CN110147771A - 基于母猪关键部位与环境联合分区的母猪侧卧姿态实时检测系统 - Google Patents
基于母猪关键部位与环境联合分区的母猪侧卧姿态实时检测系统 Download PDFInfo
- Publication number
- CN110147771A CN110147771A CN201910434342.7A CN201910434342A CN110147771A CN 110147771 A CN110147771 A CN 110147771A CN 201910434342 A CN201910434342 A CN 201910434342A CN 110147771 A CN110147771 A CN 110147771A
- Authority
- CN
- China
- Prior art keywords
- sow
- area
- data
- training
- weight
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
Abstract
本发明公开了一种基于母猪关键部位与环境联合分区的母猪侧卧姿态实时检测系统,它包括分娩室、摄像头、视频存储单元、服务器,分娩室用于放置待产母猪;摄像头监控获得分娩室的视频数据,摄像头一方面连续存储视频数据到视频存储单元,另一方面直连服务器;服务器调用备份视频数据,同时实时分析监控数据;检测系统的工作步骤为实时监控母猪姿态,通过卷积神经网络区域识别模型同时检测认亲区、哺乳区、分娩区三个区域,当同时检测出2个以上区域时识别母猪为侧卧姿态,并将识别结果输出到数据库。与传感器技术识别母猪姿态方法相比,计算机视觉技术避免了与母猪的接触,减少应激反应,且具有成本低、效率高的特点。
Description
技术领域
本专利涉及计算机视觉、动物福利养殖、深层卷积神经网络算法等技术领域。具体是一种基于母猪关键部位与环境联合分区的母猪侧卧姿态实时检测系统。
背景技术
我国是世界第一养猪大国和猪肉消费国,养猪业是我国农业的支柱产业。仔猪的成活率是生猪养殖产业中极其重要的一项指标,与围产期母猪的母性行为密切相关。母猪多在侧卧时进行分娩和哺乳,侧卧时间的比重是影响母猪母性行为的关键因素。
母猪在产中和产后阶段多保持侧卧姿态,有利于分娩和哺乳。受到饲养人员干扰、仔猪咬伤乳头等情况下,母猪会转变姿态,以保护仔猪或拒绝哺乳,频繁的姿态转化会缩短哺乳时间,同时易引起仔猪挤压致死,仔猪断奶前死亡率高达13%,挤压致死率占其中的15%~51%。现阶段对于母猪姿态的自动化识别多依靠传感器技术和计算机视觉技术,其中计算机视觉检测母猪姿态成本低、效率高、无损伤,可避免采用传感器监测方法引起的猪的应激反应,且随着卷积神经网络进行目标识别的效果逐步提高,使得计算机视觉在动物行为识别领域的应用更加广泛。但利用卷积神经网络进行母猪姿态识别时,主要是通过标注整个母猪目标为特征提取区域,没有关注母猪身体和分娩栏内的关键区域,造成图像数据信息的损失、研究的单一性、对母猪身体部分遮挡时的识别效果不理想。
发明内容
本发明针对背景技术中存在的问题,提出了一种基于母猪关键部位与环境联合分区的母猪侧卧姿态实时检测系统,通过将母猪身体与环境联合分区,实现正常情况和在母猪身体部分遮挡时,都能实时准确地检测母猪侧卧姿态;通过分区间的相对位置判断母猪侧卧方向,探究侧卧方向与仔猪保育室位置间的关系;将检测结果以文本方式实时写入数据库,并用可视化的方法展示。利用母猪身体部位与环境联合分区检测母猪侧卧姿态是研究母猪与仔猪的联系,围产期母猪母性行为评估的重要基础。
技术方案:
一种基于母猪关键部位与环境联合分区的母猪侧卧姿态实时检测系统,它包括分娩室、摄像头、视频存储单元、服务器,所述分娩室带有限位栏,分娩室用于放置待产母猪;所述摄像头设置在高度3m处;摄像头监控获得分娩室的视频数据,摄像头一方面连续存储视频数据到视频存储单元,另一方面直连服务器;服务器调用备份视频数据,同时实时分析监控数据;检测系统的工作步骤为实时监控母猪姿态,通过卷积神经网络区域识别模型同时检测认亲区、哺乳区、分娩区三个区域,当同时检测出2个以上区域时识别母猪为侧卧姿态,并将识别结果输出到数据库;所述模型的构建包括以下步骤:
S1、数据采集:获得图像数据;
S2、数据预处理;
S3、数据标注:在母猪侧卧姿态的照片中按照认亲区、哺乳区、分娩区对每张图像进行标注;
S4、数据划分:按比例划分训练集、测试集、验证集;
S5、网络设计:平衡检测速度和检测精度,采用YOLOv3为检测网络模型;
