CN110866481B - 一种母猪发情检测方法及装置 - Google Patents

Abstract

本发明实施例提供一种母猪发情检测方法及装置，方法包括：读取母猪监控图像；对母猪监控图像进行轮廓提取，获取母猪轮廓；根据母猪轮廓对母猪姿态进行判断，确定母猪姿态是否为站立姿态；从母猪姿态被确定为站立姿态开始计时，判断母猪姿态处于站立姿态的持续时长是否大于预设发情阈值，若是，则判定母猪发情，否则重新确定母猪姿态变为站立姿态的起始时间点，并重复执行母猪姿态处于站立姿态的持续时长是否大于预设发情阈值的判断过程。本发明实施例提供的母猪发情检测方法，只需采集母猪监控图像，然后经过后台自动化处理即可判断母猪是否发情，从而实现了母猪发情的自动化检测，且整个检测过程所需成本较低、检测效率较高，检测准确度也较高。

Description

一种母猪发情检测方法及装置

技术领域

本发明涉及计算机技术领域，尤其涉及一种母猪发情检测方法及装置。

背景技术

鉴定母猪是否发情，是关系到能否使母猪正常配种、受胎与产仔多少的关键环节。常见的母猪发情鉴定方法分为外部观察法、阴道黏膜黏液检查法、静立反射检查法、公猪试情法等。

对于母猪的发情鉴定，国内外猪场主要使用的是由经验丰富的专业饲养员对母猪发情行为进行判断。专业饲养员用手压母猪背部或臀部，母猪呆立不动，或用试情公猪爬跨母猪，母猪呆立不动，即为配种适期。

然而，随着养殖业呈现集中大规模式发展，专业饲养员短缺成为现代养猪生产面临的一大问题，因此，目前急需一种能够自动检测母猪发情的方法。

发明内容

针对现有技术中的问题，本发明实施例提供一种母猪发情检测方法及装置。

第一方面，本发明实施例提供了一种母猪发情检测方法，包括：

读取母猪监控图像；

对所述母猪监控图像进行轮廓提取，获取母猪轮廓；

根据所述母猪轮廓对母猪姿态进行判断，确定母猪姿态是否为站立姿态；

从母猪姿态被确定为站立姿态开始计时，判断母猪姿态处于站立姿态的持续时长是否大于预设发情阈值，若是，则判定母猪发情，否则重新确定母猪姿态变为站立姿态的起始时间点，并重复执行母猪姿态处于站立姿态的持续时长是否大于预设发情阈值的判断过程。

进一步地，所述从母猪姿态被确定为站立姿态开始计时，判断母猪姿态处于站立姿态的持续时长是否大于预设发情阈值，若是，则判定母猪发情，否则重新确定母猪姿态变为站立姿态的起始时间点，并重复执行母猪姿态处于站立姿态的持续时长是否大于预设发情阈值的判断过程，具体包括：

从母猪姿态被确定为站立姿态开始，将获取的第一张图像进行VIBE背景建模并开始计时；

将所有新获取的图像设置为背景图，已经获取的上一张图像设置为前景图，以n秒获取一张图像的速度获取图像，并且进行前景图和背景图的对比，判断是否发生突变，如果发生突变，则将前景图更新为背景图，重新建模和计时，如果没有发生突变则将时间累加，并且判断累加时间是否达到预设发情阈值，如果达到预设发情阈值则将结果发送给预设终端，以告知预设终端检测到母猪发情，如果没有达到预设发情阈值，则n秒后将重新获取的图像进行判断是否突变，直至结束，其中，n＞0。

进一步地，所述对所述母猪监控图像进行轮廓提取，获取母猪轮廓，具体包括：

预先采集母猪在进食、睡眠、呆立、排便和发情不同状况下的多张图像作为训练样本；

对所述训练样本中的每个图像进行进食、睡眠、呆立、排便和发情的状态标记，形成训练集和测试集；

将训练集中的图像作为样本输入数据，将对应的状态标记结果作为样本输出数据，基于机器学习算法进行FCN网络模型的训练，获取初步母猪轮廓提取模型；

利用测试集中的图像以及对应的状态标记结果对所述初步母猪轮廓提取模型进行测试，并根据测试结果调整所述初步母猪轮廓提取模型直至预测结果满足预设准确度条件后获得最优母猪轮廓提取模型；

将所述母猪监控图像输入至所述最优母猪轮廓提取模型中，并根据所述最优母猪轮廓提取模型的输出结果判断所述母猪监控图像中母猪的状态；

根据所述母猪监控图像中母猪的状态对所述母猪监控图像进行轮廓提取，获取母猪轮廓。

进一步地，在根据所述母猪监控图像中母猪的状态对所述母猪监控图像进行轮廓提取，获取母猪轮廓之后，所述方法还包括：

先对图像二值化处理，使得图像中的像素值对应0和255，其中，0值对应暗，255值对应高亮；

进行形态学处理，对图像执行膨胀，对应高亮区域是胀大，在图像上母猪的轮廓的区域像素值都为255，所以轮廓为高亮区域，面积增大，对暗区域相当于是腐蚀，面积缩小，然后通过计算连通区域面积，剔除小面积区域的方式，获取最终母猪轮廓。

