CN110287902A - 畜禽存活检测方法、装置、设备及计算机程序产品 - Google Patents
畜禽存活检测方法、装置、设备及计算机程序产品 Download PDFInfo
- Publication number
- CN110287902A CN110287902A CN201910568829.4A CN201910568829A CN110287902A CN 110287902 A CN110287902 A CN 110287902A CN 201910568829 A CN201910568829 A CN 201910568829A CN 110287902 A CN110287902 A CN 110287902A
- Authority
- CN
- China
- Prior art keywords
- poultry
- livestock
- region
- detection
- lies down
- 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
- 244000144977 poultry Species 0.000 title claims abstract description 192
- 244000144972 livestock Species 0.000 title claims abstract description 186
- 238000001514 detection method Methods 0.000 title claims abstract description 157
- 238000004590 computer program Methods 0.000 title claims abstract description 16
- 238000012360 testing method Methods 0.000 claims description 96
- 230000000694 effects Effects 0.000 claims description 23
- 230000036760 body temperature Effects 0.000 claims description 22
- 230000004083 survival effect Effects 0.000 claims description 10
- 238000012512 characterization method Methods 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 20
- 238000007689 inspection Methods 0.000 abstract description 10
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- 238000007405 data analysis Methods 0.000 abstract description 4
- 230000005540 biological transmission Effects 0.000 abstract description 3
- 238000012545 processing Methods 0.000 description 9
- 241001465754 Metazoa Species 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 241000282898 Sus scrofa Species 0.000 description 5
- 238000009395 breeding Methods 0.000 description 4
- 230000001488 breeding effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000009313 farming Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000000151 deposition Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000000386 athletic effect Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 235000013365 dairy product Nutrition 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 235000013622 meat product Nutrition 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000384 rearing effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 238000004659 sterilization and disinfection Methods 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
- A01K45/00—Other aviculture appliances, e.g. devices for determining whether a bird is about to lay
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/0022—Radiation pyrometry, e.g. infrared or optical thermometry for sensing the radiation of moving bodies
- G01J5/0025—Living bodies
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J2005/0077—Imaging
