牲畜智能选种方法、装置、计算机设备和存储介质

技术领域

本申请涉及养殖管理技术领域，特别是涉及一种牲畜智能选种方法、装置、计算机设备和存储介质。

背景技术

随着养殖技术的发展，培养优质的牲畜品种越来越重要。牲畜的选种分为出生选种、断奶选种。出保育选种、销售选种、结测选种，每个阶段都需要对牲畜的体型、外貌等表型特征进行人为选种，以优化种群质量。

目前的牲畜养殖技术中都是通过人工将牲畜赶入一个用于固定牲畜的装置中，然后凭观察和经验进行牲畜品种的选育，这种方式耗时费力，降低了牲畜养殖厂中的生产效率。

发明内容

基于此，有必要针对上述技术问题，提供一种牲畜智能选种方法、装置、计算机设备和存储介质。

一种牲畜智能选种方法，所述方法包括：

通过摄像装置获取包含有多个表型特征的牲畜图像；

将所述牲畜图像输入预先构建的牲畜种级识别模型，以使所述牲畜种级识别模型根据所述多个表型特征识别出所述牲畜图像中的牲畜所属的品种级别；

根据所述品种级别确定所述牲畜的所属栏位编号。

在其中一个实施例中，所述将所述牲畜图像输入预先构建的牲畜种级识别模型，以使所述预先构建的牲畜种级识别模型根据所述多个表型特征识别出所述牲畜所属的品种级别，包括：

将所述牲畜图像输入预先构建的牲畜种级识别模型，以使所述预先构建的牲畜种级识别模型识别出各个所述表型特征的类别；

根据各个所述表型特征的类别和与所述表型特征的类别对应的预设打分规则计算并输出各个所述表型特征对应的分数；

根据各个所述表型特征的预设权重和各个所述表型特征对应的分数计算得到所述牲畜的加权分值；

根据所述牲畜的加权分值确定所述牲畜所属的品种级别。

在其中一个实施例中，所述表型特征包括动态表型特征，所述通过摄像装置获取包含有多个表型特征的牲畜图像，包括：

通过设置于行走姿态采集通道中的多个摄像装置采集预设时间的包含所述动态表型特征的所述牲畜图像。

在其中一个实施例中，所述行走姿态采集通道的入口处安装有射频识别码阅读器；所述通过摄像装置获取包含有多个表型特征的牲畜图像之前，还包括：

在所述牲畜移动进入所述行走姿态采集通道的入口处时，通过所述射频识别码阅读器获取所述牲畜的射频识别码；

所述将所述牲畜图像输入预先构建的牲畜种级识别模型，以使所述牲畜种级识别模型根据所述多个表型特征识别出所述牲畜图像中的牲畜所属的品种级别的步骤之后，还包括：

将所述牲畜的射频识别码和所述牲畜所属的品种级别存储于牲畜信息数据库中。

在其中一个实施例中，所述表型特征包括静态表型特征，所述通过摄像装置获取包含有多个表型特征的牲畜图像，还包括：

通过设置于限位栏中的多个摄像装置采集包含所述静态表型特征的所述牲畜图像。

在其中一个实施例中，所述限位栏出口处设置有多个闸门；所述根据所述品种级别确定所述牲畜的所属栏位编号之后，还包括：

根据所述牲畜的所属栏位编号打开与所属栏位编号对应的所述闸门。

在其中一个实施例中，所述表型特征包括动态表型特征和静态表型特征中的至少一种；其中，

所述动态表型特征包括所述牲畜的行走姿态特征；

所述静态表型特征包括所述牲畜的肢蹄特征、腹线特征、背线特征、肚脐特征、体重、乳头特征以及外阴特征中的至少一种。

一种牲畜智能选种装置，所述装置包括：

图像获取模块，用于通过摄像装置获取包含多个表型特征的牲畜图像；

品种级别识别模块，用于将所述牲畜图像输入预先构建的牲畜种级识别模型，以使所述牲畜种级识别模型根据所述多个表型特征识别出所述牲畜图像汇总的牲畜所属的品种级别；

栏位编号确定模块，用于根据所述品种级别确定所述牲畜的所属栏位编号。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一种牲畜智能选种方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一种牲畜智能选种方法的步骤。

