CN109636826A - 生猪重量量测方法、服务器及计算机可读存储介质 - Google Patents
生猪重量量测方法、服务器及计算机可读存储介质 Download PDFInfo
- Publication number
- CN109636826A CN109636826A CN201811342794.4A CN201811342794A CN109636826A CN 109636826 A CN109636826 A CN 109636826A CN 201811342794 A CN201811342794 A CN 201811342794A CN 109636826 A CN109636826 A CN 109636826A
- Authority
- CN
- China
- Prior art keywords
- live pig
- image
- model
- weight
- neural network
- 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
- 238000005259 measurement Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 138
- 238000000638 solvent extraction Methods 0.000 claims abstract description 30
- 244000309464 bull Species 0.000 claims abstract description 27
- 238000003709 image segmentation Methods 0.000 claims abstract description 21
- 239000000284 extract Substances 0.000 claims abstract description 14
- 238000003062 neural network model Methods 0.000 claims description 90
- 230000002708 enhancing effect Effects 0.000 claims description 31
- 230000011218 segmentation Effects 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 18
- 210000002569 neuron Anatomy 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000013528 artificial neural network Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 12
- 230000000694 effects Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000012795 verification Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 241000282887 Suidae Species 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 241000208340 Araliaceae Species 0.000 description 4
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 4
- 235000003140 Panax quinquefolius Nutrition 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 235000008434 ginseng Nutrition 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 241001465754 Metazoa Species 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 210000000746 body region Anatomy 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 235000015277 pork Nutrition 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000005303 weighing 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
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/20036—Morphological image processing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及人工智能,公开了一种生猪重量量测方法、服务器及计算机可读存储介质,所述方法包括:获取采集的多头生猪深度图像;根据预设图像分割算法对生猪深度图像进行图像分割以提取生猪本体图像;从生猪本体图像中提取训练特征,所述训练特征包括以下一个或者多个:生猪本体投影面积、生猪体长、生猪体高、生猪体宽、生猪胸围;根据所述训练特征及对应的生猪体重信息训练得到生猪体重估算模型;将待测生猪图像输入至生猪体重估算模型得到所述待测生猪的体重信息。本发明基于神经网络来训练得到生猪体重量测模型,利用该模型即可实现智能量测生猪重量,量测方便快捷,可以有效解放人力。
Description
技术领域
本发明涉及图像处理领域,尤其涉及生猪重量量测方法、服务器及计算机可读存储介质。
背景技术
我国一直是畜牧业大国,猪肉也一直是人们餐桌上的重要食物。随着经济的飞速发展,畜牧业的产业结构也进行了很大的调整,养猪现在也进入现代化进程,规模化的养猪场管理变得尤为重要。
现在中国技术发展迅速,尤其是人工智能技术走在世界前列。将最新的人工智能技术应用于畜牧业将会有利于我国人工智能的普适化进程。生猪饲养过程中,有效生产的关键就是通过连续监测来维持最优生长率和饲料转化率,而饲料转化率则占据养猪成本的3/4甚至更多。体重是影响上述两个指标的重要因素,也是评价生猪营养,生长环境和卫生条件的重要依据。在猪场的养殖过程中,经常需要对生猪进行称重,通过重量变化来检查饲养过程是否存在问题。传统的测定生猪体重的方式比较麻烦,很多生猪只有在售卖的时候才会称一次,不利于监测生猪的成长。并且生猪在过磅过程中,并不配合,挣扎会造成数据误差,极大地增加了生猪出圈的工作量。
因此,如何能够减少量测生猪体重过程中的工作量,实现方便快捷的量测生猪体重是目前亟待解决的问题。
发明内容
