CN109559342A - 动物体长的测量方法和装置 - Google Patents
动物体长的测量方法和装置 Download PDFInfo
- Publication number
- CN109559342A CN109559342A CN201810179512.7A CN201810179512A CN109559342A CN 109559342 A CN109559342 A CN 109559342A CN 201810179512 A CN201810179512 A CN 201810179512A CN 109559342 A CN109559342 A CN 109559342A
- Authority
- CN
- China
- Prior art keywords
- tested animal
- animal
- tested
- data
- long
- 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
- 241001465754 Metazoa Species 0.000 title claims abstract description 278
- 238000000691 measurement method Methods 0.000 title claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 61
- 238000005259 measurement Methods 0.000 claims abstract description 57
- 239000011159 matrix material Substances 0.000 claims abstract description 52
- 230000011218 segmentation Effects 0.000 claims abstract description 52
- 238000000605 extraction Methods 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000001514 detection method Methods 0.000 claims abstract description 21
- 238000013136 deep learning model Methods 0.000 claims abstract description 15
- 238000007637 random forest analysis Methods 0.000 claims abstract description 11
- 238000012937 correction Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 52
- 238000012360 testing method Methods 0.000 claims description 16
- 210000001015 abdomen Anatomy 0.000 claims description 9
- 241000208340 Araliaceae Species 0.000 claims description 8
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 8
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 8
- 235000008434 ginseng Nutrition 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 6
- 230000006399 behavior Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 235000013399 edible fruits Nutrition 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims 1
- 238000013527 convolutional neural network Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000007812 deficiency Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004323 axial length Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Abstract
本发明提供了一种动物体长的测量装置和方法,装置包括:分割与提取模块将采集到的待测动物的图像发送至已训练完成的深度学习模型中,进行待测动物和参照物的分割与提取操作;计算模块将分割与提取操作的结果通过质心和长度检测算法进行对待测动物的质心坐标和长度的计算;测量模块对获取到的以矩阵形式进行表示的计算结果通过预设算法进行偏差剔除操作,以获取待测动物体长的测量数据。采用本发明所提供的动物体长的测量装置和方法,利用卷积神经网络自动完成对动物和参照物的提取分割,并利用随机森林算法完成对拍摄角度、相机桶状变形的校正,最终实现动物的体长的自动测量。
Description
技术领域
本发明涉及图像识别技术领域,具体而言,涉及一种动物体长的测量方法和装置。
背景技术
随着畜牧业保险业务的完善,越来越多的养殖户开始大量的为自己的猪投保。在猪死亡后的理赔过程中,目前养殖保险主要还是采用人工去现场测长或称重的方式,但是在这个工程中存在大量的人力和时间的花费和道德规范。与此同时,还存在拍摄光线和遮挡问题,例如在夜晚或者反光,或者待识别猪被其他物体遮挡的情况下,对测量的效果有很大的影响。
发明内容
本发明提供了一种动物体长的测量装置和方法。
本发明第一方面的实施例提供了一种动物体长的测量装置,包括:分割与提取模块,用于将采集到的待测动物的图像发送至已训练完成的深度学习模型中,进行所述待测动物和参照物的分割与提取操作;计算模块,用于将分割与提取操作的结果通过质心和长度检测算法进行对所述待测动物的质心坐标和长度的计算;测量模块,用于对获取到的以矩阵形式进行表示的计算结果通过预设算法进行偏差剔除操作,以获取所述待测动物体长的测量数据;其中,所述测量模块中所述矩阵的行数据为训练图片张数,所述矩阵的列数据为获取的所述待测动物的参数。