上述牲畜智能选种方法、装置、计算机设备和存储介质，通过摄像装置获取包含有多个表型特征的牲畜图像，将该牲畜图像输入预先构建的牲畜种级识别模型，以使上述牲畜种级识别模型根据多个表型特征识别出该牲畜图像中的牲畜所属的品种级别；根据该品种级别确定该牲畜的所属栏位编号。该方法使用智能化、自动化的方法对牲畜进行分级并自动筛选进入不同的栏位，与传统的人工鉴别并分级的方法相比，节省了时间和人力，提高了牲畜养殖厂中的生产效率。

附图说明

图1为一个实施例中牲畜智能选种方法的应用环境图；

图2为一个实施例中牲畜智能选种方法的流程示意图；

图3为另一个实施例中牲畜智能选种方法的应用环境图；

图4为一个实施例中牲畜种级确定步骤的流程示意图；

图5为一个实施例中牲畜智能选种装置的结构框图；

图6为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的牲畜智能选种方法，可以应用于如图1所示的应用环境中。其中，终端101通过网络与服务器102进行通信。其中，终端101可以是各种摄像装置，包括但不限于是各种相机、录像机或NVR(Network Video Recorder，网络视频录像机)等设备；服务器102可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一个实施例中，如图2所示，提供了一种牲畜智能选种方法，以该方法应用于图1中的服务器102为例进行说明，包括以下步骤：

步骤S201，通过摄像装置获取包含有多个表型特征的牲畜图像。

其中，牲畜是指养殖的家禽、家畜等动物，例如猪、牛、羊等，本申请中为方便叙述，以下都以猪为例进行说明。表型特征是指牲畜的体型外貌等特征，例如行走姿态、肢蹄、腹线、背线、肚脐、乳头、行走姿态等。

具体地，将猪只赶入预设的选种空间中，该选种空间可以为带有栅栏的小范围空间，使得猪只进入栅栏后被限制活动，以便对该猪只进行图像采集工作。该选种空间的周围可按照预设角度安装摄像装置，例如可以在栅栏四周以及上方分别安装多个拍摄装置，使用这些拍摄装置采集该猪只的多个表型特征，例如肢蹄图像、腹线图像、背线图像、肚脐图像等。

步骤S202，将上述牲畜图像输入预先构建的牲畜种级识别模型，以使所述牲畜种级识别模型根据上述多个表型特征识别出上述牲畜图像中的牲畜所属的品种级别。

其中，牲畜所属的级别可以为人为划分的等级，例如根据经验可以将猪只的级别分为三个等级：优秀、合格、不合格。预先构建的牲畜种级识别模型为人工智能识别模型，例如可以是训练好的深度卷积神经网络，该深度卷积神经网络可以识别出牲畜的各种表型特征。

具体地，将上述牲畜图像输入预先构建的牲畜种级识别模型，该预先构建的牲畜种级识别模型可根据识别出的牲畜的各个表型特征，根据各个表型特征计算出该牲畜的综合外貌指数，再根据该牲畜的综合外貌指数确定该牲畜所属的品种级别，例如优秀或合格等。

步骤S203，根据上述品种级别确定牲畜的所属栏位编号。

具体地，根据品种级别确定牲畜的所属栏位编号，例如，若该牲畜为优秀级别，则确定所属栏位编号为1号，若该牲畜为合格级别，则确定该牲畜所属栏位编号为2号。

上述实施例，通过摄像装置获取包含有多个表型特征的牲畜图像，将该牲畜图像输入预先构建的牲畜种级识别模型，以使上述牲畜种级识别模型根据多个表型特征识别出该牲畜图像中的牲畜所属的品种级别；根据该品种级别确定该牲畜的所属栏位编号。该方法使用智能化、自动化的方法对牲畜进行分级并自动筛选进入不同的栏位，与传统的人工鉴别并分级的方法相比，节省了时间和人力，提高了牲畜养殖厂中的生产效率。

