CN107667903A - 基于物联网的畜牧养殖活体体重监测方法 - Google Patents

基于物联网的畜牧养殖活体体重监测方法 Download PDF

Info

Publication number
CN107667903A
CN107667903A CN201710621368.3A CN201710621368A CN107667903A CN 107667903 A CN107667903 A CN 107667903A CN 201710621368 A CN201710621368 A CN 201710621368A CN 107667903 A CN107667903 A CN 107667903A
Authority
CN
China
Prior art keywords
data
live body
cloud server
image
individual information
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.)
Granted
Application number
CN201710621368.3A
Other languages
English (en)
Other versions
CN107667903B (zh
Inventor
李安颖
田晓娜
李昌明
李亚宁
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 Zhongwei Zhuoyi Technology Co.,Ltd.
Original Assignee
Beijing Aoyun Animal Husbandry Science And Technology Co
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 Aoyun Animal Husbandry Science And Technology Co filed Critical Beijing Aoyun Animal Husbandry Science And Technology Co
Priority to CN201710621368.3A priority Critical patent/CN107667903B/zh
Publication of CN107667903A publication Critical patent/CN107667903A/zh
Application granted granted Critical
Publication of CN107667903B publication Critical patent/CN107667903B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • AHUMAN NECESSITIES
    • A01AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01KANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
    • A01K29/00Other apparatus for animal husbandry
    • A01K29/005Monitoring or measuring activity, e.g. detecting heat or mating
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/10Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/60Analysis of geometric attributes
    • G06T7/62Analysis of geometric attributes of area, perimeter, diameter or volume
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements
    • G06V20/10Terrestrial scenes
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10028Range image; Depth image; 3D point clouds
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20024Filtering details
    • G06T2207/20028Bilateral filtering

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Environmental Sciences (AREA)
  • Computer Graphics (AREA)
  • Biophysics (AREA)
  • Animal Husbandry (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于物联网的畜牧养殖活体体重监测方法,由摄像头和传感器收集数据,数据收集完成,将数据传输至单板机,由单板机进行数据整合,将整合后数据传送至本地终端C/S端进行下一步处理;在本地终端C/S上,首先对采集的RGB图像进行活体识别,结合深度摄像头的深度点云数据,推导出3D点云图像;同时,将RGB、3D点云图像,以及传感器收集的活体的个体信息和环境变量上传至云服务器;云服务器根据上传的个体信息和环境变量对3D点云图像进行清洗和降噪,到达水准以后,进行体积还原得出活体体积后,并计算质量;将得出活体质量结果返给C/S端,如果对此质量的误差有异议,可手动勘误,勘误后记录并上传至云服务器。

