CN109376584A - 一种用于畜牧业的禽畜数量统计系统和方法 - Google Patents
一种用于畜牧业的禽畜数量统计系统和方法 Download PDFInfo
- Publication number
- CN109376584A CN109376584A CN201811026287.XA CN201811026287A CN109376584A CN 109376584 A CN109376584 A CN 109376584A CN 201811026287 A CN201811026287 A CN 201811026287A CN 109376584 A CN109376584 A CN 109376584A
- Authority
- CN
- China
- Prior art keywords
- poultry
- field
- image
- animal husbandry
- video 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30242—Counting objects in image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种用于畜牧业的禽畜数量统计系统和方法,包括图像采集装置和图像处理装置,图像采集装置沿设置的路线移动或停留,图像采集装置用于采集禽畜栏位和禽畜的图像和/或视频信息;图像处理装置用于对禽畜栏位和禽畜的图像和/或视频信息进行处理,统计得到禽畜栏位对应的禽畜数量。本发明采用了完全自动化的方法,可以防止人工统计方式的错漏现象和统计不及时的情况,并极大节约人力成本可以防止由于标签固定和标签读写给禽畜带来的应激反应,不会干扰禽畜的正常生长;在禽(畜)舍内只需要部署数量极少的所述移动装置,在条件适宜时多个禽(畜)舍可以共用一个所述移动装置,因此成本更低也更容易管理维护。
Description
技术领域
本发明属于畜牧业领域,尤其涉及一种用于畜牧业的禽畜数量统计系统和方法。
背景技术
随着图像和视频处理技术的发展,目标检测和识别技术得到了飞速的发展,识别准确度和计数精度不断提高。近年来随着深度学习的发展,基于深度卷积神经网络的目标检测和识别方法得到了广泛关注和深入研究,其检测和识别的精确度不断获得提高,已具备运用到生产环境的潜力。
对禽畜的数量进行统计是大型规模化养殖企业和养殖厂的日常基本工作。然而为了满足禽畜规模化养殖和标准化生产的要求,在禽畜的整个生长周期内存在的出生、死亡、转场、移栏、出栏的过程导致每天精确地统计企业的禽畜数量十分困难。现有的规模化禽畜养殖场对禽畜数量进行统计主要有两种方法,第一种为人工统计,当前大部分的禽畜生产企业仍主要采用人工方法进行数量统计,由于养殖场对生产区出入的要求,通常需要专人来负责与生产区人员对接抄写生产数据,然后再专人统计最后统一录入生产管理系统,耗时耗力,人力成本较高,且容易出错。存在耗时耗力,人为误报、漏报、多报,统计不准确等问题,通常需要在月末通过盘点才能基本掌握禽畜数量的较准确的数据。第二种为电子标签方式,电子标签一般固定在禽畜的合适位置。采用标签时由于禽畜的活动容易导致标签脱落;另外由于常采用无源标签,这类标签与标签读写器作用距离短,需要接近禽畜才能正常读写,因此在进行标签固定、和标签读写等时常容易造成禽畜的应激反应,影响禽畜的正常生长,此外标签的成本也是禽畜养殖厂没有大规模应用的原因之一。因此,使用标签存在容易脱落,读取不便,成本高,管理困难等问题。
发明人在实现本发明实施例的过程中发现现有技术存在如下技术问题:由于大部分畜牧场信息化程度低、而RFID成本又较高、管理困难等原因,规模化畜牧场难以实时掌握本场的准确的基本生产数据–禽畜数量。
发明内容
为解决上述问题,本发明提供了一种用于畜牧业的禽畜数量统计系统和方法,本发明采用了完全自动化的方法,不再需要人工干预,可以防止人工统计方式的错漏现象和统计不及时的情况,并极大节约人力成本;也不需要电子标签,可以防止由于标签固定和标签读写给禽畜带来的应激反应,不会干扰禽畜的正常生长;此外在禽(畜)舍内只需要部署数量极少的所述移动装置,在条件适宜时多个禽(畜)舍可以共用一个所述移动装置,与每个禽畜个体都需要一个电子标签相比,长期来看成本更低也更容易管理维护。
为达到上述技术效果,本发明的技术方案是:
一种用于畜牧业的禽畜数量统计系统,包括图像采集装置和图像处理装置,图像采集装置沿设置的路线移动或停留,图像采集装置用于采集禽畜栏位和禽畜的图像和/或视频信息;
图像处理装置用于对禽畜栏位和禽畜的图像和/或视频信息进行处理,统计得到禽畜栏位对应的禽畜数量。