有鉴于此,本发明提出一种生猪重量量测方法、服务器及计算机可读存储介质,只需通过对生猪进行拍照并根据生猪图像即可计算出生猪体重,节省人力成本及量测工作量。
首先,为实现上述目的,本发明提出一种服务器,所述服务器包括存储器、处理器,所述存储器上存储有可在所述处理器上运行的生猪重量量测系统,所述生猪重量量测系统被所述处理器执行时实现如下步骤:
获取采集的多头生猪深度图像;
根据预设图像分割算法对所述生猪深度图像进行图像分割,以将生猪本体图像从所述生猪深度图像中分割出来;
从所述生猪本体图像中提取训练特征,所述训练特征包括以下参数的一个或者多个:生猪本体投影面积、生猪体长、生猪体高、生猪体宽、生猪胸围;
根据所述训练特征及对应的生猪体重信息建立并训练得到一生猪体重估算模型;及
将待测生猪图像输入至所述生猪体重估算模型得到所述待测生猪的体重信息。
可选地,所述生猪重量量测系统被所述处理器执行时,还实现如下步骤:
对所述生猪深度图像进行显著性检测,并将显著性高的深度区域作为感兴趣区域;及
根据所述感兴趣区域生成所述生猪深度图像的蒙版值,并根据所述蒙版值对所述生猪深度图像进行增强处理,得到增强处理后的生猪深度图像。
可选地,所述根据预设图像分割算法对所述生猪深度图像进行图像分割的步骤包括:
将所述生猪深度图像转化为灰度图像,并利用大津法对所述灰度图像进行阈值分割;
对分割后的灰度图像进行轮廓提取,并对提取的轮廓进行填充;及
将填充后的图像进行形态学开运算,以去掉生猪本体外的干扰成分。
可选地,所述根据所述训练特征及对应的生猪体重信息建立并训练得到一生猪体重估算模型的步骤包括:
将所述训练特征及与所述训练特征对应的生猪体重信息分为训练集及验证集,建立一神经网络模型并利用所述训练集对所述神经网络模型进行训练;
利用所述验证集对训练完成的所述神经网络模型进行验证,得到一模型估算准确率;
判断所述模型估算准确率是否小于预设阈值;
若所述模型估算准确率不小于所述预设阈值,则将所述训练完成的所述神经网络模型作为所述生猪体重估算模型;及
若所述模型估算准确率小于所述预设阈值时,则调整所述神经网络模型的参数,并利用所述训练集重新对调整后的神经网络模型进行训练,直到所述验证集验证得到的模型估算准确率不小于所述预设阈值;
其中,所述神经网络模型的参数包括总层数及每一层的神经元数。
此外,为实现上述目的,本发明还提供一种生猪重量量测方法,应用于服务器,所述方法包括:
获取采集的多头生猪深度图像;
根据预设图像分割算法对所述生猪深度图像进行图像分割,以将生猪本体图像从所述生猪深度图像中分割出来;
从所述生猪本体图像中提取训练特征,所述训练特征包括以下参数的一个或者多个:生猪本体投影面积、生猪体长、生猪体高、生猪体宽、生猪胸围;
根据所述训练特征及对应的生猪体重信息建立并训练得到一生猪体重估算模型;及
将待测生猪图像输入至所述生猪体重估算模型得到所述待测生猪的体重信息。
可选地,所述获取采集的多头生猪深度图像的步骤之后还包括:
对所述生猪深度图像进行显著性检测,并将显著性高的深度区域作为感兴趣区域;及
根据所述感兴趣区域生成所述生猪深度图像的蒙版值,并根据所述蒙版值对所述生猪深度图像进行增强处理,得到增强处理后的生猪深度图像。
可选地,所述根据预设图像分割算法对所述生猪深度图像进行图像分割的步骤包括:
将所述生猪深度图像转化为灰度图像,并利用大津法对所述灰度图像进行阈值分割;
对分割后的灰度图像进行轮廓提取,并对提取的轮廓进行填充;及
将填充后的图像进行形态学开运算,以去掉生猪本体外的干扰成分。
可选地,所述根据所述训练特征及对应的生猪体重信息建立并训练得到一生猪体重估算模型的步骤包括:
将所述训练特征及与所述训练特征对应的生猪体重信息分为训练集及验证集,建立一神经网络模型并利用所述训练集对所述神经网络模型进行训练;
利用所述验证集对训练完成的所述神经网络模型进行验证,得到一模型估算准确率;
判断所述模型估算准确率是否小于预设阈值;
若所述模型估算准确率不小于所述预设阈值,则将所述训练完成的所述神经网络模型作为所述生猪体重估算模型;及
若所述模型估算准确率小于所述预设阈值,则调整所述神经网络模型的参数,并利用所述训练集重新对调整后的神经网络模型进行训练,直到所述验证集验证得到的模型估算准确率不小于所述预设阈值;
其中,所述神经网络模型的参数包括总层数及每一层的神经元数。
可选地,所述调整所述神经网络模型的参数的步骤包括:
调整所述神经网络模型的总层数和/或每一层的神经元数。
进一步地,为实现上述目的,本发明还提供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生猪重量量测系统,所述生猪重量量测系统可被至少一个处理器执行,以使所述至少一个处理器执行如上述生猪重量量测方法的步骤。
相较于现有技术,本发明所提出的生猪重量量测方法、服务器及计算机可读存储介质,利用图像采集设备对生猪进行拍摄,提取生猪图像特征参数并根据提取的图像特征参数构建并训练得到生猪体重量测模型,进而利用训练好的生猪体重量测模型实现智能量测生猪重量,量测方便快捷、精度高,可以有效解放人力。
附图说明
图1是本发明服务器一可选的硬件架构的示意图;
图2是本发明生猪重量量测系统第一实施例的程序模块示意图;
图3是本发明生猪重量量测系统第二实施例的程序模块示意图;
图4为本发明生猪重量量测方法第一实施例的实施流程示意图;
图5为本发明生猪重量量测方法第二实施例的实施流程示意图。
附图标记:
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。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。
需要说明的是,在本发明中涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
参阅图1所示,是本发明应用服务器2一可选的硬件架构的示意图。
本实施例中,所述应用服务器2可包括,但不仅限于,可通过系统总线相互通信连接存储器11、处理器12、网络接口13。需要指出的是,图2仅示出了具有组件11-13的应用服务器2,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
其中,所述应用服务器2可以是机架式服务器、刀片式服务器、塔式服务器或机柜式服务器等计算设备,该应用服务器2可以是独立的服务器,也可以是多个服务器所组成的服务器集群。
所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器11可以是所述应用服务器2的内部存储单元,例如该应用服务器2的硬盘或内存。在另一些实施例中,所述存储器11也可以是所述应用服务器2的外部存储设备,例如该应用服务器2上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。当然,所述存储器11还可以既包括所述应用服务器2的内部存储单元也包括其外部存储设备。本实施例中,所述存储器11通常用于存储安装于所述应用服务器2的操作系统和各类应用软件,例如生猪重量量测系统100的程序代码等。此外,所述存储器11还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器12在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器12通常用于控制所述应用服务器2的总体操作。本实施例中,所述处理器12用于运行所述存储器11中存储的程序代码或者处理数据,例如运行所述的生猪重量量测系统100等。
