本發(fā)明屬于畜牧業(yè)養(yǎng)殖，尤其涉及了一種蛋雞舍整棟產(chǎn)蛋數(shù)量盤點(diǎn)與雞蛋精準(zhǔn)測(cè)重方法及裝置。

背景技術(shù)：

1、我國的蛋雞養(yǎng)殖產(chǎn)業(yè)發(fā)展迅速，禽蛋產(chǎn)量已經(jīng)連續(xù)多年居于世界高位，2022?年國家統(tǒng)計(jì)局統(tǒng)計(jì)數(shù)據(jù)顯示，禽蛋產(chǎn)量3456萬噸，增長(zhǎng)1.4%。隨著人們對(duì)雞蛋高品質(zhì)和高消費(fèi)需求的提升，蛋雞養(yǎng)殖業(yè)正朝著標(biāo)準(zhǔn)化、規(guī)?；图s化發(fā)展。養(yǎng)殖數(shù)字化管理的精細(xì)化需求同時(shí)也不斷提高，蛋雞產(chǎn)蛋量及其質(zhì)量成為養(yǎng)殖企業(yè)關(guān)注的重要指標(biāo)。提高蛋雞產(chǎn)蛋量及其質(zhì)量的數(shù)字化能力，可以實(shí)時(shí)傳送養(yǎng)殖場(chǎng)蛋雞產(chǎn)蛋的分級(jí)數(shù)據(jù)以及質(zhì)量分布數(shù)據(jù)，有助于提高養(yǎng)殖生產(chǎn)企業(yè)的效率和市場(chǎng)競(jìng)爭(zhēng)力。

2、為了準(zhǔn)確獲得整個(gè)養(yǎng)殖場(chǎng)蛋雞的產(chǎn)蛋量及其質(zhì)量，常用的方法是人工檢測(cè)和機(jī)器檢測(cè)(紅外計(jì)數(shù)和傳感器測(cè)重)。傳統(tǒng)紅外計(jì)數(shù)一般都采用紅外對(duì)射技術(shù)，分別裝在蛋帶兩側(cè)，一旦有雞蛋經(jīng)過時(shí)，紅外線就會(huì)被阻擋，此時(shí)自動(dòng)計(jì)數(shù)一次。傳感器測(cè)重是在傳送帶或管道上安裝負(fù)載傳感器，用于測(cè)量雞蛋的重量。負(fù)載傳感器基于彈性板或應(yīng)變片的變形量來測(cè)量重量，并將其轉(zhuǎn)換為電信號(hào)。這些電信號(hào)經(jīng)過放大、濾波和轉(zhuǎn)換后，最終被讀取和記錄。

3、然而，在工廠化對(duì)多個(gè)雞蛋進(jìn)行計(jì)數(shù)和測(cè)重需求下，現(xiàn)有的方法自適應(yīng)性差，由于目標(biāo)環(huán)境的干擾、傳感器誤差、噪聲污染、背景干擾等，不僅準(zhǔn)確度差，還將會(huì)增加成本投入，對(duì)低利潤的蛋雞行業(yè)來說是無法接受的?，F(xiàn)有技術(shù)中，針對(duì)對(duì)于大型養(yǎng)雞場(chǎng)，需要布置多個(gè)監(jiān)控系統(tǒng)，對(duì)雞籠定位的情況不夠直觀而且搭建系統(tǒng)費(fèi)時(shí)費(fèi)力，對(duì)多層多列的雞籠安裝設(shè)備麻煩且現(xiàn)場(chǎng)雞籠定位情況不直觀，在養(yǎng)殖場(chǎng)景中前期投入較大且后期日常維護(hù)麻煩。

