CN108812407A - 动物健康状态监测方法、设备及存储介质 - Google Patents
动物健康状态监测方法、设备及存储介质 Download PDFInfo
- Publication number
- CN108812407A CN108812407A CN201810504067.7A CN201810504067A CN108812407A CN 108812407 A CN108812407 A CN 108812407A CN 201810504067 A CN201810504067 A CN 201810504067A CN 108812407 A CN108812407 A CN 108812407A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- monitoring object
- data
- motion state
- area
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 427
- 238000000034 method Methods 0.000 title claims abstract description 59
- 241001465754 Metazoa Species 0.000 title claims abstract description 34
- 230000003862 health status Effects 0.000 title claims abstract description 33
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 238000012258 culturing Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims description 46
- 230000001133 acceleration Effects 0.000 claims description 32
- 238000006073 displacement reaction Methods 0.000 claims description 29
- 230000001186 cumulative effect Effects 0.000 claims description 24
- 230000008859 change Effects 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 16
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 241000406668 Loxodonta cyclotis Species 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 4
- 238000000151 deposition Methods 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 6
- 241000282887 Suidae Species 0.000 description 15
- 238000005516 engineering process Methods 0.000 description 8
- 238000012806 monitoring device Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000036541 health Effects 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000009395 breeding Methods 0.000 description 2
- 230000001488 breeding effect Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 244000144972 livestock Species 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241000283690 Bos taurus Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000009374 poultry farming Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
- A01K29/00—Other apparatus for animal husbandry
- A01K29/005—Monitoring or measuring activity, e.g. detecting heat or mating
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Environmental Sciences (AREA)
- Biophysics (AREA)
- Animal Husbandry (AREA)
- Biodiversity & Conservation Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种动物健康状态监测方法：通过摄像设备获取监控区域的帧图片；从所述帧图片中提取多个监测对象，并确定所述多个监测对象中每个监测对象的身份；基于所述帧图片及每个监测对象的身份，对每个监测对象进行跟踪，获取每个监测对象的运动数据；基于每个监测对象的运动数据，确定每个监测对象的运动状态；基于每个监测对象的运动状态，确定所述监控区域所在的养殖区域的疫情状态数据。本发明还提供一种电子设备及存储介质。本发明能确定整个养殖区域内是否有疫情，从而及时控制疫情。并在有疫情发生时，及时继进行保险赔付。
Description
技术领域
本发明涉及人工智能领域，尤其涉及一种动物健康状态监测方法、设备及存储介质。
背景技术
在农牧场，小到家禽养殖，大到猪牛养殖，农户最担心的就是牲畜的健康情况。能快速对牲畜的疾病或者农牧场疫情进行检测及警报，是所有农户的愿望。但现有技术中只能根据养殖户的养殖经验、人为的观察，无法尽早确定疾病(疫情)的发生。
发明内容
鉴于以上内容，有必要提供一种动物健康状态监测方法、设备及存储介质，能对小片区域内监测对象进行监测，确定小片区域内监测对象身体健康状态，从而确定整个养殖区域内是否有疫情，从而及时控制疫情。并在有疫情发生时，及时进行保险赔付。
一种动物健康状态监测方法，所述方法包括：
通过摄像设备获取监控区域的帧图片；
从所述帧图片中提取多个监测对象，并确定所述多个监测对象中每个监测对象的身份；
基于所述帧图片及每个监测对象的身份，对每个监测对象进行跟踪，获取每个监测对象的运动数据；
基于每个监测对象的运动数据，确定每个监测对象的运动状态，所述运动数据包括以下一种或者多种的组合：目标时间段内的位移累加数据、目标时间段内的运动速度数据、目标时间段内的运动加速度数据；
基于每个监测对象的运动状态，确定所述监控区域所在的养殖区域的疫情状态数据。
根据本发明优选实施例，所述从所述帧图片中所述提取多个监测对象包括：
