CN108875709B - 一种扎堆行为检测方法、装置、电子设备及存储介质 - Google Patents
一种扎堆行为检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN108875709B CN108875709B CN201810792519.6A CN201810792519A CN108875709B CN 108875709 B CN108875709 B CN 108875709B CN 201810792519 A CN201810792519 A CN 201810792519A CN 108875709 B CN108875709 B CN 108875709B
- Authority
- CN
- China
- Prior art keywords
- image
- target
- detected
- area
- region
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
Abstract
本发明实施例提供一种扎堆行为检测方法、装置、电子设备及存储介质,其中所述方法包括:将包含待检测目标的目标图像进行图像划分,获得至少一个图像区域;针对每一个图像区域,获取该图像区域内所述待检测目标的占比密度和该图像区域的区域权重系数,其中,所述区域权重系数使得所述目标图像中单位像素所对应的待检测目标的面积相同;根据该图像区域内所述待检测目标的占比密度和该图像区域的区域权重系数,获取该图像区域内待检测目标的区域分布密度;根据每一个图像区域内待检测目标的区域分布密度,对所述待检测目标的扎堆行为进行检测。本发明实施例节省了人力成本,且提高了扎堆行为检测时的及时性。
Description
技术领域
本发明涉及电子信息技术领域,尤其涉及一种扎堆行为检测方法、装置、电子设备及存储介质。
背景技术
当今农业生产依然是人类社会发展的立根之本,农业规模的不断扩大,产业产出能力的不断提高,是解决人口增加下,社会正常运转的基本保障。畜牧业作为农业的一大支柱与关键组成,从奶制品,肉制品再到皮毛纺织制品,都与人们衣食住行息息相关,且一直承担着人们日常生活所需食物的很大部分开销。
在畜牧养殖中,例如猪群养殖中,病弱猪的有效控制是提高产出比的有效手段,而病弱牲畜往往都喜欢扎堆,因此扎堆检测是病弱猪检测中的一个重要的检测指标。但是,在目前的畜牧产业中,绝大多数的养殖场,养殖车间均采用人工养殖的方法,即使在一些自动化养殖车间内,也仅仅能提供简单的养殖环境监控。这导致目前在监控牲畜的扎堆行为的过程中,通常是通过人力巡检的方式检测牲畜的扎堆行为,但这种人工检测方式不仅费时费力,监控不及时,而且对人员也有较高的要求,不利于集约化生产。
综上所述,现有技术中在通过人工检测目标扎堆行为时存在费事费力和监控不及时的问题。
发明内容
本发明实施例提供一种扎堆行为检测方法、装置、电子设备及存储介质,以解决现有技术中在通过人工检测目标扎堆行为时存在的费事费力和监控不及时的问题。
针对上述问题,第一方面,本发明实施例提供一种扎堆行为检测方法,包括:
将包含待检测目标的目标图像进行图像划分,获得至少一个图像区域;
针对每一个图像区域,获取该图像区域内所述待检测目标的占比密度和该图像区域的区域权重系数,其中,所述区域权重系数使得所述目标图像中单位像素所对应的待检测目标的面积相同;
根据该图像区域内所述待检测目标的占比密度和该图像区域的区域权重系数,获取该图像区域内待检测目标的区域分布密度;
根据每一个图像区域内待检测目标的区域分布密度,对所述待检测目标的扎堆行为进行检测。
第二方面,本发明实施例提供一种扎堆行为检测装置,所述装置包括:
图像区域划分模块,用于将包含待检测目标的目标图像进行图像划分,获得至少一个图像区域;
第一获取模块,用于针对每一个图像区域,获取该图像区域内所述待检测目标的占比密度和该图像区域的区域权重系数,其中,所述区域权重系数使得所述目标图像中单位像素所对应的待检测目标的面积相同;
第二获取模块,用于根据该图像区域内所述待检测目标的占比密度和该图像区域的区域权重系数,获取该图像区域内待检测目标的区域分布密度;
检测模块,用于根据每一个图像区域内待检测目标的区域分布密度,对所述待检测目标的扎堆行为进行检测。
第三方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述的扎堆行为检测方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现所述的扎堆行为检测方法的步骤。
本发明实施例提供的扎堆行为检测方法、装置、电子设备及存储介质,通过针对目标图像中划分得到的每一个图像区域,获取该图像区域内待检测目标的占比密度和该图像区域的区域权重系数,其中该区域权重系数使得目标图像中单位像素所对应的待检测目标的面积相同,并且根据该图像区域内待检测目标的占比密度和该图像区域的区域权重系数,获取该图像区域内待检测目标的区域分布密度,最后根据每一个图像区域内待检测目标的区域分布密度,对待检测目标的扎堆行为进行检测,实现了待检测目标扎堆行为的自动检测,节省了人力成本,且提高了扎堆行为检测时的及时性,解决了现有技术中通过人力检测目标扎堆行为时存在的费事费力和监控不及时的问题。
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一简单地介绍,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表示本发明实施例中扎堆行为检测方法的步骤流程图;
图2表示本发明实施例中针对每一个图像区域,获取该图像区域内待检测目标的占比密度的步骤流程图;
图3表示本发明实施例中扎堆行为检测装置的模块框图;
图4表示本发明实施例中电子设备的模块框图。
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、完整地描述,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作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。
如图1所示,为本发明实施例中扎堆行为检测方法的步骤流程图,该方法包括如下步骤:
步骤101:将包含待检测目标的目标图像进行图像划分,获得至少一个图像区域。
在本步骤中,具体的,当获取到包含有待检测目标的目标图像时,可以将该目标图像进行图像划分,获得至少一个图像区域,从而使得能够针对每一个图像区域进行待检测目标的扎堆检测。例如,可以将目标图像划分为M行N列个图像区域,M和N为不小于1的正整数。
其中,该待检测目标可以为牲畜,例如猪、羊等。当然,在此并不具体限定该待检测目标的具体种类。
当然,在此需要说明的是,至少一个图像区域的个数可以根据实际情况进行设定,在此不对至少一个图像区域的个数进行具体限定。
此外,在此还需要说明的是,至少一个图像区域的区域大小可以相同,也可以不相同,在此并不对此进行限定。
另外,具体的,该包含有待检测目标的目标图像可以为照片、视频帧、视频流解码帧等多种图像,在此并对此进行限定。
另外,具体的,在将包含待检测目标的目标图像进行图像划分之前,可以对目标图像进行预处理。所述预处理包括尺寸缩放、均衡比、去噪、对比度增强和图像超分辨重建中的至少一项。这样,通过在对目标图像进行划分之前,对目标图像进行预处理操作,为目标图像中待检测目标的识别提供了便利。
步骤102:针对每一个图像区域,获取该图像区域内待检测目标的占比密度和该图像区域的区域权重系数。
在本步骤中,具体的,针对至少一个图像区域中的每一个图像区域,可以获取该图像区域内待检测目标的占比密度和该图像区域的区域权重系数。
其中,通过获取该图像区域内待检测目标的占比密度,使得能够获知该图像区域内待检测目标在该图像区域中的所占比例。
此外,区域权重系数使得目标图像中单位像素所对应的待检测目标的面积相同,即该图像区域的区域权重系数使得目标图像中所有图像区域内相同数量的像素对应相同个数的待检测目标。这使得在目标图像不是俯视图,即目标图像中同时存在近景图像区域和远景图像区域时,目标图像中的近景图像区域和远景图像区域内的相同数量的像素对应相同个数的待检测目标,从而避免了只有目标图像为俯视图时才能够保证相同数量像素所对应的目标面积相同的情况,实现了在不同拍摄方向拍摄得到目标图像,且通过目标图像对待检测目标的扎堆行为进行检测时,均能够保证扎堆行为的检测准确性。
下面对此情况进行说明。
例如,假设将目标图像划分得到一五行五列的图像区域。其中第一行图像区域均为远景图像区域,且第一行第三列图像区域中的10个待检测目标占用像素数量为3000;第五行图像区域均为近景图像区域,且第五行第三列中的1/2个待检测目标占用像素数量为3000。从中可以得出,虽然第一行第三列图像区域和第五行第三列图像区域中待检测目标所占用的像素数量相同,但是由于第一行第三列为远景图像区域,第五行第三列为近景图像区域,这导致目标图像不同图像区域中相同像素数量所对应的待检测目标的个数完全不相同,从而导致通过目标图像进行待检测目标扎堆行为检测时很容易出现检测错误的问题。此时,在本实施例中,可以分别获取第一行第三列图像区域和第五行第三列图像区域的区域权重系数,从而使得第一行第三列图像区域和第五行第三列图像区域中单位像素所对应的待检测目标的面积相同,即相同像素数量所对应的待检测目标的个数相同,进而保证了通过目标图像进行扎堆行为检测时的检测准确率。
步骤103:根据该图像区域内所述待检测目标的占比密度和该图像区域的区域权重系数,获取该图像区域内待检测目标的区域分布密度。
在本步骤中,具体的,在获取到一图像区域内待检测目标的占比密度和该图像区域的区域权重系数之后,可以根据该图像区域内所述待检测目标的占比密度和该图像区域的区域权重系数,获取该图像区域内待检测目标的区域分布密度。其中,图像区域内待检测目标的区域分布密度越大,表示该图像区域内待检测目标的数量越多。
这样,由于图像区域内待检测目标的区域分布密度为基于待检测目标的占比密度和图像区域的区域权重系数获得,且区域权重系数使得目标图像中所有图像区域中相同数量的像素对应相同个数的待检测目标,这使得所有图像区域中待检测目标的区域分布密度具有一致性和有效性,进而保证了在根据图像区域内待检测目标的区域分布密度,对待检测目标的扎堆情况进行检测时的准确性。
当然,在获取到所有图像区域内待检测目标的区域分布密度之后,可以生成目标图像的图像区域分布密度图,从而使得能够根据该图像区域分布密度图,得到待检测目标的分布情况。
步骤104:根据每一个图像区域内待检测目标的区域分布密度,对待检测目标的扎堆行为进行检测。
在本步骤中,具体的,在获取到至少一个图像区域中每一个图像区域内待检测目标的区域分布密度之后,可以根据每一个图像区域内待检测目标的区域分布密度,对待检测目标的扎堆行为进行检测。
这样,根据所获取到的每一个图像区域内待检测目标的区域分别密度,对待检测目标的扎堆行为进行检测,实现了待检测目标扎堆行为的自动检测过程,从而避免了通过人工对待检测目标进行扎堆行为检测时,费事费力且监控不及时的问题,在节省了人力成本的同时,实现了待检测目标扎堆行为的实时检测,保证了扎堆行为检测的及时性。
当然,在此需要说明的是,可以根据实际需求,阶段性的对待检测目标的扎堆行为进行检测,即本实施例不仅能够满足对待检测目标扎堆行为的实时检测需求,同样能够满足对待检测目标扎堆行为的阶段性检测需求。
本实施例通过针对目标图像中划分得到的每一个图像区域,获取该图像区域内待检测目标的占比密度和该图像区域的区域权重系数,其中该区域权重系数使得目标图像中单位像素所对应的待检测目标的面积相同,并且根据该图像区域内待检测目标的占比密度和该图像区域的区域权重系数,获取该图像区域内待检测目标的区域分布密度,最后根据每一个图像区域内待检测目标的区域分布密度,对待检测目标的扎堆行为进行检测,实现了待检测目标扎堆行为的自动实时检测,节省了人力成本,且提高了扎堆行为检测时的及时性,避免了通过人工检测目标扎堆行为时费事费力和监控不及时的问题。
进一步地,在根据每一个图像区域内待检测目标的区域分布密度,对所述待检测目标的扎堆行为进行检测时,可以先根据所述目标图像中图像区域的数量以及每一个图像区域内待检测目标的区域分布密度,计算得到所有图像区域内待检测目标的平均区域分布密度;然后根据所述平均区域分布密度以及每一个图像区域内待检测目标的区域分布密度,对每一个图像区域内所述待检测目标的扎堆行为进行检测。
