本技術涉及智能飼喂，具體而言，涉及一種基于視覺與人工智能的牛只精準飼喂方法與系統。

背景技術：

1、在肉牛育肥養殖體系中，飼喂成本占據了總成本的重要部分，超過70%，因此，優化飼喂技術并有效控制成本，對提升牧場整體效益來說顯得尤為關鍵。然而，傳統的中小型牧場往往采用限制飼喂的方法，比如每天僅投喂兩次飼料，然而，這種模式存在兩個主要問題。首先是浪費問題，肉牛場的剩料如果清理掉，會造成不小的經濟損失，但若不清理，則會影響日糧的品質，進而導致牛的采食量下降。其次，如果育肥日糧中高精日糧的比例較高，就容易引發酸中毒等代謝問題，進而使采食量產生較大的波動。

2、為了更好地評估和管理肉牛的飼喂情況，可以采用料槽評分系統。該系統詳細描述了不同的剩料量及其特點，為牧場管理者提供了有價值的參考。

3、料槽評分的關鍵在于把握時間和順序。通常，建議在早晨飼喂前半小時到一小時進行評分，并按照飼喂順序對所有料槽逐一評估。

4、在評分過程中，需要注意幾種不同的剩料情況。對于“大量剩料”的情況，這通常表明牛的采食量突然下降，需要找出原因并及時調整投料量；而對于“零星剩料”的情況，這可能只是因為前一天的飼喂量稍多，此時應適當減少當天的投喂量。另外，“干料槽”的情況則說明飼料量不足，牛在很早之前就已采食完畢，因此需要增加飼喂量來確保牛能獲得足夠的飼料。理想的料槽狀態是“濕料槽”，它意味著牛在飼喂結束后恰好吃完所有飼料，處于一種適宜的狀態。

5、牛只的采食量很大程度的決定了其生長狀況與健康水平。通過觀察牛只的采食行為，分析采食規律，及時準確地識別出采食異常的牛只，并實時調整飼喂量，可有效減少飼料浪費，提升養殖效益。

6、傳統牛只飼喂過程中的料槽評分管理通常依賴人工檢查。這些方法效率低下，容易導致人為錯誤，從而影響庫存數據的準確性，并且十分耗費人力。

7、目前，市場上的料槽評分管理系統，大多數基于無人機、巡檢機器人等方案，成本較高，并且操作繁瑣。隨著智能化的普及，以及深度學習領域的不斷發展，需要低成本、高效率的方案來改善現有狀況。

技術實現思路

1、有鑒于此，本技術提供一種基于視覺與人工智能的牛只精準飼喂方法與系統，以降低飼喂過程中的料槽評分的成本以及提供料槽評分的效率，從而達到及時調整修改料槽計劃的目的。

2、為實現上述目的，本技術采用的技術方案如下：

3、一種基于視覺與人工智能的牛只精準飼喂方法，包括：

4、s1：采集牛只欄舍的料槽的相關圖像；

5、s2：對采集到的圖像進行直方圖均衡化和圖像去霧操作以提高圖像的對比度和清晰度；

6、s3：基于yolov5目標檢測算法實現對圖像中料槽進行檢測定位，獲取料槽區域圖像并且進行提取；

7、s4：通過vit(vision?transformer)分類算法對提取到的料槽圖像進行分類處理，獲取料槽的評分情況；

8、s5：綜合分析料槽評分情況，結合欄舍牛只的生長情況，自動調整修改下一頓的飼喂計劃；

9、s6：存儲牛只的歷史數據、飼喂記錄和算法模型，進行數據分析和算法優化。

10、進一步的，所述直方圖均衡化具體為：

11、s2.11：計算原始圖像的直方圖

12、統計圖像中每個像素值的出現次數。

13、s2.12：計算歸一化直方圖

14、將直方圖的每個像素值的出現次數除以圖像的總像素數，得到每個像素值的概率分布。公式為：

15、

16、其中：表示第k個像素值，表示像素值出現的次數，n表示圖像的總像素數。

17、s2.13：計算累積分布函數(cdf）

18、對歸一化直方圖進行累加，得到累積分布函數。公式為：

19、

20、s2.14：映射像素值

21、根據cdf將原始像素值映射到新的像素值。映射公式為：

22、

23、其中：表示映射后的像素值，l表示像素值的最大取值，round?表示四舍五入。

24、s2.15：生成均衡化后的圖像

25、將映射后的像素值替換原始圖像的像素值，生成均衡化后的圖像。

26、進一步的，所述圖像去霧操作具體為：s2.21：計算暗通道

27、對圖像的每個像素，取其局部窗口內rgb三種顏色通道的最小值。公式為：

28、

29、其中：表示以像素 x為中心的局部窗口，表示像素 y在顏色通道c的值。

30、s2.22：估計大氣光值a

31、從暗通道中選取最亮的0.1%像素，對應原圖像中這些像素的最高亮度值作為大

32、氣光值。

33、s2.23：估計透射率

34、假設透射率在局部區域內是常數，利用暗通道先驗估計透射率。公式為：

35、

36、其中，ω是調節參數，為相機參數，表示像素在顏色通道c的值。

37、s2.24：恢復無霧圖像

38、根據退化模型，恢復無霧圖像。公式為：

39、

40、其中：是透射率的下限，用于避免分母過小，表示去霧前像素的值，表示去霧后像素的值。

41、進一步的，yolov5的模型結構包括主干網絡、頸部網絡和檢測頭，主干網絡采用

42、cspdarknet53，以減少計算量并提高特征提取能力；頸部網絡使用panet作為頸部網絡，通過自頂向下和自底向上的路徑聚合，增強特征金字塔的多尺度特征融合能力；且在panet中引入spp（spatial?pyramid?pooling）模塊，通過不同尺度的池化操作，增強模型的感受野；檢測頭負責生成最終的檢測結果，檢測頭由多個卷積層組成，輸出三個尺度的特征圖，每個特征圖對應不同大小的目標；yolov5使用預定義的anchor?boxes來預測目標的邊界框，每個尺度的特征圖對應一組anchor?boxes。

