CN111008560A - 一种牲畜的重量确定方法、装置、终端及计算机存储介质 - Google Patents
一种牲畜的重量确定方法、装置、终端及计算机存储介质 Download PDFInfo
- Publication number
- CN111008560A CN111008560A CN201911050895.9A CN201911050895A CN111008560A CN 111008560 A CN111008560 A CN 111008560A CN 201911050895 A CN201911050895 A CN 201911050895A CN 111008560 A CN111008560 A CN 111008560A
- Authority
- CN
- China
- Prior art keywords
- livestock
- training
- image
- weight
- recognition model
- 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
- 244000144972 livestock Species 0.000 title claims abstract description 221
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000012545 processing Methods 0.000 claims abstract description 51
- 238000009395 breeding Methods 0.000 claims abstract description 34
- 230000001488 breeding effect Effects 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims description 147
- 241001465754 Metazoa Species 0.000 claims description 28
- 230000015654 memory Effects 0.000 claims description 17
- 238000004891 communication Methods 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 238000009313 farming Methods 0.000 claims 1
- 238000003384 imaging method Methods 0.000 claims 1
- 230000008569 process Effects 0.000 description 21
- 230000006870 function Effects 0.000 description 10
- 238000005259 measurement Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000037219 healthy weight Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 239000007787 solid Substances 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
- 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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/04—Context-preserving transformations, e.g. by using an importance map
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/60—Rotation of whole images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/242—Aligning, centring, orientation detection or correction of the image by image rotation, e.g. by 90 degrees
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30242—Counting objects in image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种牲畜的重量确定方法、装置、终端及计算机存储介质,其中,所述牲畜所处养殖环境中配置有摄像设备,所述方法包括:获取所述摄像设备采集的视频数据;从所述视频数据中获取目标图像,所述目标图像中包括多个所述牲畜;利用包括两级预测网络的特征识别模型对所述目标图像进行处理,得到多个所述牲畜的特征信息,所述特征信息包括重量。通过本发明实施例可以自动确定牲畜的重量,有效提高确定牲畜重量的效率。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种牲畜的重量确定方法、装置、终端及计算机存储介质。
