CN106529006A - 基于深度图像的肉鸡生长模型拟合方法及装置 - Google Patents

基于深度图像的肉鸡生长模型拟合方法及装置 Download PDF

Info

Publication number
CN106529006A
CN106529006A CN201610965400.5A CN201610965400A CN106529006A CN 106529006 A CN106529006 A CN 106529006A CN 201610965400 A CN201610965400 A CN 201610965400A CN 106529006 A CN106529006 A CN 106529006A
Authority
CN
China
Prior art keywords
depth image
growth
model
broiler
broiler chicken
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201610965400.5A
Other languages
English (en)
Inventor
孙传恒
李文勇
王琳
吉增涛
徐大明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Research Center for Information Technology in Agriculture
Original Assignee
Beijing Research Center for Information Technology in Agriculture
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Research Center for Information Technology in Agriculture filed Critical Beijing Research Center for Information Technology in Agriculture
Priority to CN201610965400.5A priority Critical patent/CN106529006A/zh
Publication of CN106529006A publication Critical patent/CN106529006A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/36—Circuit design at the analogue level
    • G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种基于深度图像的肉鸡生长模型拟合方法及装置，所述方法包括获取肉鸡样本的深度图像；基于预设图像分割方法对深度图像中的肉鸡进行分割；根据分割得到的深度图像分别进行一维特征参数、二维特征参数以及三维特征参数的提取，并进行量化处理，并采用多种预设回归模型建立肉鸡的体重估测模型；根据所述体重估测模型与多种经典非线性生长曲线进行拟合，以获取最能表征肉鸡生长发育的曲线模型。本发明采用深度图像及生长曲线模型对肉鸡体重信息化决策，利用深度图像中蕴含的信息提取能有效表达肉鸡体重的特征指标参数，以先定量计算后变量精准拟合的方式，在整体上实现肉鸡的生长曲线拟合，有利于预测肉鸡的生长发育规律。

