CN110163846A - 一种肉牛体况自动评分方法、系统和存储介质 - Google Patents
一种肉牛体况自动评分方法、系统和存储介质 Download PDFInfo
- Publication number
- CN110163846A CN110163846A CN201910319924.0A CN201910319924A CN110163846A CN 110163846 A CN110163846 A CN 110163846A CN 201910319924 A CN201910319924 A CN 201910319924A CN 110163846 A CN110163846 A CN 110163846A
- Authority
- CN
- China
- Prior art keywords
- video camera
- beef cattle
- body condition
- training
- learning 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
- 241000283690 Bos taurus Species 0.000 title claims abstract description 114
- 235000015278 beef Nutrition 0.000 title claims abstract description 114
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000013077 scoring method Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 75
- 238000013135 deep learning Methods 0.000 claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 36
- 210000003205 muscle Anatomy 0.000 claims description 32
- 238000011156 evaluation Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 abstract description 14
- 210000000038 chest Anatomy 0.000 description 27
- 238000000151 deposition Methods 0.000 description 8
- 230000008021 deposition Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 5
- 235000013372 meat Nutrition 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 241000288673 Chiroptera Species 0.000 description 1
- 206010017577 Gait disturbance Diseases 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 241000254223 Syntexis Species 0.000 description 1
- 210000000577 adipose tissue Anatomy 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/90—Arrangement of cameras or camera modules, e.g. multiple cameras in TV studios or sports stadiums
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Agronomy & Crop Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种肉牛体况自动评分方法、装置和存储介质。所述方法包括获取多张肉牛图像，将各所述肉牛图像按照所述拍摄角度所确定的顺序进行组合并将所述组合输入到深度学习网络中和接收所述深度学习网络输出的体况评分值等步骤。本发明所使用的深度学习网络经过训练后具有自动进行体况评分的能力，使用深度学习网络对肉牛进行体况评分，可以避免人工参与评分过程带来的主观性造成评分标准不稳定，从而提高评分准确度，同时使用深度学习网络可以更快地得到评分结果；同时深度学习网络评分过程中所使用的肉牛图像可以由可拍摄可见光以及可拍摄二维图像的摄像机拍摄得到，具有较低的使用成本。本发明广泛应用于肉牛体况评分技术领域。