对所述帧图片进行二值化处理，得到二值化图像；
对从所述二值化图像进行填充，得到填充后的图像；
从所述填充后的图像中提取多个轮廓及所述多个轮廓中每个轮廓的位置，其中每个轮廓对应一个监测对象。
根据本发明优选实施例，所述确定所述多个监测对象中每个监测对象的身份包括：
基于每个轮廓的位置，从所述帧图片中确定每个轮廓对应的区域图片；
从每个轮廓对应的区域图片中提取每个监测对象对应的标签；
基于每个监测对象对应的标签，确定每个监测对象的身份。
根据本发明优选实施例，所述获取每个监测对象的运动数据包括：
基于每个监测对象的轮廓，确定每个监测对象的外接多边形；
基于每个监测对象的轮廓的位置，计算每个监测对象的外接多边形的中心，将每个监测对象的外接多边形的中心确定为每个监测对象的中心；
计算每个监测对象的中心的运动变化数据，将所述每个监测对象的中心的运动变化数据确定为每个监测对象的运动数据。
根据本发明优选实施例，所述基于每个监测对象的运动数据，确定每个监测对象的运动状态包括：
基于每个监测对象的运动数据，利用运动状态评估模型确定每个监测对象的运动状态；
其中训练所述运动状态评估模型的过程包括：
获取正样本的运动数据及预设数量的负样本，并将正样本的运动数据进行运动状态标注，以使正样本携带运动状态标签；
将所述正样本及所述负样本随机分成第一预设比例的训练集和第二预设比例的验证集，利用所述训练集训练所述运动状态评估模型，并利用所述验证集验证训练后的所述运动状态评估模型的准确率；
若所述准确率大于等于预设准确率，则训练结束，以训练后的所述运动状态评估模型为所述分类器，或者，若所述准确率小于预设准确率，则增加正样本数量及负样本数量，以重新进行训练。
根据本发明优选实施例，所述每个监测对象的运动状态包括烦躁状态、正常状态、安静状态中的任意一种，所述基于每个监测对象的运动状态，确定所述监控区域所在的养殖区域的疫情状态数据包括：
当所述监控区域内运动状态有异常的监测对象的数量达到第一数量阈值时，确定所述监控区域内有疫情，并发出疫情警报信息，其中异常的运动状态包括以下一种或者多种的组合：安静状态、烦躁状态。
根据本发明优选实施例，所述方法还包括：
当确定所述监控区域内有疫情数据时，提示用户提供理赔材料数据以使用户能快速赔付。
根据本发明优选实施例，所述方法还包括：
当确定所述监控区域内没有疫情数据，且有至少两个监测对象的位移累加数据超过位移阈值时，发出监测对象有异常行为的警报以提示用户查看所述监控区域；及/或
当确定所述监控区域内没有疫情数据，且有运动速度数据超过运动速度阈值的监测对象的数量达到第二数量阈值时，发出监测对象有异常行为的警报以提示用户查看所述监控区域；及/或
当确定所述监控区域内没有疫情数据，且有运动加速度数据超过运动加速度阈值的监测对象的数量达到第三数量阈值时，发出监测对象有异常行为的警报以提示用户查看所述监控区域。
一种电子设备，所述电子设备包括存储器及处理器，所述存储器用于存储至少一个指令，所述处理器用于执行所述至少一个指令以实现任一实施例中所述动物健康状态监测方法。
一种计算机可读存储介质，所述计算机可读存储介质存储有至少一个指令，所述至少一个指令被处理器执行时实现任一实施例中所述动物健康状态监测方法。
由以上技术方案可知，本发明通过摄像设备获取监控区域的帧图片；从所述帧图片中提取多个监测对象，并确定所述多个监测对象中每个监测对象的身份；基于所述帧图片及每个监测对象的身份，对每个监测对象进行跟踪，获取每个监测对象的运动数据；基于每个监测对象的运动数据，确定每个监测对象的运动状态；基于每个监测对象的运动状态，确定所述监控区域所在的养殖区域的疫情状态数据。本发明还提供一种电子设备及存储介质。本发明能确定整个养殖区域内是否有疫情，从而及时控制疫情。并在有疫情发生时，及时进行保险赔付。
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，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1是本发明动物健康状态监测方法的较佳实施例的流程图。
图2是本发明动物健康状态监测装置的较佳实施例的程序模块图。
图3是本发明至少一个实例中动物健康状态监测装置的较佳实施例的结构示意图。
具体实施方式
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、完整地描述，显然，所描述的实施例仅仅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。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
为了使本技术领域的人员更好地理解本发明方案，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、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”和“第三”等是用于区别不同对象，而非用于描述特定顺序。此外，术语“包括”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
如图1所示，是本发明动物健康状态监测方法的第一较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
S10、通过摄像设备获取监控区域的帧图片。
在本发明的实施例中，所述监控区域可以是养殖区域中的一部分，这样通过对所述监控区域中监控对象的监测来实现对所述养殖区域的监测。所述监控区域中养殖至少一个监测对象。所述监测对象包括，但不限于，动物等等。例如所述监控区域中养殖着大量的猪。
所述摄像设备可以是一个或者多个，用于监控所述监控区域中监测对象的状态。所述帧图片包括一帧或者多帧帧图片。后续基于所述帧图片，对所述监控区域中监测对象进行跟踪，获取所述监控区域中监测对象的运动状态，并根据所述监控区域中监测对象的运动状态，监测所述监控区域中监测对象的运动状态。
S11、从所述帧图片中提取多个监测对象，并确定所述多个监测对象中每个监测对象的身份。
在本发明中，在养殖过程中，为了区别每个监测对象，会在每个监测对象上标识上一个标签，所述标签用于标识每个监测对象的身份，所述标签附在每个监测对象的身上。所述标签包括，但不限于：数字，几何形状等等，所述标签的颜色可以不同于监测对象的颜色，以便于后续更好从拍摄的图片中提取所述标签。例如，所述监控区域有六只猪，对这六只猪，依次标号为1至6个数字，用于标识这六只猪，每只猪对应所述1至6个数字中的一个数字。所述1至6个数字通过画笔画在监测对象的身上，也可以将所述1至6个数字分别写在一个贴纸上，将每个贴纸贴到每只猪的身上。
为了对每个监测对象进行跟踪，需要从所述帧图片中提取每个监测对象。优选地，从所述帧图片中所述提取多个监测对象包括：
(a1)对所述帧图片进行二值化处理，得到二值化图像。
可选地，对一张图片而言，对所述一张图片中的每个像素点的像素值与像素阈值T进行比较，从而实现二值化。若某个像素点的像素值大于或等于T，则取所述像素点的像素值更新为1；若某个像素点的像素值小于T，则取所述像素点的像素值更新为0。当然在其他实施例中，也可以使用其他二值化方法，本发明不做任何限制。
这样对所述帧图片进行二值化，就可以获取每个监测对象的边界，从而便于后续获取每个监测对象的位置和轮廓。
(a2)对从所述二值化图像进行填充，得到填充后的图像。
