CN108388877A - 一种猪脸的识别方法 - Google Patents
一种猪脸的识别方法 Download PDFInfo
- Publication number
- CN108388877A CN108388877A CN201810207203.6A CN201810207203A CN108388877A CN 108388877 A CN108388877 A CN 108388877A CN 201810207203 A CN201810207203 A CN 201810207203A CN 108388877 A CN108388877 A CN 108388877A
- Authority
- CN
- China
- Prior art keywords
- pig
- pig face
- face
- face picture
- picture
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 18
- 235000005809 Carpobrotus aequilaterus Nutrition 0.000 claims abstract description 113
- 235000004550 Disphyma australe Nutrition 0.000 claims abstract description 113
- 244000187801 Carpobrotus edulis Species 0.000 claims abstract description 110
- 230000001360 synchronised effect Effects 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 30
- 238000012360 testing method Methods 0.000 claims description 10
- 241000200554 Disphyma crassifolium Species 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000013527 convolutional neural network Methods 0.000 description 11
- 241000282887 Suidae Species 0.000 description 3
- 239000003651 drinking water Substances 0.000 description 3
- 235000020188 drinking water Nutrition 0.000 description 3
- 238000012545 processing Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种猪脸的识别方法,属于人工智能技术领域,包括以下步骤:S1.将多个猪栏并排设置,每个猪栏包括正对设置的猪栏入口,在猪栏内均设有朝向猪栏入口的摄像头;S2.摄像头同时对进入猪栏入口的猪脸进行拍摄,同步采集猪脸的视频源数据;S3.视频源数据上传至服务器端,将视频源数据处理成猪脸图片;S4.将猪脸图片进行筛选和标注,保留有效的猪脸图片并标注猪脸图片的坐标信息作为图片数据源;S5.根据图片数据源训练识别猪脸的模型;S6.根据训练好的识别猪脸的模型,自动处理采集到的猪脸的视频源数据。本发明通过采用Tensorflow系统进行猪脸的识别,解决了当前猪脸识别的技术缺乏问题。
Description
技术领域
本发明涉及人工智能技术领域,特别涉及到一种用于猪脸的自动识别方法。
背景技术
当前养猪场进行批量养猪的过程中,养殖者需要掌握每头猪只的饮食情况、健康状态、生长状况以及情绪等信息,因此识别每头猪只的身份信息为养殖者掌握养殖场基本状况提供便利,目前大型养猪场对于猪只的身份管理没有一个准确有效的识别方法,使得在管理猪只的过程中出现混乱和错误的情况,因此,猪脸识别技术的缺乏不利于规模化的精准养猪的推广。
发明内容
本发明的发明目的是,针对上述问题,提供一种猪脸的识别方法,通过人工智能的技术对猪脸进行识别,确认猪只的身份,建立猪只的图片识别库,解决了现有技术缺乏猪脸识别技术的问题。
为达到上述目的,本发明所采用的技术方案是:
一种猪脸的识别方法,包括以下步骤:S1.将分别设有猪栏入口的多个猪栏并排设置,在每个所述猪栏的内部分别设有朝向所述猪栏入口的摄像头;S2.所述摄像头同时对进入所述猪栏入口的猪只进行拍摄,多个所述摄像头同步采集所述猪只的视频源数据;S3.所述视频源数据通过FTP上传至服务器端,在所述服务器端将所述视频源数据处理成猪脸图片;S4.将所述猪脸图片进行筛选和标注,保留有效的猪脸图片和标注所述猪脸图片的坐标信息,筛选后的猪脸图片和对应的坐标信息共同作为图片数据源;
S5.根据所述图片数据源训练识别猪脸的模型,包括以下步骤:
S51.将所述图片数据源转换成符合Tensorflow系统的格式;
S52.将所述图片源数据按照比例分成训练集和测试集;
S53.将所述训练集通过Tensorflow系统的训练脚本训练能够识别猪脸的模型;
S54.通过所述测试集对所述模型进行验证;
S55.通过Tensorflow系统导出脚本生成训练好的识别猪脸的模型;
S6.根据所述训练好的识别猪脸的模型,自动处理所述猪脸图片,包括以下步骤:
S61.对步骤S3获得的猪脸图片输入所述训练好的识别猪脸的模型,通过Tensorflow系统判断输入的猪脸图片是否包含有效的猪脸图片并返回判断结果;
S62.根据返回的判断结果决定是否将所述猪脸图片保存为有效的猪脸图片。
通过使用摄像头采集猪只的视频源数据,利用程序将该视频源数据转化成图片源数据,再通过Tensorflow系统训练识别猪脸的模型,通过该模型实现猪脸的自动识别,可识别的数量大,识别准确率高。
上述方案中,为优化,进一步地,步骤S3的将所述视频源数据处理成猪脸图片通过以下步骤实现:根据所述视频源数据建立每头猪只的主目录和包含在所述主目录下的子目录,并读取所述视频源数据的帧,将所述帧转化为猪脸图片,将所述猪脸图片存储于所述子目录中。
进一步地,步骤S4,S61和S62中的有效的猪脸图片包括清晰的正脸图片和侧脸图片。
进一步地,所述步骤S53中的训练集和测试集的比例为4:1。
进一步地,步骤S1中,每个所述猪栏设置左右对称的摄像头。
由于采用上述技术方案,本发明具有以下有益效果:
1、将多个摄像头同时拍摄一头猪只,同步采集数据,获取大量的猪只视频源数据,使用程序处理视频源数据成猪脸图片以及标注每个猪脸图片的坐标信息,再通过Tensorflow系统训练识别猪脸的模型,通过该模型自动识别猪脸,可实现全自动实现猪脸的识别,建立了猪脸的识别方法,可以识别猪脸的身份信息,为养殖者掌握每头猪只信息提供便利;通过该模型可识别的猪只的数量规模大,识别准确率高,通过验证,经过20万step训练之后,对于测试集的验证准确率达到99%以上。
2、将猪栏并排设置,猪栏入口处于同一水平线上,当猪只进入猪栏,多个摄像头同时拍摄该猪只的视频,从而获取大量关于该猪只的视频,程序自动化处理大量猪只视频生成大量猪脸图片的准确率达到95%以上,为识别猪脸的模型的训练提供坚实的数据基础,降低数据误差,提高识别准确率。
3、通过猪脸图片和标注的坐标信息,细化识别区域,提高识别的准确率。
4、有效的猪脸图片包括正脸图片和侧脸图片,可以进行多方位的猪脸识别,降低识别误差。
5、将视频源数据经过处理后建立每头猪只信息的主目录和子目录,主目录有利于区别于其他猪只,子目录有利于识别单个猪只的特征信息,主目录和子目录共同确定了猪只的身份识别信息。
6、通过技术人员的大量实验验证,训练集和测试集的比例为4:1时,既保证了训练模型时的数据的充足性,又确保验证数据的可靠性,得到的识别猪脸的模型的识别准确率高。
7、在每个猪栏里设置两个左右对称的摄像头,可以全方位地拍摄猪脸视频,避免拍摄死角。
附图说明
图1,猪栏的结构示意图。
图2,识别猪脸模型训练流程图。
图3,程序自动化流程图。
附图中,1.猪栏;2.猪栏入口;3.饮水位;4.料槽;5.摄像头
具体实施方式
以下结合附图对发明的具体实施进一步说明。
如图1、图2和图3所示,本实施例提供一种猪脸的识别方法,包括以下步骤:S1.将分别设有猪栏入口2的多个猪栏1并排设置,每个所述猪栏入口2位于同一水平线上,每个猪栏1内部设有饮水位3和料槽4,在饮水位3和料槽4处分别设有朝向猪栏入口2的摄像头5;S2.摄像头5同时对进入猪栏入口2的猪只进行拍摄,多个摄像头5同步采集猪只获得视频源数据;在本实施例中,每个养猪场安装6个猪栏同步采集视频源数据,每个猪栏1设置左右对称的摄像头,视频源数据的格式为MP4视频;S3.通过FTP工具将视频源数据上传至服务器端,在服务器端用程序将视频源数据处理生成猪脸图片;当天采集完毕的视频源数据通过FTP工具上传至服务器端,通过一段时间的采集,服务器端积累了数量超过25000个的视频源数据,猪只数量超过12500头,通过调用Opencv标准库的方法读取视频帧,视频帧率为25帧每秒,一个小时的视频源数据有90000帧的视频图像,每头猪只的视频源数据会生成90000张猪脸图片,总共猪脸图片的数量达到2.25亿张,用Opencv标准库的方法保存这些猪脸图片,这些猪脸图片包括有效的猪脸图片和无效的猪脸图片;
