight detection)卷积神经网络回归模型， 回归动物胴体样本 重量； 步骤5： 使用训练完毕的DWD卷积神经网络回归 模型预测动物胴体重量。 2.如权利要求1所述基于2D图像的非接触式动物胴体测重方法， 其特征在于： 步骤1的 具体过程， 包括以下步骤： 步骤1.1： 安装摄 像机拍摄流水线上的动物胴体样本， 获取动物胴体样本 视频数据； 步骤1.2： 测量步骤1.1中拍摄的流水线上动物胴体样本的实际重量， 获取动物胴体样 本实际重量数据。 3.如权利要求1所述基于2D图像的非接触式动物胴体测重方法， 其特征在于： 所述步骤 2的具体过程， 包括以下步骤： 步骤2.1： 对步骤1.2采集的动物胴体样本实际重量数据进行数据清洗， 设定动物胴体 样本的上限值及下限值区间， 剔除实际重量在上限值及下限值区间之外的不 合格样本； 步骤2.2： 将步骤1.1中获取的动物胴体样本视频数据分割成单一无遮挡的动物胴体图 像。 4.如权利要求3所述基于2D图像的非接触式动物胴体测重方法， 其特征在于： 所述步骤 2.2具体过程， 包括以下步骤： 步骤2.2.1： 视频分帧： 将步骤1.1获取的动物胴体样本视频数据按帧分割成一张张的 多姿态图像， 每张多 姿态图像中包 含M只肉鸭和背景信息； 步骤2.2.2： 使用Otus自适应阈值算法将步骤2.2.1中分割后的多姿态图像转化为二值 化图像， 使用形态学开 运算算法去除图像中的噪点； 步骤2.2.3： 对图像中动物胴体设置裁剪框， 裁剪框以流水线上的动物胴体挂钩位置为 对称， 分离单只动物胴体图像； 步骤2.2.4： 通过轻量化U ‑net模型的图像语义分割算法对步骤2.2.3中分离后的的单 只动物胴体图像进行训练识， 自动识别和保留目标主体， 得到单一无遮挡的2D动物胴体图 像； 步骤2.2.5： 对步骤2.2.4中处理后的2D动物胴体图像进行个体的多姿态图像随机融 合， 得到具有三维特 征的2D融合图， 作为 最终数据集。 5.如权利要求1所述基于2D图像的非接触式动物胴体测重方法， 其特征在于： 所述最终 数据集按9:1的比例划分为训练集样本和 测试集样本 。 6.如权利要求1所述基于2D图像的非接触式动物胴体测重方法， 其特征在于： 所述步骤 4的具体过程为： 卷积神经网络参数设置： 设置5个卷积层， 感受野大小为3， 每层依次64、 128、 256、 512和512， 步长为1、 填充为1， 用Softpuls作为激活函数,如式(1)所示； 最大池化 操作的窗口为2*2大小， 步长为2， 无填充； 全连接层均使用Softplus激活函数激活， 其神经 元的个数分别为512、 256和1， 并通过Dropout函数防止过拟合， 输出层无激活函数； 所述DWD 模型使用Adam优化方法进 行迷你批次梯度下降进 行训练， 优化器的损失函数为均方误差损权　利　要　求　书 1/2 页 2 CN 114627418 A 2失(MSE)， 如式(2)所示； 学习率采用基于训练中参数的学习率动态下降方法(lr_ scheduler.StepLR)， 如式(3)所示： Softplus(x)＝ log(1+ex)                           (1) 其中， n为样本的个数， yi为真实数据， 为拟合数据； new_lr＝ initial_lr*γepoch//step_size                    (3) 其中， new_lr为新的学习率， initial_lr为初始学习率， step_size为内参， γ表示学习 率衰减的乘法因子 。 7.如权利要求1所述基于2D图像的非接触式动物胴体测重方法， 其特征在于： 所述步骤 5的具体过程为： 设置迭代次数为Z， 利用训练集样本对DWD卷积神经网络回归模型进行训 练， 使用训练完毕后的DWD卷积神经网络回归模型对待回归的动物胴体测试集样本进行预 测重量， 预测完成后跟实际检测重量进行 校对， 计算整体预测精度。权　利　要　求　书 2/2 页 3 CN 114627418 A 3