1.一种基于深度学习的动物智能实验方法,其特征在于,包括如下步骤:
步骤一,采集实验体视频信息,对采集到的实验体视频信息,进行图像处理,得到处理后的图像Fi,根据处理后的图像Fi,通过预测模型得到图像中框选出的实验体的图像框的中心点位置坐标pi(x,y)和图像框的面积大小si;
步骤二,根据中心点位置坐标pi(x,y)得到中心坐标集合P,根据图像框的面积大小si得到面积集合S;
步骤三,根据中心坐标集合P,通过K‑MEANS聚类算法,得到K个点集,获取各个点集的密集程度,根据各个点集的密集程度,得到各个实验区域适应度;
步骤四,获取中心坐标集合P中相邻两个点的欧式距离,得到距离集合Di,根据处理时间th内m个点,得到这m‑1段距离之和L,通过状态指数 得到实验体状态;
步骤五,将集合S中所有元素按照时间的顺序进行排列,设定阈值并与S中的元素进行比较,得到元素对应的图片中实验体的姿态;
步骤五,根据各个实验区域适应度、实验体的姿态和实验体状态,得到实验体在各个环境下的适应程度。
2.根据权利要求1所述的一种基于深度学习的动物智能实验方法,其特征在于,步骤二所述的采集实验体视频信息,对采集到的实验体视频信息,包括将视频信息处理为一帧一帧的图像,对每一帧图像进行去噪处理,并进行图像增强,得到处理后的图像Fi,所有处理后的图像组成图像集合F。
3.根据权利要求1所述的一种基于深度学习的动物智能实验方法,其特征在于,所述的根据处理后的图像Fi,通过预测模型得到图像中实验体的位置信息pi和图像框的面积大小si,包括将Fi送入训练好的预测模型进行预测,将实验体在图像中框选出来,并同时得到图像框中心点位置坐标pi(x,y)和图像框的面积大小si。
4.根据权利要求1所述的一种基于深度学习的动物智能实验方法,其特征在于,所述的所述的中心点位置坐标pi(x,y)包括时间信息。
5.根据权利要求1所述的一种基于深度学习的动物智能实验方法,其特征在于,步骤三所述的根据中心坐标集合P,通过K‑MEANS聚类算法,得到K个点集,获取各个点集的密集程度,根据各个点集的密集程度,得到各个实验区域适应度,包括:将所有点pi(x,y)的位置信息(xi,yi)全部在坐标系中表示出来,根据不同点之间的距离关系,通过K‑MEANS聚类算法,将所有点进行划分得到n个点集,n为设定的实验区域数量,统计每个点集中点的数量Ni(i=1,…k),得到各个点集的密集程度 (i=1,…k)。
6.根据权利要求1所述的一种基于深度学习的动物智能实验方法,其特征在于,步骤四所述的获取中心坐标集合P中相邻两个点的欧式距离,得到距离集合Di,根据处理时间th内m个点,得到这m‑1段距离之和L,通过状态指数 得到实验体状态,包括,集合P中所有元素按照时间顺序进行排列,计算点集P中相邻两点之间的欧氏距离,将结果记录得到距离集合Di(i=1,…n‑1),设定时间为th,在th的时间内一共有m个点,则有m‑1段距离,得到m‑1段距离之和L,通过状态指数 得到实验体的生存状态。
7.应用权利要求1‑6任一所述的基于深度学习的动物智能实验方法的基于深度学习的动物智能实验系统,其特征在于,包括PLC控制器、照明装置、通风装置、环境参数采集装置、图像采集装置、图像处理模块、预警装置、通信装置、显示装置;所述的照明装置、通风装置、环境参数采集装置、图像处理模块、预警装置、通信装置、显示装置分别于所述的PLC控制器连接;所述的图像采集装置于所述的图像处理模块连接。
8.根据权利要求7所述的一种基于深度学习的动物智能实验系统,其特征在于,所述的环境参数采集装置包括氧气浓度传感器、二氧化碳浓度传感器、温度传感器,湿度传感器、气压传感器、模数转换器;所述的氧气浓度传感器、二氧化碳浓度传感器、温度传感器,湿度传感器、气压传感器分别与所述的模数转换器连接;所述的模数转换器与所述的PLC控制器连接。