S4.将猪脸图片进行筛选和标注,保留有效的猪脸图片和标注猪脸图片的坐标信息,筛选后的猪脸图片和对应的坐标信息共同作为图片数据源;
S5.根据该图片数据源训练识别猪脸的模型,包括以下步骤:
S51.将图片数据源转换成符合Tensorflow系统的格式;
S52.将图片源数据按照比例分成训练集和测试集;训练集和测试集的比例为4:1;
S53.将训练集通过Tensorflow系统的训练脚本训练能够识别猪脸的模型;
S54.通过测试集对该识别猪脸的模型进行验证;
S55.通过Tensorflow系统导出脚本生成训练好的识别猪脸的模型;
S6.根据训练好的识别猪脸的模型,自动处理猪脸图片,包括以下步骤:
S61.对步骤S3获得的猪脸图片输入训练好的识别猪脸的模型,通过Tensorflow系统判断输入的猪脸图片是否包含有效的猪脸图片并返回判断结果;
S62.根据返回的判断结果决定是否将猪脸图片保存为有效的猪脸图片。
其中,步骤S3的将视频源数据处理成猪脸图片通过以下步骤实现:采用python语言根据视频源数据实现建立每头猪只的主目录和包含在主目录下的子目录,并调用Opencv标准库的方法读取该视频源数据的帧,将帧转化为猪脸图片,将猪脸图片存储于子目录中。
步骤S4,步骤S61和步骤S62中的有效的猪脸图片包括清晰的正脸图片和侧脸图片。
将步骤S62保存为有效的猪脸图片调用卷积神经网络结构识别模型计算获得的猪脸图片,识别出猪只身份ID。
输入:步骤S62中有效的猪脸图片;
卷积神经网络结构模型计算:通过卷积神经网络结构模型计算出该猪只是否为新增猪只还是已有猪只,如果是新增猪只就生成全球唯一猪只身份ID,如果是已有猪只就识别出猪只身份ID;
输出:通过卷积神经网络结构模型计算出的新创建的猪只身份ID或者识别出的已有猪只身份ID。
上述卷积神经网络结构模型通过以下步骤训练获得:
ST1:首先构建用于自动提取猪只脸部特征的卷积神经网络,并设定卷积神经网络的训练参数;然后采集带有正脸和侧脸的猪脸图片集作为一次训练样本,利用建立的一次训练样本对卷积神经网络进行训练,直至达到设定的训练参数后停止训练,即生成猪只脸部特征码生成器;
ST2:将某一已知猪只的正脸和侧脸图片集作为数据源输入猪只脸部特征码生成器中,经信号处理后猪只脸部特征码生成器的输出端输出该猪只对应的特征码和猪只ID;
ST3:重复上述步骤ST2,则分别得到各已知猪只的特征码和其对应的猪只ID,各个已知猪只的特征码和猪只ID即构成猪只特征码库;
ST4:利用猪只特征码库作为二次训练样本对卷积神经网络进行训练,直至达到设定的训练参数后停止训练,即生成猪脸分类器;
ST5:将待识别猪只的猪脸图片的特征码输入猪脸分类器中,通过猪脸分类器的输出端输出该猪只是否为新猪。由于新猪的正脸和侧脸图片集未被录入进猪只脸部特征码生成器中,所以在猪只特征码库和猪脸分类器中均未有记录。
卷积神经网络结构可包括n个卷积层、m个池化层和k个全链接层,卷积层与池化层交叉依次设置,且池化层采用基于最大值的池化方法,其中n、m、k均为≥1的整数。n、m和k的值可以是同一个相同数值,也可以是相互不同或者是两两相同的数值。优选的,n、m、k的值均为3,即通过三个全连接层来对提取出猪只特征码的特征响应图进行数值预测,得到相似度分数,并输出匹配结果;然后利用匹配结果与真实结果之间的误差,来训练卷积神经网络结构模型的训练参数。
本实施例中,Tensorflow系统为现有人工智能系统。
上述说明是针对本发明较佳可行实施例的详细说明,但实施例并非用以限定本发明的专利申请范围,凡本发明所提示的技术精神下所完成的同等变化或修饰变更,均应属于本发明所涵盖专利范围。
Claims (5)
1.一种猪脸的识别方法,其特征在于包括以下步骤:
S1.将分别设有猪栏入口的多个猪栏并排设置,在每个所述猪栏的内部分别设有朝向所述猪栏入口的摄像头;
S2.所述摄像头同时对进入所述猪栏入口的猪只进行拍摄,多个所述摄像头同步采集所述猪只的视频源数据;
S3.所述视频源数据通过FTP上传至服务器端,在所述服务器端将所述视频源数据处理成猪脸图片;
S4.将所述猪脸图片进行筛选和标注,保留有效的猪脸图片和标注所述猪脸图片的坐标信息,筛选后的猪脸图片和对应的坐标信息共同作为图片数据源;
S5.根据所述图片数据源训练识别猪脸的模型,包括以下步骤:
S51.将所述图片数据源转换成符合Tensorflow系统的格式;
S52.将所述图片源数据按照比例分成训练集和测试集;
S53.将所述训练集通过Tensorflow系统的训练脚本训练能够识别猪脸的模型;
S54.通过所述测试集对所述模型进行验证;