S6、主干网预训练:将主干网络进行预训练,预训练的权重模型作为母猪侧卧姿态识别的初始化网络权重;
S7、网络模型训练:设置超参数,部署训练环境进行训练;
S8、网络模型测试与优化:统计检测结果,评价指标是否达到阈值:若未达到阈值,则分析误检较多的图片属性,收集同类图像作为迭代训练的训练集,每次优化以最新模型权重进行网络训练初始化;若达到阈值,则迭代终止,获得模型。
优选的,步骤S1所述数据采集为采集待产母猪在限位栏内视频数据,按相同间隔截帧获得图像数据。
优选的,步骤S2所述数据预处理具体是:剔除硬性遮挡严重致人眼无法辨认的噪声数据,对不同光照条件、不同通道数、不同分娩阶段的图像均匀采样,并对小样本种类进行数据增强。
优选的,小样本数据增强,本专利采用方法包括:
-画质变化,包括灰度、曝光度、饱和度;
-空间变化,旋转;
-缩放。
优选的,步骤S3所述数据标注中,为降低对母猪其它姿态的误检率,在母猪坐卧、站立、腹卧、胸卧四种姿态的照片中进行认亲区或哺乳区或分娩区进行标注,四类姿态的样本照片总数量与侧卧姿态的样本照片数量的比例为1:5。
优选的,步骤S4所述数据划分中,训练集、测试集、验证集的比例为8:1:1。
优选的,步骤S5所述网络设计中,检测模型损失函数为:
式中s×s表示将整幅图片分成s×s个栅格,coordErr为定位误差,iouErr为IOU误差,clsErr为分类误差,根据损失函数的收敛情况来判断模型训练迭代次数。
优选的:
式中λcoord是定位误差项权重,B为每个栅格生成目标框个数,表示目标在第n个栅格第m个预测框中,xn,yn,wn,hn为标定坐标,为预测坐标,λnoobj为不含目标栅格的权重,Cn,分别为置信度的标定值和预测值,pn,分别为包含目标的栅格分类概率的标定值和预测值。
优选的,步骤S7所述网络模型训练中,采用小批量随机梯度下降法更新网络权重,batch_size为64,learning_rate(lr)初始化为0.001,步进式学习策略,max_batches为10000,在8000次和9000次迭代时,学习率缩小10倍,权重更新公式如下:
式中j表示特征数量,θ表示特征权重,i表示数据样本,每次迭代更新一次权重,每迭代1000次备份权重模型。
优选的,所述识别结果还包括母猪侧卧方向,当系统检测出认亲区、哺乳区、分娩区三个区域后,将认亲区几何中心与分娩区几何中心进行连线,若哺乳区中心和仔猪保育室均在该连线的同侧,则视为母猪侧卧方向肚子对着仔猪保育室;若哺乳区中心和仔猪保育室在该连线的两侧,则视为母猪侧卧方向背部对着仔猪保育室。
本发明的有益效果
(1)与传感器技术识别母猪姿态方法相比,计算机视觉技术避免了与母猪的接触,减少应激反应,且具有成本低、效率高的特点;
(2)基于深度学习的卷积神经网络与传统的机器学习方法相比,以数据本身为驱动,当数据量充足时,能够实现端到端的训练,网络模型自身挖掘目标特征代替了人工设计特征,能够获得目标更加丰富的语义信息,识别的准确度和速度都有极大的提升;
(3)以YOLOv3为检测网络模型,与基于区域的类Faster R-CNN的目标识别模型相比,识别效果相近,但极大的提升了检测速度,满足实时检测的要求;
(4)采用基于认亲区、哺乳区、分娩区的目标与环境联合分区方法代替以整个目标为特征提取域的目标识别方法,实现了在母猪目标完整和部分被遮挡的情况下都能准确识别的效果,不仅关注母猪侧卧姿态本身,也结合了其周围重要的环境特征,构成的三个重要区域,为研究母猪的分娩、哺乳和认亲行为提供依据,可根据仔猪目标与三个区域的IOU值,确定母猪行为;
(5)提出了自动化识别母猪侧卧方向的新方法,通过认亲区与分娩区几何中心连线与哺乳区中心的相对位置判断母猪侧卧方向,并探究母猪侧卧方向与仔猪保育室位置间的关系,这是反应母猪母性行为的一项新的评价指标;
(6)提出了以多个关键部分代替整体的思想,对目标特征提取区域进行筛选,再利用卷积神经网络识别目标,将传统机器学习与深度学习相结合,既能保证学习到关键特征,又能使特征更加抽象化、泛化能力更强。为目标识别在其他领域的应用提供了一种新的方法;
(7)实现了母猪侧卧姿态的自动化实时检测,可通过对比围产期不同阶段和不同母猪在相同阶段侧卧姿态占比,观察母猪的福利状况和母性行为;
(8)以文本形式输出检测结果,包括:检测速度、识别置信度、分区名称、分区坐标等信息,并将结果写入数据库,通过网站后台可调取数据库内容,将检测结果可视化;
(9)母猪侧卧姿态、母猪侧卧方向与仔猪的成活率密切相关,本发明提供的方法实时非接触地获得母猪侧卧姿态、母猪侧卧方向信息,以便人工干预提高仔猪的成活率。