技術(shù)實(shí)現(xiàn)思路

1、為了解決背景技術(shù)中存在的問題，本發(fā)明的目的在于提供一種蛋雞舍整棟產(chǎn)蛋數(shù)量盤點(diǎn)與雞蛋精準(zhǔn)測(cè)重方法及裝置，以解決現(xiàn)有養(yǎng)殖場(chǎng)雞蛋計(jì)數(shù)和測(cè)重效率低下、費(fèi)時(shí)費(fèi)力、準(zhǔn)確度較低等問題。

2、本發(fā)明采用的技術(shù)方案如下，包括以下步驟：

3、步驟s1、通過位置、高度固定的攝像頭采集傳送帶上的雞蛋視頻數(shù)據(jù)，利用視頻預(yù)處理模型對(duì)雞蛋視頻數(shù)據(jù)進(jìn)行預(yù)處理，并生成包含標(biāo)簽的分割數(shù)據(jù)集；

4、步驟s2、構(gòu)建用于雞蛋計(jì)數(shù)和測(cè)重的雞蛋測(cè)重計(jì)數(shù)模型，利用分割數(shù)據(jù)集對(duì)雞蛋測(cè)重計(jì)數(shù)模型進(jìn)行訓(xùn)練，訓(xùn)練結(jié)束后獲得訓(xùn)練好的雞蛋測(cè)重計(jì)數(shù)模型；

5、步驟s3、將待測(cè)的雞蛋視頻數(shù)據(jù)中的各幀雞蛋圖像輸入至訓(xùn)練好的雞蛋測(cè)重計(jì)數(shù)模型中，獲取雞蛋視頻數(shù)據(jù)中各個(gè)雞蛋的質(zhì)量以及雞蛋的總數(shù)量。當(dāng)雞蛋測(cè)重計(jì)數(shù)模型訓(xùn)練完成后，可在訓(xùn)練好的雞蛋測(cè)重計(jì)數(shù)模型的輸入端連接視頻預(yù)處理模型，對(duì)輸入的雞蛋視頻數(shù)據(jù)進(jìn)行預(yù)處理使得雞蛋視頻數(shù)據(jù)先轉(zhuǎn)換成各幀雞蛋圖像，再輸入到雞蛋測(cè)重計(jì)數(shù)模型中。

6、所述的步驟s1中，利用視頻預(yù)處理模型對(duì)雞蛋視頻數(shù)據(jù)進(jìn)行預(yù)處理，生成分割數(shù)據(jù)集的方式具體為：

7、步驟s1.1、對(duì)雞蛋視頻數(shù)據(jù)進(jìn)行預(yù)處理：

8、首先，將雞蛋視頻數(shù)據(jù)輸入到視頻預(yù)處理模型中，視頻預(yù)處理模型逐幀提取出雞蛋視頻數(shù)據(jù)中的雞蛋圖像，接著對(duì)各幀雞蛋圖像進(jìn)行圖像強(qiáng)化，以獲取各幀雞蛋圖像的標(biāo)簽信息；

9、步驟s1.2、然后將各幀雞蛋圖像和對(duì)應(yīng)的標(biāo)簽信息構(gòu)建成分割數(shù)據(jù)集，所述標(biāo)簽信息包括置信度、雞蛋圖像中雞蛋的輪廓信息和雞蛋識(shí)別編碼id。

10、圖像增強(qiáng)是一種數(shù)字圖像處理技術(shù)，通過有目的地強(qiáng)調(diào)圖像的整體或局部特性，改善圖像的顏色、亮度和對(duì)比度等，從而使原來不清晰的圖像變得清晰，或者強(qiáng)調(diào)某些感興趣的特征，擴(kuò)大圖像中不同物體特征之間的差別，抑制不感興趣的特征。這一過程不僅提高了圖像的視覺效果，還擴(kuò)大了圖像中不同物體特征之間的差別，具體實(shí)施中，通過圖像強(qiáng)化使得雞蛋圖像中的雞蛋區(qū)域和非雞蛋區(qū)域區(qū)分明顯，有利于獲取雞蛋的外輪廓信息。