43、進一步的，yolov5的損失函數由三部分組成，分別為分類損失（classificationloss）、定位損失（localization?loss）和置信度損失（confidence?loss），所述分類損失采用交叉熵損失，用于衡量預測類別與真實類別之間的差異；所述定位損失使用ciou（complete?intersection?over?union）損失來評估模型預測的邊界框與真實邊界框之間的偏差，ciou不僅考慮了邊界框之間的重疊面積，還引入了中心點距離和長寬比，從而能夠更準確地衡量邊界框之間的相似度；置信度損失采用二元交叉熵損失，用于衡量預測框是否包含目標的置信度。

44、進一步的，yolov5在后處理階段，通過非極大值抑制（nms）算法，去除重疊度

45、較高的冗余框，保留最有可能的檢測結果；且根據置信度閾值和類別概率閾值，過濾掉低置信度的檢測結果；最終輸出結果包括每個檢測目標的類別、置信度以及邊界框的坐標（x,?y,?width,?height），其中x表示邊界框的中心在圖像中的x軸坐標，y表示邊界框的中心在圖像中的y軸坐標，?width表示邊界框的寬度，height表示邊界框的高度。

46、進一步的，所述vit分類算法包括輸入預處理階段，具體為：

47、s4.1：將輸入圖像被分割成n個固定大小的patches，每個patch的大

48、小為，h和w分別表示輸入圖像的高度和寬度，c表示通道數，r表示像素空間。因此，patch的數量為：

49、

50、s4.2：展平patches，每個patch被展平為一個向量，維度為c，將每個展平

51、的patch通過一個可學習的線性映射轉換為一個d維的向量，得到patchembeddings：

52、

53、其中，是線性映射矩陣，是第 i個patch的展平向量；

54、s4.3：添加位置編碼（positional?encoding)：由于transformer本身沒有位置信

55、息，vit引入了可學習的位置編碼(positional?encoding)來保留patches的空間位置信息：

56、

57、其中，是第 i個patch的位置編碼；是添加位置編碼后的輸入向量。

58、s4.4：在patch?embeddings?序列的開頭添加一個可學習的分類令牌（classtoken）

59、，用于最終的分類任務：

60、

61、其中，。

62、進一步的，所述vit分類算法的核心是?transformer?編碼器，它由多個

63、transformer?塊（transformer?blocks）堆疊而成。每個?transformer?塊包括以下組件：

64、多頭自注意力機制（multi-head?self-attention,?msa）：用于完成自注意力計算，即對于輸入序列z，計算每個patch與其他patches的關系，計算公式為：

65、

66、其中，q、k、v分別是通過線性變換得到的查詢（query)、鍵(key)和值（value）

67、矩陣。

68、前饋神經網絡（feed-forward?network,?ffn）：用于完成非線性變換，即每個注意

69、力輸出通過一個兩層的前饋神經網絡進行非線性變換：

70、

71、其中，、、和是網絡參數。

72、殘差連接與層歸一化（residual?connection&layer?normalization）殘差連接：在每

73、個子層（msa?和?ffn）后添加殘差連接，以緩解梯度消失問題：

74、

75、。

76、進一步的，所述vit分類算法的損失函數為交叉熵損失，使用交叉熵損失

77、（cross-entropy?loss）計算預測類別與真實標簽之間的差異，具體公式為：

78、

79、其中，?是真實標簽，是預測概率。

80、一種基于視覺與人工智能的牛只精準飼喂系統，用于執行本技術前述一種基于視覺與人工智能的牛只精準飼喂方法，具體包括以下模塊：

81、視覺采集模塊，用于采集牛只欄舍的料槽的相關圖像；

82、視覺處理模塊，用于對采集到的圖像進行直方圖均衡化和圖像去霧操作以提高圖像的對比度和清晰度；

83、目標檢測模塊，用于基于yolov5目標檢測算法實現對圖像中料槽進行檢測定位，獲取料槽區域圖像并且進行提取；

84、智能分類模塊，用于通過vit(vision?transformer)分類算法對提取到的料槽圖像進行分類處理，獲取料槽的評分情況；

85、飼喂決策模塊，用于綜合分析料槽評分情況，結合欄舍牛只的生長情況，自動調整修改下一頓的飼喂計劃；

86、數據管理與優化模塊，用于存儲牛只的歷史數據、飼喂記錄和算法模型，進行數據分析和算法優化。

87、與現有技術相比，本技術的有益效果是：

88、1、自動料槽評分：替換人工觀察評分的方式，實現了牛只欄舍料槽自動評分；

89、2、高精度檢測：通過大尺度訓練的yolov5目標檢測算法提高了目標檢測的精度，在復雜環境下表現優異；

90、3、高精度分類：通過基于?transformer?架構的圖像分類vit算法，實現對料槽圖像快速高效地進行分類評分；

91、4、降本增效:?大大減少了人工時間成本的同時，提高了牛只欄舍料槽評分的效率，同時保證了料槽評分的精度。