CN110897756A - 一种预测目标对象发情状态的方法及系统 - Google Patents
一种预测目标对象发情状态的方法及系统 Download PDFInfo
- Publication number
- CN110897756A CN110897756A CN201811082748.5A CN201811082748A CN110897756A CN 110897756 A CN110897756 A CN 110897756A CN 201811082748 A CN201811082748 A CN 201811082748A CN 110897756 A CN110897756 A CN 110897756A
- Authority
- CN
- China
- Prior art keywords
- target object
- state
- classification model
- data
- mating
- 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
- 230000012173 estrus Effects 0.000 title claims abstract description 105
- 238000000034 method Methods 0.000 title claims abstract description 86
- 238000013145 classification model Methods 0.000 claims abstract description 69
- 230000013011 mating Effects 0.000 claims description 73
- 238000012549 training Methods 0.000 claims description 60
- 230000036760 body temperature Effects 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 19
- 238000012790 confirmation Methods 0.000 claims description 12
- 210000003097 mucus Anatomy 0.000 claims description 12
- 230000000877 morphologic effect Effects 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000001931 thermography Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 5
- 210000000582 semen Anatomy 0.000 claims description 5
- 238000009396 hybridization Methods 0.000 claims description 4
- 230000031864 metaphase Effects 0.000 claims description 3
- 238000009395 breeding Methods 0.000 description 41
- 230000001488 breeding effect Effects 0.000 description 41
- 238000004891 communication Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 241000282887 Suidae Species 0.000 description 6
- 210000003905 vulva Anatomy 0.000 description 6
- 210000005069 ears Anatomy 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 238000010992 reflux Methods 0.000 description 3
- 230000008961 swelling Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 239000000262 estrogen Substances 0.000 description 2
- 238000009313 farming Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 210000004392 genitalia Anatomy 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 210000004400 mucous membrane Anatomy 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000035935 pregnancy Effects 0.000 description 2
- 230000028327 secretion Effects 0.000 description 2
- 230000007723 transport mechanism Effects 0.000 description 2
- MCSXGCZMEPXKIW-UHFFFAOYSA-N 3-hydroxy-4-[(4-methyl-2-nitrophenyl)diazenyl]-N-(3-nitrophenyl)naphthalene-2-carboxamide Chemical compound Cc1ccc(N=Nc2c(O)c(cc3ccccc23)C(=O)Nc2cccc(c2)[N+]([O-])=O)c(c1)[N+]([O-])=O MCSXGCZMEPXKIW-UHFFFAOYSA-N 0.000 description 1
- 208000031636 Body Temperature Changes Diseases 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 238000013019 agitation Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 210000004246 corpus luteum Anatomy 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004877 mucosa Anatomy 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 210000001672 ovary Anatomy 0.000 description 1
- 230000001850 reproductive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61D—VETERINARY INSTRUMENTS, IMPLEMENTS, TOOLS, OR METHODS
