买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明属于计算机视觉与机器学习领域，公开了一种基于实例分割的生猪计数方法。弥补了现有算法标注成本昂贵、精度不高和鲁棒性差的不足。该技术首先利用图像分割网络得到图像中每个像素的类别预测结果，然后分别计算图像分割损失、实例分裂损失、定位损失与回归损失，最后将各个损失进行加权融合，并作为监督信息对网络进行训练。本发明技术仅需要对猪只的中心点进行标注，即可为每个猪只实例输出一个大致分割区域，进而得到猪只实例准确的位置和数量信息，解决复杂环境下的生猪计数和定位问题。

主权项：1.一种基于实例分割的生猪计数方法，其特征在于，包括以下步骤：步骤1，获取多张包含猪群的样本原图像，并对其中的生猪实例进行中心点位置标注，获得与所述样本原图像对应的样本标注图像；步骤2，将所述样本原图像输入编码器中进行特征提取，并将编码器提取的特征编码通过由反卷积层组成的解码器模块对图像特征进行尺度上采样，得到样本原图像的分割结果；步骤3，将所述分割结果输入分类器，判断每个像素的类别，获得像素类别预测矩阵S，表示像素i属于类别c的概率，c表示对象实例的类别，对于生猪计数任务，只有生猪和背景两类，c＝{0,1}；步骤4，基于所述像素类别预测矩阵以及所述样本标注图像，计算图像分割损失；所述样本标注图像Y在每个像素位置都有标签c，c＝1表示该像素标记为生猪对象，c＝0表示该像素未标记为生猪对象；根据步骤3中得到的像素类别预测结果S与样本标注图像Y，按照式1计算图像分割损失； 步骤5，基于所述像素类别预测矩阵以及所述样本标注图像，计算实例分裂损失；具体步骤为：5-1标记连通域；根据所述像素类别预测矩阵S生成一个二元掩码矩阵F，如果argmaxkSik＞0，那么将像素i标记为前景像素，反之标记为背景像素；查找F中具有相同像素值且位置相邻的前景像素点组成的连通区域并赋予其唯一标识；5-2计算分水岭分割损失；将真实标注点设置为种子点，然后对步骤5-1中得到连通区域应用分水岭图像分割算法，找到实例之间的边界，然后将边界预测为背景，从而对包含n个标注点的连通区域进行拆分，得到n个分割区域，按照式2计算分水岭分割损失函数： 其中Si0表示像素i属于背景的概率，U表示边界点组成的像素集合，αi表示i所在连通区域标注点的个数；5-3计算假阳性损失；在执行分水岭分割算法时，不可避免地会产生不包含标注点的分割区域，这样的结果称为假阳性FalsePositive,FP；为了消除假阳性分割结果的影响，查找步骤5-2中的分割区域中不包含标注点的像素集合，并按照式3计算假阳性损失函数，引导模型将不含标注点的假阳性区域预测为背景： 其中Bfp表示不包含标注点的分割区域的像素组成的集合，Si0表示像素i属于背景的概率；5-4计算实例分裂损失；根据所述分水岭分割损失与假阳性损失函数，按照式4计算实例分裂损失：LsplitS,Y＝LwatershedS,Y+LFPS,Y4步骤6，取步骤5-2中所述分割区域的中心点坐标作为猪只实例的预测位置，根据式5最小化真实标注点集合与预测点集合的加权Hausdorff距离，作为定位损失，使预测位置不断逼近真实标注位置： 其中Ω表示所述模型预测的位置坐标集合，Y表示真实标注点集合，dg可以是任何距离函数，并且采用欧式距离；表示广义均值，当α→-∞时，Mα[g]等价于最小化函数；步骤7，取步骤5-2中所述分割区域的数量作为模型预测的猪群数量，根据式6计算预测数量与真实标注数量的Huber损失，作为回归损失，引导模型输出正确的实例数量： 其中表示步骤5-2中预测得到的分割区域数量，即猪群预测数量，g表示由所述样本标注图像Y得到的真实标注点的数量；步骤8，将步骤4、5、6、7中计算得到的损失函数进行加权融合，得到分割-分裂-定位-回归Segmentation-Split-Location-Regress,SSLR复合计数损失函数：LSSRS,Y＝λ1LsegS,Y+λ2LsplitS,Y+λ3LlocS,Y+λ4LregS,Y7其中λ1,λ2,λ3,λ4,分别表示每种损失函数的权重系数；步骤9，基于所述样本原图像、样本标注图像、SSLR复合计数损失函数，对所述编码器和解码器进行多轮训练，得到训练好的所述编码器和解码器，作为所述基于实例分割的生猪计数模型。

全文数据：

权利要求：

百度查询： 山西大学 一种基于实例分割的生猪计数方法