进一步的改进,图像处理装置通过通信模块控制图像采集装置的移动或停留;图像采集装置的移动路线固定设置;图像采集装置通过T型轨、齿轨或机械臂进行移动。
进一步的改进,图像处理装置对图像采集装置采集的禽畜的图像和/或视频信息首先筛选出相互重合和遮挡较低的图像帧作为优选帧,遮挡度可通过阈值控制;然后对优选帧分析处理,得到融合多个优选帧的处理结果,得到单栏位内禽畜的数量;最后再设定的时段内对所述单栏位禽畜数量进行统计汇总,获得禽畜养殖厂内全部或部分指定栏位的总禽畜数量。
进一步的改进,采用均值漂移算法或卷积神经网络算法筛选出低相互重合和遮挡的图像帧。
进一步的改进,融合多个优选帧的单个栏位的分析结果得到置信度更高的单栏位内的禽畜数量。
一种用于畜牧业的禽畜数量统计方法,包括如下步骤:
步骤一、获取待处理的栏位和栏位内的禽畜的图像和/或视频信息;
步骤二、在采集到的图像和/或视频信息中删选处禽畜个体间具有较低相互重合和遮挡的图像帧作为优选帧用于后续处理;
步骤三、对优选帧进行目标检测处理,输出检测到的禽畜栏位所在区域的位置坐标和单栏禽畜对象的种类、禽畜所在区域位置的坐标禽畜栏位所在区域的坐标和各个禽畜对象的种类;
步骤四、融合多个优选帧的处理结果,得到单栏位内的禽畜数量;
步骤五、在设定时段内对单栏位禽畜数量进行统计汇总,获得禽畜养殖厂内全部或部分指定栏位的总禽畜数量。
进一步的改进,所述步骤二中,采用均值漂移算法或卷积神经网络算法筛选出低相互重合和遮挡的图像帧作为优选帧。
进一步的改进,所述步骤三中,采用基于目标检测的直接法进行目标检测处理;其中,候选窗口采用暴力搜索窗口、先验知识提取候选窗口、Selective Search或EdgeBox窗口检测算法;特征设计采用直方图、HOG特征、LBP特征火HAAR-Like特征或上述特征的任意组合;分类器采用Adaboost分类器、SVM分类器、决策树分类器、随机森林分类器或Cascade分类器。
进一步的改进,所述步骤三中,根据摄像头所在物理位置和参数以及栏位相对摄像头的物理位置和栏位尺寸等直接计算图像中栏位的区域(窗口)的位置坐标并输出。
进一步的改进,所述步骤三中,采用深度卷积神经网络对所述优选帧实施目标检测处理。
本发明具有如下优点:
1.本发明在一个猪舍中只需安装一套数据采集装置,在多个猪舍位置邻近和其他条件许可时可多个猪舍联合使用一套数据采集装置,具有成本低的特点。
2.本发明可降低畜牧业中需要使用标签的场合。
3.本发明采用全自动的方式统计各个栏位的禽畜数量,具有统计准确度高,减少人为误差,节省人力的特点。
4.本发明中数据采集模块和数据处理模块可集成在一个装置中,也可以分开在不同装置中,具有部署灵活的特点。
5.本发明可用于资源受限的装置,具有应用范围广的特点。
6.本发明针对上述问题提出了一种低成本,高可靠,低误差,准实时的移动式固定栏位禽畜数量统计方法。
7.本发明用于改变现有畜牧业人工统计禽畜数量的现状,提供一种低成本,高可靠,低误差,准实时的禽畜数量统计方法。
8.本发明采用图像识别技术实现禽畜数量的自动精确统计,可克服人工统计工作量大,成本高,数量存在偏差的不足,可克服基于标签的数量统计中标签容易脱落,成本高,读取不方便等问题。
9.本发明采用移动式的图像采集装置,饲养场所只需安装少量装置即可实现饲养场所的低成本禽畜数量统计。
附图说明
图1为获取的图像或视频的图像帧;
图2为实施例1的步骤示意图;
图3为实施例2的步骤示意图;
图4为实施例3的步骤示意图;
图5为实施例4的步骤示意图。
具体实施方式
以下通过具体实施方式并且结合附图对本发明的技术方案作具体说明。
实施例1
如图2所示,本实施例的方法可以包括:
步骤101:移动获取待处理的栏位和栏位内的禽畜的图像和视频信息。
在本实施例中,所述移动装置通过在固定路线(轨道)上移动或停留获取到包含栏位和栏位内禽畜的图像或视频信息。以猪厂举例来说,所获取图像或视频类似如图1所示。本领域技术人员可以采用任何方式实现所述移动装置在固定路线的受控移动和停留,如T型轨、齿轨、机械臂等,此处不再赘述。获取所述图像和视频信息可采用任何具有合适参数和环境适应能力的摄像头实现,在固定路线上行进的摄像头的成像范围应具有一次采集一个或多个栏位图像和视频信息的能力。所述移动装置可以在移动或停留时采集所述图像或视频信息后待后续处理。
步骤102:通过采用图像聚类方法在所述图像和视频信息中优选禽畜个体间具有较低相互重合和遮挡的图像帧用于后续处理;