背景技术
随着养殖业的快速发展,为提高经济效益,越来越多的养殖户开始进行大批量养殖。养殖户在养殖牲畜的过程中,需要及时了解牲畜的生长状况,牲畜的生长状况可以通过牲畜的重量来体现。目前,为得到牲畜的重量,通常是由人工进行牲畜重量测量。但人工测量的过程麻烦且耗时较长,导致确定牲畜重量的效率低。
发明内容
本发明实施例所要解决的技术问题在于,提供一种牲畜的重量确定方法、装置、终端及计算机存储介质,可以自动确定牲畜的重量,有效提高确定牲畜重量的效率。
第一方面,本发明实施例提供了一种牲畜的重量确定方法,所述牲畜所处养殖环境中配置有摄像设备,所述方法包括:
获取所述摄像设备采集的视频数据;
从所述视频数据中获取目标图像,所述目标图像中包括多个所述牲畜;
利用包括两级预测网络的特征识别模型对所述目标图像进行处理,得到多个所述牲畜的特征信息,所述特征信息包括重量;
其中,所述特征识别模型是根据作为样本的牲畜的样本图像以及参考数据训练得到的。
在一实施方式中,所述两级预测网络为第一级预测网络和第二级预测网络,所述利用包括两级预测网络的特征识别模型对所述目标图像进行处理,得到多个所述牲畜的特征信息,包括:
利用所述第一级预测网络标记所述目标图像中多个所述牲畜的轮廓以及对应的轮廓区域,并获取各轮廓区域的特征数据;
将所述各轮廓区域的特征数据输出至所述第二级预测网络中进行处理,得到所述目标图像中多个所述牲畜的重量;
其中,所述特征数据包括轮廓区域的坐标信息、轮廓区域对应的像素点数量、以及轮廓区域与所述摄像设备之间的距离信息和角度信息中的一种或多种。
在一实施方式中,所述特征信息还包括数目,所述利用所述第一级预测网络标记所述目标图像中多个所述牲畜的轮廓以及对应的轮廓区域,并获取各轮廓区域的特征数据之后,还包括:
根据获取的多个所述牲畜的轮廓计算得到牲畜的数目。
在一实施方式中,所述方法还包括:
获取记录的所述养殖环境中的牲畜当前所处的生长周期,以及获取所述当前所处的生长周期对应的参考重量;
检测所述目标图像中是否存在重量与所述参考重量之间的差值的绝对值大于或等于预设数值的牲畜;
若存在,则输出第一提示信息,所述第一提示信息用于提示用户有牲畜生长状况异常。
在一实施方式中,所述方法还包括:
获取预先记录的所述养殖环境中的牲畜的总数目;
检测所述特征识别模型识别出的所述目标图像中的牲畜的数目是否与预先记录的牲畜的总数目一致;
若否,则输出第二提示信息,所述第二提示信息用于提示用户牲畜的数目异常。
在一实施方式中,所述利用包括两级预测网络的特征识别模型对所述目标图像进行处理,得到多个所述牲畜的特征信息之前,所述方法还包括:
获取摄像设备采集的作为样本的牲畜所处养殖环境的历史视频数据,从所述历史视频数据中获取作为样本的牲畜的多张样本图像,所述多张样本图像是所述摄像设备在不同光线环境下采集到的;
将所述多张样本图像中的每张样本图像按照多个旋转角度进行旋转处理,得到所述每张样本图像的多张训练图像,并得到所述多张样本图像的训练图像集合;
获取所述训练图像集合中各张训练图像对应的牲畜的参考数据;
利用所述训练图像集合中的训练图像以及所述参考数据对初始特征识别模型进行训练,得到训练后的特征识别模型。
在一实施方式中,所述利用所述训练图像集合中的训练图像以及所述参考数据对初始特征识别模型进行训练,得到训练后的特征识别模型之前,所述方法还包括:
获取预设模板图像的最大边长和最小边长;
获取所述训练图像集合中每张训练图像的尺寸信息;
根据所述尺寸信息、所述最大边长和所述最小边长对所述每张训练图像进行缩放处理;
根据所述最大边长对缩放处理后的每张训练图像进行填充,得到填充后的训练图像集合;
所述利用所述训练图像集合中的训练图像以及所述参考数据对初始特征识别模型进行训练,得到训练后的特征识别模型,包括:
利用所述填充后的训练图像集合中的训练图像以及所述参考数据对初始特征识别模型进行训练,得到训练后的特征识别模型。
第二方面,本发明实施例提供了一种牲畜的重量确定装置,所述牲畜所处养殖环境中配置有摄像设备,所述装置包括:
获取单元,用于获取所述摄像设备采集的视频数据;
所述获取单元,还用于从所述视频数据中获取目标图像,所述目标图像中包括多个所述牲畜;
处理单元,用于利用包括两级预测网络的特征识别模型对所述目标图像进行处理,得到多个所述牲畜的特征信息,所述特征信息包括重量;
其中,所述特征识别模型是根据作为样本的牲畜的样本图像以及参考数据训练得到的。
第三方面,本发明实施例提供了一种终端,包括处理器、通信接口和存储器,其中,所述处理器、所述通信接口和所述存储器相互连接,所述存储器存储有可执行程序代码,所述处理器用于调用所述可执行程序代码,执行上述第一方面所述的牲畜的重量确定方法。
第四方面,本发明实施例提供了一种计算机存储介质,所述计算机存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述第一方面所述的牲畜的重量确定方法。