在一实施例中，如图3所示，图3为确定牲畜所述品种级别的流程图，上述步骤S202包括：

步骤S301，将牲畜图像输入预先构建的牲畜种级识别模型，以使预先构建的牲畜种级识别模型识别出各个表型特征的类别；

具体地，将各个摄像装置采集到的关于某一只猪只的多张图像输入上述预先构建的牲畜种级识别模型，该牲畜种级识别模型根据上述多张图像识别出图像上的表型特征的类别，例如分别识别出各个图像的表型特征为肢蹄、腹线、背线、肚脐、行走姿态等。

步骤S302，根据各个表型特征的类别和与表型特征的类别对应的预设打分规则计算并输出各个表型特征对应的分数。

具体的，每一种表型特征都对应不同的打分规则，例如针对肢蹄的形状，可以根据肢蹄的不同形状设置不同的分数等级，再例如，根据乳头标准也设置一套打分规则，每一侧少于7个有效乳头，且有一个以上的无效乳头的乳头特征可设置为60分一下；没测不少于7个有效乳头、间距合理、包含几个无效乳头的乳头特征可设置为60(含60分)至80分(含80分)之间；每侧7个以上有效乳头、排列整齐、发育好，且没有无效乳头的乳头特征可设置为80分以上。

步骤S303，根据各个表型特征的预设权重和各个表型特征对应的分数计算得到牲畜的加权分值；

具体地，可以为每一种表型特征设置权重，将上述各个表型特征的分数与各个表型特征对应的权重相乘，计算加权和，得到上述猪只的加权分值。

步骤S304，根据牲畜的加权分值确定牲畜所属的品种级别。

具体地，根据上述分值确定该猪只的品种级别，例如猪只的加权分值在90分(含90分)以上，则确定该猪只为优秀级别；猪只的加权分值在60分(含60分)至90分，则确定为合格级别；猪只的加权分值小于60分，则确定该猪只的级别为不合格级别。

上述实施例，通过预先构建的牲畜种级识别模型识别出牲畜的各个表型特征，并为各个表型特征进行打分，最后根据加权分值确定牲畜的品种级别，与人工凭经验确定品种级别相比，更加精准、可记录、可评估。

在一实施例中，如图3所示，图3为一实际应用环境图，上述表型特征包括动态表型特征，上述步骤S201，包括：通过设置于行走姿态采集通道中的多个摄像装置采集预设时间的包含动态表型特征的牲畜图像。

具体地，动态表型特征例如牲畜的行动姿态，例如猪只的行走姿态，可以设置行走姿态采集通道获取猪只的行走姿态。例如，可以设置一个行走姿态采集通道(长约2到2.5米，宽约1.2米)，保证猪只能在该通道中按照预设的轨道行走。该行走姿态采集通道两侧加设摄像头捕捉猪只的行走姿态。采集时，工作人员将待定栏位的猪只逐一赶出来(一次只赶出1头)，根据上述行走姿态采集通道的设计，猪只会进入通道，并行走，摄像装置记录下猪只的行走姿态，同时摄像头能捕捉到猪只的全身，能捕捉到猪只行走1秒或者以上的视频；(3)猪只身体在画面中所占的面积不应该太小，至少大于1/4画面。

上述实施例，通过设置行走姿态采集通道获取牲畜的动态表型特征，有利于更充分更全面地对牲畜的品种级别进行评估。

在一实施例中，上述行走姿态采集通道的入口处安装有射频识别码阅读器；上述步骤S201之前，还包括：在牲畜移动进入行走姿态采集通道的入口处时，通过射频识别码阅读器获取牲畜的射频识别码；上述步骤S202之后还包括：将牲畜的射频识别码和牲畜所属的品种级别存储于牲畜信息数据库中。

具体地，为了便于统计和管理，需要将牲畜的ID(Identity Document，身份标识号)和其表型特征信息、品种级别进行分类存储。因此在行走姿态采集通道的入口处安装射频识别码阅读器，每只猪只携带有电子耳标，通过射频识别码阅读器自动识别猪只的ID。在采集完猪只的表型特征并对该猪只进行品种级别评定之后，将该猪只的射频识别码和该牲畜所属的品种级别存储于牲畜嘻嘻数据库中。