具体的,在根据目标图像中图像区域的数量以及每一个图像区域内待检测目标的区域分布密度,计算得到所有图像区域内待检测目标的平均区域分布密度时,可以先计算所有图像区域内待检测目标的区域分布密度的和值,然后再计算所述和值与图像区域的数量的商值,并将该商值确定为所述平均区域分布密度。
此外,具体的,在根据所述平均区域分布密度以及每一个图像区域内待检测目标的区域分布密度,对每一个图像区域内所述待检测目标的扎堆行为进行检测时,可以将每一个图像区域内待检测目标的区域分布密度与所述平均区域分布密度进行比较,当比较得到一目标图像区域内待检测目标的区域分布密度大于所述平均区域分布密度的一定倍数或预设比例时,则确定该目标图像区域内的待检测目标存在扎堆行为。
在此以待检测目标为猪群为例,对此进行举例说明。
例如,当检测到目标图像区域内的猪群的区域分布密度大于该平均区域分布密度的1.5倍时,说明该目标图像区域内的猪群存在扎堆行为,此时可以根据此时的应用场景,判断该目标图像区域内猪群的扎堆行为是否为异常情况。例如,若此时应用场景为猪群进食阶段,则可以认为该扎堆行为为正常情况;又例如,若此时应用场景为猪群活动阶段,则可以认为该扎堆行为为异常情况,此时可以推测该目标图像区域内的猪群存在病弱情况等。这样,通过上述方式对待检测目标的行为进行分析判断,为待检测目标的日常管理提供了便利。
这样,通过根据平均区域分布密度以及每一个图像区域内待检测目标的区域分布密度,对每一个图像区域内待检测目标的扎堆行为进行检测,使得对待检测目标的扎堆行为的检测为基于平均区域分布密度和单个区域分布密度的动态检测,即对待检测目标的扎堆行为的检测不仅为根据待检测目标的数量而决定,而是根据所有区域内的待检测目标的情况进行判断,从而提高了待检测目标的扎堆行为的检测准确性。
此外,进一步地,如图2所示,在步骤102中针对每一个图像区域,获取该图像区域内待检测目标的占比密度时,可以包括如下步骤:
步骤201:将目标图像输入至预先训练得到的检测模型,得到检测模型输出的对目标图像内待检测目标进行图像识别的识别结果。
在本步骤中,具体的,可以先训练得到一用于识别待检测目标的检测模型。其中,该检测模型可以为神经网络检测模型,例如Faster R-CNN或特征金字塔网络(简称FPN),然后再将目标图像输入至预先训练得到的检测模型,得到检测模型输出的对目标图像内待检测目标进行图像识别的识别结果。
这样通过检测模型对目标图像中的待检测目标进行识别,使得能够在复杂环境中对目标进行检测,鲁棒性强,能够有效检测不同环境不同光照背景中的目标,增加了待检测目标的识别准确率,避免了在采用二值化方式识别待检测目标时,在环境光照发生变化时,容易发生误检的情况的发生。
当然,输入至检测模型的目标图像为预先处理后的图像,以保证待检测目标识别时的准确性。
此外,具体的,对待检测目标进行图像识别的识别结果可以以待检测目标的外接框来表示,且外接框中心所在区域为待检测目标所属区域,这样通过用待检测目标的外接框表示待检测目标,从而使得能够通过显示的外接框来计算待检测目标的占比密度,为待检测目标的占比密度的计算提供了便利。
步骤202:根据识别结果,获得待检测目标在每一个图像区域内的像素数量。
在本步骤中,具体的,在得到目标图像内待检测目标的识别结果之后,可以根据识别结果,获得待检测目标在每一个图像区域内的像素数量,从而使得能够根据待检测目标在每一个图像区域内的像素数量,计算得到待检测目标在每一个图像区域内的占比密度。
其中,在根据识别结果,获得待检测目标在每一个图像区域内的像素数量时,可以根据所述识别结果,确定所述待检测目标在每一个图像区域内所占的像素区域;然后针对每一个图像区域,获取所述待检测目标在该图像区域内所占的像素区域的并集区域,并将所述并集区域内的像素数量确定为待检测目标在该图像区域内的像素数量。
下面对此进行举例说明。
例如,在得到检测模型输出的对目标图像内待检测目标进行图像识别的识别结果中,第一行第一列图像区域中存在两个待检测目标,且第一个待检测目标所占的像素区域和第二个待检测目标所占的像素区域存在重合部分,此时需要计算第一个待检测目标所占的像素区域和第二个待检测目标所占的像素区域的并集,即计算第一个待检测目标和第二个待检测目标总共所占的像素区域,然后再计算该并集内的像素数量。
这样,通过将待检测目标在一图像区域内所占的像素区域的并集区域内的像素数量确定为待检测目标在该图像区域的像素数量,而不是直接计算每个待检测目标在图像区域内所占的像素数量的和值,避免了在多个待检测目标存在重合情况时,重合部分的像素数量重复计算的过程,提高了待检测目标所占像素数量的计算准确率。
步骤203:针对每一个图像区域,根据待检测目标在该图像区域内的像素数量和该图像区域内所有像素的数量,获得该图像区域内待检测目标的占比密度。
在本步骤中,具体的,在确定待检测目标在每一个图像区域内的像素数量之后,可以针对每一个图像区域,根据待检测目标在该图像区域内的像素数量和该图像区域内所有像素的数量,获得该图像区域内待检测目标的占比密度。
具体的,在针对每一个图像区域,根据待检测目标在该图像区域内的像素数量和该图像区域内所有像素的数量,获得该图像区域内待检测目标的占比密度时,可以计算待检测目标在该图像区域内的像素数量与该图像区域内所有像素的数量的比值,并将所述比值确定为所述占比密度。这样,通过将待检测目标在该图像区域内的像素数量与该图像区域内所有像素的数量的比值确定为该图像区域内待检测目标的占比密度,提高了所计算得到的占比密度的准确性,避免了直接按照待检测目标所占像素区域进行占比密度计算时,由于所占像素区域的不规则性,计算较为繁琐的问题。
这样,本实施例通过检测模型对目标图像中的待检测目标进行识别,并通过待检测目标在每一个图像区域内的像素数量计算待检测目标的占比密度,保证了待检测目标的识别准确性,且实现了占比密度的计算直接基于待检测目标所占的像素数量,保证了占比密度的计算准确性。
另外,进一步地,本实施例还需要针对每一个图像区域,获取该图像区域的区域权重系数,以使目标图像中所有图像区域内的单位像素所对应的待检测目标的面积相同。
其中,在获取该图像区域的区域权重系数时,可以先检测目标图像的拍摄方向与水平方向之间的夹角,然后根据夹角的大小确定区域权重系数的计算方式。具体的,获取该图像区域的区域权重系数可以包括如下两种情况:
其一,当检测到所述目标图像的拍摄方向与水平方向相垂直时,确定每一个图像区域的区域权重系数均为1。