Description
技术领域
本发明涉及肉牛体况评分技术领域，尤其是一种肉牛体况自动评分方法、系统和存储介质。
背景技术
肉牛体况评分(body condition score，BCS)又称膘情评定，是近年来流行的一套评价牛体营养状况或体脂肪沉积量的新方法，是评估牛体能贮备的一种实用的方法。体况评分不仅可以估计牛的体脂储备和能量平衡，客观反映肉牛的饲养情况，更是评价畜群生产力，检验和推测饲养管理水平的一项重要指标，为肉牛生产经营者、市场交易者以及兽医管理人员均认同的一项统一标准。
体况评分的主要步骤是针对肉牛的腰至尾根的背线部分，包括腰角、臀端和尾根等关键部位进行观察，通过观察腰椎部的肌肉丰满程度和脂肪覆盖程度来评分。现有技术中，体况评分的步骤主要是依赖评分者人工进行的，这要求评分者需要经过专业的培训和练习后，准确熟练掌握评分部位的解剖结构，才能保证评分的准确性。现有技术难以保证评分标准的稳定性，评分结果具有很大的主观性。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种肉牛体况自动评分方法、系统和存储介质。
一方面，本发明实施例包括一种肉牛体况自动评分方法，包括以下步骤：
获取多张肉牛图像；各所述肉牛图像是以不同拍摄角度对待评分肉牛进行拍摄得到的；
将各所述肉牛图像按照所述拍摄角度所确定的顺序进行组合并将所述组合输入到深度学习网络中；所述深度卷积网络包括全连接层和卷积层；
接收所述深度学习网络输出的体况评分值；所述体况评分值用于表示所述待评分肉牛的体况。
进一步地，所述肉牛体况自动评分方法还包括对所述深度学习网络进行训练的步骤；所述对所述深度学习网络进行训练的步骤包括：
获取多张训练图像以及相应的训练评分；各所述训练图像是以不同拍摄角度对肉牛进行拍摄得到的；所述训练评分是根据体况评分制度对所述肉牛进行评分得到的；
使用所述多张训练图像和所述多个训练评分建立训练数据集；所述多张训练图像为输入数据，所述训练评分为期望输出；
使用所述训练数据集对所述深度学习网络进行训练。
进一步地，所述对所述深度学习网络进行训练的步骤还包括：
对所述训练图像分别进行数据增益操作；
将所述数据增益操作的结果作为输入数据加入到所述训练数据集。
进一步地，所述体况评分制度为BCS 5分制或BCS 9分制。
另一方面，本发明实施例还包括一种肉牛体况自动评分系统，包括控制装置、第一摄像机、第二摄像机、第三摄像机、第四摄像机和第五摄像机，所述控制装置分别与第一摄像机、第二摄像机、第三摄像机、第四摄像机和第五摄像机连接；
所述第一摄像机、第二摄像机、第三摄像机和第四摄像机布置在空间的四周，所述第五摄像机布置在空间的上方，从而使得第一摄像机、第二摄像机、第三摄像机、第四摄像机和第五摄像机围成拍摄区；所述拍摄区用于供待评分肉牛进入进行拍摄；
所述第一摄像机、第二摄像机、第三摄像机、第四摄像机和第五摄像机分别用于从不同拍摄角度对待评分肉牛进行拍摄，从而得到多张肉牛图像，并将所述多张肉牛图像发送至控制装置；
所述控制装置用于执行本发明肉牛体况自动评分方法。
进一步地，所述肉牛体况自动评分系统还包括第一背景板、第二背景板、第三背景板、第四背景板和第五背景板，所述第一背景板、第二背景板、第三背景板、第四背景板和第五背景板分别位于第一摄像机、第二摄像机、第三摄像机、第四摄像机和第五摄像机的拍摄范围内。
进一步地，所述第一背景板、第二背景板、第三背景板、第四背景板和第五背景板具有相同的背景色。
进一步地，所述肉牛体况自动评分系统还包括照明灯，所述照明灯用于发射出单色光对所述拍摄区进行照明。
另一方面，本发明实施例还包括一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于执行本发明肉牛体况自动评分方法。
本发明的有益效果是：本发明实施例中所使用的深度学习网络经过训练后具有自动进行体况评分的能力，使用深度学习网络对肉牛进行体况评分，可以避免人工参与评分过程带来的主观性造成评分标准不稳定，从而提高评分准确度，同时使用深度学习网络可以更快地得到评分结果；同时深度学习网络评分过程中所使用的肉牛图像可以由可拍摄可见光以及可拍摄二维图像的摄像机拍摄得到，具有较低的使用成本。
附图说明
图1为本发明方法实施例的流程图；
图2为本发明实施例中待评分肉牛用于体况评分的关键部位示意图；
图3为本发明系统实施例的结构示意图。
具体实施方式
实施例1
本实施例包括一种肉牛体况自动评分方法，参照图1，所述方法包括以下步骤：
S1.获取多张肉牛图像；各所述肉牛图像是以不同拍摄角度对待评分肉牛进行拍摄得到的；