进一步地，所述根据所述母猪轮廓对母猪姿态进行判断，确定母猪姿态是否为站立姿态，具体包括：

预先采集母猪在站立和躺卧不同姿态下的轮廓图像作为训练样本；

对所述训练样本中的每个轮廓图像进行站立和躺卧的姿态标记，形成训练集和测试集；

将训练集中的轮廓图像作为样本输入数据，将对应的姿态标记结果作为样本输出数据，基于机器学习算法进行LeNet网络模型的训练，获取初步母猪姿态检测模型；

利用测试集中的轮廓图像以及对应的姿态标记结果对所述初步母猪姿态检测模型进行测试，并根据测试结果调整所述初步母猪姿态检测模型直至预测结果满足预设准确度条件后获得最优母猪姿态检测模型；

将所述母猪轮廓输入至所述最优母猪姿态检测模型，并根据所述最优母猪姿态检测模型的输出结果判断母猪姿态是否为站立姿态。

进一步地，所述母猪发情检测方法，还包括：

当所述母猪监控图像中包括多只母猪时，对所述母猪监控图像进行对象分割，获取单只母猪图像；相应地，对单只母猪图像进行母猪发情检测。

第二方面，本发明实施例还提供了一种母猪发情检测装置，包括：

读取模块，用于读取母猪监控图像；

获取模块，用于对所述母猪监控图像进行轮廓提取，获取母猪轮廓；

确定模块，用于根据所述母猪轮廓对母猪姿态进行判断，确定母猪姿态是否为站立姿态；

检测模块，用于从母猪姿态被确定为站立姿态开始计时，判断母猪姿态处于站立姿态的持续时长是否大于预设发情阈值，若是，则判定母猪发情，否则重新确定母猪姿态变为站立姿态的起始时间点，并重复执行母猪姿态处于站立姿态的持续时长是否大于预设发情阈值的判断过程。

进一步地，所述检测模块，具体用于：

从母猪姿态被确定为站立姿态开始，将获取的第一张图像进行VIBE背景建模并开始计时；

将所有新获取的图像设置为背景图，已经获取的上一张图像设置为前景图，以n秒获取一张图像的速度获取图像，并且进行前景图和背景图的对比，判断是否发生突变，如果发生突变，则将前景图更新为背景图，重新建模和计时，如果没有发生突变则将时间累加，并且判断累加时间是否达到预设发情阈值，如果达到预设发情阈值则将结果发送给预设终端，以告知预设终端检测到母猪发情，如果没有达到预设发情阈值，则n秒后将重新获取的图像进行判断是否突变，直至结束，其中，n＞0。

第三方面，本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所述母猪发情检测方法的步骤。

第四方面，本发明实施例还提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所述母猪发情检测方法的步骤。

由上面技术方案可知，本发明实施例提供的母猪发情检测方法及装置，根据母猪监控图像获取母猪轮廓，然后根据母猪轮廓判定母猪姿态，并在确定母猪姿态为站立姿态时，判断母猪姿态处于站立姿态的持续时长是否大于预设发情阈值，若是，则判定母猪发情，由此可见，本发明实施例提供的母猪发情检测方法，只需采集母猪监控图像，然后经过后台自动化处理即可判断母猪是否发情，从而实现了母猪发情的自动化检测，且整个检测过程所需成本较低、检测效率较高，检测准确度也较高。

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一简单地介绍，显而易见地，下面描述中的附图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。

图1为本发明一实施例提供的母猪发情检测方法的流程图；

图2是本发明一实施例提供的母猪发情检测方法处理过程示意图；

图3是本发明一实施例提供的母猪监控图像采集过程示意图；

图4是本发明一实施例提供的母猪轮廓提取过程示意图；

图5是本发明一实施例提供的母猪轮廓提取结果示意图；

图6是本发明一实施例提供的经过形态学处理后的轮廓提取结果示意图；

图7是本发明一实施例提供的第一只母猪轮廓分割示意图；

图8是本发明一实施例提供的第二只母猪轮廓分割示意图；

图9是本发明一实施例提供的第三只母猪轮廓分割示意图；

图10是本发明一实施例提供的母猪姿态识别过程示意图；

图11是本发明一实施例提供的母猪发情检测过程示意图；

图12为本发明一实施例提供的母猪发情检测装置的结构示意图；

图13为本发明一实施例提供的电子设备的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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。