附图说明
附图1是本发明总体结构示意图
附图2是母猪侧卧关键部位与环境联合分区的示意图
附图3是探究母猪侧卧方向与仔猪保育室位置间关系的示意图
附图4是围产期母猪多类姿态定义示意图
附图5是多区域识别卷积神经网络模型结构示意图
附图6是母猪侧卧姿态检测模型优化过程流程图
附图7是具体实施例识别不同场景下母猪的侧卧姿态结果图
具体实施方式
下面结合实施例对本发明作进一步说明,但本发明的保护范围不限于此:
结合附图1,自动化实时检测围产期母猪侧卧姿态系统,包括摄像头1、分娩室2(2.15m×0.65m)、视频存储单元3、服务器4(母猪侧卧姿态检测模型、网站后台、数据库)。约在预产期前10天将待分娩母猪放入分娩室,俯测高度为3m出安装海康威视摄像头,将监测视频数据24小时连续存储到视频存储单元(机械硬盘),摄像头与服务器 (Ubuntu16.04+darknet)连接,对监控画面内容实时检测,同时检测到2个或3个分区时确定为侧卧姿态,检测结果实时存储到数据库,网站后台读取数据库内容,可视化不同母猪在围产期各个阶段侧卧姿态的变化趋势。
检测系统的工作步骤为实时监控母猪姿态,通过卷积神经网络区域识别模型同时检测认亲区、哺乳区、分娩区三个区域,当同时检测出2个以上区域时识别母猪为侧卧姿态,并将识别结果输出到数据库;结合图3,除识别出母猪的侧卧姿态外,检测模型输出的检测结果包含三个分区的几何中心坐标,同时会自动化判断哺乳区中心与分娩区认亲区连线的相对方向,输出与仔猪保育栏(同一检测模型自动化定位)位置间关系,同向为1,反向为0。
结合附图5,卷积神经网络检测模型的主干网络类似于ResNet101网络结构,采用了 residual短接结构,有利于加深的卷积神经网络的训练,有效抑制过拟合现象发生;用卷积下采样代替池化层,在完成池化层缩小特征图尺度的同时,加深了特征提取网络深度,进一步抽象化目标特征;为增强对小目标的检测效果,采用FPN算法,将97层输出特征进行上采样,与36层输出特征相结合识别尺度较大目标,85层输出特征上采样与61层输出特征相结合识别中等尺度目标,主干网络输出直接负责预测小尺度目标。目标尺寸分别为13×13、26×26、52×52,每种尺寸分配3个先验框,采用K-Means聚类算法设置9个先验框。
结合附图6,下面以一个具体实施例描述模型的构建的完整步骤:
S1、数据采集:海康威视DS-2CD3135F-l摄像头监测围产期母猪,俯测高度2.5m,2s间隔截帧获得分辨率为2048像素×1536像素的图像数据10000张;
S2、数据预处理:剔除硬性遮挡严重致人眼无法辨认的噪声数据,对不同光照条件、不同通道数、不同分娩阶段的图像均匀采样,并对小样本种类进行数据增强;本专利采用数据增强方法包括:
-画质变化,包括灰度(0.1)、曝光度(1.5)、饱和度(1.5);
-空间变化,旋转(30,90,120);
-缩放(在416像素与608像素间以32像素为间隔随机缩放);
运用卷积神经网络模型对图像进行分类,筛选出侧卧姿态的图像作为数据集。
S3、数据标注:结合附图2,在将母猪侧卧姿态的关键区域与其周围环境联合分区标注时,身体与环境区域比例近似为1:1;结合附图4,母猪从站立到侧卧的姿态转化过程是一串连续的动作。侧卧、腹卧、胸卧、坐卧、站立的姿态衔接时会出现同时符合两类姿态的状态,由其他姿态转化为侧卧,或由侧卧转化为其他姿态时,常会在非侧卧姿态时识别出部分分区。增加了其他4类姿态的少量数据样本,能够有效抑制对非侧卧姿态的误检,其他各类姿态与侧卧姿态图像的比例为1:5。用labelImg软件将图像数据标注为PASCAL VOC格式;
S4、数据划分:按比例随机划分训练集、测试集、验证集,比例为8:1:1;
S5、网络设计:平衡检测速度和检测精度,采用YOLOv3为检测网络模型;
S6、主干网预训练:将主干网络在ImageNet数据集进行预训练,验证集损失降低到0.1 以下,停止迭代。预训练的权重模型作为母猪侧卧姿态识别的初始化网络权重;
S7、网络模型训练:采用小批量随机梯度下降法更新网络权重,batch_size为64,learning_rate(lr)初始化为0.001,步进式学习策略,max_batches为10000,在8000次和9000次迭代时,学习率缩小10倍,权重更新公式如下:
式中j表示特征数量,θ表示特征权重,i表示数据样本,每次迭代更新一次权重,每迭代1000次备份权重模型;