可选地，利用图像膨胀方法对所述二值化图像进行填充。
用一个结构元素(例如3*3的结构元素)去膨胀所述二值化图像的过程是这样的：遍历所述二值化图像的每一个像素，然后用结构元素的中心点对准当前正在遍历的当前像素点，然后取结构元素所覆盖下的所述二值化图像对应的当前区域内的所有像素的最大值，用这个最大值替换所述当前像素点的当前像素值。由于二值图像最大值就是1，所以就是用1替换，即变成了白色前景物体。因此，如果结构元素覆盖下的全部都是背景，那么就不会对当前像素点做出改动，因为结构元素覆盖下的像素点都是0。如果全部都是前景像素，也不会对当前像素点做出改动，因为结构元素覆盖下的像素点都是1。只有结构元素位于所述二值化图像的边缘时，它覆盖的区域内才会出现0和1两种不同的像素值，把当前像素点替换成1，所述二值化图像就有变化了。因此膨胀看起来的效果就是让所述二值化图像胀大了一圈一样。对于所述二值化图像中一些断裂处，这些断裂的地方就会被连接起来，从而便于后续提取清楚的轮廓。
(a3)从所述填充后的图像中提取多个轮廓及所述多个轮廓中每个轮廓的位置，其中每个轮廓对应一个监测对象。
优选地，利用边沿检测算子从所述填充后的图像中提取多个轮廓及所述多个轮廓中每个轮廓的位置。所述边沿检测算子包括，但不限于：Sobel算子、高斯拉普拉斯算子等等。
优选地，所述确定所述多个监测对象中每个监测对象的身份包括：
(b1)基于每个轮廓的位置，从所述帧图片中确定每个轮廓对应的区域图片。
(b2)从每个轮廓对应的区域图片中提取每个监测对象对应的标签。
在本发明的实施例中，基于标签的特征，并利用图像提取技术从每个轮廓对应的区域图片中提取每个监测对象对应的标签。所述标签的特别包括，但不限于：颜色特征、形状特征。其中图像提取技术包括，但不限于：基于灰度的特征提取技术、基于边缘的特征提取技术、基于模板的特征提取技术等等。
(b3)基于每个监测对象对应的标签，确定每个监测对象的身份。
由于一个标签标识对应一个监测对象，因此根据标签标识与监测对象的对应关系，确定每个监测对象的身份。
S12、基于所述帧图片及每个监测对象的身份，对每个监测对象进行跟踪，获取每个监测对象的运动数据。
优选地，所述获取每个监测对象的运动数据包括：
基于每个监测对象的轮廓，确定每个监测对象的外接多边形；
基于每个监测对象的轮廓的位置，计算每个监测对象的外接多边形的中心，将每个监测对象的外接多边形的中心确定为每个监测对象的中心；
计算每个监测对象的中心的运动变化数据，将所述每个监测对象的中心的运动变化数据确定为每个监测对象的运动数据。
在本发明的实施例中，将任意一个监测对象记为目标监测对象，对所述目标监测对象而言，在目标时间段内的每帧图片中提取所述目标监测对象的中心，基于所述目标时间段内每帧图片中所述目标监测对象的中心的位置数据，计算所述目标监测对象的中心的运动变化数据，将所述目标监测对象的中心的运动变化数据确定为所述监测对象的运动数据。
优选地，所述运动数据包括以下一种或者多种的组合：目标时间段内的位移累加数据、目标时间段内的运动速度数据、目标时间段内的运动加速度数据。
对于所述目标监测对象而言，所述目标时间段内的位移累加数据的计算过程如下：计算所述目标时间段内每个相邻两帧图片中所述目标监测对象的中心的欧式距离，再将所述目标时间段内每个相邻两帧图片中所述目标监测对象的中心的欧式距离进行累加，即为所述目标时间段内的位移累加数据。
所述目标时间段内的运动速度数据表示所述目标时间段内的平均速度，计算过程如下：计算所述目标时间段内每个相邻两帧图片中所述目标监测对象的中心的运动速度，再基于所述目标时间段内每个相邻两帧图片中所述目标监测对象的中心的运动速度计算速度平均值，所述速度平均值即为所述目标时间段内的运动速度数据。
所述目标时间段内的运动加速度数据表示所述目标时间段内的平均加速度，计算过程如下：计算所述目标时间段内每个相邻两帧图片中所述目标监测对象的中心的运动加速度，再基于所述目标时间段内每个相邻两帧图片中所述目标监测对象的中心的运动加速度计算加速度平均值，所述加速度平均值即为所述目标时间段内的运动加速度数据。
例如，在1分钟内共抓拍到一只目标猪的连续三帧图片，第一帧中目标猪的中心位置坐标为(X1,Y1)，第二帧中目标猪的中心位置坐标为(X2,Y2)，第三帧中目标猪的中心位置坐标为(X3,Y3)，则所述目标猪的一分钟内的位移累积数据S＝S1+S2，其中
所述1分钟内的运动速度数据等于(V1+V2)/2，其中V1＝S1/t1，V2＝S2/t2，其中t1表示从所述目标监测对象从(X1,Y1)运动到(X2,Y2)的时长，t2表示从所述目标监测对象从(X2,Y2)运动到(X3,Y3)的时长。
所述1分钟内的运动加速度数据等于(V2-V2)/(t1+t2)。
所述目标时间段内的位移累积数据用于描述监测对象在目标时间段内的位置变化。当监测对象在所述目标时间段内的位移累积数据很少，表示监测对象在目标时间段内的位置变化很少，则确定所述监测对象比较安静。当监测对象在所述目标时间段内的位移累积数据很多，表示监测对象在目标时间段内的位置变化很多，则确定所述监测对象比较烦躁。
所述目标时间段内的运动速度数据能描述监测对象运动的快慢。当监测对象的所述目标时间段内的运动速度数据很小时，表示监测对象比较安静；当监测对象的所述目标时间段内的运动速度数据很大时，表示监测对象比较烦躁。
所述目标时间段内的运动加速度数据描述单位时间内监测对象运动速度改变的快慢。当监测对象的所述目标时间段内的运动加速度数据很小时，表示监测对象比较安静；当监测对象的所述目标时间段内的运动加速度数据很大时，表示监测对象比较烦躁。
当监测到监测对象的运动状态属于烦躁状态或安静状态时，则确定所述监测对象的运动状态异常，可能所述监控区域内有疫情。
S13、基于每个监测对象的运动数据，确定每个监测对象的运动状态。
优选地，基于每个监测对象的运动数据，利用运动状态评估模型确定每个监测对象的运动状态。所述运动状态评估模型包括但不限于：支持向量机(Support VectorMachine，SVM)模型。将每个监测对象的运动数据作为所述运动状态评估模型的输入数据，经过所述运动状态评估模型计算后，输出每个监测对象的运动状态。每个监测对象的运动状态包括以下任意一种：烦躁状态、正常状态、安静状态。
训练所述运动状态评估模型的过程包括：
(1)获取正样本的运动数据及预设数量的负样本，并将正样本的运动数据进行运动状态标注，以使正样本携带运动状态标签。其中所述运动数据包括以下一种或者多种的组合：目标时间段内的位移累加数据、运动速度数据、运动加速度数据。
例如，每种运动状态标签对应的正样本数据各选取500条，以使烦躁、正常、安静这三种运动状态对应的监测样本数据等比例。
(2)将所述正样本及所述负样本随机分成第一预设比例的训练集和第二预设比例的验证集，利用所述训练集训练所述运动状态评估模型，并利用所述验证集验证训练后的所述运动状态评估模型的准确率。例如，将不同运动状态的训练样本数据分发到不同的文件夹里。例如，烦躁状态的训练样本数据的分发到第一文件夹里；安静状态的训练样本数据分发到第二文件夹里；正常状态的训练样本数据分发到第三文件夹里。从不同文件夹下各提取第一预设比例，例如，70％的训练样本数据作为训练数据进行运动状态评估模型的训练，从不同文件夹下各取剩下的第二预设比例，例如，30％的训练样本数据作为测试数据以对生成的运动状态评估模型进行准确性验证。
(3)若所述准确率大于等于预设准确率，则训练结束，以训练后的所述运动状态评估模型为所述分类器，或者，若所述准确率小于预设准确率，则增加正样本数量及负样本数量，以重新进行训练。