鉴定母猪是否发情，是关系到能否使母猪正常配种、受胎与产仔多少的关键环节。常见的母猪发情鉴定方法分为外部观察法、阴道黏膜黏液检查法、静立反射检查法、公猪试情法等。对于母猪的发情鉴定，国内外猪场主要使用的是由经验丰富的专业饲养员对母猪发情行为进行判断。专业饲养员用手压母猪背部或臀部，母猪呆立不动，或用试情公猪爬跨母猪，母猪呆立不动，即为配种适期。然而，随着养殖业呈现集中大规模式发展，专业饲养员短缺成为现代养猪生产面临的一大问题，因此，目前急需一种能够自动检测母猪发情的方法。目前国内外大多采用红外传感器进行母猪发情判定。例如，S.C.Scolari等利用红外热成像技术检测母猪发情周期中外阴部体表温度和臀部温度的变化，发现母猪发情开始阴门温度显著升高，排卵前显著降低，由此提出了根据阴部温度的变化来进行发情判断的可能，但是红外热成像技术对外界温度、湿度、风速和测定时母猪站立姿势、位置等因素较敏感，不宜作为判断依据。张子云等通过新型电子芯片检测不同品种后各母猪皮下体温，探索后备母猪发情期和非发情期体温变化规律。但是由于猪只个体差异导致其本身就会存在体温差异且每天猪只自身温度也有1℃左右的变化，此外，接触性温度采集设备会对母猪产生应激反应，而非接触性温度采集设备造价高，且对采集距离有要求，再加上温度对比不显著，因而不宜作为判断依据。为解决该问题，本发明实施例提供了一种母猪发情检测方法及装置，本发明实施例不但能够实现母猪发情的自动检测，而且成本低、效率高、检测准确度高。下面将通过具体实施例对本发明提供的方案进行详细解释说明。

图1示出了本发明实施例提供的母猪发情检测方法的流程图。如图1所示，本发明实施例提供的母猪发情检测方法包括如下步骤：

步骤101：读取母猪监控图像，其中，所述母猪监控图像是在公猪查情状态下得到的母猪监控图像；

步骤102：对所述母猪监控图像进行轮廓提取，获取母猪轮廓；

步骤103：根据所述母猪轮廓对母猪姿态进行判断，确定母猪姿态是否为站立姿态；

步骤104：从母猪姿态被确定为站立姿态开始计时，判断母猪姿态处于站立姿态的持续时长是否大于预设发情阈值，若是，则判定母猪发情，否则重新确定母猪姿态变为站立姿态的起始时间点，并重复执行母猪姿态处于站立姿态的持续时长是否大于预设发情阈值的判断过程。

在本实施例中，在进行母猪发情图像监控时，需要在母猪栏上方布置图像监控设备，例如可以在母猪栏上方挂载RGB摄像头，并依据图像采集广度和图片清晰度确定RGB和猪只数量对应关系(定位栏只需标记栏号，无需标记耳号)。此外，需要说明的是，在进行母猪发情监控时，需要划定专门的查情区域，铺设公猪车轨道，使用公猪查情，具体地，使得公猪车匀速前进，使得公猪与每头母猪接触时间约1min。需要说明的是，在使用公猪查情时，以母猪静立表现为主要判别依据(母猪不动，持续4分钟以上)，“静立”识别是方案的核心，其准确性将直接影响发情判定的准确性。其中，每只猪的栏上都安装一个发情示警灯，当确认发情时，红灯亮起。将发情母猪的具体栏位发送给服务器端，并推送给管理员移动终端。

在本实施例中，从图像监控设备中持续读取母猪监控图像，然后对读取到的母猪监控图像进行轮廓提取，获取母猪轮廓，接着根据母猪轮廓对母猪姿态进行判断，确定母猪姿态是否为站立姿态，从母猪姿态被确定为站立姿态开始计时，通过后续读取的母猪监控图像判断母猪姿态处于站立姿态的持续时长是否大于预设发情阈值，若是，则判定母猪发情，否则重新确定母猪姿态变为站立姿态的起始时间点，并重复执行母猪姿态处于站立姿态的持续时长是否大于预设发情阈值的判断过程。在本实施例中，所述预设发情阈值可以取值为4min。当然，本发明对此不作限定，根据实际需要，还可以设定为其他数值。需要说明的是，母猪在采食/饮水、睡眠、呆立/排便时也会站立，但是在这些状态下，母猪站立的时间很少超过1min，因此，通过预设发情阈值的判断，可以有效将其他非发情的站立状况排除，进而可以得到较为准确的发情检测结果。

在本实施例中，需要说明的是，通过监控图像判断母猪是否发生长时间站立进而检测母猪是否发情的检测方式，相对于传感器检测温度的检测方式来说，不但成本低，自动化程度强、无应急反应，而且检测准确度高，因而可以得到很好的实际推广。