本发明第二方面的实施例提供了一种动物体长的测量方法,包括:将采集到的待测动物的图像发送至已训练完成的深度学习模型中,进行所述待测动物和参照物的分割与提取操作;将分割与提取操作的结果通过质心和长度检测算法进行对所述待测动物的质心坐标和长的计算;对获取到的以矩阵形式进行表示的计算结果通过预设算法进行偏差剔除操作,以获取所述待测动物体长的测量数据;其中,所述矩阵的行数据为训练图片张数,所述矩阵的列数据为获取的所述待测动物的参数。
本发明第三方面的实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现所述动物体长的测量方法的步骤。
本发明第四方面的实施例提供了一种计算机设备,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程序时实现所述动物体长的测量方法的步骤。
本发明实施例所提供的动物体长的测量装置和方法、计算机可读存储介质、以及计算机设备,针对现有技术的不足,和改变传统保险行业采用查看员对动物的长度测量的方式,本公开具体提供一种基于深度学习的目标检测算法和机器学习误差校正算法,实现高精度、高速度的动物的体长测量。服务于畜牧业保险公司的理赔过程,从而大大降低保险公司查看员的查看成本和道德风险。本发明的附加方面和优点将在下面的描述部分中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明第一实施例的动物体长的测量装置的结构示意图;
图2为图1所示的动物体长的测量装置的步骤流程图;
图3为本发明第二实施例的动物体长的测量装置的结构示意图;
图4为图3所示的动物体长的测量装置的步骤流程图;
图5为本发明第三实施例的动物体长的测量装置的结构示意图;
图6为图5所示的动物体长的测量装置的步骤流程图;
图7为本发明第四实施例的动物体长的测量装置的结构示意图;
图8为图7所示的动物体长的测量装置的步骤流程图;
图9(a)为以猪作为示例的动物体长的测量装置中的训练数据示例图;
图9(b)为以猪为示例的动物体长的测量装置中的目标检测分割结构示例图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
下述讨论提供了本发明的多个实施例。虽然每个实施例代表了发明的单一组合,但是本发明不同实施例可以替换,或者合并组合,因此本发明也可认为包含所记载的相同和/或不同实施例的所有可能组合。因而,如果一个实施例包含A、B、C,另一个实施例包含B和D的组合,那么本发明也应视为包括含有A、B、C、D的一个或多个所有其他可能的组合的实施例,尽管该实施例可能并未在以下内容中有明确的文字记载。
本公开涉及的一种动物体长的测量装置,利用卷积神经网络自动完成对猪和参照物的提取分割,并利用随机森林算法完成对拍摄角度、相机桶状变形的校正,最终实现动物的体长的自动测量。
本公开实施例提供了一种动物体长的测量装置,包括:分割与提取模块,用于将采集到的待测动物的图像发送至已训练完成的深度学习模型中,进行待测动物和参照物的分割与提取操作;计算模块,用于将分割与提取操作的结果通过质心和长度检测算法进行对待测动物的质心坐标和长度的计算;测量模块,用于对获取到的以矩阵形式进行表示的计算结果通过预设算法进行偏差剔除操作,以获取待测动物体长的测量数据;其中,测量模块中矩阵的行数据为训练图片张数,矩阵的列数据为获取的待测动物的参数。
本发明实施例针对现有技术的不足,和改变传统保险行业采用查看员对动物的长度测量的方式,本公开具体提供一种基于深度学习的目标检测算法和机器学习误差校正算法,实现高精度、高速度的动物的体长测量。服务于畜牧业保险公司的理赔过程,从而大大降低保险公司查看员的查看成本和道德风险。本发明的附加方面和优点将在下面的描述部分中变得明显,或通过本发明的实践了解到。
实施例一
如图1所示,本实施例的动物体长的测量装置10,包括:分割与提取模块200、计算模块400和测量模块600。
具体的,分割与提取模块200用于将采集到的待测动物的图像发送至已训练完成的深度学习模型中,进行待测动物和参照物的分割与提取操作;计算模块400用于将分割与提取操作的结果通过质心和长度检测算法进行对待测动物的质心坐标和长度的计算;测量模块600用于对获取到的以矩阵形式进行表示的计算结果通过预设算法进行偏差剔除操作,以获取待测动物体长的测量数据。其中,测量模块中矩阵的行数据为训练图片张数,矩阵的列数据为获取的待测动物的参数。
本公开涉及的一种动物体长的测量装置,能很好的为保险公司解决保险理赔的过程中动物的长度的全自动测量,保证自动准确快速的获取动物的体长。
图2为图1所示的动物体长的测量装置的工作流程图,即动物体长的测量方法的步骤流程图,可以理解为基于深度学习的动物的长度的自动识别方法的步骤流程图。具体说明如下:
步骤202,将采集到的待测动物的图像发送至已训练完成的深度学习模型中,进行待测动物和参照物的分割与提取操作。
步骤204,将分割与提取操作的结果通过质心和长度检测算法进行对待测动物的质心坐标和长的计算。
步骤206,对获取到的以矩阵形式进行表示的计算结果通过预设算法进行偏差剔除操作,以获取待测动物体长的测量数据。其中,矩阵的行数据为训练图片张数,矩阵的列数据为获取的待测动物的参数。
本公开涉及的一种动物体长的测量方法,针对现有技术的不足,和改变传统保险行业采用查看员对动物,例如猪的长度测量的方式,本公开提供一种动物体长的测量方法,该方法为基于深度学习的目标检测算法和机器学习误差校正算法,实现高精度、高速度的动物的体长测量。服务于畜牧业保险公司的理赔过程,从而大大降低保险公司查看员的查看成本和道德风险。
实施例二
如图3所示,本实施例的动物体长的测量装置与实施例一不同的是:本实施例中添加了划分模块、采集模块、获取模块。
本实施例的动物体长的测量装置,包括:划分模块100、采集模块110、获取模块120、分割与提取模块200、计算模块400和测量模块600。
其中,划分模块100用于获取待测动物的图片,对图片作为样本进行划分为训练样本与测试样本。采集模块110用于对待测动物通过参照物在待测动物不同身体部位的参照放置,进行多角度的图像采集。
需要说明的是,在待测动物不同身体部位的参照放置包括:在待测动物头部进行参照物的参照放置、在待测动物尾部进行参照物的参照放置、在待测动物腹部进行参照物的参照放置。