S8、网络模型测试与优化:统计检测结果,评价指标是否达到阈值(查准率和查全率在 0.95及以上,查准率查全率相差不超过0.2):若未达到阈值,则分析误检较多的图片属性,收集同类图像作为迭代训练的训练集,每次优化以最新模型权重进行网络训练初始化;若达到阈值,则迭代终止,获得模型(实验结果如图7)。
通过本发明提供的实时非接触的检测方法准确获得母猪侧卧姿态、母猪侧卧方向信息,以便人工干预提高仔猪的成活率。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (10)
1.一种基于母猪关键部位与环境联合分区的母猪侧卧姿态实时检测系统,其特征在于它包括分娩室、摄像头、视频存储单元、服务器,所述分娩室带有限位栏,分娩室用于放置待产母猪;所述摄像头设置在高度3m处;摄像头监控获得分娩室的视频数据,摄像头一方面连续存储视频数据到视频存储单元,另一方面直连服务器;服务器调用备份视频数据,同时实时分析监控数据;检测系统的工作步骤为实时监控母猪姿态,通过卷积神经网络区域识别模型同时检测认亲区、哺乳区、分娩区三个区域,当同时检测出2个以上区域时识别母猪为侧卧姿态,并将识别结果输出到数据库;所述模型的构建包括以下步骤:
S1、数据采集:获得图像数据;
S2、数据预处理;
S3、数据标注:在母猪侧卧姿态的照片中按照认亲区、哺乳区、分娩区对每张图像进行标注;
S4、数据划分:按比例划分训练集、测试集、验证集;
S5、网络设计:平衡检测速度和检测精度,采用YOLOv3为检测网络模型;
S6、主干网预训练:将主干网络进行预训练,预训练的权重模型作为母猪侧卧姿态识别的初始化网络权重;
S7、网络模型训练:设置超参数,部署训练环境进行训练;
S8、网络模型测试与优化:统计检测结果,评价指标是否达到阈值:若未达到阈值,则分析误检较多的图片属性,收集同类图像作为迭代训练的训练集,每次优化以最新模型权重进行网络训练初始化;若达到阈值,则迭代终止,获得模型。
2.根据权利要求1所述的系统,其特征在于步骤S1所述数据采集为采集待产母猪在限位栏内视频数据,按相同间隔截帧获得图像数据。
3.根据权利要求1所述的系统,其特征在于步骤S2所述数据预处理具体是:剔除硬性遮挡严重致人眼无法辨认的噪声数据,对不同光照条件、不同通道数、不同分娩阶段的图像均匀采样,并对小样本种类进行数据增强。
4.根据权利要求3所述的系统,其特征在于小样本数据增强,本专利采用方法包括:
-画质变化,包括灰度、曝光度、饱和度;
-空间变化,旋转;
-缩放。
5.根据权利要求1所述的系统,其特征在于步骤S3所述数据标注中,为降低对母猪其它姿态的误检率,在母猪坐卧、站立、腹卧、胸卧四种姿态的照片中进行认亲区或哺乳区或分娩区进行标注,四类姿态的样本照片总数量与侧卧姿态的样本照片数量的比例为1:5。
6.根据权利要求1所述的系统,其特征在于步骤S4所述数据划分中,训练集、测试集、验证集的比例为8:1:1。
7.根据权利要求1所述的系统,其特征在于步骤S5所述网络设计中,检测模型损失函数为:
式中s×s表示将整幅图片分成s×s个栅格,coordErr为定位误差,iouErr为IOU误差,clsErr为分类误差,根据损失函数的收敛情况来判断模型训练迭代次数。
8.根据权利要求7所述的系统,其特征在于:
式中λcoord是定位误差项权重,B为每个栅格生成目标框个数,表示目标在第n个栅格第m个预测框中,xn,yn,wn,hn为标定坐标,为预测坐标,λnoobj为不含目标栅格的权重,Cn,分别为置信度的标定值和预测值,pn,分别为包含目标的栅格分类概率的标定值和预测值。
9.根据权利要求1所述的系统,其特征在于步骤S7所述网络模型训练中,采用小批量随机梯度下降法更新网络权重,batch_size为64,learning_rate(lr)初始化为0.001,步进式学习策略,max_batches为10000,在8000次和9000次迭代时,学习率缩小10倍,权重更新公式如下:
式中j表示特征数量,θ表示特征权重,i表示数据样本,每次迭代更新一次权重,每迭代1000次备份权重模型。
10.根据权利要求1所述的系统,其特征在于所述识别结果还包括母猪侧卧方向,当系统检测出认亲区、哺乳区、分娩区三个区域后,将认亲区几何中心与分娩区几何中心进行连线,若哺乳区中心和仔猪保育室均在该连线的同侧,则视为母猪侧卧方向肚子对着仔猪保育室;若哺乳区中心和仔猪保育室在该连线的两侧,则视为母猪侧卧方向背部对着仔猪保育室。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910434342.7A CN110147771B (zh) | 2019-05-23 | 2019-05-23 | 基于母猪关键部位与环境联合分区的母猪侧卧姿态实时检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910434342.7A CN110147771B (zh) | 2019-05-23 | 2019-05-23 | 基于母猪关键部位与环境联合分区的母猪侧卧姿态实时检测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110147771A true CN110147771A (zh) | 2019-08-20 |