本步骤为可选步骤。在采集到所述图像和视频信息后,由于通过对图像帧进行图像处理从而检测禽畜栏位和禽畜对象需要较大的计算能力和较长的计算时间,为了降低对计算能力的要求同时保证禽畜数量统计的准确度,可以对所述采集到的图像和视频信息进行帧优选,从所述采集到的图像和视频信息中选择最佳的一个或多个禽畜个体间具有较低相互重合和遮挡的图像帧。随着计算技术的发展,更强大计算能力的出现可导致本步骤为可选步骤。但即使出现更强大的计算能力,采用本步骤也使得所述禽畜统计方法可使用具有较低计算能力的处理模块,从而节约部署成本。
为了从所述采集到的图像和视频信息中选择最佳的一个或多个禽畜个体间具有较低相互重合和遮挡的图像帧,可对图像或从视频解码出来的图像帧实施性能较高的图像聚类算法。
在具体实现过程中,可采用均值漂移(Mean Shift)算法。均值漂移算法是一种无参密度估计算法或称核密度估计算法,可用于聚类、图像分割、跟踪等,其优点在于算法计算量小,简单易实现。均值漂移算法可把图像聚合成多个类,由于禽畜栏位内的图像背景环境简单,移动物体一般为禽畜本身,可以近似认为禽畜个体间具有较低相互重合和遮挡的图像帧在均值漂移算法中将聚合成更多数目的类,所以运行均值偏移算法后得到聚类种类数最多的帧为本实施例所需的优选帧。
步骤103:对所述优选帧实施传统目标检测处理,输出检测到的禽畜栏位所在区域的位置坐标和单个禽畜对象的种类、禽畜所在区域位置坐标;
目前基于图像的目标数量统计主要有两种方法:一个是基于目标检测的直接法,这种方法需要非常精确的探测目标对象,但是目标对象非常密集,个体间相互重合和遮挡时,就很难对目标进行分割从而准确统计数量。第二种是非直接法,通过统计学习的方法对目标进行数量统计,适合目标密集的情况。
在本实施例中选择基于目标检测的直接法。通过目标检测算法对所述优选帧进行处理,然后输出检测到的禽畜栏位所在区域的位置坐标和单个禽畜对象的种类、禽畜所在区域位置坐标。原因在于获取了禽畜个体的位置坐标后可以对禽畜个体进行除数量统计外的其他进一步分析,在功能方面具有很好的可扩展性。
在具体实现过程中,可选择任何的目标检测方法,并遵循候选窗口选择、特征提取、分类器训练与执行的基本步骤。举例来说,候选窗口可选择包括暴力搜索、采用先验知识提取候选窗口、采用Selective Search或EdgeBox等窗口检测算法等;特征设计可选择采用直方图、HOG特征、LBP特征、HAAR-Like等特征或其组合等;分类器可选择Adaboost、SVM、决策树、随机森林、Cascade等分类器。
规模化禽畜养殖厂基于科学养殖方法、防止交叉影响等考虑,不同种类的禽畜分开养殖,不存在单一栏位存在多种不同类型的禽畜对象的可能。举例来说,单一栏位不可能同时存在猪和牛。通过对所述优选帧执行所述目标检测方法,可得到对象种类和对象所在位置的窗口(位置坐标)。由于单一栏位不存在多种不同类型禽畜对象的可能,分类器可只训练两类对象,即:(1)是否为所述目标禽畜对象以及对应的候选窗口(位置坐标),(2)是否为栏位对象以及对应的候选窗口(位置坐标)。为了统一起见,对于分类器检测到的目标对象,可输出形如下列形式的数据:(对象种类,坐标1,坐标2,坐标3,坐标4)。其中对象种类是指禽畜对象或者栏位对象,坐标1~坐标4是对象窗口在图片中的位置坐标。对于位置坐标可采用多种形式,举例来说,可采用左上点的坐标和右下点的坐标来描述窗口,也可采用中心点坐标+窗口的宽度和高度来描述窗口,依赖于坐标系的选择和算法实现的方便程度。
需要说明的是如果通过目标检测处理来识别栏位并输出其坐标,需调整好所述移动装置中摄像头的角度和位置,使栏位在图像和视频中基本成矩形,否则用于检测的矩形窗口为了覆盖栏位,将会大于栏位本来的区域,从而可能使原本不再栏位中的禽畜计入该栏位,导致单栏位中的数量统计不准确。
简单起见,在进行所述对象检测时的候选窗口一般为矩形窗口,但本领域技术人员依据禽畜的外形采用其他形式的候选窗口形式也是可以的,如三角形或五边形等,其坐标形式相应发生变化,不再赘述。
获得栏位对象和禽畜对象的窗口位置坐标后,可以通过计算禽畜对象所在窗口与栏位对象窗口的重合比例(禽畜对象窗口与栏位窗口重合面积/禽畜对象窗口面积)来确定禽畜对象是否在栏位内,从而统计单个栏位内的禽畜对象。采用其他的方式如交并比(Intersection over Union,IoU)来计算禽畜对象是否位于栏位内也是可行的。
步骤104:融合所述多帧处理结果,得到单栏位内的禽畜数量;
本步骤为可选步骤。如果步骤102仅优选出单个所述优选帧,则本步骤无需执行。但为了提高单栏位内禽畜数量统计的准确度,可以通过融合多个优选帧的单个栏位的分析结果得到置信度更高的单栏位内的禽畜数量。
在具体实现过程中,可采用来融合多帧数据,其中Fi表示第i个所述优选帧运行所述目标检测算法后得到的所述单栏位的禽畜数量,N表示所述优选帧的数量,Round()函数表示四舍五入取整。也可采用方式来融合数据,其中Count()为所述禽畜数量值等于Fi的个数,选择所述优选帧分析结果中出现次数最多的禽畜数量值作为单栏位内的禽畜数量。