此外,本公开提出的一种动物体长的测量装置10还包括:获取模块120用于获取待测动物的实际体长,其中,待测动物的实际体长数据由待测动物耳根到尾根的距离、待测动物鼻头到尾根的距离组成。此外,本公开提出的一种动物体长的测量装置10还包括:分割与提取模块200用于将采集到的待测动物的图像发送至已训练完成的深度学习模型中,进行待测动物和参照物的分割与提取操作;计算模块400用于将分割与提取操作的结果通过质心和长度检测算法进行对待测动物的质心坐标和长度的计算;测量模块600用于对获取到的以矩阵形式进行表示的计算结果通过预设算法进行偏差剔除操作,以获取待测动物体长的测量数据。其中,测量模块中矩阵的行数据为训练图片张数,矩阵的列数据为获取的待测动物的参数。
本实施例中,划分模块、采集模块与获取模块的添加,使得将采集到的动物的多张照片作为样本,迅速高效地划分为训练样本集与测试样本集。由此,提高了训练样本集生成的高效性与精准性。
图4为图3所示的动物体长的测量装置的工作流程图。具体说明如下:
步骤401,获取待测动物的图片,对图片作为样本进行划分为训练样本与测试样本。其中,需要说明的是,训练样本用于对模型的训练,测试模型用于对训练所得的模型的准确率的测试。
步骤402,对待测动物通过参照物在待测动物不同身体部位的参照放置,进行多角度的图像采集。其中,在待测动物不同身体部位的参照放置包括:在待测动物头部进行参照物的参照放置、在待测动物尾部进行参照物的参照放置、在待测动物腹部进行参照物的参照放置。
步骤403获取待测动物的实际体长。其中,待测动物的实际体长数据由待测动物耳根到尾根的距离、待测动物鼻头到尾根的距离组成。
步骤404,通过人工标注的方式分别对待测动物与参照物进行标注,且分别将采集到的图片,即待测动物和参照物,例如圆盘的标注放入语义分割网络进行训练。需要说明的是,采用人工标注的方式完成对动物实际目标的标注,即标注的图像为待测动物的像素值为255,其它为0的二值图;此外,采用人工标注的方式完成对参照物的标注,即标注的图像为参照物的像素为255,其它为0的二值图。此外,语义分割网络用于自动提取待测动物和参照物的网络。
步骤405,将采集到的待测动物的图像发送至已训练完成的深度学习模型中,进行待测动物和参照物的分割与提取操作。
步骤406,将分割与提取操作的结果通过质心和长度检测算法进行对待测动物的质心坐标和长的计算。
步骤407,对获取到的以矩阵形式进行表示的计算结果通过预设算法进行偏差剔除操作,以获取待测动物体长的测量数据。其中,矩阵的行数据为训练图片张数,矩阵的列数据为获取的待测动物的参数。
本公开涉及的一种动物体长的测量方法,获取待测动物的图片,对图片作为样本进行划分为训练样本与测试样本的操作,以及对待测动物通过参照物在待测动物不同身体部位的参照放置,进行多角度的图像采集的操作,以及获取待测动物的实际体长的操作,使得将采集到的动物的多张照片作为样本,迅速高效地划分为训练样本集与测试样本集。由此,提高了训练样本集生成的高效性与精准性。
实施例三
如图5所示,本实施例的动物体长的测量装置与实施例二不同的是,包括:归一化处理模块700和去噪模块800。
其中,归一化处理模块700用于对获取的训练样本进行归一化处理操作。去噪模块800用于通过RANSAC算法来对获取的矩阵的训练集进行剔除噪音操作。此外,划分模块100用于获取待测动物的图片,对图片作为样本进行划分为训练样本与测试样本。采集模块110用于对待测动物通过参照物在待测动物不同身体部位的参照放置,进行多角度的图像采集。其中,在待测动物不同身体部位的参照放置包括:在待测动物头部进行参照物的参照放置、在待测动物尾部进行参照物的参照放置、在待测动物腹部进行参照物的参照放置。
此外,本公开提出的一种动物体长的测量装置10还包括:获取模块120用于获取待测动物的实际体长,其中,待测动物的实际体长数据由待测动物耳根到尾根的距离、待测动物鼻头到尾根的距离组成。此外,本公开提出的一种动物体长的测量装置10还包括:分割与提取模块200用于将采集到的待测动物的图像发送至已训练完成的深度学习模型中,进行待测动物和参照物的分割与提取操作;计算模块400用于将分割与提取操作的结果通过质心和长度检测算法进行对待测动物的质心坐标和长度的计算;测量模块600用于对获取到的以矩阵形式进行表示的计算结果通过预设算法进行偏差剔除操作,以获取待测动物体长的测量数据。其中,测量模块中矩阵的行数据为训练图片张数,矩阵的列数据为获取的待测动物的参数。
本实施例中,归一化处理模块的添加,使其在图片尺寸和像素大小等方面保持均匀一致,这样使得神经网络在训练时排除了其他无关特征,同时可以加速网络的收敛性,加快神经网络的学习速度。此外,去噪模块的添加,使得长度值异常、测量不准确等因素有很好的规避性。
图6为图5所示的动物体长的测量装置的工作流程图。本实施例的动物体长的测量装置的工作流程步骤为:
步骤601,获取待测动物的图片,对图片作为样本进行划分为训练样本与测试样本。
步骤602,对待测动物通过参照物在待测动物不同身体部位的参照放置,进行多角度的图像采集。其中,在待测动物不同身体部位的参照放置包括:在待测动物头部进行参照物的参照放置、在待测动物尾部进行参照物的参照放置、在待测动物腹部进行参照物的参照放置。
步骤603获取待测动物的实际体长。其中,待测动物的实际体长数据由待测动物耳根到尾根的距离、待测动物鼻头到尾根的距离组成。
步骤604,对获取的训练样本进行归一化处理操作。
步骤605,通过人工标注的方式分别对待测动物与参照物进行标注,且分别将采集到的图片,即待测动物和参照物,例如圆盘的标注放入语义分割网络进行训练。需要说明的是,采用人工标注的方式完成对动物实际目标的标注,即标注的图像为待测动物的像素值为255,其它为0的二值图;此外,采用人工标注的方式完成对参照物的标注,即标注的图像为参照物的像素为255,其它为0的二值图。此外,语义分割网络用于自动提取待测动物和参照物的网络。
步骤606,将采集到的待测动物的图像发送至已训练完成的深度学习模型中,进行待测动物和参照物的分割与提取操作。
步骤607,将分割与提取操作的结果通过质心和长度检测算法进行对待测动物的质心坐标和长的计算。
步骤608,对获取到的以矩阵形式进行表示的计算结果通过RANSAC算法来对获取的矩阵的训练集进行剔除噪音操作。
步骤609,对获取到的以矩阵形式进行表示的计算结果通过预设算法进行偏差剔除操作,以获取待测动物体长的测量数据。其中,矩阵的行数据为训练图片张数,矩阵的列数据为获取的待测动物的参数。
本实施例中,对获取的训练样本进行归一化处理操作,使其在图片尺寸和像素大小等方面保持均匀一致,这样使得神经网络在训练时排除了其他无关特征,同时可以加速网络的收敛性,加快神经网络的学习速度。此外,通过RANSAC算法来对获取的矩阵的训练集进行剔除噪音操作,使得长度值异常、测量不准确等因素有很好的规避性。
实施例四