所述网络接口13可包括无线网络接口或有线网络接口,该网络接口13通常用于在所述应用服务器2与其他电子设备之间建立通信连接。
至此,己经详细介绍了本发明相关设备的硬件结构和功能。下面,将基于上述介绍提出本发明的各个实施例。
首先,本发明提出一种生猪重量量测系统100。
参阅图2所示,是本发明生猪重量量测系统100第一实施例的程序模块图。
本实施例中,所述生猪重量量测系统100包括一系列的存储于存储器11上的计算机程序指令,当该计算机程序指令被处理器12执行时,可以实现本发明各实施例的生猪重量量测操作。在一些实施例中,基于该计算机程序指令各部分所实现的特定的操作,生猪重量量测系统100可以被划分为一个或多个模块。例如,在图2中,生猪重量量测系统100可以被分割成获取模块101、分割模块102、提取模块103、模型训练模块104及量测模块105。其中:
所述获取模块101用于获取采集的多头生猪深度图像。
在一实施例中,可以通过深度图像拍摄设备拍摄得到多头生猪深度图像,所述深度图像拍摄设备可以是深度摄像机、具有深度图像拍摄功能的手机等拍摄设备。所述获取模块101可以与所述深度图像拍摄设备进行通信来获取采集的多头生猪深度图像。所述深度图像拍摄设备拍摄得到多头生猪深度图像也可以存储在一样本库中,所述获取模块101通过与样本库进行通信来获取多头生猪深度图像。
所述分割模块102用于根据预设图像分割算法对所述生猪深度图像进行图像分割,以将生猪本体图像从所述生猪深度图像中分割出来。
在一实施例中,所述预设图像分割算法可以是灰度阈值分割算法。所述分割模块102利用灰度阈值分割算法将生猪本体从所述生猪深度图像中分割出来,具体的分割方式如下所述:首先,将生猪深度图像转化为灰度图像;其次,利用大津法对灰度图像进行自适应阈值分割;再者,对分割后的图像进行轮廓提取,并对提取的轮廓进行填充;最后,对填充后的图像进行形态学开运算,去掉生猪本体外的干扰成分,进而得到生猪本体图像。在本发明的其他实施方式中,所述分割模块102也可以采取其他能实现图像分割的算法对所述生猪深度图像进行图像分割,例如基于边缘的分割算法、基于区域的分割算法。
所述提取模块103用于从所述生猪本体图像中提取训练特征,所述训练特征包括以下参数的一个或者多个:生猪本体投影面积、生猪体长、生猪体高、生猪体宽、生猪胸围。
在一实施方式中,生猪本体图像中的各个训练特征的参数值可以根据训练特征所占的像素点的个数及像素点之间的间距计算得到。
所述模型训练模块104用于根据所述训练特征及对应的生猪体重信息建立并训练得到一生猪体重估算模型。
在一实施方式中,所述生猪体重估算模型可以是一个基于神经网络模型和大量的生猪训练特征-体重的样本数据训练出来的模型。该些作为训练样本的生猪深度图像中的每头生猪是具有已知体重的。该体重信息可以是一区间值,例如实际量测的体重的正负2公斤。
举例而言,所述神经网络模型包括输入层、多个隐藏层及输出层。输入层用于接收多个生猪的训练特征及与所述训练特征对应的体重的样本数据。每一隐藏层包括相应多个节点(神经元),每一隐藏层中的每一节点被配置成对来自所述模型中的相邻下层的至少一个节点的输出执行线性或者非线性变换。其中,上层隐藏层的节点的输入可以基于相邻下层中的一个节点或若干节点的输出。每个隐藏层有对应的权值,该权值是基于训练样本数据获得的,在对模型进行训练时,可以通过利用有监督的学习过程来进行模型的预训练,得到各个隐藏层的初始权值。对各个隐藏层的初始权值进行调节时可以通过采用向后传播算法来进行,输出层用于接收来自最后一层隐藏层的输出信号。
在一实施方式中,所述模型训练模块104建立所述生猪体重估算模型的具体方式包括:
D1.将多个所述训练特征及对应的生猪体重信息分为训练集及验证集,构建一神经网络模型并利用所述训练集对所述神经网络模型进行训练;
D2.利用所述验证集对训练完成的所述神经网络模型进行验证,得到一模型估算准确率;
D3.判断所述模型估算准确率是否小于预设阈值,若所述模型估算准确率不小于所述预设阈值,将所述训练完成的所述神经网络模型作为所述生猪体重估算模型;
D4.若所述模型估算准确率小于所述预设阈值,调整所述神经网络模型的参数,并利用所述训练集重新对调整后的神经网络模型进行训练,直到验证集验证得到的模型估算准确率不小于所述预设阈值,其中所述神经网络模型的参数包括总层数及每一层的神经元数。
在一实施方式中,所述模型训练模块104可以通过调整所述神经网络模型的总层数和/或每一层的神经元数来实现对所述神经网络模型进行调整。
在一实施方式中,所述训练集即用于对神经网络模型进行训练,所述验证集即用于对神经网络模型进行验证。具体地,先利用所述训练集对神经网络模型进行训练得到一中间模型,将所述验证集的数据输入至所述中间模型进行准确性验证,根据每一验证结果可以统计得到一模型估算准确率,判断所述模型估算准确率是否小于预设阈值。当所述模型估算准确率不小于所述预设阈值,表明当前的中间模型估算效果较好,满足使用需求,可以将所述中间模型作为所述生猪体重估算模型。当所述模型估算准确率小于所述预设阈值,表明当前的中间模型估算效果不好,需要进行改善,此时调整所述神经网络模型的参数,并利用所述训练集重新对调整后的神经网络模型进行训练得到一新的中间模型,然后再次利用所述验证集对重新得到的中间模型进行验证得到一新的模型估算准确率。如果该新的模型估算准确率仍然小于所述预设阈值,需要再次重复上述步骤直至通过所述验证集得到的模型估算准确率不小于所述预设阈值。
在一实施方式中,所述预设阈值可以根据实际使用需求进行设定。例如设定所述预设阈值为95%。
所述量测模块105用于将待测生猪图像输入至所述生猪体重估算模型得到所述待测生猪的体重信息。
在一实施方式中,当完成对生猪体重估算模型进行训练并得到可用模型后,可以获取并输入待量测的生猪图像,此时模型的输出即为该待量测的生猪的体重信息。
参阅图3所示,是本发明生猪重量量测系统100第二实施例的程序模块图。本实施例中,所述生猪重量量测系统100包括一系列的存储于存储器11上的计算机程序指令,当该计算机程序指令被处理器12执行时,可以实现本发明各实施例的生猪重量量测操作。在一些实施例中,基于该计算机程序指令各部分所实现的特定的操作,生猪重量量测系统100可以被划分为一个或多个模块。例如,在图3中,生猪重量量测系统100可以被分割成获取模块101、分割模块102、提取模块103、模型训练模块104、量测模块105及增强模块106。所述各程序模块101-105与本发明生猪重量量测系统100第一实施例相同,并在此基础上增加增强模块106。其中:
所述获取模块101用于获取采集的多头生猪深度图像。