11、視頻預(yù)處理模型中，采用視頻超分辨率重建算法egvsr對(duì)輸入的視頻數(shù)據(jù)進(jìn)行圖像強(qiáng)化，視頻超分辨率重建算法egvsr主要由專用光流估算網(wǎng)絡(luò)fnet和深度殘差網(wǎng)絡(luò)srnet連接組成，使用專用光流估算網(wǎng)絡(luò)fnet完成光流估計(jì)后，再經(jīng)過深度殘差網(wǎng)絡(luò)srnet完成視頻幀超分辨率操作，進(jìn)而使得采集得到的模糊視頻畫面清晰化處理。專用光流估算網(wǎng)絡(luò)fnet采用批量歸一化融合以提高運(yùn)算速度。專用光流估算網(wǎng)絡(luò)fnet采用矩陣乘法matmul替換傳統(tǒng)的樸素卷積，以提高運(yùn)算效率，從而達(dá)到實(shí)時(shí)性的目的。

12、所述步驟s2中的雞蛋測(cè)重計(jì)數(shù)模型主要由雞蛋追蹤模型和雞蛋預(yù)測(cè)模型連接組成，所述步驟s2具體為：

13、步驟s2.1、首先，構(gòu)建用于獲取雞蛋形態(tài)特征的雞蛋追蹤模型，利用分割數(shù)據(jù)集對(duì)雞蛋追蹤模型進(jìn)行訓(xùn)練，訓(xùn)練結(jié)束后獲得用于識(shí)別雞蛋與跟蹤軌跡的訓(xùn)練好的雞蛋追蹤模型；

14、步驟s2.2、獲取各個(gè)雞蛋的真實(shí)質(zhì)量作為標(biāo)注標(biāo)簽，然后將雞蛋追蹤模型輸出的雞蛋形態(tài)特征和各個(gè)雞蛋對(duì)應(yīng)的標(biāo)注標(biāo)簽構(gòu)建成預(yù)測(cè)數(shù)據(jù)集；

15、步驟s2.3、構(gòu)建用于預(yù)測(cè)雞蛋數(shù)量和質(zhì)量的雞蛋預(yù)測(cè)模型；

16、步驟s2.4、利用步驟s2.2的預(yù)測(cè)數(shù)據(jù)集對(duì)雞蛋預(yù)測(cè)模型進(jìn)行訓(xùn)練，訓(xùn)練結(jié)束后獲得訓(xùn)練好的雞蛋預(yù)測(cè)模型；

17、步驟s2.5、將訓(xùn)練好的雞蛋追蹤模型的輸出端和訓(xùn)練好的雞蛋預(yù)測(cè)模型的輸入端連接，進(jìn)而獲得訓(xùn)練好的雞蛋測(cè)重計(jì)數(shù)模型。

18、所述的步驟s2.1中，雞蛋追蹤模型包括依次連接的分割模塊、追蹤模塊和數(shù)據(jù)后處理模塊；所述分割模塊，用于篩選出置信度大于預(yù)設(shè)閾值的雞蛋圖像，然后根據(jù)雞蛋的輪廓信息對(duì)篩選獲得的雞蛋圖像進(jìn)行圖像分割，得到僅包含雞蛋的掩碼圖以及對(duì)應(yīng)的掩碼輪廓信息；所述追蹤模塊，用于逐幀跟蹤輸入雞蛋圖像中各個(gè)雞蛋的識(shí)別編碼id，以生成對(duì)應(yīng)雞蛋的追蹤軌跡；所述數(shù)據(jù)后處理模塊，根據(jù)雞蛋的追蹤軌跡、掩碼圖以及對(duì)應(yīng)的掩碼輪廓信息，輸出雞蛋圖像中各個(gè)雞蛋的形態(tài)特征，所述雞蛋的形態(tài)特征包括雞蛋的坐標(biāo)、縱軸長(zhǎng)度、橫軸長(zhǎng)度、面積以及蛋形指數(shù)。