S2.将各所述肉牛图像按照所述拍摄角度所确定的顺序进行组合并将所述组合输入到深度学习网络中；所述深度卷积网络包括全连接层和卷积层；
S3.接收所述深度学习网络输出的体况评分值；所述体况评分值用于表示所述待评分肉牛的体况。
步骤S1中，所述拍摄角度是指拍摄所用的摄像机相对于待评分肉牛的空间位置。参照图2，一头待评分肉牛用于体况评分的关键部位包括背部101、尾根102、臀端103、腰104、肋骨区105和胸部106，本实施例中选取待评分肉牛的背部、尾根、臀端、腰、肋骨区和胸部进行拍摄处理。
步骤S1中，针对一头待评分肉牛，分别从这头待评分肉牛的前方、后上方、左上方、右上方和正上方对各拍摄一张肉牛图像；具体地，针对待评分肉牛的不同部位从不同的拍摄角度进行拍摄，例如，从待评分肉牛的前方对其胸部进行拍摄，从待评分肉牛的后上方对其尾根和臀端进行拍摄，从待评分肉牛的左上方和右上方对其腰角和肋骨区进行拍摄，从待评分肉牛的正上方对其背部进行拍摄。
步骤S2中，将步骤S1所得到的五张肉牛图像通过串联的方式组合在一起，然后将这一组合输入到深度学习网络中。在组合内，这五张肉牛图像具有一定的排列顺序，所述顺序是由这五张肉牛图像的拍摄角度确定的，例如，可以将组合内的排列顺序确定为前方-后上方-左上方-右上方-正上方，即首先将从待评分肉牛前方拍摄的肉牛图像与从待评分肉牛后上方拍摄的肉牛图像进行串联，然后将串联的结果与从待评分肉牛后上方拍摄的肉牛图像进行进一步串联，接下来将串联的结果与从待评分肉牛左上方拍摄的肉牛图像进行进一步串联，再将串联的结果与从待评分肉牛右上方拍摄的肉牛图像进行进一步串联，最后将串联的结果与从待评分肉牛正上方拍摄的肉牛图像进行最终的串联；也可以将所述顺序确定为正上方-前方-后上方-左上方-右上方或其他顺序。
经过深度学习网络的处理，深度学习网络最终输出一个数值，该数值即为所需要的体况评分值，可以用来对待评分肉牛的体况进行评价。
本实施例中所使用的深度学习网络包括五个卷积层和三个全连接层，所述深度学习网络的结构如表1所示。表1所示参数只是用作示范，本领域技术人员可以使用具有其他合适的结构和参数的深度学习网络。
表1
| 输入 | 224*224*15 | 输出 |
| 卷积核 | 3*3*15@16 | 224*224*16 |
| 最大池化 | 112*112*16 | |
| 卷积核 | 3*3*16@32 | 112*112*32 |
| 最大池化 | 56*56*32 | |
| 卷积核 | 3*3*32@48 | 56*56*48 |
| 最大池化 | 28*28*48 | |
| 卷积核 | 3*3*48@56 | 28*28*56 |
| 最大池化 | 14*14*56 | |
| 卷积核 | 3*3*56@64 | 14*14*64 |
| 最大池化 | 7*7*64 | |
| 特征展开 | 7*7*64＝1*3136 | |
| 全连接 | 3136*1000 | 1*1000 |
| 全连接 | 1000*100 | 1*100 |
| 全连接 | 100*1 | 1*1 |
由于每次需要接收5幅肉牛图像，每幅图像包含RGB数据，因此本实施例所使用的深度学习网络的输入有5*3＝15个通道；如果将输入的每幅肉牛图像设置为224*224大小，故输入尺寸为224*224*15。
如表1所示，经过最大池化后，图像的宽高会变为原来的一半。经过特征展开后，一个多维的向量被拉成一个一维的向量，数据内容不变。最终全连接层输出一个数值，即待评分肉牛的体况评分值。
进一步作为优选的实施方式，本实施例中所述自动体况评分方法还包括对所述深度学习网络进行训练的步骤；所述对所述深度学习网络进行训练的步骤包括：
S100.获取多张训练图像以及相应的训练评分；各所述训练图像是以不同拍摄角度对肉牛进行拍摄得到的；所述训练评分是根据体况评分制度对所述肉牛进行评分得到的；
S101.使用所述多张训练图像和所述多个训练评分建立训练数据集；所述多张训练图像为输入数据，所述训练评分为期望输出；
S102.使用所述训练数据集对所述深度学习网络进行训练。
所述对所述深度学习网络进行训练的步骤，即步骤S100-S102是在执行步骤S1前执行的，即步骤S1-S3中所使用的深度学习网络经过了步骤S100-S102的训练。
一头肉牛用于体况评分的关键部位包括背部、尾根、臀端、腰、肋骨区和胸部，本实施例中选取肉牛的背部、尾根、臀端、腰、肋骨区和胸部进行拍摄处理。
步骤S100中，针对一头肉牛，首先分别从这头肉牛的前方、后上方、左上方、右上方和正上方对其各拍摄一张训练图像，本实施例中，从肉牛的前方对其胸部进行拍摄，从肉牛的后上方对其尾根和臀端进行拍摄，从肉牛的左上方和右上方分别对其腰角和肋骨区进行拍摄，从肉牛的正上方对其背部进行拍摄；然后由专家根据体况评分制度分别对肉牛进行评分(如果由多个专家进行评分，可以取多个评分的平均值)，从而得到与各训练图像对应的训练评分。