- A61D17/00—Devices for indicating trouble during labour of animals ; Methods or instruments for detecting pregnancy-related states of animals
- A61D17/002—Devices for indicating trouble during labour of animals ; Methods or instruments for detecting pregnancy-related states of animals for detecting period of heat of animals, i.e. for detecting oestrus
-
- 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
- A01K29/00—Other apparatus for animal husbandry
- A01K29/005—Monitoring or measuring activity, e.g. detecting heat or mating
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Animal Husbandry (AREA)
- Veterinary Medicine (AREA)
- Environmental Sciences (AREA)
- Pregnancy & Childbirth (AREA)
- Engineering & Computer Science (AREA)
- Biodiversity & Conservation Biology (AREA)
- Wood Science & Technology (AREA)
- Zoology (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种预测目标对象发情状态的方法及系统。其中，方法包括步骤：通过预定设备采集目标对象的状态数据，并生成表征目标对象状态的特征；将所生成的特征输入预设分类模型中，以确定目标对象的发情状态。本发明一并公开了用于执行上述方法的计算设备。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种预测目标对象发情状态的方法及系统。
背景技术
正确地判断目标对象的发情状态，是为目标对象适时配种的前提。甚至可以说，准确地预测目标对象的发情状态，是目标对象成功配种的关键点。
在传统的养殖企业中，目前只能通过经验丰富的配种人员人工判断一头目标对象是否发情、以及发情程度是否适合配种。传统的方案具有如下缺点：(1)需要大量经验丰富的查情师，目前查情需要经验非常丰富的查情师(一般是配怀舍的资深工人)来观察母猪是否发情；(2)需要大量的人工投入，大规模养殖场的每个配怀舍每天需要进行2次以上的查情，每次查情至少需要2-3个工人；(3)查情记录数据易丢失，查情过程中，由于非常耗时费力，经验丰富的查情师一般无法把目标对象形体特征、发情强烈程度及时记录到系统，但这些查情记录是养猪过程中非常重要的数据，对于目标对象的发情效率、配种成功率有非常高的指导意义。
鉴于上述弊端，亟需一种依靠人工智能方法来科学养猪的方案，能够准确预测目标对象发情状态。
发明内容
为此，本发明提供了一种预测目标对象发情状态的方法及系统，以力图解决或至少缓解上面存在的至少一个问题。
根据本发明的一个方面，提供了一种预测目标对象发情状态的方法，包括步骤：通过预定设备采集目标对象的状态数据，并生成表征目标对象状态的特征；将所生成的特征输入预设分类模型以确定目标对象的发情状态。
可选地，在根据本发明的方法中，将所生成的特征输入预设分类模型以确定目标对象的发情状态的步骤包括：将所生成的特征输入预设分类模型中，以输出预测目标对象属于各类别的概率值；根据各类别的概率值来确定目标对象的发情状态；且，根据各类别的概率值来确定目标对象的发情状态的步骤又包括：比较各类别的概率值的大小并选取出最大的概率值；以及根据最大的概率值所对应的类别来确定目标对象的发情状态。
可选地，在根据本发明的方法中，预定设备包括摄像头和热成像仪。
可选地，在根据本发明的方法中，特征包括目标对象的形态特征，以及通过预定设备采集目标对象的状态数据、并生成表征目标对象状态的特征的步骤包括：利用至少一个摄像头采集得到目标对象照片；通过图像处理算法分析得到目标对象的耳朵竖立角度；通过图像处理算法分析得到目标对象的阴部黏液量；将耳朵竖立角度和阴部黏液量作为目标对象的形态特征。
可选地，在根据本发明的方法中，特征包括目标对象的体温特征，以及通过预定设备采集目标对象的状态数据、并生成表征目标对象状态的特征的步骤包括：利用热成像仪采集目标对象的阴部体温，作为目标对象的体温特征。
可选地，在根据本发明的方法中，利用热成像仪采集目标对象的阴部体温、作为目标对象的体温特征的步骤还包括：利用热成像仪采集环境温度；根据环境温度修正阴部体温，作为目标对象的体温特征。
可选地，在根据本发明的方法中，预设分类模型采用神经网络结构，该方法还包括通过训练生成预设分类模型的步骤。
可选地，在根据本发明的方法中，通过训练生成预设分类模型的步骤包括：获取经过标注的目标对象状态数据作为训练样本，训练样本具有相应的标注数据，标注数据指示该训练样本所属类别；根据状态数据生成各训练样本的特征；将各训练样本的特征输入预训练的分类模型中进行处理，以输出预测各训练样本属于各类别的概率值；以及根据标注数据对预训练的分类模型进行模型训练，并在满足预定条件时训练结束，得到训练后的分类模型作为预设分类模型。
可选地，在根据本发明的方法中，输出预测各训练样本属于各类别的概率值的步骤还包括：根据所输出的各类别的概率值来确定各训练样本所属类别。
可选地，在根据本发明的方法中，类别包括正常状态、发情前期、发情中期和发情后期。
可选地，在根据本发明的方法中，在根据各类别的概率值来确定目标对象的发情状态的步骤之后，还包括步骤：根据目标对象的发情状态确定是否推荐目标对象进行配种。
可选地，在根据本发明的方法中，根据目标对象的发情状态确定是否推荐目标对象进行配种的步骤包括：当确定目标对象的发情状态为发情中期时，推荐目标对象进行配种；以及记录目标对象在预定时间段内的配种数据。
可选地，在根据本发明的方法中，配种数据包括：配种精液信息、配种成功信息和配种不成功信息。
可选地，在根据本发明的方法中，记录目标对象在预定时间段内的配种数据的步骤之后，还包括步骤：定期根据所记录的配种数据修正预设分类模型。
可选地，在根据本发明的方法中，目标对象包括种猪。
根据本发明的再一方面，提供了一种预测目标对象发情状态的系统，包括：数据预处理模块，包括：状态采集单元，适于通过预定设备采集目标对象的状态数据，特征生成单元，适于根据所采集的状态数据生成表征目标对象状态的特征；以及状态确认模块，适于将所生成的特征输入预设分类模型以确定目标对象的发情状态。
可选地，在根据本发明的系统中，状态确认模块还包括：特征分析单元，适于将所生成的特征输入预设分类模型中，以输出预测所述目标对象属于各类别的概率值；状态确认模块适于根据概率值来确定目标对象的发情状态。