Description

基于深度图像的肉鸡生长模型拟合方法及装置
技术领域
本发明涉及畜禽养殖管理技术领域，尤其涉及一种基于深度图像的肉鸡生长模型拟合方法及装置。
背景技术
生长曲线模型用于描述动物体重或某年龄阶段动物体重增长的变化规律。生长发育模型的建立与分析是研究畜禽生长发育规律的主要方法之一。目前常用经典非线性生长曲线模型对生长曲线进行拟合。通过对畜禽生长曲线的拟合分析，不仅能预测禽类的生长规律，而且还可以指导饲养管理，提高选育效果。
目前肉鸡的生长曲线模型拟合的方法主要利用电子秤对肉鸡进行直接称重，然后与上述的3种经典非线性生长模型进行拟合和比较分析。传统的肉鸡体重测量主要是通过人工来完成。其一是通过有经验的饲养员进行肉眼估重，这种方法对饲养员的要求严格，准确性不高；其二是利用电子秤对其进行直接称重，在称重过程中需要几个人将单只肉鸡抓取放置在电子秤或地磅上，平均电子秤数值作为单只肉鸡体重；其三是利用卷尺对肉鸡体尺(包含体长、体围、胫厚、翼长等)进行测量，之后进行多元回归分析预测肉鸡体重。后两种方法测定规模小，操作繁琐效率低下，耗费大量人力成本，且跟肉鸡直接接触造成肉鸡应激反应，更甚者会造成肉鸡的郁郁寡欢甚至死亡。
综上所述，通过传统的体重称量方法测得的体重数据与生长曲线拟合效果差，不利于预测肉鸡的生长发育规律。
发明内容
针对传统的体重称量方法测得的体重数据与生长曲线拟合效果差，不利于预测肉鸡的生长发育规律的缺陷，本发明一方面提出一种基于深度图像的肉鸡生长模型拟合方法，包括：
获取肉鸡样本的深度图像；
基于预设图像分割方法对所述深度图像中的肉鸡进行分割；
根据分割得到的深度图像分别进行一维特征参数、二维特征参数以及三维特征参数的提取；
根据提取的所述一维特征参数、二维特征参数以及三维特征参数进行量化处理，并采用多种预设回归模型建立肉鸡的体重估测模型；
根据所述体重估测模型与多种经典非线性生长曲线进行拟合，以获取最能表征肉鸡生长发育的曲线模型。
可选地，所述预设图像分割方法包括基于距离的分水岭分割方法。
可选地，所述基于预设图像分割方法对所述深度图像中的肉鸡进行分割之前，所述方法还包括：
通过形态学开运算方法平滑所述深度图像。
可选地，所述一维特征参数包括肉鸡的年龄；所述二维特征参数包括肉鸡的投影面积、宽度、周长、最大内切圆半径以及偏心率；所述三维特征参数包括肉鸡的体积、表面积、后背宽以及后背高。
可选地，所述多种预设回归模型包括前馈人工神经网络模型、贝叶斯人工神经网络模型以及多种多元线性回归模型。
可选地，所述采用多种预设回归模型建立肉鸡的体重估测模型之后，所述方法还包括利用预设评价指标对所述体重估测模型进行评价；
其中，所述预设评价指标包括平均绝对误差和标准方差。
可选地，所述多种经典非线性生长曲线模型包括Logistic非线性生长曲线模型、Gomoertz非线性生长曲线模型以及Von Bertallanffy非线性生长曲线模型。
可选地，所述根据所述体重估测模型与多种经典非线性生长曲线进行拟合，以获取最能表征肉鸡生长发育的曲线模型，包括：
利用所述多种经典非线性生长曲线模型对估算肉鸡的各周龄体重与实际测定值进行比较，筛选出最能表征肉鸡生长发育的曲线模型。
另一方面，本发明还提供一种基于深度图像的肉鸡生长模型拟合装置，包括：
图像获取单元，用于获取肉鸡样本的深度图像；
图像分割单元，用于基于预设图像分割方法对所述深度图像中的肉鸡进行分割；
特征提取单元，用于根据分割得到的深度图像分别进行一维特征参数、二维特征参数以及三维特征参数的提取；
体重模型建立单元，用于根据提取的所述一维特征参数、二维特征参数以及三维特征参数进行量化处理，并采用多种预设回归模型建立肉鸡的体重估测模型；
生长模型获取单元，用于根据所述体重估测模型与多种经典非线性生长曲线进行拟合，以获取最能表征肉鸡生长发育的曲线模型。
可选地，所述装置还包括：
图像平滑单元，用于通过形态学开运算方法平滑所述深度图像。