由上面技术方案可知，本发明实施例提供的母猪发情检测方法及装置，根据母猪监控图像获取母猪轮廓，然后根据母猪轮廓判定母猪姿态，并在确定母猪姿态为站立姿态时，判断母猪姿态处于站立姿态的持续时长是否大于预设发情阈值，若是，则判定母猪发情，由此可见，本发明实施例提供的母猪发情检测方法，只需采集母猪监控图像，然后即可经过后台自动化处理判断母猪是否发情，从而实现了母猪发情的自动化检测。此外，通过采集母猪监控图像并经计算机处理进而检测母猪是否发情的方式，相对于其他采用传感器进行检测的方式，不仅成本低、效率高、无损伤，还可避免采用传感器监测方法引起的猪的应激反应。此外，通过计算机进行检测能够更为准确地确定发情时间，从而可以为人工受精提供准确的依据，提高一次受精成功率，并且可以降低因为人工参与引起的疾病传播风险。

基于上述实施例的内容，在本实施例中，上述步骤104从母猪姿态被确定为站立姿态开始计时，判断母猪姿态处于站立姿态的持续时长是否大于预设发情阈值，若是，则判定母猪发情，否则重新确定母猪姿态变为站立姿态的起始时间点，并重复执行母猪姿态处于站立姿态的持续时长是否大于预设发情阈值的判断过程，具体可通过如下方式实现：

从母猪姿态被确定为站立姿态开始，将获取的第一张图像进行VIBE背景建模并开始计时；

将所有新获取的图像设置为背景图，已经获取的上一张图像设置为前景图，以n秒获取一张图像的速度获取图像，并且进行前景图和背景图的对比，判断是否发生突变，如果发生突变，则将前景图更新为背景图，重新建模和计时，如果没有发生突变则将时间累加，并且判断累加时间是否达到预设发情阈值，如果达到预设发情阈值则将结果发送给预设终端，以告知预设终端检测到母猪发情，如果没有达到预设发情阈值，则n秒后将重新获取的图像进行判断是否突变，直至结束，其中，n＞0。

在本实施例中，如图11所示，使用了基于VIBE背景建模算法的判定方法。首先将获取到的第一张图片进行建模，并开始计时，所有新获取的图片设置为背景图，已经获取的上一张图片设置为前景图，例如可以以1s获取一张图片的速度获取图片，并且进行前景图和背景图的对比，判断是否发生突变(这里的发生突变是指从站立状态变为不再是站立状态，如发生走动或躺卧)。如果发生突变，将前景图更新为背景图，重新建模、计时，如果没有发生突变将时间累加，并且判断累加时间是否达到预设发情阈值时间，如果达到阈值时间将结果传输到管理员，如果没有达到预设发情阈值时间，那么1s后将重新获取图片进行判断是否突变，直至结束。在本实施例中，使用VIBE背景建模算法可适应光照变化摄像头抖动等情况，并对噪声反应灵敏，计算量小，内存占用少，是一种高效的背景建模算法。在本实施例中，需要说明的是，VIBE背景建模算法是本技术领域较为常用的算法，因此本实施例对该部分的算法处理过程不再详述。

由于在后续实施例在介绍轮廓提取和姿态判定时需要用到母猪处于不同状态下的图像样本数据，因此，下面给出母猪图像样本采集方法和采集过程。

需要用到的软件：数据采集平台软件；需要用到的硬件：RGB摄像头(9个)；需要用到的高性能计算与应用服务平台(配置1-2块GPU卡)

试验数据采集：目的：数据采集获取(采用RGB摄像头，按需定时采集图片)；使用专业监控相机(或专业RGB摄像头)，考虑猪舍环境，应考虑防尘及防潮。多栏共用一摄像头，降低设备成本，及维护工作量(依据图像分割和轮廓识别清晰度确定，尽量覆盖多个猪栏)。定时采集，时间间隔1秒，在查情前启动设备(或采用触发式)，此外，采集前做母猪栏位匹配，猪栏上方摄像头配置方案(净高1.8-2米)，可以采用RGB摄像头，放置在多栏母猪上方拍摄俯视图，如图3所示。

具体的数据采集方案：

1、确立数据采集场地

2、选取部分有代表性猪只(猪栏)

上方摄像头配置9个(高度在1.8米，2.0米，2.2米间)，分别覆盖多栏猪(具体栏数按覆盖范围确定)；

猪只发生静止(静立)状态，有可能是以下几种状况：

1)采食/饮水；

2)睡眠；

3)呆立/排便(很少超过1分钟的)；

分别选取采食时间、睡眠时间段，发情检测时间段(仅考虑日间)进行数据采集，间隔10秒拍摄一张图片。条件不允许情况下也可全天拍摄采集，后期人工处理。

采样周期：

依据上述要求采集1个月的日间数据，每1秒存储一次，进行发情静立分析，全天24小时采集数据，如果可控，仅采集规定时间段日间数据。

采集数据时：

1)标识每天每次喂食开始时间-结束时间(该区间数据单独存放)；

2)标识每次发情检测开始时间-结束时间(该区间数据单独存放)；

3)图片命名规则，栏位-月日分秒

4)发情鉴定时，标识发情猪只信息(或以鉴定人员手中表格为依据)，但应包括以下信息：栏位-猪只标号-发情状况-鉴别时间。

数据集标签：

每次照片采集时由管理员在移动端点击开始选项；通过对摄像头接口的开发，每10秒钟采集一张照片，并且将该摄像头所在的栏位和采集的时间的信息对图片命名。同时将图片传输管理员的前端，页面会显示需标注的选项(采食/饮食/睡眠/呆立等)