S55.通过Tensorflow系统导出脚本生成训练好的识别猪脸的模型;
S6.根据所述训练好的识别猪脸的模型,自动处理所述猪脸图片,包括以下步骤:
S61.对步骤S3获得的猪脸图片输入所述训练好的识别猪脸的模型,通过Tensorflow系统判断输入的猪脸图片是否包含有效的猪脸图片并返回判断结果;
S62.根据返回的判断结果决定是否将所述猪脸图片保存为有效的猪脸图片。
2.根据权利要求1所述的猪脸的识别方法,其特征在于:步骤S3的将所述视频源数据处理成猪脸图片通过以下步骤实现:根据所述视频源数据建立每头猪的主目录和包含在所述主目录下的子目录,并读取所述视频源数据的帧,将所述帧转化为猪脸图片,将所述猪脸图片存储于所述子目录中。
3.根据权利要求1或2所述的猪脸的识别方法,其特征在于:步骤S4,S61和S62中的有效的猪脸图片包括清晰的正脸图片和侧脸图片。
4.根据权利要求3所述的猪脸的识别方法,其特征在于:所述步骤S53中的训练集和测试集的比例为4:1。
5.根据权利要求1所述的猪脸的识别方法,其特征在于:步骤S1中,每个所述猪栏设置左右对称的摄像头。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810207203.6A CN108388877A (zh) | 2018-03-14 | 2018-03-14 | 一种猪脸的识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810207203.6A CN108388877A (zh) | 2018-03-14 | 2018-03-14 | 一种猪脸的识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108388877A true CN108388877A (zh) | 2018-08-10 |
Family
ID=63067235
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810207203.6A Pending CN108388877A (zh) | 2018-03-14 | 2018-03-14 | 一种猪脸的识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108388877A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109379557A (zh) * | 2018-09-30 | 2019-02-22 | 田东县文设芒果专业合作社 | 基于图像识别的芒果虫害智能监控系统 |
CN109492684A (zh) * | 2018-10-31 | 2019-03-19 | 西安同瑞恒达电子科技有限公司 | 数据处理方法及装置 |
CN109583400A (zh) * | 2018-12-05 | 2019-04-05 | 成都牧云慧视科技有限公司 | 一种用于牲畜身份无干预自动登记并识别的方法 |
CN110795987A (zh) * | 2019-07-30 | 2020-02-14 | 重庆小富农康农业科技服务有限公司 | 猪脸识别方法和装置 |
CN111626205A (zh) * | 2020-05-27 | 2020-09-04 | 电子科技大学 | 基于猪脸识别和rfid识别的猪只健康管理系统及方法 |
CN111666838A (zh) * | 2020-05-22 | 2020-09-15 | 吉林大学 | 一种改进的残差网络猪脸识别方法 |
CN112468733A (zh) * | 2020-12-14 | 2021-03-09 | 河南牧业经济学院 | 自然状态猪脸图像获取方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103024326A (zh) * | 2011-09-22 | 2013-04-03 | 中兴通讯股份有限公司 | 一种基于安防型家庭网关的视频备份方法及系统 |
CN104573679A (zh) * | 2015-02-08 | 2015-04-29 | 天津艾思科尔科技有限公司 | 监控场景下基于深度学习的人脸识别系统 |
CN105809711A (zh) * | 2016-03-02 | 2016-07-27 | 华南农业大学 | 一种基于视频追踪的猪只运动大数据提取方法及其系统 |
CN106557778A (zh) * | 2016-06-17 | 2017-04-05 | 北京市商汤科技开发有限公司 | 通用物体检测方法和装置、数据处理装置和终端设备 |