步骤S100所得的五张训练图像以及相应的训练评分可以组成一组训练数据。通过执行多次步骤S100，可以得到多组训练数据，这多组训练数据可以组成训练数据集。在训练数据集中，所述训练图像组成的组合用作深度学习网络的输入数据，该组合对应的训练评分用作深度学习网络的期望输出。对深度学习网络的训练过程是使深度学习网络的输出值与训练评分接近。
在步骤S102中，每次向深度学习网络的数据是一组由前方、后上方、左上方、右上方和正上方拍摄的训练图像组成的训练数据，这一组训练数据中五张训练图像按照一定的顺序排列后进行串联，例如按照前方-后上方-左上方-右上方-正上方的顺序设置，即首先将从待评分肉牛前方拍摄的肉牛图像与从待评分肉牛后上方拍摄的肉牛图像进行串联，然后将串联的结果与从待评分肉牛后上方拍摄的肉牛图像进行进一步串联，接下来将串联的结果与从待评分肉牛左上方拍摄的肉牛图像进行进一步串联，再将串联的结果与从待评分肉牛右上方拍摄的肉牛图像进行进一步串联，最后将串联的结果与从待评分肉牛正上方拍摄的肉牛图像进行最终的串联。
当在步骤S2中使用经过步骤S102训练后的深度学习网络时，向深度学习网络输入的每组数据内各肉牛图像的串联顺序应该与步骤S102中每组训练图像的串联顺序一致。例如，步骤S102中输入到深度学习网络进行训练所用的五张训练图像是按照前方-后上方-左上方-右上方-正上方的顺序进行串联的，则步骤S2中要按照前方-后上方-左上方-右上方-正上方的顺序对肉牛图像进行组合。
进一步作为优选的实施方式，所述对所述深度学习网络进行训练的步骤还包括：
S103.对所述训练图像分别进行数据增益操作；
S104.将所述数据增益操作的结果作为输入数据加入到所述训练数据集。
步骤S103和S104中所述的数据增益是指对比度变化，即按照同一调整量去调整各训练图像的对比度。例如，一张训练图像A经过对比度变化操作后所得结果为A’，从而扩大样本数据量。还可以通过其他参数变化的方法实现数据增益操作。
所述步骤S103中，对训练数据集中已存在的所有训练图像进行数据增益操作，步骤S104将数据增益操作所得的新图像作为输入数据加入到所述训练数据集中，这些新图像所对应的输出数据是其来源的训练图像所对应的训练评分。例如，一张训练图像A所对应的训练评分为B，训练图像A经过数据增益后所得结果为A’，A’作为输入数据加入到训练数据集中，与A’相应的输出数据训练评分B。
通过执行步骤S103和S104，可以对训练数据集进行扩展，取得更佳的训练效果。
本实施例中，所述深度学习网络经过训练后具有自动进行体况评分的能力，使用深度学习网络对肉牛进行体况评分，可以避免人工参与评分过程带来的主观性造成评分标准不稳定，从而提高评分准确度，同时使用深度学习网络可以更快地得到评分结果；同时深度学习网络评分过程中所使用的肉牛图像可以由可拍摄可见光以及可拍摄二维图像的摄像机拍摄得到，具有较低的使用成本。
进一步作为优选的实施方式，所述步骤S100中所使用的体况评分制度为BCS 5分制或BCS 9分制。
参考《肉牛体况评分的图例和文字说明》，所述BCS 9分制是指按照以下标准将肉牛评为1-9分：
1分：严重消瘦。所有的肋骨和骨结构非常显眼，身体衰弱。站立或行走困难。肉眼观察不到脂肪层；
2分：与1分个体的消瘦相似，但不衰弱；
3分：很瘦。肋骨区和胸部看不到脂肪层。后躯可见少量肌肉，棘突非常明显；
4分：瘦。肋骨和臀端非常显眼，触摸肋骨和臀端看不到有脂肪。后躯有少量肌肉；
5分：肋骨看起来不如4分个体明显，12到13肋骨间背最长肌上覆盖有少量脂肪层，最后两或三根肋骨较明显。胸部没有脂肪覆盖。臀端脂肪层较厚。后躯不再是只有少量肌肉；
6分：体表看起来平滑。胸部有一些脂肪沉积。肋骨不可见。臀端和最后两或三根肋骨有较厚的脂肪层；
7分：胸部丰满。尾根和臀端有明显的脂肪沉积。背部因脂肪沉积而显得平滑。臀端因两侧的脂肪沉积而不再显得突起；
8分：肥胖。背部非常平滑。胸部脂肪层隆起。尾根和臀端有大量的脂肪沉积。颈部丰厚。最后三根肋骨有脂肪层3到4.5厘米厚。棘突上有大量的脂肪沉积；
9分：非常肥胖。与8分个体相似，但更为极端。
BCS 5分制与BCS 9分制的分数可按照如下公式互相换算：
BCS(9)＝(BCS(5)-1)×2+1，式中，BCS(9)为按照BCS 9分制进行的评分，BCS(5)为按照BCS 5分制进行的评分。
实施例2
本实施例中包括一种肉牛体况自动评分系统，包括控制装置、第一摄像机、第二摄像机、第三摄像机、第四摄像机和第五摄像机，所述控制装置分别与第一摄像机、第二摄像机、第三摄像机、第四摄像机和第五摄像机连接。
