一种基于母猪体况的饲喂方法及系统与流程

本发明属于母猪饲喂，涉及一种基于母猪体况的饲喂方法及系统。

背景技术：

1、科学合理的母猪体况控制有助于优化母猪的健康状况和生产性能，避免过胖或过瘦对繁殖能力和生长发育的负面影响。过胖的母猪可能会在分娩时遇到困难，增加难产的风险，同时可能导致泌乳不足，影响仔猪的生长发育；而过瘦的母猪则可能无法提供足够的营养储备，影响自身的健康和繁殖能力。其次，通过精准的母猪体况控制，可以提高饲料利用率，降低饲养成本，实现更高的经济效益。科学的饲养管理能够确保每头母猪在不同生长阶段获得适量的营养，避免饲料浪费，同时减少由营养不良或过度饲喂引起的疾病风险。

2、目前，对母猪的喂养大多采取人工检测母猪的体况，并制定喂养计划，但这种喂养方式存在以下痛点：体重或尺寸难测量；母猪体重和尺寸的测量主要通过人工进行，该方式不但人工成本高，且在母猪妊娠期易导致母猪受到惊吓。即，母猪尺寸的测量费时费力，且测量效率低。

3、研究中发现，目前已有采用三维点云对猪进行体重测量的方式，但是该方式算法复杂度较高，且需要较大的数据量。且在设备选择上，必须采用深度相机，进而也提高了养殖成本。

技术实现思路

1、为解决上述现有技术问题，本发明提供一种基于母猪体况的饲喂方法及系统。

2、为了实现上述目的，本发明采用的技术方案是：

3、第一方面，本技术提供一种基于母猪体况的饲喂方法，包括：获取目标母猪对应的第一图像集、第二图像集以及第三图像集；从所述第一图像集中筛选出n张第一选择图像，对所述n张第一选择图像进行识别，确定每张第一选择图像中的感兴趣区域；基于每张第一选择图像中的感兴趣区域，确定第一图像；所述第一图像对应所述目标母猪的正前方；从所述第二图像集中筛选出n张第二选择图像，对所述n张第二选择图像进行识别，确定每张第二选择图像中的感兴趣区域；基于每张第二选择图像中的感兴趣区域，确定第二图像；所述第二图像对应所述目标母猪的正侧方；从所述第三图像集中筛选出n张第三选择图像，对所述n张第三选择图像进行识别，确定每张第三选择图像中的感兴趣区域；基于每张第三选择图像中的感兴趣区域，确定第三图像；所述第三图像对应所述目标母猪的正上方；将所述第一图像、所述第二图像以及所述第三图像输入至预先训练好的三分支卷积神经网络模型中，生成所述目标母猪的三元尺寸数据；其中，所述目标母猪的三元尺寸数据包括所述目标母猪的长度、宽度和高度；将所述目标母猪的三元尺寸数据以及所述目标母猪的品种输入至预先训练好的多层感知机中，生成所述目标母猪的体重信息；基于所述目标母猪的体重信息，确定所述目标母猪的饲喂信息。

4、可选地，所述将所述第一图像、所述第二图像以及所述第三图像输入至预先训练好的三分支卷积神经网络模型中，生成所述目标母猪的三元尺寸数据，包括：将所述第一图像、所述第二图像以及所述第三图像分别输入预先训练好的语义分割网络中，得到第一子图像、第二子图像以及第三子图像；其中，所述语义分割网络用于提取图像中的母猪区域；将所述第一子图像、所述第二子图像以及所述第三子图像进行背景扩充，以扩充为原始图像的尺寸；其中，采用同一像素进行扩充；将背景扩充后的第一子图像、第二子图像以及第三子图像输入至预先训练好的三分支卷积神经网络模型中，生成所述目标母猪的三元尺寸数据。

5、可选地，所述三分支卷积神经网络模型包括第一分支卷积模块、第二分支卷积模块、第三分支卷积模块、回归网络模块以及全连接层；所述将所述第一图像、所述第二图像以及所述第三图像输入至预先训练好的三分支卷积神经网络模型中，生成所述目标母猪的三元尺寸数据，包括：将所述第一图像输入至所述第一分支卷积模块、将所述第二图像输入至所述第二分支卷积模块、将所述第三图像输入至所述第三分支卷积模块中，以使三个分支卷积模块将三个图像的坐标规范化到同一个空间；将处理后的三个图像传输至所述回归网络模块对所述目标母猪的尺寸进行预测；通过所述全连接层输出所述目标母猪的三元尺寸数据。

6、可选地，所述基于所述目标母猪的体重信息，确定所述目标母猪的饲喂信息，包括：获取所述目标母猪的品种；基于所述目标母猪的体重信息以及所述目标母猪的品种，确定所述目标母猪的饲喂信息；其中，所述饲喂信息包括饲喂时间以及饲料饲喂量。