S14、基于每个监测对象的运动状态，确定所述监控区域所在的养殖区域的疫情状态数据。
优选地，所述基于每个监测对象的运动状态，确定所述监控区域所在的养殖区域的疫情状态数据包括：
当所述监控区域内运动状态有异常的监测对象的数量达到第一数量阈值时，确定所述监控区域内有疫情，并发出疫情警报信息，其中异常的运动状态包括安静状态、烦躁状态。例如，当监控区域内若有40头猪一天时间内的位移累积数据都很少，则表示这些猪都很安静，不想活动，确定所述监控区域所在的养殖区域内有疫情。本发明能对小片区域内监测对象进行监测，确定小片区域内监测对象身体健康状态，从而确定整个养殖区域内是否有疫情，从而及时控制疫情。
优选地，所述方法还包括：当确定所述监控区域内有疫情数据时，提示用户提供理赔材料数据以使用户能快速赔付。
优选地，所述方法还包括：
当确定所述监控区域内没有疫情数据，且有至少两个监测对象的位移累加数据超过位移阈值时，发出监测对象有异常行为的警报以提示用户查看所述监控区域；及/或
当确定所述监控区域内没有疫情数据，且有运动速度数据超过运动速度阈值的监测对象的数量达到第二数量阈值时，发出监测对象有异常行为的警报以提示用户查看所述监控区域；及/或
当确定所述监控区域内没有疫情数据，且有运动加速度数据超过运动加速度阈值的监测对象的数量达到第三数量阈值时，发出监测对象有异常行为的警报以提示用户查看所述监控区域。
例如，当确定所述监控区域内没有疫情数据，且有几只猪的位移累加数据超过位移阈值时，确定所述几只猪的健康状态有异常，提示用户及时查看以防止病情传染过快等等。
当确定所述监控区域内没有疫情数据，且有两只猪的运动速度超过运动速度阈值时，确定可能所述两只猪可能在打架，发出警报信息以提示用户及时查看监控区域内猪的状态。
本发明提供一种动物健康状态监测方法，通过摄像设备获取监控区域的帧图片，从所述帧图片中提取多个监测对象，并确定所述多个监测对象中每个监测对象的身份，基于所述帧图片及每个监测对象的身份，对每个监测对象进行跟踪，获取每个监测对象的运动数据，基于每个监测对象的运动数据，确定每个监测对象的运动状态，基于每个监测对象的运动状态，确定所述监控区域内的疫情状态数据。因此，本发明能对小片区域内监测对象进行监测，确定小片区域内监测对象身体健康状态，从而确定整个养殖区域内是否有疫情，从而及时控制疫情。并在有疫情发生时，及时进行保险赔付。
如图2所示，本发明动物健康状态监测装置的第一较佳实施例的程序模块图。所述动物健康状态监测装置2包括，但不限于以下一个或者多个程序模块：获取模块20、确定模块21、训练模块22、提示模块23及报警模块24。本发明所称的程序模块是指一种能够被动物健康状态监测装置2的处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。关于各模块的功能将在后续的实施例中详述。
所述获取模块20通过摄像设备获取监控区域的帧图片。
在本发明的实施例中，所述监控区域可以是养殖区域中的一部分，这样通过对所述监控区域中监控对象的监测来实现对所述养殖区域的监测。所述监控区域中养殖至少一个监测对象。所述监测对象包括，但不限于，动物等等。例如所述监控区域中养殖着大量的猪。
所述摄像设备可以是一个或者多个，用于监控所述监控区域中监测对象的状态。所述帧图片包括一帧或者多帧帧图片。后续基于所述帧图片，对所述监控区域中监测对象进行跟踪，获取所述监控区域中监测对象的运动状态，并根据所述监控区域中监测对象的运动状态，监测所述监控区域中监测对象的运动状态。
所述确定模块21从所述帧图片中提取多个监测对象，并确定所述多个监测对象中每个监测对象的身份。
在本发明中，在养殖过程中，为了区别每个监测对象，会在每个监测对象上标识上一个标签，所述标签用于标识每个监测对象的身份，所述标签附在每个监测对象的身上。所述标签包括，但不限于：数字，几何形状等等，所述标签的颜色可以不同于监测对象的颜色，以便于后续更好从拍摄的图片中提取所述标签。例如，所述监控区域有六只猪，对这六只猪，依次标号为1至6个数字，用于标识这六只猪，每只猪对应所述1至6个数字中的一个数字。所述1至6个数字通过画笔画在监测对象的身上，也可以将所述1至6个数字分别写在一个贴纸上，将每个贴纸贴到每只猪的身上。
为了对每个监测对象进行跟踪，需要从所述帧图片中提取每个监测对象。优选地，所述确定模块21从所述帧图片中所述提取多个监测对象包括：
(a1)对所述帧图片进行二值化处理，得到二值化图像。
可选地，对一张图片而言，对所述一张图片中的每个像素点的像素值与像素阈值T进行比较，从而实现二值化。若某个像素点的像素值大于或等于T，则取所述像素点的像素值更新为1；若某个像素点的像素值小于T，则取所述像素点的像素值更新为0。当然在其他实施例中，也可以使用其他二值化方法，本发明不做任何限制。
这样对所述帧图片进行二值化，就可以获取每个监测对象的边界，从而便于后续获取每个监测对象的位置和轮廓。
(a2)对从所述二值化图像进行填充，得到填充后的图像。
可选地，利用图像膨胀方法对所述二值化图像进行填充。
用一个结构元素(例如3*3的结构元素)去膨胀所述二值化图像的过程是这样的：遍历所述二值化图像的每一个像素，然后用结构元素的中心点对准当前正在遍历的当前像素点，然后取结构元素所覆盖下的所述二值化图像对应的当前区域内的所有像素的最大值，用这个最大值替换所述当前像素点的当前像素值。由于二值图像最大值就是1，所以就是用1替换，即变成了白色前景物体。因此，如果结构元素覆盖下的全部都是背景，那么就不会对当前像素点做出改动，因为结构元素覆盖下的像素点都是0。如果全部都是前景像素，也不会对当前像素点做出改动，因为结构元素覆盖下的像素点都是1。只有结构元素位于所述二值化图像的边缘时，它覆盖的区域内才会出现0和1两种不同的像素值，把当前像素点替换成1，所述二值化图像就有变化了。因此膨胀看起来的效果就是让所述二值化图像胀大了一圈一样。对于所述二值化图像中一些断裂处，这些断裂的地方就会被连接起来，从而便于后续提取清楚的轮廓。
(a3)从所述填充后的图像中提取多个轮廓及所述多个轮廓中每个轮廓的位置，其中每个轮廓对应一个监测对象。
优选地，利用边沿检测算子从所述填充后的图像中提取多个轮廓及所述多个轮廓中每个轮廓的位置。所述边沿检测算子包括，但不限于：Sobel算子、高斯拉普拉斯算子等等。
优选地，所述确定模块21确定所述多个监测对象中每个监测对象的身份包括：
(b1)基于每个轮廓的位置，从所述帧图片中确定每个轮廓对应的区域图片。
(b2)从每个轮廓对应的区域图片中提取每个监测对象对应的标签。
在本发明的实施例中，基于标签的特征，并利用图像提取技术从每个轮廓对应的区域图片中提取每个监测对象对应的标签。所述标签的特别包括，但不限于：颜色特征、形状特征。其中图像提取技术包括，但不限于：基于灰度的特征提取技术、基于边缘的特征提取技术、基于模板的特征提取技术等等。
(b3)基于每个监测对象对应的标签，确定每个监测对象的身份。
由于一个标签标识对应一个监测对象，因此根据标签标识与监测对象的对应关系，确定每个监测对象的身份。
所述获取模块20基于所述帧图片及每个监测对象的身份，对每个监测对象进行跟踪，获取每个监测对象的运动数据。
优选地，所述获取模块20获取每个监测对象的运动数据包括：
基于每个监测对象的轮廓，确定每个监测对象的外接多边形；
基于每个监测对象的轮廓的位置，计算每个监测对象的外接多边形的中心，将每个监测对象的外接多边形的中心确定为每个监测对象的中心；