CN110147771B CN110147771B (zh) | 2020-01-14 |
Family
ID=67592958
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910434342.7A Active CN110147771B (zh) | 2019-05-23 | 2019-05-23 | 基于母猪关键部位与环境联合分区的母猪侧卧姿态实时检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110147771B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110598658A (zh) * | 2019-09-18 | 2019-12-20 | 华南农业大学 | 一种母猪哺乳行为的卷积网络识别方法 |
CN111709287A (zh) * | 2020-05-15 | 2020-09-25 | 南京农业大学 | 基于深度学习的断奶仔猪目标跟踪方法 |
CN112016527A (zh) * | 2020-10-19 | 2020-12-01 | 成都大熊猫繁育研究基地 | 基于深度学习的大熊猫行为识别方法、系统、终端及介质 |
CN112101291A (zh) * | 2020-09-27 | 2020-12-18 | 成都睿畜电子科技有限公司 | 一种牲畜的护理方法、装置、介质及电子设备 |
CN112088795A (zh) * | 2020-07-07 | 2020-12-18 | 南京农业大学 | 基于激光定位的限位栏猪只姿态识别方法和系统 |
CN112364763A (zh) * | 2020-11-10 | 2021-02-12 | 南京农业大学 | 基于边缘计算的仔猪吃奶行为监测系统 |
CN112400734A (zh) * | 2019-08-21 | 2021-02-26 | 成都睿畜电子科技有限公司 | 母猪健康监测方法和监测系统 |
CN113284141A (zh) * | 2021-07-09 | 2021-08-20 | 武汉精创电子技术有限公司 | 用于缺陷检测的模型确定方法、装置和设备 |
CN114187128A (zh) * | 2021-12-23 | 2022-03-15 | 江苏华丽智能科技股份有限公司 | 一种家畜养殖行业的保温控制方法及系统 |
CN111709333B (zh) * | 2020-06-04 | 2022-05-20 | 南京农业大学 | 基于笼养鸡异常粪便的溯源预警系统及健康监测方法 |
CN114677624A (zh) * | 2022-03-18 | 2022-06-28 | 南京农业大学 | 基于云边协同的母猪分娩智能监测系统 |
CN115226650A (zh) * | 2022-06-02 | 2022-10-25 | 南京农业大学 | 基于交互特征的母猪发情状态自动检测系统 |
CN116114610A (zh) * | 2023-02-22 | 2023-05-16 | 四川农业大学 | 一种仔猪寄养的装置及评估方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521563A (zh) * | 2011-11-19 | 2012-06-27 | 江苏大学 | 基于椭圆拟合的猪行走姿态识别方法 |
CN103248703A (zh) * | 2013-05-16 | 2013-08-14 | 中国农业大学 | 生猪行为自动监测系统及方法 |
CN104008367A (zh) * | 2014-05-08 | 2014-08-27 | 中国农业大学 | 基于计算机视觉的育肥猪的自动行为分析系统及方法 |
CN107844797A (zh) * | 2017-09-27 | 2018-03-27 | 华南农业大学 | 一种基于深度图像的哺乳母猪姿态自动识别的方法 |