Description

基于物联网的畜牧养殖活体体重监测方法
技术领域
本发明涉及农业物联网领域,特别涉及一种基于农业物联网的畜牧养殖 活体体重监测方法。
背景技术
2015年中国GDP为67.67万亿,其中农业9万亿,畜牧业超过3万亿人 民币。2015年中国饲料企业近7000家,其中年产值5亿元以上的有500家; 规模以上定点生猪屠宰企业近2700家;年出栏在五千头以上的生猪养殖场: 20000余家。2010年-2016年是农牧产业迅速整合时期,饲料企业从1.1万家 减少到6000家;生猪屠宰企业从4万家减少到1.7万家;生猪规模养殖率从 30%提高到60%;2020年万头以上猪场将达20000家。从以上数据可以看出,农牧业已经形成了万亿级的产业规模、拥有数万家规模化的企业,并且农牧业 也已经进入了迅速整合时期。但是农牧业产业数据确存在一系列的问题:A、 数据孤岛。农牧产业存在产业链长、数据离散、数据失真、数据割裂、数据断 点、食品安全追溯断点等问题,由于农牧业数据采集是依靠各级畜牧局层层上 报方式,无法保证数据的真实性和科学性。B、信息孤岛。终端消费需求信息 无法上传;猪周期波动造成企业经营不稳,上下游企业博弈;政府产业扶植和 扶贫政策无法真正惠民。因此,关于农牧业数据的信息化现状需要亟待改善。
例如,中国是最大的猪肉生产国和消费国,我国的猪肉生产量和消费量 都占全球的50%以上,作为13亿人口的大国,“猪粮安天下”,生猪的生产是关 系国计民生的一件大事。在生猪生产(养殖)过程中,猪只体重是最核心的指 标。生猪养殖收益关键是生猪出栏体重、出栏时的生猪价格,而成本主要是饲 料成本、人力成本、医药成本、死淘率、固定资产的折旧等。这其中最关键的 变量是出栏体重、出栏价格、肉料比。目前的养殖技术主要是人为干预的地秤 测重,这样的方式极易引起生猪的应激反应,生猪易出现厌食、呕吐、体重下降等应激反应,因此,养殖场无法进行频繁称重,无法进行精确养殖。
目前公开了以下几种技术,但这些方法获取的体重数据容易猪的活动影 响导致测定不准确,结果不稳定,且获取的数据有限,不利于大数据监测。如 CN104871999 A公开了一种智能集约化家畜、家禽监测系统及方法,其包括体 重随机测定装置、料量消耗量测定装置,其中,所述的体重随机测定装置,其 动态实时、智能测定所控制动物群体的体重数据,结合每日群体体重差异获得 平均日增重的群体参数;所述的料量消耗量测定装置,其获得动态实时的饲粮 消耗量参数;所述的体重随机测定装置和料量消耗测定装置分别将体重信息和 料量消耗信息通过传输网络传输至数据处理中心,数据处理中心将处理后的数 据发送至数据接收终端。其中体重随机测定装置包括在引水口处安装的体重智 能测定仪,其为三个重量传感器,在家畜从进入口中进入后,在引水口处的重 量传感器获取重量信息。
CN104573188 A公开了一种基于大数据猪行为方式分析的育肥猪舍设计 方法:包括选取发育程度接近的猪仔若干只,为所有猪仔佩戴用于识别身份的 RFID,在每个所述猪舍内设置体重测量装置,每天测定每头猪的体重;优选在 每个猪舍的中部安装围栏,并在围栏处的地面上设置体重感应器,在围栏的边 缘安装RFID接收器,每天固定时间使猪按顺序通过围栏,以测定每头猪的体 重,在每个所述猪舍内安装可以360度旋转的摄像机,用于获取猪在整个育肥 期内的日行走距离;具体的,利用计算机图像处理技术,对摄像机拍摄到的视 频进行处理,建立图像坐标系,分别选取每头猪为焦点猪,利用软件计算出每 个焦点猪的日行走距离,将采集到的猪的体重和日行走距离以数据流的方式存 储,数据流格式为:采集时间+猪编号+日行走距离+体重。
发明内容
本发明提供了一种基于物联网技术的畜牧养殖活体体重监测方法,能够 做到实时高频测重,使得养殖企业可以获得活体的实时体重增长数据,便于及 时调整饲喂方式、方法,提高养殖效率。
本发明公开了一种基于深度数据的畜牧养殖活体体重监测方法,该方法 包括
首先由摄像头和传感器收集数据,摄像头收集活体的RGB图像和深度图 像,传感器,收集活体的个体信息(包括:日龄,编号,品种,类型)和环境 变量(包括:光照强度,有害气体,可吸入颗粒物,活体体温等);
数据收集完成,将数据传输至单板机,由单板机进行数据整合,将整合 后数据传送至本地终端C/S端进行下一步处理;
在本地终端C/S上,首先对采集的RGB图像进行活体识别,经过识别以 后,结合深度摄像头的深度点云数据,推到出3D点云图像;同时,将RGB图 像,3D点云图像,以及传感器收集的活体的个体信息和环境变量上传至云服 务器;
云服务器首先根据上传的个体信息和环境变量对3D点云图像进行清洗和 降噪,到达水准以后,云服务器开始对3D点云图像凭借个体信息和环境变量 利用积分算法开始进行体积还原,得出活体体积后,云服务器利用机器学习原 理对该活体计算质量;
将得出活体质量结果返给C/S端,如果对此质量的误差有异议,通过选 择手动勘误,勘误后记录并上传至云服务器。
本发明公开了一种基于多视图的畜牧养殖活体体重监测方法,该方法包 括:
首先由摄像头和传感器收集数据,摄像头收集活体的多角度的RGB图像, 传感器,收集活体的个体信息(包括:日龄,编号,品种,类型)和环境变量 (包括:光照强度,有害气体,可吸入颗粒物,活体体温等);
数据收集完成,将数据传输至单板机,由单板机进行数据整合,将整合 后的数据传送至本地终端C/S端进行下一步处理;
在本地终端C/S端上,将多角度RGB图像,以及传感器收集的活体的个 体信息和环境变量上传至云服务器;
云服务器会将得到的单活体多角度的RGB图像根据多视图3D建模的算法 进行还原3D建模,建模完成后根据积分算法算出活体体积,得出活体体积后, 云服务器,利用机器学习原理对该活体计算质量。
将得出活体质量结果返给C/S端,如果对此质量的误差有异议,通过选 择手动勘误,勘误后记录并上传至云服务器。