本实施例中，所述第一摄像机、第二摄像机、第三摄像机、第四摄像机和第五摄像机均为型号相同的用于拍摄可见光的摄像机，所述控制装置可以从所述第一摄像机、第二摄像机、第三摄像机、第四摄像机和第五摄像机获取拍摄到的实时画面。
参照图3，所述第一摄像机1A、第二摄像机2A、第三摄像机3A和第四摄像机4A布置在空间的四周，所述第五摄像机5A布置在空间的上方，从而使得第一摄像机1A、第二摄像机2A、第三摄像机3A、第四摄像机4A和第五摄像机5A围成了一个拍摄区；所述拍摄区用于供待评分肉牛进入进行拍摄。
本实施例中，所述拍摄区是一个长方体空间。第一摄像机1A悬挂在长方体空间的一个侧面，第二摄像机2A悬挂在与第一摄像机1A相对的一个侧面，第三摄像机3A悬挂在长方体空间的另一个侧面，第四摄像机4A悬挂在与第三摄像机3A相对的一个侧面，第五摄像机5A悬挂在长方体空间的顶面。
当使用本实施例中的系统时，待评价肉牛进入到拍摄区中，令待评价肉牛正常站立，待评价肉牛的头部朝向第一摄像机1A，待评价肉牛的尾部朝向第二摄像机2A，待评价肉牛的背部向上朝向第五摄像机5A。第一摄像机1A对待评分肉牛的胸部进行拍摄，第二摄像机2A对待评分肉牛的尾根和臀端进行拍摄，第三摄像机3A和第四摄像机4A均对待评分肉牛的肋骨区和腰角进行拍摄，第五摄像机5A对待评分肉牛的背部进行拍摄。当使用时，第一摄像机1A、第二摄像机2A、第三摄像机3A、第四摄像机4A和第五摄像机5A各拍摄一张肉牛图像并发送至控制装置，控制装置得到一组由五张从不同拍摄角度拍摄的肉牛图像。
本实施例中，所述控制装置可以是个人电脑等设备，所述控制装置通过USB接口等与第一摄像机1A、第二摄像机2A、第三摄像机3A、第四摄像机4A和第五摄像机5A连接。所述控制装置中设有存储器和处理器，所述存储器中存储有程序代码，当处理器执行所述程序代码时可以执行实施例1中所述方法，从而对第一摄像机1A、第二摄像机2A、第三摄像机3A、第四摄像机4A和第五摄像机5A拍摄到的五张肉牛图像组合后进行处理，最后输出体况评分值。
进一步作为优选的实施方式，参照图3，所述系统还包括第一背景板1B、第二背景板2B、第三背景板3B、第四背景板4B和第五背景板5B，所述第一背景板1B、第二背景板2B、第三背景板3B、第四背景板4B和第五背景板5B分别位于第一摄像机1A、第二摄像机2A、第三摄像机3A、第四摄像机4A和第五摄像机5A的拍摄范围内。
本实施例中，所述第一背景板1B设置在第二摄像机2A的下方，所述第二背景板2B设置在第一摄像机1A的下方，所述第三背景板3B设置在第四摄像机4A的下方，所述第四背景板4B设置在第三摄像机3A的下方，所述第五背景板5B设置在拍摄区的地板上。
本实施例中，所述第一背景板1B、第二背景板2B、第三背景板3B、第四背景板4B和第五背景板5B具有相同的背景色，例如，将第一背景板1B、第二背景板2B、第三背景板3B、第四背景板4B和第五背景板5B均设置为白色。一般来说，应避免将所述背景色设置为红色等较深的颜色。
设置背景板后，当使用本实施例系统时，各摄像机从不同的角度分别对待评分肉牛的体况(例如身上的关键部位)进行拍摄，各背景板提供了拍摄所得的肉牛图像中的纯色调背景，这使得控制装置在执行实施例1中的方法对肉牛图像进行处理时，深度学习网络能够更精确地将肉牛图像中的待评分肉牛的腰椎部位部分分离出来处理。
进一步作为优选的实施方式，所述系统还包括照明灯，所述照明灯用于发射出单色光对所述拍摄区进行照明。所述照明灯发出的单色光的颜色可以是各背景板颜色的补色。通过使用照明灯对待评分肉牛进行照明，拍摄所得的肉牛图像中待评分肉牛的各部位与肉牛图像中的纯色调背景具有更好的区分度，可以突出待评分肉牛的轮廓信息，更利于控制装置执行实施例1中的方法时深度学习网络的寻优过程。
本实施例中的肉牛体况自动评分系统，可以执行本发明的肉牛体况自动评分方法，可执行实施例1的任意组合实施步骤，具备该方法相应的功能和有益效果。
实施例3
本实施例中包括一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于执行实施例1所述方法。
本实施例中的存储介质可以用于供实施例2中的控制装置读取程序代码，从而执行实施例1中的方法。
本实施例中的存储介质，可以用于执行本发明的肉牛体况自动评分方法，可执行实施例1的任意组合实施步骤，具备该方法相应的功能和有益效果。
应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。
此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。
计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。