采食/饮水图片信息收集：根据标识的喂食时间与结束时间，收集图片；

睡眠图片信息收集：母猪睡眠时，其表现也是“静止”的，但特征有别于发情“静立”。

母猪栏的宽度较窄会导致母猪侧躺时的轮廓填充到整个画面，有明显的躺卧特征，可以采用深度学习方法对其进行鉴别。因猪只睡眠时间不固定，需要人工在数据集中查找，标注。

排便/呆立图片信息收集：据调研，母猪排便、呆立的时间较短，一般10几秒，不超过1分钟。母猪呆立的情况很少，采集后的数据进行人工查找，找到几组数据，用于反面案例识别。

发情图片信息收集：依据发情开始-结束时间，收集图片，用于“静立”识别。

基于上述实施例的内容，在本实施例中，上述步骤102对所述母猪监控图像进行轮廓提取，获取母猪轮廓，具体可通过如下方式实现：

预先采集母猪在进食、睡眠、呆立、排便和发情不同状况下的多张图像作为训练样本；

对所述训练样本中的每个图像进行进食、睡眠、呆立、排便和发情的状态标记，形成训练集和测试集；

将训练集中的图像作为样本输入数据，将对应的状态标记结果作为样本输出数据，基于机器学习算法进行FCN网络模型的训练，获取初步母猪轮廓提取模型；

利用测试集中的图像以及对应的状态标记结果对所述初步母猪轮廓提取模型进行测试，并根据测试结果调整所述初步母猪轮廓提取模型直至预测结果满足预设准确度条件后获得最优母猪轮廓提取模型；

将所述母猪监控图像输入至所述最优母猪轮廓提取模型中，并根据所述最优母猪轮廓提取模型的输出结果判断所述母猪监控图像中母猪的状态；

根据所述母猪监控图像中母猪的状态对所述母猪监控图像进行轮廓提取，获取母猪轮廓。

在本实施例中，由于拍摄角度会导致正中间的母猪能够拍摄到全部的轮廓、两侧的母猪只能拍摄到部分轮廓(如母猪睡眠时，左侧的母猪背部紧贴近最左侧的栏杆，由于角度可能导致拍摄到母猪的四肢不全)。母猪进食和静立时所拍摄到的轮廓头部是不同的，母猪进食与饮水头部是下低的，母猪睡眠时的轮廓是含有四肢的，都与静立时的轮廓不同。所以需要对其轮廓提取。在本实施例中，如图4所示，采用基于FCN(全卷积网络)的深度学习方式进行图像识别和轮廓提取。首先获取母猪图片，准备训练样本，其次对训练样本中不同栏的母猪进行标记，形成训练集和测试集；再对实验数据进行直方图均衡化预处理，减小亮度不均的影响；设置FCN结构参数，利用训练样本训练分割模型，以获取最优母猪图像分割模型。在本实施例中，需要说明的是，在得到最优母猪图像分割模型之后，可以将获取的母猪监控图像输入至所述最优母猪轮廓提取模型中，并根据所述最优母猪轮廓提取模型的输出结果判断所述母猪监控图像中母猪的状态；当获知母猪的状态后，就可以根据所述母猪监控图像中母猪的状态对所述母猪监控图像进行轮廓提取，例如，母猪睡眠时的轮廓是含有四肢的，因此当确定母猪状态为睡眠时，需要对其四肢进行轮廓提取。

在本实施例中，需要说明的是，与传统用CNN进行图像分割的方法相比，FCN有两大明显的优点：一是可以接受任意大小的输入图像，而不用要求所有的训练图像和测试图像具有同样的尺寸。二是更加高效，因为避免了由于使用像素块而带来的重复存储和计算卷积的问题。

基于上述实施例的内容，在本实施例中，在根据所述母猪监控图像中母猪的状态对所述母猪监控图像进行轮廓提取，获取母猪轮廓之后，所述方法还包括：

先对图像二值化处理，使得图像中的像素值对应0和255，其中，0值对应暗，255值对应高亮；

进行形态学处理，对图像执行膨胀，对应高亮区域是胀大，在图像上母猪的轮廓的区域像素值都为255，所以轮廓为高亮区域，面积增大，对暗区域相当于是腐蚀，面积缩小，然后通过计算连通区域面积，剔除小面积区域的方式，获取最终母猪轮廓。

