CN109492562B - 一种无接触家畜识别系统 - Google Patents

一种无接触家畜识别系统 Download PDF

Info

Publication number
CN109492562B
CN109492562B CN201811275892.0A CN201811275892A CN109492562B CN 109492562 B CN109492562 B CN 109492562B CN 201811275892 A CN201811275892 A CN 201811275892A CN 109492562 B CN109492562 B CN 109492562B
Authority
CN
China
Prior art keywords
image
neck ring
character
neck
livestock
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
Application number
CN201811275892.0A
Other languages
English (en)
Other versions
CN109492562A (zh
Inventor
赵凯旋
朱雪峰
王俊
何东健
马军
金鑫
姬江涛
马淏
孙经纬
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.)
Henan University of Science and Technology
Original Assignee
Henan University of Science and Technology
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 Henan University of Science and Technology filed Critical Henan University of Science and Technology
Priority to CN201811275892.0A priority Critical patent/CN109492562B/zh
Publication of CN109492562A publication Critical patent/CN109492562A/zh
Application granted granted Critical
Publication of CN109492562B publication Critical patent/CN109492562B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G06V10/507—Summing image-intensity values; Histogram projection analysis

Abstract

本发明涉及规模化养殖技术领域，具体的说是一种无接触家畜识别系统。包括佩戴于家畜颈部并包含编号的颈环、设置在家畜出入栏栏口位置并用于拍摄颈环上的编号图像的摄像头以及通过摄像头拍摄的颈环编号图像完成家畜身份识别的识别方法。本发明具有价格低廉、识别时间短、对牲畜伤害小且效率更高的优点，利于规模化养殖的发展。

