本发明涉及一种鹅的智能连续无应激称重系统和方法，属于家禽养殖技术领域。
背景技术：
随着家禽饲养越来越规模化、智能化，饲养着对优质种鹅的品质要求越来愈高，种鹅的质量是反映种鹅品质的重要参数指标之一。饲养者通过监视统计种鹅的质量数据来了解种鹅的生长情况，进行科学的饲养。
种鹅不同于鸡鸭等笼养家禽，需要进行散养，那对种鹅的称重就变成了一个技术问题。传统的称重方法是通过人工捕抓进行称重，对鹅容易造成惊吓，种鹅属于易发生应激反应的家禽，会影响种鹅的生长发育和产蛋效率。在智能称重方面，笼养类家禽称重采用栖杆式，但这种采集重量数据不够具体，大多笼养家禽在杆上停留时间补偿，散养类家禽大多采用通道门式，但这种得到的数据不够准确，会出现多个家禽同时经过，得到的重量信息不够准确，所以设计一种适合种鹅的智能称重方法是有必要的。
另外，随着人工智能的发展，计算机视觉的研究有了很大的提升，动态识别技术发展迅速。步态识别是计算机识别重要的组成部分，不用在身上佩戴任何设备，不用做标定，直接通过图像采集设备就可以了解步态，但现在的识别主要基于人的研究，在养殖上研究甚少。
科技时代发展迅速，种鹅的养殖也越来越智能化，种鹅在科技化养殖的过程中，对种鹅的个体识别有着非常高的要求，不光需要的种鹅的个体信息进行识别，还需要对种鹅的个体特征进行识别，比如说鹅腿。现在的技术还不能对种鹅个体特征进行识别，不能区分检测到的鹅腿是否是同一只鹅上的。
技术实现要素：
为解决上述问题，本发明提供一种鹅的智能连续无应激称重系统和方法。
一种鹅的智能连续无应激称重系统，其特征是，该系统包括自动称重装置以及智能动态无应激称重模块，所述自动称重装置包括由底部的底座、顶部的挡板以及左右两支架构成的通道门，以供鹅行走通过，所述底座设有阵列式压阻薄膜传感器、鹅体质量数据的动态连续无应激采集模块；所述智能动态无应激称重模块利用鹅体质量数据的动态连续无应激采集模块采集鹅通过通道门时在阵列式压阻薄膜传感器上的数据，通过阵列压阻薄膜传感器进行称重，解算数据实现智能化称重，主要解决现有的种鹅称重不准确，容易引起种鹅应激反应等问题。所述底座设有射频天线以及射频识别模块，所述射频天线位于阵列式压阻薄膜传感器之下。
a.关于智能动态无应激称重模块
其称重方法，包括如下步骤：
第一步：种鹅在阵列式压阻薄膜传感器上行走，实现对压力数据的采集、存储和传递；
第二步：利用曲线拟合法，对阵列式压阻薄膜传感器采集到的数据进行非线性自动校正；
第三步：利用曲线拟合法，改善温度特性，对阵列式压阻薄膜传感器进行温度补偿，减少温度对传感器精度的影响；
第四步：对采集到的数据进行数据处理，得到种鹅的压力数据；
第五步：将种鹅行走过程中采集的压力值在进行拟合求解得到种鹅的体重。
进一步地，所述第二步的具体步骤为：
1.对阵列式压阻薄膜传感器进行静态试验标定，得校准曲线，得出反非线性特性拟合方程：
其中，xi表示鹅行走时阵列式压阻薄膜传感器得输入值，ui表示阵列式压阻薄膜传感器得输出值，a0，a1，a2，a3...an为待定常数；
2.求解待定常数a0，a1，a2，a3...an，公式为：
式中，n为实验标定点个数；i取1，2，3…n，n取1，2，3…n；
3.对待定常数公式进行求导为0，得：
其中，
求解得到待定常数a0，a1，a2，a3...an。；an、bn为自变量。
4.将待定常数a0，a1，a2，a3...an代入到第一步中求解得出输出值。
进一步地，第三步的具体步骤为：
1.建立不同温度ti下，阵列式压阻薄膜传感器的输入值p和输出值u的关系式：
ti＝u’i-u0(ti)＝kn1p1 kn2p2 kn3p3 … knipn
其中u0(ti)表示阵列式压阻薄膜传感器的零位值，u’i表示阵列式压阻薄膜传感器的输出值；kni表示固定温度下多项式前面的系数；
2.建立曲线拟合方程求解系数k：