在本实施例中，在得到母猪轮廓后，进一步采用形态学处理，并通过计算连通区域面积，剔除小面积区域的方式，获取最终母猪轮廓，如图5和图6所示，其中图5是初始得到的轮廓提取结果，图6是采用形态学处理后得到的轮廓提取结果。

基于上述实施例的内容，在本实施例中，上述步骤103根据所述母猪轮廓对母猪姿态进行判断，确定母猪姿态是否为站立姿态，具体包括：

预先采集母猪在站立和躺卧不同姿态下的轮廓图像作为训练样本；

对所述训练样本中的每个轮廓图像进行站立和躺卧的姿态标记，形成训练集和测试集；

将训练集中的轮廓图像作为样本输入数据，将对应的姿态标记结果作为样本输出数据，基于机器学习算法进行LeNet网络模型的训练，获取初步母猪姿态检测模型；

利用测试集中的轮廓图像以及对应的姿态标记结果对所述初步母猪姿态检测模型进行测试，并根据测试结果调整所述初步母猪姿态检测模型直至预测结果满足预设准确度条件后获得最优母猪姿态检测模型；

将所述母猪轮廓输入至所述最优母猪姿态检测模型，并根据所述最优母猪姿态检测模型的输出结果判断母猪姿态是否为站立姿态。

在本实施例中，由于母猪的姿态主要分为站立和躺卧，但躺卧的时间较长会影响母猪发情行为的判定，所以需要进行母猪躺卧的行为判定。本实施例，如图10所示，采用LeNet网络进行姿态的识别。首先获取母猪图片，准备训练样本，其次对训练样本中不同栏的母猪的躺卧和站立进行标记，形成训练集和测试集；设置LeNet网络结构参数，利用训练样本训练识别模型，以获取最优母猪姿态检测模型。需要说明的是，本实施例采用LeNet网络进行姿态的识别，使用LeNet网络模型的精度和速度明显优于其他小型神经网络模型。

基于上述实施例的内容，在本实施例中，所述方法还包括：

当所述母猪监控图像中包括多只母猪时，对所述母猪监控图像进行对象分割，获取单只母猪图像；相应地，对单只母猪图像进行母猪发情检测。

在本实施例中，由于拍摄方式不同，一张照片中可能会有多栏猪，如图3和图5所示情况下，一张图像中会包括三栏猪，为了将每栏猪都独立出来，需要进行图像分割。以获取包含母猪区域的图片为输入，基于图片的RGB矩阵，从左至右遍历，依次保留单个母猪区域图像，将其余图片部分更改为黑色，图像分割效果图如图7、图8和图9所示。需要说明的是，图像分割一般位于轮廓提取之后，这在图2所示的过程图中可以看到。

图12示出了本发明实施例提供的母猪发情检测装置的结构示意图。如图12所示，本发明实施例提供的母猪发情检测装置包括：读取模块21、获取模块22、确定模块23和检测模块24，其中：

读取模块21，用于读取母猪监控图像；

获取模块22，用于对所述母猪监控图像进行轮廓提取，获取母猪轮廓；

确定模块23，用于根据所述母猪轮廓对母猪姿态进行判断，确定母猪姿态是否为站立姿态；

检测模块24，用于从母猪姿态被确定为站立姿态开始计时，判断母猪姿态处于站立姿态的持续时长是否大于预设发情阈值，若是，则判定母猪发情，否则重新确定母猪姿态变为站立姿态的起始时间点，并重复执行母猪姿态处于站立姿态的持续时长是否大于预设发情阈值的判断过程。

基于上述实施例的内容，在本实施例中，所述检测模块24，具体用于：

从母猪姿态被确定为站立姿态开始，将获取的第一张图像进行VIBE背景建模并开始计时；

将所有新获取的图像设置为背景图，已经获取的上一张图像设置为前景图，以n秒获取一张图像的速度获取图像，并且进行前景图和背景图的对比，判断是否发生突变，如果发生突变，则将前景图更新为背景图，重新建模和计时，如果没有发生突变则将时间累加，并且判断累加时间是否达到预设发情阈值，如果达到预设发情阈值则将结果发送给预设终端，以告知预设终端检测到母猪发情，如果没有达到预设发情阈值，则n秒后将重新获取的图像进行判断是否突变，直至结束，其中，n＞0。

由于本发明实施例提供的母猪发情检测装置，可以用于执行上述实施例所述的母猪发情检测方法，其工作原理和有益效果类似，故此处不再详述，具体内容可参见上述实施例的介绍。

基于相同的发明构思，本发明又一实施例提供了一种电子设备，参见图13，所述电子设备具体包括如下内容：处理器301、存储器302、通信接口303和通信总线304；

其中，所述处理器301、存储器302、通信接口303通过所述通信总线304完成相互间的通信；

所述处理器301用于调用所述存储器302中的计算机程序，所述处理器执行所述计算机程序时实现上述母猪发情检测方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述过程：读取母猪监控图像；对所述母猪监控图像进行轮廓提取，获取母猪轮廓；根据所述母猪轮廓对母猪姿态进行判断，确定母猪姿态是否为站立姿态；从母猪姿态被确定为站立姿态开始计时，判断母猪姿态处于站立姿态的持续时长是否大于预设发情阈值，若是，则判定母猪发情，否则重新确定母猪姿态变为站立姿态的起始时间点，并重复执行母猪姿态处于站立姿态的持续时长是否大于预设发情阈值的判断过程。