需要说明的是,还可通过步骤103中获取的栏位位置窗口和禽畜位置窗口的数据进行更复杂的数据融合最终得到单栏位内的禽畜数量。
步骤105:在某时段内对所述单栏位禽畜数量进行统计,获得禽畜养殖厂内全部或部分指定栏位的总禽畜数量。
现代禽畜养殖厂通常规模较大,需要部署数个到上百个所述移动装置,而所述移动装置采集全部栏位的图像或视频信息数据需要一定的时间。当全部或部分指定栏位的数据经所述移动装置采集完后,可依据步骤102~步骤104进行所述单栏位内禽畜数量的检测,然后通过累加全部或部分指定栏位的所述禽畜数量数据得到某时段内所述全部或部分指定栏位的总禽畜数量。
需要说明的是所述移动装置除了可以通过数据采集模块采集所述图像和视频信息外,还可通过其处理模块执行所述优选帧,帧检测,融合帧检测结果等操作。也可对所述图像和视频信息进行部分处理后通过通信模块将数据传输给其他处理节点如本地局域网内的服务器,远端云服务器等再进行其余处理。当然,本发明实施例中的所述节点包括所述移动装置、本地局域网服务器,远端云服务器等设备但不限于上述设备。
在实施例中,当需要进行禽畜数量统计时,移动装置按照事先设定的参数自动,或接收其他节点对本移动装置的控制指令,在所述固定轨道上移动对禽畜栏位进行所述图像和视频信息的采集,当移动装置在所述固定轨道上移动或停留时,对所述图像和视频信息按照所述禽畜数量统计方法进行处理(或预处理),所述移动装置处理完后将处理后的数据传输到适当的节点再按照所述禽畜数量统计方法进行处理或转发、存储、展示等。
在本实施例中,当需要进行禽畜数量统计时,所述处理模块在获取到所述数据采集模块采集到的所述图像和视频数据后,优选出禽畜个体间具有较低相互重合和遮挡的图像帧;通过对所述优选图像帧的分析处理,得到禽畜栏位所在区域的坐标和各个禽畜对象的种类,禽畜所在区域的坐标;融合所述多个优选帧的处理结果,得到单栏位内禽畜的数量;在某时段内对所述单栏位禽畜数量进行统计,获得禽畜养殖厂内全部或部分指定栏位总的禽畜数量。
实施例2
如图3所示,本实施例的方法可以包括:
步骤201:移动获取待处理的栏位和栏位内的禽畜的图像和视频信息。
步骤201的执行过程与步骤101的执行过程类似,不再赘述。
步骤202:通过采用深度较浅的卷积神经网络在所述图像和视频信息中优选禽畜个体间具有较低相互重合和遮挡的图像帧用于后续处理;卷积神经网络是一种端到端的自动学习技术,无需人工进行特征提取。目前认为,卷积神经网络在特征提取上要明显优于人工的HOG,HAAR-Like等特征,且可提取高层次的语义特征。因此可通过训练卷积神经网络来从所述图像和视频信息中优选禽畜个体间具有较低相互重合和遮挡的图像帧。典型的卷积神经网络的实现可参考LeNet-5网络的实现。由于本步骤的目的是优选出个体间具有较低相互重合和遮挡的图像帧,从而减低后续步骤的计算需求并提高精确度,因此本步骤设计的卷积神经网络层次不宜过高而导致计算需求量的急剧增加,应以2~7层为宜。
步骤203:对所述优选帧实施传统目标检测处理,输出检测到的禽畜栏位所在区域的位置坐标和单个禽畜对象的种类、禽畜所在区域位置坐标;
步骤203的执行过程与步骤103的执行过程类似,不再赘述。
步骤204:融合所述多帧处理结果,得到单栏位内的禽畜数量;
步骤204的执行过程与步骤104的执行过程类似,不再赘述。
步骤205:在某时段内对所述单栏位禽畜数量进行统计,获得禽畜养殖厂内全部或部分指定栏位的总禽畜数量。
步骤205的执行过程与步骤105的执行过程类似,不再赘述。
实施例3
如图4所示,本实施例的方法可以包括:
步骤301:移动获取待处理的栏位和栏位内的禽畜的图像和视频信息。
步骤301的执行过程与步骤101的执行过程类似,不再赘述。
步骤302:在所述图像和视频信息中优选禽畜个体间具有较低相互重合和遮挡的图像帧用于后续处理;
步骤302的执行过程与步骤102或步骤202的执行过程类似,不再赘述。
步骤303:通过摄像头所在物理位置和参数以及栏位相对相机的物理位置和栏位尺寸等计算图像中栏位的区域(窗口)的位置坐标并输出,对所述优选帧实施传统目标检测处理,输出检测到的单个禽畜对象的种类、禽畜所在区域(窗口)位置坐标;
当所述移动装置的行进路线固定、用于数据采集的摄像头参数和摄像角度确定、在采集所述图像和视频信息时在路线上的位置固定,而所述禽畜养殖厂的栏位位置和尺寸大小已知时,所述栏位在图像或视频中的窗口坐标位置可通过三角计算等得知从而直接输出图像或视频中栏位的区域(窗口)的位置坐标。需要说明的是,由于摄像头所在物理位置和参数以及栏位相对相机的物理位置和栏位尺寸等均为已知,也可采用对每个栏位直接标记栏位区域(窗口)的位置坐标的方式。在需要时按照采集点与栏位的对应关系直接输出标记值。
