基于人工智能的肉雞養(yǎng)殖健康狀態(tài)檢測方法技術(shù)

本發(fā)明專利技術(shù)涉及圖像處理技術(shù)領(lǐng)域，具體涉及基于人工智能的肉雞養(yǎng)殖健康狀態(tài)檢測方法，通過肉雞圖像的R通道圖像得到各像素點的雞冠分布概率，進(jìn)行閾值分割得到各雞冠連通域圖像；與肉雞閾值分割圖像疊加，構(gòu)建黏連處拐點概率指標(biāo)，根據(jù)黏連處拐點概率進(jìn)行拐點連線、分割得到同生命體分割圖像，結(jié)合紅外熱成像圖像進(jìn)行檢測得到每只肉雞的健康狀態(tài)。從而實現(xiàn)肉雞養(yǎng)殖健康狀態(tài)檢測，提高了肉雞位置確定準(zhǔn)確性，增強(qiáng)了肉雞的邊界信息，提高了肉雞圖像分割結(jié)果的準(zhǔn)確性，具有較高肉雞健康狀態(tài)檢測精度。具有較高肉雞健康狀態(tài)檢測精度。具有較高肉雞健康狀態(tài)檢測精度。

【技術(shù)實現(xiàn)步驟摘要】
基于人工智能的肉雞養(yǎng)殖健康狀態(tài)檢測方法


[0001]本申請涉及圖像處理
，具體涉及基于人工智能的肉雞養(yǎng)殖健康狀態(tài)檢測方法。

技術(shù)介紹

[0002]近年來肉雞產(chǎn)業(yè)蓬勃發(fā)展，雞肉已經(jīng)發(fā)展成為世界第一大肉類，肉雞養(yǎng)殖行業(yè)已成為畜牧業(yè)的重要組成部分，而肉雞高效健康的養(yǎng)殖技術(shù)是肉雞集約化養(yǎng)殖過程中的重要保障，對其健康狀態(tài)進(jìn)行檢測不僅能夠預(yù)防疾病傳播，優(yōu)化養(yǎng)殖環(huán)境，更重要的是能夠提高肉雞的生產(chǎn)效益，保障食品的質(zhì)量安全，為人們提供有保障的食品來源。
[0003]檢測肉雞健康狀態(tài)時需要先通過圖像分割確定每只肉雞的位置，但在圖像分割過程中，存在肉雞相鄰過近導(dǎo)致單個肉雞圖像分割不準(zhǔn)確的問題，影像對單個肉雞的健康檢測結(jié)果。
[0004]綜上所述，本專利技術(shù)通過改進(jìn)的圖像分割方法對肉雞圖像進(jìn)行分割，得到每只肉雞所在區(qū)域，根據(jù)每只肉雞所在區(qū)域進(jìn)行體溫判斷得到每只肉雞的健康狀態(tài)，具有較高肉雞圖像分割效果。