Description

一种无接触家畜识别系统
技术领域
本发明涉及规模化养殖技术领域，具体的说是一种无接触家畜识别系统。
背景技术
家畜的规模化养殖能够提升乳、肉制品食品安全水平，提升疫病防控能力，是实现畜牧业与环境协调发展的有效途径。规模化养殖对饲养管理方式和方法提出了新的挑战和要求。家畜个体间的差异直接影响乳、肉制品的品质，故家畜饲养必须精确到个体，在采集个体状态信息的基础上，根据个体的不同情况制定针对性的饲养方案。针对这种情况，家畜身份识别方法应运而生。而传统家畜身份识别方法在个体识别过程有很多弊端，比如检测时间长，效率较低，投入成本高，对牲畜身体有所伤害等问题。落后的牲畜信息获取方式严重地制约了规模化养殖生产力的进一步提高。
发明内容
本发明旨在提供一种无接触家畜识别系统，价格低廉、识别时间短、对牲畜伤害小且效率更高的身份识别系统，利于规模化养殖的发展。
为了解决以上技术问题，本发明采用的技术方案为：一种无接触家畜识别系统，包括佩戴于家畜颈部并包含编号的颈环、设置在家畜出入栏栏口位置并用于拍摄颈环上的编号图像的摄像头以及通过摄像头拍摄的颈环编号图像完成家畜身份识别的识别方法，识别方法包括以下步骤：
第一步，颈环粗定位：
采用基于级联分类器的目标检测方法进行颈环粗定位：
1）准备训练数据，训练数据包括正样本和负样本，正样本为包含颈环的图像，负样本为任意不包含颈环的图像；
2）训练级联分类器，将训练数据的特征选择并提取出来，放入级联分类器中进行训练，得到固定特征矩形检测窗口；
3）利用训练好的分类器进行目标检测，检测时将每个固定特征矩形检测窗口与摄像头拍摄图像中同样大小的矩形区域比较，如果匹配则记录该矩形区域的位置；然后滑动窗口，重复检测摄像头拍摄图像的其他区域，直到将摄像头拍摄图像检测完毕，得到颈环粗定位图像，即颈环区域位置图像。
第二步，颈环精定位：
1）、使用多个参数对第一步得到的颈环粗定位图像进行多次自适应二值化；
2）、对每次二值化的图像进行连通域分析，将所有满足字符长宽比的字符轮廓分别通过矩形框框选，将所有矩形框的四个角点标出，并对所有矩形框左侧的角点和右侧的角点分别做直线拟合得到颈环编号的左边界和右边界，完成颈环编号图像的左右精定位；
3）、左右精定位之后，使用Sobel算子找到水平边缘，对水平方向求和，画出投影直方图，对直方图的上下两边做像素点处理获取上下边界，完成颈环的精定位并得到颈环的精定位图像，即颈环编号区域图像；
第三步，颈环编号分割：
1）、将第二步得到的颈环精定位图像进行二值化处理，得到二值化图像；
2）、对二值化图像进行字符区域扫描，降序排列字符区域，依次选取非零像素值最多的四个数字区域，具体步骤如下：取降序排列数字区域中前四个区域，若二值化图像中有多余区域，则该区域默认为非字符区域，切除该区域；
3）、确定字符中心坐标，再次降序排列，分割字符区域；
4）、将字符区域进行归一化处理，得到尺寸大小相同的字符图像，再将字符图像分别写入测试文件夹，完成颈环编号分割；
第四步，颈环编号识别：
将第三步得到的字符图像分成小的连通区域，即细胞单元，采集细胞单元中各像素点的梯度或边缘的方向直方图，把这些直方图组合起来构成特征描述器，具体步骤如下：
1）、图像灰度化，将图像看做一个x，y，z的灰度三维图像；
2）、采用校正法对输入图像进行灰度空间的标准化；
3）、计算图像每个像素的梯度，包括大小和方向；
4）、将图像划分成细胞单元；
5）、统计每个细胞单元的梯度直方图，得到该细胞单元不同梯度的个数，不同梯度的个数形成每个细胞单元的特征描述符；
6）、若干个细胞单元组成一个模块，将一个模块内所有细胞单元的特征描述符串联起来得到该模块的HOG特征描述符；
7）、将图像内的所有模块的HOG特征描述符串联起来得到该字符图像的HOG特征描述符；
8）、对不同类别的字符图像提取HOG特征后，采用支持向量机进行分类，采用SVM支持向量机进行颈环字符识别分为训练阶段和预测阶段；训练阶段中，使用训练样本进行学习并训练出一个SVM模型，这个模型本质上就是由最难分类的特征向量定义出了最优超平面；预测阶段中将待测样本特征向量输入到k(k-1)/2个二分类器，通过投票数给出分类的结果，完成颈环字符ID识别。
优选的，所述颈环包括颈带，在颈带的端部设有用于将颈带围成环状的卡扣，在颈带的中部固定设有配重块，在颈带上位于配重块的两侧分别设有字符块组，每个字符块组均包括多个穿设在颈带上并分别设有单个数字图形的字符块，任意一个字符块组中的所有字符块上的单个数字图形均共同构成颈环的编号。