上述实施例，通过设置射频识别码阅读器采集牲畜的身份ID，并将牲畜的身份ID和其品种级别绑定存储于牲畜信息数据库中，有利于对牲畜各个生长阶段和销售阶段的数据管理工作，进一步提高了牲畜养殖厂的生产效率。

在一实施例中，上述表型特征包括静态表型特征，上述步骤S201，还包括：通过设置于限位栏中的多个摄像装置采集包含静态表型特征的牲畜图像。

具体地，上述表型特征包括静态表型特征，例如肢蹄特征、体重、乳头特征等。本实施例中设置有限位栏，限位栏的尺寸按照市面上售卖的限位栏为准，例如长2.1米、宽60cm、高1米左右，使得猪只在进入限位栏后被限制活动，以方便摄像头进行清楚地拍摄，限位栏内放置一台电子秤，用以称重。在限位栏外的两侧，分别架设4个摄像头(共8个摄像头)。每一侧的4个摄像头中，有3个摄像头位于底部，1个位于限位栏入口处的三角栏处。每一侧的底部的摄像头中有2个用于捕捉肢蹄，1个用于捕捉单侧乳头、肚脐和腹线。限位栏入口处上方还设置有一个摄像头，用于捕捉外阴特征。每一侧的三角栏区的摄像头用于捕捉猪只的背线。

上述实施例，通过设置限位栏，有利于获取牲畜的静态特征，为后续确定牲畜的品种级别提供数据基础。

在一实施例中，上述限位栏出口处设置有多个闸门；上述步骤S203之后，还包括：根据牲畜的所属栏位编号打开与所属栏位编号对应的闸门。

具体地，限位栏的出口处设置有多个闸门，例如三个闸门，分级为1至3号闸门，其中，1号代表优秀级别，2号代表合格级别，3号代表不合格级别，当上述预先构建的牲畜种级识别模型识别出牲畜所属的品种级别后，根据品种级别确定该牲畜的所属栏位编号，例如确定该牲畜的栏位编号为1号，则控制1号闸门打开，使得牲畜进入1号栏位。

上述实施例，通过在限位栏设置多个闸门根据当前牲畜所属的栏位编号控制闸门的开合，实现猪只分类的自动化，进一步节省了人力成本，提高了养殖厂的生产效率。

在一实施例中，上述表型特征包括动态表型特征和静态表型特征中的至少一种，其中，动态表型特征包括牲畜的行走姿态特征；静态表型特征包括牲畜的肢蹄特征、腹线特征、背线特征、肚脐特征、体重、乳头特征以及外阴特征中的至少一种。

具体地，本实施例中的可以通过单独设置不同的特征采集空间用于采集牲畜的动态表型特征或静态表型特征，可以只设置行走姿态采集通道获取牲畜的动态表型特征，也可以只设置限位栏采集牲畜的静态表型特征，还可以使用行走姿态采集通道和限位栏结合的方式获取牲畜的动态表型特征和静态表型特征，其中动态表型特征包括牲畜的行走姿态特征；静态表型特征包括牲畜的肢蹄特征、腹线特征、背线特征、肚脐特征、体重、乳头特征以及外阴特征中的至少一种。

上述实施例，通过设置不同的特征采集空间获取牲畜的动态表型特征和静态表型特征，为后续牲畜评级提供了更丰富多样的数据基础。

应该理解的是，虽然图1至4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1至4中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图5所示，提供了一种牲畜智能选种装置500，包括：图像获取模块501、品种级别识别模块502和栏位编号确定模块503，其中：