可选地，在根据本发明的系统中，预设分类模型采用神经网络结构，特征分析单元还包括模型训练子单元，适于训练生成预设分类模型。
可选地，在根据本发明的系统中，还包括：推荐配种模块，适于根据目标对象的发情状态来确定是否推荐目标对象进行配种。
可选地，在根据本发明的系统中，推荐配种模块还适于在确定目标对象的发情状态为发情中期时、推荐目标对象进行配种，并记录目标对象在预定时间段内的配种数据。
可选地，在根据本发明的系统中，在特征分析单元中，模型训练子单元还适于定期接收来自推荐配种模块的配种数据，并根据配种数据修正所述预设分类模型。
可选地，在根据本发明的系统中，目标对象包括种猪。
根据本发明的再一个方面，提供了一种计算设备，包括：至少一个处理器；和存储有程序指令的存储器，其中，程序指令被配置为适于由至少一个处理器执行，程序指令包括用于执行如上所述任一方法的指令。
根据本发明的再一个方面，提供了一种存储有程序指令的可读存储介质，当程序指令被计算设备读取并执行时，使得计算设备执行如上所述的任一方法。
根据本发明的预测目标对象发情状态的方案，通过布置在配怀舍的轨道小车上的预定设备自动化地采集目标对象的状态数据、并生成表征目标对象状态的特征，不需要拥有工作经验的资深查情师去挨个观察并推断目标对象的状态，解决了经验丰富的查情人员紧缺的困境，同时还减少了专业人士的工作量。同时，通过人工智能算法生成预设分类模型，智能学习专业人士的专家知识，并预测目标对象的发情状态，极大地减少了用人成本，容易复制和推广，很好地推动了养殖过程中查情配种的智能化。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
为了实现上述以及相关目的，本文结合下面的描述和附图来描述某些说明性方面，这些方面指示了可以实践本文所公开的原理的各种方式，并且所有方面及其等效方面旨在落入所要求保护的主题的范围内。通过结合附图阅读下面的详细描述，本公开的上述以及其它目的、特征和优势将变得更加明显。遍及本公开，相同的附图标记通常指代相同的部件或元素。
图1示出了根据本发明一个实施例的智能养殖企业的系统100的场景示意图；
图2示出了根据本发明一个实施例的计算设备200的示意图；
图3示出了根据本发明一个实施例的预测目标对象发情状态的方法300的流程图；
图4示出了根据本发明一个实施例的预设分类模型400的网络结构图；以及
图5示出了根据本发明一个实施例的预测目标对象发情状态的系统500的示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
图1示出了根据本发明一个实施例的智能养殖企业的系统100的场景示意图。如图1所示，系统100可以分成三部分：配怀舍110、妊娠舍120和数据处理中心130。一般地，在规模化的养殖场中均配有配怀舍110和妊娠舍120。其中，配怀舍110用于为目标对象配怀，以种猪为例，在配怀后经过一段时间(通常为28天)的观察，来确定是否配种成功。一般地，在观察大约24天后没问题，就将种猪移入妊娠舍120中。根据本发明的实施方式，配怀舍110中布置有轨道，通过轨道小车巡检每个目标对象，并且在轨道小车上布置了预定设备(包括摄像头、热成像仪等)，来实时采集每个目标对象的状态数据。预定设备将采集的状态数据上传至数据处理中心130，由数据处理中心130根据目标对象的状态数据对目标对象进行一系列识别(如，形态识别、体温识别等)，并通过识别预测出目标对象的发情状态。而后数据处理中心130根据目标对象的发情状态推荐一些目标对象进行配种，同时记录目标对象的配种数据(如配种精液信息)。若配种成功，则将目标对象移入妊娠舍120中。若配种成功，向数据处理中心130上传配种成功信息；若配种不成功，则向数据处理中心130上传配种不成功信息(即，空返流信息)，以便数据处理中心130根据配种数据等分析配种成功和失败的原因，猪场的管理人员或企业养殖人员也可以通过数据处理中心130查看配种的全链路数据和配种效果报告。需要说明的是，图1中对于配怀舍和妊娠舍120的描述仅作为示例，并不对其个数做限制。
数据处理中心130作为智能养殖企业的系统100中的重点，在根据本发明的实施例中，将数据处理中心130实现为一种预测目标对象发情状态的系统500，用来实现对所采集的目标对象的状态数据的分析处理，并预测出目标对象的发情状态。进一步地，将收集到的配种数据汇总后展现给专业人员或管理人员。根据本发明的实施方式，系统500可以由一个或多个计算设备来实现。
图2示出了根据本发明一个实施例的计算设备200的示意图。
如图2所示，在基本的配置202中，计算设备200典型地包括系统存储器206和一个或者多个处理器204。存储器总线208可以用于在处理器204和系统存储器206之间的通信。
取决于期望的配置，处理器204可以是任何类型的处理，包括但不限于：微处理器(μP)、微控制器(μC)、数字信息处理器(DSP)或者它们的任何组合。处理器204可以包括诸如一级高速缓存210和二级高速缓存212之类的一个或者多个级别的高速缓存、处理器核心214和寄存器216。示例的处理器核心214可以包括运算逻辑单元(ALU)、浮点数单元(FPU)、数字信号处理核心(DSP核心)或者它们的任何组合。示例的存储器控制器218可以与处理器204一起使用，或者在一些实现中，存储器控制器218可以是处理器204的一个内部部分。
取决于期望的配置，系统存储器206可以是任意类型的存储器，包括但不限于：易失性存储器(诸如RAM)、非易失性存储器(诸如ROM、闪存等)或者它们的任何组合。系统存储器206可以包括操作系统220、一个或者多个应用222以及程序数据224。在一些实施方式中，应用222可以布置为在操作系统上由一个或多个处理器204利用程序数据224执行指令。
计算设备200还可以包括有助于从各种接口设备(例如，输出设备242、外设接口244和通信设备246)到基本配置202经由总线/接口控制器230的通信的接口总线240。示例的输出设备242包括图形处理单元248和音频处理单元250。它们可以被配置为有助于经由一个或者多个A/V端口252与诸如显示器或者扬声器之类的各种外部设备进行通信。示例外设接口244可以包括串行接口控制器254和并行接口控制器256，它们可以被配置为有助于经由一个或者多个I/O端口258和诸如输入设备(例如，键盘、鼠标、笔、语音输入设备、触摸输入设备)或者其他外设(例如打印机、扫描仪等)之类的外部设备进行通信。示例的通信设备246可以包括网络控制器260，其可以被布置为便于经由一个或者多个通信端口264与一个或者多个其他计算设备262通过网络通信链路的通信。
网络通信链路可以是通信介质的一个示例。通信介质通常可以体现为在诸如载波或者其他传输机制之类的调制数据信号中的计算机可读指令、数据结构、程序模块，并且可以包括任何信息递送介质。“调制数据信号”可以是这样的信号，它的数据集中的一个或者多个或者它的改变可以在信号中编码信息的方式进行。作为非限制性的示例，通信介质可以包括诸如有线网络或者专线网络之类的有线介质，以及诸如声音、射频(RF)、微波、红外(IR)或者其它无线介质在内的各种无线介质。这里使用的术语计算机可读介质可以包括存储介质和通信介质二者。