本发明实施例通过从摄像设备采集的牲畜所处养殖环境的视频数据中获取目标图像,利用包括两级预测网络的特征识别模型对目标图像进行处理,得到目标图像中的牲畜的特征信息,该特征信息包括重量,从而可以自动确定牲畜的重量,有效提高确定牲畜重量的效率。
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。
图1是本发明实施例提供的一种牲畜重量确定的场景图;
图2是本发明实施例提供的一种牲畜的重量确定方法的流程示意图;
图3是本发明实施例提供的一种特征识别模型的训练方法的流程示意图;
图4是本发明实施例提供的一种牲畜的重量确定装置的结构示意图;
图5是本发明实施例提供的一种终端的结构示意图。
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。
下面结合附图,对本发明的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
目前,为得到牲畜的重量,通常是由人工进行牲畜重量测量。但人工测量的过程麻烦且耗时较长,导致确定牲畜重量的效率低。基于此,本发明实施例提供了一种牲畜的重量确定方法,用于快速确定牲畜的重量。其中,如图1所示,牲畜所处的养殖环境中配置有摄像设备,用于采集牲畜所处养殖环境的视频数据,该摄像设备为一个或者多个;所述牲畜的重量确定方法可以实现在如个人电脑、笔记本电脑、智能手机、平板电脑等数据处理终端中,所述终端与摄像设备连接,可从摄像设备中获取牲畜所处养殖环境的视频数据。
具体地,所述牲畜的重量确定方法包括:终端获取摄像设备采集的牲畜所处养殖环境的视频数据,并从该视频数据中获取目标图像,目标图像可以为该视频数据中任一张包括多个牲畜的图像;终端利用事先训练得到的包括两级预测网络的特征识别模型对该目标图像进行处理,得到该目标图像中的牲畜的特征数据,该特征数据包括重量。通过上述方式,可以实现确定牲畜重量的自动化和智能化,有效提高确定牲畜重量的效率。以下分别进行详细说明。
请参阅图2,图2为本发明实施例提供的一种牲畜的重量确定方法的流程示意图,所述牲畜的重量确定方法可以包括:
S201、终端获取摄像设备采集的视频数据。
本发明实施例中,摄像设备预先设置在牲畜所处的养殖环境中,用于采集牲畜所处养殖环境的视频数据。在一实施方式中,终端与摄像设备建立有通信连接,可以是有线连接,也可以是无线连接。其中,可以是摄像设备采集到视频数据之后,自行将采集到的视频数据发送给终端;也可以是终端向摄像设备发送视频数据上传指令,摄像设备响应于该视频数据上传指令将采集到的视频数据发送给终端。在另一实施方式中,可以是摄像设备采集到视频数据之后,将视频数据存储到预先设置在牲畜所处养殖环境中的存储设备,终端从该存储设备中获取摄像设备采集到的视频数据。
S202、所述终端从所述视频数据中获取目标图像,所述目标图像中包括多个所述牲畜。其中,目标图像可以为该视频数据中任一张包括多个牲畜的图像。
S203、所述终端利用包括两级预测网络的特征识别模型对所述目标图像进行处理,得到多个所述牲畜的特征信息,所述特征信息包括重量。
本发明实施例中,特征识别模型是根据作为样本的牲畜的样本图像以及参考数据训练得到的,其包括的两级预测网络为第一级预测网络和第二级预测网络,第一级预测网络的输出与第二级预测网络的输入连接。终端调用特征识别模型将目标图像输入该第一级预测网络,利用该第一级预测网络对目标图像中的牲畜进行识别,并标记目标图像中各个牲畜的轮廓以及对应的轮廓区域,并获取各轮廓区域的特征数据。其中,轮廓区域的特征数据包括轮廓区域的坐标信息、轮廓区域对应的像素点数量、以及轮廓区域与摄像设备之间的距离信息和角度信息中的一种或者多种。轮廓区域与摄像设备之间的距离信息可以是指轮廓区域的中心点与摄像设备的直线距离;轮廓区域与摄像设备之间的角度信息可以是指轮廓区域的中心点和摄像设备构成的直线,与摄像设备垂线的角度值。在一实施例中,牲畜对应的轮廓区域可以是矩形等规则形状,整个牲畜包括在轮廓区域内;牲畜对应的轮廓区域也可以是贴合牲畜轮廓的不规则形状。
该第一级预测网络将各轮廓区域的特征数据输出至该第二级预测网络中进行处理,得到目标图像中各个牲畜的重量。例如,目标图像中某个牲畜对应的矩形轮廓区域的坐标信息为:坐标x1:385,坐标x2:504,坐标y1:378,坐标y2,487,根据坐标x1,x2,y1,y2可以确定该矩形轮廓区域的4个顶点的坐标分别为(385,378),(385,478),(504,378),(504,478);该矩形轮廓区域中的像素点数量为4766;矩形轮廓区域的中心点与摄像设备的直线距离为2.8米;矩形轮廓区域的中心点和摄像设备构成的直线与摄像设备垂线的角度为10度。基于该矩形轮廓区域的上述特征数据,第二级预测网络可以预估得到该某个牲畜的重量为214kg。
在一实施例中,终端利用包括两级预测网络的特征识别模型对目标图像进行处理之前,可以先对目标图像的尺寸大小进行缩放处理,限制目标图像的最大边长和最小边长;并且以最大边长为主,将缩放处理后的目标图像边缘按照最大边长进行填充,以将目标图像处理为参考尺寸大小。具体处理过程可参考后续实施例中的描述。进一步地,终端利用包括两级预测网络的特征识别模型对缩放和填充处理后的目标图像进行处理,得到目标图像中各个牲畜的重量。