图像获取模块，用于通过摄像装置获取包含多个表型特征的牲畜图像；

品种级别识别模块，用于将所述牲畜图像输入预先构建的牲畜种级识别模型，以使所述牲畜种级识别模型根据所述多个表型特征识别出所述牲畜图像汇总的牲畜所属的品种级别；

栏位编号确定模块，用于根据所述品种级别确定所述牲畜的所属栏位编号。

在一实施例中，上述品种级别识别模块502，进一步用于：将所述牲畜图像输入预先构建的牲畜种级识别模型，以使所述预先构建的牲畜种级识别模型识别出各个所述表型特征的类别；根据各个所述表型特征的类别和与所述表型特征的类别对应的预设打分规则计算并输出各个所述表型特征对应的分数；根据各个所述表型特征的预设权重和各个所述表型特征对应的分数计算得到所述牲畜的加权分值；根据所述牲畜的加权分值确定所述牲畜所属的品种级别。

在一实施例中，上述图像获取模块501，进一步用于：通过设置于行走姿态采集通道中的多个摄像装置采集预设时间的包含所述动态表型特征的所述牲畜图像。

在一实施例中，还包括射频识别单元，用于在所述牲畜移动进入所述行走姿态采集通道的入口处时，通过所述射频识别码阅读器获取所述牲畜的射频识别码；上述栏位编号确定模块503还用于：将所述牲畜的射频识别码和所述牲畜所属的品种级别存储于牲畜信息数据库中。

在一实施例中，上述图像获取模块501，进一步用于：通过设置于限位栏中的多个摄像装置采集包含所述静态表型特征的所述牲畜图像。

在一实施例中，上述栏位编号确定模块503还用于：根据所述牲畜的所属栏位编号打开与所属栏位编号对应的所述闸门。

在一实施例中，所述表型特征包括动态表型特征和静态表型特征中的至少一种；其中，所述动态表型特征包括所述牲畜的行走姿态特征；所述静态表型特征包括所述牲畜的肢蹄特征、腹线特征、背线特征、肚脐特征、体重、乳头特征以及外阴特征中的至少一种。

关于牲畜智能选种装置的具体限定可以参见上文中对于牲畜智能选种方法的限定，在此不再赘述。上述牲畜智能选种装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储牲畜表型特征和品种级别以及所属栏位编号数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种牲畜智能选种方法。

本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

通过摄像装置获取包含有多个表型特征的牲畜图像；

将所述牲畜图像输入预先构建的牲畜种级识别模型，以使所述牲畜种级识别模型根据所述多个表型特征识别出所述牲畜图像中的牲畜所属的品种级别；

根据所述品种级别确定所述牲畜的所属栏位编号。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

将所述牲畜图像输入预先构建的牲畜种级识别模型，以使所述预先构建的牲畜种级识别模型识别出各个所述表型特征的类别；

根据各个所述表型特征的类别和与所述表型特征的类别对应的预设打分规则计算并输出各个所述表型特征对应的分数；

根据各个所述表型特征的预设权重和各个所述表型特征对应的分数计算得到所述牲畜的加权分值；

根据所述牲畜的加权分值确定所述牲畜所属的品种级别。

在一个实施例中，所述表型特征包括动态表型特征，处理器执行计算机程序时还实现以下步骤：

通过设置于行走姿态采集通道中的多个摄像装置采集预设时间的包含所述动态表型特征的所述牲畜图像。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

在所述牲畜移动进入所述行走姿态采集通道的入口处时，通过所述射频识别码阅读器获取所述牲畜的射频识别码；

所述将所述牲畜图像输入预先构建的牲畜种级识别模型，以使所述牲畜种级识别模型根据所述多个表型特征识别出所述牲畜图像中的牲畜所属的品种级别的步骤之后，还包括：

将所述牲畜的射频识别码和所述牲畜所属的品种级别存储于牲畜信息数据库中。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

通过设置于限位栏中的多个摄像装置采集包含所述静态表型特征的所述牲畜图像。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

根据所述牲畜的所属栏位编号打开与所属栏位编号对应的所述闸门。

在一个实施例中，所述表型特征包括动态表型特征和静态表型特征中的至少一种；其中，所述动态表型特征包括所述牲畜的行走姿态特征；所述静态表型特征包括所述牲畜的肢蹄特征、腹线特征、背线特征、肚脐特征、体重、乳头特征以及外阴特征中的至少一种。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上述的牲畜智能选种方法中的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。