CN110766654A - 基于机器学习的活禽检测方法、装置、设备及可读介质 - Google Patents
基于机器学习的活禽检测方法、装置、设备及可读介质 Download PDFInfo
- Publication number
- CN110766654A CN110766654A CN201910849623.9A CN201910849623A CN110766654A CN 110766654 A CN110766654 A CN 110766654A CN 201910849623 A CN201910849623 A CN 201910849623A CN 110766654 A CN110766654 A CN 110766654A
- Authority
- CN
- China
- Prior art keywords
- target
- detection
- live
- machine learning
- poultry
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 145
- 238000010801 machine learning Methods 0.000 title claims abstract description 59
- 244000144977 poultry Species 0.000 claims abstract description 76
- 241000271566 Aves Species 0.000 claims description 29
- 238000000034 method Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 9
- 241000894007 species Species 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 5
- 235000013594 poultry meat Nutrition 0.000 description 60
- 241000287828 Gallus gallus Species 0.000 description 12
- 235000013330 chicken meat Nutrition 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 238000009395 breeding Methods 0.000 description 7
- 230000001488 breeding effect Effects 0.000 description 7
- 241000272525 Anas platyrhynchos Species 0.000 description 6
- 241000272517 Anseriformes Species 0.000 description 5
- 241000272201 Columbiformes Species 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 210000003746 feather Anatomy 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 241000283973 Oryctolagus cuniculus Species 0.000 description 1
- 230000037237 body shape Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 244000144992 flock Species 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001755 vocal effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
-
- 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
-
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- 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
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- 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)
- Data Mining & Analysis (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种基于机器学习的活禽检测方法,所述方法包括:获取与待检测区域对应的目标检测数据,所述目标检测数据包括目标红外图像、目标RGB图像、目标声音数据中的至少两项;将所述目标检测数据输入预设的机器学习模型,获取所述机器学习模型的输出结果;根据所述输出结果确定所述待检测区域对应的目标活禽信息。本发明提高了活禽检测的效率和准确率。