具体的,在获取该图像区域的区域权重系数时,需要检测目标图像的拍摄方向与水平方向之间的夹角。其中,当检测到目标图像的拍摄方向与水平方向相垂直时,说明目标图像的拍摄装置位于待检测目标的正上方,可以得到目标图像为俯视图,即在目标图像上不区分近景图像区域和远景图像区域,因此可以直接确定每一个图像区域的区域权重系数均为1。
其二,当检测到目标图像的拍摄方向与水平方向之间的夹角小于90°时,获取所述每一个图像区域的权重视角因子和区域比例因子;然后针对每一个图像区域,计算该图像区域的权重视角因子和该图像区域的区域比例因子的乘积,并将所述乘积确定为所述该图像区域的区域权重系数。
具体的,权重视角因子与目标图像的拍摄视角相关,区域比例因子与图像区域在目标图像中的位置相关。这样,通过将图像区域的权重视角因子和该图像区域的区域比例因子的乘积确定为图像区域的区域权重系数,使得区域权重系数同时与目标图像的拍摄视角和图像区域位置相关,而拍摄视角和图像区域位置决定目标图像中的远景图像区域和近景图像区域,这使得所计算得到的区域权重系数能够使目标图像中远景图像区域和近景图像区域中单位像素所对应的待检测目标的面积相同,即使得远景图像区域和近景图像区域中相同像素数量代表相同个数的待检测目标。
此外,其中,在获取所述每一个图像区域的权重视角因子和区域比例因子时,可以计算所述目标图像的拍摄方向与水平方向之间的夹角的正弦值,并将所述夹角的正弦值确定为每一个图像区域的权重视角因子;计算所述每一个图像区域的区域高度与所述目标图像的图像高度的商值,并根据所述每一个图像区域的区域高度与所述目标图像的图像高度的商值,确定每一个图像区域的区域比例因子。
具体的,由于图像拍摄方向与水平方向之间的夹角越小,图像中的近景图像区域和远景图像区域的差别越大,因此可以将目标图像的拍摄方向与水平方向之间的夹角的正弦值确定为每一个图像区域的权重视角因子。
此外,具体的,在确定每一个图像区域的区域比例因子时,对不同图像区域来说,假设按照远景图像区域至近景图像区域的顺序来看,同样数量的像素所对应的待检测目标的数量越来越少,当然按照近景图像区域至远景图像区域的顺序来看,则同样数量的像素所对应的待检测目标的数量越来越多,而近景图像区域和远景图像区域在图像中则反映为图像区域的不同高度,因此能够得知区域比例因子与图像区域的区域高度相关。当然,在此需要说明的是,远景图像区域的区域高度小于近景图像区域的区域高度。此时,可以根据每一个图像区域的区域高度与目标图像的图像高度的商值,确定每一个图像区域的区域比例因子。
另外,具体的,当图像区域的区域高度与目标图像的图像高度的比值为1/2时,即当图像区域位于目标图像的中心位置时,区域比例因子为1;对于近景图像区域内像素,即当图像区域的区域高度与目标图像的图像高度的比值大于1/2时,区域比例因子小于1;对于远景图像区域内像素,即当图像区域的区域高度与目标图像的图像高度的比值小于1/2时,区域比例因子大于1。
此时,根据上述结论,可以通过线性函数f(xi)=-2xi+2,来计算每一个图像区域的区域比例因子;其中,f(xi)表示第i个图像区域的区域比例因子,xi表示第i个图像区域的区域高度与目标图像的图像高度的比值。
这样,通过计算得到每一个图像区域的区域权重系数,使得目标图像中所有图像区域的相同像素数量所代表的待检测目标的个数相同,从而避免了在目标图像中存在近景图像区域和远景图像区域时,近景图像区域和远景图像区域中相同像素数量所代表的目标个数不一致的问题,进而避免了在根据图像进行目标扎堆行为检测时,由于远景图像区域和近景图像区域中相同像素所代表的目标个数不一致导致的检测不准确的问题。
另外,进一步地,在计算得到每个图像区域内所述待检测目标的占比密度和该图像区域的区域权重系数之后,在获取该图像区域内待检测目标的区域分布密度时,可以计算所述该图像区域内所述待检测目标的占比密度和该图像区域的区域权重系数的乘积,并将所述乘积确定为该图像区域内待检测目标的区域分布密度。
当然,在此需要说明的是,还可以将该图像区域内所述待检测目标的占比密度和该图像区域的区域权重系数的乘积的预设比例,确定为该图像区域内待检测目标的区域分布密度,从而增加区域分布密度的可用性。
这样,通过将该图像区域内所述待检测目标的占比密度和该图像区域的区域权重系数的乘积确定为该图像区域内待检测目标的区域分布密度,增加了区域分布密度的准确性。
本实施例通过针对每一个图像区域,获取该图像区域内待检测目标的占比密度和该图像区域的区域权重系数,其中该区域权重系数使得目标图像中单位像素所对应的待检测目标的面积相同,并且根据该图像区域内待检测目标的占比密度和该图像区域的区域权重系数,获取该图像区域内待检测目标的区域分布密度,最后根据每一个图像区域内待检测目标的区域分布密度,对待检测目标的扎堆行为进行检测,实现了待检测目标扎堆行为的自动实时检测,节省了人力成本,且提高了扎堆行为检测时的及时性,避免了通过人工检测目标扎堆行为时费事费力和监控不及时的问题。
此外,如图3所示,为本发明实施例中扎堆行为检测装置的模块框图,该检测装置包括:
图像区域划分模块301,用于将包含待检测目标的目标图像进行图像划分,获得至少一个图像区域;
第一获取模块302,用于针对每一个图像区域,获取该图像区域内所述待检测目标的占比密度和该图像区域的区域权重系数,其中,所述区域权重系数使得所述目标图像中单位像素所对应的待检测目标的面积相同;
第二获取模块303,用于根据该图像区域内所述待检测目标的占比密度和该图像区域的区域权重系数,获取该图像区域内待检测目标的区域分布密度;
检测模块304,用于根据每一个图像区域内待检测目标的区域分布密度,对所述待检测目标的扎堆行为进行检测。
本发明实施例提供的扎堆行为检测装置,通过图像区域划分模块301将包含待检测目标的目标图像进行图像划分,获得至少一个图像区域,通过第一获取模块针对每一个图像区域,获取该图像区域内待检测目标的占比密度和该图像区域的区域权重系数,其中,区域权重系数使得目标图像中单位像素所对应的待检测目标的面积相同,通过第二获取模块根据该图像区域内待检测目标的占比密度和该图像区域的区域权重系数,获取该图像区域内待检测目标的区域分布密度,通过检测模块304根据每一个图像区域内待检测目标的区域分布密度,对待检测目标的扎堆行为进行检测,实现了待检测目标扎堆行为的自动实时检测,节省了人力成本,且提高了扎堆行为检测时的及时性,避免了通过人工检测目标扎堆行为时费事费力和监控不及时的问题。