计算每个监测对象的中心的运动变化数据，将所述每个监测对象的中心的运动变化数据确定为每个监测对象的运动数据。
在本发明的实施例中，将任意一个监测对象记为目标监测对象，对所述目标监测对象而言，所述获取模块20还用于：在目标时间段内的每帧图片中提取所述目标监测对象的中心，基于所述目标时间段内每帧图片中所述目标监测对象的中心的位置数据，计算所述目标监测对象的中心的运动变化数据，将所述目标监测对象的中心的运动变化数据确定为所述监测对象的运动数据。
优选地，所述运动数据包括以下一种或者多种的组合：目标时间段内的位移累加数据、目标时间段内的运动速度数据、目标时间段内的运动加速度数据。
对于所述目标监测对象而言，所述目标时间段内的位移累加数据的计算过程如下：计算所述目标时间段内每个相邻两帧图片中所述目标监测对象的中心的欧式距离，再将所述目标时间段内每个相邻两帧图片中所述目标监测对象的中心的欧式距离进行累加，即为所述目标时间段内的位移累加数据。
所述目标时间段内的运动速度数据表示所述目标时间段内的平均速度，计算过程如下：计算所述目标时间段内每个相邻两帧图片中所述目标监测对象的中心的运动速度，再基于所述目标时间段内每个相邻两帧图片中所述目标监测对象的中心的运动速度计算速度平均值，所述速度平均值即为所述目标时间段内的运动速度数据。
所述目标时间段内的运动加速度数据表示所述目标时间段内的平均加速度，计算过程如下：计算所述目标时间段内每个相邻两帧图片中所述目标监测对象的中心的运动加速度，再基于所述目标时间段内每个相邻两帧图片中所述目标监测对象的中心的运动加速度计算加速度平均值，所述加速度平均值即为所述目标时间段内的运动加速度数据。
例如，在1分钟内共抓拍到一只目标猪的连续三帧图片，第一帧中目标猪的中心位置坐标为(X1,Y1)，第二帧中目标猪的中心位置坐标为(X2,Y2)，第三帧中目标猪的中心位置坐标为(X3,Y3)，则所述目标猪的一分钟内的位移累积数据S＝S1+S2，其中
所述1分钟内的运动速度数据等于(V1+V2)/2，其中V1＝S1/t1，V2＝S2/t2，其中t1表示从所述目标监测对象从(X1,Y1)运动到(X2,Y2)的时长，t2表示从所述目标监测对象从(X2,Y2)运动到(X3,Y3)的时长。
所述1分钟内的运动加速度数据等于(V2-V2)/(t1+t2)。
所述目标时间段内的位移累积数据用于描述监测对象在目标时间段内的位置变化。当监测对象在所述目标时间段内的位移累积数据很少，表示监测对象在目标时间段内的位置变化很少，则确定所述监测对象比较安静。当监测对象在所述目标时间段内的位移累积数据很多，表示监测对象在目标时间段内的位置变化很多，则确定所述监测对象比较烦躁。
所述目标时间段内的运动速度数据能描述监测对象运动的快慢。当监测对象的所述目标时间段内的运动速度数据很小时，表示监测对象比较安静；当监测对象的所述目标时间段内的运动速度数据很大时，表示监测对象比较烦躁。
所述目标时间段内的运动加速度数据描述单位时间内监测对象运动速度改变的快慢。当监测对象的所述目标时间段内的运动加速度数据很小时，表示监测对象比较安静；当监测对象的所述目标时间段内的运动加速度数据很大时，表示监测对象比较烦躁。
当监测到监测对象的运动状态属于烦躁状态或安静状态时，则确定所述监测对象的运动状态异常，可能所述监控区域内有疫情。
所述确定模块21基于每个监测对象的运动数据，确定每个监测对象的运动状态。
优选地，所述确定模块21基于每个监测对象的运动数据，利用运动状态评估模型确定每个监测对象的运动状态。所述运动状态评估模型包括但不限于：支持向量机(Support Vector Machine，SVM)模型。将每个监测对象的运动数据作为所述运动状态评估模型的输入数据，经过所述运动状态评估模型计算后，输出每个监测对象的运动状态。每个监测对象的运动状态包括以下任意一种：烦躁状态、正常状态、安静状态。
训练模块22训练所述运动状态评估模型的过程包括：
(1)获取正样本的运动数据及预设数量的负样本，并将正样本的运动数据进行运动状态标注，以使正样本携带运动状态标签。其中所述运动数据包括以下一种或者多种的组合：目标时间段内的位移累加数据、运动速度数据、运动加速度数据。
例如，每种运动状态标签对应的正样本数据各选取500条，以使烦躁、正常、安静这三种运动状态对应的监测样本数据等比例。
(2)将所述正样本及所述负样本随机分成第一预设比例的训练集和第二预设比例的验证集，利用所述训练集训练所述运动状态评估模型，并利用所述验证集验证训练后的所述运动状态评估模型的准确率。例如，将不同运动状态的训练样本数据分发到不同的文件夹里。例如，烦躁状态的训练样本数据的分发到第一文件夹里；安静状态的训练样本数据分发到第二文件夹里；正常状态的训练样本数据分发到第三文件夹里。从不同文件夹下各提取第一预设比例，例如，70％的训练样本数据作为训练数据进行运动状态评估模型的训练，从不同文件夹下各取剩下的第二预设比例，例如，30％的训练样本数据作为测试数据以对生成的运动状态评估模型进行准确性验证。
(3)若所述准确率大于等于预设准确率，则训练结束，以训练后的所述运动状态评估模型为所述分类器，或者，若所述准确率小于预设准确率，则增加正样本数量及负样本数量，以重新进行训练。
所述确定模块21基于每个监测对象的运动状态，确定所述监控区域所在的养殖区域的疫情状态数据。
优选地，所述确定模块21基于每个监测对象的运动状态，确定所述监控区域所在的养殖区域的疫情状态数据包括：
当所述监控区域内运动状态有异常的监测对象的数量达到第一数量阈值时，确定所述监控区域内有疫情，并发出疫情警报信息，其中异常的运动状态包括安静状态、烦躁状态。例如，当监控区域内若有40头猪一天时间内的位移累积数据都很少，则表示这些猪都很安静，不想活动，确定所述监控区域所在的养殖区域内有疫情。本发明能对小片区域内监测对象进行监测，确定小片区域内监测对象身体健康状态，从而确定整个养殖区域内是否有疫情，从而及时控制疫情。
优选地，所述提示模块23用于：当确定所述监控区域内有疫情数据时，提示用户提供理赔材料数据以使用户能快速赔付。
优选地，所述报警模块24用于：
当确定所述监控区域内没有疫情数据，且有至少两个监测对象的位移累加数据超过位移阈值时，发出监测对象有异常行为的警报以提示用户查看所述监控区域；及/或
当确定所述监控区域内没有疫情数据，且有运动速度数据超过运动速度阈值的监测对象的数量达到第二数量阈值时，发出监测对象有异常行为的警报以提示用户查看所述监控区域；及/或
当确定所述监控区域内没有疫情数据，且有运动加速度数据超过运动加速度阈值的监测对象的数量达到第三数量阈值时，发出监测对象有异常行为的警报以提示用户查看所述监控区域。
例如，当确定所述监控区域内没有疫情数据，且有几只猪的位移累加数据超过位移阈值时，确定所述几只猪的健康状态有异常，提示用户及时查看以防止病情传染过快等等。
当确定所述监控区域内没有疫情数据，且有两只猪的运动速度超过运动速度阈值时，确定可能所述两只猪可能在打架，发出警报信息以提示用户及时查看监控区域内猪的状态。
本发明提供一种动物健康状态监测方法，通过摄像设备获取监控区域的帧图片，从所述帧图片中提取多个监测对象，并确定所述多个监测对象中每个监测对象的身份，基于所述帧图片及每个监测对象的身份，对每个监测对象进行跟踪，获取每个监测对象的运动数据，基于每个监测对象的运动数据，确定每个监测对象的运动状态，基于每个监测对象的运动状态，确定所述监控区域内的疫情状态数据。因此，本发明能对小片区域内监测对象进行监测，确定小片区域内监测对象身体健康状态，从而确定整个养殖区域内是否有疫情，从而及时控制疫情。并在有疫情发生时，及时进行保险赔付。