Description
技术领域
本发明涉及禽类活体检测技术领域,尤其涉及一种基于机器学习的活禽检测方法、装置、设备及可读介质。
背景技术
包括鸡、鸭、鹅、鸽等在内的禽类作为重要的经济物种,在现代的各种生活场景中都扮演了重要的角色。在如家禽养殖业、生态监测工程以及动物保护项目等场景中,都需要对目标范围内可能存在的活禽进行检测,并识别所存在的禽体的类别,以对各种禽类的具体数目进行统计,从而基于这个识别与统计结果进行进一步的禽类资源的管理和利用。
现有技术中在上述场景下针对活禽的检测与识别,一般是通过传统的人工专家进行肉眼识别和计数的方法,这样做的实施和运营成本很高,并且检测和检测的准确率都较低,达不到对禽类检测与管理的要求。
发明内容
基于此,有必要针对上述问题,提出一种基于机器学习的活禽检测方法、装置、计算机设备及可读介质。
一种基于机器学习的活禽检测方法,其特征在于,所述方法包括:
获取与待检测区域对应的目标检测数据,所述目标检测数据包括目标红外图像、目标RGB图像、目标声音数据中的至少两项;
将所述目标检测数据输入预设的机器学习模型,获取所述机器学习模型的输出结果;
根据所述输出结果确定所述待检测区域对应的目标活禽信息。
一种基于机器学习的活禽检测装置,其特征在于,所述装置包括:
获取单元:获取与待检测区域对应的目标检测数据,所述目标检测数据包括目标红外图像、目标RGB图像、目标声音数据中的至少两项;
输出单元:将所述目标检测数据输入预设的机器学习模型,获取所述机器学习模型的输出结果;
第一确定单元:用于根据所述输出结果确定所述待检测区域对应的目标活禽信息。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行以下步骤:
获取与待检测区域对应的目标检测数据,所述目标检测数据包括目标红外图像、目标RGB图像、目标声音数据中的至少两项;
将所述目标检测数据输入预设的机器学习模型,获取所述机器学习模型的输出结果;
根据所述输出结果确定所述待检测区域对应的目标活禽信息。
一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行以下步骤:
获取与待检测区域对应的目标检测数据,所述目标检测数据包括目标红外图像、目标RGB图像、目标声音数据中的至少两项;
将所述目标检测数据输入预设的机器学习模型,获取所述机器学习模型的输出结果;
根据所述输出结果确定所述待检测区域对应的目标活禽信息。
在本发明实施例中,先获取与待检测区域对应的包括目标红外图像、目标RGB图像、目标声音数据中的至少两项的目标检测数据,将这些目标检测数据输入预先训练好的对应种类的机器学习模型(包括活体检测模型、禽形检测模型、禽声检测模型这三种模型),最后根据机器学习模型输出的判断出待检测区域内包含的目标活禽种类以及各种类对应的活禽数目。
相较于现有技术中针对活禽种类以及数目的统计和检测都是通过人工专家肉眼手动进行检查和计数,这样人工进行活禽检测的效率和准确率都低,而本发明通过机器学习模型对获取到的数据从是否为活体以及外形和叫声是否符合禽类特征这三个方面综合进行检测,在提高了活禽检测的准确率的同时也大大提高了活禽检测的效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
其中:
图1示出了一个实施例中基于机器学习的活禽检测方法的流程图;
图2实出了一个实施例中获取预设的机器学习模型输出结果的流程图;
图3示出了另一个实施例中对预设的机器学习模型进行训练的流程图;
图4示出了一个实施例中确定所述待检测区域对应的目标活禽种类的流程图;
图5示出了一个实施例中确定各种检测出的禽类的数目并进行展示的步骤图;
图6示出了一个实施例中基于机器学习的活禽检测装置的结构框图;
图7示出了一个实施例中计算机设备的内部结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
本发明提出了一种基于机器学习的活禽检测方法,在一个实施例中,本发明可以基于一终端设备如手机、PC等计算机终端设备或是一包含采集模块以及处理模块的活禽检测系统。
参考图1,本发明实施例提供了一种基于机器学习的活禽检测方法。
图1示出了一个实施例中基于机器学习的活禽检测方法的流程图。本发明中所述的基于机器学习的活禽检测方法至少包括如图1所示的步骤S1022-S1026,以下详细进行介绍。
在步骤S1022中,获取与待检测区域对应的目标检测数据,所述目标检测数据包括目标红外图像、目标RGB图像、目标声音数据中的至少两项。
首先待检测区域可以是一片物理空间区域(如家禽养殖场的一个养殖笼或者预设面积和位置的禽类动物保护区域)。而目标红外图像的获取方式可以是通过实预设的红外传感装置以实时摄像的方式获取。
首先,目标红外图像与目标RGB图像的区别以及在活禽检测中不同的作用在于:RGB图像由于具有人类视觉能够感知的颜色,能够很好地用于识别出禽类所通有的如羽毛颜色、翅膀形状、体型特征等外观特征。
而红外图像在忽略了待检测物体的颜色形状等外观特征的同时,能够准确地反映出对应的热辐射强度信息,因而可以用于判断所检测到的物体是否为活体。将上述这两者综合考量,即可确保检测到的物体具有活体并且为禽类即为活禽的特征。