本发明的基于深度图像的肉鸡生长模型拟合方法及装置，采用深度图像及生长曲线模型对肉鸡体重信息化决策，充分发挥深度图像中蕴含信息量大的优势，快速同步提取能有效表达肉鸡体重的特征指标参数，以先定量计算，后变量精准拟合的方式，在整体上实现肉鸡的生长曲线拟合，有利于预测肉鸡的生长发育规律。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一个实施例的基于深度图像的肉鸡生长模型拟合方法的流程示意图；
图2为本发明一个实施例的基于深度图像的肉鸡生长模型拟合装置的结构示意图；
图3为本发明一个实施例的基于深度图像的肉鸡生长模型拟合装置的结构示意图；
图4为本发明另一个实施例的基于深度图像的肉鸡生长模型拟合方法的流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明一个实施例的基于深度图像的肉鸡生长模型拟合方法的流程示意图，如图1所示，该方法包括：
S1：获取肉鸡样本的深度图像；
S2：基于预设图像分割方法对所述深度图像中的肉鸡进行分割；
S3：根据分割得到的深度图像分别进行一维特征参数、二维特征参数以及三维特征参数的提取；
S4：根据提取的所述一维特征参数、二维特征参数以及三维特征参数进行量化处理，并采用多种预设回归模型建立肉鸡的体重估测模型；
S5：根据所述体重估测模型与多种经典非线性生长曲线进行拟合，以获取最能表征肉鸡生长发育的曲线模型。
本发明的基于深度图像的肉鸡生长模型拟合方法及装置，采用深度图像及生长曲线模型对肉鸡体重信息化决策，充分发挥深度图像中蕴含信息量大的优势，快速同步提取能有效表达肉鸡体重的特征指标参数，以先定量计算，后变量精准拟合的方式，在整体上实现肉鸡的生长曲线拟合，有利于预测肉鸡的生长发育规律。
进一步地，作为上述实施例的优选，所述预设图像分割方法包括基于距离的分水岭分割方法。
进一步地，作为上述实施例的优选，所述基于预设图像分割方法对所述深度图像中的肉鸡进行分割之前，所述方法还包括：
通过形态学开运算方法平滑所述深度图像。
进一步地，作为上述实施例的优选，所述一维特征参数包括肉鸡的年龄；所述二维特征参数包括肉鸡的投影面积、宽度、周长、最大内切圆半径以及偏心率；所述三维特征参数包括肉鸡的体积、表面积、后背宽以及后背高。
进一步地，作为上述实施例的优选，所述多种预设回归模型包括前馈人工神经网络模型、贝叶斯人工神经网络模型以及两种多元线性回归模型。
进一步地，作为上述实施例的优选，所述采用多种预设回归模型建立肉鸡的体重估测模型之后，所述方法还包括利用预设评价指标对所述体重估测模型进行评价；
其中，所述预设评价指标包括平均绝对误差和标准方差。
进一步地，作为上述实施例的优选，所述多种经典非线性生长曲线模型包括Logistic非线性生长曲线模型、Gomoertz非线性生长曲线模型以及Von Bertallanffy非线性生长曲线模型。
进一步地，作为上述实施例的优选，所述根据所述体重估测模型与多种经典非线性生长曲线进行拟合，以获取最能表征肉鸡生长发育的曲线模型，包括：
利用所述多种经典非线性生长曲线模型对估算肉鸡的各周龄体重与实际测定值进行比较，筛选出最能表征肉鸡生长发育的曲线模型。
图2为本发明一个实施例的基于深度图像的肉鸡生长模型拟合装置的结构示意图，如图2所示，该装置包括：
图像获取单元10，用于获取肉鸡样本的深度图像；
图像分割单元20，用于基于预设图像分割方法对所述深度图像中的肉鸡进行分割；
特征提取单元30，用于根据分割得到的深度图像分别进行一维特征参数、二维特征参数以及三维特征参数的提取；
体重模型建立单元40，用于根据提取的所述一维特征参数、二维特征参数以及三维特征参数进行量化处理，并采用多种预设回归模型建立肉鸡的体重估测模型；
生长模型获取单元50，用于根据所述体重估测模型与多种经典非线性生长曲线进行拟合，以获取最能表征肉鸡生长发育的曲线模型。
进一步地，作为上述实施例的优选，所述装置还包括：
图像平滑单元60，用于通过形态学开运算方法平滑所述深度图像。
本实施例所述的装置可以用于执行上述方法实施例，其原理和技术效果类似，此处不再赘述。
需要说明的是，对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