上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明每个实施例所述方法的部分步骤。
如图3所示，所述电子设备3包括至少一个发送装置31、至少一个存储器32、至少一个处理器33、至少一个接收装置34以及至少一个通信总线。其中，所述通信总线用于实现这些组件之间的连接通信。
所述电子设备3是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。所述电子设备3还可包括网络设备和/或用户设备。其中，所述网络设备包括但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(Cloud Computing)的由大量主机或网络服务器构成的云，其中，云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个超级虚拟计算机。
所述电子设备3可以是，但不限于任何一种可与用户通过键盘、触摸板或声控设备等方式进行人机交互的电子产品，例如，平板电脑、智能手机、个人数字助理(PersonalDigital Assistant，PDA)、智能式穿戴式设备、摄像设备、监控设备等终端。
所述电子设备3所处的网络包括，但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。
其中，所述接收装置34和所述发送装置31可以是有线发送端口，也可以为无线设备，例如包括天线装置，用于与其他设备进行数据通信。
所述存储器32用于存储程序代码。所述存储器32可以是集成电路中没有实物形式的具有存储功能的电路，如RAM(Random-Access Memory，随机存取存储器)、FIFO(First InFirst Out，)等。或者，所述存储器32也可以是具有实物形式的存储器，如内存条、TF卡(Trans-flash Card)、智能媒体卡(smart media card)、安全数字卡(secure digitalcard)、快闪存储器卡(flash card)等储存设备等等。
所述处理器33可以包括一个或者多个微处理器、数字处理器。所述处理器33可调用存储器32中存储的程序代码以执行相关的功能。例如，图2中所述的各个模块是存储在所述存储器32中的程序代码，并由所述处理器33所执行，以实现一种动物健康状态监测方法。所述处理器33又称中央处理器(CPU，Central Processing Unit)，是一块超大规模的集成电路，是运算核心(Core)和控制核心(Control Unit)。
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机指令，所述指令当被包括一个或多个处理器的动物健康状态监测装置执行时，使动物健康状态监测装置执行如上文方法实施例所述的动物健康状态监测方法。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明的各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以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进行等同替换；而这些修改或者替换，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范围。
Claims (10)
1.一种动物健康状态监测方法，其特征在于，所述方法包括：
通过摄像设备获取监控区域的帧图片；
从所述帧图片中提取多个监测对象，并确定所述多个监测对象中每个监测对象的身份；
基于所述帧图片及每个监测对象的身份，对每个监测对象进行跟踪，获取每个监测对象的运动数据；
基于每个监测对象的运动数据，确定每个监测对象的运动状态，所述运动数据包括以下一种或者多种的组合：目标时间段内的位移累加数据、目标时间段内的运动速度数据、目标时间段内的运动加速度数据；
基于每个监测对象的运动状态，确定所述监控区域所在的养殖区域的疫情状态数据。
2.如权利要求1所述的动物健康状态监测方法，其特征在于，所述从所述帧图片中所述提取多个监测对象包括：
对所述帧图片进行二值化处理，得到二值化图像；
对从所述二值化图像进行填充，得到填充后的图像；
从所述填充后的图像中提取多个轮廓及所述多个轮廓中每个轮廓的位置，其中每个轮廓对应一个监测对象。
3.如权利要求2所述的动物健康状态监测方法，其特征在于，所述确定所述多个监测对象中每个监测对象的身份包括：
基于每个轮廓的位置，从所述帧图片中确定每个轮廓对应的区域图片；
从每个轮廓对应的区域图片中提取每个监测对象对应的标签；
基于每个监测对象对应的标签，确定每个监测对象的身份。
4.如权利要求2所述的动物健康状态监测方法，其特征在于，所述获取每个监测对象的运动数据包括：
基于每个监测对象的轮廓，确定每个监测对象的外接多边形；
基于每个监测对象的轮廓的位置，计算每个监测对象的外接多边形的中心，将每个监测对象的外接多边形的中心确定为每个监测对象的中心；
计算每个监测对象的中心的运动变化数据，将所述每个监测对象的中心的运动变化数据确定为每个监测对象的运动数据。
5.如权利要求1所述的动物健康状态监测方法，其特征在于，所述基于每个监测对象的运动数据，确定每个监测对象的运动状态包括：
基于每个监测对象的运动数据，利用运动状态评估模型确定每个监测对象的运动状态；
其中训练所述运动状态评估模型的过程包括：
获取正样本的运动数据及预设数量的负样本，并将正样本的运动数据进行运动状态标注，以使正样本携带运动状态标签；
将所述正样本及所述负样本随机分成第一预设比例的训练集和第二预设比例的验证集，利用所述训练集训练所述运动状态评估模型，并利用所述验证集验证训练后的所述运动状态评估模型的准确率；
若所述准确率大于等于预设准确率，则训练结束，以训练后的所述运动状态评估模型为所述分类器，或者，若所述准确率小于预设准确率，则增加正样本数量及负样本数量，以重新进行训练。
6.如权利要求1所述的动物健康状态监测方法，其特征在于，所述每个监测对象的运动状态包括烦躁状态、正常状态、安静状态中的任意一种，所述基于每个监测对象的运动状态，确定所述监控区域所在的养殖区域的疫情状态数据包括：
当所述监控区域内运动状态有异常的监测对象的数量达到第一数量阈值时，确定所述监控区域内有疫情，并发出疫情警报信息，其中异常的运动状态包括以下一种或者多种的组合：安静状态、烦躁状态。
7.如权利要求1所述的动物健康状态监测方法，其特征在于，所述方法还包括：
当确定所述监控区域内有疫情数据时，提示用户提供理赔材料数据以使用户能快速赔付。
8.如权利要求1所述的动物健康状态监测方法，其特征在于，所述方法还包括：
当确定所述监控区域内没有疫情数据，且有至少两个监测对象的位移累加数据超过位移阈值时，发出监测对象有异常行为的警报以提示用户查看所述监控区域；及/或
当确定所述监控区域内没有疫情数据，且有运动速度数据超过运动速度阈值的监测对象的数量达到第二数量阈值时，发出监测对象有异常行为的警报以提示用户查看所述监控区域；及/或
当确定所述监控区域内没有疫情数据，且有运动加速度数据超过运动加速度阈值的监测对象的数量达到第三数量阈值时，发出监测对象有异常行为的警报以提示用户查看所述监控区域。