以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。在本发明的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。
Claims (9)
1.一种肉牛体况自动评分方法，其特征在于，包括以下步骤：
获取多张肉牛图像；各所述肉牛图像是以不同拍摄角度对待评分肉牛进行拍摄得到的；
将各所述肉牛图像按照所述拍摄角度所确定的顺序进行组合并将所述组合输入到深度学习网络中；所述深度学习网络包括全连接层和卷积层；
接收所述深度学习网络输出的体况评分值；所述体况评分值用于表示所述待评分肉牛的体况。
2.根据权利要求1所述的一种肉牛体况自动评分方法，其特征在于，还包括对所述深度学习网络进行训练的步骤；所述对所述深度学习网络进行训练的步骤包括：
获取多张训练图像以及相应的训练评分；各所述训练图像是以不同拍摄角度对肉牛进行拍摄得到的；所述训练评分是根据体况评分制度对所述肉牛进行评分得到的；
使用所述多张训练图像和所述多个训练评分建立训练数据集；所述多张训练图像为输入数据，所述训练评分为期望输出；
使用所述训练数据集对所述深度学习网络进行训练。
3.根据权利要求2所述的一种肉牛体况自动评分方法，其特征在于，所述对所述深度学习网络进行训练的步骤还包括：
对所述训练图像分别进行数据增益操作；
将所述数据增益操作的结果作为输入数据加入到所述训练数据集。
4.根据权利要求2所述的一种肉牛体况自动评分方法，其特征在于，所述体况评分制度为BCS5分制或BCS 9分制。
5.一种肉牛体况自动评分系统，其特征在于，包括控制装置、第一摄像机、第二摄像机、第三摄像机、第四摄像机和第五摄像机，所述控制装置分别与第一摄像机、第二摄像机、第三摄像机、第四摄像机和第五摄像机连接；
所述第一摄像机、第二摄像机、第三摄像机和第四摄像机布置在空间的四周，所述第五摄像机布置在空间的上方，从而使得第一摄像机、第二摄像机、第三摄像机、第四摄像机和第五摄像机围成拍摄区；所述拍摄区用于供待评分肉牛进入进行拍摄；
所述第一摄像机、第二摄像机、第三摄像机、第四摄像机和第五摄像机分别用于从不同拍摄角度对待评分肉牛进行拍摄，从而得到多张肉牛图像，并将所述多张肉牛图像发送至控制装置；
所述控制装置用于执行如权利要求1-4任一项所述方法。
6.根据权利要求5所述的一种肉牛体况自动评分系统，其特征在于，还包括第一背景板、第二背景板、第三背景板、第四背景板和第五背景板，所述第一背景板、第二背景板、第三背景板、第四背景板和第五背景板分别位于第一摄像机、第二摄像机、第三摄像机、第四摄像机和第五摄像机的拍摄范围内。
7.根据权利要求6所述的一种肉牛体况自动评分系统，其特征在于，所述第一背景板、第二背景板、第三背景板、第四背景板和第五背景板具有相同的背景色。
8.根据权利要求6所述的一种肉牛体况自动评分系统，其特征在于，还包括照明灯，所述照明灯用于发射出单色光对所述拍摄区进行照明。
9.一种存储介质，其中存储有处理器可执行的指令，其特征在于，所述处理器可执行的指令在由处理器执行时用于执行如权利要求1-4任一项所述方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910319924.0A CN110163846A (zh) | 2019-04-19 | 2019-04-19 | 一种肉牛体况自动评分方法、系统和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910319924.0A CN110163846A (zh) | 2019-04-19 | 2019-04-19 | 一种肉牛体况自动评分方法、系统和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110163846A true CN110163846A (zh) | 2019-08-23 |
Family
ID=67638648
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910319924.0A Pending CN110163846A (zh) | 2019-04-19 | 2019-04-19 | 一种肉牛体况自动评分方法、系统和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110163846A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110728208A (zh) * | 2019-09-24 | 2020-01-24 | 内蒙古大学 | 基于体况评分在牦牛放牧管理中的信息处理方法及系统 |
