(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211210367.7 (22)申请日 2022.09.30 (65)同一申请的已公布的文献号 申请公布号 CN 115294612 A (43)申请公布日 2022.11.04 (73)专利权人 南通双和食品有限公司 地址 226000 江苏省南 通市通州区兴仁镇 阚庵东村 (72)发明人 何灿华　 (51)Int.Cl. G06V 40/10(2022.01) G06V 40/20(2022.01) G06V 10/54(2022.01) G06V 10/56(2022.01) G06V 10/764(2022.01)G06V 10/82(2022.01) G06N 3/08(2006.01) 审查员 狄希 (54)发明名称 基于图形识别的畜禽喂养控制方法 (57)摘要 本发明涉及数据处理技术领域， 具体涉及一 种基于图形识别的畜禽喂养控制方法。 该方法包 括： 获取牛犊进食时的移动量， 根据牛犊的移动 量获取抽帧数量； 根据抽帧数量得到多帧目标图 像和目标深度图像； 将目标深度图像划分为多个 深度子块并获取每个深度子块的活跃度； 相应 的， 将目标图像划分为多个RGB子块， 并结合对应 的深度子块的活跃度获取每个RGB子块对应的 RGB重要度向量； 构建牛犊状态识别神经网络， 获 取每个RGB子块的优化特征向量， 以此输入支持 向量机中得到牛犊的动作识别结果； 基于牛犊的 不同动作识别结果的时长得到牛犊断奶的最佳 时间点， 根据最佳时间点对牛犊进行进口料喂 养。 提高了分析的准确性， 减少了牛犊应激反应 的概率。 权利要求书3页 说明书11页 附图1页 CN 115294612 B 2022.12.23 CN 115294612 B 1.一种基于图形识别的畜禽喂养控制方法， 其特 征在于， 该 方法包括以下步骤： 获取牛犊在每个采样时间段内的RGB图像和 深度图像， 基于采样时间段内的所述RGB图 像获取所述牛犊的移动量， 根据所述牛犊的移动量获取抽帧数量； 根据所述抽帧数量对采样时间段内的RGB图像进行均匀抽取得到目标图像， 获取所述 目标图像对应的目标深度图像； 将所述 目标深度图像划分为至少 两个深度子块， 获取每个 深度子块的活跃度， 将所述目标图像对应划分为至少两个RGB子块， 基于对应的深度子块的 活跃度获取每 个RGB子块的RGB重要度向量； 构建牛犊状态识别神经网络， 获取每个RGB子块对应的邻域集合， 所述邻域集合中包括 多个邻域子块， 基于所述牛犊状态识别神经网络获取每个邻域子块的权重， 根据每个邻域 子块的权重及其对应的RGB重要度向量对RGB子块的特征向量进 行优化得到优化特征向量； 以所有RGB子块的优化特征向量构成特征向量集， 将所述特征向量集输入支持向量机中得 到所述牛犊的动作识别结果； 基于所述牛犊的不同动作识别结果对喂养装置进行强化学习， 得到所述牛犊断奶的最 佳时间点， 根据最佳时间点利用所述喂养装置对所述牛犊进行进口料喂养； 所述基于所述牛犊的不同动作识别结果对喂养装置进行强化学习， 得到所述牛犊断奶 的最佳时间点的步骤， 包括： 对喂养装置进行强化学习的框架使用深度Q网络DQN， 所述深度Q网络DQN由Actor网络 和Critic网络组成； Actor网络的输入 是每头牛犊的优化特征向量以及动作识别结果； 初始 化Actor网络和Cr itic网络的权重， 对常规的断奶时间段进行one ‑hot编码得到常规的行为 序列； 将关闭母乳喂养装置和关闭开口料喂养装置记为动作 ， 将关闭母乳喂养装置 并开启 开口料喂养装置记为动作 ； 以执行动作 开始到执行动作 之后的两天为一个周期， 并 将执行动作 之后的一个周期内的牛犊动作识别结果作为后续动作识别结果； 任意选取一个时间点执行动作 ， 得到喂养装置控制系统的行为序列， 基于执行动作 后一个周期内的后续动作识别结果构建奖励函数为： 其中， 表示该品种牛犊的正常反刍时长； 表示检测到的反刍时长； 表示检测到 的抽搐时长； 表示检测到的生病时长； 表示检测到的休息时长； 表示牛犊的正常休 息时长； 表示最小值函数； 所述奖励函数 取值最小时为断奶的最佳时间点。 