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Environmental Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Animal Husbandry (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Birds (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种畜禽存活检测方法、装置、设备及计算机程序产品,其中方法包括:采集养殖场所的图像;从所述图像中确定目标畜禽的躺卧区域;根据所述躺卧区域的图像参数,确定所述目标畜禽的存活状态。本发明结合了图像处理和数据分析技术,可对畜禽存活状态进行分析和管理,相比于传统的人工巡检方法,大大节省了人力消耗,提高了生产管理的效率,并且可以及时、准确地检测出群体养殖中的死亡畜禽,利于病弱畜禽检测及智能化养殖,防止因疾病传播所带来的经济损失。
Description
技术领域
本发明涉及畜牧养殖领域,尤其涉及一种畜禽存活检测方法、装置、设备及计算机程序产品。
背景技术
当今农牧业生产依然是人类社会发展的立根之本,随着农牧业规模的不断扩大,产业产出能力的不断提高,保障了当前巨量人口社会的正常运转。畜牧业作为农牧业的一大支柱与关键组成,一直占据着人们日常生活开销的重要部分,从奶制品,肉制品再到皮毛纺织制品等,都与人们衣食住行息息相关。传统的畜牧产业中,绝大多数大规模集约化的养殖场采用人工养殖的方法,即使在一些自动化养殖车间内,也仅仅能提供一般的养殖环境监控、养殖条件异常检测等手段,或者额外再加上根据环境检测进行一定的反馈控制的常规养殖方式。
在畜牧养殖中,对死亡畜禽(本发明依业内习惯,将牲畜和家禽统称为畜禽)的监控是提高产出比的有效手段。更进一步地,畜禽死亡检测是病弱畜禽存活检测中的一个重要的检测环节,若不及时检测出病死畜禽,则可能引发疾病大范围传染,危害到正常的畜禽,因此监控牲畜的存活状态和成长周期有着非常重要的实际生产意义。
但现有常用的畜禽存活检测往往需要通过人工巡检才能有效发现,例如针对猪只的死亡检测均由饲养员对每个猪舍内猪只的状态进行检查,若发现死猪则运出猪舍。这样的检测方式无疑费时费力,而且需依赖人工经验,检测准确度也难以保证,因此该方式不利于大规模集约化的畜禽养殖。
发明内容
本发明的目的是提供一种畜禽存活检测方法和装置,以及相应的设备及计算机程序产品,通过结合图像处理技术,实现对畜禽存活状态的自动检测,以此解决人工巡检所产生的问题。
本发明采用的技术方案如下:
一种畜禽存活检测方法,包括:
采集养殖场所的图像;
从所述图像中确定目标畜禽的躺卧区域;
根据所述躺卧区域的图像参数,确定所述目标畜禽的存活状态。
可选地,所述采集养殖场所的图像包括采集养殖场所的热成像图;或者采集养殖场所的一般视频图像和热成像图。
可选地,所述根据所述躺卧区域的图像参数,确定所述目标畜禽的存活状态包括:
基于所述图像参数预设多个检测指标;
以单个所述躺卧区域为单位,获得所述躺卧区域的至少两个所述检测指标的检测结果;
将各所述检测结果融合为综合检测结果;
根据所述综合检测结果,确定所述目标畜禽的存活状态。
可选地,所述多个检测指标包括:
基于所述热成像图的体温指标、活体指标、体温变化指标以及基于所述一般视频图像或所述热成像图的畜禽活动指标。
可选地,所述体温指标的检测方式包括:
基于所述热成像图的当前帧,获得所述躺卧区域的灰度图;
根据预设的所述灰度图的第一像素阈值,确定出包含所述目标畜禽的前景;
计算所述前景的平均灰度值;
根据所述平均灰度值得到所述体温指标的检测结果。
可选地,所述活体指标的检测方式包括:
基于所述热成像图的当前帧,获得所述躺卧区域的灰度图;
根据预设的所述灰度图的第一像素阈值,确定出包含所述目标畜禽的前景;
根据预设的第二像素阈值,从所述前景中确定出表征活体畜禽的活体像素数量;
根据所述活体像素数量以及所述躺卧区域的灰度图的像素总数,得到所述活体指标的检测结果。
可选地,所述体温变化指标的检测方式包括:
基于所述热成像图的历史帧和当前帧,获得所述躺卧区域的历史灰度图及当前灰度图;
分别确定出所述历史灰度图及所述当前灰度图的前景,并计算各自前景的平均灰度值;
根据所述历史灰度图及所述当前灰度图各自前景的平均灰度值,得到所述体温变化指标的检测结果。
可选地,所述畜禽活动指标的检测方式包括:
基于所述一般视频图像和/或所述热成像图的历史帧和当前帧,得到所述躺卧区域的帧间差分图;
利用帧间差分图统计运动像素数量;
根据所述运动像素数量以及所述躺卧区域的像素总数,得到所述畜禽活动指标的检测结果。
可选地,所述根据所述躺卧区域的图像参数,确定所述目标畜禽的存活状态包括:
基于所述图像参数预设多个检测指标以及各检测指标的检测优先级;
根据所述检测优先级对所述躺卧区域进行检测,以确定所述目标畜禽的存活状态。
可选地,所述根据所述检测优先级对所述躺卧区域进行检测,以确定所述目标畜禽的存活状态包括:
先以优先级最高的检测指标为第一检测目标,对全部所述躺卧区域进行首轮检测,得到首轮存活状态检测结果;
从首轮存活状态检测结果中剔除已确定为死亡的所述目标畜禽所在的躺卧区域;
再将优先级次高的检测指标与优先级最高的检测指标融合为第二检测目标,对剩余的所述躺卧区域进行第二轮检测,得到第二轮存活状态检测结果;
以此类推,确定出全部所述目标畜禽的存活状态。
可选地,所述从所述图像中确定目标畜禽的躺卧区域包括:
在所述图像中将处于躺卧状态的畜禽个体确定为目标畜禽;
以单个所述目标畜禽为单位设置外接框,并将所述外接框内的图像区域确定为所述躺卧区域。
一种畜禽存活检测装置,包括:
图像采集模块,用于采集养殖场所的图像;
目标畜禽躺卧区域确定模块,用于从所述图像中确定目标畜禽的躺卧区域;
存活状态检测模块,用于根据所述躺卧区域的图像参数,确定所述目标畜禽的存活状态。
可选地,所述存活状态检测模块具体包括:
检测目标第一设定单元,用于基于所述图像参数预设多个检测指标;
存活状态第一检测单元,用于以单个所述躺卧区域为单位,获得所述躺卧区域的至少两个所述检测指标的检测结果;