9.一种电子设备，其特征在于，所述电子设备包括存储器及处理器，所述存储器用于存储至少一个指令，所述处理器用于执行所述至少一个指令以实现如权利要求1至8中所述动物健康状态监测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有至少一个指令，所述至少一个指令被处理器执行时实现如权利要求1至8中任一项所述动物健康状态监测方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810504067.7A CN108812407B (zh) | 2018-05-23 | 2018-05-23 | 动物健康状态监测方法、设备及存储介质 |
| PCT/CN2018/100233 WO2019223130A1 (zh) | 2018-05-23 | 2018-08-13 | 动物健康状态监测方法、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810504067.7A CN108812407B (zh) | 2018-05-23 | 2018-05-23 | 动物健康状态监测方法、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108812407A true CN108812407A (zh) | 2018-11-16 |
| CN108812407B CN108812407B (zh) | 2020-11-27 |
Family
ID=64148626
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810504067.7A Active CN108812407B (zh) | 2018-05-23 | 2018-05-23 | 动物健康状态监测方法、设备及存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN108812407B (zh) |
| WO (1) | WO2019223130A1 (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109766089A (zh) * | 2018-12-15 | 2019-05-17 | 平安科技（深圳）有限公司 | 基于动图的代码生成方法、装置、电子设备及存储介质 |
| CN110892872A (zh) * | 2019-12-04 | 2020-03-20 | 深圳创维－Rgb电子有限公司 | 宠物状态监控方法、装置、电视机设备及存储介质 |
| CN111027525A (zh) * | 2020-03-09 | 2020-04-17 | 中国民用航空总局第二研究所 | 疫情期间公共场所潜在被感染者追踪方法、装置及系统 |
| CN111183917A (zh) * | 2019-11-14 | 2020-05-22 | 北京海益同展信息科技有限公司 | 一种动物异常监测、图像处理方法及装置 |
| CN111260170A (zh) * | 2018-11-30 | 2020-06-09 | 重庆小雨点小额贷款有限公司 | 农产品管理方法、装置、服务器及存储介质 |
| CN112335558A (zh) * | 2020-11-05 | 2021-02-09 | 新余学院 | 一种牲畜疾控自动监测防控装置 |
| CN116304596A (zh) * | 2023-05-26 | 2023-06-23 | 深圳市明源云科技有限公司 | 室内儿童安全监测方法、装置、电子设备及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101572804A (zh) * | 2009-03-30 | 2009-11-04 | 浙江大学 | 多摄像机智能控制方法及装置 |
| CN102151125A (zh) * | 2011-04-28 | 2011-08-17 | 北京农业智能装备技术研究中心 | 猪只群体体温分布监测系统及方法 |
| CN104008367A (zh) * | 2014-05-08 | 2014-08-27 | 中国农业大学 | 基于计算机视觉的育肥猪的自动行为分析系统及方法 |
| WO2016122300A1 (es) * | 2015-01-27 | 2016-08-04 | Sanchez Arocha Octavio | Método y dispositivo para estimar estrés individual en ganado bovino |
| CN105894536A (zh) * | 2016-03-30 | 2016-08-24 | 中国农业大学 | 基于视频跟踪的禽畜行为分析方法及系统 |
| CN105975981A (zh) * | 2016-04-27 | 2016-09-28 | 北京小米移动软件有限公司 | 疫情监测方法及装置 |
| CN106204061A (zh) * | 2016-06-30 | 2016-12-07 | 滁州学院 | 一种有机牲畜生长、屠宰、分销过程监测与可追溯管理系统 |
| CN107133604A (zh) * | 2017-05-25 | 2017-09-05 | 江苏农林职业技术学院 | 一种基于椭圆拟合和预测性神经网络的猪步态异常检测方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101464952A (zh) * | 2007-12-19 | 2009-06-24 | 中国科学院自动化研究所 | 基于轮廓的异常行为识别方法 |
| CN105809711B (zh) * | 2016-03-02 | 2019-03-12 | 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 |
| CN107707875A (zh) * | 2017-09-20 | 2018-02-16 | 翔创科技（北京）有限公司 | 牲畜监控方法、计算机程序、存储介质及电子设备 |
-
2018
- 2018-05-23 CN CN201810504067.7A patent/CN108812407B/zh active Active
- 2018-08-13 WO PCT/CN2018/100233 patent/WO2019223130A1/zh active Application Filing
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101572804A (zh) * | 2009-03-30 | 2009-11-04 | 浙江大学 | 多摄像机智能控制方法及装置 |
| CN102151125A (zh) * | 2011-04-28 | 2011-08-17 | 北京农业智能装备技术研究中心 | 猪只群体体温分布监测系统及方法 |
| CN104008367A (zh) * | 2014-05-08 | 2014-08-27 | 中国农业大学 | 基于计算机视觉的育肥猪的自动行为分析系统及方法 |