技術(shù)實現(xiàn)思路

[0005]為了解決上述技術(shù)問題，本專利技術(shù)提供基于人工智能的肉雞養(yǎng)殖健康狀態(tài)檢測方法，以解決現(xiàn)有的問題。
[0006]本專利技術(shù)的基于人工智能的肉雞養(yǎng)殖健康狀態(tài)檢測方法采用如下技術(shù)方案：本專利技術(shù)一個實施例提供了基于人工智能的肉雞養(yǎng)殖健康狀態(tài)檢測方法，該方法包括以下步驟：采集RGB肉雞圖像及紅外熱成像肉雞圖像；對RGB肉雞圖像進(jìn)行分割得到肉雞連通域圖像；根據(jù)肉雞連通域R通道圖像的通道值變化情況得到各像素點的局部平均R值；根據(jù)各像素點的局部平均R值得到肉雞連通域R通道圖像中各像素點的雞冠分布概率；根據(jù)各像素點的雞冠分布概率得到雞冠連通域圖像；根據(jù)肉雞連通域圖像與雞冠連通域圖像得到第一邊緣圖像；對第一邊緣圖像進(jìn)行角點檢測得到第一邊緣圖像中各角點，記為各疑似邊緣拐點；根據(jù)各疑似邊緣拐點的鄰域變化得到各疑似邊緣拐點的黏連處拐點概率；根據(jù)各疑似邊緣拐點的黏連處拐點概率得到同生命體分割圖像；根據(jù)同生命體分割圖像及紅外熱成像圖像得到各肉雞的體溫；根據(jù)每只肉雞的體溫得到每只肉雞的健康狀態(tài)。
[0007]優(yōu)選的，所述對RGB肉雞圖像進(jìn)行分割得到肉雞連通域圖像，具體為：對肉雞圖像進(jìn)行閾值分割得到每個肉雞所在區(qū)域，對所述區(qū)域進(jìn)行連通域提取得到各肉雞連通域；將各肉雞連通域組成的圖像作為肉雞連通域圖像。
[0008]優(yōu)選的，所述根據(jù)肉雞連通域R通道圖像的通道值變化情況得到各像素點的局部
平均R值，具體為：將肉雞連通域R通道圖像中各像素點的鄰域作為各像素點的搜索窗口，將搜索窗口內(nèi)所有像素點的R通道均值作為各像素點局部平均R值。
[0009]優(yōu)選的，所述根據(jù)各像素點的局部平均R值得到肉雞連通域R通道圖像中各像素點的雞冠分布概率的表達(dá)式為：式中，為像素點的雞冠分布概率，為像素點的局部平均R值，為肉雞連通域R通道圖像中最大的通道值，為像素點通過角點檢測算法得到的角點值，為以為底的指數(shù)函數(shù)。
[0010]優(yōu)選的，所述根據(jù)各像素點的雞冠分布概率得到雞冠連通域圖像，具體為：將各像素點的雞冠分布概率構(gòu)成的圖像作為雞冠分布概率圖像；將雞冠分布概率圖像進(jìn)行閾值分割得到分割圖像；對分割圖像進(jìn)行連通域標(biāo)記得到連通域圖像，記為雞冠連通域圖像。
[0011]優(yōu)選的，所述根據(jù)肉雞連通域圖像與雞冠連通域圖像得到第一邊緣圖像，具體為：將肉雞連通域圖像與雞冠連通域圖像疊加后的圖像作為疊加圖像；將疊加圖像進(jìn)行邊緣檢測得到邊緣圖像，記為第一邊緣圖像。
[0012]優(yōu)選的，所述根據(jù)各疑似邊緣拐點的鄰域變化得到各疑似邊緣拐點的黏連處拐點概率，具體包括：將第一邊緣圖像中閉合邊緣內(nèi)的像素點作為第一像素點，統(tǒng)計各疑似邊緣拐點鄰域內(nèi)第一像素點個數(shù)及非第一像素點個數(shù)；獲取各疑似邊緣拐點的角點值；計算各疑似邊緣拐點的角點值與鄰域內(nèi)第一像素點個數(shù)的乘積，記為第一乘積；計算各疑似邊緣拐點的雞冠分布概率與鄰域內(nèi)非第一像素點個數(shù)的乘積，記為第二乘積；將所述第一乘積與第二乘積的比值作為各疑似邊緣拐點的黏連處拐點概率。
[0013]優(yōu)選的，所述根據(jù)各疑似邊緣拐點的黏連處拐點概率得到同生命體分割圖像，具體為：設(shè)定第一閾值，將黏連處拐點概率大于第一閾值的各疑似邊緣拐點作為各黏連拐點；任意兩個黏連拐點的連線記為各拐點連線；將各閉合邊緣內(nèi)任意兩個黏連拐點之間的歐氏距離作為各拐點連線的長度；獲取每條拐點連線上各像素點鄰域內(nèi)梯度方差均值；獲取每條拐點連線上各像素點的梯度值均值；計算所述梯度方差均值與所述梯度值均值的乘積；將所述乘積與各拐點連線的長度的比值作為各拐點連線的真實黏連邊緣概率；設(shè)定第二閾值，將真實黏連邊緣概率大于等于第二閾值的拐點連線作為分割線；根據(jù)分割線對第一邊緣圖像進(jìn)行分割得到同生命體分割圖像。
[0014]優(yōu)選的，所述根據(jù)同生命體分割圖像及紅外熱成像圖像得到各肉雞的體溫，具體為：將同生命體分割圖像進(jìn)行分割得到各肉雞的獨立圖像；獲取各像素點在紅外熱成
像圖像中的像素值作為各像素點的體溫值；將各肉雞的獨立圖像中各像素點的體溫值均值作為各肉雞的體溫。
[0015]優(yōu)選的，所述根據(jù)每只肉雞的體溫得到每只肉雞的健康狀態(tài)，具體為：設(shè)定正常體溫范圍，將超出正常體溫范圍的肉雞作為不健康肉雞，將在正常體溫范圍內(nèi)的肉雞作為健康肉雞。
[0016]本專利技術(shù)至少具有如下有益效果：本專利技術(shù)通過人工智能結(jié)合肉雞圖像視覺特征，對肉雞圖像進(jìn)行分割得到每個肉雞的圖像，根據(jù)分割得到的每只肉雞圖像進(jìn)行健康判斷，實現(xiàn)肉雞養(yǎng)殖健康狀態(tài)檢測。解決了圖像中肉雞相鄰過近導(dǎo)致單個肉雞圖像分割不準(zhǔn)確的問題，避免了因肉雞圖像分割不準(zhǔn)確導(dǎo)致單個肉雞健康檢測不準(zhǔn)確的問題，具有較高肉雞圖像分割效果。
[0017]為避免肉雞相鄰過近導(dǎo)致單個肉雞圖像分割不準(zhǔn)確的問題，本專利技術(shù)通過肉雞圖像的R通道圖像得到各像素點的雞冠分布概率，進(jìn)行閾值分割得到各雞冠連通域圖像；與肉雞閾值分割圖像疊加，構(gòu)建黏連處拐點概率指標(biāo)，根據(jù)黏連處拐點概率進(jìn)行拐點連線、分割得到同生命體分割圖像，結(jié)合紅外熱成像圖像進(jìn)行檢測得到每只肉雞的健康狀態(tài)，提高了肉雞位置確定準(zhǔn)確性，增強(qiáng)了肉雞的邊界信息，提高了肉雞圖像分割結(jié)果的準(zhǔn)確性，具有較高肉雞健康狀態(tài)檢測精度。
附圖說明
[0018]為了更清楚地說明本專利技術(shù)實施例或現(xiàn)有技術(shù)中的技術(shù)方案和優(yōu)點，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單的介紹，顯而易見地，下面描述中的附圖僅僅是本專利技術(shù)的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其它附圖。
[0019]圖1為本專利技術(shù)提供的基于人工智能的肉雞養(yǎng)殖健康狀態(tài)檢測方法的流程圖；圖2為疊加圖像。
具體實施方式
[0020]為了更進(jìn)一步闡述本專利技術(shù)為達(dá)成預(yù)定專利技術(shù)目的所采取的技術(shù)手段及功效，以下結(jié)合附圖及較佳實施例，對依據(jù)本專利技術(shù)提出的基于人工智能的肉雞養(yǎng)殖健康狀態(tài)檢測方法，其具體實施方式、結(jié)構(gòu)、特征及其功效，詳細(xì)說明如下。在下述說明中，不同的“一個實施例”或“另一個實施例”指的不一定是同一實施例。此外，一或多個實施例中的特定特征、結(jié)構(gòu)或特點可由任何合適本文檔來自技高網(wǎng)...