融合单元,将各所述检测结果融合为综合检测结果;
存活状态判定单元,用于根据所述综合检测结果,确定所述目标畜禽的存活状态。
可选地,所述存活状态检测模块具体包括:
检测目标第二设定单元,用于基于所述图像参数预设多个检测指标以及各检测指标的检测优先级;
存活状态第二检测单元,用于根据所述检测优先级对所述躺卧区域进行检测,以确定所述目标畜禽的存活状态。
一种畜禽存活检测设备,包括:
存储器,用于存储计算机程序;
处理器,用于当执行所述计算机程序时,实现如上所述的畜禽存活检测方法。
一种计算机程序产品,所述计算机程序产品在终端设备上运行时,使所述终端设备执行上述畜禽存活检测方法。
本发明提供的技术方案具体为采集养殖场所的图像,并从所述图像中确定目标畜禽的躺卧区域,再根据所述躺卧区域的图像参数,确定所述目标畜禽的存活状态。本发明结合图像处理和数据分析技术,可对畜禽存活状态进行分析和管理,相比于传统的人工巡检方法,大大节省了人力消耗,提高了生产管理的效率,并且可以及时、准确地检测出群体养殖中的死亡畜禽,利于病弱畜禽检测及智能化养殖,防止因疾病传播所带来的经济损失。
附图说明
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步描述,其中:
图1为本发明提供的畜禽存活检测方法的实施例的流程图;
图2为本发明提供的热成像图的灰度图的实施例的示意图;
图3为本发明提供的步骤S3的第一实施例的流程图;
图4为本发明提供的步骤S3的第二实施例的流程图;
图5为本发明提供的体温指标检测方式的实施例的流程图;
图6为本发明提供的活体指标检测方式的实施例的流程图;
图7为本发明提供的体温变化指标检测方式的实施例的流程图;
图8为本发明提供的畜禽活动指标检测方式的实施例的流程图;
图9为本发明提供的畜禽存活检测装置的实施例的方框图。
附图标记说明:
1图像采集模块2目标畜禽躺卧区域确定模块3存活状态检测模块
具体实施方式
下面详细描述本发明的实施例,实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本发明提出了一种畜禽存活检测方法的实施例,如图1所示,主要包括如下步骤:
步骤S1、采集养殖场所的图像;
图像作为视觉数据其来源和种类可以是多样的,来源例如但不限于图片(照片、视频截图等),视频流输入,离线视频短片输入等,并且可以优选采集养殖场所的热成像图,或者是养殖场所的一般图像和热成像图等,本领域技术人员可以理解的是,所称“一般”图像是指通过常规的图像撷取设备获得的诸如常规的彩色照片、监控视频等,谈及监控视频则需说明,本发明区别于在养殖场所通过安装监控设备进行简单的畜禽存活视觉检测,而是将所获得的图像与电子信息、人工智能等领域的数据分析处理技术相结合,对此后文将做具体说明。此外还需指出的是,在采集图像后还可以执行图像预处理操作,例如但不限于,尺寸缩放、均衡化、去噪、对比度增强、图像超分辨重建等,对此可参考现有技术,本发明不做限定。
步骤S2、从图像中确定目标畜禽的躺卧区域;
在获得图像数据后,可以从所述图像中将处于躺卧状态的畜禽个体确定为目标畜禽,这是因为本发明涉及的存活状态检测主要应用于大规模集约化的畜禽群体养殖场景,因此从判断方式便利性而言,在畜禽群体中确定出死亡的个体则比在畜禽群体中确定存活个体来说更具有实操意义。而死亡状态的畜禽通常应是躺卧姿态,所以本发明的构思是从图像中先划定疑似死亡的畜禽个体,接着可以将单个所述目标畜禽作为单位,设置该躺卧畜禽的外接框(例如图2中的黑色矩形框,关于图2将在后文中具体说明),将该外接框内的图像区域定义为所述躺卧区域。需说明的是,为了体现个体针对性,该外接框可以优选设置为包含目标畜禽的最小区域,并且在实际操作中不限定图示中的矩形框。
而为了获取到目标畜禽的躺卧区域,可采用Faster R-CNN、FPN网络等机器学习领域中成熟的处理工具,其可在复杂环境中准确检测期待的目标,鲁棒性较强;但无论采用何种工具,其目的皆是从图像信息中识别出躺卧的N个目标个体,基于此再划定出N个所述躺卧区域,具体的技术实现手段可借鉴现有方式,本发明不在此处赘述。
步骤S3、根据躺卧区域的图像参数,确定目标畜禽的存活状态。
具体地,本发明给出两个实施例供参考。
实施例(一)如图3所示,可以包括如下步骤:
步骤S31、基于图像参数预设多个检测指标;
步骤S32、以单个躺卧区域为单位,获得躺卧区域的至少两个检测指标的检测结果;
步骤S33、将各检测结果融合为综合检测结果;
步骤S34、根据综合检测结果,确定目标畜禽的存活状态。
该实施例的构思是从多维角度对躺卧区域中的畜禽目标的存活状态进行判定,当然,对存活状态进行判定可以如前所述,较优地是将最终检测需求设定为判断出该畜禽目标是否为死亡的状态,以此便于及时对死亡个体进行移出以及包括对该区域周边进行消毒等后续处理。
以单个躺卧区域为检测单位获得某一目标的多维度检测结果之后,可将该多个维度下的检测结果进行融合(由于强调多维检测,因此至少应当包含两个检测指标的检测结果,而选择检测指标的组合方式则可基于本领域技术经验、学习到的指标权重或者检测优先级等;当然本领域技术人员可知,参与的检测指标越多,最终的结果则可能趋于更优),并再根据融合后的综合检测结果,确定目标畜禽的存活状态,例如通过对个检测指标的检测结果进行加权求和,得到该躺卧区域中的畜禽目标处于死亡状态的概率值,接着可通过阈值比对的方式,判定出该躺卧区域内的畜禽目标的最终状态结论,输出内容可以是该区域存在死亡个体或者该区域不存在死亡个体。
在对一个躺卧区域处理完毕后,可转到当前图像中的另一个躺卧区域,直到将当前图像的N个躺卧区域全都处理结束,则对采集到的另一帧新图像继续执行如上处理。
这里还需指出三点:其一、本发明不限定在其他实施例中仅以一个检测指标作为判定依据,例如可以将其他检测指标的融合权重设为0;其二、融合权重取值则可以根据经验设定,也可以通过学习的方式获得,本发明不做限定;其三、以单个区域作为检测单元,同时融合多维检测,则能够更为精确地获得每个目标的状态情况。
实施例(二)如图4所示,可以包括如下步骤:
步骤S301、基于图像参数预设多个检测指标以及各检测指标的检测优先级;
步骤S302、根据检测优先级对躺卧区域进行检测,以确定目标畜禽的存活状态。