本发明公开了一种基于多视角深度数据的畜牧养殖活体体重监测方法, 该方法包括:
首先由摄像头和传感器收集数据,摄像头收集活体的多视角RGB图像和 多视角深度图像,传感器收集活体的个体信息(包括:日龄,编号,品种,类 型)和环境变量(包括:光照强度,有害气体,可吸入颗粒物,活体体温等);
数据收集完成,将数据传输至单板机,由单板机进行数据整合,将整合 后的数据传送至本地终端C/S端进行下一步处理;
在本地终端C/S端上,首先对采集的RGB图像进行活体识别,经过识别 以后,结合深度摄像头的深度点云数据,推到出3D点云图像;同时,将RGB 图像,3D点云图像,以及传感器收集的活体的个体信息和环境变量上传至云 服务器;
云服务器首先根据上传的该个体的信息和环境变量对3D点云图像进行清 洗和降噪,到达水准以后,建模完成后凭借个体信息和环境变量同时利用积分 算法开始进行体积还原,得出活体体积后,云服务器利用机器学习原理对该活 体计算质量;
将得出的活体质量返给C/S端,如果对此质量的误差有异议,通过选择 手动勘误,勘误后记录并上传至云服务器。
所述畜牧养殖活体优选猪、牛、羊、马、驴中的一种,更优选为猪。
所述方法还包括饲料喂养信息监测模块收集喂养数据,喂养参数信息包 括饲料剩余量、饲料营养成分、进水量和进食量,并将喂养数据与活体体重数 据相比较关联,以调整喂养方法来控制畜牧养殖活体的体重变化。
本发明的数据处理步骤依次包括:图像的识别、图像识别区域的3D点云 数据的双边滤波去噪、3D点云离群点的去除、积分计算体积以及机器学习计 算出重量;
(1)其中图像识别数据的处理方法为:
1、将原图划分为S×S的网格。
2、每一个网格会预测B个bounding box和confidence得分,五元组具 体为(x,y,w,h,Pr(Object)*IOUtruth pred)(x,y,w,h,Pr(Object)* IOUpredtruth),其中Pr(Object)表示当前位置是一个Object的概率,IOU 是预测的box和groundtruth之间的重叠概率,其中x,y是中心坐标。
3、每一个网格预测类别概率:Ci=Pr(Classi|Object)。
4、预测的时候,将类条件概率和置信度相乘:
Pr(Classi|Object)*Pr(Object)*IOUpred truth=Pr(Classi)*IOUpred truth
(2)图像识别区域的3D点云数据的双边滤波去噪的方法为:
设点云模型中的测点集合为Cloud={p1,p2,,,pn}piIR3,任一测点pICloud 的k-邻域为N(p),通过最小二乘法在N(p)内构造的平面称为点p在邻域 N(p)上的切平面,记作T(p)。T(p)的单位法矢就是点p处的单位法矢n。 对于邻域N(p),可将空间R3分解为两个子空间的直和:其中,N 为邻域在p点沿法矢方向的一维空间,而S2为过点p的二维切平面空间。 在局部范围内,定义S2为视平面。双边滤:
其中,N(p)为p的邻域,piI N(p)。pc为p在S2上的投影。这里利用投影 平面上的距离而不是直接的三维空间距离,因为邻域点集中与当前点等距离的 点,其在切平面上的投影距离大的点对当前点的影响较大,应该给予较大的权 值。n为p点法矢,ni为pi法矢。WC、WS分别是以Rc、Rs为标准差的高斯核函数,Rc控制光顺程度而Rs控制特征保持程度,WC类似于图像中的双边滤波,称为空间 域权重;WS捕获邻域点间法矢的变化,当前点法向与邻域点法向的夹角越大,WS越小,因此能够更好地保持模型中的特征,称为特征域权重。d即为法矢方向调 整的距离,由p^=p+n#d得到光顺后点的坐标。
(3)3D点云离群点的去除方法为:
If Kd为NULL,则设dist为infinite并返回
//进行二叉查找,生成搜索路径
Kd_point=&Kd;//Kd-point中保存k-d tree根节点地址
nearest=Kd_point->Node-data;//初始化最近邻点
while(Kd_point)
push(Kd_point)到search_path中;//search_path是一个堆栈 结构,存储着搜索路径节点指针
s=Kd_point->split;//确定待分割的方向
If target[s]<=Kd_point->Node-data[s]//进行二叉查找
Kd_point=Kd_point->left;
else
Kd_point=Kd_point->right;
nearest=search_path
Max_dist=Dist(nearest,target);//直接取最后叶子节点作为回 溯前的初始最近邻点
//回溯查找
while(search_path!=NULL)
back_point=从search_path取出一个节点指针;//从 search_path堆栈弹栈
s=back_point->split;//确定分割方向
If Dist(target[s],back_point->Node-data[s])<Max_dist //判断还需进入的子空间
If target[s]<=back_point->Node-data[s]
Kd_point=back_point->right;//如果target位于 左子空间,就应进入右子空间
else
Kd_point=back_point->left;//如果target位于右 子空间,就应进入左子空间
将Kd_point压入search_path堆栈;
If Dist(nearest,target)>Dist(Kd_Point->Node-data, target)
nearest=Kd_point->Node-data;//更新最近邻点
Min_dist=Dist(Kd_point->Node-data,target);