在一实施例中,可以通过深度图像拍摄设备拍摄得到多头生猪深度图像,所述深度图像拍摄设备可以是深度摄像机、具有深度图像拍摄功能的手机等拍摄设备。所述获取模块101可以与所述深度图像拍摄设备进行通信来获取采集的多头生猪深度图像。所述深度图像拍摄设备拍摄得到多头生猪深度图像也可以存储在一样本库中,所述获取模块101通过与样本库进行通信来获取多头生猪深度图像。
所述增强模块106用于对所述生猪深度图像进行显著性检测,将显著性高的深度区域作为感兴趣区域,根据所述感兴趣区域生成所述生猪深度图像的蒙版值,并根据所述蒙版值对所述生猪深度图像进行增强处理。
在一实施方式中,当通过所述深度图像拍摄设备对生猪进行拍摄时,可能还会将生猪所处的环境或者其他无用信息拍摄下来,此时可以通过所述增强模块106对所述生猪深度图像进行图像增强处理,以对所述生猪深度图像中的生猪本体进行突出显示,提高后续步骤进行图像分割的精确度。具体地,所述增强模块106可以通过以下方式实现对生猪深度图像中的生猪本体进行突出显示:首先,根据所述生猪深度图像的每一像素点的深度值对所述生猪深度图像进行分割,进而分割出所述生猪深度图像的不同深度区域;其次,将所述生猪深度图像进行显著性检测,并将显著性高的所述深度区域作为所述生猪深度图像的感兴趣区域,所述感兴趣区域即为生猪本体区域;再者,根据所述生猪深度图像的感兴趣区域对所述生猪深度图像进行二值分割,其中所述生猪深度图像的感兴趣区域的蒙版值为1,所述生猪深度图像非感兴趣区域的蒙版值为0;最后,将所述生猪深度图像的感兴趣区域与所述生猪深度图像的非感兴趣区域的相邻边界进行平滑处理,进而得到非感兴趣区域的蒙版值范围为0≤Mask<1,Mask=0的区域,不进行处理,或者进行模糊化处理,抑制非感兴趣区域;Mask=1的区域进行亮度增强、边缘锐化、对比度增强以及色彩饱和度增强的一种或多种,0<Mask<1的区域,进行不同程度的增强处理,Mask值越大,亮度增强、边缘锐化、对比度增强以及色彩饱和度增强的效果越强;Mask越小,增强的程度越弱。
所述分割模块102用于根据预设图像分割算法对所述生猪深度图像进行图像分割,以将生猪本体图像从所述生猪深度图像中分割出来。
在一实施例中,所述预设图像分割算法可以是灰度阈值分割算法。所述分割模块102利用灰度阈值分割算法将生猪本体从所述生猪深度图像中分割出来,具体的分割方式如下所述:首先,将生猪深度图像转化为灰度图像;其次,利用大津法对灰度图像进行自适应阈值分割;再者,对分割后的图像进行轮廓提取,并对提取的轮廓进行填充;最后,对填充后的图像进行形态学开运算,去掉生猪本体外的干扰成分,进而得到生猪本体图像。在本发明的其他实施方式中,所述分割模块102也可以采取其他能实现图像分割的算法对所述生猪深度图像进行图像分割,例如基于边缘的分割算法、基于区域的分割算法。
所述提取模块103用于从所述生猪本体图像中提取训练特征,所述训练特征包括以下参数的一个或者多个:生猪本体投影面积、生猪体长、生猪体高、生猪体宽、生猪胸围。
在一实施方式中,生猪本体图像中的各个训练特征的参数值可以根据训练特征所占的像素点的个数及像素点之间的间距计算得到。
所述模型训练模块104用于根据所述训练特征及对应的生猪体重信息建立并训练得到一生猪体重估算模型。
在一实施方式中,所述生猪体重估算模型可以是一个基于神经网络模型和大量的生猪训练特征-体重的样本数据训练出来的模型。该些作为训练样本的生猪深度图像中的每头生猪是具有已知体重的。该体重信息可以是一区间值,例如实际量测的体重的正负2公斤。
举例而言,所述神经网络模型包括输入层、多个隐藏层及输出层。输入层用于接收多个生猪的训练特征及与所述训练特征对应的体重的样本数据。每一隐藏层包括相应多个节点(神经元),每一隐藏层中的每一节点被配置成对来自所述模型中的相邻下层的至少一个节点的输出执行线性或者非线性变换。其中,上层隐藏层的节点的输入可以基于相邻下层中的一个节点或若干节点的输出。每个隐藏层有对应的权值,该权值是基于训练样本数据获得的,在对模型进行训练时,可以通过利用有监督的学习过程来进行模型的预训练,得到各个隐藏层的初始权值。对各个隐藏层的初始权值进行调节时可以通过采用向后传播算法来进行,输出层用于接收来自最后一层隐藏层的输出信号。
在一实施方式中,所述模型训练模块104建立所述生猪体重估算模型的具体方式包括:
D1.将多个所述训练特征及对应的生猪体重信息分为训练集及验证集,构建一神经网络模型并利用所述训练集对所述神经网络模型进行训练;
D2.利用所述验证集对训练完成的所述神经网络模型进行验证,得到一模型估算准确率;
D3.判断所述模型估算准确率是否小于预设阈值,若所述模型估算准确率不小于所述预设阈值,将所述训练完成的所述神经网络模型作为所述生猪体重估算模型;
D4.若所述模型估算准确率小于所述预设阈值,调整所述神经网络模型的参数,并利用所述训练集重新对调整后的神经网络模型进行训练,直到验证集验证得到的模型估算准确率不小于所述预设阈值,其中所述神经网络模型的参数包括总层数及每一层的神经元数。
在一实施方式中,所述模型训练模块104可以通过调整所述神经网络模型的总层数和/或每一层的神经元数来实现对所述神经网络模型进行调整。
在一实施方式中,所述训练集即用于对神经网络模型进行训练,所述验证集即用于对神经网络模型进行验证。具体地,先利用所述训练集对神经网络模型进行训练得到一中间模型,将所述验证集的数据输入至所述中间模型进行准确性验证,根据每一验证结果可以统计得到一模型估算准确率,判断所述模型估算准确率是否小于预设阈值。当所述模型估算准确率不小于所述预设阈值,表明当前的中间模型估算效果较好,满足使用需求,可以将所述中间模型作为所述生猪体重估算模型。当所述模型估算准确率小于所述预设阈值,表明当前的中间模型估算效果不好,需要进行改善,此时调整所述神经网络模型的参数,并利用所述训练集重新对调整后的神经网络模型进行训练得到一新的中间模型,然后再次利用所述验证集对重新得到的中间模型进行验证得到一新的模型估算准确率。如果该新的模型估算准确率仍然小于所述预设阈值,需要再次重复上述步骤直至通过所述验证集得到的模型估算准确率不小于所述预设阈值。
在一实施方式中,所述预设阈值可以根据实际使用需求进行设定。例如设定所述预设阈值为95%。
所述量测模块105用于将待测生猪图像输入至所述生猪体重估算模型得到所述待测生猪的体重信息。
在一实施方式中,当完成对生猪体重估算模型进行训练并得到可用模型后,可以获取并输入待量测的生猪图像,此时模型的输出即为该待量测的生猪的体重信息。
此外,本发明还提出一种生猪重量量测方法。
参阅图4所示,是本发明生猪重量量测方法第一实施例的实施流程示意图。在本实施例中,根据不同的需求,图4所示的流程图中的步骤的执行顺序可以改变,某些步骤可以省略。
步骤S400,获取采集的多头生猪深度图像。
在一实施例中,可以通过深度图像拍摄设备拍摄得到多头生猪深度图像,所述深度图像拍摄设备可以是深度摄像机、具有深度图像拍摄功能的手机等拍摄设备。可以与所述深度图像拍摄设备进行通信来获取采集的多头生猪深度图像。所述深度图像拍摄设备拍摄得到多头生猪深度图像也可以存储在一样本库中,所述获取模块101通过与样本库进行通信来获取多头生猪深度图像。