优选的，字符块采用蓝色硬质塑料制作，单个数字图形为白色。
有益效果
与传统家畜身份识别系统相比，本发明硬件设备只需要颈环及摄像头，成本较低，且设备重复使用性高；颈环佩戴对家畜身体不会制造任何损伤；颈环识别系统采用了深度学习图形处理技术识别效率高；本发明设备除了可无接触识别家畜编号外，还可继续拓展应用于实现家畜无接触检测匹配，对病体家畜或身体状况异常家畜进行无接触精准定位及匹配，对建立家畜养殖数据库可提供一定的理论与设备基础，可大大提高家畜智能化养殖。
附图说明
图1为本发明颈环的立体结构示意图；
图2为本发明的总流程图；
图3为本发明的识别方法的流程图；
图4为本发明的识别方法中的颈环粗定位流程图；
图5为本发明的识别方法中的颈环精定位流程图；
图6为本发明的识别方法中的颈环编号分割流程图；
图7为本发明的识别方法中的颈环编号识别流程图；
图中标记：1、卡扣，2、颈带，3、字符块，4、单个数字图形，5、配重块。
具体实施方式
一种无接触家畜识别系统，先让养殖场家畜佩戴含有编号的颈环，然后在家畜出入栏栏口使用固定在一侧的高清摄像头捕拍家畜图像，最后通过摄像头拍摄的颈环编号图像完成家畜身份识别。
如图1所示，颈环包括采用蓝色帆布制作的颈带2。在颈带2的端部设有用于将颈带2围成环状的卡扣1，卡扣1可调节颈环的大小松紧，以适应不同体型的家畜。在颈带2的中部固定设有蓝色硬质材料制作的配重块5，用于使颈环中部下垂，便于识别颈环上的编号。在颈带2上位于配重块5的两侧分别设有字符块3组，每个字符块3组均包括四个穿设在颈带2上并分别设有单个数字图形4的字符块3，字符块3采用蓝色硬质塑料制作，在字符块3上开设有供颈带2穿过的边平孔，并以浮雕工艺在字符块3上雕设有0-9的单个数字图形4，单个数字图形4标记为白色以利于与字符块3区分。任意一个字符块3组中的四个字符块3上的单个数字图形4均共同构成颈环的编号。对于不同的家畜采用带有不同单个数字图形4的字符块3任意组合使用即可。
本发明中通过摄像头拍摄的颈环编号图像完成家畜身份识别的识别方法包括以下步骤：
第一步，颈环粗定位：
采用基于级联分类器的目标检测方法进行颈环粗定位，分类器为Haar级联分类器。
1）准备训练数据，训练数据包括正样本和负样本，正样本为包含颈环的图像，负样本为任意不包含颈环的图像；
2）训练级联分类器，将训练数据的特征选择并提取出来，放入级联分类器中进行训练，得到固定特征矩形检测窗口；
3）利用训练好的分类器进行目标检测，检测时将每个固定特征矩形检测窗口与摄像头拍摄图像中同样大小的矩形区域比较，如果匹配则记录该矩形区域的位置；然后滑动窗口，重复检测摄像头拍摄图像的其他区域，直到将摄像头拍摄图像检测完毕，得到颈环粗定位图像，即颈环区域位置图像。由于摄像头拍摄图像中特征大小不定，如在输入图像中颈环是50x50的区域，而训练时的图像是25x25，只有当输入图像缩小到一半的时候，才能匹配上，因此还需执行逐步缩小图像流程，直到将图像检测完毕。
Haar级联分类器使用AdaBoost算法，是一种筛选式的级联分类器，每个节点是多个树构成的分类器，且每个节点的正确识别率很高。在任一级计算中，一旦获得“不在类别中”的结论，则计算终止，只有通过分类器中所有级别，才会认为物体被检测到。这样的优点是当目标出现频率较低的时候（即颈环在图像中所占比例小时），筛选式的级联分类器可以显著地降低计算量，因为大部分被检测的区域可以很早被筛选掉，可迅速判断该区域是否有要求被检测的物体。
AdaBoost算法中Boosting是一个迭代的过程，用来自适应地改变训练样本的分布，使得基分类器聚焦在那些很难分的样本上。具体流程如下：
（1）给定训练样本(x1,y1),...,(xi,yi),...,(xn,yn)，其中xi表示第i个样本，yi=0表示为负样本，yi=1表示为正样本，n为训练样本总数；
（2）初始化训练样本的权重；
（3）第一次迭代，首先训练一弱分类器，计算弱分类器的错误率；选取合适阈值，使得误差最小；更新样本权重；
（4）经过T次循环后，得到T个弱分类器，按照评价每一个弱分类器重要性的权重进行加权叠加，最终得到强分类器。
第二步，颈环精定位：
1）、使用多个参数对第一步得到的颈环粗定位图像进行多次自适应二值化；