计算设备200可以实现为服务器，例如文件服务器、数据库服务器、应用程序服务器和WEB服务器等，也可以实现为包括桌面计算机和笔记本计算机配置的个人计算机。当然，计算设备200也可以实现为小尺寸便携(或者移动)电子设备的一部分。在根据本发明的实施例中，计算设备200被配置为执行根据本发明的预测目标对象发情状态的方法300。其中，计算设备200的应用222中包含执行根据本发明的方法300的多条程序指令。
以下将详细介绍根据本发明实施方式的预测目标对象发情状态的方法300的执行流程。如图3，示出了根据本发明一个实施例的预测目标对象发情状态的方法300的流程图。结合图3，方法300始于步骤S310。
在步骤S310中，通过预定设备采集目标对象的状态数据，并生成表征目标对象状态的特征。
如前文所述，预定设备可以布置在轨道小车上，通过轨道小车巡检每个目标对象。当然，部分预定设备也可以直接固定设置在配怀舍110中，来采集目标对象的状态数据，如将摄像头固定在配怀舍110中来采集目标对象的照片，又将热成像仪固定在配怀舍110中来采集配怀舍110的环境温度，等等。本发明的实施例对此不做限制。
通常，目标对象的发情鉴定要根据目标对象的生理特点来确定。观察发现，目标对象在发情过程中常常会表现出一些特定的生理特征，如耳朵竖立、兴奋不安、体温升高、在圈内不停走动、鸣叫，爬跨圈内其他目标对象，期间还会伴随着很多微妙的外阴变化和行为特征。以种猪为例，在发情期的不同阶段，种猪的外阴部颜色和黏液量都会呈现不同的状态。例如，发情前期种猪的外阴部有轻微红肿，黏膜呈淡红色，黏液较稀薄且透明；发情中期种猪分泌活动增加，外阴部肿胀到了高峰，阴道黏膜颜色变成深红色；发情后期种猪卵巢开始出现黄体，生殖器官渐渐恢复正常。故在根据本发明的一些实施例中，经过反复计算比较，最终选取采集目标对象的耳朵竖立情况和外阴状况来作为目标对象的状态数据。
为便于说明，下文中以种猪为例，详细介绍采集种猪状态数据的过程。应当指出，本发明的通过采集目标对象状态数据来生成目标对象特征的步骤并不局限于种猪，也可以是其他动物，此处不再做一一展开。根据一种实施例，通过采集种猪的外阴状况数据来计算阴部黏液量，作为种猪的形态特征；并且通过采集包含种猪耳朵的照片来计算种猪的耳朵竖立情况，作为种猪的形态特征。根据本发明的一种实施方式，预定设备包括至少一个摄像头。通过摄像头采集种猪照片并分析出种猪的形态特征。具体地，通过摄像头采集种猪照片并分析出种猪的形态特征的步骤包括如下四步：
(1)利用至少一个摄像头采集得到种猪照片。在根据本发明的一些实施例中，通过摄像头采集到的种猪照片至少包括：包含种猪耳朵的照片(以下简称为“耳朵照片”)和包含种猪外阴部的照片(以下简称为“外阴部照片”)。例如，利用一个摄像头采集种猪的耳朵照片，利用另一个摄像头采集种猪的外阴部照片。应当指出，也可以采用一个或更多个不同角度的摄像头来采集种猪照片，本发明的实施例对此不做过多限制。
(2)通过图像处理算法对耳朵照片进行处理，分析得到种猪的耳朵竖立角度。在根据本发明的一个实施例中，从耳朵照片中提取耳朵轮廓，并计算从耳尖到耳背的连线与水平面的夹角，该夹角就是耳朵竖立角度。通常耳朵竖立角度在一个预定的范围内(如45°到90°的区间)时，说明该种猪处于发情期。
(3)通过图像处理算法对外阴部照片进行处理，分析得到种猪的阴部黏液量。在根据本发明的一个实施例中，从外阴部照片中提取外阴部的红肿区域和反光液体区域，并计算上述区域的面积，该面积就代表了阴部黏液量。一般情况下，红肿区域和反光区域的面积越大，说明阴部红肿且分泌的黏液量增多，即表示该种猪处于发情状态。
(4)将耳朵竖立角度和阴部黏液量作为种猪的形态特征。
应当指出，本发明的实施例旨在提供一种通过量化耳朵竖立角度、阴部黏液量来预测种猪发情状态的方法，至于具体采用何种图像处理算法来分析耳朵竖立角度和阴部黏液量并不是本发明的重点，故本发明的实施例对此不做太多限制，任何已知或未来可知的图像处理算法均可与本发明的实施例相结合，以实现根据本发明的方法300。
在根据本发明的实施方式中，观察发现，若种猪长期坐着会引起外阴部红肿等现象，进而影响阴部黏液量的计算结果。为避免上述误差，根据本发明的实施例，在计算阴部黏液量之外，引入了测量种猪阴部体温。此时，预定设备还包括热成像仪。通过热成像仪采集种猪的阴部体温，作为种猪的体温特征。这样，当种猪阴部红肿、分泌的黏液量增多、且阴部温度高时，才判定该种猪处于发情状态。
在一些优选的实施例中，考虑到环境温度会影响所采集的种猪的阴部体温，为进一步提高所提取特征的准确性，除了利用热成像仪采集种猪的阴部体温外，还会利用热成像仪采集配怀舍110当前的环境温度，并根据环境温度修正所采集到的阴部体温，来作为种猪的体温特征。在一些实施例中，利用热力学算法根据环境温度、空气流速、距离等修正阴部体温，得到种猪的体温特征。需要说明的是，本发明实施例的重点在于利用阴部温度、环境温度来提高预测种猪发情状态的准确度，至于采用何种算法来修正阴部温度，本发明的实施例对此不做过多限制。
随后在步骤S320中，将所生成的特征输入预设分类模型以确定目标对象的发情状态。
根据本发明的实施方式，步骤S320可以分成两个步骤来执行。首先，将所生成的特征输入预设分类模型中，以输出预测目标对象属于各类别的概率值。然后，根据各类别的概率值来确定该目标对象的发情状态。
还是以种猪为例，通常种猪从上次发情结束到本次发情结束的间隔时间称为一个发情周期，一般为18-22天，平均为21天。一般将发情期分为发情前期、发情中期和发情后期。在根据本发明的实施方式中，将目标对象的状态分为正常状态(即未发情状态)、发情前期、发情中期和发情后期4个类别。在根据本发明的实施方式中，预设分类模型采用神经网络结构，以通过深度学习方法识别出目标对象属于上述4个类别的概率值。应当指出，预设分类模型的结构可以由本领域技术人员根据实际需要自行设置，本发明对此不做限制。
根据一种实施例，预设分类模型参考GoogLeNet网络结构，图4示出了根据本发明一个实施例的预设分类模型400的网络结构图。如图4所示，预设分类模型包括依次相连的至少一个第一卷积层(C1)、多个第二卷积层(C2)、以及一个全连接层(FC)和一个分类层(S)。其中在每个第一卷积层(C1)和第二卷积层(C2)之后还包含一个池化层(P)，池化层(P)可根据需要选择2*2或3*3的核进行最大值池化。需要说明的是，本发明的实施例对模型中所包括的第一卷积层(C1)和第二卷积层(C2)的数目不做限制。另外，在每个卷积层中还包含激活函数，可以将激活函数设置为ReLU函数、Tanh函数、Sigmoid函数等，本发明的实施例对此不做过多限制。根据本发明的实施例，第一卷积层(C1)可以采用3*3或7*7或其它尺度的卷积核。第二卷积层(C2)采用Inception module结构，通过多个不同尺度的卷积核进行卷积处理，并将多个卷积核的卷积结果相连接，作为该第二卷积层(C2)的输出结果。最终经全连接层(FC)输入至分类层(S)，分类层(S)选用Softmax层，输出一个四维数组，数组中各个值分别代表了目标对象属于各类别的概率值。