下面以一具体的实施例来说明本发明，但不限定本发明的保护范围。
本发明选取肉鸡为研究对象，通过XBOX360体感照相机拍摄，获取肉鸡的深度图像，结合MATLAB图像处理工具、数据统计技术及模型建立等多种方法对肉鸡的生长曲线进行高精度拟合，充分实现自动化，具体包括：
(1)自动估测肉鸡体重装置搭建
如图3所示是本发明的自动估测肉鸡体重装置示意图，它包括用于后期建立模型并起到参照作用的电子秤1、用于获得深度图像的Kinect体感照相机2、用于架设照相机的可伸缩架子3、用于保存及处理图片，对环境要求低的工控电脑4。其中，工控电脑4中安装有用于获取图片的kinect SDK、OPENCV及获取串口数据并触发照相机的Microsoft VisualStudio以及用于处理图片的matlab软件。使得电子秤1、体感照相机2、工控电脑4连为一个整体。
本装置的工作原理：在使用本装置时，开启工控电脑4，电子秤1。当电子秤数目减少超过一定数值(这种数值根据肉鸡天数和品种实时调整)，即代表一只肉鸡从称上下来，这个减少的数据上传至串口时被截获用于触发kinect进行连续拍摄一定时间包含该肉鸡的深度图片(该时间根据肉鸡品种习性设置时长)。深度图片自动保存至工控机中并在matlab中运行。其中matlab中运行有建立体重模型的算法，该算法流程图如图4所示。
建立体重模型分为两步，首先对图片进行预处理，包括深度图像去噪、填补空洞及分割，将深度图像的肉鸡有效准确的分割出来。第二步是对被分割出来的肉鸡进行特征提取，特征提取选取三组数据，包含一维二维三维等多个特征因子，根据这些特征因子，经过多只鸡多张图片处理，建立起多只鸡的体重模型，完成对肉鸡体重的估测。具体算法如下：
①肉鸡分割
由于深度图像具有高度信息，因此用基于距离的分水岭分割方法对深度图像中的肉鸡进行分割是有效的肉鸡分割方法。
为了避免过度分割，用形态学开运算平滑深度图像，去头去尾并移除地板环境。
②特征提取
为了更精确的建立体重估测模型，拟提取肉鸡的10个特征，可以归述为1D、2D、3D特征。
1D：年龄。
2D：投影面积；
肉鸡宽度：由于肉鸡细长的身体，用分割肉鸡的短径做为肉鸡宽度；
周长：计算轮廓的像素个数；
最大内切圆半径：用肉鸡轮廓的距离变换估测；
偏心率；
3D：体积：计算公式如下
式中，V为估测体积，N为像素总数，P为肉鸡平均深度值，di和Ai为被分割肉鸡第i个像素的深度值和被估计的像素面积。
表面积：计算公式如下
式中，S为被分割肉鸡的表面积，其中T为图像中三角形总数，ui和Vi是跨越第i个三角形的两个矢量。
后背宽：由于肉鸡是椭圆形状，短轴被用来定义肉鸡宽度的横截面，用数值积分法计算肉鸡的横截面。计算公式如下
式中，W为后背宽，xi和xi+1是横截面像素点i和i+1的深度值，li和li+1是像素点i和i+1之间的长度，L为横截面总共的点数。
后背高：后背高大约位于质量的中心
③体重估测模型建立方法
将10种特征参数量化，拟采用五种回归模型来建立体重估测模型，分别为两种多元线性回归，前馈人工神经网络和贝叶斯人工神经网络。
④评价指标
在肉鸡饲养过程中，肉鸡体重成指数型增长，平均绝对误差(即体重预测的相对准确性)和标准方差(即相对准确性的变化)可作为评价指标。评价指标标准公式如下：
平均绝对误差为：
标准方差为：
(2)肉鸡体重与生长曲线模型拟合
三种常用的生长曲线模型如下表所示：
表1：三种常用的生长曲线模型
其中Y表示肉鸡t周龄时的体重，A表示成熟时的最大体重，k为瞬时相对生长率，B为常数。
非线性模型拟合采用SPSS17.0统计软件处理，利用不同周龄体重资料拟合算出模型参数的最优估计值A、B、k。建立生长模型，计算拐点体重、拐点周龄和最大周增重。
(3)结果分析
用三种非线性生长曲线对估算肉鸡的各周龄体重与实际测定值进行比较，筛选出最佳生长曲线。
与现有技术相比，本发明的特点及有益效果如下：
采用电子秤触发照相机拍照，对kinect设置为短时间拍摄，缩短了拍摄时长，减少无效数据的产生，提高处理效率，节约能耗。
采用深度图像及生长曲线模型对肉鸡体重信息化决策，充分发挥深度图像中蕴含信息量大的优势，快速同步提取能有效表达肉鸡体重的特征指标参数，以先定量计算，后变量精准拟合的方式，在整体上实现肉鸡的生长曲线拟合。