另外需要说明的是,考虑到活禽所出现和生存的环境一般较为复杂(如山林等自然环境或者如鸡鸭群等很多活体聚集的地方),因此在可选的实施例中,在获取了待检测区域对应的目标检测数据后,还以针对该数据进行一个去除与活禽无关的噪音的预处理过程。
具体的,针对目标红外图像以及目标RGB图像可以进行灰度化、二值化等图像预处理操作,而针对目标声音数据可以以声音的频率和波长等特性为指标设定一定的阈值,通过将不符合该预设阈值的声音数据确定为噪声数据从目标声音数据中筛除,到达去噪音的目的,以此提高后续步骤中活禽检测的准确率和效率。
在步骤S1024中,将所述目标检测数据输入预设的机器学习模型,获取所述机器学习模型的输出结果。
首先,在一个具体的实施例中,上述机器学习模型可以包括活体检测模型、禽形检测模型以及禽声检测模型中的至少两项。而对应的,上述机器学习模型的输出结果则可以包括目标活体检测结果、目标禽形检测结果、目标禽声检测结果中的至少两项。
具体的,获取上述预设的机器学习模型的输出结果的步骤可以包括如图2示出的步骤S1032-S1036。图2实出了一个实施例中获取预设的机器学习模型输出结果的流程图。
在步骤S1032中,将所述目标红外图像输入所述活体检测模型,获取所述活体检测模型的输出结果作为所述目标活体检测结果。
首先,输入活体检测模型的可以是针对养殖场的一个固定养殖笼的拍摄的红外照片,由于包括活禽在内的活体,区别于无温度的非活体,会存在一定的红外热辐射,因此可以利用对应的红外图像进行活禽检测中必须为活体的这一特征的检测。
可选的,上述目标活体检测结果可以是确定出上述一个养殖笼区域内所存在的活体数目。例如,在一个待检测的养殖笼区域中可能存在鸡鸭各一只以及两只鸽子和一只兔子,在此种情况下,活体检测模型的输出结果即应该为目标红外图像中存在五个活体。
或,在步骤S1034中,将所述目标RGB图像输入所述禽形检测模型,获取所述禽形检测模型的输出结果作为所述目标禽形检测结果。
区别于活体检测模型是针对活禽的活体这一特性进行检查,目标禽形检测模型主要基于禽类所具有的如羽毛、翅型等外形特征,从而检测出对应的禽类种类的禽体存在。而具体的目标禽形检测结果可以是从目标RGB图像中识别出的禽类出现区域以及各出现区域对应的禽类种类,如可以识别出在前述养殖笼中的几个对应区域分别检测到了一只鸡、一只鸭以及两只鸽子这些禽类。
或,在步骤S1036中,将所述目标声音数据输入所述禽声检测模型,获取所述禽声检测模型的输出结果作为所述目标禽声检测结果。
由于不同禽类的基因差异性、其发声器官的构造以及生活习性的影响,都会导致其叫声存在一定的差异。如相较于鸽子的叫声,鸡鸭的叫声声音频率更高,同时更进一步的,鸡的鸣叫声在音色与声高上也与鸭的叫声存在明显的差异。
因此除了前述步骤中根据活禽所具有的活体特征以及不同禽类所具有的禽体形态特征进行活体检测以外,还可以根据在待检测区域采集到的声音数据进行检测。
具体的,可以是将通过预设声音采集装置采集到的预设格式的声音数据输入前述禽声检测模型中,而获取到的目标禽声结果可以是在目标声音数据中包含的某几个声音片段中检测到了符合预设禽类叫声的声音数据(如声音频率以及振幅在一定预设区间内),同时还可以确定出上述几个符合预设禽声条件的声音片段所分别对应的禽类种类。
例如,一段时长3分钟的目标声音数据所对应输出的目标禽声检测结果可以是其在0秒-15秒这一区间出现了鸽子的叫声,而在60秒-75秒这一区间出现了鸡的叫声,在120秒-150秒这一区间出现了鸭的叫声。
需要说明的是,针对前述各类型的机器模型可以预先进行一个训练,具体的训练过程可以包括图3中示出的步骤S1042-S1046。图3示出了另一个实施例中对预设的机器学习模型进行训练的流程图。
在步骤S1042中,确定一个样本集合,所述集合包括多个检测样本以及与该检测样本对应的用于表征是否为活禽的样本参考结果。
在一个具体的实施例中,检测样本可以包含一定数量的红外图像、RGB图像以及声音片段,而用于表征是否为活禽的样本参考结果则可以是上述这些图像或者声音片段所对应存在的活禽种类以及对应的活禽数目信息。
在步骤S1044中,基于所述检测样本提取出禽类特征信息。
同样的,此处的禽类特征信息的提取可以首先是标注出检测样本中活禽出现的区域作为目标检测区域,再进一步对各目标检测区域进行预设特征的识别(如RGB图像的像素点分布特征的识别以及声音片段的波形的频率及振幅的识别等)。
在步骤S1046中,以所述检测样本对应的禽类特征信息为输入,以所述样本参考结果为输出,对所述机器学习模型进行训练。
在可选的实施例中,还可以将预先准备的测试样本输出通过上述步骤训练完毕的机器学习模型中,获取对应的输出结果与预设的检测阈值进行比较,在满足预设检测阈值时(如错误率小于预设阈值),即可确定为机器学习模型的训练完毕。
在步骤S1026中,根据所述输出结果确定所述待检测区域对应的目标活禽信息。
需要统一进行说明的是,上述三种类型的机器学习模型(活体、禽形以及禽声检测模型)的输出结果除了是待检测区域中的存在活禽的目标区域,以及各块目标区域对应存在的活禽种类,从而从是否为活体、是否为禽类、是否为某一特定禽种这三个角度分别确定出一个可能的活禽数目情况以外,在另一个可选的实施例中,上述三种类型的机器模型的输出结果也可以是目标检测数据中每一个目标区域的活体、禽体和/或特定禽声对应的禽类所存在的置信度。