步骤304:融合所述多帧处理结果,得到单栏位内的禽畜数量;
步骤304的执行过程与步骤104的执行过程类似,不再赘述。
步骤305:在某时段内对所述单栏位禽畜数量进行统计,获得禽畜养殖厂内全部或部分指定栏位的总禽畜数量。
步骤305的执行过程与步骤105的执行过程类似,不再赘述。
实施例4
如图5所示,本实施例的方法可以包括:
步骤401:移动获取待处理的栏位和栏位内的禽畜的图像和视频信息。
步骤401的执行过程与步骤101的执行过程类似,不再赘述。
步骤402:在所述图像和视频信息中优选禽畜个体间具有较低相互重合和遮挡的图像帧用于后续处理;
步骤402的执行过程与步骤102或步骤202的执行过程类似,不再赘述。
步骤403:采用深度卷积神经网络对所述优选帧实施目标检测处理,输出检测到的禽畜栏位所在区域的位置坐标和单个禽畜对象的种类、禽畜所在区域位置坐标;
目前,采用深度卷积神经网络的目标检测算法较传统目标检测算法的准确度有较大提升,但对计算的需求也增大许多。为了达到准实时检测的响应水平,通过结合步骤402和步骤403,选择那些有利于目标识别的帧同时大幅减少需要处理的帧的数量来实现基于深度卷积神经网络的准实时目标检测处理。采用深度卷积网络来进行目标识别的主要方法是基于区域的卷积神经网络(Region Based Convolutional Neural Network,RCNN)。当前性能较好的RCNN网络包括Faster-RCNN及其变体,Mask-RCNN及其变体等。可通过实验合理选择网络层次和网络结构从而达到检测准确度和计算需求之间的合理折中。
需要说明的是处理RCNN外,还有其他的方法也主要采用深度卷积神经网络来进行目标检测处理,如YOLO,SPP-NET等。只要能够输出检测到禽畜栏位所在区域的位置坐标和单个禽畜对象的种类、禽畜所在区域位置坐标的基于卷积神经网络的目标检测方法均可用于具体实施本实施例的本步骤。由于当前对卷积神经网络的研究仍存在很多理论问题悬而未决,卷积神经网络方法及其变体的选择更多地依赖于实验验证,因此需主要通过实验表现来选择最合适的具体实施方法,从而在计算成本合理的前提下达到更高的检测准确度。
步骤404:融合所述多帧处理结果,得到单栏位内的禽畜数量;
步骤404的执行过程与步骤104的执行过程类似,不再赘述。
步骤405:在某时段内对所述单栏位禽畜数量进行统计,获得禽畜养殖厂内全部或部分指定栏位的总禽畜数量。
步骤405的执行过程与步骤105的执行过程类似,不再赘述。
最后需要说明的是: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代;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 (10)
1.一种用于畜牧业的禽畜数量统计系统,其特征在于,包括图像采集装置和图像处理装置,图像采集装置沿设置的路线移动或停留,图像采集装置用于采集禽畜栏位和禽畜的图像和/或视频信息;
图像处理装置用于对禽畜栏位和禽畜的图像和/或视频信息进行处理,统计得到禽畜栏位对应的禽畜数量。
2.如权利要求1所述的用于畜牧业的禽畜数量统计系统,其特征在于,图像处理装置通过通信模块控制图像采集装置的移动或停留;图像采集装置的移动路线固定设置;图像采集装置采用T型轨、齿轨或机械臂进行移动。
3.如权利要求1所述的用于畜牧业的禽畜数量统计系统,其特征在于,图像处理装置对图像采集装置采集的禽畜的图像和/或视频信息首先筛选出相互重合和遮挡度较低的图像帧作为优选帧,遮挡度可由阈值控制;然后对优选帧分析处理,得到融合多个优选帧的处理结果,得到单栏位内禽畜的数量;最后再设定的时段内对所述单栏位禽畜数量进行统计汇总,获得禽畜养殖厂内全部或部分指定栏位的总禽畜数量。
4.如权利要求3所述的用于畜牧业的禽畜数量统计系统,其特征在于,采用均值漂移算法或卷积神经网络算法筛选出低相互重合和遮挡的图像帧。
5.如权利要求3所述的用于畜牧业的禽畜数量统计系统,其特征在于,融合多个优选帧的单个栏位的分析结果得到置信度更高的单栏位内的禽畜数量。
6.一种用于畜牧业的禽畜数量统计方法,其特征在于,包括如下步骤:
步骤一、获取待处理的栏位和栏位内的禽畜的图像和/或视频信息;
步骤二、在采集到的图像和/或视频信息中删选处禽畜个体间具有较低相互重合和遮挡的图像帧作为优选帧用于后续处理;