步骤S402,根据预设图像分割算法对所述生猪深度图像进行图像分割,以将生猪本体图像从所述生猪深度图像中分割出来。
在一实施例中,所述预设图像分割算法可以是灰度阈值分割算法,利用灰度阈值分割算法将生猪本体从所述生猪深度图像中分割出来,具体的分割方式如下所述:首先,将生猪深度图像转化为灰度图像;其次,利用大津法对灰度图像进行自适应阈值分割;再者,对分割后的图像进行轮廓提取,并对提取的轮廓进行填充;最后,对填充后的图像进行形态学开运算,去掉生猪本体外的干扰成分,进而得到生猪本体图像。在本发明的其他实施方式中,也可以采取其他能实现图像分割的算法对所述生猪深度图像进行图像分割,例如基于边缘的分割算法、基于区域的分割算法。
步骤S404,从所述生猪本体图像中提取训练特征,所述训练特征包括以下参数的一个或者多个:生猪本体投影面积、生猪体长、生猪体高、生猪体宽、生猪胸围。
在一实施方式中,生猪本体图像中的各个训练特征的参数值可以根据训练特征所占的像素点的个数及像素点之间的间距计算得到。
步骤S406,根据所述训练特征及对应的生猪体重信息建立并训练得到一生猪体重估算模型。
在一实施方式中,所述生猪体重估算模型可以是一个基于神经网络模型和大量的生猪训练特征-体重的样本数据训练出来的模型。该些作为训练样本的生猪深度图像中的每头生猪是具有已知体重的。该体重信息可以是一区间值,例如实际量测的体重的正负2公斤。
举例而言,所述神经网络模型包括输入层、多个隐藏层及输出层。输入层用于接收多个生猪的训练特征及与所述训练特征对应的体重的样本数据。每一隐藏层包括相应多个节点(神经元),每一隐藏层中的每一节点被配置成对来自所述模型中的相邻下层的至少一个节点的输出执行线性或者非线性变换。其中,上层隐藏层的节点的输入可以基于相邻下层中的一个节点或若干节点的输出。每个隐藏层有对应的权值,该权值是基于训练样本数据获得的,在对模型进行训练时,可以通过利用有监督的学习过程来进行模型的预训练,得到各个隐藏层的初始权值。对各个隐藏层的初始权值进行调节时可以通过采用向后传播算法来进行,输出层用于接收来自最后一层隐藏层的输出信号。
在一实施方式中,建立所述生猪体重估算模型的具体步骤可以包括:
D1.将多个所述训练特征及对应的生猪体重信息分为训练集及验证集,构建一神经网络模型并利用所述训练集对所述神经网络模型进行训练;
D2.利用所述验证集对训练完成的所述神经网络模型进行验证,得到一模型估算准确率;
D3.判断所述模型估算准确率是否小于预设阈值,若所述模型估算准确率不小于所述预设阈值,将所述训练完成的所述神经网络模型作为所述生猪体重估算模型;
D4.若所述模型估算准确率小于所述预设阈值,调整所述神经网络模型的参数,并利用所述训练集重新对调整后的神经网络模型进行训练,直到验证集验证得到的模型估算准确率不小于所述预设阈值,其中所述神经网络模型的参数包括总层数及每一层的神经元数。
在一实施方式中,可以通过调整所述神经网络模型的总层数和/或每一层的神经元数来实现对所述神经网络模型进行调整。
在一实施方式中,所述训练集即用于对神经网络模型进行训练,所述验证集即用于对神经网络模型进行验证。具体地,先利用所述训练集对神经网络模型进行训练得到一中间模型,将所述验证集的数据输入至所述中间模型进行准确性验证,根据每一验证结果可以统计得到一模型估算准确率,判断所述模型估算准确率是否小于预设阈值。当所述模型估算准确率不小于所述预设阈值,表明当前的中间模型估算效果较好,满足使用需求,可以将所述中间模型作为所述生猪体重估算模型。当所述模型估算准确率小于所述预设阈值,表明当前的中间模型估算效果不好,需要进行改善,此时调整所述神经网络模型的参数,并利用所述训练集重新对调整后的神经网络模型进行训练得到一新的中间模型,然后再次利用所述验证集对重新得到的中间模型进行验证得到一新的模型估算准确率。如果该新的模型估算准确率仍然小于所述预设阈值,需要再次重复上述步骤直至通过所述验证集得到的模型估算准确率不小于所述预设阈值。
在一实施方式中,所述预设阈值可以根据实际使用需求进行设定。例如设定所述预设阈值为95%。
步骤S408,将待测生猪图像输入至所述生猪体重估算模型得到所述待测生猪的体重信息。
在一实施方式中,当完成对生猪体重估算模型进行训练并得到可用模型后,可以获取并输入待量测的生猪图像,此时模型的输出即为该待量测的生猪的体重信息。
参阅图5所示,是本发明生猪重量量测方法第二实施例的实施流程示意图。在本实施例中,根据不同的需求,图5所示的流程图中的步骤的执行顺序可以改变,某些步骤可以省略。
步骤S400,获取采集的多头生猪深度图像。
在一实施例中,可以通过深度图像拍摄设备拍摄得到多头生猪深度图像,所述深度图像拍摄设备可以是深度摄像机、具有深度图像拍摄功能的手机等拍摄设备。可以与所述深度图像拍摄设备进行通信来获取采集的多头生猪深度图像。所述深度图像拍摄设备拍摄得到多头生猪深度图像也可以存储在一样本库中,所述获取模块101通过与样本库进行通信来获取多头生猪深度图像。
步骤S410,对所述生猪深度图像进行显著性检测,将显著性高的深度区域作为感兴趣区域,根据所述感兴趣区域生成所述生猪深度图像的蒙版值,并根据所述蒙版值对所述生猪深度图像进行增强处理。
在一实施方式中,当通过所述深度图像拍摄设备对生猪进行拍摄时,可能还会将生猪所处的环境或者其他无用信息拍摄下来,此时可以对所述生猪深度图像进行图像增强处理,以对所述生猪深度图像中的生猪本体进行突出显示,提高后续步骤进行图像分割的精确度。具体地,可以通过以下方式实现对生猪深度图像中的生猪本体进行突出显示:首先,根据所述生猪深度图像的每一像素点的深度值对所述生猪深度图像进行分割,进而分割出所述生猪深度图像的不同深度区域;其次,将所述生猪深度图像进行显著性检测,并将显著性高的所述深度区域作为所述生猪深度图像的感兴趣区域,所述感兴趣区域即为生猪本体区域;再者,根据所述生猪深度图像的感兴趣区域对所述生猪深度图像进行二值分割,其中所述生猪深度图像的感兴趣区域的蒙版值为1,所述生猪深度图像非感兴趣区域的蒙版值为0;最后,将所述生猪深度图像的感兴趣区域与所述生猪深度图像的非感兴趣区域的相邻边界进行平滑处理,进而得到非感兴趣区域的蒙版值范围为0≤Mask<1,Mask=0的区域,不进行处理,或者进行模糊化处理,抑制非感兴趣区域;Mask=1的区域进行亮度增强、边缘锐化、对比度增强以及色彩饱和度增强的一种或多种,0<Mask<1的区域,进行不同程度的增强处理,Mask值越大,亮度增强、边缘锐化、对比度增强以及色彩饱和度增强的效果越强;Mask越小,增强的程度越弱。
步骤S402,根据预设图像分割算法对所述生猪深度图像进行图像分割,以将生猪本体图像从所述生猪深度图像中分割出来。
在一实施例中,所述预设图像分割算法可以是灰度阈值分割算法,利用灰度阈值分割算法将生猪本体从所述生猪深度图像中分割出来,具体的分割方式如下所述:首先,将生猪深度图像转化为灰度图像;其次,利用大津法对灰度图像进行自适应阈值分割;再者,对分割后的图像进行轮廓提取,并对提取的轮廓进行填充;最后,对填充后的图像进行形态学开运算,去掉生猪本体外的干扰成分,进而得到生猪本体图像。在本发明的其他实施方式中,也可以采取其他能实现图像分割的算法对所述生猪深度图像进行图像分割,例如基于边缘的分割算法、基于区域的分割算法。