而且更进一步地,可以考虑到实际检测环境和检测结果的反馈针对上述这三个指标的机器模型得出的活禽置信度设置不同的权重系数。
具体的,如考虑到不同的活禽种类的外形存在显著差异,而禽类的叫声由于容易被模仿以及环境噪音存在较多干扰,同时针对活禽的检测首要条件即要求禽类是存活的,综上,可以将活体检测模型以及禽形检测模型的输出结果的权重系数分别设为40%,而将前述禽声检测模型的输出结果的权重系数设为20%,从而得出一个各种检测出的类型的活禽对应的总存在置信度,因此可以对应提高外形以及活体这两个方面对活禽检测的最终判定结果的影响程度,进一步地提高活禽检测的准确度。
具体的,步骤S1026还可以包括图4中示出的步骤S1052-S1054。图4示出了一个实施例中确定所述待检测区域对应的目标活禽种类的流程图。
在步骤S1052中,根据所述输出结果确定与所述待检测区域对应的活禽种类以及对应的存在置信度。
结合前述的统一说明,此处的存在置信度可以是针对具体的活禽种类所对应的数目而言的。例如,通过前述禽声检测模型、禽形检测模型以及活体检测模型的输出结果所确定的可以分别是待检测区域中存在鸡2只,存在置信度为80%,或者存在鸡1只,存在置信度为90%,存在鸭1只,存在置信度为60%,或者存在鸭2只,存在置信度为70%。
在步骤S1054中,根据所述存在置信度与预设阈值的数值关系确定所述待检测区域对应的目标活禽种类。
结合上一步骤中的举例,可以将预设的置信度阈值设置80%,如此,综合三种机器学习模型所确定出的待检测区域存在的目标活禽种类应该为鸡(2只)。
而在确定了待检测区域所包含的活禽种类后,还可以进一步根据机器模型的输出结果确定各种类型禽类的数目,以用于计数和生产及保护管理等。具体的确定存在的各种活禽类对应的数目的过程可以包括如图5中示出的步骤S1062-S1064。图5示出了一个实施例中确定各种检测出的禽类的数目并进行展示的步骤图。
在步骤S1062中,根据所述待检测区域对应的目标活禽种类和所对应的活禽数目生成目标提示信息。
在一个可选的实施例中,具体的提示信息可以是“当前养殖区域中含有活禽信息如下:鸡2只、鸭1只”。在可选的实施例中,还可以进一步对机器模型进行训练,以使得可以输出各种活禽的更细致的分类,如鸡的不同品种的检测和统计等。
在步骤S1064中,通过预设的装置展示所述目标提示信息。
可选的,可以通过放置在预设区域的显示装置(如一块放置在对应养殖笼上方的显示屏)进行上一步骤中的提示信息的展示,以进行当前养殖笼的活禽情况和数据的实时更新,便于抓取以及科学喂养等。
图6示出了一个实施例中基于机器学习的活禽检测装置的结构框图。
参考图6所示,根据本发明的一个实施例的基于机器学习的活禽检测装置1070,包括:获取单元1072、输出单元1074、第一确定单元1076。
其中,获取单元1072:用于获取与待检测区域对应的目标检测数据,所述目标检测数据包括目标红外图像、目标RGB图像、目标声音数据中的至少两项;
输出单元1074:用于将所述目标检测数据输入预设的机器学习模型,获取所述机器学习模型的输出结果;
第一确定单元1076:用于根据所述输出结果确定所述待检测区域对应的目标活禽信息。
图7示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是终端,也可以是服务器。如图7所示,该计算机设备包括通过系统总线连接的处理器、存储器和获取模块、处理模块以及通信模块。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现本基于机器学习的活禽检测方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行本基于机器学习的活禽检测方法。本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提出了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行以下步骤:
获取与待检测区域对应的目标检测数据,所述目标检测数据包括目标红外图像、目标RGB图像、目标声音数据中的至少两项;
将所述目标检测数据输入预设的机器学习模型,获取所述机器学习模型的输出结果;
根据所述输出结果确定所述待检测区域对应的目标活禽信息。
在一个实施例中,提出了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行以下步骤:
获取与待检测区域对应的目标检测数据,所述目标检测数据包括目标红外图像、目标RGB图像、目标声音数据中的至少两项;
将所述目标检测数据输入预设的机器学习模型,获取所述机器学习模型的输出结果;
根据所述输出结果确定所述待检测区域对应的目标活禽信息。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于机器学习的活禽检测方法,其特征在于,所述方法包括:
获取与待检测区域对应的目标检测数据,所述目标检测数据包括目标红外图像、目标RGB图像、目标声音数据中的至少两项;
将所述目标检测数据输入预设的机器学习模型,获取所述机器学习模型的输出结果;