通过采集种鹅行走时的数据带入上式，求解到系数k；kn表示温度值确定下对应多次项前面的系数，m表示的是方程多次项前面的系数。
3.建立p-u的温度特性曲线方程：
u＝k1p1 k2p2 k3p3 … knpnu表示温度补偿过后的阵列式压阻薄膜传感器输出值。
进一步地，第四步的具体步骤为：
1.建立压力值p和阵列式压阻薄膜传感器输出值u之间的多项式方程：
2.求解待定常数a0，a1，a2，a3...an，公式为：
式中，n为实验标定点个数；
3.对待定常数公式进行求导为0，得：
其中，
求解得到待定常数a0，a1，a2，a3...an；
4.将待定常数a0，a1，a2，a3...an代入到第一步中求解得出输出值，得到种鹅行走时的压力值。
进一步的，第五步具体步骤为：
1.建立种鹅体重n与采集到的压力值p之间的多项式：
2.求解待定常数a0，a1，a2，a3...an，公式为：
式中，n为实验标定点个数；
3.对待定常数公式进行求导为0，得：
其中，
求解得到待定常数a0，a1，a2，a3...an；
4.将待定常数a0，a1，a2，a3...an代入到第一步中求解得出输出值，得到种鹅的体重。
b.关于鹅体质量数据的动态连续无应激采集模块
包括传感电路、通道切换电路、a/d转换电路、控制电路和数据传输电路；所述传感电路与通道切换电路电连接；所述通道切换电路与a/d切换电路电连接；所述a/d切换电路与控制电路电连接。
所述传感电路由阵列式压阻薄膜传感器和运算放大器组成，usb外接电源为阵列式压阻薄膜传感器供电，阵列式压阻薄膜传感器引线接口与通道进行电连接，当种鹅行走在阵列式压阻薄膜传感器上，导电涂层压缩发生形变，导电颗粒密度增大，输出电阻减小，产生微弱的阻值变化信号，经运算放大器扩大倍数传输。
所述通道切换电路由模拟开关芯片和运算放大器组成，其中行引线通道为第一、四通道口，直接与模拟开关芯片电连接，列引线通道为第二、三通道口，经过运算放大器与模拟开关芯片电连接。
所述第一和第四通道口各包含m个(m为38)通道，所述第二和第三通道口各包括n(n为22)个通道。
所述a/d切换电路由模拟开关芯片、运算放大器和数模转换器组成。运算放大器将采集到的压阻模拟信号放大传输给数模转换器，数模转换器芯片将模拟信号转化为数字信号。
所述控制电路由单片机、usb接口电路和复位电路组成。usb接口电路接入外接电路为单片机提供电源；模拟控制开关电路接入模拟开关芯片；数模转换控制电路与数模转换器连接；复位电路能产生复位信号，确保系统平稳可靠运行。
所述数据传输电路由排针接口电路组成，上位机排针接口电路接入排针与单片机进行通信，实现了数据的传输，可以实现压力数据在上位机的进一步处理和显示。
鹅质量的数据采集的具体步骤为：
第一步：usb接通外接电源，对数据采集系统进行调试，完成初始化设置；
第二步：按照预先设定顺序选通阵列式压阻薄膜传感器第1行；
第三步：控制第1列的模拟开关芯片选通，进行模拟量数据放大读取存储，然后关闭第1列模拟开关芯片，选通第2列模拟开关芯片读取模拟量数据，重复操作直至第n列，完成第1行第1列到第1行n列的数据读取；
第四步：通过数模转换芯片将模拟信号转换为数字信号，完成数字信号采集；
第五步：然后选通第2至m行，重复第二步到第四步，直至所有模拟量数据读取完成，完成第1行第一列到第m行n列的数据采集；
第六步：将采集到的数据通过数字信号读取模块传输给单片机，运用数字信号解算模块计算出压力值，完成质量数据的采集；
第七步：通过排针与上位机进行通信，将质量数据传输给上位机。
c.针对不能对种鹅个体进行腿部轮廓识别的不足，本发明的系统还设有基于机器视觉的鹅行走步态特征识别模块，并在支架上设有摄像头动态识别鹅腿，能够实现种鹅在正常行走过程中区分种鹅个体。基于机器视觉的鹅行走步态特征识别模块的识别方法基于两个过程，分别为识别方法模型的训练过程和测试过程。