上述算法中Kd、target为三个维度的点云数据(点云的X,Y,Z 坐标值)。
(4)积分计算体积方法为:V=∑i,i((xi-xi-1)*(yj-yj-1)*(zij+zi-1j zij-1+zi-1j-1)/4);x为整理后的目标区域点云数据的X坐标值,y为整理后的目 标区域点云数据的Y坐标值,z为整理后的目标区域点云数据的Z坐标值。
(5)机器学习计算重量方法为:M=V*ρ(V,l,w,d,q,p…)其中V为 个体体积,l为体长、w为体宽、d为日龄、q为品种、p为环境参数。其中ρ (V,l,w,d,q,p…)函数为大数据机器学习所得权重拟合函数。
本发明与现有的技术相比,更加精准,高效,性价比高,技术门槛低等 优势。
在精准度方面由于是将深度数据还原为3D点云数据,经过高级算法,可 以完全做到还原3D建模,在有3D建模的前提下,对于机器学习测算物体质量, 拥有更加优秀的纠正效率,极大降低误差。
传感器传回的环境变量和个体信息,我们通过算法,将环境的影响不同 品种的不同生长周期的规律经过大量的数据学习,得到最真实的建模,再次对 活体质量进行纠正,最大程度的降低误差。
如果由于图像不清晰,或者等其他原因,导致误差偏大,我们可以通过 手动勘误的方式,手动勘误。手动勘误可以让机器学习到更加精准,正确的数 据,从而使得以后的计算误差会更小,直至理想状态。
效率方面,传统活体测重每只大概用时5~10分钟,并且,由于活体总是 移动,会有误差,传统地秤还需要校验,本发明可以将一只活体测重的时间压 缩至5~7秒以内,极大地提高效率,节省人力物力成本。
在成本控制方面,深度摄像头返回的点云,经过其他数据转为3D点云进 行建模比传统的多摄像头建模价格低廉的多,传统的摄像头多视图法建模的精 准度根据能提供的画面数量而还原出高精准的3D建模,越是精准需要的摄像 头就愈多,成本就越是昂贵,与产品化的理念背道而驰。
技术门槛方面,深度摄像头3D成像比传统的摄像头3D成像技术门槛低 很多,传统的摄像头3D建模对于动态物体的技术门槛没有到民用产品化的程 度,相对于传统摄像头来说深度摄像头3D建模的技术已经非常成熟并且开源; 可供各界免费使用;另外,传统的双目或者单目摄像头的校准,需要专业的技 术人员进行操作,而深度摄像头不需要校准,从人工方面,变相的节省了人工 和技术成本。
附图说明
图1基于深度数据的活体测重的结构框图
图2基于多视图的活体测重的结构框图
图3基于多视角深度数据的活体测重的结构框图
具体实施方式
实施例1:图1示出了一种深度数据的活体测重的模型,首先由摄像头和 传感器收集数据,摄像头收集生猪养殖活体的RGB图像和深度图像,传感器, 收集活体的个体信息(包括:日龄,编号,品种,类型)和环境变量(包括: 光照强度,有害气体,可吸入颗粒物,活体体温等);
数据收集完成,将数据传输至单板机,由单板机进行数据整合,将整合 后数据传送至本地终端C/S端进行下一步处理;
在本地终端C/S上,首先对采集的RGB图像进行活体识别,经过识别以 后,结合深度摄像头的深度点云数据,推到出3D点云图像;同时,将RGB图 像,3D点云图像,以及传感器收集的活体的个体信息和环境变量上传至云服 务器;
云服务器首先根据上传的个体信息和环境变量对3D点云图像进行清洗和 降噪,到达水准以后,云服务器开始对3D点云图像凭借个体信息和环境变量 利用积分算法开始进行体积还原,得出活体体积后,云服务器利用机器学习原 理对该活体计算质量;
将得出活体质量结果返给C/S端,如果对此质量的误差有异议,通过选 择手动勘误,勘误后记录并上传至云服务器。
其中数据处理步骤依次包括:图像的识别、图像识别区域的3D点云数据 的双边滤波去噪、3D点云离群点的去除、积分计算体积以及机器学习计算出 重量;
具体数据处理步骤如下:
(1)图像识别数据的处理:
1、将原图划分为S×S的网格。
2、每一个网格会预测B个bounding box和confidence得分,五元组具 体为(x,y,w,h,Pr(Object)*IOUtruth pred)(x,y,w,h,Pr(Object)* IOUpredtruth),其中Pr(Object)表示当前位置是一个Object的概率,IOU 是预测的box和groundtruth之间的重叠概率,其中x,y是中心坐标。
3、每一个网格预测类别概率:Ci=Pr(Classi|Object)。
4、预测的时候,将类条件概率和置信度相乘:
Pr(Classi|Object)*Pr(Object)*IOUpred truth=Pr(Classi)*IOUpred truth
(2)图像识别区域的3D点云数据的双边滤波去噪的方法为:
设点云模型中的测点集合为Cloud={p1,p2,,,pn}piIR3,任一测点pI Cloud 的k-邻域为N(p),通过最小二乘法在N(p)内构造的平面称为点p在邻域上的切平面,记作T(p)。T(p)的单位法矢就是点p处的单位法矢n。 对于邻域N(p),可将空间R3分解为两个子空间的直和:其中,N 为邻域在p点沿法矢方向的一维空间,而S2为过点p的二维切平面空间。 在局部范围内,定义S2为视平面。双边滤:
其中,N(p)为p的邻域,piI N(p)。pc为p在S2上的投影。这里利用投影 平面上的距离而不是直接的三维空间距离,因为邻域点集中与当前点等距离的 点,其在切平面上的投影距离大的点对当前点的影响较大,应该给予较大的权 值。n为p点法矢,ni为pi法矢。WC、WS分别是以Rc、Rs为标准差的高斯核函数,Rc控制光顺程度而Rs控制特征保持程度,WC类似于图像中的双边滤波,称为空间 域权重;WS捕获邻域点间法矢的变化,当前点法向与邻域点法向的夹角越大,WS越小,因此能够更好地保持模型中的特征,称为特征域权重。d即为法矢方向调 整的距离,由p^=p+n#d得到光顺后点的坐标。
(3)3D点云离群点的去除方法为:
If Kd为NULL,则设dist为infinite并返回
//进行二叉查找,生成搜索路径
Kd_point=&Kd;//Kd-point中保存k-d tree根节点地址
nearest=Kd_point->Node-data;//初始化最近邻点
while(Kd_point)
push(Kd_point)到search_path中;//search_path是一个堆栈 结构,存储着搜索路径节点指针
s=Kd_point->split;//确定待分割的方向
If target[s]<=Kd_point->Node-data[s]//进行二叉查找
Kd_point=Kd_point->left;
else
Kd_point=Kd_point->right;
nearest=search_path
Max_dist=Dist(nearest,target);//直接取最后叶子节点作为回 溯前的初始最近邻点
//回溯查找
while(search_path!=NULL)
back_point=从search_path取出一个节点指针;//从 search_path堆栈弹栈
s=back_point->split;//确定分割方向
If Dist(target[s],back_point->Node-data[s])<Max_dist //判断还需进入的子空间
If target[s]<=back_point->Node-data[s]
Kd_point=back_point->right;//如果target位于 左子空间,就应进入右子空间
else
Kd_point=back_point->left;//如果target位于右 子空间,就应进入左子空间
将Kd_point压入search_path堆栈;
If Dist(nearest,target)>Dist(Kd_Point->Node-data, target)
nearest=Kd_point->Node-data;//更新最近邻点
Min_dist=Dist(Kd_point->Node-data,target);
上述算法中Kd、target为三个维度的点云数据(点云的X,Y,Z 坐标值)。
(4)积分计算体积方法为:V=∑i,i((xi-xi-1)*(yj-yj-1)*(zij+zi-1j zij-1+zi-1j-1)/4);x为整理后的目标区域点云数据的X坐标值,y为整理后的目 标区域点云数据的Y坐标值,z为整理后的目标区域点云数据的Z坐标值。
(5)机器学习计算重量方法为:M=V*ρ(V,l,w,d,q,p…)其中V为 个体体积,l为体长、w为体宽、d为日龄、q为品种、p为环境参数。其中ρ (V,l,w,d,q,p…)函数为大数据机器学习所得权重拟合函数。
实施例2:图2示出了一种基于多视图的活体测重模型,首先由摄像头 和传感器收集数据,摄像头收集生猪养殖活体的多角度的RGB图像,传感器, 收集活体的个体信息(包括:日龄,编号,品种,类型)和环境变量(包括: 光照强度,有害气体,可吸入颗粒物,活体体温等);
数据收集完成,将数据传输至单板机,由单板机进行数据整合,将整合 后的数据传送至本地终端C/S端进行下一步处理;
在本地终端C/S端上,将多角度RGB图像,以及传感器收集的活体的个 体信息和环境变量上传至云服务器;
云服务器会将得到的单活体多角度的RGB图像根据多视图3D建模的算法 进行还原3D建模,建模完成后根据积分算法算出活体体积,得出活体体积后, 云服务器,利用机器学习原理对该活体计算质量。
将得出活体质量结果返给C/S端,如果对此质量的误差有异议,通过选 择手动勘误,勘误后记录并上传至云服务器。
其中数据处理步骤依次包括:图像的识别、图像识别区域的3D点云数据 的双边滤波去噪、3D点云离群点的去除、积分计算体积以及机器学习计算出 重量;具体处理方法同实施例1。
同时还包括饲料喂养信息监测模块来收集喂养数据,喂养参数信息包括 饲料剩余量、饲料营养成分、进水量和进食量,并将喂养数据与活体体重数据 相比较关联,以调整喂养方法来控制生猪的体重变化。
实施例3:图3示出了一种基于多视角深度数据的活体测重模型,首先由 摄像头和传感器收集数据,摄像头收集牛养殖活体的多视角RGB图像和多视角 深度图像,传感器收集活体的个体信息(包括:日龄,编号,品种,类型)和 环境变量(包括:光照强度,有害气体,可吸入颗粒物,活体体温等);
数据收集完成,将数据传输至单板机,由单板机进行数据整合,将整合 后的数据传送至本地终端C/S端进行下一步处理;
在本地终端C/S端上,首先对采集的RGB图像进行活体识别,经过识别 以后,结合深度摄像头的深度点云数据,推到出3D点云图像;同时,将RGB 图像,3D点云图像,以及传感器收集的活体的个体信息和环境变量上传至云 服务器;
云服务器首先根据上传的该个体的信息和环境变量对3D点云图像进行清 洗和降噪,到达水准以后,云服务器开始基于多视角3D点云图像利用寻找不 规则多边形和凸包以及三角面片技术进行高精准的3D建模,建模完成后凭借 个体信息和环境变量同时利用积分算法开始进行体积还原,得出活体体积后, 云服务器利用机器学习原理对该活体计算质量;
将得出的活体质量返给C/S端,如果对此质量的误差有异议,通过选择 手动勘误,勘误后记录并上传至云服务器。
其中数据处理步骤依次包括:图像的识别、图像识别区域的3D点云数据 的双边滤波去噪、3D点云离群点的去除、积分计算体积以及机器学习计算出 重量;具体处理方法同实施例1。
本发明,与现有的技术相比,更加精准,高效,性价比高,技术门槛低 等优势。
本领域技术人员能够对上文所记载的技术方案进行修改,或者对其中部 分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、 等同替换或改进等,均应包含在本发明权利要求的保护范围之内。