在一实施例中,所述特征信息还包括目标图像中的牲畜的数目。终端利用该第一级预测网络根据获取的多个牲畜的轮廓计算得到目标图像中牲畜的数目。在一实施方式中,获取到的牲畜的轮廓数即为目标图像中的牲畜的数目。
在一实施例中,终端在显示界面播放该视频数据的过程中,在显示界面中显示目标图像的同时显示目标图像中的牲畜的数目以及显示目标图像中各个牲畜的重量,以使牲畜养殖场的运营人员可以及时了解到牲畜的数目以及重量。在一实施方式中,可以在牲畜对应的显示区域中显示牲畜的重量,可以在显示界面中的预设显示区域(例如右上角区域)显示牲畜的数目。
在另一实施例中,终端利用特征识别模型确定出目标图像中的各个牲畜的重量之后,获取记录的养殖环境中的牲畜当前所处的生长周期,根据存储的生长周期与重量的对应关系,获取牲畜当前所处的生长周期对应的参考重量,该参考重量为处于该生长周期的牲畜的健康重量。基于目标图像中各个牲畜的重量,检测目标图像中是否存在重量与该参考重量之间的差值的绝对值大于或等于预设数值的牲畜;若目标图像中存在重量与该参考重量之间的差值的绝对值大于或等于预设数值的牲畜,则输出用于提示用户(即牲畜养殖场的运营人员)有牲畜生长状况异常的第一提示信息。通过上述方式,可以在检测到牲畜的重量不符合健康重量时向牲畜养殖场的运营人员进行预警。
在又一实施例中,终端利用特征识别模型确定出目标图像中的牲畜的数目之后,获取预先记录的养殖环境中的牲畜的总数目,并检测特征识别模型识别出的目标图像中的牲畜的数目是否与预先记录的牲畜的总数目一致;若特征识别模型识别出的目标图像中的牲畜的数目与预先记录的牲畜的总数目不一致,则输出用于提示用户牲畜的数目异常的第二提示信息。通过上述方式,可以在检测到牲畜的数量异常,例如牲畜的数量意外减少时向牲畜养殖场的运营人员进行预警。
本发明实施例通过预先设置的摄像设备采集牲畜的视频数据,获取摄像设备采集的牲畜视频数据中的图像,并利用特征识别模型对图像中的牲畜的数量和重量进行识别,可以实现确定牲畜重量以及数量的自动化和智能化,有效提高确定牲畜重量以及数量的效率,有效减少牲畜养殖场的运营人员的工作量。另外,本发明实施例还可以根据识别出的牲畜的数量和重量进行牲畜数量及重量变化的监控预警,有利于牲畜养殖场的运营人员及时了解到牲畜重量或数量异常的情况。
在一实施例中,可以为主机(即上述终端)配置多个从机,主机在获取到摄像设备采集的视频数据后,将视频数据处理成每帧图像,并根据从机的处理进度为多个从机分发图像;每个从机对主机分发的图像按照前文所述的处理方式进行处理,得到图像中的牲畜的特征信息,该特征信息包括重量和/或数量;从机将识别出的图像中的牲畜的特征信息发送给主机。采用上述方式,可以进一步提高牲畜特征信息的识别效率。
前文介绍了牲畜的重量确定过程,下面对特征识别模型的训练过程进行介绍。请参阅图3,为本发明实施例提供的一种特征识别模型的训练方法的流程示意图,所述方法可以包括:
S301、终端获取摄像设备采集的作为样本的牲畜所处养殖环境的历史视频数据,从所述历史视频数据中获取作为样本的牲畜的多张样本图像。
本发明实施例中,该多张样本图像是摄像设备在不同光线环境下采集到的,并且所对应的采集时间不同。将摄像设备在不同采集时间以及不同光线环境下采集到的多张图像作为训练特征识别模型的样本图像,可增加样本图像的多样性,有利于提高特征识别模型的识别稳定度。其中,还可以针对每张样本图像人工标记出图像中的牲畜的轮廓,有利于更好的训练特征识别模型。
S302、所述终端将所述多张样本图像中的每张样本图像按照多个旋转角度进行旋转处理,得到所述每张样本图像的多张训练图像,并得到所述多张样本图像的训练图像集合。
本发明实施例中,针对该多张样本图像中的每张样本图像,将样本图像的原始图像坐标转换为数学坐标,数学坐标系下,坐标原点为样本图像的中心位置;利用旋转公式对样本图像的数学坐标进行旋转;将旋转后的数学坐标转换为图像坐标;通过上述方式可以得到旋转后的样本图像,即训练图像。上述处理过程可以由公式一实现,公式一如下:
其中,x,y为原始图像坐标,x0,y0为旋转后的坐标;w,h为样本图像的原始宽和高,w',h'为样本图像旋转后的宽和高;θ为旋转角度,可以是随机确定的,也可以是预先设置的多个旋转角度中的任意一个。
选取多个旋转角度分别按照上述处理方式对每张样本图像进行处理,并对旋转后的样本图像的白边进行裁剪,可以得到每张样本图像的多张训练图像(例如5张),并得到该多张样本图像的训练图像集合。采用上述方式,可增加样本图像的数量以及多样性,有利于进一步提高特征识别模型的识别稳定度。
在一实施例中,将旋转后的样本图像的图像坐标转化为数学坐标,利用旋转公式对旋转后的样本图像的数学坐标进行旋转逆运算,将旋转后的数学坐标转换为图像坐标。通过上述方式可以获取到旋转后的样本图像中各像素对应的原始图像坐标。上述处理过程可以由公式二实现,公式二如下:
进一步地,通过双线性插值把原始样本图像的原始像素插入旋转后的样本图像中的相应位置,以使得旋转后的样本图像不失真。将插入原始像素的旋转后的样本图像作为训练图像,并得到训练图像集合。其中,双线性插值可以由公式三实现,公式三如下:
其中,(x1,y1),(x1,y2),(x2,y2),(x2,y1)为映射到原始样本图像中的临近4个点坐标,f(Q11)为坐标(x1,y1)对应的原始像素,f(Q21),f(Q12),f(Q22)同理。