图片处理算法优化，自动提取出深度图片中肉鸡特征信息，根据特征信息建立体重模型进而估测体重.
通过本发明的方法，可以使得对肉鸡的生长曲线拟合变得简单、实用并且准确率高。
以上实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征参数进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于深度图像的肉鸡生长模型拟合方法，其特征在于，包括：
获取肉鸡样本的深度图像；
基于预设图像分割方法对所述深度图像中的肉鸡进行分割；
根据分割得到的深度图像分别进行一维特征参数、二维特征参数以及三维特征参数的提取；
根据提取的所述一维特征参数、二维特征参数以及三维特征参数进行量化处理，并采用多种预设回归模型建立肉鸡的体重估测模型；
根据所述体重估测模型与多种经典非线性生长曲线进行拟合，以获取最能表征肉鸡生长发育的曲线模型。
2.根据权利要求1所述的方法，其特征在于，所述预设图像分割方法包括基于距离的分水岭分割方法。
3.根据权利要求1所述的方法，其特征在于，所述基于预设图像分割方法对所述深度图像中的肉鸡进行分割之前，所述方法还包括：
通过形态学开运算方法平滑所述深度图像。
4.根据权利要求1所述的方法，其特征在于，所述一维特征参数包括肉鸡的年龄；所述二维特征参数包括肉鸡的投影面积、宽度、周长、最大内切圆半径以及偏心率；所述三维特征参数包括肉鸡的体积、表面积、后背宽以及后背高。
5.根据权利要求4所述的方法，其特征在于，所述多种预设回归模型包括前馈人工神经网络模型、贝叶斯人工神经网络模型以及多种多元线性回归模型。
6.根据权利要求1所述的方法，其特征在于，所述采用多种预设回归模型建立肉鸡的体重估测模型之后，所述方法还包括利用预设评价指标对所述体重估测模型进行评价；
其中，所述预设评价指标包括平均绝对误差和标准方差。
7.根据权利要求1所述的方法，其特征在于，所述多种经典非线性生长曲线模型包括Logistic非线性生长曲线模型、Gomoertz非线性生长曲线模型以及Von Bertallanffy非线性生长曲线模型。
8.根据权利要求7所述的方法，其特征在于，所述根据所述体重估测模型与多种经典非线性生长曲线进行拟合，以获取最能表征肉鸡生长发育的曲线模型，包括：
利用所述多种经典非线性生长曲线模型对估算肉鸡的各周龄体重与实际测定值进行比较，筛选出最能表征肉鸡生长发育的曲线模型。
9.一种基于深度图像的肉鸡生长模型拟合装置，其特征在于，包括：
图像获取单元，用于获取肉鸡样本的深度图像；
图像分割单元，用于基于预设图像分割方法对所述深度图像中的肉鸡进行分割；
特征提取单元，用于根据分割得到的深度图像分别进行一维特征参数、二维特征参数以及三维特征参数的提取；
体重模型建立单元，用于根据提取的所述一维特征参数、二维特征参数以及三维特征参数进行量化处理，并采用多种预设回归模型建立肉鸡的体重估测模型；
生长模型获取单元，用于根据所述体重估测模型与多种经典非线性生长曲线进行拟合，以获取最能表征肉鸡生长发育的曲线模型。
10.根据权利要求9所述的装置，其特征在于，所述装置还包括：
图像平滑单元，用于通过形态学开运算方法平滑所述深度图像。
CN201610965400.5A 2016-11-04 2016-11-04 基于深度图像的肉鸡生长模型拟合方法及装置 Pending CN106529006A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610965400.5A CN106529006A (zh) 2016-11-04 2016-11-04 基于深度图像的肉鸡生长模型拟合方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610965400.5A CN106529006A (zh) 2016-11-04 2016-11-04 基于深度图像的肉鸡生长模型拟合方法及装置