19、雞蛋的蛋形指數(shù)是指雞蛋的縱橫軸(長(zhǎng)徑與短徑)之比。

20、追蹤模塊采用目標(biāo)追蹤算法bytetrack完成預(yù)測(cè)迭代軌跡生成和虛擬軌跡生成，虛擬軌跡生成采用以觀察為中心的在線平滑方式，對(duì)無法預(yù)測(cè)迭代軌跡的目標(biāo)進(jìn)行虛擬軌跡生成，從而解決實(shí)際場(chǎng)景中障礙物遮擋問題。數(shù)據(jù)后處理模塊基于跨平臺(tái)計(jì)算機(jī)視覺庫opencv算法對(duì)輸入的掩碼圖進(jìn)行分析，以輸出掩碼圖中目標(biāo)的形態(tài)特征信息。

21、所述步驟s2.3中，雞蛋測(cè)重計(jì)數(shù)模型包括依次連接的數(shù)據(jù)處理模塊、計(jì)數(shù)模塊和計(jì)重模塊；所述的數(shù)據(jù)處理模塊用于對(duì)輸入預(yù)測(cè)數(shù)據(jù)集中雞蛋的識(shí)別編碼id按照從小到大的順序依次進(jìn)行排序整理，以剔除錯(cuò)誤或缺失數(shù)據(jù)；所述計(jì)數(shù)模塊用于對(duì)預(yù)測(cè)數(shù)據(jù)集中的雞蛋進(jìn)行越線檢測(cè)，并統(tǒng)計(jì)通過越線檢測(cè)的雞蛋數(shù)量；所述計(jì)重模塊根據(jù)雞蛋的形態(tài)特征對(duì)雞蛋質(zhì)量進(jìn)行質(zhì)量回歸預(yù)測(cè)，以獲得雞蛋在傳送帶上不同位置處的預(yù)測(cè)質(zhì)量，接著將雞蛋在傳送帶上各個(gè)位置處的預(yù)測(cè)質(zhì)量進(jìn)行平均以得到雞蛋質(zhì)量均值；將計(jì)數(shù)模塊獲取的雞蛋數(shù)量和計(jì)重模塊獲取的雞蛋質(zhì)量均值分別作為雞蛋總數(shù)量和雞蛋質(zhì)量的預(yù)測(cè)結(jié)果并輸出。

22、計(jì)數(shù)模塊的越線檢測(cè)設(shè)置于視頻流的偏右位置，避免中心位置出現(xiàn)圖像過曝問題導(dǎo)致檢測(cè)目標(biāo)置信度下降問題。計(jì)重模塊采用輕量級(jí)梯度提升機(jī)器學(xué)習(xí)lightgbm模型實(shí)現(xiàn)質(zhì)量的回歸預(yù)測(cè)，輕量級(jí)梯度提升機(jī)器學(xué)習(xí)lightgbm模型采用貝葉斯優(yōu)化選取超參調(diào)優(yōu)，以獲取模型最優(yōu)參數(shù)，減少運(yùn)算迭代次數(shù)，從而提高模型的運(yùn)算效率。

23、所述雞蛋追蹤模型的分割模塊中，采用改進(jìn)的yolov8-seg模型對(duì)雞蛋圖像進(jìn)行識(shí)別和分割，所述改進(jìn)的yolov8-seg模型是將常規(guī)yolov8-seg模型中主干特征提取網(wǎng)絡(luò)內(nèi)瓶頸結(jié)構(gòu)bottleneck中的所有常規(guī)卷積模塊均替換成動(dòng)態(tài)蛇形卷積模塊dscnet獲得的，改進(jìn)的yolov8-seg模型可以提高分割模塊對(duì)于目標(biāo)雞蛋邊緣分割任務(wù)的精度和連續(xù)性，避免分割模型在邊緣出錯(cuò)較大從而影響目標(biāo)雞蛋面積的準(zhǔn)確獲取導(dǎo)致質(zhì)量預(yù)測(cè)準(zhǔn)確率不高的問題。