该实施例的构思同样是从多维角度对躺卧区域中的畜禽目标的存活状态进行判定,但区别于实施例(一)的是本实施例引入各维度的检测优先级,在实际操作中,可以先以优先级最高的检测指标为第一检测目标,对全部躺卧区域进行首轮检测,得到首轮存活状态检测结果,此过程可以理解为前文所述的“仅以一个检测指标作为判定依据”;接着从首轮存活状态检测结果中剔除已确定为死亡的目标畜禽所在的躺卧区域,例如在一帧图像中划定出10个躺卧区域,经首轮检测后可确定其中四个目标处于死亡状态,那么则可以输出该四个躺卧区域的最终检测结果并从原10个区域中剔除;然后,再将优先级次高的检测指标与优先级最高的检测指标融合为第二检测目标,此过程可以理解为实施例(一)提及的多维融合检测,对剩余的六个躺卧区域进行第二轮检测,得到第二轮存活状态检测结果;以此方式类推,最终得到该图像中全部目标畜禽的存活状态,接着对采集到的另一帧新图像继续执行如上处理。需要说明的是,“以此方式类推”,可以至少包含两种方式,一种是每轮检测后将优先级次之的检测维度与之前已经参与检测的全部维度进行融合;另一种是每轮检测后将优先级次之的检测维度只与优先级最高的检测维度融合。
这里还需指出四点:其一、本实施例的最终检测结论也可以基于对检测结果进行阈值比较的方式;其二、检测优先级的设定可以与前述权重值关联,并且优先级的获得方式也可参考权值的获得方式,而采用优先级后者与优先级前者融合时也可按加权求和方式计算;其三、本实施例是对全部区域进行多轮检测,每轮的检测基础均已排除了已经获得检测结果的区域,因此相对而言,本实施例可以降低运算量,提升检测效率;其四、本发明不排除在其他实施例中,按照检测优先级次序,每轮仅以单独某一个检测指标作为依据,当然这取决于检测指标(也即是检测维度)的选取。
对于上述两个实施例提及的多个检测指标,本发明给出如下但不限定的若干参考:基于所述热成像图的体温指标、活体指标、体温变化指标以及基于所述一般视频图像或所述热成像图的畜禽活动指标。这里需指出,在实际操作中,本发明不限定同时采用上述四项组合,还可以是以其中两项或三项成组,但本领域技术人员可以理解的是,成组的多个维度其中应该包括权值较高或检测优先级较高的检测指标。
关于体温指标,考虑到死亡畜禽的主要特征是躺卧且体表温度低于正常活体畜禽,因此在由前述步骤确定出躺卧目标后,那么由热成像图反映出的体温指标则可以作为较为重要的检测依据。
关于活体指标,考虑到养殖场所中存在较多数量的畜禽个体,因而借由热成像图对划定区域中的活体情况进行考察,不仅可以确定目标畜禽的存活状态,同时也可以对该养殖场所中畜禽整体状态进行全局了解。
关于体温变化指标,均知死亡畜禽的体温会随着时间持续降低,而活体畜禽的体温则基本不变,因而考虑在不同时间对于热成像图中同一躺卧区域进行温度变化检测,可以反映出该区域中存在死亡畜禽的概率。
关于畜禽活动指标,考虑到畜禽处于躺卧的姿势可源自多种情况,例如死亡、休息、残疾、进食等,因此对于非死亡的畜禽可能会随着时间改变其姿态甚至移出该区域,因而考虑在不同时间对于一般视频图像或热成像图中同一躺卧区域的畜禽活动量进行检测,同样也可以反映出该区域中存在死亡畜禽的概率。
当然,在理解上述指标的选取缘由后,本领域技术人员可以根据实际需求对各指标提出更为具体的考察角度,本发明将在下文中对上述四种检测指标的具体检测方式进行示例性说明。
(1)体温指标的检测方式参考图5所示,可以包括如下步骤:
步骤S101、基于热成像图的当前帧,获得躺卧区域的灰度图;
步骤S102、根据预设的灰度图的第一像素阈值,确定出包含目标畜禽的前景;
步骤S103、计算前景的平均灰度值;
步骤S104、根据平均灰度值得到体温指标的检测结果。
具体来说,再经由前述预处理及确定躺卧区域的操作后,可将热成像图进一步转化为灰度图(结合图2所示),实际上后文的处理过程所需求的只是躺卧区域的灰度图,但通常灰度图转化均是将整幅图进行转化,因此步骤S101在具体实施可以是在整幅图像转为灰度图后,再锁定到各个躺卧区域的灰度图。这里还需指出,灰度图的转化不是必须手段,在其他实施例中检测指标也可基于原始的热成像图,只是相对灰度图而言,对原始的热成像图的处理会涉及较多的参数和运算,所以本发明提出优选先将热成像图进行灰度转化。
接续前文,对躺卧区域的灰度图中可按设定的第一像素阈值(例如50)定义出前景和背景,以区分出畜禽个体和养殖场地。
再者,均知热成像图颜色越明亮代表温度越高,转化为灰度图后则灰度值越大代表温度越高。正常畜禽个体的体表温度反映到热成像图上整体颜色通常会均匀一致,因此该实施例提出首先求取前景的平均灰度值以期表征出畜禽个体的完整体表温度。
第i个躺卧区域Si的前景像素点I(x,y)的平均灰度值Mi为:
Mi=∑I(x,y)/Nf i
其中Nf i表示已定义出的前景的像素总数。
该Mi值越高则说明该区域中存在活体畜禽的概率越大;反之,则概率越小。由于灰度值的范围一般是0~255,还可以得到该前景均值占比PT i为:
PT i=Mi/255
可将上述Mi值或者该归一化的占比值,作为本实施例中的体温指标的检测结果。
(2)活体指标的检测方式如图6所示,可以包括如下步骤:
步骤S201、基于热成像图的当前帧,获得躺卧区域的灰度图;
步骤S202、根据预设的灰度图的第一像素阈值,确定出包含目标畜禽的前景;
步骤S203、根据预设的第二像素阈值,从前景中确定出表征活体畜禽的活体像素数量;
步骤S204、根据活体像素数量以及躺卧区域的灰度图的像素总数,得到活体指标的检测结果。
具体来说,灰度图的转化参考前文内容,但为了明确掌握正常活体畜禽所占区域的比例(尤其在群养场景中,划定的躺卧区域中不仅包含目标畜禽,也可能包含其他活体畜禽,参考图2所示),因此可以在灰度图中统计已界定的前景中大于第二像素阈值(例如200,因为死亡状态的畜禽按经验一般是在180、150、120等数值范围)的像素数量Nt i,以此反映区域内的活体情况,再计算像素数量Nt i占该躺卧区域的灰度图的像素总数的比值,即可得到活体占比PO i,PO i=Nt i/Nq i(像素总数Nq i即为该躺卧区域长宽像素乘积)。并且显然地,该值越高则说明该区域中存在活体畜禽的概率越大;反之,则概率越小。