步骤三、对优选帧进行目标检测处理,输出检测到的禽畜栏位所在区域的位置坐标和单栏禽畜对象的种类、禽畜所在区域位置的坐标禽畜栏位所在区域的坐标和各个禽畜对象的种类;
步骤四、融合多个优选帧的处理结果,得到单栏位内的禽畜数量;
步骤五、在设定时段内对单栏位禽畜数量进行统计汇总,获得禽畜养殖厂内全部或部分指定栏位的总禽畜数量。
7.如权利要求6所述的用于畜牧业的禽畜数量统计方法,其特征在于,所述步骤二中,采用均值漂移算法或卷积神经网络算法筛选出低相互重合和遮挡的图像帧作为优选帧。
8.如权利要求6所述的用于畜牧业的禽畜数量统计方法,其特征在于,所述步骤三中,采用基于目标检测的直接法进行目标检测处理;其中,候选窗口采用暴力搜索窗口、先验知识提取候选窗口、Selective Search或EdgeBox窗口检测算法;特征设计采用直方图、HOG特征、LBP特征火HAAR-Like特征或上述特征的任意组合;分类器采用Adaboost分类器、SVM分类器、决策树分类器、随机森林分类器或Cascade分类器。
9.如权利要求6所述的用于畜牧业的禽畜数量统计方法,其特征在于,所述步骤三中,根据摄像头所在物理位置和参数以及栏位相对摄像头的物理位置和栏位尺寸等直接计算图像中栏位的区域的位置坐标并输出。
10.如权利要求6所述的用于畜牧业的禽畜数量统计方法,其特征在于,所述步骤三中,采用深度卷积神经网络对所述优选帧实施目标检测处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811026287.XA CN109376584A (zh) | 2018-09-04 | 2018-09-04 | 一种用于畜牧业的禽畜数量统计系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811026287.XA CN109376584A (zh) | 2018-09-04 | 2018-09-04 | 一种用于畜牧业的禽畜数量统计系统和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109376584A true CN109376584A (zh) | 2019-02-22 |
Family
ID=65405135
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811026287.XA Pending CN109376584A (zh) | 2018-09-04 | 2018-09-04 | 一种用于畜牧业的禽畜数量统计系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109376584A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110326548A (zh) * | 2019-03-06 | 2019-10-15 | 杭州安链物联有限公司 | 一种生猪检测系统及数目统计、检测的方法 |
CN110956609A (zh) * | 2019-10-16 | 2020-04-03 | 北京海益同展信息科技有限公司 | 一种对象数量确定方法、装置、电子设备以及可读介质 |
CN111028266A (zh) * | 2019-12-16 | 2020-04-17 | 洛阳语音云创新研究院 | 畜禽盘点方法、装置、电子设备和存储介质 |
CN111144276A (zh) * | 2019-12-24 | 2020-05-12 | 北京深测科技有限公司 | 一种用于牧场的监测预警方法 |
CN111369378A (zh) * | 2020-02-25 | 2020-07-03 | 成都睿畜电子科技有限公司 | 一种基于计算机视觉识别的生猪监管方法及系统 |
CN111523472A (zh) * | 2020-04-23 | 2020-08-11 | 杭州海康威视系统技术有限公司 | 基于机器视觉的活动目标计数方法和设备 |
CN112001941A (zh) * | 2020-06-05 | 2020-11-27 | 成都睿畜电子科技有限公司 | 基于计算机视觉的仔猪监管方法及系统 |
CN114005011A (zh) * | 2021-11-02 | 2022-02-01 | 中冶赛迪重庆信息技术有限公司 | 活畜在圈状态确定方法、系统、设备及介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106802127A (zh) * | 2017-02-15 | 2017-06-06 | 河南瑞远物联网科技有限公司 | 一种基于图像处理的杏鲍菇长势监控系统 |