CN106778902A (zh) * | 2017-01-03 | 2017-05-31 | 河北工业大学 | 基于深度卷积神经网络的奶牛个体识别方法 |
CN107092931A (zh) * | 2017-04-24 | 2017-08-25 | 河北工业大学 | 一种奶牛个体识别的方法 |
CN107292298A (zh) * | 2017-08-09 | 2017-10-24 | 北方民族大学 | 基于卷积神经网络和分类器模型的牛脸识别方法 |
CN107392182A (zh) * | 2017-08-17 | 2017-11-24 | 宁波甬慧智能科技有限公司 | 一种基于深度学习的人脸采集识别方法及装置 |
US20170351941A1 (en) * | 2016-06-03 | 2017-12-07 | Miovision Technologies Incorporated | System and Method for Performing Saliency Detection Using Deep Active Contours |
CN107527351A (zh) * | 2017-08-31 | 2017-12-29 | 华南农业大学 | 一种融合fcn和阈值分割的哺乳母猪图像分割方法 |
CN107680080A (zh) * | 2017-09-05 | 2018-02-09 | 翔创科技(北京)有限公司 | 牲畜的样本库建立方法和清点方法、存储介质和电子设备 |
-
2018
- 2018-03-14 CN CN201810207203.6A patent/CN108388877A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103024326A (zh) * | 2011-09-22 | 2013-04-03 | 中兴通讯股份有限公司 | 一种基于安防型家庭网关的视频备份方法及系统 |
CN104573679A (zh) * | 2015-02-08 | 2015-04-29 | 天津艾思科尔科技有限公司 | 监控场景下基于深度学习的人脸识别系统 |
CN105809711A (zh) * | 2016-03-02 | 2016-07-27 | 华南农业大学 | 一种基于视频追踪的猪只运动大数据提取方法及其系统 |
US20170351941A1 (en) * | 2016-06-03 | 2017-12-07 | Miovision Technologies Incorporated | System and Method for Performing Saliency Detection Using Deep Active Contours |
CN106557778A (zh) * | 2016-06-17 | 2017-04-05 | 北京市商汤科技开发有限公司 | 通用物体检测方法和装置、数据处理装置和终端设备 |
CN106778902A (zh) * | 2017-01-03 | 2017-05-31 | 河北工业大学 | 基于深度卷积神经网络的奶牛个体识别方法 |
CN107092931A (zh) * | 2017-04-24 | 2017-08-25 | 河北工业大学 | 一种奶牛个体识别的方法 |
CN107292298A (zh) * | 2017-08-09 | 2017-10-24 | 北方民族大学 | 基于卷积神经网络和分类器模型的牛脸识别方法 |
CN107392182A (zh) * | 2017-08-17 | 2017-11-24 | 宁波甬慧智能科技有限公司 | 一种基于深度学习的人脸采集识别方法及装置 |
CN107527351A (zh) * | 2017-08-31 | 2017-12-29 | 华南农业大学 | 一种融合fcn和阈值分割的哺乳母猪图像分割方法 |
CN107680080A (zh) * | 2017-09-05 | 2018-02-09 | 翔创科技(北京)有限公司 | 牲畜的样本库建立方法和清点方法、存储介质和电子设备 |
Non-Patent Citations (3)
Title |
---|
JONATHAN HUANG 等: "Speed/accuracy trade-offs for modern convolutional object detectors" * |
SANTOSH KUMAR 等: "Face Recognition of Cattle: Can it be Done?" * |