7、可选地，所述方法还包括：获取所述目标母猪的生理阶段；基于所述目标母猪的体重信息、所述目标母猪的品种以及所述目标母猪的生理阶段，确定所述目标母猪的饲喂信息；其中，所述饲喂信息还包括所述目标母猪的生理阶段对应的饲料添加物。

8、可选地，所述基于所述目标母猪的体重信息、所述目标母猪的品种以及所述目标母猪的生理阶段，确定所述目标母猪的饲喂信息，包括：获取与所述目标母猪的品种对应的第一数据对应表；其中，所述第一数据对应表包括该品种母猪的不同体重信息与其对应的饲料饲喂量范围；获取与所述目标母猪的品种对应的第二数据对应表；其中，所述第二数据对应表包括该品种母猪的不同生理阶段对应的饲料饲喂量范围；基于所述目标母猪的体重信息以及所述第一数据对应表，确定与所述目标母猪对应的第一饲料饲喂量范围；基于所述目标母猪的生理阶段以及所述第二数据对应表，确定与所述目标母猪对应的第二饲料饲喂量范围；基于所述第一饲料饲喂量范围以及所述第二饲料饲喂量范围，确定所述目标母猪的饲喂信息。

9、可选地，所述第一图像集通过所述目标母猪前方的图像采集设备采集，所述第二图像集通过所述目标母猪侧方的图像采集设备采集，所述第三图像集通过所述目标母猪上方的图像采集设备采集。

10、可选地，所述基于每张第一选择图像中的感兴趣区域，确定所述第一图像，包括：将每张第一选择图像中的感兴趣区域与预设对象进行相似度计算，将相似度最高的第一选择图像确定为所述第一图像。

11、可选地，在所述基于所述目标母猪的体重信息，生成所述目标母猪的饲喂信息之后，所述方法还包括：生成所述目标母猪的饲喂数据表；其中，所述目标母猪的饲喂数据表包括多个数据项；所述数据项的数据类型包括体重、尺寸、种类、饲料信息、数据采集时间。

12、第二方面，本技术提供一种基于母猪体况的饲喂系统，包括：获取模块，用于获取目标母猪对应的第一图像集、第二图像集以及第三图像集；从所述第一图像集中筛选出n张第一选择图像，对所述n张第一选择图像进行识别，确定每张第一选择图像中的感兴趣区域；基于每张第一选择图像中的感兴趣区域，确定第一图像；所述第一图像对应所述目标母猪的正前方；从所述第二图像集中筛选出n张第二选择图像，对所述n张第二选择图像进行识别，确定每张第二选择图像中的感兴趣区域；基于每张第二选择图像中的感兴趣区域，确定第二图像；所述第二图像对应所述目标母猪的正侧方；从所述第三图像集中筛选出n张第三选择图像，对所述n张第三选择图像进行识别，确定每张第三选择图像中的感兴趣区域；基于每张第三选择图像中的感兴趣区域，确定第三图像；所述第三图像对应所述目标母猪的正上方；尺寸生成模块，用于将所述第一图像、所述第二图像以及所述第三图像输入至预先训练好的三分支卷积神经网络模型中，生成所述目标母猪的三元尺寸数据；其中，所述目标母猪的三元尺寸数据包括所述目标母猪的长度、宽度和高度；体重生成模块，用于将所述目标母猪的三元尺寸数据以及所述目标母猪的品种输入至预先训练好的多层感知机中，生成所述目标母猪的体重信息；饲喂信息确定模块，用于基于所述目标母猪的体重信息，确定所述目标母猪的饲喂信息。

13、本技术的有益效果包括：

14、第一，通过采集目标母猪的图像来实现对目标母猪体重的预测，该方式相较于人工测量来说，提高了测量效率，且节约了人工成本。相较于采用深度相机，通过三维点云测量母猪体重来说，算法复杂度降低了，无需过大的数据量，同时图像的采集仅采用普通的单目相机，降低了养殖成本。

15、第二，本技术实施例提供的母猪体重的预测，先通过预先训练好的三分支卷积神经网络模型来生成目标母猪的三元尺寸数据（目标母猪的长度、宽度和高度），然后，再将目标母猪的三元尺寸数据输入至预先训练好的多层感知机中，进而生成目标母猪的体重信息。该方式，目标母猪体重的预测准确性高。

16、第三，考虑到母猪在移动过程，可能存在各个角度所采集的图像不完全标准的情况，因此，采集各个角度的图像集，并从中挑选出符合要求的图像。即，在获取到图像集之后，仅选取n张设定的选择图像进行图像识别，以降低计算量，并且，通过识别感兴趣区域来确定所需图像，以实现最终输入到模型中的图像尽可能标准，即尽可能保证输入模型的三个图像为目标母猪的正前方的图像、正侧方的图像以及正上方的图像，以提高后续目标母猪的体重信息预测的准确性，进而提高目标母猪的饲喂效果。