24、本發(fā)明裝置包括置物箱體、照明設(shè)備、視頻采集設(shè)備、數(shù)據(jù)處理設(shè)備以及視頻顯示設(shè)備，置物箱體安裝在傳送帶上，置物箱體的上方設(shè)置有用于放置數(shù)據(jù)處理設(shè)備的暗室，數(shù)據(jù)處理設(shè)備加載有雞蛋測(cè)重計(jì)數(shù)模型，置物箱體的頂部安裝有可開閉的箱蓋，置物箱體上部的側(cè)壁上設(shè)置有用于放置視頻顯示設(shè)備的放置臺(tái)，數(shù)據(jù)處理設(shè)備和視頻顯示設(shè)備均與視頻采集設(shè)備連接，視頻采集設(shè)備用于采集傳送帶上的雞蛋視頻數(shù)據(jù)，數(shù)據(jù)處理設(shè)備用于對(duì)雞蛋視頻數(shù)據(jù)進(jìn)行數(shù)據(jù)處理，輸出雞蛋視頻數(shù)據(jù)中各個(gè)雞蛋的質(zhì)量以及雞蛋的總數(shù)量，視頻顯示設(shè)備用于顯示采集到的雞蛋視頻數(shù)據(jù)，照明設(shè)備位于傳送帶上方且安裝在置物箱體上，照明設(shè)備用于為雞蛋的視頻采集提供光源。

25、置物箱體由光固化設(shè)備3d打印而成，材料為白色光敏樹脂。照明設(shè)備為220v的冷光源照明，光照為白光。置物箱體的側(cè)壁上還設(shè)有預(yù)留給數(shù)據(jù)處理設(shè)備以及視頻顯示設(shè)備接線口，以及預(yù)留給數(shù)據(jù)處理設(shè)備的電線口。視頻采集設(shè)備中的攝像頭固定在置物箱體上，攝像頭下端于撿蛋機(jī)傳送帶距離為40cm，誤差±2cm。

26、本發(fā)明使用視頻超分辨率重建算法egvsr對(duì)視頻進(jìn)行超分辨率重建，提升雞蛋的識(shí)別效果，且使用動(dòng)態(tài)蛇形卷積層dscnet模塊對(duì)yolov8-seg模型進(jìn)行優(yōu)化改良，從而提高分割模塊對(duì)于目標(biāo)雞蛋邊緣分割任務(wù)的精度和連續(xù)性；配合使用分割檢測(cè)模型yolov8-seg和貝葉斯優(yōu)化的輕量級(jí)梯度提升機(jī)器學(xué)習(xí)lightgbm模型回歸預(yù)測(cè)方案，可在低算力開發(fā)板上運(yùn)行，降低硬件設(shè)備的需求和購置成本。

27、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

28、1、本發(fā)明通過獲取傳送帶上的視頻圖像以實(shí)現(xiàn)無接觸式的雞蛋計(jì)數(shù)和測(cè)重任務(wù)，利用雞蛋測(cè)重計(jì)數(shù)模型和測(cè)重計(jì)數(shù)裝置對(duì)雞蛋進(jìn)行計(jì)數(shù)和測(cè)重，裝置結(jié)構(gòu)簡(jiǎn)單。

29、2、本發(fā)明方法能有效實(shí)時(shí)追蹤多個(gè)雞蛋并完成計(jì)數(shù)和測(cè)重任務(wù)，從而提高畜牧業(yè)養(yǎng)殖的一體化程度。

30、3、在工廠化撿蛋機(jī)傳送帶上，本發(fā)明方案能實(shí)現(xiàn)對(duì)于雞蛋的追蹤計(jì)數(shù)和測(cè)重兩個(gè)任務(wù)，整個(gè)過程無接觸，成本低廉且有助于食品安全保障。