CN106934346A (zh) * | 2017-01-24 | 2017-07-07 | 北京大学 | 一种目标检测性能优化的方法 |
CN107549049A (zh) * | 2017-09-28 | 2018-01-09 | 中北大学 | 一种笼养鸡健康状况自动化监测装置 |
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 |
CN107945456A (zh) * | 2017-12-18 | 2018-04-20 | 翔创科技(北京)有限公司 | 牲畜监控系统 |
CN108416269A (zh) * | 2017-09-14 | 2018-08-17 | 翔创科技(北京)有限公司 | 牲畜信息采集系统、数据库建立及识别方法、程序、介质、设备 |
-
2018
- 2018-09-04 CN CN201811026287.XA patent/CN109376584A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106934346A (zh) * | 2017-01-24 | 2017-07-07 | 北京大学 | 一种目标检测性能优化的方法 |
CN106802127A (zh) * | 2017-02-15 | 2017-06-06 | 河南瑞远物联网科技有限公司 | 一种基于图像处理的杏鲍菇长势监控系统 |
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 |
CN108416269A (zh) * | 2017-09-14 | 2018-08-17 | 翔创科技(北京)有限公司 | 牲畜信息采集系统、数据库建立及识别方法、程序、介质、设备 |
CN107549049A (zh) * | 2017-09-28 | 2018-01-09 | 中北大学 | 一种笼养鸡健康状况自动化监测装置 |
CN107945456A (zh) * | 2017-12-18 | 2018-04-20 | 翔创科技(北京)有限公司 | 牲畜监控系统 |
Non-Patent Citations (1)
Title |
---|
曹建芳: "《大规模场景图像的情感语义分析若干关键技术研究》", 31 January 2018 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110326548A (zh) * | 2019-03-06 | 2019-10-15 | 杭州安链物联有限公司 | 一种生猪检测系统及数目统计、检测的方法 |
CN110956609A (zh) * | 2019-10-16 | 2020-04-03 | 北京海益同展信息科技有限公司 | 一种对象数量确定方法、装置、电子设备以及可读介质 |
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 |
CN111028266A (zh) * | 2019-12-16 | 2020-04-17 | 洛阳语音云创新研究院 | 畜禽盘点方法、装置、电子设备和存储介质 |
CN111028266B (zh) * | 2019-12-16 | 2023-05-23 | 洛阳语音云创新研究院 | 畜禽盘点方法、装置、电子设备和存储介质 |
CN111144276A (zh) * | 2019-12-24 | 2020-05-12 | 北京深测科技有限公司 | 一种用于牧场的监测预警方法 |
CN111144276B (zh) * | 2019-12-24 | 2023-04-18 | 北京深测科技有限公司 | 一种用于牧场的监测预警方法 |
CN111369378A (zh) * | 2020-02-25 | 2020-07-03 | 成都睿畜电子科技有限公司 | 一种基于计算机视觉识别的生猪监管方法及系统 |
CN111523472A (zh) * | 2020-04-23 | 2020-08-11 | 杭州海康威视系统技术有限公司 | 基于机器视觉的活动目标计数方法和设备 |
CN112001941A (zh) * | 2020-06-05 | 2020-11-27 | 成都睿畜电子科技有限公司 | 基于计算机视觉的仔猪监管方法及系统 |
CN112001941B (zh) * | 2020-06-05 | 2023-11-03 | 成都睿畜电子科技有限公司 | 基于计算机视觉的仔猪监管方法及系统 |