Publications (1)

Publication Number Publication Date
CN106529006A true CN106529006A (zh) 2017-03-22

Family

ID=58326341

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610965400.5A Pending CN106529006A (zh) 2016-11-04 2016-11-04 基于深度图像的肉鸡生长模型拟合方法及装置

Country Status (1)

Country Link
CN (1) CN106529006A (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107667904A (zh) * 2017-07-27 2018-02-09 北京奥云牧数据科技有限公司 基于物联网技术的生猪大数据系统
CN107667903A (zh) * 2017-07-27 2018-02-09 北京奥云牧数据科技有限公司 基于物联网的畜牧养殖活体体重监测方法
CN109141248A (zh) * 2018-07-26 2019-01-04 深源恒际科技有限公司 基于图像的猪体重测算方法及系统
CN110612921A (zh) * 2019-09-25 2019-12-27 农芯科技(广州)有限责任公司 一种定位栏母猪的监测系统及方法
CN110869977A (zh) * 2017-06-29 2020-03-06 吉斯艾集团有限责任公司 基于回归的动物体重估计
CN110874661A (zh) * 2018-08-29 2020-03-10 内蒙古智牧溯源技术开发有限公司 一种苏尼特放牧羊早期体重预测方法
CN111609908A (zh) * 2019-02-25 2020-09-01 西门子医疗有限公司 根据表面数据、使用患者模型的患者体重估计
CN111639777A (zh) * 2019-03-01 2020-09-08 北京海益同展信息科技有限公司 估计目标体重的方法和装置
CN111723853A (zh) * 2020-06-03 2020-09-29 江苏省家禽科学研究所 肉鸡生长类型评定方法、装置、电子设备及存储介质
CN111738410A (zh) * 2020-05-22 2020-10-02 安徽省农业科学院畜牧兽医研究所 肉牛个体生长曲线获取方法、装置和存储介质
CN113532616A (zh) * 2020-04-15 2021-10-22 阿里巴巴集团控股有限公司 基于计算机视觉的体重估计方法、装置及系统
CN113780073A (zh) * 2021-08-03 2021-12-10 华南农业大学 一种辅助估测鸡群均匀度的装置与方法
CN115410711B (zh) * 2022-08-29 2023-04-07 黑龙江大学 基于声音信号特征和随机森林的白羽肉鸡健康监测方法
CN117016430A (zh) * 2023-09-22 2023-11-10 江苏省家禽科学研究所 一种基于智能监测的肉鸡养殖系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101144705A (zh) * 2007-07-25 2008-03-19 中国农业大学 一种利用双目视觉技术监测猪生长的方法
JP2012098265A (ja) * 2010-11-02 2012-05-24 Beru Techno:Kk 重量、形状その他性状の計測装置
CN105766789A (zh) * 2016-03-12 2016-07-20 浙江大学 鸡只的体质健康检测方法和系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101144705A (zh) * 2007-07-25 2008-03-19 中国农业大学 一种利用双目视觉技术监测猪生长的方法
JP2012098265A (ja) * 2010-11-02 2012-05-24 Beru Techno:Kk 重量、形状その他性状の計測装置
CN105766789A (zh) * 2016-03-12 2016-07-20 浙江大学 鸡只的体质健康检测方法和系统

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
李卓 等: "基于机器视觉的猪体质量估测模型比较与优化", 《农业工程学报》 *
李卓 等: "基于深度图像的猪体尺检测系统", 《农业机械学报》 *
李卓: "基于立体视觉技术的生猪体重估测研究", 《中国博士学位论文全文数据库农业科技辑》 *
李文勇 等: "基于分水岭和凸包理论的自然场景下未成熟苹果直径测量方法", 《农业工程学报》 *
杨信廷 等: "基于K均值聚类和开闭交替滤波的黄瓜叶片水滴荧光图像分割", 《农业工程学报》 *
杨艳 等: "基于计算机视觉技术估算种猪体重的应用研究", 《农业工程学报》 *