训练过程主要是通过对种鹅腿部的运动检测，进行图像归一化，得到种鹅的步态能量图，建立特征学习网络，计算预期值和期望值之间的差值进行反向传播。
测试过程主要是构建网络模型、训练模型和测试模型。
训练过程的具体步骤：
第一步：采集种鹅行走的步态视频，利用背景减除进行目标运动检测，得到种鹅行走过程中的腿部轮廓图像。利用腐蚀、膨胀和开闭运算形态学处理，进行降噪和消除小空洞。
第二步：从腿部轮廓图中获得种鹅腿部轮廓最小外接矩形框，并根据矩形框提取种鹅步态轮廓图。将种鹅步态轮廓图进行缩放并保证宽高比不变，计算出步态轮廓图的质心坐标。创建64×64的模板并计算质心，将缩放的轮廓图的质心与模板的质心对齐生成归一化图像it(x，y)。
第三步：选取种鹅步态数据集中的一个样本的步态轮廓图像序列，获得每帧图的最小外接矩形框，并计算宽高比，绘制步态周期曲线，种鹅行走两步视为一个周期，选取步态周期曲线三个极大值之间的帧数差作为步态周期。对归一化图像序列求平均值，得出步态能量图。
第四步：将训练样本输入模型中进行训练模型，经过若干次迭代后模型收敛。
第五步：将特征学习网络预测值和期望值进行对比，计算误差，并据此误差利用反向传播算法优化所述特征学习网络的网络参数。
测试过程具体步骤：
第一步：采集种鹅行走的步态视频，通过背景减除进行目标运动检测，得到种鹅行走过程中的腿部轮廓图像。利用腐蚀、膨胀和开闭运算处理，进行降噪和消除小空洞。
第二步：从腿部轮廓图中获得种鹅腿部轮廓最小外接矩形框，并根据矩形框提取种鹅步态轮廓图。将种鹅步态轮廓图进行缩放并保证宽高比不变，计算出步态轮廓图的质心坐标。创建64×64的模板并计算质心，将缩放的轮廓图的质心与模板的质心对齐生成归一化图像it(x，y)。
第三步：选取种鹅步态数据集中的一个样本的步态轮廓图像序列，获得每帧图的最小外接矩形框，并计算宽高比，绘制步态周期曲线，种鹅行走两步视为一个周期，选取步态周期曲线三个极大值之间的帧数差作为步态周期。对归一化图像序列求平均值，得出步态能量图。
第四步：读取训练网络模型过程中保存的网络模型，然后把获取的测试样本输入到网络模型进行测试，最后得到测试样本的识别率。
网络模型具体实现方式：
引入残差网络思想，经过处理后，将种鹅腿部图像输入经过第一层卷积层和池化层输出后，通过对鹅腿部图像自身映射，直接映射到第三层卷积层的输出，则第一个全连接层的输出值为第一层卷积和池化的输出值和第三层卷积层的输出值之和。由于特征图像通道数不同，需要对第一层卷积和池化的输出进行补零增加维度。
本发明的有益效果如下：
1)通过采集种鹅通过通道门时在阵列式压阻薄膜传感器上的数据，进行数据处理拟合，得到种鹅的体重，避免了人工称重时对种鹅造成的应激反应，与其他智能称重相比，减少了称重时间，提高了称重的效率和准确性；
2)能够动态识别鹅腿的方法，采用网络模型的步态识别算法，通过种鹅的腿部进行运动目标检测，图像处理，生成步态周期图。引入残差网络思想，加快了网络的收敛速度，提高了个体的识别率；
3)采用阵列式压阻薄膜传感器，可以实现种鹅行走过程中读取重量，避免发生应激反应，采用模拟开关芯片，对模拟信号选择性输出，切换速度快，提高了数据读取的效率和准确性。
附图说明
图1-图3为本发明中自动称重装置的示意图；
图4为本发明鹅的智能连续无应激称重系统框图；
图5(a)为一只鹅处于站立状态示意图；
图5(b)为一只鹅处于行走状态示意图；
图5(c)为两只鹅处于站立状态示意图；
图5(d)为前面的鹅处于站立状态后面的鹅处于行走状态示意图；
图5(e)为前面的鹅处于行走状态后面的鹅处于站立状态示意图；
图5(f)为两只鹅处于行走状态示意图；
图6为基于机器视觉的鹅行走步态特征识别模块的总体示意图；
图7为基于机器视觉的鹅行走步态特征识别模块中网络模型示意图；