Claims (9)

1.一种基于深度数据的畜牧养殖活体体重监测方法,其特征在于,该方法包括:
首先由摄像头和传感器收集数据,摄像头收集活体的RGB图像和深度图像,传感器,收集活体的个体信息和环境变量;
数据收集完成,将数据传输至单板机,由单板机进行数据整合,将整合后数据传送至本地终端C/S端进行下一步处理;
在本地终端C/S上,首先对采集的RGB图像进行活体识别,经过识别以后,结合深度摄像头的深度点云数据,推到出3D点云图像;同时,将RGB图像,3D点云图像,以及传感器收集的活体的个体信息和环境变量上传至云服务器;
云服务器首先根据上传的个体信息和环境变量对3D点云图像进行清洗和降噪,到达水准以后,云服务器开始对3D点云图像凭借个体信息和环境变量利用积分算法开始进行体积还原,得出活体体积后,云服务器利用机器学习原理对该活体计算质量;
将得出活体质量结果返给C/S端,如果对此质量的误差有异议,通过选择手动勘误,勘误后记录并上传至云服务器。
2.根据权利要求1所述的方法,其特征在于:个体信息包括日龄、编号、品种以及类型;环境变量包括光照强度、有害气体、可吸入颗粒物以及活体体温。
3.一种基于多视图的畜牧养殖活体体重监测方法,该方法包括:
首先由摄像头和传感器收集数据,摄像头收集活体的多角度的RGB图像,传感器,收集活体的个体信息和环境变量;
数据收集完成,将数据传输至单板机,由单板机进行数据整合,将整合后的数据传送至本地终端C/S端进行下一步处理;
在本地终端C/S端上,将多角度RGB图像,以及传感器收集的活体的个体信息和环境变量上传至云服务器;
云服务器会将得到的单活体多角度的RGB图像根据多视图3D建模的算法进行还原3D建模,建模完成后根据积分算法算出活体体积,得出活体体积后,云服务器,利用机器学习原理对该活体计算质量。
将得出活体质量结果返给C/S端,如果对此质量的误差有异议,通过选择手动勘误,勘误后记录并上传至云服务器。
4.根据权利要求3所述的方法,其特征在于:个体信息包括日龄、编号、品种以及类型;环境变量包括光照强度、有害气体、可吸入颗粒物以及活体体温。
5.一种基于多视角深度数据的畜牧养殖活体体重监测方法,该方法包括:
首先由摄像头和传感器收集数据,摄像头收集活体的多视角RGB图像和多视角深度图像,传感器收集活体的个体信息和环境变量;
数据收集完成,将数据传输至单板机,由单板机进行数据整合,将整合后的数据传送至本地终端C/S端进行下一步处理;
在本地终端C/S端上,首先对采集的RGB图像进行活体识别,经过识别以后,结合深度摄像头的深度点云数据,推到出3D点云图像;同时,将RGB图像,3D点云图像,以及传感器收集的活体的个体信息和环境变量上传至云服务器;
云服务器首先根据上传的该个体的信息和环境变量对3D点云图像进行清洗和降噪,到达水准以后,云服务器开始基于多视角3D点云图像进行高精准的3D建模算法并还原3D建模,建模完成后凭借个体信息和环境变量同时利用积分算法开始进行体积还原,得出活体体积后,云服务器利用机器学习原理对该活体计算质量;
将得出的活体质量返给C/S端,如果对此质量的误差有异议,通过选择手动勘误,勘误后记录并上传至云服务器。
6.根据权利要求5所述的方法,其特征在于:个体信息包括日龄、编号、品种以及类型;环境变量包括光照强度、有害气体、可吸入颗粒物以及活体体温。
7.根据权利要求5所述的方法,其特征在于:云服务器开始基于多视角3D点云图像利用寻找不规则多边形和凸包以及三角面片技术进行高精准的3D建模。
8.根据权利要求1-7任意一项所述的方法,其特征在于:所述畜牧养殖活体优选猪、牛、羊、马、驴中的一种,更优选为猪。
9.根据权利要求1-7任意一项所述的方法,其特征在于:所述方法还包括饲料喂养信息监测模块收集喂养数据,喂养参数信息包括饲料剩余量、饲料营养成分、进水量和进食量,并将喂养数据与活体体重数据相比较关联,以调整喂养方法来控制畜牧养殖活体的体重变化。
CN201710621368.3A 2017-07-27 2017-07-27 基于物联网的畜牧养殖活体体重监测方法 Active CN107667903B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710621368.3A CN107667903B (zh) 2017-07-27 2017-07-27 基于物联网的畜牧养殖活体体重监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710621368.3A CN107667903B (zh) 2017-07-27 2017-07-27 基于物联网的畜牧养殖活体体重监测方法