CN108830144A (zh) * | 2018-05-03 | 2018-11-16 | 华南农业大学 | 一种基于改进Faster-R-CNN的哺乳母猪姿态识别方法 |
CN109325418A (zh) * | 2018-08-23 | 2019-02-12 | 华南理工大学 | 基于改进YOLOv3的道路交通环境下行人识别方法 |
CN109684933A (zh) * | 2018-11-30 | 2019-04-26 | 广州大学 | 一种前方行人窜出马路的预警方法 |
US20190130275A1 (en) * | 2017-10-26 | 2019-05-02 | Magic Leap, Inc. | Gradient normalization systems and methods for adaptive loss balancing in deep multitask networks |
-
2019
- 2019-05-23 CN CN201910434342.7A patent/CN110147771B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521563A (zh) * | 2011-11-19 | 2012-06-27 | 江苏大学 | 基于椭圆拟合的猪行走姿态识别方法 |
CN103248703A (zh) * | 2013-05-16 | 2013-08-14 | 中国农业大学 | 生猪行为自动监测系统及方法 |
CN104008367A (zh) * | 2014-05-08 | 2014-08-27 | 中国农业大学 | 基于计算机视觉的育肥猪的自动行为分析系统及方法 |
CN107844797A (zh) * | 2017-09-27 | 2018-03-27 | 华南农业大学 | 一种基于深度图像的哺乳母猪姿态自动识别的方法 |
US20190130275A1 (en) * | 2017-10-26 | 2019-05-02 | Magic Leap, Inc. | Gradient normalization systems and methods for adaptive loss balancing in deep multitask networks |
CN108830144A (zh) * | 2018-05-03 | 2018-11-16 | 华南农业大学 | 一种基于改进Faster-R-CNN的哺乳母猪姿态识别方法 |
CN109325418A (zh) * | 2018-08-23 | 2019-02-12 | 华南理工大学 | 基于改进YOLOv3的道路交通环境下行人识别方法 |
CN109684933A (zh) * | 2018-11-30 | 2019-04-26 | 广州大学 | 一种前方行人窜出马路的预警方法 |
Non-Patent Citations (3)
Title |
---|
JOSEPH REDMON: "YOLOv:An Incremental Improvement", 《ARXIV》 * |
KAIMING HE: "Deep Residual Learning for Image Recognition", 《ARXIV》 * |
RUSSAKOVSKY OLGA: "ImageNet Large Scale Visual Recognition Challenge", 《INTERNATIONAL JOURNAL OF COMPUTER VISION》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112400734A (zh) * | 2019-08-21 | 2021-02-26 | 成都睿畜电子科技有限公司 | 母猪健康监测方法和监测系统 |
CN110598658B (zh) * | 2019-09-18 | 2022-03-01 | 华南农业大学 | 一种母猪哺乳行为的卷积网络识别方法 |
CN110598658A (zh) * | 2019-09-18 | 2019-12-20 | 华南农业大学 | 一种母猪哺乳行为的卷积网络识别方法 |
CN111709287A (zh) * | 2020-05-15 | 2020-09-25 | 南京农业大学 | 基于深度学习的断奶仔猪目标跟踪方法 |