图8为鹅体质量数据的动态连续无应激采集模块结构示意图；
图9为鹅体质量数据的动态连续无应激采集模块数据采集通道切换流程示意图；
图中：1.自动称重装置支架；2.自动称重装置挡板；3.自动称重装置底座；4.压阻薄膜传感器；5.摄像头；6.保护壳；7.射频天线；8.数据采集模块；9.射频识别模块。
具体实施方式
一种鹅的智能连续无应激称重系统，该系统包括自动称重装置以及智能动态无应激称重模块，所述自动称重装置包括由底部的底座、顶部的挡板以及左右两支架构成的通道门，以供鹅行走通过，所述底座设有阵列式压阻薄膜传感器、鹅体质量数据的动态连续无应激采集模块；所述智能动态无应激称重模块利用鹅体质量数据的动态连续无应激采集模块采集鹅通过通道门时在阵列式压阻薄膜传感器上的数据，通过阵列式压阻薄膜传感器进行称重，解算数据实现智能化称重。
具体的，本发明通过将压阻薄膜传感器设置在种鹅经过的通道门处，通过种鹅经过通道门行走采集数据，然后进行拟合求解得到种鹅的体重。
智能动态无应激称重模块，其称重方法包括如下步骤：
第一步：种鹅在阵列式压阻薄膜传感器上行走，实现对压力数据的采集、存储和传递。
第二步：利用曲线拟合法，对阵列式压阻薄膜传感器采集到的数据进行非线性自动校正。
第三步：利用曲线拟合法，改善温度特性，对阵列式压阻薄膜传感器进行温度补偿，减少温度对传感器精度的影响。
第四步：对采集到的数据进行数据处理，得到种鹅的压力数据。
第五步：将种鹅行走过程中采集的压力值在进行拟合求解得到种鹅的体重。
所述第二步地具体步骤为：
1.对阵列式压阻薄膜传感器进行静态试验标定，得校准曲线，得出反非线性特性拟合方程：
其中，xi表示鹅行走时阵列式压阻薄膜传感器得输入值，ui表示阵列式压阻薄膜传感器得输出值，a0，a1，a2，a3...an为待定常数。
2.求解待定常数a0，a1，a2，a3...an，公式为：
式中，n为实验标定点个数。
3.对待定常数公式进行求导为0，得：
其中，
求解得到待定常数a0，a1，a2，a3...an。
4.将待定常数a0，a1，a2，a3...an代入到第一步中求解得出输出值。
所述第三步的具体步骤为：
1.建立不同温度ti下，阵列式压阻薄膜传感器的输入值p和输出值u的关系式：
ti＝u’i-u0(ti)＝kn1p1 kn2p2 kn3p3 … knipn
其中u0(ti)表示阵列式压阻薄膜传感器的零位值，u’i表示阵列式压阻薄膜传感器的输出值。
2.建立曲线拟合方程求解系数k：
通过采集种鹅行走时的数据带入上式，求解到系数k。
3.建立p-u的温度特性曲线方程：
u＝k1p1 k2p2 k3p3 … knpnu表示温度补偿过后的阵列式压阻薄膜传感器输出值。
所述第四步的具体步骤为：
1.建立压力值p和阵列式压阻薄膜传感器输出值u之间的多项式方程：
2.求解待定常数a0，a1，a2，a3...an，公式为：
式中，n为实验标定点个数。
3.对待定常数公式进行求导为0，得：
其中，
求解得到待定常数a0，a1，a2，a3...an。
4.将待定常数a0，a1，a2，a3...an代入到第一步中求解得出输出值，得到种鹅行走时的压力值。
所述第五步种鹅体重的计算方法为：
1.建立种鹅体重n与采集到的压力值p之间的多项式：
2.求解待定常数a0，a1，a2，a3...an，公式为：
式中，n为实验标定点个数。
3.对待定常数公式进行求导为0，得：
其中，
求解得到待定常数a0，a1，a2，a3...an。
4.将待定常数a0，a1，a2，a3...an代入到第一步中求解得出输出值，得到种鹅的体重。
通过采集种鹅通过通道门时在压阻薄膜传感器上的数据，进行数据处理拟合，得到种鹅的体重，避免了人工称重时对种鹅造成的应激反应，与其他智能称重相比，减少了称重时间，提高了称重的效率和准确性。
