[0001] 本申请涉及计算机技术领域，尤其涉及一种基于神经网络的梅花鹿体重参数检测装置及方法。

[0002] 梅花鹿养殖具有非常高的经济效益，近年来，随着社会经济的发展，人们健康养生观念逐渐提高，对梅花鹿产品的需求逐渐增加。梅花鹿产品受到越来越多的关注，梅花鹿养殖业规模在国内外急剧增长。

[0003] 目前，对梅花鹿体重参数自动测量一般是通过人工进行，需要将梅花鹿一只一只抓起来测量，这样不仅需要的人力多，而且鹿挣扎过程中可能导致不准确的测量结果。

[0042] 为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

[0043] 由于对梅花鹿体重参数自动测量一般是通过人工进行，需要将梅花鹿一只一只抓起来测量，这样不仅需要的人力多，而且鹿挣扎过程中可能导致不准确的测量结果。为此，本申请实施例提出一种基于神经网络的梅花鹿体重参数检测装置及方法。

[0044] 本申请实施例提供一种基于神经网络的梅花鹿体重参数检测装置，如图1所示，包括：图像采集模块01、体重参数测量模块02、处理模块03及诱导模块04；

[0045] 所述图像采集模块01，用于采集预设的体重检测区域内的图像数据；

[0046] 如图1所示，图像采集模块01位于体重参数测量模块02的正上方，用于采集包含体重参数测量模块02的体重检测区域在内的俯视图像，图1中虚线区域即为图像采集模块01的采集范围；

[0047] 所述体重参数测量模块02，用于测量进入所述体重检测区域的梅花鹿的体重参数；

[0048] 体重参数测量模块02用于唤醒整套设备，唤醒图像采集模块01采集图像数据，环形处理模块03启动工作，进而开始测量梅花鹿体重参数；

[0049] 所述处理模块03，用于控制诱导模块诱导梅花鹿进入所述体重检测区域，基于所述图像数据及预设梅花鹿识别模型确定是否有单只梅花鹿进入所述体重检测区域，在确定有单只梅花鹿进入所述体重检测区域时，控制所述体重参数测量模块测量梅花鹿的体重参数；

[0050] 处理模块03是整套装置的控制中心，能够处理由图像采集模块01收集到的图像，达到对体重检测区域实施区域检测的目的；能够基于图像数据裁剪出梅花鹿的背部斑点图，进行图像识别；能够控制整套装置的运作；

[0051] 所述诱导模块04，用于诱导梅花鹿进入所述体重检测区域。

[0052] 在本申请的一种实施方式中，所述诱导模块04包括：用于放置诱导物的槽体及槽盖，所述槽盖能够在所述处理模块的控制下开启/关闭，所述诱导物能够在所述槽盖开启时诱导梅花鹿。

[0053] 示例性的，诱导物可以为梅花鹿饲料，吸引鹿进入体重检测区域，进而在其无抵抗的情况下完成测量工作。

[0054] 在本申请的又一实施例中，基于神经网络的梅花鹿体重参数检测装置还包括：无线模块05；

[0055] 所述无线模块05，用于将所述图像数据及所述体重参数上传至远程服务器。

[0056] 无线模块05可以在处理模块03的控制下，将最终收集到的体重参数传入服务器中，便于后续查看、使用。

[0057] 装置运作流程如图2所示，具体包括：S1、有梅花鹿进入体重参数测量模块02的体重检测区域时，由体重参数测量模块02向处理模块03发送信号，唤醒整套装置。S2、由图像采集模块01采集体重参数测量模块02的体重检测区域及其周围区域情况俯视图，传至处理模块03中；S3、处理模块03对体重检测区域实施区域入侵检测，框选出图像内所有的鹿，判断体重参数测量模块02的体重检测区域中是否出现梅花鹿，监测到区域内出现单头鹿时将其作为目标鹿，直接进行下一步操作，监测到区域内出现多头鹿时，将与诱导装置04距离最近的梅花鹿作为目标鹿，查看其他鹿与工作区域的相对位置，确定是否工作区域仅为目标鹿站立，若非单头鹿则不进行测量工作；S4、由处理模块03对图像截取，获得目标鹿背部斑点图像并实施图像识别技术，与远程服务器中数据进行比对，辨识鹿的身份，同时使用滤波算法降低梅花鹿运动带来的干扰，记录体重参数测量模块02输出的体重参数，将数据上传至服务器中，完成全部体重测量操作。

[0058] 本发明通过基于预设梅花鹿识别模型的图像识别技术，实现在未对梅花鹿植入身份标识的情况下，达到测量并记录不同鹿的体重参数的目的，避免了传统身份识别方式对鹿打电子耳标或其他体内体外标记对鹿的生活或行为造成影响；通过诱导装置吸引梅花鹿自动进入测量工作范围，在梅花鹿进食时完成整个测量过程，避免了传统测量过程引起的鹿的抵抗行为，使体重测量工作更加高效的展开，测量数据更加精准；同时，使用区域入侵检测技术判断体重检测区域中是否为单头鹿，一定程度上减少了人员的看守。