同样地,该归一化的占比值,即为本实施例中的活体指标的检测结果。这里需强调的是,与上述体温指标检测不同的是,本实施例不考察整个前景的均值,而是从前景中统计出能够明确表征活体的像素数量,因为前景像素可既包含活体同时也包含死亡个体。
(3)体温变化指标的检测方式如图7所示,可以包括如下步骤:
步骤S301、基于热成像图的历史帧和当前帧,获得躺卧区域的历史灰度图及当前灰度图;
步骤S302、分别确定出历史灰度图及当前灰度图的前景,并计算各自前景的平均灰度值;
步骤S303、根据历史灰度图及当前灰度图各自前景的平均灰度值,得到体温变化指标的检测结果。
具体而言,均知死亡畜禽的体温随时间持续降低,因此可以针对同一躺卧区域比对不同时间的两帧热成像图的体温变化,以此判定该区域中存在死亡畜禽的可能性。实施时可参考上述体温指标的检测方式,计算出不同时间段的同一区域的前景灰度均值,此处以Mj代表历史帧中的该区域前景灰度平均值,由此得到体温变化值|Mi–Mj|,或者同理得到归一化的占比值PV i,PV i=|Mi–Mj|/255,即为本实施例中的体温变化指标的检测结果。并且显然地,该|Mi–Mj|值或PV i值较大则说明该区域存在死亡畜禽的概率较大;反之,则概率越小。
这里还需说明,为了保证比对有效性,当前帧应以历史帧中确定的躺卧区域作为比对基础,那么在实际操作中可能存在一种特殊情况,即历史帧中该区域内的目标畜禽实为活体,在一段时间后该目标畜禽活动到其他位置,那么在当前帧中该躺卧区域可能几乎不存在活体畜禽,这会导致计算出的Mi较小,也使得PV i值较大,但不能以此判定出这种情况下该区域存在死亡畜禽的概率较大。据此,在本实施例的优选方案中,可以通过设定不同的前景背景界定阈值或者融合其他检测结果,将非法的Mi排除在外,或者可以在比对当前帧和历史帧之前,首先考察当前帧包括不包括前景(即设定一个用于判断空旷场地和存在畜禽的像素阈值),以此作为前提,只有在当前帧符合该前提时(即判断出区域中存在畜禽的前提下)再去比对历史帧和当前帧的前景均值差异。
(4)畜禽活动指标的检测方式如图8所示,可以包括如下步骤:
步骤S401、基于一般视频图像和/或热成像图的历史帧和当前帧,得到躺卧区域的帧间差分图;
步骤S402、利用帧间差分图统计运动像素数量;
步骤S403、根据运动像素数量以及躺卧区域的像素总数,得到畜禽活动指标的检测结果。
通过划定区域内的畜禽活动情况也可反映出目标畜禽的存活状态,且实施时也无需限定使用热成像图,利用图像处理技术的帧间差分法也可得到所需检测结果。具体而言,针对不同时段的同一躺卧区域中能够反映像素变化的帧间差分图,获得所述运动像素数量;例如可以基于预设阈值(例如10)将帧间差分图转化为二值图,并从中标注出运动像素和非运动像素,然后通过统计该区域二值图中的运动像素数量Nm i占躺卧区域的像素总数Nq i(像素总数Nq i即为该躺卧区域长宽像素乘积)的比值PM i,即可反映出该躺卧区域的活动占比,PM i=Nm i/Nq i;并且显然地,该值越大则说明该区域中存在活体畜禽的概率越大;反之,则概率越小。
同样地,该归一化的占比值,即为本实施例中的畜禽活动指标的检测结果。
通过对四项检测指标的具体说明可知,前景占比、活体占比、活动占比此三个检测指标所代表的意义一致,即概率值越大,躺卧区域内活体畜禽的概率就越大,反之则出现活体畜禽的概率就越小,因此对于此三个概率值来说均是单调递减函数;而体温变化占比与上述三种检测指标相反,其属于是递增函数,因此可用线性函数表示。再结合前文提及的多维检测融合的思路以及得到的各归一化结果,那么最终检测结果的函数F Si)可表示为如下:F(Si)=α*e-PTi+β*e-PMi+γ*e-POi+ε*PV i,其中,α、β、γ、ε为权值,且α+β+γ+ε=1
综上所述,本发明提供的技术方案具体为采集养殖场所的图像,并从所述图像中确定目标畜禽的躺卧区域,再根据所述躺卧区域的图像参数,确定所述目标畜禽的存活状态。本发明结合图像处理和数据分析技术,可对畜禽存活状态进行分析和管理,相比于传统的人工巡检方法,大大节省了人力消耗,提高了生产管理的效率,并且可以及时、准确地检测出群体养殖中的死亡畜禽,利于病弱畜禽检测及智能化养殖,防止因疾病传播所带来的经济损失。
相应于上述各实施例及其优选方案,本发明还提供了一种畜禽存活检测装置的实施例,如图9所示,主要可以包括:
图像采集模块1,用于采集养殖场所的图像;
目标畜禽躺卧区域确定模块2,用于从所述图像中确定目标畜禽的躺卧区域;
存活状态检测模块3,用于根据所述躺卧区域的图像参数,确定所述目标畜禽的存活状态。
进一步地,所述图像采集模块具体用于采集养殖场所的热成像图;或者采集养殖场所的一般视频图像和热成像图。
进一步地,所述目标畜禽躺卧区域确定模块具体包括:
目标畜禽确定单元,用于在所述图像中将处于躺卧状态的畜禽个体确定为目标畜禽;
躺卧区域确定单元,用于以单个所述目标畜禽为单位设置外接框,并将所述外接框内的图像区域确定为所述躺卧区域。
进一步地,所述存活状态检测模块具体包括:
检测目标第一设定单元,用于基于所述图像参数预设多个检测指标;
存活状态第一检测单元,用于以单个所述躺卧区域为单位,获得所述躺卧区域的至少两个所述检测指标的检测结果;
融合单元,将各所述检测结果融合为综合检测结果;
存活状态判定单元,用于根据所述综合检测结果,确定所述目标畜禽的存活状态。
进一步地,所述存活状态检测模块具体包括:
检测目标第二设定单元,用于基于所述图像参数预设多个检测指标以及各检测指标的检测优先级;
存活状态第二检测单元,用于根据所述检测优先级对所述躺卧区域进行检测,以确定所述目标畜禽的存活状态。
进一步地,所述存活状态第二检测单元具体用于:
先以优先级最高的检测指标为第一检测目标,对全部所述躺卧区域进行首轮检测,得到首轮存活状态检测结果;
从首轮存活状态检测结果中剔除已确定为死亡的所述目标畜禽所在的躺卧区域;
再将优先级次高的检测指标与优先级最高的检测指标融合为第二检测目标,对剩余的所述躺卧区域进行第二轮检测,得到第二轮存活状态检测结果;
以此类推,确定出全部所述目标畜禽的存活状态。
进一步地,所述存活状态第一检测单元及所述存活状态第二检测单元均可以包括体温指标检测子单元,所述体温指标检测子单元具体包括:
躺卧区域灰度图获取组件,用于基于热成像图的当前帧,获得所述躺卧区域的灰度图;
前景确定组件,用于根据预设的所述灰度图的第一像素阈值,确定出包含所述目标畜禽的前景;
平均灰度值计算组件,用于计算所述前景的平均灰度值;
体温指标检测组件,用于根据所述平均灰度值得到所述体温指标的检测结果。
进一步地,所述存活状态第一检测单元及所述存活状态第二检测单元均可以包括活体指标检测子单元,所述活体指标检测子单元具体包括:
躺卧区域灰度图获取组件,用于基于热成像图的当前帧,获得所述躺卧区域的灰度图;
前景确定组件,用于根据预设的所述灰度图的第一像素阈值,确定出包含所述目标畜禽的前景;
活体像素数量统计组件,用于根据预设的第二像素阈值,从所述前景中确定出表征活体畜禽的活体像素数量;
活体指标检测组件,用于根据所述活体像素数量以及所述躺卧区域的灰度图的像素总数,得到所述活体指标的检测结果。
进一步地,所述存活状态第一检测单元及所述存活状态第二检测单元均可以包括体温变化指标检测子单元,所述体温变化指标检测子单元具体包括:
前后帧灰度图获取组件,用于基于热成像图的历史帧和当前帧,获得所述躺卧区域的历史灰度图及当前灰度图;
前后帧平均灰度值计算组件,用于分别确定出所述历史灰度图及所述当前灰度图的前景,并计算各自前景的平均灰度值;
体温变化指标检测组件,用于根据所述历史灰度图及所述当前灰度图各自前景的平均灰度值,得到所述体温变化指标的检测结果。
进一步地,所述存活状态第一检测单元及所述存活状态第二检测单元均可以包括畜禽活动指标检测子单元,所述畜禽活动指标检测子单元具体包括:
帧间差分计算组件,用于基于所述一般视频图像和/或所述热成像图的历史帧和当前帧,得到所述躺卧区域的帧间差分图;
运动像素统计组件,用于利用帧间差分图统计运动像素数量;
畜禽活动指标检测组件,用于根据所述运动像素数量以及所述躺卧区域的像素总数,得到所述畜禽活动指标的检测结果。
综合上述各实施例及其优选方案,本领域技术人员可以理解的是,在实际操作中,本发明适用于基于硬件载体的各种实施方案,本发明以下述硬件载体作为示意性说明:
(1)一种畜禽存活检测设备,其可以包括:
存储器,用于存储计算机程序或上述装置;
处理器,用于当执行所述计算机程序或上述装置时,实现上述畜禽存活检测方法。
(2)一种可读存储介质,在所述可读存储介质上存储有计算机程序或上述装置,当所述计算机程序或上述装置被执行时,实现上述畜禽存活检测方法。
(3)一种计算机程序产品(该产品可以包括上述装置),所述计算机程序产品在终端设备上运行时,使所述终端设备执行上述畜禽存活检测方法。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到上述实施方法中的全部或部分步骤可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,上述计算机程序产品可以包括但不限于是指APP;上述可读存储介质可以是ROM/RAM、磁碟或光盘等;上述设备可以是一台计算机设备(例如手机、PC终端、云平台、服务器、服务器集群或者诸如媒体网关等网络通信设备等等)。并且,该设备的硬件结构还可以具体包括:至少一个处理器,至少一个通信接口,至少一个存储器和至少一个通信总线;处理器、通信接口、存储器均可以通过通信总线完成相互间的通信。其中,处理器可能是一个中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路等;存储器也可以是高速RAM存储器或非易失性存储器(non-volatilememory)等,例如至少一个磁盘存储器。
最后需说明,虽然上述装置实施例及优选方案的工作方式以及技术原理皆记载于前文,但仍需强调的是,该装置中各个部件实施例仍可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。可以把装置实施例中的模块或单元或组件等组合成一个模块或单元或组件,也可以把它们分成多个子模块或子单元或子组件予以实施。
以及,本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的系统实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上依据图式所示的实施例详细说明了本发明的构造、特征及作用效果,但以上仅为本发明的较佳实施例,需要言明的是,上述实施例及其优选方式所涉及的技术特征,本领域技术人员可以在不脱离、不改变本发明的设计思路以及技术效果的前提下,合理地组合搭配成多种等效方案;因此,本发明不以图面所示限定实施范围,凡是依照本发明的构想所作的改变,或修改为等同变化的等效实施例,仍未超出说明书与图示所涵盖的精神时,均应在本发明的保护范围内。
Claims (16)
1.一种畜禽存活检测方法,其特征在于,包括:
采集养殖场所的图像;
从所述图像中确定目标畜禽的躺卧区域;
根据所述躺卧区域的图像参数,确定所述目标畜禽的存活状态。
2.根据权利要求1所述的畜禽存活检测方法,其特征在于,所述采集养殖场所的图像包括采集养殖场所的热成像图;或者采集养殖场所的一般视频图像和热成像图。
3.根据权利要求2所述的畜禽存活检测方法,其特征在于,所述根据所述躺卧区域的图像参数,确定所述目标畜禽的存活状态包括:
基于所述图像参数预设多个检测指标;
以单个所述躺卧区域为单位,获得所述躺卧区域的至少两个所述检测指标的检测结果;
将各所述检测结果融合为综合检测结果;
根据所述综合检测结果,确定所述目标畜禽的存活状态。
4.根据权利要求3所述的畜禽存活检测方法,其特征在于,所述多个检测指标包括:
基于所述热成像图的体温指标、活体指标、体温变化指标以及基于所述一般视频图像或所述热成像图的畜禽活动指标。
5.根据权利要求4所述的畜禽存活检测方法,其特征在于,所述体温指标的检测方式包括:
基于所述热成像图的当前帧,获得所述躺卧区域的灰度图;
根据预设的所述灰度图的第一像素阈值,确定出包含所述目标畜禽的前景;
计算所述前景的平均灰度值;
根据所述平均灰度值得到所述体温指标的检测结果。
6.根据权利要求4所述的畜禽存活检测方法,其特征在于,所述活体指标的检测方式包括:
基于所述热成像图的当前帧,获得所述躺卧区域的灰度图;