具体的，鹅体质量数据的动态连续无应激采集模块，包括传感电路、通道切换电路、a/d转换电路、控制电路和数据传输电路；所述传感电路与通道切换电路电连接；所述通道切换电路与a/d切换电路电连接；所述a/d切换电路与控制电路电连接。
所述传感电路由阵列式压阻薄膜传感器和运算放大器组成，usb外接电源为阵列式压阻薄膜传感器供电，阵列式压阻薄膜传感器引线接口与通道进行电连接，当种鹅行走在阵列式压阻薄膜传感器上，导电涂层压缩发生形变，导电颗粒密度增大，输出电阻减小，产生微弱的阻值变化信号，经运算放大器扩大倍数传输。
所述通道切换电路由模拟开关芯片和运算放大器组成，其中行引线通道为第一、四通道口，直接与模拟开关芯片电连接，列引线通道为第二、三通道口，经过运算放大器与模拟开关芯片电连接。
所述第一和第四通道口各包含38个通道，所述第二和第三通道口各包括22个通道。
所述a/d切换电路由模拟开关芯片、运算放大器和数模转换器组成。运算放大器将采集到的压阻模拟信号放大传输给数模转换器，数模转换器芯片将模拟信号转化为数字信号。
所述控制电路由单片机、usb接口电路和复位电路组成。usb接口电路接入外接电路为单片机提供电源；模拟控制开关电路接入模拟开关芯片；数模转换控制电路与数模转换器连接；复位电路能产生复位信号，确保系统平稳可靠运行。
所述数据传输电路由排针接口电路组成，上位机排针接口电路接入排针与单片机进行通信，实现了数据的传输，可以实现压力数据在上位机的进一步处理和显示。
所述运算放大器采用的是max4495型号，实现将读取的压阻数据进行放大，便于数据的采集。在第二引脚和第七引脚并联电容，吸收回路可使宽频谱交流信号入地，避免直接接地使直流电平短路；在第一引脚和第八引脚并联电阻，给电容提供放电回路，避免饱和。
所述模拟开关芯片采用的是hj4051型号，用于压阻薄膜传感器各个传感点之间的阻值数据切换。
所述数模转换芯片采用的是tv562772t型号，通过将经过运算放大器传输的模拟量信号转换为数字信号，便于单片机进行数字信号解算。
所述单片机采用的是c8051f380型号，包括数字信号读取模块、数字信号解算模块和电路控制模块，通过数字信号读取模块读取a/d切换传输的数字信号，通过数字信号解算模块解算阻值转换为压力值，通过电路控制模块控制各个模块的应用。
本实例数据采集的具体步骤为：
第一步：usb接通外接电源，对数据采集系统进行调试，完成初始化设置。
第二步：按照预先设定顺序选通阵列式压阻薄膜传感器第1行。
第三步：控制第1列的模拟开关芯片选通，进行模拟量数据放大读取存储，然后关闭第1列模拟开关芯片，选通第2列模拟开关芯片读取模拟量数据，重复操作直至第22列，完成第1行第1列到第1行22列的数据读取。
第四步：通过数模转换芯片将模拟信号转换为数字信号，完成数字信号采集。
第五步：然后选通第2至38行，重复第二步到第四步，直至所有模拟量数据读取完成，完成第1行第一列到第38行22列的数据采集。
第六步：将采集到的数据通过数字信号读取模块传输给单片机，运用数字信号解算模块计算出压力值，完成质量数据的采集。
第七步：通过排针与上位机进行通信，将质量数据传输给上位机。
采用压阻薄膜传感器，可以实现种鹅行走过程中读取重量，避免发生应激反应，采用模拟开关芯片，对模拟信号选择性输出，切换速度快，提高了数据读取的效率和准确性。
具体的，本发明基于机器视觉的鹅行走步态特征识别模块的识别方法分为两个过程，分别为识别方法模型的训练过程和测试过程。训练过程主要是对种鹅腿部行为特征进行图像处理，并搭建网络模型，构建腿部识别模型；测试过程主要是对训练过程得到的网络模型进行腿部个体识别。
训练过程具体步骤：
第一步：采集种鹅行走的步态视频，利用背景减除对每个像素选取k个高斯分布的混合建模，进行目标运动检测，得到种鹅行走过程中的腿部轮廓图像。由于本实例中背景减除得到的腿部轮廓图像存在噪声和小空洞。利用腐蚀、膨胀和开闭运算形态学处理，进行降噪和消除小空洞。