2.根据权利要求1所述的一种基于图形识别的畜禽喂养控制方法， 其特征在于， 所述基 于采样时间段内的所述RGB图像获取 所述牛犊的移动量的步骤， 包括： 在每头所述牛犊的两个耳朵上分别打上耳标， 获取采样时间段内的所有RGB图像中每 个耳标的位移量， 两个所述耳 标的位移量的均值 为所述牛犊的移动量。 3.根据权利要求1所述的一种基于图形识别的畜禽喂养控制方法， 其特征在于， 所述根 据所述牛犊的移动量获取抽帧数量的步骤， 包括：权　利　要　求　书 1/3 页 2 CN 115294612 B 2预设最少 抽帧数量以及最大移动距离， 计算所述移动量与所述 最大移动距离的比值； 根据相机采集频率获取每秒采集RGB图像的数量， 计算所述数量与最少抽帧数量的差 值， 将所述差值与所述比值相乘得到乘积结果， 以所述乘积结果与最少抽帧数量的求和结 果并向下 取整得到抽帧数量。 4.根据权利要求1所述的一种基于图形识别的畜禽喂养控制方法， 其特征在于， 所述获 取每个深度子块的活跃度的步骤， 包括： 获取深度子块对应的灰度共生矩阵， 根据所述灰度共生矩阵得到对比度和熵， 利用所 述对比度与所述熵的加权求和得到深度子块的活跃度。 5.根据权利要求1所述的一种基于图形识别的畜禽喂养控制方法， 其特征在于， 所述基 于对应的深度子块的活跃度获取每 个RGB子块的RGB重要度向量的步骤， 包括： 获取每个RGB子块对应的RGB组合， 所述RGB组合中包括 不同尺度的RGB子块； 统计每个RGB子块中所有像素点的数量、 所有黑色像素点的数量以及所有黄色像素点 的数量； 获取RGB子块中所有黑色像素点的数量与所有黄 色像素点的数量的求和结果， 计算 所述求和结果与RGB子块中所有像素点数量的比值； 以所述比值与RGB子块对应的深度子块 的活跃度的乘积结果得到RGB子块的重要度； 所述RGB组合 中所有RGB子块的重要度依次排列得到RGB重要度向量， 所述RGB重要度向 量为所述RGB组合对应的RGB子块的RGB重要度向量。 6.根据权利要求1所述的一种基于图形识别的畜禽喂养控制方法， 其特征在于， 所述获 取每个RGB子块对应的邻域 集合的步骤， 包括： 获取当前RGB子块所在目标图像中其他的RGB子块为第二子块， 以及当前RGB子块所在 目标图像的前一帧目标图像和后一帧目标图像， 前一帧目标图像和 后一帧目标图像中与当 前RGB子块对应的RGB子块为对应子块， 所有的所述第二子块与所述对应子块为当前RGB子 块的邻域子块， 所有的所述邻域子块构成当前RGB子块的邻域 集合。 7.根据权利要求1所述的一种基于图形识别的畜禽喂养控制方法， 其特征在于， 所述基 于所述牛犊状态 识别神经网络获取每 个邻域子块的权 重的步骤， 包括： 所述牛犊状态识别神经网络中包括至少一个注意力层； 每个所述注意力层对应不同的 线性变化矩阵； 对于第  个邻域子块的权 重的计算 为： 其中， 表示邻域集合中第 个邻域子块对应的权重， 为正整数； 表示第 个RGB子块 对应的特征向量， 为正整数， 所述特征向量由所述牛犊状态识别神经网络对第 个RGB子块 展平得到； 表示第 个RGB子块对应的RGB重要度向量； 表示邻域集合中第 个邻域子块 对应的特征向量； 表示邻域集合中第 个邻域子块对应的RGB重要度向量； 表示激 活函数； 表示以自然常数e为底的指数函数； 表示邻域集合； 与 均表示线性变化权　利　要　求　书 2/3 页 3 CN 115294612 B 3