如图7所示,本实施例的动物体长的测量装置与实施例三不同的是,计算模块包括:预处理单元、获取单元与计算单元。此外,测量模块包括:偏差剔除单元与校正测量单元。其中,计算模块400包括:预处理单元410用于根据得到的待测动物和参照物的分割结果图进行预处理操作;获取单元420用于根据预处理后的图像分别计算待测动物和参照物轮廓的力矩,获取一阶矩和二阶矩;计算单元430用于根据得到的一阶矩和二阶矩分别计算待测动物和参照物的质心。
此外,测量模块600包括:偏差剔除单元610用于对以矩阵形式表示的计算结果进行偏差剔除操作;校正与测量单元620用于将剔除偏差后的数据集发送至随机森林算法和GBDT算法中完成对拍摄角度、取像装置桶状变形产生的偏差进行校正,以实现待测动物体长的测量。
此外,本公开提出的一种动物体长的测量装置10还包括:归一化处理模块700用于对获取的训练样本进行归一化处理操作。去噪模块800用于通过RANSAC算法来对获取的矩阵的训练集进行剔除噪音操作。此外,划分模块100用于获取待测动物的图片,对图片作为样本进行划分为训练样本与测试样本。采集模块110用于对待测动物通过参照物在待测动物不同身体部位的参照放置,进行多角度的图像采集。其中,在待测动物不同身体部位的参照放置包括:在待测动物头部进行参照物的参照放置、在待测动物尾部进行参照物的参照放置、在待测动物腹部进行参照物的参照放置。
此外,本公开提出的一种动物体长的测量装置10还包括:获取模块120用于获取待测动物的实际体长,其中,待测动物的实际体长数据由待测动物耳根到尾根的距离、待测动物鼻头到尾根的距离组成。此外,本公开提出的一种动物体长的测量装置10还包括:分割与提取模块200用于将采集到的待测动物的图像发送至已训练完成的深度学习模型中,进行待测动物和参照物的分割与提取操作;计算模块400用于将分割与提取操作的结果通过质心和长度检测算法进行对待测动物的质心坐标和长度的计算;测量模块600用于对获取到的以矩阵形式进行表示的计算结果通过预设算法进行偏差剔除操作,以获取待测动物体长的测量数据。其中,测量模块中矩阵的行数据为训练图片张数,矩阵的列数据为获取的待测动物的参数。
本实施例,通过对计算模块与测量模块内部具体操作功能的细化,为测量待测动物提高了精确性与易用性。
图8为图7所示的动物体长的测量装置的工作流程图。本实施例的动物体长的测量装置的工作流程步骤为:
步骤801,获取待测动物的图片,对图片作为样本进行划分为训练样本与测试样本。
步骤802,对待测动物通过参照物在待测动物不同身体部位的参照放置,进行多角度的图像采集。其中,在待测动物不同身体部位的参照放置包括:在待测动物头部进行参照物的参照放置、在待测动物尾部进行参照物的参照放置、在待测动物腹部进行参照物的参照放置。
步骤803获取待测动物的实际体长。其中,待测动物的实际体长数据由待测动物耳根到尾根的距离、待测动物鼻头到尾根的距离组成。
步骤804,对获取的训练样本进行归一化处理操作。
步骤805,通过人工标注的方式分别对待测动物与参照物进行标注,且分别将采集到的图片,即待测动物和参照物,例如圆盘的标注放入语义分割网络进行训练。需要说明的是,采用人工标注的方式完成对动物实际目标的标注,即标注的图像为待测动物的像素值为255,其它为0的二值图;此外,采用人工标注的方式完成对参照物的标注,即标注的图像为参照物的像素为255,其它为0的二值图。此外,语义分割网络用于自动提取待测动物和参照物的网络。
步骤806,将采集到的待测动物的图像发送至已训练完成的深度学习模型中,进行待测动物和参照物的分割与提取操作。
步骤807,根据得到的待测动物和参照物的分割结果图进行预处理操作。
步骤808,根据预处理后的图像分别计算待测动物和参照物轮廓的力矩,获取一阶矩和二阶矩。其中,预处理操作包括:对得到的动物和所述参照物的分割结果图执行灰度处理、5x5的内核高斯平滑,阈值化赋值为127。
步骤809,根据得到的一阶矩和二阶矩分别计算待测动物和参照物的质心。具体的,根据得到的一阶矩和二阶矩分别计算待测动物和参照物的质心,包括:根据零阶矩公式与一阶矩公式获取待测动物和参照物的质心坐标;通过获取的待测动物和参照物的质心坐标计算参照物的半长轴;其中,对一副二维连续图像f(x,y),p+q阶矩的定义为:
其中,p和q为非负整数,对离散化的数字图像,上式可变为:
0阶矩公式
1阶矩公式
质心坐标为:x=m10/m00;y=m01/m00;
其中,0阶矩m00为待测动物和参照物的质量,根据1阶矩的m10和m01计算出待测动物和参照物的质心,i表示图像的高度,j表示图像的长度。
步骤810,通过RANSAC算法来对获取的矩阵的训练集进行剔除噪音操作。
步骤811,将剔除偏差后的数据集发送至随机森林算法和GBDT算法中完成对拍摄角度、取像装置桶状变形产生的偏差进行校正,以实现待测动物体长的测量。其中,矩阵的行数据为训练图片张数,矩阵的列数据为获取的待测动物的参数。其中,待测动物的参数包括:待测动物的长度、待测动物的质心距图片中心的距离、参照物的长度、参照物质心距图片中心的距离。
需要说明的是,将剔除偏差后的数据集发送至随机森林算法和GBDT算法中完成对拍摄角度、取像装置桶状变形产生的偏差进行校正,包括:从所有数据中随机选择预设数据量的数据,通过MSE的方法进行线性拟合生成一个线性模型;通过线性模型测试所有数据;根据损失函数,计算符合线性模型的点,定义为一致性集合。
进一步地,对线性模型的正确性进行判断;若预设数据量的数据被归类于一致性集合,则判定线性模型为正确的;若一致性集合中的数据未达到预设数据量,则判定线性模型为错误的。
本实施例,通过针对将分割与提取操作的结果通过质心和长度检测算法进行对所述待测动物的质心坐标和长的计算步骤,以及针对获取到的以矩阵形式进行表示的计算结果通过预设算法进行偏差剔除操作,以获取所述待测动物体长的测量数据的步骤的具体操作功能的细化,为测量待测动物提高了精确性与易用性。
图9(a)为以猪作为示例的动物体长的测量装置中的训练数据示例图;图9(b)为以猪为示例的动物体长的测量装置中的目标检测分割结构示例图。本公开提出的一种动物体长的测量装置的工作流程具体为:采集照片,获得原始采样照片,对采集的每一张照片进行多角度,并将圆盘摆放于猪的不同位置,例如圆盘放于猪的头部、尾部、腹部等进行拍摄,以获取各种不同的拍摄场景,并搜集真实的猪的体长,体长包括两个部分:耳根到尾根的距离;鼻头到尾根的距离。将这些样本划分为训练样本集和测试样本集。