需要说明的是，关于GoogLeNet的具体信息可见“Going deeper withconvolutions”，此处不再赘述。应当指出，预设分类模型也可以选用其它神经网络结构，以对输入的特征进行多层卷积处理后，输出属于各类别的概率；或者，预设分类模型也可以采用诸如支持向量机等机器学习模型，来对输入的特征进行处理后输出属于各类别的概率。本发明旨在提供一种利用深度学习方法或机器学习方法来学习目标对象的特征、进而预测目标对象发情状态的方法，对具体采用何种网络结构实现预设分类模型400并不做过多限制。
上述预设分类模型400的结构及各卷积层的基本参数(如，每个卷积层所采用的卷积核(kernel)的数量和尺寸、卷积核的移动步长、四周填充边的数量等)均由本领域技术人员预先设置，作为预训练的分类模型，而后，对预训练的分类模型进行训练，以使其输出能够达到预期效果。训练预设分类模型的过程，即确定模型中的模型参数，模型参数包括每一个卷积核的各个位置处的权重，以及偏置参数等。根据本发明的一种实施方式，方法300还包括了通过训练生成预设分类模型的步骤，具体包括如下四步。
第一步，获取经过标注的目标对象的状态数据作为训练样本，训练样本具有相应的标注数据，该标注数据指示该训练样本所属类别。根据一种实施例，采集不同阶段(即，正常状态、发情前期、发情中期、发情后期)的目标对象的状态数据作为训练样本，关于状态数据的获取可以参考步骤S310中的相关描述，此处不做赘述。通过专业人士对训练样本进行标注，划分出每个训练样本所对应的类别(记作L1)，作为每个训练样本的标注数据。
第二步，根据状态数据生成各训练样本的特征。换句话说，从各目标对象的耳朵照片和外阴部照片中提取出各目标对象的形态特征和体温特征。关于这部分的具体算法，可参考前文步骤S310的相关描述，此处不再赘述。
第三步，将各训练样本的特征输入预训练的分类模型中进行处理，以输出预测各训练样本属于各类别的概率值。如前文所述，经预训练的分类模型输出的是一个四维数组，代表了各类别的概率值。还需要根据所输出的各类别的概率值来确定训练样本所属类别。在根据本发明的实施例中，从输出的四维数组中选取概率值最大的值所对应的类别，作为该训练样本所属类别(记作L2)。例如，一个训练样本将模型处理后输出的四维数组为{0.08,0.5,0.2,0.22}，所表征的四个类别依次为正常状态、发情前期、发情中期、发情后期，那么可以确定该训练样本所属的类别为发情前期。
第四步，根据标注数据对预训练的分类模型进行模型训练，并在满足预定条件时训练结束，得到训练后的分类模型作为预设分类模型。根据一种实施例，按照预设损失函数计算各训练样本所属类别(即L2)相对于对应的标注数据(即L1)的损失值并更新分类模型的参数，直到损失值满足预定条件时(在模型的训练过程中，随着训练次数的增加，通常损失值会越来越小，当损失值收敛，即相邻两次训练的损失值之差的绝对值小于预设阈值时，认为模型训练完成)，训练结束，得到训练后的分类模型作为预设分类模型。
通过上述描述，经预设分类模型就输出了预测目标对象属于各类别的概率值，然后，根据各类别的概率值来确定目标对象的发情状态。
根据一种实施例，根据各类别的概率值来确定目标对象的发情状态的步骤包括：先比较各类别的概率值的大小并选取出最大的概率值；再根据最大的概率值所对应的类别来确定该目标对象的发情状态。假设经预设分类模型输出的结果为{0.08,0.5,0.2,0.22}，所表征的四个类别依次为正常状态、发情前期、发情中期、发情后期，从中选取最大概率值为0.5，进而确定该目标对象对应的发情状态为发情前期。
根据本发明的另一些实施方式，在确定了目标对象的发情状态后，还可以根据该目标对象的发情状态来确定是否推荐该目标对象进行配种。在优选的实施例中，当确定目标对象(如，种猪)的发情状态为发情中期时，推荐该目标对象进行配种，此时受胎率才能达到理想效果。根据另一些实施例，在推荐目标对象进行配种后，记录该目标对象在预定时间段内的配种数据。其中配种数据包括：配种精液信息(如配种精液码)、配种成功信息和配种不成功信息(如空返流信息)。通常在配种后需要经过约28天的观察和B超检测来确定配种是否成功。根据一种实施例，在配种后观察约24天，若没问题就通知专业人员将该目标对象移入妊娠舍120。当后续确认配种成功后，记录配种成功信息；若配种不成功，则记录空返流信息，并对上述配种数据进行分析，以得到配种成功和失败的原因等。根据另一种实施例，还可以定期根据所记录的配种数据来修正预设分类模型400，以防止过拟合。
根据本发明的预测目标对象发情状态的方案，具有以下优点：1)通过布置在配怀舍的轨道小车上的预定设备自动化地采集目标对象的状态数据、并生成表征目标对象状态的特征，不需要拥有工作经验的资深查情师去挨个观察并推断目标对象的状态，解决了经验丰富的查情人员紧缺的困境，同时还减少了专业人士的工作量；2)通过预定设备实时地记录目标对象发情前期、发情中期、发情后期及正常状态(即非发情时期)的形态特征和体温变化，并可以精确量化，解决了传统查情数据难以数据量化的困境；同时对于配种数据的及时记录，还有利于配种数据回溯，以便于专业人士对配种的全链路数据的研究和改进；3)通过人工智能算法识别目标对象形态、体温特征，智能学习专业人士的专家知识，并预测目标对象的发情状态，极大地减少了用人成本，容易复制和推广，很好地推动了养殖过程中查情配种的智能化。
在根据本发明的一些实施方式中，将数据处理中心130实现为一种预测目标对象发情状态的系统500。图5示出了根据本发明一个实施例的预测目标对象发情状态的系统500的结构图，如图5所示，系统500至少包括：数据预处理模块510和状态确认模块520。以下简单介绍系统500中的各组成部分。
根据本发明的实施方式，数据预处理模块510对预定设备所采集的状态数据进行预处理。数据预处理模块510又包括：状态采集单元512和特征生成单元514。其中，状态采集单元512通过预定设备采集目标对象的状态数据，特征生成单元514根据所采集的状态数据生成表征目标对象状态的特征。
状态确认模块520将所生成的特征输入预设分类模型，以确定目标对象的发情状态。根据本发明的一种实施方式，状态确认模块520还包括特征分析单元522，由特征分析单元522将所生成的特征输入预设分类模型中，以输出预测目标对象属于各类别的概率值，状态确认模块520再根据输出的概率值来确定该目标对象的发情状态。根据本发明的一种实施方式，特征分析单元522中还包括模型训练子单元5222，模型训练子单元5222用来训练生成预设分类模型400。关于预设分类模型400的结构可参考前文基于图4的描述。关于模型训练子单元5222训练生成预设分类模型400的过程，可参考前文关于训练生成预设分类模型的过程的描述。此处均不做赘述。
根据本发明的另一种实施方式，系统500除了数据预处理模块510和状态确认模块520外，还包括推荐配种模块530。推荐配种模块530与状态确认模块520相耦接，根据目标对象的发情状态来确定是否推荐该目标对象进行配种。优选地，推荐配种模块530在确定目标对象的发情状态为发情中期时，推荐该目标对象进行配种，并记录该目标对象在预定时间段内的配种数据。
另外，推荐配种模块530还与特征分析单元522中的模型训练子单元5222相耦接，这样，模型训练子单元5222能够定期接收来自推荐配种模块530的配种数据，并根据这些配种数据修正预设分类模型，以防止过拟合。
关于系统500中的各组成部分的详细描述，可参考前文关于图1～图4的相关描述，篇幅所限，此处不再赘述。