CN111709333B (zh) * | 2020-06-04 | 2022-05-20 | 南京农业大学 | 基于笼养鸡异常粪便的溯源预警系统及健康监测方法 |
CN112088795A (zh) * | 2020-07-07 | 2020-12-18 | 南京农业大学 | 基于激光定位的限位栏猪只姿态识别方法和系统 |
CN112088795B (zh) * | 2020-07-07 | 2022-04-29 | 南京农业大学 | 基于激光定位的限位栏猪只姿态识别方法和系统 |
CN112101291A (zh) * | 2020-09-27 | 2020-12-18 | 成都睿畜电子科技有限公司 | 一种牲畜的护理方法、装置、介质及电子设备 |
CN112101291B (zh) * | 2020-09-27 | 2024-01-30 | 成都睿畜电子科技有限公司 | 一种牲畜的护理方法、装置、介质及电子设备 |
CN112016527A (zh) * | 2020-10-19 | 2020-12-01 | 成都大熊猫繁育研究基地 | 基于深度学习的大熊猫行为识别方法、系统、终端及介质 |
CN112364763B (zh) * | 2020-11-10 | 2024-01-26 | 南京农业大学 | 基于边缘计算的仔猪吃奶行为监测系统 |
CN112364763A (zh) * | 2020-11-10 | 2021-02-12 | 南京农业大学 | 基于边缘计算的仔猪吃奶行为监测系统 |
CN113284141A (zh) * | 2021-07-09 | 2021-08-20 | 武汉精创电子技术有限公司 | 用于缺陷检测的模型确定方法、装置和设备 |
CN114187128A (zh) * | 2021-12-23 | 2022-03-15 | 江苏华丽智能科技股份有限公司 | 一种家畜养殖行业的保温控制方法及系统 |
CN114677624A (zh) * | 2022-03-18 | 2022-06-28 | 南京农业大学 | 基于云边协同的母猪分娩智能监测系统 |
CN114677624B (zh) * | 2022-03-18 | 2023-09-15 | 南京农业大学 | 基于云边协同的母猪分娩智能监测系统 |
CN115226650B (zh) * | 2022-06-02 | 2023-08-08 | 南京农业大学 | 基于交互特征的母猪发情状态自动检测系统 |
CN115226650A (zh) * | 2022-06-02 | 2022-10-25 | 南京农业大学 | 基于交互特征的母猪发情状态自动检测系统 |
CN116114610A (zh) * | 2023-02-22 | 2023-05-16 | 四川农业大学 | 一种仔猪寄养的装置及评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110147771B (zh) | 2020-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110147771A (zh) | 基于母猪关键部位与环境联合分区的母猪侧卧姿态实时检测系统 | |
Bao et al. | Artificial intelligence in animal farming: A systematic literature review | |
US11688154B2 (en) | Analysis and sorting in aquaculture | |
Rudolph et al. | Efficient identification, localization and quantification of grapevine inflorescences and flowers in unprepared field images using Fully Convolutional Networks | |
US20210368748A1 (en) | Analysis and sorting in aquaculture | |
US20210383149A1 (en) | Method for identifying individuals of oplegnathus punctatus based on convolutional neural network | |
Wang et al. | Fast detection of cannibalism behavior of juvenile fish based on deep learning | |