此外,将上述采集到的待测图像送入训练好的深度学习模型中,进行待测目标猪和参照物的分割提取;再将上述得到的猪和参照物的分割结果送入质心和长度检测算法中进行长度计算和质心坐标计算。再根据上述过程得到的结果一张训练图片我们会得到1X6的矩阵,如下形式:[猪长,猪质心距离图片中心的距离,参照物长轴长,参照物质心距离图片中心的距离,耳根到尾根的距离,鼻头到尾根的距离],综上,设训练图片为N张,得到的训练集为NX6的矩阵,最后采用RANSAC算法来对NX6的训练集剔除噪音,即长度值异常、测量不准确等因素可以有效地规避。再根据上述得到的结果,将剔除偏差后的数据集其送入随机森林算法和GBDT算法中完成对拍摄角度、相机桶状变形等带来的偏差和误差进行校正,从而得到精准的猪的体长。
需要说明的是,需要获得的参数为:猪的长度,猪的质心距图片中心的距离,参照物的长度,参照物质心距图片中心的距离。根据步骤S2得到的猪和参照物的分割结果图进行预处理,执行灰度处理,5x5的内核高斯平滑,最后阈值化(阈值为127),根据预处理后的图像分别计算猪和圆盘轮廓的力矩(Moment),从而根据得到的一阶矩和二阶矩就可以分别计算猪和参照物的质心,并计算参照物的半长轴,猪的长度分别作为猪和参照物的长度等上述四个参数输入随机森林来校正偏差。
进一步地,RANSAC算法剔除训练样本的偏差,所谓偏差即是指训练数据采集的过程中由于某种原因导致的较大误差或者错误,例如:测量过程中的读数错误、测量不全、检测算法未检测到完整的猪或参照物导致最后结果异常等。需要说明的是,我们先从所有数据中随机选择一部分数据,用MSE的方法进行线性拟合得到一个线性模型,然后用这个模型测试其他的数据,根据损失函数,得到符合这个模型的点,称为一致性集合。如果足够多的数据都被归类于一致性集合,那么说明这个估计的模型是正确的;如果这个集合中的数据太少,那么说明模型不合适,弃之,返回第一步。在我们找到正确的模型时,没有归类到该模型的一致性集合的数据,我们认为是跟其他绝大多数数据差距较大的数据,舍去。
更进一步地,随机森林的参数包括:最大弱学习器的个数为1000;CART树做划分时对特征的评价标准,采用均值方差(mse)评价标准,即
其中,均方误差是指参数估计值与参数真值之差平方的期望值,MSE可以评价数据的变化程度,MSE的值越小,说明预测模型描述实验数据具有更好的精确度。
GBDT通过多轮迭代,每轮迭代产生一个弱分类器,每个分类器在上一轮分类器的残差基础上进行训练。对弱分类器的要求一般是足够简单,并且是低方差和高偏差的。因为训练的过程是通过降低偏差来不断提高最终分类器的精度,弱分类器一般会选择为分类回归树。由于上述高偏差和简单的要求每个分类回归树的深度不会很深。最终的总分类器是将每轮训练得到的弱分类器加权求和得到的。
更进一步地,梯度上升树的参数包括:每一个学习器的最大深度,限制回归树的节点数目,赋值为5;弱学习器的数目,赋值为104。
本公开提出的一种动物体长的测量方法,具体提出了一种基于卷积神经网络(Convolutional neural network,CNN)的深度学习的猪的长度的自动测量方法。能够在用户拍摄照片后对猪的体长完成全自动的精确测量,并且由于在本发明中加入随机森林算法使其能够对拍摄过程中的偏差进行矫正,所以本发明能够适应不同的拍摄场景,具有很好的鲁棒性和稳定性。
以上对本公开提出的一种动物体长的测量方法进行了详细介绍,本文中应用猪的识别项目这一具体个例对本公开的原理及实施方式进行了阐述,目的是帮助理解本公开使用的方法和核心思想;同时对于本领域的相关技术人员,在具体项目实施和应用场景下均会有所改变。综上,本说明书内容不应理解为对本公开的限制。
本领域的技术人员可以清楚地了解到本公开实施例的技术方案可借助软件和/或硬件来实现。本说明书中的“单元”是指能够独立完成或与其他部件配合完成特定功能的软件和/或硬件,其中硬件例如可以是FPGA(Field-Programmable Gate Array,现场可编程门阵列)、IC(Integrated Circuit,集成电路)等。
本公开实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述用于处理触摸数据的方法的步骤。其中,计算机可读存储介质可以包括但不限于任何类型的盘,包括软盘、光盘、DVD、CD-ROM、微型驱动器以及磁光盘、ROM、RAM、EPROM、EEPROM、DRAM、VRAM、闪速存储器设备、磁卡或光卡、纳米系统(包括分子存储器IC),或适合于存储指令和/或数据的任何类型的媒介或设备。
本公开实施例还提供了一种计算机设备,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,处理器执行程序时实现用于处理触摸数据的方法的步骤。在本公开实施例中,处理器为计算机系统的控制中心,可以是实体机的处理器,也可以是虚拟机的处理器。
以上介绍仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (27)
1.一种动物体长的测量装置,包括:
分割与提取模块,用于将采集到的待测动物的图像发送至已训练完成的深度学习模型中,进行所述待测动物和参照物的分割与提取操作;
计算模块,用于将分割与提取操作的结果通过质心和长度检测算法进行对所述待测动物的质心坐标和长度的计算;
测量模块,用于对获取到的以矩阵形式进行表示的计算结果通过预设算法进行偏差剔除操作,以获取所述待测动物体长的测量数据;
其中,所述测量模块中所述矩阵的行数据为训练图片张数,所述矩阵的列数据为获取的所述待测动物的参数。
2.根据权利要求1所述的装置,还包括:划分模块,用于获取所述待测动物的图片,对所述图片作为样本进行划分为训练样本与测试样本。
3.根据权利要求2所述的装置,还包括:采集模块,用于对所述待测动物通过所述参照物在所述待测动物不同身体部位的参照放置,进行多角度的图像采集。
4.根据权利要求3所述的装置,其中,在所述待测动物不同身体部位的参照放置包括:在所述待测动物头部进行所述参照物的参照放置、在所述待测动物尾部进行所述参照物的参照放置、在所述待测动物腹部进行所述参照物的参照放置。
5.根据权利要求2所述的装置,还包括:获取模块,用于获取所述待测动物的实际体长,其中,所述待测动物的所述实际体长数据由所述待测动物耳根到尾根的距离、所述待测动物鼻头到尾根的距离组成。
6.根据权利要求2所述的装置,还包括:归一化处理模块,用于对获取的所述训练样本进行归一化处理操作。
7.根据权利要求1所述的装置,其中,所述计算模块,包括:
预处理单元,用于根据得到的所述待测动物和所述参照物的分割结果图进行预处理操作;
获取单元,用于根据预处理后的图像分别计算所述待测动物和所述参照物轮廓的力矩,获取一阶矩和二阶矩;