[0059] 在本申请的又一实施例中，还提供一种基于神经网络的梅花鹿体重参数检测方法，包括：

[0060] 步骤S101，控制诱导模块诱导梅花鹿进入体重检测区域；

[0061] 步骤S102，获取图像采集模块对预设的体重检测区域采集的图像数据；

[0062] 步骤S103，基于所述图像数据及预设梅花鹿识别模型确定是否有单只梅花鹿进入所述体重检测区域；

[0063] 步骤S103基于所述图像数据预设梅花鹿识别模型确定是否有单只梅花鹿进入所述体重检测区域，包括：

[0064] 基于所述图像数据预设梅花鹿识别模型确定所述体重检测区域内梅花鹿的数量；

[0065] 若所述数量等于0，所述数量大于0且小于1，或者，所述数量大于1，确定无单只梅花鹿进入所述体重检测区域；

[0066] 若所述数量等于1，确定有单只梅花鹿进入所述体重检测区域。

[0067] 步骤S104，在确定有单只梅花鹿进入所述体重检测区域时，控制所述体重参数测量模块测量梅花鹿的体重参数。

[0068] 在本申请的又一实施例中，所述梅花鹿识别模型为特征融合的双分支two‑Branch模型，其中，所述two‑Branch模型的第一分支为轻量化的Multi‑Light模型，所述two‑Branch模型的第二分支为高识别精度的G‑ResNet模型。

[0069] 进一步地，所述Multi‑Light模型以AlexNet模型为骨架网络，如图3所示，将AlexNet模型第一层的大卷积改为13×13的空洞卷积，其dilation为3，在减少参数量的同时，增大了感受野，能更大程度的提取图像特征；将5×5卷积核与1×1、3×3以及7×7卷积核并联形成多尺度卷积块，如图4所示，获取图像的多尺度特征信息，同时相对于串行的结构，并行卷积的结构能减少计算量的消耗；将3×3的卷积使用短接形成BasicBlock的结构，保证特征不丢失；所述Multi‑Light模型中使用inception模块减少模型参数量，方便后续模型融合工作的进行，inception模块如图5所示；最后引入SE注意力机制，其中BasicBlock+SE块的结构如图6所示，使模型关注更重要的特征，在为模型增加非线性能力时提升模型准确率；

[0070] 通过对AlexNet模型实施改进和优化，将多尺度提取模块multi‑scale、短路连接BasicBlock、轻量化模块inception以及SE注意力机制有效地结合起来，构建了一个全新的Multi‑Light模型。

[0071] 进一步地，所述G‑ResNet模型以ResNet50为骨架网络，并在第一层使用空洞卷积，隐藏层加入不同数量Ghost模块以及引入SE注意力机制进行改进；

[0072] 对ResNet50进行缩减，使模型的纵深层数减少,并在此基础上进行模型的一系列改进，得到G‑ResNet模型结构见图7。其中三个Stage是G‑ResNet模型的主体结构，其保留了ResNet50部分结构，并在每个Stage中以递进的方式分别加入不同数量的即插即用的Ghost模块，既保留了ResNet50的部分功能，又遵循了卷积神经网络在正向传播过程中越往后特征图越多，所需卷积核数量越多的规律，在保证模型纵深的同时大大减少模型参数量；在G‑ResNet模型的第一层，使用膨胀系数为3的3×3的卷积核代替普通的7×7的卷积核，保证模型保持大的感受野对输入图像进行大范围的特征提取的前提下大大减少模型的参数；G‑ResNet模型每个stage后面引入SE注意力机制，让模型关注更重要的特征，同时提升识别准确率。

[0073] 最终将两分支使用SPP模块连接，以便更好地捕捉特征图的细节，从而更有效地完成池化任务，构建出特征融合的Two‑Branch模型，该模型能够依据具有明显特征的梅花鹿斑点及面部特征，高效的进行梅花鹿个体识别。最终的Two‑Branch模型如图8所示。

[0074] 在本申请的又一实施例中，还提供一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；

[0075] 存储器，用于存放计算机程序；

[0076] 处理器，用于执行存储器上所存放的程序时，实现前述任一方法实施例所述的基于神经网络的梅花鹿体重参数检测方法。

[0077] 本发明实施例提供的电子设备，处理器通过执行存储器上所存放的程序通过基于预设梅花鹿识别模型的图像识别技术，实现在未对梅花鹿植入身份标识的情况下，达到测量并记录不同鹿的体重参数的目的，避免了传统身份识别方式对鹿打电子耳标或其他体内体外标记对鹿的生活或行为造成影响；通过诱导装置吸引梅花鹿自动进入测量工作范围，在梅花鹿进食时完成整个测量过程，避免了传统测量过程引起的鹿的抵抗行为，使体重测量工作更加高效的展开，测量数据更加精准；同时，使用区域入侵检测技术判断体重检测区域中是否为单头鹿，一定程度上减少了人员的看守。

[0078] 上述电 子设备提 到的通信总线1140可以是外设部件互连标准(PeripheralComponentInterconnect，简称PCI)总线或扩展工业标准结构(ExtendedIndustryStandardArchitecture，简称EISA)总线等。该通信总线1140可以分为地址总线、数据总线、控制总线等。为便于表示，图9中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

[0079] 通信接口1120用于上述电子设备与其他设备之间的通信。

[0080] 存储器1130可以包括随机存取存储器(RandomAccessMemory，简称RAM)，也可以包括非易失性存储器(non‑volatilememory)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。

[0081] 上 述 的 处 理 器 1 1 1 0 可 以 是 通 用 处 理 器 ，包 括 中 央 处 理 器(CentralProcessingUnit，简称CPU)、网络处理器(NetworkProcessor，简称NP)等；还可以是数字信号处理器(DigitalSignalProcessing，简称DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，简称ASIC)、现场可编程门阵列(Field‑ProgrammableGateArray，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

[0082] 在本申请的又一实施例中，还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有基于神经网络的梅花鹿体重参数检测方法的程序，所述基于神经网络的梅花鹿体重参数检测方法的程序被处理器执行时实现前述任一方法实施例所述的基于神经网络的梅花鹿体重参数检测方法的步骤。

[0083] 需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

[0084] 以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。