Publications (2)

Publication Number Publication Date
CN107667903A true CN107667903A (zh) 2018-02-09
CN107667903B CN107667903B (zh) 2020-04-07

Family

ID=61134168

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710621368.3A Active CN107667903B (zh) 2017-07-27 2017-07-27 基于物联网的畜牧养殖活体体重监测方法

Country Status (1)

Country Link
CN (1) CN107667903B (zh)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109463306A (zh) * 2018-11-13 2019-03-15 南京市畜牧家禽科学研究所(南京市家畜品种改良站) 移动式智慧物联电动测量车
CN109579956A (zh) * 2018-12-13 2019-04-05 北京小龙潜行科技有限公司 一种智能养猪限位测重方法、装置、电子设备及存储介质
CN109632058A (zh) * 2018-12-13 2019-04-16 北京小龙潜行科技有限公司 一种智能养猪群养测重方法、装置、电子设备及存储介质
CN109632059A (zh) * 2018-12-13 2019-04-16 北京小龙潜行科技有限公司 一种智能养猪方法、系统、电子设备及存储介质
CN109636779A (zh) * 2018-11-22 2019-04-16 华南农业大学 识别家禽体积体尺的方法、装置及存储介质
CN110288580A (zh) * 2019-06-25 2019-09-27 深圳德里克设备有限公司 牲畜体重的测量方法、测量装置及可读存储介质
CN110298762A (zh) * 2019-04-24 2019-10-01 内蒙古智牧溯源技术开发有限公司 一种家庭牧场养殖效益分析系统
CN110646568A (zh) * 2019-10-12 2020-01-03 中国农业科学院麻类研究所 一种基于动物群体行为的饲料适口性筛选方法
CN111011247A (zh) * 2019-12-13 2020-04-17 巨星农牧股份有限公司 一种可持续性和智能化养猪方法
CN111264416A (zh) * 2020-03-20 2020-06-12 青岛大牧人机械股份有限公司 一种育肥猪智能养殖管理系统
CN111386075A (zh) * 2018-10-26 2020-07-07 易路维申株式会社 牲畜测重系统及利用该系统的牲畜测重方法
CN111418509A (zh) * 2020-01-16 2020-07-17 秒针信息技术有限公司 家畜的投喂方法和装置、存储介质及电子装置
CN113056190A (zh) * 2018-11-29 2021-06-29 松下知识产权经营株式会社 养鸡系统、养鸡方法以及程序
WO2021172574A1 (ja) * 2020-02-27 2021-09-02 株式会社Eco‐Pork 畜産情報管理システム、畜産情報管理サーバ、畜産情報管理方法、及び畜産情報管理プログラム
CN113632749A (zh) * 2021-09-07 2021-11-12 华中农业大学 一种基于动物行为的猪身体状态监测方法
CN115968813A (zh) * 2021-10-15 2023-04-18 智逐科技股份有限公司 家禽健康监测系统及其方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014044078A (ja) * 2012-08-24 2014-03-13 Univ Of Miyazaki 動物体の体重推定装置、及び体重推定方法
EP2425215B1 (en) * 2009-05-01 2015-06-24 Texas Tech University System Remote contactless stereoscopic mass estimation system
CN204796453U (zh) * 2015-07-07 2015-11-25 无锡百盛传感网络有限公司 一种生猪饲喂系统
CN105784083A (zh) * 2016-04-05 2016-07-20 北京农业信息技术研究中心 基于立体视觉技术的奶牛体型测量方法和系统
CN106529006A (zh) * 2016-11-04 2017-03-22 北京农业信息技术研究中心 基于深度图像的肉鸡生长模型拟合方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2425215B1 (en) * 2009-05-01 2015-06-24 Texas Tech University System Remote contactless stereoscopic mass estimation system
JP2014044078A (ja) * 2012-08-24 2014-03-13 Univ Of Miyazaki 動物体の体重推定装置、及び体重推定方法
CN204796453U (zh) * 2015-07-07 2015-11-25 无锡百盛传感网络有限公司 一种生猪饲喂系统
CN105784083A (zh) * 2016-04-05 2016-07-20 北京农业信息技术研究中心 基于立体视觉技术的奶牛体型测量方法和系统
CN106529006A (zh) * 2016-11-04 2017-03-22 北京农业信息技术研究中心 基于深度图像的肉鸡生长模型拟合方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
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》 *
郭浩: "动物体表三维数据获取与处理算法研究", 《中国博士学位论文全文数据库信息科技辑》 *