根据预设的所述灰度图的第一像素阈值,确定出包含所述目标畜禽的前景;
根据预设的第二像素阈值,从所述前景中确定出表征活体畜禽的活体像素数量;
根据所述活体像素数量以及所述躺卧区域的灰度图的像素总数,得到所述活体指标的检测结果。
7.根据权利要求4所述的畜禽存活检测方法,其特征在于,所述体温变化指标的检测方式包括:
基于所述热成像图的历史帧和当前帧,获得所述躺卧区域的历史灰度图及当前灰度图;
分别确定出所述历史灰度图及所述当前灰度图的前景,并计算各自前景的平均灰度值;
根据所述历史灰度图及所述当前灰度图各自前景的平均灰度值,得到所述体温变化指标的检测结果。
8.根据权利要求4所述的畜禽存活检测方法,其特征在于,所述畜禽活动指标的检测方式包括:
基于所述一般视频图像和/或所述热成像图的历史帧和当前帧,得到所述躺卧区域的帧间差分图;
利用帧间差分图统计运动像素数量;
根据所述运动像素数量以及所述躺卧区域的像素总数,得到所述畜禽活动指标的检测结果。
9.根据权利要求1所述的畜禽存活检测方法,其特征在于,所述根据所述躺卧区域的图像参数,确定所述目标畜禽的存活状态包括:
基于所述图像参数预设多个检测指标以及各检测指标的检测优先级;
根据所述检测优先级对所述躺卧区域进行检测,以确定所述目标畜禽的存活状态。
10.根据权利要求9所述的畜禽存活检测方法,其特征在于,所述根据所述检测优先级对所述躺卧区域进行检测,以确定所述目标畜禽的存活状态包括:
先以优先级最高的检测指标为第一检测目标,对全部所述躺卧区域进行首轮检测,得到首轮存活状态检测结果;
从首轮存活状态检测结果中剔除已确定为死亡的所述目标畜禽所在的躺卧区域;
再将优先级次高的检测指标与优先级最高的检测指标融合为第二检测目标,对剩余的所述躺卧区域进行第二轮检测,得到第二轮存活状态检测结果;
以此类推,确定出全部所述目标畜禽的存活状态。
11.根据权利要求1~10任一项所述的畜禽存活检测方法,其特征在于,所述从所述图像中确定目标畜禽的躺卧区域包括:
在所述图像中将处于躺卧状态的畜禽个体确定为目标畜禽;
以单个所述目标畜禽为单位设置外接框,并将所述外接框内的图像区域确定为所述躺卧区域。
12.一种畜禽存活检测装置,其特征在于,包括:
图像采集模块,用于采集养殖场所的图像;
目标畜禽躺卧区域确定模块,用于从所述图像中确定目标畜禽的躺卧区域;
存活状态检测模块,用于根据所述躺卧区域的图像参数,确定所述目标畜禽的存活状态。
13.根据权利要求12所述的畜禽存活检测装置,其特征在于,所述存活状态检测模块具体包括:
检测目标第一设定单元,用于基于所述图像参数预设多个检测指标;
存活状态第一检测单元,用于以单个所述躺卧区域为单位,获得所述躺卧区域的至少两个所述检测指标的检测结果;
融合单元,将各所述检测结果融合为综合检测结果;
存活状态判定单元,用于根据所述综合检测结果,确定所述目标畜禽的存活状态。
14.根据权利要求12所述的畜禽存活检测装置,其特征在于,所述存活状态检测模块具体包括:
检测目标第二设定单元,用于基于所述图像参数预设多个检测指标以及各检测指标的检测优先级;
存活状态第二检测单元,用于根据所述检测优先级对所述躺卧区域进行检测,以确定所述目标畜禽的存活状态。
15.一种畜禽存活检测设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于当执行所述计算机程序时,实现如权利要求1~11任一项所述的畜禽存活检测方法。
16.一种计算机程序产品,其特征在于,所述计算机程序产品在终端设备上运行时,使所述终端设备执行权利要求1~11任一项所述的畜禽存活检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910568829.4A CN110287902B (zh) | 2019-06-27 | 2019-06-27 | 畜禽存活检测方法、装置、设备及计算机程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910568829.4A CN110287902B (zh) | 2019-06-27 | 2019-06-27 | 畜禽存活检测方法、装置、设备及计算机程序产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110287902A true CN110287902A (zh) | 2019-09-27 |
CN110287902B CN110287902B (zh) | 2023-10-31 |
Family
ID=68019338
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910568829.4A Active CN110287902B (zh) | 2019-06-27 | 2019-06-27 | 畜禽存活检测方法、装置、设备及计算机程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110287902B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113134506A (zh) * | 2021-04-25 | 2021-07-20 | 中印恒盛(北京)贸易有限公司 | 一种立体化水产养殖死亡生物无害化处理利用系统 |
CN115147782A (zh) * | 2022-08-02 | 2022-10-04 | 广州度凌科技有限公司 | 一种死亡动物识别方法及装置 |
TWI807833B (zh) * | 2022-05-19 | 2023-07-01 | 國立中興大學 | 抓取式家禽移除系統 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105894536A (zh) * | 2016-03-30 | 2016-08-24 | 中国农业大学 | 基于视频跟踪的禽畜行为分析方法及系统 |
CN109496123A (zh) * | 2016-07-20 | 2019-03-19 | 农场机器人和自动化有限公司 | 家畜的机器人协助监视 |