步骤S404,从所述生猪本体图像中提取训练特征,所述训练特征包括以下参数的一个或者多个:生猪本体投影面积、生猪体长、生猪体高、生猪体宽、生猪胸围。
在一实施方式中,生猪本体图像中的各个训练特征的参数值可以根据训练特征所占的像素点的个数及像素点之间的间距计算得到。
步骤S406,根据所述训练特征及对应的生猪体重信息建立并训练得到一生猪体重估算模型。
在一实施方式中,所述生猪体重估算模型可以是一个基于神经网络模型和大量的生猪训练特征-体重的样本数据训练出来的模型。该些作为训练样本的生猪深度图像中的每头生猪是具有已知体重的。该体重信息可以是一区间值,例如实际量测的体重的正负2公斤。
举例而言,所述神经网络模型包括输入层、多个隐藏层及输出层。输入层用于接收多个生猪的训练特征及与所述训练特征对应的体重的样本数据。每一隐藏层包括相应多个节点(神经元),每一隐藏层中的每一节点被配置成对来自所述模型中的相邻下层的至少一个节点的输出执行线性或者非线性变换。其中,上层隐藏层的节点的输入可以基于相邻下层中的一个节点或若干节点的输出。每个隐藏层有对应的权值,该权值是基于训练样本数据获得的,在对模型进行训练时,可以通过利用有监督的学习过程来进行模型的预训练,得到各个隐藏层的初始权值。对各个隐藏层的初始权值进行调节时可以通过采用向后传播算法来进行,输出层用于接收来自最后一层隐藏层的输出信号。
在一实施方式中,建立所述生猪体重估算模型的具体步骤可以包括:
D1.将多个所述训练特征及对应的生猪体重信息分为训练集及验证集,构建一神经网络模型并利用所述训练集对所述神经网络模型进行训练;
D2.利用所述验证集对训练完成的所述神经网络模型进行验证,得到一模型估算准确率;
D3.判断所述模型估算准确率是否小于预设阈值,若所述模型估算准确率不小于所述预设阈值,将所述训练完成的所述神经网络模型作为所述生猪体重估算模型;
D4.若所述模型估算准确率小于所述预设阈值,调整所述神经网络模型的参数,并利用所述训练集重新对调整后的神经网络模型进行训练,直到验证集验证得到的模型估算准确率不小于所述预设阈值,其中所述神经网络模型的参数包括总层数及每一层的神经元数。
在一实施方式中,可以通过调整所述神经网络模型的总层数和/或每一层的神经元数来实现对所述神经网络模型进行调整。
在一实施方式中,所述训练集即用于对神经网络模型进行训练,所述验证集即用于对神经网络模型进行验证。具体地,先利用所述训练集对神经网络模型进行训练得到一中间模型,将所述验证集的数据输入至所述中间模型进行准确性验证,根据每一验证结果可以统计得到一模型估算准确率,判断所述模型估算准确率是否小于预设阈值。当所述模型估算准确率不小于所述预设阈值,表明当前的中间模型估算效果较好,满足使用需求,可以将所述中间模型作为所述生猪体重估算模型。当所述模型估算准确率小于所述预设阈值,表明当前的中间模型估算效果不好,需要进行改善,此时调整所述神经网络模型的参数,并利用所述训练集重新对调整后的神经网络模型进行训练得到一新的中间模型,然后再次利用所述验证集对重新得到的中间模型进行验证得到一新的模型估算准确率。如果该新的模型估算准确率仍然小于所述预设阈值,需要再次重复上述步骤直至通过所述验证集得到的模型估算准确率不小于所述预设阈值。
在一实施方式中,所述预设阈值可以根据实际使用需求进行设定。例如设定所述预设阈值为95%。
步骤S408,将待测生猪图像输入至所述生猪体重估算模型得到所述待测生猪的体重信息。
在一实施方式中,当完成对生猪体重估算模型进行训练并得到可用模型后,可以获取并输入待量测的生猪图像,此时模型的输出即为该待量测的生猪的体重信息。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
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上述实施例方法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,但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种生猪重量量测方法,应用于服务器,其特征在于,所述方法包括:
获取采集的多头生猪深度图像;
根据预设图像分割算法对所述生猪深度图像进行图像分割,以将生猪本体图像从所述生猪深度图像中分割出来;
从所述生猪本体图像中提取训练特征,所述训练特征包括以下参数的一个或者多个:生猪本体投影面积、生猪体长、生猪体高、生猪体宽、生猪胸围;
根据所述训练特征及对应的生猪体重信息建立并训练得到一生猪体重估算模型;及
将待测生猪图像输入至所述生猪体重估算模型得到所述待测生猪的体重信息。
2.如权利要求1所述的生猪重量量测方法,其特征在于,所述获取采集的多头生猪深度图像的步骤之后还包括:
对所述生猪深度图像进行显著性检测,并将显著性高的深度区域作为感兴趣区域;及
根据所述感兴趣区域生成所述生猪深度图像的蒙版值,并根据所述蒙版值对所述生猪深度图像进行增强处理,得到增强处理后的生猪深度图像。
3.如权利要求1或2所述的生猪重量量测方法,其特征在于,所述根据预设图像分割算法对所述生猪深度图像进行图像分割的步骤包括:
将所述生猪深度图像转化为灰度图像,并利用大津法对所述灰度图像进行阈值分割;
对分割后的灰度图像进行轮廓提取,并对提取的轮廓进行填充;及
将填充后的图像进行形态学开运算,以去掉生猪本体外的干扰成分。
4.如权利要求1或2所述的生猪重量量测方法,其特征在于,所述根据所述训练特征及对应的生猪体重信息建立并训练得到一生猪体重估算模型的步骤包括:
将所述训练特征及与所述训练特征对应的生猪体重信息分为训练集及验证集,建立一神经网络模型并利用所述训练集对所述神经网络模型进行训练;
利用所述验证集对训练完成的所述神经网络模型进行验证,得到一模型估算准确率;
判断所述模型估算准确率是否小于预设阈值;
若所述模型估算准确率不小于所述预设阈值,则将所述训练完成的所述神经网络模型作为所述生猪体重估算模型;及
若所述模型估算准确率小于所述预设阈值,则调整所述神经网络模型的参数,并利用所述训练集重新对调整后的神经网络模型进行训练,直到所述验证集验证得到的模型估算准确率不小于所述预设阈值;
其中,所述神经网络模型的参数包括总层数及每一层的神经元数。
5.如权利要求4所述的生猪重量量测方法,其特征在于,所述调整所述神经网络模型的参数的步骤包括:
调整所述神经网络模型的总层数和/或每一层的神经元数。
6.一种服务器,其特征在于,所述服务器包括存储器、处理器,所述存储器上存储有可在所述处理器上运行的生猪重量量测系统,所述生猪重量量测系统被所述处理器执行时实现如下步骤:
获取采集的多头生猪深度图像;
根据预设图像分割算法对所述生猪深度图像进行图像分割,以将生猪本体图像从所述生猪深度图像中分割出来;