基于相同的发明构思，本发明又一实施例提供了一种非暂态计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述母猪发情检测方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述过程：读取母猪监控图像；对所述母猪监控图像进行轮廓提取，获取母猪轮廓；根据所述母猪轮廓对母猪姿态进行判断，确定母猪姿态是否为站立姿态；从母猪姿态被确定为站立姿态开始计时，判断母猪姿态处于站立姿态的持续时长是否大于预设发情阈值，若是，则判定母猪发情，否则重新确定母猪姿态变为站立姿态的起始时间点，并重复执行母猪姿态处于站立姿态的持续时长是否大于预设发情阈值的判断过程。

此外，上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案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中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所描述的装置实施例仅仅是示意性的，其中所述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发明实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

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各实施方式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。基于这样的理解，上述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，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的母猪发情检测方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (7)

1.一种母猪发情检测方法，其特征在于，包括：

读取母猪监控图像；

对所述母猪监控图像进行轮廓提取，获取母猪轮廓；

根据所述母猪轮廓对母猪姿态进行判断，确定母猪姿态是否为站立姿态；

从母猪姿态被确定为站立姿态开始计时，判断母猪姿态处于站立姿态的持续时长是否大于预设发情阈值，若是，则判定母猪发情，否则重新确定母猪姿态变为站立姿态的起始时间点，并重复执行母猪姿态处于站立姿态的持续时长是否大于预设发情阈值的判断过程；

其中，当所述母猪监控图像中包括多只母猪时，对所述母猪监控图像进行对象分割，获取单只母猪图像；对单只母猪图像进行母猪发情检测；

其中，获取包含母猪区域的图片为输入，基于图片的RGB矩阵，从左至右遍历，依次保留单个母猪区域图像，将其余图片部分更改为黑色；

预先采集母猪在进食、睡眠、呆立、排便和发情不同状况下的多张图像作为训练样本；对所述训练样本中的每个图像进行进食、睡眠、呆立、排便和发情的状态标记，形成训练集和测试集；将训练集中的图像作为样本输入数据，将对应的状态标记结果作为样本输出数据，基于机器学习算法进行FCN网络模型的训练，获取初步母猪轮廓提取模型；利用测试集中的图像以及对应的状态标记结果对所述初步母猪轮廓提取模型进行测试，并根据测试结果调整所述初步母猪轮廓提取模型直至预测结果满足预设准确度条件后获得最优母猪轮廓提取模型；将所述母猪监控图像输入至所述最优母猪轮廓提取模型中，并根据所述最优母猪轮廓提取模型的输出结果判断所述母猪监控图像中母猪的状态；根据所述母猪监控图像中母猪的状态对所述母猪监控图像进行轮廓提取，获取母猪轮廓；

所述根据所述母猪轮廓对母猪姿态进行判断，确定母猪姿态是否为站立姿态，具体包括：

预先采集母猪在站立和躺卧不同姿态下的轮廓图像作为训练样本；

对所述训练样本中的每个轮廓图像进行站立和躺卧的姿态标记，形成训练集和测试集；

将训练集中的轮廓图像作为样本输入数据，将对应的姿态标记结果作为样本输出数据，基于机器学习算法进行LeNet网络模型的训练，获取初步母猪姿态检测模型；

利用测试集中的轮廓图像以及对应的姿态标记结果对所述初步母猪姿态检测模型进行测试，并根据测试结果调整所述初步母猪姿态检测模型直至预测结果满足预设准确度条件后获得最优母猪姿态检测模型；

将所述母猪轮廓输入至所述最优母猪姿态检测模型，并根据所述最优母猪姿态检测模型的输出结果判断母猪姿态是否为站立姿态。

2.根据权利要求1所述的母猪发情检测方法，其特征在于，所述从母猪姿态被确定为站立姿态开始计时，判断母猪姿态处于站立姿态的持续时长是否大于预设发情阈值，若是，则判定母猪发情，否则重新确定母猪姿态变为站立姿态的起始时间点，并重复执行母猪姿态处于站立姿态的持续时长是否大于预设发情阈值的判断过程，具体包括：