计算单元,用于根据得到的所述一阶矩和所述二阶矩分别计算所述待测动物和所述参照物的质心。
8.根据权利要求7所述的装置,其中,所述预处理操作包括:对得到的所述待测动物和所述参照物的分割结果图执行灰度处理、5x5的内核高斯平滑,阈值化赋值为127。
9.根据权利要求1所述的装置,其中,所述待测动物的参数包括:所述待测动物的长度、所述待测动物的质心距图片中心的距离、所述参照物的长度、所述参照物质心距图片中心的距离。
10.根据权利要求1所述的装置,还包括:去噪模块,用于通过RANSAC算法来对获取的所述矩阵的训练集进行剔除噪音操作。
11.根据权利要求1所述的装置,其中,所述测量模块,包括:
偏差剔除单元,用于对以矩阵形式表示的所述计算结果进行偏差剔除操作;
校正与测量单元,用于将剔除偏差后的数据集发送至随机森林算法和GBDT算法中完成对拍摄角度、取像装置桶状变形产生的偏差进行校正,以实现所述待测动物体长的测量。
12.一种动物体长的测量方法,包括以下步骤:
将采集到的待测动物的图像发送至已训练完成的深度学习模型中,进行所述待测动物和参照物的分割与提取操作;
将分割与提取操作的结果通过质心和长度检测算法进行对所述待测动物的质心坐标和长的计算;
对获取到的以矩阵形式进行表示的计算结果通过预设算法进行偏差剔除操作,以获取所述待测动物体长的测量数据;
其中,所述矩阵的行数据为训练图片张数,所述矩阵的列数据为获取的所述待测动物的参数。
13.根据权利要求12所述的方法,还包括:获取所述待测动物的图片,对所述图片作为样本进行划分为训练样本与测试样本。
14.根据权利要求13所述的方法,还包括:对所述待测动物通过所述参照物在所述待测动物不同身体部位的参照放置,进行多角度的图像采集。
15.根据权利要求14所述的方法,其中,在所述待测动物不同身体部位的参照放置包括:在所述待测动物头部进行所述参照物的参照放置、在所述待测动物尾部进行所述参照物的参照放置、在所述待测动物腹部进行所述参照物的参照放置。
16.根据权利要求13所述的方法,还包括:获取所述待测动物的实际体长,其中,所述待测动物的所述实际体长数据由所述待测动物耳根到尾根的距离、所述待测动物鼻头到尾根的距离组成。
17.根据权利要求13所述的方法,还包括:对获取的所述训练样本进行归一化处理操作。
18.根据权利要求12所述的方法,其中,所述将分割与提取的结果通过质心和长度检测算法进行长度和质心坐标的计算,包括:根据得到的所述待测动物和所述参照物的分割结果图进行预处理操作;
根据预处理后的图像分别计算所述待测动物和所述参照物轮廓的力矩,获取一阶矩和二阶矩;
根据得到的所述一阶矩和所述二阶矩分别计算所述待测动物和所述参照物的质心。
19.根据权利要求18所述的方法,其中,所述预处理操作包括:对得到的所述待测动物和所述参照物的分割结果图执行灰度处理、5x5的内核高斯平滑,阈值化赋值为127。
20.根据权利要求18所述的方法,其中,所述根据得到的所述一阶矩和所述二阶矩分别计算所述待测动物和所述参照物的质心,包括:根据零阶矩公式与一阶矩公式获取所述待测动物和所述参照物的质心坐标;
通过获取的所述待测动物和所述参照物的质心坐标计算所述参照物的半长轴;
其中,对一副二维连续图像f(x,y),p+q阶矩的定义为:
其中,p和q为非负整数,对离散化的数字图像,上式可变为:
0阶矩公式
1阶矩公式
质心坐标为:x=m10/m00;y=m01/m00;
其中,0阶矩m00为所述待测动物和所述参照物的质量,根据1阶矩的m10和m01计算出所述待测动物和所述参照物的质心,i表示图像的高度,j表示图像的长度。
21.根据权利要求12所述的方法,其中,所述待测动物的参数包括:所述待测动物的长度、所述待测动物的质心距图片中心的距离、所述参照物的长度、所述参照物质心距图片中心的距离。
22.根据权利要求12所述的方法,还包括:通过RANSAC算法来对获取的所述矩阵的训练集进行剔除噪音操作。
23.根据权利要求12所述的方法,其中,所述对获取到的以矩阵形式进行表示的计算结果通过预设算法进行偏差剔除操作,以获取所述待测动物体长的测量数据,包括:
对以矩阵形式表示的所述计算结果进行偏差剔除操作;
将剔除偏差后的数据集发送至随机森林算法和GBDT算法中完成对拍摄角度、取像装置桶状变形产生的偏差进行校正,以实现所述待测动物体长的测量。
24.根据权利要求22所述的方法,其中,所述将剔除偏差后的数据集发送至随机森林算法和GBDT算法中完成对拍摄角度、取像装置桶状变形产生的偏差进行校正,包括:
从所有数据中随机选择预设数据量的数据,通过MSE的方法进行线性拟合生成一个线性模型;
通过所述线性模型测试所有数据;
根据损失函数,计算符合所述线性模型的点,定义为一致性集合。
25.根据权利要求24所述的方法,还包括:对所述线性模型的正确性进行判断;
若预设数据量的数据被归类于所述一致性集合,则判定所述线性模型为正确的;
若所述一致性集合中的数据未达到预设数据量,则判定所述线性模型为错误的。
26.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求12-25中任意一项所述方法的步骤。
27.一种计算机设备,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程序时实现如权利要求12-25中任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810179512.7A CN109559342B (zh) | 2018-03-05 | 2018-03-05 | 动物体长的测量方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810179512.7A CN109559342B (zh) | 2018-03-05 | 2018-03-05 | 动物体长的测量方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109559342A true CN109559342A (zh) | 2019-04-02 |
CN109559342B CN109559342B (zh) | 2024-02-09 |
Family
ID=65864376