根据所述输出结果确定所述待检测区域对应的目标活禽信息。
2.根据权利要求1所述的方法,其特征在于,所述机器学习模型包括活体检测模型、禽形检测模型、禽声检测模型中的至少两项,所述机器模型的输出结果包括目标活体检测结果、目标禽形检测结果、目标禽声检测结果中的至少两项;
所述获取所述机器学习模型的输出结果,包括:
将所述目标红外图像输入所述活体检测模型,获取所述活体检测模型的输出结果作为所述目标活体检测结果;
或,将所述目标RGB图像输入所述禽形检测模型,获取所述禽形检测模型的输出结果作为所述目标禽形检测结果;
或,将所述目标声音数据输入所述禽声检测模型,获取所述禽声检测模型的输出结果作为所述目标禽声检测结果。
3.根据权利要求1所述的方法,其特征在于,所述根据所述输出结果确定所述待检测区域对应的目标活禽信息,包括:
根据所述输出结果确定与所述待检测区域对应的活禽种类以及对应的存在置信度;
根据所述存在置信度与预设阈值的数值关系确定所述待检测区域对应的目标活禽种类。
4.根据权利要求3所述的方法,其特征在于,在根据所述存在置信度与预设阈值的数值关系确定所述待检测区域对应的目标活禽种类之后,包括:
获取所述目标活体检测结果、所述目标禽形检测结果和目标禽声检测结果分别对应的权重系数;
根据所述权重系数和所述输出结果确定所述待检测区域中包含的目标活禽种类所对应的活禽数目。
5.根据权利要求4所述的方法,其特征在于,在确定所述待检测区域中包含的目标活禽种类所对应的活禽数目之后,还包括;
根据所述待检测区域对应的目标活禽种类和所对应的活禽数目生成目标提示信息;
通过预设的装置展示所述目标提示信息。
6.根据权利要求1所述的方法,其特征在于,在将所述目标检测数据输入预设的机器学习模型之前,还包括:
确定一个样本集合,所述集合包括多个检测样本以及与该检测样本对应的用于表征是否为活禽的样本参考结果;
基于所述检测样本提取出禽类特征信息;
以所述检测样本对应的禽类特征信息为输入,以所述样本参考结果为输出,对所述机器学习模型进行训练。
7.一种基于机器学习的活禽检测装置,其特征在于,所述装置包括:
获取单元:用于获取与待检测区域对应的目标检测数据,所述目标检测数据包括目标红外图像、目标RGB图像、目标声音数据中的至少两项;
输出单元:用于将所述目标检测数据输入预设的机器学习模型,获取所述机器学习模型的输出结果;
第一确定单元:用于根据所述输出结果确定所述待检测区域对应的目标活禽信息。
8.根据权利要求7所述的装置,其特征在于,所述第一确定单元包括:
第二确定单元:用于根据所述输出结果确定与所述待检测区域对应的活禽种类以及对应的存在置信度;
第三确定单元:用于根据所述存在置信度与预设阈值的数值关系确定所述待检测区域对应的目标活禽种类。
9.一种可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1至6中任一项所述方法的步骤。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1至6中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910849623.9A CN110766654A (zh) | 2019-09-09 | 2019-09-09 | 基于机器学习的活禽检测方法、装置、设备及可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910849623.9A CN110766654A (zh) | 2019-09-09 | 2019-09-09 | 基于机器学习的活禽检测方法、装置、设备及可读介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110766654A true CN110766654A (zh) | 2020-02-07 |
Family
ID=69329765
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910849623.9A Pending CN110766654A (zh) | 2019-09-09 | 2019-09-09 | 基于机器学习的活禽检测方法、装置、设备及可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110766654A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111198549A (zh) * | 2020-02-18 | 2020-05-26 | 陈文翔 | 一种基于大数据的家禽养殖监测管理系统 |
CN111523472A (zh) * | 2020-04-23 | 2020-08-11 | 杭州海康威视系统技术有限公司 | 基于机器视觉的活动目标计数方法和设备 |
CN113239762A (zh) * | 2021-04-29 | 2021-08-10 | 中国农业大学 | 一种基于视觉与红外信号的活体检测方法及装置 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102378981A (zh) * | 2009-02-03 | 2012-03-14 | 埃胡德·亚奈 | 用于监控家畜群中无名动物健康的系统和方法 |