这里描述的各种技术可结合硬件或软件，或者它们的组合一起实现。从而，本发明的方法和设备，或者本发明的方法和设备的某些方面或部分可采取嵌入有形媒介，例如可移动硬盘、U盘、软盘、CD-ROM或者其它任意机器可读的存储介质中的程序代码(即指令)的形式，其中当程序被载入诸如计算机之类的机器，并被所述机器执行时，所述机器变成实践本发明的设备。
在程序代码在可编程计算机上执行的情况下，计算设备一般包括处理器、处理器可读的存储介质(包括易失性和非易失性存储器和/或存储元件)，至少一个输入装置，和至少一个输出装置。其中，存储器被配置用于存储程序代码；处理器被配置用于根据该存储器中存储的所述程序代码中的指令，执行本发明的方法。
以示例而非限制的方式，可读介质包括可读存储介质和通信介质。可读存储介质存储诸如计算机可读指令、数据结构、程序模块或其它数据等信息。通信介质一般以诸如载波或其它传输机制等已调制数据信号来体现计算机可读指令、数据结构、程序模块或其它数据，并且包括任何信息传递介质。以上的任一种的组合也包括在可读介质的范围之内。
在此处所提供的说明书中，算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与本发明的示例一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下被实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员应当理解在本文所公开的示例中的设备的模块或单元或组件可以布置在如该实施例中所描述的设备中，或者可替换地可以定位在与该示例中的设备不同的一个或多个设备中。前述示例中的模块可以组合为一个模块或者此外可以分成多个子模块。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
此外，所述实施例中的一些在此被描述成可以由计算机系统的处理器或者由执行所述功能的其它装置实施的方法或方法元素的组合。因此，具有用于实施所述方法或方法元素的必要指令的处理器形成用于实施该方法或方法元素的装置。此外，装置实施例的在此所述的元素是如下装置的例子：该装置用于实施由为了实施该发明的目的的元素所执行的功能。
如在此所使用的那样，除非另行规定，使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例，并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。
尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的而非限制性的，本发明的范围由所附权利要求书限定。
Claims (25)
1.一种预测目标对象发情状态的方法，包括步骤：
通过预定设备采集目标对象的状态数据，并生成表征目标对象状态的特征；以及
将所生成的特征输入预设分类模型以确定所述目标对象的发情状态。
2.如权利要求1所述的方法，其中，所述将所生成的特征输入预设分类模型以确定目标对象的发情状态的步骤包括：
将所生成的特征输入预设分类模型中，以输出预测所述目标对象属于各类别的概率值；以及
根据各类别的概率值来确定所述目标对象的发情状态。
3.如权利要求2所述的方法，其中，所述根据各类别的概率值来确定目标对象的发情状态的步骤包括：
比较各类别的概率值的大小并选取出最大的概率值；以及
根据最大的概率值所对应的类别来确定所述目标对象的发情状态。
4.如权利要求1-3中任一项所述的方法，其中，所述预定设备包括摄像头和热成像仪。
5.如权利要求4所述的方法，其中，所述特征包括目标对象的形态特征，以及
所述通过预定设备采集目标对象的状态数据、并生成表征目标对象状态的特征的步骤包括：
利用至少一个摄像头采集得到目标对象照片；
通过图像处理算法分析得到所述目标对象的耳朵竖立角度；
通过图像处理算法分析得到所述目标对象的阴部黏液量；
将所述耳朵竖立角度和阴部黏液量作为目标对象的形态特征。
6.如权利要求4或5所述的方法，其中，所述特征包括目标对象的体温特征，以及
所述通过预定设备采集目标对象的状态数据、并生成表征目标对象状态的特征的步骤包括：
利用热成像仪采集目标对象的阴部体温，作为目标对象的体温特征。
7.如权利要求6所述的方法，其中，所述利用热成像仪采集目标对象的阴部体温、作为目标对象的体温特征的步骤还包括：
利用所述热成像仪采集环境温度；
根据所述环境温度修正所述阴部体温，作为所述目标对象的体温特征。
8.如权利要求1-7中任一项所述的方法，其中，所述预设分类模型采用神经网络结构，所述方法还包括通过训练生成所述预设分类模型的步骤。
9.如权利要求8所述的方法，其中，所述通过训练生成预设分类模型的步骤包括：
获取经过标注的目标对象状态数据作为训练样本，所述训练样本具有相应的标注数据，所述标注数据指示该训练样本所属类别；
根据所述状态数据生成各训练样本的特征；
将所述各训练样本的特征输入预训练的分类模型中进行处理，以输出预测各训练样本属于各类别的概率值；以及
根据所述标注数据对所述预训练的分类模型进行模型训练，并在满足预定条件时训练结束，得到训练后的分类模型作为预设分类模型。
10.如权利要求9所述的方法，其中，所述输出预测各训练样本属于各类别的概率值的步骤还包括：
根据所输出的各类别的概率值来确定各训练样本所属类别。
11.如权利要求2-10中任一项所述的方法，其中，所述类别包括正常状态、发情前期、发情中期和发情后期。
12.如权利要求2-11中任一项所述的方法，其中，在所述根据各类别的概率值来确定目标对象的发情状态的步骤之后，还包括步骤：
根据所述目标对象的发情状态确定是否推荐所述目标对象进行配种。
13.如权利要求12所述的方法，其中，所述根据所述目标对象的发情状态确定是否推荐所述目标对象进行配种的步骤包括：
当确定目标对象的发情状态为发情中期时，推荐所述目标对象进行配种；以及
记录所述目标对象在预定时间段内的配种数据。
14.如权利要求13所述的方法，其中，所述配种数据包括：配种精液信息、配种成功信息和配种不成功信息。
15.如权利要求13或14所述的方法，其中，所述记录目标对象在预定时间段内的配种数据的步骤之后，还包括步骤：
定期根据所记录的配种数据修正所述预设分类模型。
16.如权利要求1-15中任一项所述的方法，其中，所述目标对象包括种猪。
17.一种预测目标对象发情状态的系统，所述系统包括：
数据预处理模块，包括：
状态采集单元，适于通过预定设备采集目标对象的状态数据，
特征生成单元，适于根据所采集的状态数据生成表征目标对象状态的特征；以及
状态确认模块，适于将所生成的特征输入预设分类模型以确定所述目标对象的发情状态。
18.如权利要求17所述的系统，其中，所述状态确认模块还包括：
特征分析单元，适于将所生成的特征输入预设分类模型中，以输出预测所述目标对象属于各类别的概率值；
所述状态确认模块适于根据所述概率值来确定所述目标对象的发情状态。
19.如权利要求18所述的系统，其中，所述预设分类模型采用神经网络结构，所述特征分析单元还包括模型训练子单元，适于训练生成所述预设分类模型。
20.如权利要求17-19中任一项所述的系统，还包括：
推荐配种模块，适于根据所述目标对象的发情状态来确定是否推荐所述目标对象进行配种。