| WO2016122300A1 (es) * | 2015-01-27 | 2016-08-04 | Sanchez Arocha Octavio | Método y dispositivo para estimar estrés individual en ganado bovino |
| CN105894536A (zh) * | 2016-03-30 | 2016-08-24 | 中国农业大学 | 基于视频跟踪的禽畜行为分析方法及系统 |
| CN105975981A (zh) * | 2016-04-27 | 2016-09-28 | 北京小米移动软件有限公司 | 疫情监测方法及装置 |
| CN106204061A (zh) * | 2016-06-30 | 2016-12-07 | 滁州学院 | 一种有机牲畜生长、屠宰、分销过程监测与可追溯管理系统 |
| CN107133604A (zh) * | 2017-05-25 | 2017-09-05 | 江苏农林职业技术学院 | 一种基于椭圆拟合和预测性神经网络的猪步态异常检测方法 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111260170A (zh) * | 2018-11-30 | 2020-06-09 | 重庆小雨点小额贷款有限公司 | 农产品管理方法、装置、服务器及存储介质 |
| CN109766089A (zh) * | 2018-12-15 | 2019-05-17 | 平安科技（深圳）有限公司 | 基于动图的代码生成方法、装置、电子设备及存储介质 |
| CN111183917A (zh) * | 2019-11-14 | 2020-05-22 | 北京海益同展信息科技有限公司 | 一种动物异常监测、图像处理方法及装置 |
| CN110892872A (zh) * | 2019-12-04 | 2020-03-20 | 深圳创维－Rgb电子有限公司 | 宠物状态监控方法、装置、电视机设备及存储介质 |
| CN111027525A (zh) * | 2020-03-09 | 2020-04-17 | 中国民用航空总局第二研究所 | 疫情期间公共场所潜在被感染者追踪方法、装置及系统 |
| CN111027525B (zh) * | 2020-03-09 | 2020-06-30 | 中国民用航空总局第二研究所 | 疫情期间公共场所潜在被感染者追踪方法、装置及系统 |
| CN112335558A (zh) * | 2020-11-05 | 2021-02-09 | 新余学院 | 一种牲畜疾控自动监测防控装置 |
| CN116304596A (zh) * | 2023-05-26 | 2023-06-23 | 深圳市明源云科技有限公司 | 室内儿童安全监测方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108812407B (zh) | 2020-11-27 |
| WO2019223130A1 (zh) | 2019-11-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108812407A (zh) | 动物健康状态监测方法、设备及存储介质 | |
| CN109508688B (zh) | 基于骨架的行为检测方法、终端设备及计算机存储介质 | |
| Saponara et al. | Implementing a real-time, AI-based, people detection and social distancing measuring system for Covid-19 | |
| Zhuang et al. | Detection of sick broilers by digital image processing and deep learning | |
| CN108595585B (zh) | 样本数据分类方法、模型训练方法、电子设备及存储介质 | |
| Zhao et al. | Modified motion influence map and recurrent neural network-based monitoring of the local unusual behaviors for fish school in intensive aquaculture | |
| JP6950692B2 (ja) | 人流推定装置、人流推定方法およびプログラム | |
| CN108875480A (zh) | 一种人脸特征信息的追踪方法、装置及系统 | |
| Ali et al. | Modeling, simulation and visual analysis of crowds: a multidisciplinary perspective | |
| CN109840504A (zh) | 物品取放行为识别方法、装置、存储介质及设备 | |
| US20130177235A1 (en) | Evaluation of Three-Dimensional Scenes Using Two-Dimensional Representations | |
| CN112580552B (zh) | 一种鼠类行为分析方法及装置 | |
| CN108229262B (zh) | 一种色情视频检测方法及装置 | |
| CN109190559A (zh) | 一种手势识别方法、手势识别装置及电子设备 | |
| CN111091025B (zh) | 图像处理方法、装置和设备 | |
| CN112149602A (zh) | 动作计数方法、装置、电子设备及存储介质 | |
| Gan et al. | Spatiotemporal graph convolutional network for automated detection and analysis of social behaviours among pre-weaning piglets | |
| CN114067428A (zh) | 多视角多目标的跟踪方法、装置、计算机设备和存储介质 | |
| Batool et al. | Telemonitoring of daily activities based on multi-sensors data fusion | |
| CN108875500A (zh) | 行人再识别方法、装置、系统及存储介质 | |
| CN110163103A (zh) | 一种基于视频图像的生猪行为识别方法和装置 | |
| CN110533688A (zh) | 改进型的目标跟踪方法、装置及计算机可读存储介质 | |
| Zhou et al. | A bio-inspired hierarchical spiking neural network with reward-modulated stdp learning rule for aer object recognition | |
| CN114360182B (zh) | 一种智能告警方法、装置、设备及存储介质 | |
| CN111950507B (zh) | 数据处理和模型训练方法、装置、设备及介质 |
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 |