可选地,所述第一获取模块302包括:
第一获取单元,用于将所述目标图像输入至预先训练得到的检测模型,得到所述检测模型输出的对所述目标图像内待检测目标进行图像识别的识别结果;
第二获取单元,用于根据所述识别结果,获得待检测目标在每一个图像区域内的像素数量;
第三获取单元,用于针对每一个图像区域,根据待检测目标在该图像区域内的像素数量和该图像区域内所有像素的数量,获得该图像区域内所述待检测目标的占比密度。
可选地,所述第二获取单元包括:
第一确定子单元,用于根据所述识别结果,确定所述待检测目标在每一个图像区域内所占的像素区域;
第二确定子单元,用于针对每一个图像区域,获取所述待检测目标在该图像区域内所占的像素区域的并集区域,并将所述并集区域内的像素数量确定为待检测目标在该图像区域内的像素数量;
相应地,所述第三获取单元用于,计算待检测目标在该图像区域内的像素数量与该图像区域内所有像素的数量的比值,并将所述比值确定为所述占比密度。
可选地,所述第一获取模块302包括:
第一确定单元,用于当检测到所述目标图像的拍摄方向与水平方向相垂直时,确定每一个图像区域的区域权重系数均为1;
第四获取单元,用于当检测到所述目标图像的拍摄方向与水平方向之间的夹角小于90°时,获取所述每一个图像区域的权重视角因子和区域比例因子;
第二确定单元,用于针对每一个图像区域,计算该图像区域的权重视角因子和该图像区域的区域比例因子的乘积,并将所述乘积确定为所述该图像区域的区域权重系数。
可选地,所述第四获取单元包括:
第三确定子单元,用于计算所述目标图像的拍摄方向与水平方向之间的夹角的正弦值,并将所述夹角的正弦值确定为每一个图像区域的权重视角因子;
第四确定子单元,用于计算所述每一个图像区域的区域高度与所述目标图像的图像高度的商值,并根据所述每一个图像区域的区域高度与所述目标图像的图像高度的商值,确定每一个图像区域的区域比例因子。
可选地,所述第二获取模块303用于,计算所述该图像区域内所述待检测目标的占比密度和该图像区域的区域权重系数的乘积,并将所述乘积确定为该图像区域内待检测目标的区域分布密度。
可选地,所述检测模块304包括:
计算单元,用于根据所述目标图像中图像区域的数量以及每一个图像区域内待检测目标的区域分布密度,计算得到所有图像区域内待检测目标的平均区域分布密度;
检测单元,用于根据所述平均区域分布密度以及每一个图像区域内待检测目标的区域分布密度,对每一个图像区域内所述待检测目标的扎堆行为进行检测。
本实施例提供的扎堆行为检测装置,通过针对每一个图像区域,获取该图像区域内待检测目标的占比密度和该图像区域的区域权重系数,其中该区域权重系数使得目标图像中单位像素所对应的待检测目标的面积相同,并且根据该图像区域内待检测目标的占比密度和该图像区域的区域权重系数,获取该图像区域内待检测目标的区域分布密度,最后根据每一个图像区域内待检测目标的区域分布密度,对待检测目标的扎堆行为进行检测,实现了待检测目标扎堆行为的自动实时检测,节省了人力成本,且提高了扎堆行为检测时的及时性,避免了通过人工检测目标扎堆行为时费事费力和监控不及时的问题。
在此需要说明的是,本发明实施例中可以通过硬件处理器(hardware processor)来实现相关功能模块,并能达到相同的技术效果,在此不在进行赘述。
在本发明的又一实施例中,提供了一种电子设备,如图4所示,所述电子设备包括存储器(memory)401、处理器(processor)402以及存储在存储器401上并可在处理器402上运行的计算机程序。其中,所述存储器401、处理器402通过总线403完成相互间的通信。所述处理器402用于调用所述存储器401中的程序指令,以执行如下方法:将包含待检测目标的目标图像进行图像划分,获得至少一个图像区域;针对每一个图像区域,获取该图像区域内所述待检测目标的占比密度和该图像区域的区域权重系数,其中,所述区域权重系数使得所述目标图像中单位像素所对应的待检测目标的面积相同;根据该图像区域内所述待检测目标的占比密度和该图像区域的区域权重系数,获取该图像区域内待检测目标的区域分布密度;根据每一个图像区域内待检测目标的区域分布密度,对所述待检测目标的扎堆行为进行检测。
本发明实施例提供的电子设备,可执行扎堆行为检测方法中的具体步骤,并能够达到相同的技术效果,在此不再对此进行具体介绍。
此外,上述的存储器401中的程序指令可以通过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(可以是个人计算机,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、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明的又一实施例中,提供了一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时以执行如下方法:将包含待检测目标的目标图像进行图像划分,获得至少一个图像区域;针对每一个图像区域,获取该图像区域内所述待检测目标的占比密度和该图像区域的区域权重系数,其中,所述区域权重系数使得所述目标图像中单位像素所对应的待检测目标的面积相同;根据该图像区域内所述待检测目标的占比密度和该图像区域的区域权重系数,获取该图像区域内待检测目标的区域分布密度;根据每一个图像区域内待检测目标的区域分布密度,对所述待检测目标的扎堆行为进行检测。
本发明实施例提供的非暂态计算机可读存储介质,可执行扎堆行为检测方法中的具体步骤,并能够达到相同的技术效果,在此不再对此进行具体介绍。
在本发明的又一实施例中,提供了一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时以执行如下方法:将包含待检测目标的目标图像进行图像划分,获得至少一个图像区域;针对每一个图像区域,获取该图像区域内所述待检测目标的占比密度和该图像区域的区域权重系数,其中,所述区域权重系数使得所述目标图像中单位像素所对应的待检测目标的面积相同;根据该图像区域内所述待检测目标的占比密度和该图像区域的区域权重系数,获取该图像区域内待检测目标的区域分布密度;根据每一个图像区域内待检测目标的区域分布密度,对所述待检测目标的扎堆行为进行检测。