2）、对每次二值化的图像进行连通域分析，将所有满足字符长宽比的字符轮廓分别通过矩形框框选，使用满足字符长宽比例做连通域分析判断条件时，会带来一定的噪声。本实施例中采用RANSAC算法剔除噪声点，使用RANSAC算法对矩形框中的点进行拟合，将所有矩形框的四个角点标出，并对所有矩形框左侧的角点和右侧的角点分别做直线拟合得到颈环编号的左边界和右边界，完成颈环编号图像的左右精定位；
RANSAC算法的输入是一组观测数据，一个可以解释或者适应于观测数据的参数化模型。RANSAC算法通过反复选择数据中的一组随机子集来达成目标。被选取的子集被假设为局内点，并用下述方法进行验证：a、有一个模型适应于假设的局内点，即所有的未知参数都能从假设的局内点计算得出；b、用a中得到的模型去测试所有的其它数据，如果某个点适用于估计的模型，认为它也是局内点；c、如果有足够多的点被归类为假设的局内点，那么估计的模型就足够合理；d、用所有假设的局内点去重新估计模型，因为它仅仅被初始的假设局内点估计过；e、最后，通过估计局内点与模型的错误率来评估模型。上述过程被重复执行固定的次数，每次产生的模型若局内点太少则被舍弃，产生模型比现有的模型更好则被选用。
3）、左右精定位之后，使用Sobel算子找到水平边缘，对水平方向求和，画出投影直方图，对直方图的上下两边做像素点处理获取上下边界，完成颈环的精定位并得到颈环的精定位图像，即颈环编号区域图像；
Sobel 算子是一个离散微分算子。它结合了高斯平滑和微分求导，用来计算图像灰度函数的近似梯度。具体是采用卷积的计算方法实现的。假设被作用的图像为I ,在两个方向上求导：水平变化求导：将I与一个奇数大小的内核 Gx进行卷积。比如，当内核大小为3时, 的计算结果为：
Figure DEST_PATH_IMAGE002
垂直变化求导：将I与一个奇数大小的内核Gy进行卷积。比如，当内核大小为3时，的计算结果为：
Figure DEST_PATH_IMAGE004
在图像的每一点，结合以上两个结果求出近似 梯度：
Figure DEST_PATH_IMAGE006
可用以下公式计算梯度方向：
Figure DEST_PATH_IMAGE008
第三步，颈环编号分割：
1）、将第二步得到的颈环精定位图像进行二值化处理，得到二值化图像；
2）、对二值化图像进行字符区域扫描。由于光线明亮程度影响以及其他原因，系统扫描到的字符区域可能会多于真正的字符区域个数，即伪字符区域或噪声干扰，降序排列字符区域，依次选取非零像素值最多的四个数字区域，具体步骤如下：取降序排列数字区域中前四个区域，若二值化图像中有多余区域，则该区域默认为非字符区域，切除该区域，这一设置可有效去除为字符区域及噪声干扰；
3）、字符区域经过选取之后，易出现字符分割混乱现象，需要将字符重新按顺序排列，具体实施为：确定字符中心坐标，再次降序排列，分割字符区域；
4）、将字符区域进行归一化处理，得到尺寸大小相同的字符图像，再将字符图像分别写入测试文件夹，完成颈环编号分割；
第四步，颈环编号识别：
采用HOG与SVM结合技术。
将第三步得到的字符图像分成小的连通区域，即细胞单元，采集细胞单元中各像素点的梯度或边缘的方向直方图，把这些直方图组合起来构成特征描述器，具体步骤如下：
1）、图像灰度化，将图像看做一个x，y，z的灰度三维图像；
2）、采用校正法对输入图像进行灰度空间的标准化，目的是调节图像的对比度，降低图像局部的阴影和光照变化所造成的影响，同时可以抑制噪音的干扰；
3）、计算图像每个像素的梯度，包括大小和方向；主要是为了捕获轮廓信息，同时进一步弱化光照的干扰；
4）、将图像划分成细胞单元，例如6*6像素；
5）、统计每个细胞单元的梯度直方图，得到该细胞单元不同梯度的个数，不同梯度的个数形成每个细胞单元的特征描述符；
6）、若干个细胞单元组成一个模块（例如3*3个），将一个模块内所有细胞单元的特征描述符串联起来得到该模块的HOG特征描述符；
7）、将图像内的所有模块的HOG特征描述符串联起来得到该字符图像的HOG特征描述符；
8）、对不同类别的字符图像提取HOG特征后，下一步就需要进行分类。采用支持向量机进行分类，采用SVM支持向量机进行颈环字符识别分为训练阶段和预测阶段；训练阶段中，使用训练样本进行学习并训练出一个SVM模型，这个模型本质上就是由最难分类的特征向量定义出了最优超平面；预测阶段中将待测样本特征向量输入到k(k-1)/2个二分类器，通过投票数给出分类的结果，完成颈环编号识别。