张天昊 等: "图像识别计数在储备生猪统计的应用" * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109379557A (zh) * | 2018-09-30 | 2019-02-22 | 田东县文设芒果专业合作社 | 基于图像识别的芒果虫害智能监控系统 |
CN109492684A (zh) * | 2018-10-31 | 2019-03-19 | 西安同瑞恒达电子科技有限公司 | 数据处理方法及装置 |
CN109583400A (zh) * | 2018-12-05 | 2019-04-05 | 成都牧云慧视科技有限公司 | 一种用于牲畜身份无干预自动登记并识别的方法 |
CN110795987A (zh) * | 2019-07-30 | 2020-02-14 | 重庆小富农康农业科技服务有限公司 | 猪脸识别方法和装置 |
CN110795987B (zh) * | 2019-07-30 | 2023-12-22 | 重庆渝通合数字科技有限公司 | 猪脸识别方法和装置 |
CN111666838A (zh) * | 2020-05-22 | 2020-09-15 | 吉林大学 | 一种改进的残差网络猪脸识别方法 |
CN111666838B (zh) * | 2020-05-22 | 2023-04-18 | 吉林大学 | 一种改进的残差网络猪脸识别方法 |
CN111626205A (zh) * | 2020-05-27 | 2020-09-04 | 电子科技大学 | 基于猪脸识别和rfid识别的猪只健康管理系统及方法 |
CN112468733A (zh) * | 2020-12-14 | 2021-03-09 | 河南牧业经济学院 | 自然状态猪脸图像获取方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108388877A (zh) | 一种猪脸的识别方法 | |
CN108365557B (zh) | 一种无人机精细化巡检输电线路的方法及系统 | |
CN108875821A (zh) | 分类模型的训练方法和装置、移动终端、可读存储介质 | |
CN109064454A (zh) | 产品缺陷检测方法及系统 | |
CN108664878A (zh) | 基于卷积神经网络的猪只身份识别方法 | |
CN105787466B (zh) | 一种车辆类型的精细识别方法及系统 | |
CN108686978A (zh) | 基于arm的水果类别和色泽的分拣方法及系统 | |
CN110674792B (zh) | 基于神经网络的施工进度监测装置及方法 | |
CN109377624B (zh) | 一种基于人脸图像识别的房门智能开启系统 | |
CN110751675B (zh) | 基于图像识别的城市宠物活动轨迹监测方法及相关设备 | |
CN107547852A (zh) | 一种大数据存储系统 | |
Mann et al. | Automatic flower detection and phenology monitoring using time‐lapse cameras and deep learning | |
CN111860203B (zh) | 基于图像和音频混合的异常猪只识别装置、系统和方法 | |
WO2018155856A1 (ko) | 소의 승가 행위 판독 시스템 | |
CN110826371A (zh) | 一种动物识别方法、装置、介质及电子设备 | |
CN109165872B (zh) | 无人化智能球场管理系统、方法及球场 | |
CN111914653A (zh) | 一种人员标记方法和装置 | |
CN112906734A (zh) | 牲畜智能选种方法、装置、计算机设备和存储介质 | |
CN114581948A (zh) | 一种畜脸识别方法 | |
CN115410304A (zh) | 基于自学习的鸡舍养殖安全防控方法及系统 | |
CN109657722A (zh) | 基于深度学习算法的舌苔图像识别方法及系统 | |
CN104104860B (zh) | 对象图像检测设备及其控制方法以及控制程序、记录介质 | |
CN108960169A (zh) | 基于计算机视觉的仪器设备状态在线监测方法及系统 | |
CN109711232A (zh) | 基于多目标函数的深度学习行人重识别方法 | |
CN109949272A (zh) | 识别皮肤病种类采集人体皮肤图片的数据采集方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180810 |