本发明实施例提供的计算机程序产品,可执行扎堆行为检测方法中的具体步骤,并能够达到相同的技术效果,在此不再对此进行具体介绍。
以上所描述的装置实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是: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精神和范围。
Claims (13)
1.一种扎堆行为检测方法,其特征在于,所述方法包括:
将包含待检测目标的目标图像进行图像划分,获得至少一个图像区域;
针对每一个图像区域,获取该图像区域内所述待检测目标的占比密度和该图像区域的区域权重系数,其中,所述区域权重系数使得所述目标图像中单位像素所对应的待检测目标的面积相同;
根据该图像区域内所述待检测目标的占比密度和该图像区域的区域权重系数,获取该图像区域内待检测目标的区域分布密度;
根据每一个图像区域内待检测目标的区域分布密度,对所述待检测目标的扎堆行为进行检测;
其中,获取该图像区域的区域权重系数,包括:
当检测到所述目标图像的拍摄方向与水平方向之间的夹角小于90°时,获取所述每一个图像区域的权重视角因子和区域比例因子,所述权重视角因子与所述目标图像的拍摄视角相关;
针对每一个图像区域,计算该图像区域的权重视角因子和该图像区域的区域比例因子的乘积,并将所述乘积确定为所述该图像区域的区域权重系数。
2.根据权利要求1所述的方法,其特征在于,所述针对每一个图像区域,获取该图像区域内所述待检测目标的占比密度,包括:
将所述目标图像输入至预先训练得到的检测模型,得到所述检测模型输出的对所述目标图像内待检测目标进行图像识别的识别结果;
根据所述识别结果,获得待检测目标在每一个图像区域内的像素数量;
针对每一个图像区域,根据待检测目标在该图像区域内的像素数量和该图像区域内所有像素的数量,获得该图像区域内所述待检测目标的占比密度。
3.根据权利要求2所述的方法,其特征在于,所述根据所述识别结果,获得待检测目标在每一个图像区域内的像素数量,包括:
根据所述识别结果,确定所述待检测目标在每一个图像区域内所占的像素区域;
针对每一个图像区域,获取所述待检测目标在该图像区域内所占的像素区域的并集区域,并将所述并集区域内的像素数量确定为待检测目标在该图像区域内的像素数量;
相应地,针对每一个图像区域,根据待检测目标在该图像区域内的像素数量和该图像区域内所有像素的数量,获得该图像区域内所述待检测目标的占比密度,包括:
计算待检测目标在该图像区域内的像素数量与该图像区域内所有像素的数量的比值,并将所述比值确定为所述占比密度。
4.根据权利要求1所述的方法,其特征在于,获取该图像区域的区域权重系数,还包括:
当检测到所述目标图像的拍摄方向与水平方向相垂直时,确定每一个图像区域的区域权重系数均为1。
5.根据权利要求1所述的方法,其特征在于,所述获取所述每一个图像区域的权重视角因子和区域比例因子,包括:
计算所述目标图像的拍摄方向与水平方向之间的夹角的正弦值,并将所述夹角的正弦值确定为每一个图像区域的权重视角因子;
计算所述每一个图像区域的区域高度与所述目标图像的图像高度的商值,并根据所述每一个图像区域的区域高度与所述目标图像的图像高度的商值,确定每一个图像区域的区域比例因子。
6.根据权利要求1所述的方法,其特征在于,所述根据该图像区域内所述待检测目标的占比密度和该图像区域的区域权重系数,获取该图像区域内待检测目标的区域分布密度,包括:
计算所述该图像区域内所述待检测目标的占比密度和该图像区域的区域权重系数的乘积,并将所述乘积确定为该图像区域内待检测目标的区域分布密度。
7.根据权利要求1所述的方法,其特征在于,所述根据每一个图像区域内待检测目标的区域分布密度,对所述待检测目标的扎堆行为进行检测,包括:
根据所述目标图像中图像区域的数量以及每一个图像区域内待检测目标的区域分布密度,计算得到所有图像区域内待检测目标的平均区域分布密度;
根据所述平均区域分布密度以及每一个图像区域内待检测目标的区域分布密度,对每一个图像区域内所述待检测目标的扎堆行为进行检测。
8.一种扎堆行为检测装置,其特征在于,所述装置包括:
图像区域划分模块,用于将包含待检测目标的目标图像进行图像划分,获得至少一个图像区域;
第一获取模块,用于针对每一个图像区域,获取该图像区域内所述待检测目标的占比密度和该图像区域的区域权重系数,其中,所述区域权重系数使得所述目标图像中单位像素所对应的待检测目标的面积相同;
第二获取模块,用于根据该图像区域内所述待检测目标的占比密度和该图像区域的区域权重系数,获取该图像区域内待检测目标的区域分布密度;
检测模块,用于根据每一个图像区域内待检测目标的区域分布密度,对所述待检测目标的扎堆行为进行检测;
所述第一获取模块包括:
第二确定单元,用于当检测到所述目标图像的拍摄方向与水平方向之间的夹角小于90°时,获取所述每一个图像区域的权重视角因子和区域比例因子,所述权重视角因子与所述目标图像的拍摄视角相关;
针对每一个图像区域,计算该图像区域的权重视角因子和该图像区域的区域比例因子的乘积,并将所述乘积确定为所述该图像区域的区域权重系数。
9.根据权利要求8所述的装置,其特征在于,所述第一获取模块包括:
第一获取单元,用于将所述目标图像输入至预先训练得到的检测模型,得到所述检测模型输出的对所述目标图像内待检测目标进行图像识别的识别结果;
第二获取单元,用于根据所述识别结果,获得待检测目标在每一个图像区域内的像素数量;
第三获取单元,用于针对每一个图像区域,根据待检测目标在该图像区域内的像素数量和该图像区域内所有像素的数量,获得该图像区域内所述待检测目标的占比密度。
10.根据权利要求8所述的装置,其特征在于,所述第一获取模块还包括:
第一确定单元,用于当检测到所述目标图像的拍摄方向与水平方向相垂直时,确定每一个图像区域的区域权重系数均为1。
11.根据权利要求8所述的装置,其特征在于,所述检测模块包括:
计算单元,用于根据所述目标图像中图像区域的数量以及每一个图像区域内待检测目标的区域分布密度,计算得到所有图像区域内待检测目标的平均区域分布密度;
检测单元,用于根据所述平均区域分布密度以及每一个图像区域内待检测目标的区域分布密度,对每一个图像区域内所述待检测目标的扎堆行为进行检测。