Claims (3)

1.一种无接触家畜识别系统，其特征在于：包括佩戴于家畜颈部并包含编号的颈环、设置在家畜出入栏栏口位置并用于拍摄颈环上的编号图像的摄像头以及通过摄像头拍摄的颈环编号图像完成家畜身份识别的识别方法，识别方法包括以下步骤：
第一步，颈环粗定位：
采用基于级联分类器的目标检测方法进行颈环粗定位：
1）准备训练数据，训练数据包括正样本和负样本，正样本为包含颈环的图像，负样本为任意不包含颈环的图像；
2）训练级联分类器，将训练数据的特征选择并提取出来，放入级联分类器中进行训练，得到固定特征矩形检测窗口；
3）利用训练好的分类器进行目标检测，检测时将每个固定特征矩形检测窗口与摄像头拍摄图像中同样大小的矩形区域比较，如果匹配则记录该矩形区域的位置；然后滑动窗口，重复检测摄像头拍摄图像的其他区域，直到将摄像头拍摄图像检测完毕，得到颈环粗定位图像，即颈环区域位置图像；
第二步，颈环精定位：
1）、使用多个参数对第一步得到的颈环粗定位图像进行多次自适应二值化；
2）、对每次二值化的图像进行连通域分析，将所有满足字符长宽比的字符轮廓分别通过矩形框框选，将所有矩形框的四个角点标出，并对所有矩形框左侧的角点和右侧的角点分别做直线拟合得到颈环编号的左边界和右边界，完成颈环编号图像的左右精定位；
3）、左右精定位之后，使用Sobel算子找到水平边缘，对水平方向求和，画出投影直方图，对直方图的上下两边做像素点处理获取上下边界，完成颈环的精定位并得到颈环的精定位图像，即颈环编号区域图像；
第三步，颈环编号分割：
1）、将第二步得到的颈环精定位图像进行二值化处理，得到二值化图像；
2）、对二值化图像进行字符区域扫描，降序排列字符区域，依次选取非零像素值最多的四个数字区域，具体步骤如下：取降序排列数字区域中前四个区域，若二值化图像中有多余区域，则该区域默认为非字符区域，切除该区域；
3）、确定字符中心坐标，再次降序排列，分割字符区域；
4）、将字符区域进行归一化处理，得到尺寸大小相同的字符图像，再将字符图像分别写入测试文件夹，完成颈环编号分割；
第四步，颈环编号识别：
将第三步得到的字符图像分成小的连通区域，即细胞单元，采集细胞单元中各像素点的梯度或边缘的方向直方图，把这些直方图组合起来构成特征描述器，具体步骤如下：
1）、图像灰度化，将图像看做一个x，y，z的灰度三维图像；
2）、采用校正法对输入图像进行灰度空间的标准化；
3）、计算图像每个像素的梯度，包括大小和方向；
4）、将图像划分成细胞单元；
5）、统计每个细胞单元的梯度直方图，得到该细胞单元不同梯度的个数，不同梯度的个数形成每个细胞单元的特征描述符；
6）、若干个细胞单元组成一个模块，将一个模块内所有细胞单元的特征描述符串联起来得到该模块的HOG特征描述符；
7）、将图像内的所有模块的HOG特征描述符串联起来得到该字符图像的HOG特征描述符；
8）、对不同类别的字符图像提取HOG特征后，采用支持向量机进行分类，采用SVM支持向量机进行颈环字符识别分为训练阶段和预测阶段；训练阶段中，使用训练样本进行学习并训练出一个SVM模型，这个模型本质上就是由最难分类的特征向量定义出了最优超平面；预测阶段中将待测样本特征向量输入到k(k-1)/2个二分类器，通过投票数给出分类的结果，完成颈环字符ID识别。
2.根据权利要求1所述的一种无接触家畜识别系统，其特征在于：所述颈环包括颈带（2），在颈带（2）的端部设有用于将颈带（2）围成环状的卡扣（1），在颈带（2）的中部固定设有配重块（5），在颈带（2）上位于配重块（5）的两侧分别设有字符块（3）组，每个字符块（3）组均包括多个穿设在颈带（2）上并分别设有单个数字图形（4）的字符块（3），任意一个字符块（3）组中的所有字符块（3）上的单个数字图形（4）均共同构成颈环的编号。
3.根据权利要求2所述的一种无接触家畜识别系统，其特征在于：字符块（3）采用蓝色硬质塑料制作，单个数字图形（4）为白色。
CN201811275892.0A 2018-10-30 2018-10-30 一种无接触家畜识别系统 Active CN109492562B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811275892.0A CN109492562B (zh) 2018-10-30 2018-10-30 一种无接触家畜识别系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811275892.0A CN109492562B (zh) 2018-10-30 2018-10-30 一种无接触家畜识别系统