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810179512.7A Active CN109559342B (zh) | 2018-03-05 | 2018-03-05 | 动物体长的测量方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109559342B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110175503A (zh) * | 2019-04-04 | 2019-08-27 | 财付通支付科技有限公司 | 长度获取方法、装置、保险理赔系统、介质及电子设备 |
CN110349200A (zh) * | 2019-07-01 | 2019-10-18 | 西京学院 | 一种基于单目相机的高精度麦穗长度测量方法 |
CN110470263A (zh) * | 2019-08-02 | 2019-11-19 | 天津大学 | 一种基于梯度提升树的回转体测量系统误差补偿方法 |
CN111860652A (zh) * | 2020-07-22 | 2020-10-30 | 中国平安财产保险股份有限公司 | 基于图像检测的动物体重测量方法、装置、设备及介质 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1895025A (zh) * | 2005-07-15 | 2007-01-17 | 南京航空航天大学 | 基于计算机视觉的作物需水信息检测新方法 |
US20080140234A1 (en) * | 2006-12-06 | 2008-06-12 | Shafter Richard M | Method and system for remotely directing a fishing tournament |
US20090220148A1 (en) * | 2008-03-03 | 2009-09-03 | Zoran Corporation | Automatic red eye artifact reduction for images |
CN101944231A (zh) * | 2010-08-19 | 2011-01-12 | 北京农业智能装备技术研究中心 | 小麦穗部形态参数提取方法 |
CN103065149A (zh) * | 2012-12-21 | 2013-04-24 | 上海交通大学 | 网纹甜瓜果实表型提取与量化方法 |
US20140161325A1 (en) * | 2012-12-10 | 2014-06-12 | Sri International | Iris biometric matching system |
CN105979203A (zh) * | 2016-04-29 | 2016-09-28 | 中国石油大学(北京) | 一种多摄像机协同监控方法及装置 |
WO2017049346A1 (en) * | 2015-09-21 | 2017-03-30 | Plf Agritech Pty Ltd | Image analysis for making animal measurements including 3-d image analysis |
CN106662437A (zh) * | 2014-06-17 | 2017-05-10 | 玛精能手股份有限公司 | 用于物体的自动参数计算的方法和装置 |
CN106643508A (zh) * | 2017-02-28 | 2017-05-10 | 成都中科创达软件有限公司 | 一种用于规则三维对象体积测量的方法和系统 |
CN106687878A (zh) * | 2014-10-31 | 2017-05-17 | 深圳市大疆创新科技有限公司 | 用于利用视觉标记进行监视的系统和方法 |
CN106942813A (zh) * | 2017-03-29 | 2017-07-14 | 浙江理工大学 | 非接触式便捷获取人体数据的测量方法 |
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 |
CN107481243A (zh) * | 2017-06-13 | 2017-12-15 | 内蒙古农业大学 | 基于羊只俯视图的羊只体尺检测方法 |
CN107507188A (zh) * | 2016-06-13 | 2017-12-22 | 北京理工大学 | 一种基于机器学习提取图像信息的方法及装置 |
KR101818183B1 (ko) * | 2016-12-28 | 2018-01-12 | 부산가톨릭대학교 산학협력단 | 투시촬영 영상의 왜곡 교정방법 |
-
2018
- 2018-03-05 CN CN201810179512.7A patent/CN109559342B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1895025A (zh) * | 2005-07-15 | 2007-01-17 | 南京航空航天大学 | 基于计算机视觉的作物需水信息检测新方法 |
US20080140234A1 (en) * | 2006-12-06 | 2008-06-12 | Shafter Richard M | Method and system for remotely directing a fishing tournament |
US20090220148A1 (en) * | 2008-03-03 | 2009-09-03 | Zoran Corporation | Automatic red eye artifact reduction for images |
CN101944231A (zh) * | 2010-08-19 | 2011-01-12 | 北京农业智能装备技术研究中心 | 小麦穗部形态参数提取方法 |
US20140161325A1 (en) * | 2012-12-10 | 2014-06-12 | Sri International | Iris biometric matching system |
CN103065149A (zh) * | 2012-12-21 | 2013-04-24 | 上海交通大学 | 网纹甜瓜果实表型提取与量化方法 |
CN106662437A (zh) * | 2014-06-17 | 2017-05-10 | 玛精能手股份有限公司 | 用于物体的自动参数计算的方法和装置 |
CN106687878A (zh) * | 2014-10-31 | 2017-05-17 | 深圳市大疆创新科技有限公司 | 用于利用视觉标记进行监视的系统和方法 |