在另一实施例中,可以利用预置的拉伸函数对旋转后的样本图像,或者对插入原始像素的旋转后的样本图像进行拉伸处理,得到拉伸处理后的样本图像;将拉伸处理后的样本图像作为训练图像,并得到训练图像集合。采用上述方式,可以进一步增加样本图像的多样性,有利于进一步提高特征识别模型的识别稳定度。
S303、所述终端获取所述训练图像集合中各张训练图像对应的牲畜的参考数据。
本发明实施例中,该参考数据包括训练图像对应的牲畜的真实重量和数量,可以是养殖场的运营人员测量得到的。
S304、所述终端利用所述训练图像集合中的训练图像以及所述参考数据对初始特征识别模型进行训练,得到训练后的特征识别模型。
本发明实施例中,初始特征识别模型包括第一级预测网络和第二级预测网络。终端调用初始特征识别模型将训练图像集合中的多张训练图像以及该参考数据输入该第一级预测网络;第一级预测网络利用该多张训练图像中标记的牲畜的轮廓进行牲畜轮廓识别训练,以得到各张训练图像中的牲畜的数量以及各个牲畜对应的轮廓区域的特征数据;第一级预测网络利用预置的收敛函数、其识别出的训练图像中的牲畜的数量、以及参考数据包括的训练图像对应的牲畜的真实数量,检测第一级预测网络识别出的训练图像中的牲畜的数量是否满足收敛条件;若不满足,则对第一级预测网络中的参数进行调整,并重复上述步骤,直至调整参数后的第一级预测网络识别出的训练图像中的牲畜的数量满足收敛条件。其中,满足收敛条件可以是指利用收敛函数计算出的第一级预测网络识别出的各训练图像中的牲畜的数量,与相应真实数量之间的平均差值最小或者小于预设收敛数值。
进一步地,在调整参数后的第一级预测网络识别出的训练图像中的牲畜的数量满足第一收敛条件后,该第一级预测网络将针对训练图像识别出的训练图像中各个牲畜的轮廓区域的特征数据、以及该参考数据包括的训练图像对应的牲畜的真实重量输入该第二级预测网络。第二级预测网络利用该特征数据以及该真实重量进行训练,得到收敛的第二级预测网络,并得到训练后的特征识别模型。
在一实施例中,为节省特征识别模型的训练时间以及存储资源,终端可以在利用训练图像集合中的训练图像以及该参考数据对初始特征识别模型进行训练之前,对训练图像集合中的训练图像的尺寸大小进行缩放处理,限制训练图像的最大边长和最小边长;并且以最大边长为主,将缩放处理后的训练图像边缘按照最大边长进行填充,以将各张训练图像处理为同一参考尺寸大小。具体处理规则为:
获取预设模板图像的最大边长和最小边长。针对训练图像集合中的每张训练图像:获取训练图像的尺寸信息,该尺寸信息包括真实的高和宽;根据该尺寸信息、最大边长和最小边长确定训练图像的缩放倍数,并按照该缩放倍数对训练图像进行缩放处理,得到缩放处理后的训练图像。具体地,按照如下规则确定训练图像的缩放倍数:先按照公式scale=max(1,b/min(h,w))进行计算,其中,scale为缩放倍数,h和w为训练图像真实的高和宽,b为最小边长,max函数表示取最大值,min函数表示取最小值。如果max(h,w)*scale>a,则按照公式scale=a/max(h,w)计算训练图像的缩放倍数,其中,a为最大边长。如果max(h,w)*scale≤a,则将训练图像的缩放倍数scale确定为max(1,b/min(h,w))。其中,按照确定出的缩放倍数进行缩放处理后的训练图像的高h'=h*scale,宽w'=w*scale。
进一步地,根据最大边长对缩放处理后的各张训练图像进行填充,得到填充后的训练图像集合。具体填充方式为:针对缩放处理后的每张训练图像,先确定缩放处理后的训练图像各边缘对应的填充距离;其中,顶部填充距离为int((a–h')/2),int函数表示取整,下部填充距离为a-h'-顶部填充距离,左部填充距离为int((a-w')/2),右部填充距离为a-w'-左部填充距离;按照上述各填充距离对训练图像进行填充,得到填充后的训练图像,并得到填充后的训练图像集合。进一步地,终端利用填充后的训练图像集合中的训练图像和该参考数据对初始特征识别模型进行训练,得到训练后的特征识别模型。具体训练过程可参考前文描述,此处不再赘述。
上述模型训练方式中,由于用于训练特征识别模型的训练图像是在不同时间以及不同光线环境下采集到的,且训练图像的旋转角度也不同,故大大提高了训练图像的多样性,从而使得特征识别模型的识别稳定度和准确性高。因此,前文实施例中利用训练后的特征识别模型对目标图像进行处理得到的牲畜特征信息的准确率高。
请参阅图4,图4为本发明实施例提供的一种牲畜的重量确定装置的结构示意图,其中,牲畜所处养殖环境中配置有摄像设备,用于采集牲畜所处养殖环境的视频数据,所述装置包括:
获取单元401,用于获取所述摄像设备采集的视频数据;
所述获取单元401,还用于从所述视频数据中获取目标图像,所述目标图像中包括多个所述牲畜;
处理单元402,用于利用包括两级预测网络的特征识别模型对所述目标图像进行处理,得到多个所述牲畜的特征信息,所述特征信息包括重量;
其中,所述特征识别模型是根据作为样本的牲畜的样本图像以及参考数据训练得到的。
在一实施方式中,所述两级预测网络为第一级预测网络和第二级预测网络,所述处理单元402利用包括两级预测网络的特征识别模型对所述目标图像进行处理,得到多个所述牲畜的特征信息时,具体用于:
利用所述第一级预测网络标记所述目标图像中多个所述牲畜的轮廓以及对应的轮廓区域,并获取各轮廓区域的特征数据;
将所述各轮廓区域的特征数据输出至所述第二级预测网络中进行处理,得到所述目标图像中多个所述牲畜的重量;
其中,所述特征数据包括轮廓区域的坐标信息、轮廓区域对应的像素点数量、以及轮廓区域与所述摄像设备之间的距离信息和角度信息中的一种或多种。
在一实施方式中,所述特征信息还包括数目,所述处理单元402利用所述第一级预测网络标记所述目标图像中多个所述牲畜的轮廓以及对应的轮廓区域,并获取各轮廓区域的特征数据之后,还用于:
根据获取的多个所述牲畜的轮廓计算得到牲畜的数目。
在一实施方式中,所述获取单元401,还用于获取记录的所述养殖环境中的牲畜当前所处的生长周期,以及获取所述当前所处的生长周期对应的参考重量;
所述装置还包括:
检测单元403,用于检测所述目标图像中是否存在重量与所述参考重量之间的差值的绝对值大于或等于预设数值的牲畜;
显示单元404,用于若所述目标图像中存在重量与所述参考重量之间的差值的绝对值大于或等于预设数值的牲畜,则输出第一提示信息,所述第一提示信息用于提示用户有牲畜生长状况异常。
在一实施方式中,所述获取单元401,还用于获取预先记录的所述养殖环境中的牲畜的总数目;
所述检测单元403,还用于检测所述特征识别模型识别出的所述目标图像中的牲畜的数目是否与预先记录的牲畜的总数目一致;
显示单元404,用于若所述特征识别模型识别出的所述目标图像中的牲畜的数目与预先记录的牲畜的总数目不一致,则输出第二提示信息,所述第二提示信息用于提示用户牲畜的数目异常。
在一实施方式中,所述获取单元401,还用于获取摄像设备采集的作为样本的牲畜所处养殖环境的历史视频数据,从所述历史视频数据中获取作为样本的牲畜的多张样本图像,所述多张样本图像是所述摄像设备在不同光线环境下采集到的;
所述处理单元402,还用于将所述多张样本图像中的每张样本图像按照多个旋转角度进行旋转处理,得到所述每张样本图像的多张训练图像,并得到所述多张样本图像的训练图像集合;
所述获取单元401,还用于获取所述训练图像集合中各张训练图像对应的牲畜的参考数据;
所述处理单元402,还用于利用所述训练图像集合中的训练图像以及所述参考数据对初始特征识别模型进行训练,得到训练后的特征识别模型。
在一实施方式中,所述获取单元401,还用于:获取预设模板图像的最大边长和最小边长;获取所述训练图像集合中每张训练图像的尺寸信息;
所述处理单元402,还用于:根据所述尺寸信息、所述最大边长和所述最小边长对所述每张训练图像进行缩放处理;根据所述最大边长对缩放处理后的每张训练图像进行填充,得到填充后的训练图像集合;利用所述填充后的训练图像集合中的训练图像以及所述参考数据对初始特征识别模型进行训练,得到训练后的特征识别模型。
可以理解的是,本发明实施例的牲畜的重量确定装置的各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
本发明实施例通过从摄像设备采集的牲畜所处养殖环境的视频数据中获取目标图像,利用包括两级预测网络的特征识别模型对目标图像进行处理,得到目标图像中的牲畜的特征信息,该特征信息包括重量,从而可以自动确定牲畜的重量,有效提高确定牲畜重量的效率。
请参阅图5,图5为本发明实施例提供的一种终端的结构示意图,本发明实施例中所描述的终端包括:处理器501、通信接口502、存储器503和用户接口504。其中,处理器501、通信接口502、存储器503和用户接口504可通过总线或其他方式连接,本发明实施例以通过总线连接为例。
所述处理器501可以是中央处理器(central processing unit,CPU),网络处理器(network processor,NP),图形处理器(graphics processing unit,GPU),或者CPU、GPU和NP的组合。处理器501也可以是多核CPU、多核GPU或多核NP中用于实现通信标识绑定的核。
所述处理器501可以是硬件芯片。所述硬件芯片可以是专用集成电路(application-specific integrated circuit,ASIC),可编程逻辑器件(programmablelogic device,PLD)或其组合。所述PLD可以是复杂可编程逻辑器件(complexprogrammable logic device,CPLD),现场可编程逻辑门阵列(field-programmable gatearray,FPGA),通用阵列逻辑(generic array logic,GAL)或其任意组合。
所述通信接口502可用于收发信息或信令的交互,以及信号的接收和传递,通信接口502可以是收发器。所述存储器503可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的存储程序(比如文字存储功能、位置存储功能等);存储数据区可存储根据终端的使用所创建的数据(比如图像数据、文字数据)等,并可以包括应用存储程序等。此外,存储器503可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。所述用户接口504是实现用户与终端进行交互和信息交换的媒介,其具体体现可以包括用于输出的显示屏(Display)以及用于输入的键盘(Keyboard)、触控屏等等,需要说明的是,此处的键盘既可以为实体键盘,也可以为触屏虚拟键盘,还可以为实体与触屏虚拟相结合的键盘。