21.如权利要求20所述的系统，其中，所述推荐配种模块还适于在确定目标对象的发情状态为发情中期时、推荐所述目标对象进行配种，并记录所述目标对象在预定时间段内的配种数据。
22.如权利要求21所述的系统，在所述特征分析单元中，
所述模型训练子单元还适于定期接收来自所述推荐配种模块的配种数据，并根据所述配种数据修正所述预设分类模型。
23.如权利要求17-22中任一项所述的系统，其中，所述目标对象包括种猪。
24.一种计算设备，包括：
至少一个处理器；和
存储有程序指令的存储器，其中，所述程序指令被配置为适于由所述至少一个处理器执行，所述程序指令包括用于执行如权利要求1-16中任一项所述方法的指令。
25.一种存储有程序指令的可读存储介质，当所述程序指令被计算设备读取并执行时，使得所述计算设备执行如权利要求1-16中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811082748.5A CN110897756A (zh) | 2018-09-17 | 2018-09-17 | 一种预测目标对象发情状态的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811082748.5A CN110897756A (zh) | 2018-09-17 | 2018-09-17 | 一种预测目标对象发情状态的方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110897756A true CN110897756A (zh) | 2020-03-24 |
Family
ID=69813168
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811082748.5A Pending CN110897756A (zh) | 2018-09-17 | 2018-09-17 | 一种预测目标对象发情状态的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110897756A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114586701A (zh) * | 2022-04-15 | 2022-06-07 | 东南大学 | 一种基于体温和运动量数据的奶牛发情预测装置 |
| CN115119766A (zh) * | 2022-06-16 | 2022-09-30 | 天津农学院 | 一种基于深度学习和红外热成像的母猪发情检测方法 |
| TWI785729B (zh) * | 2021-08-10 | 2022-12-01 | 行政院農業委員會畜產試驗所 | 母豬發情預警之智慧監測系統及方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB9904199D0 (en) * | 1999-02-25 | 1999-04-14 | Labrecque Robert | Method and system for detecting estrus in swine |
| WO2007003342A1 (de) * | 2005-07-01 | 2007-01-11 | Forschungsinstitut Für Die Biologie Landwirtschaftlicher Nutztiere | Verfahren zur erkennung der brunst |
| CN102783427A (zh) * | 2012-08-29 | 2012-11-21 | 深圳力合数字电视信息技术有限公司 | 母猪发情检测装置和系统 |
| US20130239237A1 (en) * | 2010-08-20 | 2013-09-12 | Oratel Diagnostics, Llc | Estrous cycle monitoring by color response |
| TWM473054U (zh) * | 2013-09-06 | 2014-03-01 | Emperor Penguin Entpr Co Ltd | 母豬配種發情檢測裝置 |
| CN103767802A (zh) * | 2014-01-16 | 2014-05-07 | 诠懋实业有限公司 | 母猪配种管理方法 |
| KR101573613B1 (ko) * | 2014-06-05 | 2015-12-01 | 경상대학교산학협력단 | 승가 허용 행위 정보를 이용한 소 발정 감지 장치 |
| CN105982765A (zh) * | 2015-02-11 | 2016-10-05 | 垫江县优科畜牧有限公司 | 一种猪的人工授精方法 |
| CN105981681A (zh) * | 2015-02-02 | 2016-10-05 | 垫江县永大牧业有限责任公司 | 一种奶牛的繁殖技术 |
| TR201705367A2 (tr) * | 2017-04-11 | 2017-09-21 | Serap Goencue | Dronlarla i̇nek kizginlik tespi̇ti̇ |
| CN108052964A (zh) * | 2017-12-05 | 2018-05-18 | 翔创科技（北京）有限公司 | 牲畜状态检测方法、计算机程序、存储介质及电子设备 |
| CA3056221A1 (en) * | 2017-02-03 | 2018-08-09 | Bmp Innovation Ab | Systems and methods for determining likelihood of states in cattle animal |
-
2018
- 2018-09-17 CN CN201811082748.5A patent/CN110897756A/zh active Pending
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB9904199D0 (en) * | 1999-02-25 | 1999-04-14 | Labrecque Robert | Method and system for detecting estrus in swine |
| WO2007003342A1 (de) * | 2005-07-01 | 2007-01-11 | Forschungsinstitut Für Die Biologie Landwirtschaftlicher Nutztiere | Verfahren zur erkennung der brunst |
| US20130239237A1 (en) * | 2010-08-20 | 2013-09-12 | Oratel Diagnostics, Llc | Estrous cycle monitoring by color response |
| CN102783427A (zh) * | 2012-08-29 | 2012-11-21 | 深圳力合数字电视信息技术有限公司 | 母猪发情检测装置和系统 |