12.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的扎堆行为检测方法的步骤。
13.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至7中任一项所述的扎堆行为检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810792519.6A CN108875709B (zh) | 2018-07-18 | 2018-07-18 | 一种扎堆行为检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810792519.6A CN108875709B (zh) | 2018-07-18 | 2018-07-18 | 一种扎堆行为检测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108875709A CN108875709A (zh) | 2018-11-23 |
CN108875709B true CN108875709B (zh) | 2021-05-25 |
Family
ID=64303081
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810792519.6A Active CN108875709B (zh) | 2018-07-18 | 2018-07-18 | 一种扎堆行为检测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108875709B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109814644B (zh) * | 2019-01-16 | 2021-08-31 | 日立楼宇技术(广州)有限公司 | 室内环境状态的控制方法、装置、系统及存储介质 |
CN110956609B (zh) * | 2019-10-16 | 2023-08-04 | 京东科技信息技术有限公司 | 一种对象数量确定方法、装置、电子设备以及可读介质 |
CN112712088B (zh) * | 2020-12-31 | 2023-02-14 | 洛阳语音云创新研究院 | 动物膘情检测方法、装置及计算机可读存储介质 |
CN115359410A (zh) * | 2022-10-21 | 2022-11-18 | 正大农业科学研究有限公司 | 扎堆行为检测方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101727573A (zh) * | 2008-10-13 | 2010-06-09 | 汉王科技股份有限公司 | 一种视频图像中人群密度估计的方法和装置 |
CN101751689A (zh) * | 2009-09-28 | 2010-06-23 | 中国科学院自动化研究所 | 一种三维人脸重建方法 |
CN102521817A (zh) * | 2011-11-22 | 2012-06-27 | 广州致远电子有限公司 | 一种用于全景泊车系统的图像融合方法 |
CN103049765A (zh) * | 2012-12-21 | 2013-04-17 | 武汉经纬视通科技有限公司 | 一种基于鱼眼相机的判断人群密度和人数的方法 |
CN103839065A (zh) * | 2014-02-14 | 2014-06-04 | 南京航空航天大学 | 人群动态聚集特征提取方法 |
CN104463204A (zh) * | 2014-12-04 | 2015-03-25 | 四川九洲电器集团有限责任公司 | 目标数量统计方法 |
CN104504394A (zh) * | 2014-12-10 | 2015-04-08 | 哈尔滨工业大学深圳研究生院 | 一种基于多特征融合的密集人数估计方法和系统 |
WO2016171913A1 (en) * | 2015-04-21 | 2016-10-27 | Microsoft Technology Licensing, Llc | Time-of-flight simulation of multipath light phenomena |
CN106326937A (zh) * | 2016-08-31 | 2017-01-11 | 郑州金惠计算机系统工程有限公司 | 基于卷积神经网络的人群密度分布估计方法 |
CN107729799A (zh) * | 2017-06-13 | 2018-02-23 | 银江股份有限公司 | 基于深度卷积神经网络的人群异常行为视觉检测及分析预警系统 |
CN108021852A (zh) * | 2016-11-04 | 2018-05-11 | 株式会社理光 | 一种人数统计方法、人数统计系统及电子设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6827577B1 (en) * | 2002-08-14 | 2004-12-07 | Dcs Corporation | Night vision goggle training apparatus |
-
2018
- 2018-07-18 CN CN201810792519.6A patent/CN108875709B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101727573A (zh) * | 2008-10-13 | 2010-06-09 | 汉王科技股份有限公司 | 一种视频图像中人群密度估计的方法和装置 |
CN101751689A (zh) * | 2009-09-28 | 2010-06-23 | 中国科学院自动化研究所 | 一种三维人脸重建方法 |
CN102521817A (zh) * | 2011-11-22 | 2012-06-27 | 广州致远电子有限公司 | 一种用于全景泊车系统的图像融合方法 |
CN103049765A (zh) * | 2012-12-21 | 2013-04-17 | 武汉经纬视通科技有限公司 | 一种基于鱼眼相机的判断人群密度和人数的方法 |