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111386075A (zh) * 2018-10-26 2020-07-07 易路维申株式会社 牲畜测重系统及利用该系统的牲畜测重方法
CN109463306A (zh) * 2018-11-13 2019-03-15 南京市畜牧家禽科学研究所(南京市家畜品种改良站) 移动式智慧物联电动测量车
CN109463306B (zh) * 2018-11-13 2021-09-28 南京市畜牧家禽科学研究所(南京市家畜品种改良站) 移动式智慧物联电动测量车
CN109636779A (zh) * 2018-11-22 2019-04-16 华南农业大学 识别家禽体积体尺的方法、装置及存储介质
CN109636779B (zh) * 2018-11-22 2021-02-19 华南农业大学 识别家禽体积体尺的方法、装置及存储介质
CN113056190A (zh) * 2018-11-29 2021-06-29 松下知识产权经营株式会社 养鸡系统、养鸡方法以及程序
CN109579956A (zh) * 2018-12-13 2019-04-05 北京小龙潜行科技有限公司 一种智能养猪限位测重方法、装置、电子设备及存储介质
CN109632058A (zh) * 2018-12-13 2019-04-16 北京小龙潜行科技有限公司 一种智能养猪群养测重方法、装置、电子设备及存储介质
CN109632059A (zh) * 2018-12-13 2019-04-16 北京小龙潜行科技有限公司 一种智能养猪方法、系统、电子设备及存储介质
CN109632058B (zh) * 2018-12-13 2020-06-02 北京小龙潜行科技有限公司 一种智能养猪群养测重方法、装置、电子设备及存储介质
WO2020119659A1 (zh) * 2018-12-13 2020-06-18 北京小龙潜行科技有限公司 一种智能养猪群养测重方法、装置、电子设备及存储介质
CN110298762A (zh) * 2019-04-24 2019-10-01 内蒙古智牧溯源技术开发有限公司 一种家庭牧场养殖效益分析系统
CN110288580A (zh) * 2019-06-25 2019-09-27 深圳德里克设备有限公司 牲畜体重的测量方法、测量装置及可读存储介质
CN110646568A (zh) * 2019-10-12 2020-01-03 中国农业科学院麻类研究所 一种基于动物群体行为的饲料适口性筛选方法
CN111011247A (zh) * 2019-12-13 2020-04-17 巨星农牧股份有限公司 一种可持续性和智能化养猪方法
CN111418509A (zh) * 2020-01-16 2020-07-17 秒针信息技术有限公司 家畜的投喂方法和装置、存储介质及电子装置
WO2021172574A1 (ja) * 2020-02-27 2021-09-02 株式会社Eco‐Pork 畜産情報管理システム、畜産情報管理サーバ、畜産情報管理方法、及び畜産情報管理プログラム
JP2021132596A (ja) * 2020-02-27 2021-09-13 株式会社Eco‐Pork 畜産情報管理システム、畜産情報管理サーバ、畜産情報管理方法、及び畜産情報管理プログラム
CN115997231A (zh) * 2020-02-27 2023-04-21 艾酷帕克株式会社 畜产信息管理系统、畜产信息管理服务器、畜产信息管理方法、以及畜产信息管理程序
CN111264416A (zh) * 2020-03-20 2020-06-12 青岛大牧人机械股份有限公司 一种育肥猪智能养殖管理系统
CN113632749A (zh) * 2021-09-07 2021-11-12 华中农业大学 一种基于动物行为的猪身体状态监测方法
CN115968813A (zh) * 2021-10-15 2023-04-18 智逐科技股份有限公司 家禽健康监测系统及其方法

Also Published As

Publication number Publication date
CN107667903B (zh) 2020-04-07

Similar Documents

Publication Publication Date Title
CN107667903A (zh) 基于物联网的畜牧养殖活体体重监测方法
Chen et al. Strawberry yield prediction based on a deep neural network using high-resolution aerial orthoimages
De Castro et al. 3-D characterization of vineyards using a novel UAV imagery-based OBIA procedure for precision viticulture applications
De Castro et al. An automatic random forest-OBIA algorithm for early weed mapping between and within crop rows using UAV imagery
Osorio et al. A deep learning approach for weed detection in lettuce crops using multispectral images
Dadashzadeh et al. Weed classification for site-specific weed management using an automated stereo computer-vision machine-learning system in rice fields
Xu et al. Aerial images and convolutional neural network for cotton bloom detection
Barbedo et al. Counting cattle in UAV images—dealing with clustered animals and animal/background contrast changes
Oh et al. Plant counting of cotton from UAS imagery using deep learning-based object detection framework
Huang et al. Non-contact body measurement for qinchuan cattle with LiDAR sensor
Arulmozhi et al. The application of cameras in precision pig farming: An overview for swine-keeping professionals
Vázquez-Arellano et al. 3-D imaging systems for agricultural applications—a review
Salamí et al. On-the-fly olive tree counting using a UAS and cloud services
US12051231B2 (en) Analysis and sorting in aquaculture
Herrera et al. A novel approach for weed type classification based on shape descriptors and a fuzzy decision-making method
CN107667904A (zh) 基于物联网技术的生猪大数据系统
JP6842100B1 (ja) 水棲動物検出装置、情報処理装置、端末装置、水棲動物検出システム、水棲動物検出方法、及び水棲動物検出プログラム
Mhango et al. Mapping potato plant density variation using aerial imagery and deep learning techniques for precision agriculture
Wei et al. Deep convolutional neural network for rice density prescription map at ripening stage using unmanned aerial vehicle-based remotely sensed images
CN110188657A (zh) 基于卷曲叶片检测的玉米干旱识别方法
Liu et al. Quantitative evaluation of maize emergence using UAV imagery and deep learning
Szabo et al. Practical aspects of weight measurement using image processing methods in waterfowl production
Sosa-Herrera et al. Geographic object-based analysis of airborne multispectral images for health assessment of Capsicum annuum L. crops
Teimouri et al. Novel assessment of region-based CNNs for detecting monocot/dicot weeds in dense field environments
Güldenring et al. RumexWeeds: A grassland dataset for agricultural robotics

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230614

Address after: 101408 No. 308, Huaibei Road, Huaibei Town, Huairou District, Beijing (cluster registration)

Patentee after: Beijing Zhongwei Zhuoyi Technology Co.,Ltd.

Address before: Building 2, No.12 Xidawang Road, Chaoyang District, Beijing, 100026 (National Advertising Industry Park Incubator 24472)

Patentee before: BEIJING AOYUNMU DATA TECHNOLOGY CO.,LTD.