第二步：因为腿部的动态识别只需要对种鹅的腿部进行拍摄，种鹅行走过程中外接矩形框(xmin，ymin)和(xmax，ymax)位于左下角和右下角，通过获得种鹅腿部轮廓最小外接矩形框，并根据矩形框提取种鹅步态轮廓图。将种鹅步态轮廓图进行缩放并保证宽高比不变，计算出步态轮廓图的质心坐标。
其中，xi，yi分别为第i像素点的横坐标和纵坐标；n为轮廓图像内的像素点个数；xc，yc为质心的横坐标和纵坐标。
创建64×64的模板并计算质心，将缩放的轮廓图的质心与模板的质心对齐生成归一化图像it(x，y)。
第三步：选取种鹅步态数据集中的一个样本的步态轮廓图像序列，获得每帧图的最小外接矩形框，并计算宽高比，绘制步态周期曲线，种鹅行走两步视为一个周期，选取步态周期曲线三个极大值之间的帧数差作为步态周期。对归一化图像序列求平均值，得出步态能量图。
其中，n是步态周期，it(x，y)是像素点在t时刻的灰度值，g(x，y)是步态能量图。
第四步：读取训练网络模型过程中保存的网络模型，然后把获取的测试样本输入到网络模型进行测试，最后得到测试样本的识别率。
测试过程具体步骤：
第一步：采集种鹅行走的步态视频，利用背景减除进行目标运动检测，得到种鹅行走过程中的腿部轮廓图像。利用腐蚀、膨胀和开闭运算形态学处理，进行降噪和消除小空洞。
第二步：从腿部轮廓图中获得种鹅腿部轮廓最小外接矩形框，并根据矩形框提取种鹅步态轮廓图。将种鹅步态轮廓图进行缩放并保证宽高比不变，计算出步态轮廓图的质心坐标。创建64×64的模板并计算质心，将缩放的轮廓图的质心与模板的质心对齐生成归一化图像it(x，y)。
第三步：选取种鹅步态数据集中的一个样本的步态轮廓图像序列，获得每帧图的最小外接矩形框，并计算宽高比，绘制步态周期曲线，种鹅行走两步视为一个周期，选取步态周期曲线三个极大值之间的帧数差作为步态周期。对归一化图像序列求平均值，得出步态能量图。
第四步：读取训练网络模型过程中保存的网络模型，然后把获取的测试样本输入到网络模型进行测试，最后得到测试样本的识别率。
网络模型具体实现方式：
引入残差网络思想，对于深层网络后面的层进行恒等映射，采用残差函数：
f(x)＝h(x)-x
其中f(x)表示残差映射。
h(x)的实现是通过跳跃层连接实现的。维度不匹配，残差单元的表达式为：
y＝f(x，wi) wsx
其中，x，y为残差模块的输入和输出，wi为卷积层的权值，ws为线性投影矩阵。
在本实例中的网络模型中，将种鹅腿部图像输入经过第一层卷积层和池化层输出后，通过对鹅腿部图像自身映射，直接映射到第三层卷积层的输出，则第一个全连接层的输出值为第一层卷积和池化的输出值和第三层卷积层的输出值之和。输入图像大小为64×64×1，经过第一个卷积层和池化层后输出特征图像大小为32×32×4，经过第三个卷积层输出特征图像大小为16×16×8。由于特征图像通道数不同，需要对第一层卷积和池化的输出进行补零增加维度。
由于存在种鹅同时进入通道门，射频识别能够检测到两个种鹅的信息，这样就不能区分种鹅的个体身份，引入腿部识别实现了个体区分。如图5(a)-(f)所示，可以实现区分种鹅，将采集到的数值对应到种鹅个体，图5(a)-(f)展示了种鹅经过通道门时一瞬间压阻薄膜传感器采集到的压力值分布，最后将各个瞬间采集到的数值进行拟合得到最终种鹅的重量。
本发明提出的能够动态识别鹅腿的方法，采用网络模型的步态识别算法，通过种鹅的腿部进行运动目标检测，图像处理，生成步态周期图。引入残差网络思想，改进网络模型，加快了网络的收敛速度，提高了个体的识别率。