Publications (2)

Publication Number Publication Date
CN109492562A CN109492562A (zh) 2019-03-19
CN109492562B true CN109492562B (zh) 2021-05-25

Family

ID=65693256

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811275892.0A Active CN109492562B (zh) 2018-10-30 2018-10-30 一种无接触家畜识别系统

Country Status (1)

Country Link
CN (1) CN109492562B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE3833902C1 (en) * 1988-10-05 1989-11-23 Norbert 4416 Everswinkel De Hoehmann Device for identifying animals
CN102496019A (zh) * 2011-12-08 2012-06-13 银江股份有限公司 一种车牌字符分割方法
CN102521588A (zh) * 2011-12-30 2012-06-27 四川九洲电器集团有限责任公司 一种车牌字符分割方法
CN103903018A (zh) * 2014-04-02 2014-07-02 浙江师范大学 一种复杂场景中对车牌进行定位的方法和系统
CN104134079A (zh) * 2014-07-31 2014-11-05 中国科学院自动化研究所 一种基于极值区域和极限学习机的车牌识别方法
CN104143081A (zh) * 2014-07-07 2014-11-12 闻泰通讯股份有限公司 基于嘴部特征的笑脸识别系统及方法
CN106485183A (zh) * 2016-07-14 2017-03-08 深圳市华汉伟业科技有限公司 一种二维码定位方法及系统
CN106709487A (zh) * 2016-12-07 2017-05-24 浙江省公众信息产业有限公司 动物耳标矩阵码的识别方法以及装置
CN107016417A (zh) * 2017-03-28 2017-08-04 青岛伟东云教育集团有限公司 一种字符识别的方法及装置
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

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100455286B1 (ko) * 2002-01-11 2004-11-06 삼성전자주식회사 생리신호획득 및 해석을 이용한 동물의 상태 파악 방법 및장치