Subedi et al. | Tracking floor eggs with machine vision in cage-free hen houses | |
CN112581450B (zh) | 基于膨胀卷积金字塔与多尺度金字塔的花粉检测方法 | |
Tian et al. | Real-time behavioral recognition in dairy cows based on geomagnetism and acceleration information | |
CN114898405B (zh) | 基于边缘计算的便携式肉鸡异常监测系统 | |
CN115019391A (zh) | 基于YOLOv5和C3D的仔猪吃奶行为检测系统 | |
CN114241270A (zh) | 一种家庭护理智能监督方法、系统及装置 | |
Wu et al. | Locomotor posture and swimming-intensity quantification in starvation-stress behavior detection of individual fish | |
Mahmud et al. | Lychee tree disease classification and prediction using transfer learning | |
Gong et al. | Sika Deer Behavior Recognition Based on Machine Vision. | |
CN113449712A (zh) | 一种基于改进Alexnet网络的羊脸识别方法 | |
Sheema et al. | Fall Armyworm Detection on Maize Plants Using Gas Sensors, Image Classification, and Neural Network Based on IoT | |
Kachole et al. | A Computer Vision Approach to Monitoring the Activity and Well-Being of Honeybees. | |
Yang et al. | Recognizing the rooting action of prepartum sow in free-farrowing pen using computer vision | |
CN116110586B (zh) | 基于YOLOv5以及SlowFast的大象健康管理系统 | |
Monshouwer | Detection of subclinical ketosis in dairy cows using behaviour sensor data | |
Junjur et al. | BIRD SPECIES IDENTIFICATION USING IMAGE MINING & CNN ALGORITHM | |
Shi et al. | Internet-of-Things Behavior Monitoring System Based on Wearable Inertial Sensors for Classifying Dairy Cattle Health Using Machine Learning | |
CN117170442A (zh) | 智能水产养殖控制系统及其方法 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210128 Address after: 210000 no.10-975, Fenghuang street, Jiangpu street, Pukou District, Nanjing City, Jiangsu Province Patentee after: Nanjing Huixin Biotechnology Co.,Ltd. Address before: 210000 College of technology, Nanjing Agricultural University, 40 dianjiangtai Road, Pukou District, Nanjing, Jiangsu Province Patentee before: NANJING AGRICULTURAL University |