从所述生猪本体图像中提取训练特征,所述训练特征包括以下参数的一个或者多个:生猪本体投影面积、生猪体长、生猪体高、生猪体宽、生猪胸围;
根据所述训练特征及对应的生猪体重信息建立并训练得到一生猪体重估算模型;及
将待测生猪图像输入至所述生猪体重估算模型得到所述待测生猪的体重信息。
7.如权利要求6所述的服务器,其特征在于,所述生猪重量量测系统被所述处理器执行时,还实现如下步骤:
对所述生猪深度图像进行显著性检测,并将显著性高的深度区域作为感兴趣区域;及
根据所述感兴趣区域生成所述生猪深度图像的蒙版值,并根据所述蒙版值对所述生猪深度图像进行增强处理,得到增强处理后的生猪深度图像。
8.如权利要求6或7所述的服务器,其特征在于,所述根据预设图像分割算法对所述生猪深度图像进行图像分割的步骤包括:
将所述生猪深度图像转化为灰度图像,并利用大津法对所述灰度图像进行阈值分割;
对分割后的灰度图像进行轮廓提取,并对提取的轮廓进行填充;及
将填充后的图像进行形态学开运算,以去掉生猪本体外的干扰成分。
9.如权利要求6或7所述的服务器,其特征在于,所述根据所述训练特征及对应的生猪体重信息建立并训练得到一生猪体重估算模型的步骤包括:
将所述训练特征及与所述训练特征对应的生猪体重信息分为训练集及验证集,建立一神经网络模型并利用所述训练集对所述神经网络模型进行训练;
利用所述验证集对训练完成的所述神经网络模型进行验证,得到一模型估算准确率;
判断所述模型估算准确率是否小于预设阈值;
若所述模型估算准确率不小于所述预设阈值,则将所述训练完成的所述神经网络模型作为所述生猪体重估算模型;及
若所述模型估算准确率小于所述预设阈值时,则调整所述神经网络模型的参数,并利用所述训练集重新对调整后的神经网络模型进行训练,直到所述验证集验证得到的模型估算准确率不小于所述预设阈值;
其中,所述神经网络模型的参数包括总层数及每一层的神经元数。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有生猪重量量测系统,所述生猪重量量测系统可被至少一个处理器执行,以使所述至少一个处理器执行如权利要求1-5中任一项所述的生猪重量量测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811342794.4A CN109636826A (zh) | 2018-11-13 | 2018-11-13 | 生猪重量量测方法、服务器及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811342794.4A CN109636826A (zh) | 2018-11-13 | 2018-11-13 | 生猪重量量测方法、服务器及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109636826A true CN109636826A (zh) | 2019-04-16 |
Family
ID=66067907
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811342794.4A Pending CN109636826A (zh) | 2018-11-13 | 2018-11-13 | 生猪重量量测方法、服务器及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109636826A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110378241A (zh) * | 2019-06-25 | 2019-10-25 | 北京百度网讯科技有限公司 | 作物生长状态监控方法、装置、计算机设备及存储介质 |
CN110426112A (zh) * | 2019-07-04 | 2019-11-08 | 平安科技(深圳)有限公司 | 一种生猪体重测量方法及装置 |
CN110612921A (zh) * | 2019-09-25 | 2019-12-27 | 农芯科技(广州)有限责任公司 | 一种定位栏母猪的监测系统及方法 |
CN110672189A (zh) * | 2019-09-27 | 2020-01-10 | 北京海益同展信息科技有限公司 | 体重估计方法、装置、系统和存储介质 |
CN111507432A (zh) * | 2020-07-01 | 2020-08-07 | 四川智迅车联科技有限公司 | 农险理赔智能称重方法、系统、电子设备和存储介质 |
CN111724355A (zh) * | 2020-06-01 | 2020-09-29 | 厦门大学 | 一种鲍鱼体型参数的图像测量方法 |
CN112330677A (zh) * | 2021-01-05 | 2021-02-05 | 四川智迅车联科技有限公司 | 基于图像的高精度称重方法、系统、电子设备及存储介质 |
CN112801118A (zh) * | 2021-02-26 | 2021-05-14 | 潘志乐 | 基于人工智能和大数据的肉猪出栏效益评估系统及方法 |
CN113096178A (zh) * | 2021-04-25 | 2021-07-09 | 中国农业大学 | 猪只体重的估测方法、装置、设备和存储介质 |
CN113532616A (zh) * | 2020-04-15 | 2021-10-22 | 阿里巴巴集团控股有限公司 | 基于计算机视觉的体重估计方法、装置及系统 |
CN113678786A (zh) * | 2021-08-19 | 2021-11-23 | 陆荣清 | 一种提高生猪抗病性的生态养殖方法 |
CN114693711A (zh) * | 2020-12-31 | 2022-07-01 | 中国农业大学 | 一种基于Kinect v2的生猪体重预估方法 |
CN116416260A (zh) * | 2023-05-19 | 2023-07-11 | 四川智迅车联科技有限公司 | 一种基于图像处理的称重精度优化方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101144705A (zh) * | 2007-07-25 | 2008-03-19 | 中国农业大学 | 一种利用双目视觉技术监测猪生长的方法 |
-
2018
- 2018-11-13 CN CN201811342794.4A patent/CN109636826A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101144705A (zh) * | 2007-07-25 | 2008-03-19 | 中国农业大学 | 一种利用双目视觉技术监测猪生长的方法 |
Non-Patent Citations (4)
Title |
---|
刘同海 等: "基于RBF神经网络的种猪体重预测", 《农业机械学报》, vol. 44, no. 08, pages 245 - 249 * |
