(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210172764.3 (22)申请日 2022.02.24 (71)申请人 华南农业大 学 地址 510642 广东省广州市天河区五山路 483号 (72)发明人 肖德琴　招胜秋　潘永琪　刘又夫　 殷建军　杨秋妹　黄一桂　 (74)专利代理 机构 西安正华恒远知识产权代理 事务所(普通 合伙) 61271 专利代理师 陈选中 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/11(2017.01) G06T 7/62(2017.01) G06V 10/80(2022.01)G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G01G 17/08(2006.01) G06K 9/62(2022.01) (54)发明名称 一种肉鸭体 重估测方法及其估测系统 (57)摘要 本发明公开了一种肉鸭体重估测方法及其 估测系统， 所述肉鸭体重估测方法包括： S1： 获取 肉鸭原始相关图像； S2： 对所述肉鸭原始相关图 像进行预处理操作， 得到肉鸭相关图像； S3： 判断 所述肉鸭相关图像是否包含肉鸭， 若是， 进入步 骤S4， 否则， 返回步骤S1； S4： 根据所述肉鸭相关 图像， 得到肉鸭体重的估测结果。 本发明所提供 的肉鸭体重估测方法及其估测系统， 能够提高肉 鸭体重测量效率。 权利要求书3页 说明书8页 附图4页 CN 114549477 A 2022.05.27 CN 114549477 A 1.一种肉鸭体重估测方法， 其特 征在于， 所述肉鸭体重估测方法包括： S1： 获取肉鸭原 始相关图像； S2： 对所述肉鸭原 始相关图像进行 预处理操作， 得到肉鸭相关图像； S3： 判断所述肉鸭相关图像是否包 含肉鸭， 若是， 进入步骤S4， 否则， 返回步骤S1； S4： 根据所述肉鸭相关图像， 得到肉鸭体重的估测结果。 2.根据权利要求1所述的肉鸭体重估测方法， 其特征在于， 所述预处理操作包括： 倾斜 检查与校正、 失真检测、 对比度调整、 完整性检查。 3.根据权利要求1所述的肉鸭体重估测方法， 其特 征在于， 所述 步骤S4包括： S41： 利用神经网络对所述肉鸭相关图像进行分割处 理， 得到肉鸭分割图像； S42： 对所述肉鸭分割图像进行二 值化处理， 得到肉鸭二 值化图像； S43： 对所述肉鸭二 值化图像进行 数学处理， 得到数 学处理结果； S44： 利用所述数 学处理结果和肉鸭相关信息， 得到所述肉鸭体重的估测结果。 4.根据权利要求3所述的肉鸭体重估测方法， 其特征在于， 所述步骤S41中， 所述神经网 络为DuckNet网络， 所述DuckNet网络包括依次连接的主干特征提取子网络、 加强特征提取 子网络和预测子网络； 所述主干特征子网络包括自上而下依次连接的第一主干层级、 第二主干层级、 第三主 干层级、 第四主干层级和 第五主干层 级， 所述第一主干层 级包括依次连接的输入模块、 3 ×3 卷积模块和第一3 ×3bneck卷积模块； 所述第二主干层 级包括依次连接的第二3 ×3bneck卷 积模块、 第三3 ×3bneck卷积模块、 第一5 ×5bneck卷积注意力模块、 第二5 ×5bneck卷积注 意力模块和第三5 ×5bneck卷积注意力模块； 所述第三主干层级包括依次连接的第四3 × 3bneck卷积模块、 第五3 ×3bneck卷积模块、 第六3 ×3bneck卷积模块和第七3 ×3bneck卷积 模块； 所述第四主干层 级包括依次连接的第一3 ×3bneck卷积注 意力模块和第二3 ×3bneck 卷积注意力模块； 所述第五主干层 级包括依次连接的第四5 ×5bneck卷积注 意力模块、 第五 5×5bneck卷积注意力模块和第六5 ×5bneck卷积注意力模块； 所述加强特征提取子网络包括自下而上依次连接的第一特征层级、 第二特征层级、 第 三特征层级和第四特征层级， 所述第一特征层级包括依次设置的第一融合层和第一特征 层， 所述第六5 ×5bneck卷积注意力模块的输出结果通过上采样操作作为所述第一特征层 的输入， 所述第一特征层的输出通过3 ×3卷积操作得到第二特征层的输入， 所述第二特征 层的输出通过3 ×3卷积操作得到第三特征层的输入； 所述第二特征层级包括依次设置的第 二融合层和第四特征层， 所述第三特征层的输出结果通过上采样操作作为所述第四特征层 的输入， 所述第二3 ×3bneck卷积注 意力模块的输出结果和所述第七3 ×3bneck卷积模块的 输出结果通过Concat融合函数融合之后作为所述第二融合层的输入， 所述第四特征层的输 出通过3×3卷积操作得到第五特征层的输入， 所述第五特征层的输出通过3 ×3卷积操作得 到第六特征层的输入； 所述第三特征层级包括依 次设置的第三融合层和第七特征层， 所述 第六特征层的输出结果通过上采样操作作为所述第七特征层的输入， 所述第三5 ×5bneck 卷积模块的输出结果和所述第七3 ×3bneck卷积模块的输出结果通过Concat融合函数融合 之后作为第三融合层的输入， 所述第七 特征层的输出通过3 ×3卷积操作得到第八特征层的 输入， 所述第八特征层得到输出通过3 ×3卷积操作得到第九特征层的输入， 所述第四特征 层级包括第四融合层和第十特征层， 所述第四融合层连接所述第一3 ×3bneck卷积模块， 所权　利　要　求　书 1/3 页 2 CN 114549477 A 2述第九特征层的输出结果通过上采样操作作为所述第十特征层的输入， 所述第十特征层的 输出通过3 ×3卷积操作得到第十一特征层的输入， 所述第十一特征层的输出通过3 ×3卷积 操作得到第十二特 征层的输入； 所述预测子网络包括最终特征层和输出模块， 所述第十二特征层的输出通过1 ×1卷积 操作得到所述 最终特征层的输入， 所述 最终特征层连接所述输出模块。 5.根据权利要求4所述的肉鸭体重估测方法， 其特征在于， 所述二值化图像的数学模型 为： 其中， Pixel表示肉鸭二 值化图像， 25 5和0均为 二值化图像的像素值， Duck表示肉鸭。 6.根据权利要求3所述的肉鸭体重估测方法， 其特征在于， 所述肉鸭相关信 息包括肉鸭 编号和肉鸭位置， 所述 步骤S43包括： S431： 分别对所述肉鸭二 值化图像添加外 接矩形和最大内切圆； S432： 分别计算所述外 接矩形的相对像素面积和所述 最大内切圆的相对像素面积； S433： 计算所述外接矩形的相对像素面积和所述最大内切圆的相对像素面积之差的绝 对值； S434： 根据所述 绝对值， 得到校正系数； S435： 根据所述外接矩形、 所述最大内切圆、 所述校正系数、 肉鸭编号以及肉鸭位置， 利 用BP神经网络， 得到所述肉鸭体重的估测结果。 7.根据权利要求6所述的肉鸭体重估测方法， 其特 征在于， 所述 步骤S435包括： S4351： 获取所述外接矩形、 所述最大内切圆、 所述校正系数、 肉鸭编号以及肉鸭位置， 以生成数据集； S4352： 对所述数据集进行 预处理操作， 得到预处 理结果； S4353： 将所述预处 理结果划分为训练集和 测试集； S4354： 利用所述训练集对所述BP神经网络进行训练， 得到训练好的BP神经网络； S4355： 将所述测试集输入至所述训练好的BP神经网络中进行验证， 得到验证结果； S4356： 根据所述验证结果、 肉鸭真实体重值、 鸭群体重的平均 值以及试验次数， 得到最 优可决系数； S4357： 根据所述 最优可决系数， 得到所述肉鸭体重的估测结果。 8.根据权利 要求6或7所述的肉鸭体重估测方法， 其特征在于， 所述步骤S435中， 所述BP 神经网络包括依次连接的输入层、 隐含层和输出层， 所述输入层包括4个神经元， 并用于输 入所述外接矩形、 所述最大内切圆、 所述校正系数、 肉鸭编号以及肉鸭位置； 所述隐含层用 于将所述输入层的神经元进行非线性拟合， 所述输出层包括1个神经元并用于将所述隐含 层的拟合结果 转换为所述肉鸭的估测结果。 9.根据权利要求7 所述的肉鸭体重估测方法， 其特 征在于， 所述步骤S4352中， 所述预处理操作包括： 对所述数据集 中错误和/或丢失和/或无效数 据进行删除， 以及利用插值法对删除数据进行补全； 所述步骤S4356包括： 根据所述验证结果、 肉鸭真实体重值、 鸭群体重的平均值以及试验次数， 得到可决系权　利　要　求　书 2/3 页 3 CN 114549477 A 3