【技術(shù)保護(hù)點】

【技術(shù)特征摘要】
1.基于人工智能的肉雞養(yǎng)殖健康狀態(tài)檢測方法，其特征在于，該方法包括以下步驟：采集RGB肉雞圖像及紅外熱成像肉雞圖像；對RGB肉雞圖像進(jìn)行分割得到肉雞連通域圖像；根據(jù)肉雞連通域R通道圖像的通道值變化情況得到各像素點的局部平均R值；根據(jù)各像素點的局部平均R值得到肉雞連通域R通道圖像中各像素點的雞冠分布概率；根據(jù)各像素點的雞冠分布概率得到雞冠連通域圖像；根據(jù)肉雞連通域圖像與雞冠連通域圖像得到第一邊緣圖像；對第一邊緣圖像進(jìn)行角點檢測得到第一邊緣圖像中各角點，記為各疑似邊緣拐點；根據(jù)各疑似邊緣拐點的鄰域變化得到各疑似邊緣拐點的黏連處拐點概率；根據(jù)各疑似邊緣拐點的黏連處拐點概率得到同生命體分割圖像；根據(jù)同生命體分割圖像及紅外熱成像圖像得到各肉雞的體溫；根據(jù)每只肉雞的體溫得到每只肉雞的健康狀態(tài)。2.如權(quán)利要求1所述的基于人工智能的肉雞養(yǎng)殖健康狀態(tài)檢測方法，其特征在于，所述對RGB肉雞圖像進(jìn)行分割得到肉雞連通域圖像，具體為：對肉雞圖像進(jìn)行閾值分割得到每個肉雞所在區(qū)域，對所述區(qū)域進(jìn)行連通域提取得到各肉雞連通域；將各肉雞連通域組成的圖像作為肉雞連通域圖像。3.如權(quán)利要求1所述的基于人工智能的肉雞養(yǎng)殖健康狀態(tài)檢測方法，其特征在于，所述根據(jù)肉雞連通域R通道圖像的通道值變化情況得到各像素點的局部平均R值，具體為：將肉雞連通域R通道圖像中各像素點的鄰域作為各像素點的搜索窗口，將搜索窗口內(nèi)所有像素點的R通道均值作為各像素點局部平均R值。4.如權(quán)利要求1所述的基于人工智能的肉雞養(yǎng)殖健康狀態(tài)檢測方法，其特征在于，所述根據(jù)各像素點的局部平均R值得到肉雞連通域R通道圖像中各像素點的雞冠分布概率的表達(dá)式為：式中，為像素點的雞冠分布概率，為像素點的局部平均R值，為肉雞連通域R通道圖像中最大的通道值，為像素點通過角點檢測算法得到的角點值，為以為底的指數(shù)函數(shù)。5.如權(quán)利要求1所述的基于人工智能的肉雞養(yǎng)殖健康狀態(tài)檢測方法，其特征在于，所述根據(jù)各像素點的雞冠分布概率得到雞冠連通域圖像，具體為：將各像素點的雞冠分布概率構(gòu)成的圖像作為雞冠分布概率圖像；將雞冠分布概率圖像進(jìn)行閾值分割得到分割圖像；對分割圖像進(jìn)行連通域標(biāo)記得到連通域圖像，記為雞冠連通域圖像。6.如權(quán)利要求1所述的基于人工智能的肉雞養(yǎng)殖健康狀態(tài)檢測方法...

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：魏葉堂，武軍，劉峰，孟凡苓，武偉，
申請(專利權(quán))人：沂水友邦養(yǎng)殖服務(wù)有限公司，
類型：發(fā)明
國別省市：