所述存储器503还用于存储程序指令。所述处理器501可以调用所述存储器503存储的程序指令,实现如本发明实施例所示的牲畜的重量确定方法。其中,牲畜所处养殖环境中配置有摄像设备,用于采集牲畜所处养殖环境的视频数据。具体地,所述处理器501调用存储在所述存储器503中的程序指令执行以下步骤:
通过所述通信接口502获取所述摄像设备采集的视频数据;
从所述视频数据中获取目标图像,所述目标图像中包括多个所述牲畜;
利用包括两级预测网络的特征识别模型对所述目标图像进行处理,得到多个所述牲畜的特征信息,所述特征信息包括重量;
其中,所述特征识别模型是根据作为样本的牲畜的样本图像以及参考数据训练得到的。
本发明实施例中处理器执行的方法均从处理器的角度来描述,可以理解的是,本发明实施例中处理器要执行上述方法需要其他硬件结构的配合。本发明实施例对具体的实现过程不作详细描述和限制。
在一实施方式中,所述两级预测网络为第一级预测网络和第二级预测网络,所述处理器501利用包括两级预测网络的特征识别模型对所述目标图像进行处理,得到多个所述牲畜的特征信息时,具体用于:利用所述第一级预测网络标记所述目标图像中多个所述牲畜的轮廓以及对应的轮廓区域,并获取各轮廓区域的特征数据;将所述各轮廓区域的特征数据输出至所述第二级预测网络中进行处理,得到所述目标图像中多个所述牲畜的重量;其中,所述特征数据包括轮廓区域的坐标信息、轮廓区域对应的像素点数量、以及轮廓区域与所述摄像设备之间的距离信息和角度信息中的一种或多种。
在一实施方式中,所述特征信息还包括数目,所述处理器501利用所述第一级预测网络标记所述目标图像中多个所述牲畜的轮廓以及对应的轮廓区域,并获取各轮廓区域的特征数据之后,还用于:根据获取的多个所述牲畜的轮廓计算得到牲畜的数目。
在一实施方式中,所述处理器501还用于:获取记录的所述养殖环境中的牲畜当前所处的生长周期,以及获取所述当前所处的生长周期对应的参考重量;检测所述目标图像中是否存在重量与所述参考重量之间的差值的绝对值大于或等于预设数值的牲畜;若存在,则通过所述用户接口504输出第一提示信息,所述第一提示信息用于提示用户有牲畜生长状况异常。
在一实施方式中,所述处理器501还用于:获取预先记录的所述养殖环境中的牲畜的总数目;检测所述特征识别模型识别出的所述目标图像中的牲畜的数目是否与预先记录的牲畜的总数目一致;若否,则通过所述用户接口504输出第二提示信息,所述第二提示信息用于提示用户牲畜的数目异常。
在一实施方式中,所述处理器501利用包括两级预测网络的特征识别模型对所述目标图像进行处理,得到多个所述牲畜的特征信息之前,还用于:获取摄像设备采集的作为样本的牲畜所处养殖环境的历史视频数据,从所述历史视频数据中获取作为样本的牲畜的多张样本图像,所述多张样本图像是所述摄像设备在不同光线环境下采集到的;将所述多张样本图像中的每张样本图像按照多个旋转角度进行旋转处理,得到所述每张样本图像的多张训练图像,并得到所述多张样本图像的训练图像集合;获取所述训练图像集合中各张训练图像对应的牲畜的参考数据;利用所述训练图像集合中的训练图像以及所述参考数据对初始特征识别模型进行训练,得到训练后的特征识别模型。
在一实施方式中,所述处理器501利用所述训练图像集合中的训练图像以及所述参考数据对初始特征识别模型进行训练,得到训练后的特征识别模型之前,还用于:获取预设模板图像的最大边长和最小边长;获取所述训练图像集合中每张训练图像的尺寸信息;根据所述尺寸信息、所述最大边长和所述最小边长对所述每张训练图像进行缩放处理;
根据所述最大边长对缩放处理后的每张训练图像进行填充,得到填充后的训练图像集合。所述处理器501利用所述训练图像集合中的训练图像以及所述参考数据对初始特征识别模型进行训练,得到训练后的特征识别模型时,具体用于:利用所述填充后的训练图像集合中的训练图像以及所述参考数据对初始特征识别模型进行训练,得到训练后的特征识别模型。
具体实现中,本申请实施例中所描述的处理器501、通信接口502、存储器503和用户接口504可执行本发明实施例提供的牲畜的重量确定方法以及特征识别模型的训练方法中所描述的终端的实现方式,也可执行本申请实施例图4提供的牲畜的重量确定装置的实现方式,在此不再赘述。
本发明实施例通过从摄像设备采集的牲畜所处养殖环境的视频数据中获取目标图像,利用包括两级预测网络的特征识别模型对目标图像进行处理,得到目标图像中的牲畜的特征信息,该特征信息包括重量,从而可以自动确定牲畜的重量,有效提高确定牲畜重量的效率。
本发明实施例还提供一种计算机存储介质,所述计算机存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述方法实施例所述的牲畜的重量确定方法以及特征识别模型的训练方法。
本发明实施例还提供一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述方法实施例所述的牲畜的重量确定方法以及特征识别模型的训练方法。