CN114005011A (zh) * | 2021-11-02 | 2022-02-01 | 中冶赛迪重庆信息技术有限公司 | 活畜在圈状态确定方法、系统、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109376584A (zh) | 一种用于畜牧业的禽畜数量统计系统和方法 | |
CN108990831B (zh) | 一种牲畜健康监控方法和系统 | |
Mohamed et al. | Msr-yolo: Method to enhance fish detection and tracking in fish farms | |
Li et al. | Robust visual tracking based on convolutional features with illumination and occlusion handing | |
Wageeh et al. | YOLO fish detection with Euclidean tracking in fish farms | |
CN105913528A (zh) | 门禁控制数据处理方法和装置、门禁控制方法和装置 | |
EP3035235B1 (en) | Method for setting a tridimensional shape detection classifier and method for tridimensional shape detection using said shape detection classifier | |
CN107133607B (zh) | 基于视频监控的人群统计方法及系统 | |
CN108776974B (zh) | 一种适用于公共交通场景的实时目标跟踪方法 | |
CN106295558A (zh) | 一种猪只行为节律分析方法 | |
CN110428449A (zh) | 目标检测跟踪方法、装置、设备及存储介质 | |
CN103177266A (zh) | 储藏物害虫智能识别系统 | |
Noe et al. | Automatic detection and tracking of mounting behavior in cattle using a deep learning-based instance segmentation model | |
Seo et al. | A yolo-based separation of touching-pigs for smart pig farm applications | |
KR102584357B1 (ko) | 반문 이미지를 기반으로 한 축산 동물의 개체 식별 장치 및 영상을 기반으로 한 가축 행동 패턴 분류 시스템 및 가축 행동 패턴 분류 방법 | |
CN111914657B (zh) | 一种宠物行为检测方法、装置、电子设备及存储介质 | |
CN113780145A (zh) | 精子形态检测方法、装置、计算机设备和存储介质 | |
CN111797831A (zh) | 基于bim和人工智能的家禽进食并行异常检测方法 | |
CN108830222A (zh) | 一种基于信息性和代表性主动学习的微表情识别方法 | |
CN117115754B (zh) | 基于计算机视觉的鸭舍智能化监测方法 | |
Mar et al. | Cow detection and tracking system utilizing multi-feature tracking algorithm | |
CN108491832A (zh) | 一种嵌入式人脸识别追踪装置及方法 | |
Gao et al. | Adaptive cow movement detection using evolving spiking neural network models | |
Bastiaansen et al. | Continuous real-time cow identification by reading ear tags from live-stream video | |
Guo et al. | Vision-Based Cow Tracking and Feeding Monitoring for Autonomous Livestock Farming: The YOLOv5s-CA+ DeepSORT-Vision Transformer |
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: 20190222 |