| CN111738410A (zh) * | 2020-05-22 | 2020-10-02 | 安徽省农业科学院畜牧兽医研究所 | 肉牛个体生长曲线获取方法、装置和存储介质 |
| CN112257991A (zh) * | 2020-09-30 | 2021-01-22 | 内蒙古农业大学 | 绵羊体况自动评分装置及评分方法 |
| WO2023038923A1 (en) * | 2021-09-07 | 2023-03-16 | Hill's Pet Nutrition, Inc. | Method for determining biometric data relating to an animal based on image data |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105844534A (zh) * | 2016-04-08 | 2016-08-10 | 北京农业信息技术研究中心 | 奶牛体况自动评分方法及装置 |
| CN107374641A (zh) * | 2017-08-30 | 2017-11-24 | 青岛市畜牧兽医研究所 | 动态鉴定奶牛体形的3d扫描系统 |
| CN108875647A (zh) * | 2018-06-22 | 2018-11-23 | 成都睿畜电子科技有限公司 | 一种基于牲畜身份的移动轨迹监测方法和系统 |
| CN109508907A (zh) * | 2018-12-24 | 2019-03-22 | 中国科学院合肥物质科学研究院 | 基于深度学习与远程视频的奶牛体况智能评分系统 |
-
2019
- 2019-04-19 CN CN201910319924.0A patent/CN110163846A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105844534A (zh) * | 2016-04-08 | 2016-08-10 | 北京农业信息技术研究中心 | 奶牛体况自动评分方法及装置 |
| CN107374641A (zh) * | 2017-08-30 | 2017-11-24 | 青岛市畜牧兽医研究所 | 动态鉴定奶牛体形的3d扫描系统 |
| CN108875647A (zh) * | 2018-06-22 | 2018-11-23 | 成都睿畜电子科技有限公司 | 一种基于牲畜身份的移动轨迹监测方法和系统 |
| CN109508907A (zh) * | 2018-12-24 | 2019-03-22 | 中国科学院合肥物质科学研究院 | 基于深度学习与远程视频的奶牛体况智能评分系统 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110728208A (zh) * | 2019-09-24 | 2020-01-24 | 内蒙古大学 | 基于体况评分在牦牛放牧管理中的信息处理方法及系统 |
| CN110728208B (zh) * | 2019-09-24 | 2022-05-27 | 内蒙古大学 | 基于体况评分在牦牛放牧管理中的信息处理方法及系统 |
| CN111738410A (zh) * | 2020-05-22 | 2020-10-02 | 安徽省农业科学院畜牧兽医研究所 | 肉牛个体生长曲线获取方法、装置和存储介质 |
| CN111738410B (zh) * | 2020-05-22 | 2023-09-26 | 安徽省农业科学院畜牧兽医研究所 | 肉牛个体生长曲线获取方法、装置和存储介质 |
| CN112257991A (zh) * | 2020-09-30 | 2021-01-22 | 内蒙古农业大学 | 绵羊体况自动评分装置及评分方法 |
| WO2023038923A1 (en) * | 2021-09-07 | 2023-03-16 | Hill's Pet Nutrition, Inc. | Method for determining biometric data relating to an animal based on image data |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110163846A (zh) | 一种肉牛体况自动评分方法、系统和存储介质 | |
| CN110335358B (zh) | 可变形数字人解剖学模型的个性化变形方法 | |
| CN107635509A (zh) | 用于确定体况评分、体重和生育状态的改进方法和相关设备 | |
| Whittemore et al. | A case for size and shape scaling for understanding nutrient use in breeding sows and growing pigs | |