US20190130583A1 (en) * | 2017-10-30 | 2019-05-02 | Qualcomm Incorporated | Still and slow object tracking in a hybrid video analytics system |
-
2019
- 2019-06-27 CN CN201910568829.4A patent/CN110287902B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105894536A (zh) * | 2016-03-30 | 2016-08-24 | 中国农业大学 | 基于视频跟踪的禽畜行为分析方法及系统 |
CN109496123A (zh) * | 2016-07-20 | 2019-03-19 | 农场机器人和自动化有限公司 | 家畜的机器人协助监视 |
US20190130583A1 (en) * | 2017-10-30 | 2019-05-02 | Qualcomm Incorporated | Still and slow object tracking in a hybrid video analytics system |
Non-Patent Citations (1)
Title |
---|
汪开英等: "畜禽行为及生理信息的无损监测技术研究进展", 《农业工程学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113134506A (zh) * | 2021-04-25 | 2021-07-20 | 中印恒盛(北京)贸易有限公司 | 一种立体化水产养殖死亡生物无害化处理利用系统 |
TWI807833B (zh) * | 2022-05-19 | 2023-07-01 | 國立中興大學 | 抓取式家禽移除系統 |
CN115147782A (zh) * | 2022-08-02 | 2022-10-04 | 广州度凌科技有限公司 | 一种死亡动物识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110287902B (zh) | 2023-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104850836B (zh) | 基于深度卷积神经网络的害虫图像自动识别方法 | |
CN110287902A (zh) | 畜禽存活检测方法、装置、设备及计算机程序产品 | |
Verma et al. | A novel bacterial foraging technique for edge detection | |
CN107392091B (zh) | 一种农业人工智能作物检测方法、移动终端和计算机可读介质 | |
CN107844797A (zh) | 一种基于深度图像的哺乳母猪姿态自动识别的方法 | |
CN108323204A (zh) | 一种检测人脸瑕疵点的方法和智能终端 | |
CN109284735B (zh) | 鼠情监控方法、装置及存储介质 | |
CN115861721B (zh) | 基于图像数据的畜禽养殖喷雾设备状态识别方法 | |
CN109377441A (zh) | 具有隐私保护功能的舌像采集方法和系统 | |
CN104007733B (zh) | 一种对农业集约化生产进行监控的系统及方法 | |
CN106259095A (zh) | 一种池塘淡水养殖鱼的行为对水产养殖方面的判断方法 | |
Lu et al. | An automatic splitting method for the adhesive piglets’ gray scale image based on the ellipse shape feature | |
CN114898405B (zh) | 基于边缘计算的便携式肉鸡异常监测系统 | |
Liu et al. | Deep residual convolutional neural network based on hybrid attention mechanism for ecological monitoring of marine fishery | |
Wang et al. | The obtainment and recognition of raw silk defects based on machine vision and image analysis | |
CN114299332A (zh) | 核电厂冷源海生物智能探测方法及系统 | |
CN109886233A (zh) | 一种基于隐马尔可夫模型的水产养殖状态监测方法及装置 | |
CN111104976A (zh) | 一种基于时间序列图像的蓝藻覆盖率计算方法 | |
CN113822842A (zh) | 一种基于多任务学习的工业缺陷检测方法 | |
Zhang et al. | Classification and recognition of fish farming by extraction new features to control the economic aquatic product | |
Raman et al. | Computer assisted counter system for larvae and juvenile fish in Malaysian fishing hatcheries by machine learning approach | |
CN114943929A (zh) | 基于图像融合技术的鱼类异常行为实时检测方法 | |
CN114119408A (zh) | 一种基于猫眼摄像头的快递检测方法、装置及猫眼摄像头 | |
CN112861663A (zh) | 一种基于语义分割的家禽姿态监测方法和系统 | |
CN112215107A (zh) | 一种猪的行为识别方法及装置、电子设备和存储介质 |
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 |