1.一种鹅的智能连续无应激称重系统，其特征是，该系统包括自动称重装置以及智能动态无应激称重模块，所述自动称重装置包括由底部的底座、顶部的挡板以及左右两支架构成的通道门，以供鹅行走通过，所述底座设有阵列式压阻薄膜传感器、鹅体质量数据的动态连续无应激采集模块；所述智能动态无应激称重模块利用鹅体质量数据的动态连续无应激采集模块采集鹅通过通道门时在阵列式压阻薄膜传感器上的数据，通过阵列式压阻薄膜传感器进行称重，解算数据实现智能化称重。
2.根据权利要求1所述一种鹅的智能连续无应激称重系统，其特征是，所述底座设有射频天线以及射频识别模块，所述射频天线位于阵列式压阻薄膜传感器之下。
3.根据权利要求1所述一种鹅的智能连续无应激称重系统，其特征是，所述鹅体质量数据的动态连续无应激采集模块包括传感电路、通道切换电路、a/d转换电路、控制电路和数据传输电路；所述传感电路与通道切换电路电连接；所述通道切换电路与a/d切换电路电连接；所述a/d切换电路与控制电路电连接；
所述传感电路由阵列式压阻薄膜传感器和运算放大器组成，usb外接电源为阵列式压阻薄膜传感器供电，阵列式压阻薄膜传感器引线接口与通道进行电连接，当种鹅行走在阵列式压阻薄膜传感器上，导电涂层压缩发生形变，导电颗粒密度增大，输出电阻减小，产生微弱的阻值变化信号，经运算放大器扩大倍数传输；
所述通道切换电路由模拟开关芯片和运算放大器组成；其中通道口：行引线通道为第一、四通道口，直接与模拟开关芯片电连接；列引线通道为第二、三通道口，经过运算放大器与模拟开关芯片电连接；所述第一和第四通道口各包含m个通道，所述第二和第三通道口各包括n个通道；
所述a/d切换电路由模拟开关芯片、运算放大器和数模转换器组成；运算放大器将采集到的压阻模拟信号放大传输给数模转换器，数模转换器芯片将模拟信号转化为数字信号；
所述控制电路由单片机、usb接口电路和复位电路组成；usb接口电路接入外接电路为单片机提供电源；模拟控制开关电路接入模拟开关芯片；数模转换控制电路与数模转换器连接；复位电路能产生复位信号，确保系统平稳可靠运行；
所述数据传输电路由排针接口电路组成，上位机排针接口电路接入排针与单片机进行通信，实现了数据的传输，可以实现压力数据在上位机的进一步处理和显示。
4.根据权利要求1所述一种鹅的智能连续无应激称重系统，其特征是，该智能连续无应激称重系统还设有基于机器视觉的鹅行走步态特征识别模块，所述支架上设有摄像头。
5.根据权利要求4所述的一种鹅的智能连续无应激称重方法，其特征是，其中，智能动态无应激称重模块的称重方法，包括如下步骤：
第一步：种鹅在阵列式压阻薄膜传感器上行走，实现对压力数据的采集、存储和传递；
第二步：利用曲线拟合法，对阵列式压阻薄膜传感器采集到的数据进行非线性自动校正；
第三步：利用曲线拟合法，改善温度特性，对阵列式压阻薄膜传感器进行温度补偿，减少温度对传感器精度的影响；
第四步：对采集到的数据进行数据处理，得到种鹅的压力数据；
第五步：将种鹅行走过程中采集的压力值在进行拟合求解得到种鹅的体重；
其中，基于机器视觉的鹅行走步态特征识别模块的识别方法基于两个过程，分别为识别方法模型的训练过程和测试过程，训练过程是对种鹅腿部行为特征进行图像处理，并搭建网络模型，构建腿部识别模型；测试过程主要是对训练过程得到的网络模型进行腿部个体识别。
6.根据权利要求5所述一种鹅的智能连续无应激称重方法，其特征是，所述称重方法中，第二步的具体方法为：
1)对阵列式压阻薄膜传感器进行静态试验标定，得校准曲线，得出反非线性特性拟合方程：
其中，xi表示鹅行走时阵列式压阻薄膜传感器得输入值，ui表示阵列式压阻薄膜传感器得输出值，a0，a1，a2，a3...an为待定常数；
2)求解待定常数a0，a1，a2，a3...an，公式为：
式中，n为实验标定点个数；
3)对待定常数公式进行求导为0，得：
其中，
求解得到待定常数a0，a1，a2，a3...an；
4)将待定常数a0，a1，a2，a3...an代入到第一步中求解得出输出值。