WO2017049346A1 (en) * | 2015-09-21 | 2017-03-30 | Plf Agritech Pty Ltd | Image analysis for making animal measurements including 3-d image analysis |
CN105979203A (zh) * | 2016-04-29 | 2016-09-28 | 中国石油大学(北京) | 一种多摄像机协同监控方法及装置 |
CN107507188A (zh) * | 2016-06-13 | 2017-12-22 | 北京理工大学 | 一种基于机器学习提取图像信息的方法及装置 |
KR101818183B1 (ko) * | 2016-12-28 | 2018-01-12 | 부산가톨릭대학교 산학협력단 | 투시촬영 영상의 왜곡 교정방법 |
CN106643508A (zh) * | 2017-02-28 | 2017-05-10 | 成都中科创达软件有限公司 | 一种用于规则三维对象体积测量的方法和系统 |
CN106942813A (zh) * | 2017-03-29 | 2017-07-14 | 浙江理工大学 | 非接触式便捷获取人体数据的测量方法 |
CN107481243A (zh) * | 2017-06-13 | 2017-12-15 | 内蒙古农业大学 | 基于羊只俯视图的羊只体尺检测方法 |
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 |
Non-Patent Citations (4)
Title |
---|
MARK SHORTIS: "Calibration Techniques for Accurate Measurements by Underwater Camera Systems", 《SENSORS》, pages 1 - 17 * |
翟倩: "数码照相影像采集与处理系统的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 11, pages 138 - 308 * |
郝雪萍 等: "基于图像处理的杜泊羊体重估算模型研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
郝雪萍 等: "基于图像处理的杜泊羊体重估算模型研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 01, 15 January 2018 (2018-01-15), pages 138 - 1573 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110175503A (zh) * | 2019-04-04 | 2019-08-27 | 财付通支付科技有限公司 | 长度获取方法、装置、保险理赔系统、介质及电子设备 |
CN110349200A (zh) * | 2019-07-01 | 2019-10-18 | 西京学院 | 一种基于单目相机的高精度麦穗长度测量方法 |
CN110470263A (zh) * | 2019-08-02 | 2019-11-19 | 天津大学 | 一种基于梯度提升树的回转体测量系统误差补偿方法 |
CN111860652A (zh) * | 2020-07-22 | 2020-10-30 | 中国平安财产保险股份有限公司 | 基于图像检测的动物体重测量方法、装置、设备及介质 |
CN111860652B (zh) * | 2020-07-22 | 2022-03-29 | 中国平安财产保险股份有限公司 | 基于图像检测的动物体重测量方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109559342B (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109559342A (zh) | 动物体长的测量方法和装置 | |
CN111695486B (zh) | 一种基于点云的高精度方向标志牌目标提取方法 | |
CN106780459A (zh) | 一种三维点云数据自动配准方法 | |
CN108230353A (zh) | 目标跟踪方法、系统及电子设备 | |
CN111723691B (zh) | 一种三维人脸识别方法、装置、电子设备及存储介质 | |
CN110175544B (zh) | 目标模型的构建方法、装置、电子设备及存储介质 | |
CN109871829B (zh) | 一种基于深度学习的检测模型训练方法和装置 | |
CN109916488B (zh) | 动态车辆称重方法及装置 | |
CN109710705A (zh) | 地图兴趣点处理方法和装置 | |
CN108664970A (zh) | 一种快速目标检测方法、电子设备、存储介质及系统 | |
CN110827312A (zh) | 一种基于协同视觉注意力神经网络的学习方法 | |
CN110263790A (zh) | 一种基于卷积神经网络的电厂电表字符定位和识别方法 | |
CN109284700B (zh) | 图像中多个人脸检测的方法、存储介质、设备及系统 | |
CN114419397A (zh) | 基于数据清洗和数据生成的数据集构建方法及装置 | |
CN109816634A (zh) | 检测方法、模型训练方法、装置及设备 | |
CN112215217A (zh) | 模拟医师阅片的数字图像识别方法及装置 | |
CN110188634B (zh) | 人体体态模型的构建方法、装置、电子设备及存储介质 | |
CN110211670B (zh) | 指标预测方法、装置、电子设备及存储介质 | |
CN106528665B (zh) | Aoi设备测试文件查找方法和系统 | |
CN113255578B (zh) | 交通标识的识别方法及装置、电子设备和存储介质 | |
CN110378952A (zh) | 一种图像处理方法及装置 | |
CN109102486B (zh) | 基于机器学习的表面缺陷检测方法及装置 | |
CN113780287A (zh) | 一种多深度学习模型的最优选取方法及系统 | |
CN109145955A (zh) | 一种木材识别方法及系统 | |
CN107292340A (zh) | 基于卷积神经网络的侧线鳞识别方法 |
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 |