| Iwan et al. | The Last Breath: A μCT-based method for investigating the tracheal system in Hexapoda | |
| Rossi et al. | Body segment inertial parameters of elite swimmers using DXA and indirect methods | |
| CN108460398A (zh) | 图像处理方法、装置、云处理设备和计算机程序产品 | |
| CN111386075A (zh) | 牲畜测重系统及利用该系统的牲畜测重方法 | |
| CN110291560A (zh) | 用于创建人的三维虚拟表示的方法 | |
| Druml et al. | Ratings of equine conformation–new insights provided by shape analysis using the example of Lipizzan stallions | |
| Druml et al. | The use of novel phenotyping methods for validation of equine conformation scoring results | |
| Alhajeri et al. | Camel breed morphometrics: Current methods and possibilities | |
| Alhajeri et al. | Classifying camel breeds using geometric morphometrics: A case study in Kuwait | |
| US11435827B2 (en) | Electronic training system and method for electronic evaluation and feedback of sports performance | |
| Lynn | A comparative study of display behavior in Phrynosoma (Iguanidae) | |
| Ekiz et al. | Evaluation of the functionality of EUROP carcass classification system in thin-tailed and fat-tailed lambs | |
| CN112076073A (zh) | 按摩区域自动分割方法、装置、按摩机器人及存储介质 | |
| Gangsei et al. | Building an in vivo anatomical atlas to close the phenomic gap in animal breeding | |
| Thapar et al. | Accurate estimation of body weight of pigs through smartphone image measurement app | |
| CN110414369B (zh) | 一种牛脸的训练方法及装置 | |
| CN111062929A (zh) | 一种软件设计畜禽疾病图片的智能分析诊断系统 | |
| KR102586231B1 (ko) | 소도체의 배최장근단면 영상정보를 이용한 자동 품질등급판정시스템 및 이를 이용한 등급판정방법, 그 방법을 수행하는 프로그램이 기록된 컴퓨터 판독이 가능한 기록매체 | |
| Condotta et al. | Using an artificial neural network to predict pig mass from depth images | |
| CN111990331A (zh) | 一种猪五花肉肉质活体选育方法 | |
| Costa et al. | Innovative automated landmark detection for food processing: the backwarping approach |
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 |
Application publication date: 20190823 |
|
| RJ01 | Rejection of invention patent application after publication |