| TWM473054U (zh) * | 2013-09-06 | 2014-03-01 | Emperor Penguin Entpr Co Ltd | 母豬配種發情檢測裝置 |
| CN103767802A (zh) * | 2014-01-16 | 2014-05-07 | 诠懋实业有限公司 | 母猪配种管理方法 |
| KR101573613B1 (ko) * | 2014-06-05 | 2015-12-01 | 경상대학교산학협력단 | 승가 허용 행위 정보를 이용한 소 발정 감지 장치 |
| CN105981681A (zh) * | 2015-02-02 | 2016-10-05 | 垫江县永大牧业有限责任公司 | 一种奶牛的繁殖技术 |
| CN105982765A (zh) * | 2015-02-11 | 2016-10-05 | 垫江县优科畜牧有限公司 | 一种猪的人工授精方法 |
| CA3056221A1 (en) * | 2017-02-03 | 2018-08-09 | Bmp Innovation Ab | Systems and methods for determining likelihood of states in cattle animal |
| WO2018143889A1 (en) * | 2017-02-03 | 2018-08-09 | Bmp Innovation Ab | Systems and methods for determining likelihood of states in cattle animal |
| TR201705367A2 (tr) * | 2017-04-11 | 2017-09-21 | Serap Goencue | Dronlarla i̇nek kizginlik tespi̇ti̇ |
| CN108052964A (zh) * | 2017-12-05 | 2018-05-18 | 翔创科技（北京）有限公司 | 牲畜状态检测方法、计算机程序、存储介质及电子设备 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI785729B (zh) * | 2021-08-10 | 2022-12-01 | 行政院農業委員會畜產試驗所 | 母豬發情預警之智慧監測系統及方法 |
| CN114586701A (zh) * | 2022-04-15 | 2022-06-07 | 东南大学 | 一种基于体温和运动量数据的奶牛发情预测装置 |
| CN115119766A (zh) * | 2022-06-16 | 2022-09-30 | 天津农学院 | 一种基于深度学习和红外热成像的母猪发情检测方法 |
| CN115119766B (zh) * | 2022-06-16 | 2023-08-18 | 天津农学院 | 一种基于深度学习和红外热成像的母猪发情检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10426442B1 (en) | Adaptive image processing in assisted reproductive imaging modalities | |
| US10646156B1 (en) | Adaptive image processing in assisted reproductive imaging modalities | |
| CN108922622B (zh) | 一种动物健康监测方法、装置及计算机可读存储介质 | |
| US20200395117A1 (en) | Adaptive image processing method and system in assisted reproductive technologies | |
| US20220036135A1 (en) | Method and apparatus for determining image to be labeled and model training method and apparatus | |
| CN107229947B (zh) | 一种基于动物识别的金融保险方法及系统 | |
| CN109544512B (zh) | 一种基于多模态的胚胎妊娠结果预测装置 | |
| WO2021085313A1 (ja) | 疾患予測システム、保険料算出システム及び疾患予測方法 | |
| EP3751513A1 (en) | Adaptive image processing in assisted reproductive imaging modalities | |
| CN110897756A (zh) | 一种预测目标对象发情状态的方法及系统 | |
| de Lima Weber et al. | Recognition of Pantaneira cattle breed using computer vision and convolutional neural networks | |
| WO2019200735A1 (zh) | 牲畜特征向量的提取方法、装置、计算机设备和存储介质 | |
| WO2021189913A1 (zh) | 图像中目标物的分割方法、装置、电子设备及存储介质 | |
| JP7503213B2 (ja) | ペットの放射線医学画像を評価するためのシステム及び方法 | |
| CN112101162A (zh) | 图像识别模型的生成方法、装置、存储介质和电子设备 | |
| CN115393361B (zh) | 低标注成本的皮肤病图像分割方法、装置、设备及介质 | |
| CN112529149B (zh) | 一种数据处理方法及相关装置 | |
| CN112233061A (zh) | 一种基于深度学习的皮肤基底细胞癌和鲍温病识别方法 | |
| Xie et al. | A deep learning-based detection method for pig body temperature using infrared thermography | |
| Wang et al. | Deep learning-based automatic dairy cow ocular surface temperature detection from thermal images | |
| CN114550212A (zh) | 一种基于轻量级模型的羊脸检测与识别方法 | |
| CN115330669A (zh) | 预测解剖结构的疾病量化参数的计算机实现的方法、系统及存储介质 | |
| CN116295022A (zh) | 一种基于深度学习多参数融合的猪只体尺测量方法 | |
| Ma et al. | Pig face recognition based on improved YOLOv4 lightweight neural network | |
| WO2024131026A1 (zh) | 模型构建方法、装置、设备和介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200324 |