CN103077398A (zh) * | 2013-01-08 | 2013-05-01 | 吉林大学 | 基于嵌入式的自然环境下家畜群体数目监测方法 |
CN106940789A (zh) * | 2017-03-10 | 2017-07-11 | 广东数相智能科技有限公司 | 一种基于视频识别的数量统计的方法、系统及装置 |
CN107291102A (zh) * | 2017-07-31 | 2017-10-24 | 内蒙古智牧溯源技术开发有限公司 | 一种无人机放牧系统 |
CN107549049A (zh) * | 2017-09-28 | 2018-01-09 | 中北大学 | 一种笼养鸡健康状况自动化监测装置 |
CN108460370A (zh) * | 2018-04-13 | 2018-08-28 | 中北大学 | 一种固定式家禽生命信息报警装置 |
CN108509976A (zh) * | 2018-02-12 | 2018-09-07 | 北京佳格天地科技有限公司 | 动物的识别装置和方法 |
CN108898164A (zh) * | 2018-06-11 | 2018-11-27 | 南京理工大学 | 一种基于特征融合的鸟鸣自动识别方法 |
CN109241941A (zh) * | 2018-09-28 | 2019-01-18 | 天津大学 | 一种基于深度学习分析的养殖场监控家禽数量的方法 |
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 |
CN109658414A (zh) * | 2018-12-13 | 2019-04-19 | 北京小龙潜行科技有限公司 | 一种猪只的智能盘点方法及装置 |
CN109670398A (zh) * | 2018-11-07 | 2019-04-23 | 北京农信互联科技集团有限公司 | 一种猪只图像的分析方法及设备 |
CN109903270A (zh) * | 2019-01-28 | 2019-06-18 | 中国科学院遥感与数字地球研究所 | 牲畜群体数目监测方法及装置 |
-
2019
- 2019-09-09 CN CN201910849623.9A patent/CN110766654A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102378981A (zh) * | 2009-02-03 | 2012-03-14 | 埃胡德·亚奈 | 用于监控家畜群中无名动物健康的系统和方法 |
CN103077398A (zh) * | 2013-01-08 | 2013-05-01 | 吉林大学 | 基于嵌入式的自然环境下家畜群体数目监测方法 |
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 |
CN106940789A (zh) * | 2017-03-10 | 2017-07-11 | 广东数相智能科技有限公司 | 一种基于视频识别的数量统计的方法、系统及装置 |
CN107291102A (zh) * | 2017-07-31 | 2017-10-24 | 内蒙古智牧溯源技术开发有限公司 | 一种无人机放牧系统 |
CN107549049A (zh) * | 2017-09-28 | 2018-01-09 | 中北大学 | 一种笼养鸡健康状况自动化监测装置 |
CN108509976A (zh) * | 2018-02-12 | 2018-09-07 | 北京佳格天地科技有限公司 | 动物的识别装置和方法 |
CN108460370A (zh) * | 2018-04-13 | 2018-08-28 | 中北大学 | 一种固定式家禽生命信息报警装置 |
CN108898164A (zh) * | 2018-06-11 | 2018-11-27 | 南京理工大学 | 一种基于特征融合的鸟鸣自动识别方法 |
CN109241941A (zh) * | 2018-09-28 | 2019-01-18 | 天津大学 | 一种基于深度学习分析的养殖场监控家禽数量的方法 |
CN109670398A (zh) * | 2018-11-07 | 2019-04-23 | 北京农信互联科技集团有限公司 | 一种猪只图像的分析方法及设备 |
CN109658414A (zh) * | 2018-12-13 | 2019-04-19 | 北京小龙潜行科技有限公司 | 一种猪只的智能盘点方法及装置 |
CN109903270A (zh) * | 2019-01-28 | 2019-06-18 | 中国科学院遥感与数字地球研究所 | 牲畜群体数目监测方法及装置 |
Non-Patent Citations (1)
Title |
---|