7.根据权利要求5所述的一种鹅的智能连续无应激称重方法，其特征是，所述称重方法中，第三步的具体方法为：
1)建立不同温度ti下，阵列式压阻薄膜传感器的输入值p和输出值u的关系式：
ti＝u’i-u0(ti)＝kn1p1 kn2p2 kn3p3 … knipn
其中u0(ti)表示阵列式压阻薄膜传感器的零位值，u’i表示阵列式压阻薄膜传感器的输出值；
2)建立曲线拟合方程求解系数k：
通过采集种鹅行走时的数据带入上式，求解到系数k；
3)建立p-u的温度特性曲线方程：
u＝k1p1 k2p2 k3p3 … knpn
u表示温度补偿过后的阵列式压阻薄膜传感器输出值。
8.根据权利要求5所述的一种鹅的智能连续无应激称重方法，其特征是，所述称重方法中，第四步的具体步骤为：
1)建立压力值p和阵列式压阻薄膜传感器输出值u之间的多项式方程：
2)求解待定常数a0，a1，a2，a3...an，公式为：
式中，n为实验标定点个数；
3)对待定常数公式进行求导为0，得：
其中，
求解得到待定常数a0，a1，a2，a3...an；
4)将待定常数a0，a1，a2，a3...an代入到第一步中求解得出输出值，得到种鹅行走时的压力值。
9.根据权利要求5所述的一种鹅的智能连续无应激称重方法，其特征是，所述称重方法中，第五步具体步骤为：
1)建立种鹅体重n与采集到的压力值p之间的多项式：
2)求解待定常数a0，a1，a2，a3...an，公式为：
式中，n为实验标定点个数；
3)对待定常数公式进行求导为0，得：
其中，
求解得到待定常数a0，a1，a2，a3...an；
4)将待定常数a0，a1，a2，a3...an代入到第一步中求解得出输出值，得到种鹅的体重。
10.根据权利要求5所述的一种鹅的智能连续无应激称重方法，其特征是，所述基于机器视觉的鹅行走步态特征识别模块的识别方法，
其中，训练过程的具体步骤：
第一步：采集种鹅行走的步态视频，利用背景减除进行目标运动检测，得到种鹅行走过程中的腿部轮廓图像；利用腐蚀、膨胀和开闭运算形态学处理，进行降噪和消除小空洞；
第二步：从腿部轮廓图中获得种鹅腿部轮廓最小外接矩形框，并根据矩形框提取种鹅步态轮廓图；将种鹅步态轮廓图进行缩放并保证宽高比不变，计算出步态轮廓图的质心坐标；创建64×64的模板并计算质心，将缩放的轮廓图的质心与模板的质心对齐生成归一化图像it(x，y)；
第三步：选取种鹅步态数据集中的一个样本的步态轮廓图像序列，获得每帧图的最小外接矩形框，并计算宽高比，绘制步态周期曲线，种鹅行走两步视为一个周期，选取步态周期曲线三个极大值之间的帧数差作为步态周期；对归一化图像序列求平均值，得出步态能量图；
第四步：将训练样本输入模型中进行训练模型，经过若干次迭代后模型收敛；
第五步：将特征学习网络预测值和期望值进行对比，计算误差，并据此误差利用反向传播算法优化所述特征学习网络的网络参数；
其中，测试过程具体步骤：
第一步：采集种鹅行走的步态视频，通过背景减除进行目标运动检测，得到种鹅行走过程中的腿部轮廓图像；利用腐蚀、膨胀和开闭运算处理，进行降噪和消除小空洞；
第二步：从腿部轮廓图中获得种鹅腿部轮廓最小外接矩形框，并根据矩形框提取种鹅步态轮廓图；将种鹅步态轮廓图进行缩放并保证宽高比不变，计算出步态轮廓图的质心坐标；创建64×64的模板并计算质心，将缩放的轮廓图的质心与模板的质心对齐生成归一化图像it(x，y)；
第三步：选取种鹅步态数据集中的一个样本的步态轮廓图像序列，获得每帧图的最小外接矩形框，并计算宽高比，绘制步态周期曲线，种鹅行走两步视为一个周期，选取步态周期曲线三个极大值之间的帧数差作为步态周期；对归一化图像序列求平均值，得出步态能量图；
第四步：读取训练网络模型过程中保存的网络模型，然后把获取的测试样本输入到网络模型进行测试，最后得到测试样本的识别率。
技术总结