张凯 等: "基于计算机视觉技术育肥猪体重分析研究", 《农机化研究》, no. 05, pages 32 - 36 * |
李卓 等: "基于深度图像的猪体尺检测系统", 《农业机械学报》, vol. 47, no. 03, pages 311 - 318 * |
王琳 等: "基于深度图像和BP 神经网络的肉鸡体质量估测模型", 《农业工程学报》, vol. 33, no. 13, pages 199 - 205 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110378241A (zh) * | 2019-06-25 | 2019-10-25 | 北京百度网讯科技有限公司 | 作物生长状态监控方法、装置、计算机设备及存储介质 |
CN110378241B (zh) * | 2019-06-25 | 2022-04-29 | 北京百度网讯科技有限公司 | 作物生长状态监控方法、装置、计算机设备及存储介质 |
CN110426112A (zh) * | 2019-07-04 | 2019-11-08 | 平安科技(深圳)有限公司 | 一种生猪体重测量方法及装置 |
CN110612921A (zh) * | 2019-09-25 | 2019-12-27 | 农芯科技(广州)有限责任公司 | 一种定位栏母猪的监测系统及方法 |
CN110672189A (zh) * | 2019-09-27 | 2020-01-10 | 北京海益同展信息科技有限公司 | 体重估计方法、装置、系统和存储介质 |
CN113532616A (zh) * | 2020-04-15 | 2021-10-22 | 阿里巴巴集团控股有限公司 | 基于计算机视觉的体重估计方法、装置及系统 |
CN111724355A (zh) * | 2020-06-01 | 2020-09-29 | 厦门大学 | 一种鲍鱼体型参数的图像测量方法 |
CN111724355B (zh) * | 2020-06-01 | 2022-06-14 | 厦门大学 | 一种鲍鱼体型参数的图像测量方法 |
CN111507432A (zh) * | 2020-07-01 | 2020-08-07 | 四川智迅车联科技有限公司 | 农险理赔智能称重方法、系统、电子设备和存储介质 |
CN114693711A (zh) * | 2020-12-31 | 2022-07-01 | 中国农业大学 | 一种基于Kinect v2的生猪体重预估方法 |
CN112330677A (zh) * | 2021-01-05 | 2021-02-05 | 四川智迅车联科技有限公司 | 基于图像的高精度称重方法、系统、电子设备及存储介质 |
CN112801118A (zh) * | 2021-02-26 | 2021-05-14 | 潘志乐 | 基于人工智能和大数据的肉猪出栏效益评估系统及方法 |
CN112801118B (zh) * | 2021-02-26 | 2024-02-02 | 潘志乐 | 基于人工智能和大数据的肉猪出栏效益评估系统及方法 |
CN113096178A (zh) * | 2021-04-25 | 2021-07-09 | 中国农业大学 | 猪只体重的估测方法、装置、设备和存储介质 |
CN113678786A (zh) * | 2021-08-19 | 2021-11-23 | 陆荣清 | 一种提高生猪抗病性的生态养殖方法 |
CN116416260A (zh) * | 2023-05-19 | 2023-07-11 | 四川智迅车联科技有限公司 | 一种基于图像处理的称重精度优化方法及系统 |
CN116416260B (zh) * | 2023-05-19 | 2024-01-26 | 四川智迅车联科技有限公司 | 一种基于图像处理的称重精度优化方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109636826A (zh) | 生猪重量量测方法、服务器及计算机可读存储介质 | |
CN104850836B (zh) | 基于深度卷积神经网络的害虫图像自动识别方法 | |
CN107667903B (zh) | 基于物联网的畜牧养殖活体体重监测方法 | |
CN109657564A (zh) | 一种人员在岗检测方法、装置、存储介质及终端设备 | |
CN109272016A (zh) | 目标检测方法、装置、终端设备和计算机可读存储介质 | |
CN108805137A (zh) | 牲畜特征向量的提取方法、装置、计算机设备和存储介质 | |
CN110083723B (zh) | 一种小熊猫个体识别方法、设备及计算机可读存储介质 | |
CN106529006A (zh) | 基于深度图像的肉鸡生长模型拟合方法及装置 | |
CN110991222B (zh) | 一种物体状态监测、母猪发情监测方法、装置及系统 | |
CN112348737B (zh) | 模拟图像生成的方法、电子设备及存储介质 | |
CN112597995B (zh) | 车牌检测模型训练方法、装置、设备及介质 | |
CN113421192B (zh) | 对象统计模型的训练方法、目标对象的统计方法和装置 | |
CN112182269B (zh) | 图像分类模型的训练、图像分类方法、装置、设备及介质 | |
CN104007733B (zh) | 一种对农业集约化生产进行监控的系统及方法 | |
CN110175503A (zh) | 长度获取方法、装置、保险理赔系统、介质及电子设备 | |
CN113420709A (zh) | 牛脸特征提取模型训练方法、系统及牛的保险方法、系统 | |
CN116486296A (zh) | 目标检测方法、装置及计算机可读存储介质 | |
CN108182444A (zh) | 基于场景分类的视频质量诊断的方法及装置 | |
CN114494344A (zh) | 一种基于Transformer的鱼群摄食决策方法 | |
CN109359675A (zh) | 图像处理方法及设备 | |
CN116630828B (zh) | 基于地形环境适配的无人机遥感信息采集系统及方法 | |
CN113838076A (zh) | 目标图像中的对象轮廓的标注方法及装置、存储介质 | |
CN109801394A (zh) | 一种工作人员考勤方法及装置、电子设备和可读存储介质 | |
CN114612898A (zh) | 一种基于YOLOv5网络的荔枝蒂蛀虫羽化率检测方法 | |
Yu et al. | An automatic detection and counting method for fish lateral line scales of underwater fish based on improved YOLOv5 |
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 |