从母猪姿态被确定为站立姿态开始，将获取的第一张图像进行 VIBE背景建模并开始计时；

将所有新获取的图像设置为背景图，已经获取的上一张图像设置为前景图，以n秒获取一张图像的速度获取图像，并且进行前景图和背景图的对比，判断是否发生突变，如果发生突变，则将前景图更新为背景图，重新建模和计时，如果没有发生突变则将时间累加，并且判断累加时间是否达到预设发情阈值，如果达到预设发情阈值则将结果发送给预设终端，以告知预设终端检测到母猪发情，如果没有达到预设发情阈值，则n秒后将重新获取的图像进行判断是否突变，直至结束，其中，n＞0。

3.根据权利要求1所述的母猪发情检测方法，其特征在于，在根据所述母猪监控图像中母猪的状态对所述母猪监控图像进行轮廓提取，获取母猪轮廓之后，所述方法还包括：

先对图像二值化处理，使得图像中的像素值对应0和255，其中，0值对应暗，255值对应高亮；

进行形态学处理，对图像执行膨胀，对应高亮区域是胀大，在图像上母猪的轮廓的区域像素值都为255，所以轮廓为高亮区域，面积增大，对暗区域相当于是腐蚀，面积缩小，然后通过计算连通区域面积，剔除小面积区域的方式，获取最终母猪轮廓。

4.一种母猪发情检测装置，其特征在于，包括：

读取模块，用于读取母猪监控图像；

获取模块，用于对所述母猪监控图像进行轮廓提取，获取母猪轮廓；

确定模块，用于根据所述母猪轮廓对母猪姿态进行判断，确定母猪姿态是否为站立姿态；

检测模块，用于从母猪姿态被确定为站立姿态开始计时，判断母猪姿态处于站立姿态的持续时长是否大于预设发情阈值，若是，则判定母猪发情，否则重新确定母猪姿态变为站立姿态的起始时间点，并重复执行母猪姿态处于站立姿态的持续时长是否大于预设发情阈值的判断过程

其中，当所述母猪监控图像中包括多只母猪时，对所述母猪监控图像进行对象分割，获取单只母猪图像；对单只母猪图像进行母猪发情检测；

其中，获取包含母猪区域的图片为输入，基于图片的RGB矩阵，从左至右遍历，依次保留单个母猪区域图像，将其余图片部分更改为黑色；

预先采集母猪在进食、睡眠、呆立、排便和发情不同状况下的多张图像作为训练样本；对所述训练样本中的每个图像进行进食、睡眠、呆立、排便和发情的状态标记，形成训练集和测试集；将训练集中的图像作为样本输入数据，将对应的状态标记结果作为样本输出数据，基于机器学习算法进行FCN网络模型的训练，获取初步母猪轮廓提取模型；利用测试集中的图像以及对应的状态标记结果对所述初步母猪轮廓提取模型进行测试，并根据测试结果调整所述初步母猪轮廓提取模型直至预测结果满足预设准确度条件后获得最优母猪轮廓提取模型；将所述母猪监控图像输入至所述最优母猪轮廓提取模型中，并根据所述最优母猪轮廓提取模型的输出结果判断所述母猪监控图像中母猪的状态；根据所述母猪监控图像中母猪的状态对所述母猪监控图像进行轮廓提取，获取母猪轮廓；

所述根据所述母猪轮廓对母猪姿态进行判断，确定母猪姿态是否为站立姿态，具体包括：

预先采集母猪在站立和躺卧不同姿态下的轮廓图像作为训练样本；

对所述训练样本中的每个轮廓图像进行站立和躺卧的姿态标记，形成训练集和测试集；

将训练集中的轮廓图像作为样本输入数据，将对应的姿态标记结果作为样本输出数据，基于机器学习算法进行LeNet网络模型的训练，获取初步母猪姿态检测模型；

利用测试集中的轮廓图像以及对应的姿态标记结果对所述初步母猪姿态检测模型进行测试，并根据测试结果调整所述初步母猪姿态检测模型直至预测结果满足预设准确度条件后获得最优母猪姿态检测模型；

将所述母猪轮廓输入至所述最优母猪姿态检测模型，并根据所述最优母猪姿态检测模型的输出结果判断母猪姿态是否为站立姿态。

5.根据权利要求4所述的母猪发情检测装置，其特征在于，所述检测模块，具体用于：

从母猪姿态被确定为站立姿态开始，将获取的第一张图像进行 VIBE背景建模并开始计时；

将所有新获取的图像设置为背景图，已经获取的上一张图像设置为前景图，以n秒获取一张图像的速度获取图像，并且进行前景图和背景图的对比，判断是否发生突变，如果发生突变，则将前景图更新为背景图，重新建模和计时，如果没有发生突变则将时间累加，并且判断累加时间是否达到预设发情阈值，如果达到预设发情阈值则将结果发送给预设终端，以告知预设终端检测到母猪发情，如果没有达到预设发情阈值，则n秒后将重新获取的图像进行判断是否突变，直至结束，其中，n＞0。

6.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至3任一项所述母猪发情检测方法的步骤。

7.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至3任一项所述母猪发情检测方法的步骤。

Images