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE3833902C1 (en) * 1988-10-05 1989-11-23 Norbert 4416 Everswinkel De Hoehmann Device for identifying animals
CN102496019A (zh) * 2011-12-08 2012-06-13 银江股份有限公司 一种车牌字符分割方法
CN102521588A (zh) * 2011-12-30 2012-06-27 四川九洲电器集团有限责任公司 一种车牌字符分割方法
CN103903018A (zh) * 2014-04-02 2014-07-02 浙江师范大学 一种复杂场景中对车牌进行定位的方法和系统
CN104143081A (zh) * 2014-07-07 2014-11-12 闻泰通讯股份有限公司 基于嘴部特征的笑脸识别系统及方法
CN104134079A (zh) * 2014-07-31 2014-11-05 中国科学院自动化研究所 一种基于极值区域和极限学习机的车牌识别方法
CN106485183A (zh) * 2016-07-14 2017-03-08 深圳市华汉伟业科技有限公司 一种二维码定位方法及系统
CN106709487A (zh) * 2016-12-07 2017-05-24 浙江省公众信息产业有限公司 动物耳标矩阵码的识别方法以及装置
CN107016417A (zh) * 2017-03-28 2017-08-04 青岛伟东云教育集团有限公司 一种字符识别的方法及装置
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

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
From classical methods to animal biometrics: A review on cattle identfication and tracking;Ali Ismail Awad;《Computers and Electronics in Agriculture》;20161231;第2016年卷;423-435 *
基于卷积神经网络的奶牛个体身份识别方法;赵凯旋 等;《农业工程学报》;20150331;第31卷(第5期);181-186 *
基于条形码技术的奶牛个体识别系统的研究;安建强 等;《农业网络信息》;20071231;第2007年卷(第6期);26-28 *

Also Published As

Publication number Publication date
CN109492562A (zh) 2019-03-19

Similar Documents

Publication Publication Date Title
Pérez-Zavala et al. A pattern recognition strategy for visual grape bunch detection in vineyards
Liu et al. A detection method for apple fruits based on color and shape features
CN108520226B (zh) 一种基于躯体分解和显著性检测的行人重识别方法
CN106778902B (zh) 基于深度卷积神经网络的奶牛个体识别方法
Liu et al. Fast traffic sign recognition via high-contrast region extraction and extended sparse representation
US8340420B2 (en) Method for recognizing objects in images
CN107256398B (zh) 基于特征融合的奶牛个体识别方法
CN107909081B (zh) 一种深度学习中图像数据集的快速获取和快速标定方法
Olsen et al. In situ leaf classification using histograms of oriented gradients
CN105447503B (zh) 基于稀疏表示lbp和hog融合的行人检测方法
CN109002851A (zh) 一种基于图像多特征融合的水果分类方法及应用
CN104021384B (zh) 一种人脸识别方法及装置
CN111274915B (zh) 一种指静脉图像的深度局部聚合描述子提取方法及系统
CN110766123A (zh) 鱼苗计数系统及鱼苗计数方法
Gallo et al. Robust angle invariant GAS meter reading
CN105046202B (zh) 自适应的人脸识别光照处理方法
CN110909618A (zh) 一种宠物身份的识别方法及装置
Liong et al. Integrated neural network and machine vision approach for leather defect classification
Liu et al. Multi-type road marking recognition using adaboost detection and extreme learning machine classification
Nguyen et al. Improving pollen classification with less training effort
CN111695373B (zh) 斑马线的定位方法、系统、介质及设备
CN108090426A (zh) 一种基于机器视觉的群养猪身份识别方法
CN112883915A (zh) 一种基于迁移学习的麦穗自动识别方法和系统
Poonkuntran et al. Plant Disease Identification System
CN109492562B (zh) 一种无接触家畜识别系统

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
GR01 Patent grant
GR01 Patent grant
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20190319

Assignee: NINGXIA JINYU ZHIHUI TECHNOLOGY CO.,LTD.

Assignor: HENAN University OF SCIENCE AND TECHNOLOGY

Contract record no.: X2022980028231

Denomination of invention: A non-contact livestock recognition system

Granted publication date: 20210525

License type: Common License

Record date: 20221222