CN103839065A (zh) * | 2014-02-14 | 2014-06-04 | 南京航空航天大学 | 人群动态聚集特征提取方法 |
CN104463204A (zh) * | 2014-12-04 | 2015-03-25 | 四川九洲电器集团有限责任公司 | 目标数量统计方法 |
CN104504394A (zh) * | 2014-12-10 | 2015-04-08 | 哈尔滨工业大学深圳研究生院 | 一种基于多特征融合的密集人数估计方法和系统 |
WO2016171913A1 (en) * | 2015-04-21 | 2016-10-27 | Microsoft Technology Licensing, Llc | Time-of-flight simulation of multipath light phenomena |
CN106326937A (zh) * | 2016-08-31 | 2017-01-11 | 郑州金惠计算机系统工程有限公司 | 基于卷积神经网络的人群密度分布估计方法 |
CN108021852A (zh) * | 2016-11-04 | 2018-05-11 | 株式会社理光 | 一种人数统计方法、人数统计系统及电子设备 |
CN107729799A (zh) * | 2017-06-13 | 2018-02-23 | 银江股份有限公司 | 基于深度卷积神经网络的人群异常行为视觉检测及分析预警系统 |
Non-Patent Citations (4)
Title |
---|
"Estimation of numberof people in crowded scenes using perspective transformation";ShengFuu Lin 等;《IEEETransactions on Systems,Man and Cybernetics,Part A:Systems and Humans》;20011130;第31卷(第6期);645-654 * |
"基于双灭点的图像透视变换方法";罗晓晖 等;《计算机工程》;20090805;第35卷(第15期);212-214 * |
"智能化视频监控系统的人群密度估计";关玉秋;《中国安防》;20120801(第(2012)8期);49-53 * |
"视频监控中人群密度估计研究";张文倩;《中国优秀硕士学位论文全文数据库 信息科技辑》;20130815(第(2013)8期);I138-584 * |
Also Published As
Publication number | Publication date |
---|---|
CN108875709A (zh) | 2018-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108875709B (zh) | 一种扎堆行为检测方法、装置、电子设备及存储介质 | |
CN109086696B (zh) | 一种异常行为检测方法、装置、电子设备及存储介质 | |
CN109255297B (zh) | 动物状态监测方法、终端设备、存储介质及电子设备 | |
Wang et al. | ASAS-NANP SYMPOSIUM: Applications of machine learning for livestock body weight prediction from digital images | |
CN110532899B (zh) | 基于热成像的母猪产前行为分类方法及系统 | |
CN112232978B (zh) | 水产品体长和重量检测方法、终端设备及存储介质 | |
JP7301139B2 (ja) | 成長評価装置、成長評価方法および成長評価プログラム | |
CN111161090B (zh) | 圈养栏信息的确定方法、装置及系统、存储介质 | |
CN110991220B (zh) | 禽蛋检测、图像处理方法,装置、电子设备及存储介质 | |
CN111985477A (zh) | 基于单目摄像头的动物体在线核赔方法、装置及存储介质 | |
CN111008561A (zh) | 一种牲畜的数量确定方法、终端及计算机存储介质 | |
CN113095441A (zh) | 一种猪群扎堆检测方法、装置、设备及可读存储介质 | |
CN111008560A (zh) | 一种牲畜的重量确定方法、装置、终端及计算机存储介质 | |
CN110287902B (zh) | 畜禽存活检测方法、装置、设备及计算机程序产品 | |
Amraei et al. | Development of a transfer function for weight prediction of live broiler chicken using machine vision | |
CN114402362A (zh) | 鱼计数系统、鱼计数方法以及程序 | |
CN113327263B (zh) | 一种基于图像视觉的鱼群活跃度监测方法 | |
CN111882559A (zh) | Ecg信号的获取方法及装置、存储介质、电子装置 | |
CN112265881B (zh) | 家畜的电梯监控系统、监控方法、监控装置及存储介质 | |
Kaewtapee et al. | Objective scoring of footpad dermatitis in broiler chickens using image segmentation and a deep learning approach: camera-based scoring system | |
CN112116647B (zh) | 估重方法和估重装置 | |
CN115100683A (zh) | 估重方法、装置、设备及存储介质 | |
CN112153892B (zh) | 用于苍蝇管理的装置 | |
CN112132064A (zh) | 基于人工智能的识别孕囊数量的方法、装置、设备和介质 | |
CN111860344A (zh) | 确定图像中目标对象数量的方法及装置 |
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 |