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110869977A (zh) * 2017-06-29 2020-03-06 吉斯艾集团有限责任公司 基于回归的动物体重估计
CN107667903A (zh) * 2017-07-27 2018-02-09 北京奥云牧数据科技有限公司 基于物联网的畜牧养殖活体体重监测方法
CN107667904A (zh) * 2017-07-27 2018-02-09 北京奥云牧数据科技有限公司 基于物联网技术的生猪大数据系统
CN107667903B (zh) * 2017-07-27 2020-04-07 北京奥云牧数据科技有限公司 基于物联网的畜牧养殖活体体重监测方法
CN109141248B (zh) * 2018-07-26 2020-09-08 深源恒际科技有限公司 基于图像的猪体重测算方法及系统
CN109141248A (zh) * 2018-07-26 2019-01-04 深源恒际科技有限公司 基于图像的猪体重测算方法及系统
CN110874661A (zh) * 2018-08-29 2020-03-10 内蒙古智牧溯源技术开发有限公司 一种苏尼特放牧羊早期体重预测方法
US11703373B2 (en) 2019-02-25 2023-07-18 Siemens Healthcare Gmbh Patient weight estimation from surface data using a patient model
CN111609908A (zh) * 2019-02-25 2020-09-01 西门子医疗有限公司 根据表面数据、使用患者模型的患者体重估计
CN111639777A (zh) * 2019-03-01 2020-09-08 北京海益同展信息科技有限公司 估计目标体重的方法和装置
CN111639777B (zh) * 2019-03-01 2023-09-29 京东科技信息技术有限公司 估计目标体重的方法和装置
CN110612921A (zh) * 2019-09-25 2019-12-27 农芯科技(广州)有限责任公司 一种定位栏母猪的监测系统及方法
CN113532616A (zh) * 2020-04-15 2021-10-22 阿里巴巴集团控股有限公司 基于计算机视觉的体重估计方法、装置及系统
CN111738410A (zh) * 2020-05-22 2020-10-02 安徽省农业科学院畜牧兽医研究所 肉牛个体生长曲线获取方法、装置和存储介质
CN111738410B (zh) * 2020-05-22 2023-09-26 安徽省农业科学院畜牧兽医研究所 肉牛个体生长曲线获取方法、装置和存储介质
CN111723853A (zh) * 2020-06-03 2020-09-29 江苏省家禽科学研究所 肉鸡生长类型评定方法、装置、电子设备及存储介质
CN113780073A (zh) * 2021-08-03 2021-12-10 华南农业大学 一种辅助估测鸡群均匀度的装置与方法
CN113780073B (zh) * 2021-08-03 2023-12-05 华南农业大学 一种辅助估测鸡群均匀度的装置与方法
CN115410711B (zh) * 2022-08-29 2023-04-07 黑龙江大学 基于声音信号特征和随机森林的白羽肉鸡健康监测方法
CN117016430A (zh) * 2023-09-22 2023-11-10 江苏省家禽科学研究所 一种基于智能监测的肉鸡养殖系统

Similar Documents

Publication Publication Date Title
CN106529006A (zh) 基于深度图像的肉鸡生长模型拟合方法及装置
CN110476839B (zh) 一种基于鱼类生长的优化调控方法及系统
CN109308697B (zh) 一种基于机器学习算法的树叶病害识别方法
Viazzi et al. Automatic mass estimation of Jade perch Scortum barcoo by computer vision
US20230281265A1 (en) Method for estimating body size and weight of pig based on deep learning
CN109636826A (zh) 生猪重量量测方法、服务器及计算机可读存储介质
CN112257564B (zh) 水产品数量统计方法、终端设备及存储介质
CN111243005A (zh) 牲畜估重方法、装置、设备以及计算机可读存储介质
CN112232978A (zh) 水产品体长和重量检测方法、终端设备及存储介质
CN111369597A (zh) 一种基于多特征融合的粒子滤波目标跟踪方法
CN111161214B (zh) 一种基于双目视觉的猪只体重测量及饮水行为识别系统及方法
CN108445746A (zh) 一种智能投喂控制方法及装置
CN108830856B (zh) 一种基于时间序列sd-oct视网膜图像的ga自动分割方法
CN112825791B (zh) 一种基于深度学习与点云凸包化特征的奶牛体况评分方法
CN111178276B (zh) 图像处理方法、图像处理设备及计算机可读存储介质
CN113706512B (zh) 一种基于深度学习和深度相机的生猪体重测量方法
CN108765448B (zh) 一种基于改进tv-l1模型的虾苗计数分析方法
CN111369497B (zh) 一种行走式树上果实连续计数方法及装置
CN111428555B (zh) 一种分关节的手部姿态估计方法
CN113222889A (zh) 高分辨率图像下水产养殖物的工厂化养殖计数方法及装置
CN112417378A (zh) 一种基于无人机图像处理的中华绒螯蟹质量估算方法
CN111275269A (zh) 一种基于养殖鱼异常行为的在线水质溶解氧变化预测方法
CN110008881A (zh) 多运动目标的奶牛行为的识别方法及装置
CN109118540B (zh) 基于脊线提取的鲟鱼快速统计方法
CN112907503B (zh) 基于自适应卷积神经网络的南美白对虾品质检测方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20170322

RJ01 Rejection of invention patent application after publication