黄冬梅等: "《案例驱动的大数据原理技术及应用》", 30 November 2018, 上海交通大学出版社 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111198549A (zh) * | 2020-02-18 | 2020-05-26 | 陈文翔 | 一种基于大数据的家禽养殖监测管理系统 |
CN111198549B (zh) * | 2020-02-18 | 2020-11-06 | 湖南伟业动物营养集团股份有限公司 | 一种基于大数据的家禽养殖监测管理系统 |
CN111523472A (zh) * | 2020-04-23 | 2020-08-11 | 杭州海康威视系统技术有限公司 | 基于机器视觉的活动目标计数方法和设备 |
CN113239762A (zh) * | 2021-04-29 | 2021-08-10 | 中国农业大学 | 一种基于视觉与红外信号的活体检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110766654A (zh) | 基于机器学习的活禽检测方法、装置、设备及可读介质 | |
Pereira et al. | Machine vision to identify broiler breeder behavior | |
Aydin et al. | A novel method to automatically measure the feed intake of broiler chickens by sound technology | |
CN110929650B (zh) | 豢养物身份识别方法、装置、计算设备、可读存储介质 | |
Nasirahmadi et al. | Pecking activity detection in group-housed turkeys using acoustic data and a deep learning technique | |
CN107330403B (zh) | 一种基于视频数据的牦牛计数方法 | |
CN107669278B (zh) | 运动状态识别方法和系统、动物行为识别系统 | |
CN111161265A (zh) | 一种动物计数、图像处理方法和装置 | |
CN110991220B (zh) | 禽蛋检测、图像处理方法,装置、电子设备及存储介质 | |
CN111914685A (zh) | 母猪发情检测方法、装置、电子设备及存储介质 | |
KR20230094873A (ko) | 양계 데이터 처리 방법 및 장치 | |
Lamping et al. | ChickenNet-an end-to-end approach for plumage condition assessment of laying hens in commercial farms using computer vision | |
Penteriani et al. | Brightness variability in the white badge of the eagle owl Bubo bubo | |
CN113379561A (zh) | 一种家禽数量的智能计算方法、设备及介质 | |
CN116912881A (zh) | 一种动物物种识别方法、计算机设备以及识别系统 | |
Zu et al. | Joint Feature Target Detection Algorithm of Beak State Based on YOLOv5 | |
CN115100683A (zh) | 估重方法、装置、设备及存储介质 | |
CN109242219B (zh) | 蛋鸡采食行为的预测方法及蛋鸡采食行为的预测装置 | |
CN112215107A (zh) | 一种猪的行为识别方法及装置、电子设备和存储介质 | |
CN111652084A (zh) | 一种异常蛋鸡识别方法及装置 | |
Wicaksono et al. | Tea leaf maturity levels based on ycbcr color space and clustering centroid | |
Purves et al. | Does white tail patch size indicate quality in male Cerulean Warblers (Setophaga cerulea)? | |
KR20230101441A (ko) | 양계 데이터 처리 방법 및 장치 | |
CN117809010B (zh) | 一种电子烟烟雾分析检测方法及系统 | |
Saenong et al. | Identification of Poultry Reproductive Behavior Using Faster R-CNN with MobileNet V3 Architecture in Traditional Cage Environment |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40014877 Country of ref document: HK |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200207 |