需要说明的是,对于前述的各个方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某一些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。
本发明实施例装置中的模块可以根据实际需要进行合并、划分和删减。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(Random AccessMemory,RAM)、磁盘或光盘等。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,本领域普通技术人员可以理解实现上述实施例的全部或部分流程,并依本发明权利要求所作的等同变化,仍属于发明所涵盖的范围。
Claims (10)
1.一种牲畜的重量确定方法,其特征在于,所述牲畜所处养殖环境中配置有摄像设备,所述方法包括:
获取所述摄像设备采集的视频数据;
从所述视频数据中获取目标图像,所述目标图像中包括多个所述牲畜;
利用包括两级预测网络的特征识别模型对所述目标图像进行处理,得到多个所述牲畜的特征信息,所述特征信息包括重量;
其中,所述特征识别模型是根据作为样本的牲畜的样本图像以及参考数据训练得到的。
2.根据权利要求1所述的方法,其特征在于,所述两级预测网络为第一级预测网络和第二级预测网络,所述利用包括两级预测网络的特征识别模型对所述目标图像进行处理,得到多个所述牲畜的特征信息,包括:
利用所述第一级预测网络标记所述目标图像中多个所述牲畜的轮廓以及对应的轮廓区域,并获取各轮廓区域的特征数据;
将所述各轮廓区域的特征数据输出至所述第二级预测网络中进行处理,得到所述目标图像中多个所述牲畜的重量;
其中,所述特征数据包括轮廓区域的坐标信息、轮廓区域对应的像素点数量、以及轮廓区域与所述摄像设备之间的距离信息和角度信息中的一种或多种。
3.根据权利要求2所述的方法,其特征在于,所述特征信息还包括数目,所述利用所述第一级预测网络标记所述目标图像中多个所述牲畜的轮廓以及对应的轮廓区域,并获取各轮廓区域的特征数据之后,还包括:
根据获取的多个所述牲畜的轮廓计算得到牲畜的数目。
4.根据权利要求2所述的方法,其特征在于,所述方法还包括:
获取记录的所述养殖环境中的牲畜当前所处的生长周期,以及获取所述当前所处的生长周期对应的参考重量;
检测所述目标图像中是否存在重量与所述参考重量之间的差值的绝对值大于或等于预设数值的牲畜;
若存在,则输出第一提示信息,所述第一提示信息用于提示用户有牲畜生长状况异常。
5.根据权利要求3所述的方法,其特征在于,所述方法还包括:
获取预先记录的所述养殖环境中的牲畜的总数目;
检测所述特征识别模型识别出的所述目标图像中的牲畜的数目是否与预先记录的牲畜的总数目一致;
若否,则输出第二提示信息,所述第二提示信息用于提示用户牲畜的数目异常。
6.根据权利要求1-5中任一项所述的方法,其特征在于,所述利用包括两级预测网络的特征识别模型对所述目标图像进行处理,得到多个所述牲畜的特征信息之前,所述方法还包括:
获取摄像设备采集的作为样本的牲畜所处养殖环境的历史视频数据,从所述历史视频数据中获取作为样本的牲畜的多张样本图像,所述多张样本图像是所述摄像设备在不同光线环境下采集到的;
将所述多张样本图像中的每张样本图像按照多个旋转角度进行旋转处理,得到所述每张样本图像的多张训练图像,并得到所述多张样本图像的训练图像集合;
获取所述训练图像集合中各张训练图像对应的牲畜的参考数据;
利用所述训练图像集合中的训练图像以及所述参考数据对初始特征识别模型进行训练,得到训练后的特征识别模型。
7.根据权利要求6所述的方法,其特征在于,所述利用所述训练图像集合中的训练图像以及所述参考数据对初始特征识别模型进行训练,得到训练后的特征识别模型之前,所述方法还包括:
获取预设模板图像的最大边长和最小边长;
获取所述训练图像集合中每张训练图像的尺寸信息;
根据所述尺寸信息、所述最大边长和所述最小边长对所述每张训练图像进行缩放处理;
根据所述最大边长对缩放处理后的每张训练图像进行填充,得到填充后的训练图像集合;
所述利用所述训练图像集合中的训练图像以及所述参考数据对初始特征识别模型进行训练,得到训练后的特征识别模型,包括:
利用所述填充后的训练图像集合中的训练图像以及所述参考数据对初始特征识别模型进行训练,得到训练后的特征识别模型。
8.一种牲畜的重量确定装置,其特征在于,所述牲畜所处养殖环境中配置有摄像设备,所述装置包括:
获取单元,用于获取所述摄像设备采集的视频数据;
所述获取单元,还用于从所述视频数据中获取目标图像,所述目标图像中包括多个所述牲畜;
处理单元,用于利用包括两级预测网络的特征识别模型对所述目标图像进行处理,得到多个所述牲畜的特征信息,所述特征信息包括重量;
其中,所述特征识别模型是根据作为样本的牲畜的样本图像以及参考数据训练得到的。
9.一种终端,其特征在于,包括:处理器、通信接口和存储器,其中,所述处理器、所述通信接口和所述存储器相互连接,所述存储器存储有可执行程序代码,所述处理器用于调用所述可执行程序代码,执行如权利要求1-7中任一项所述的牲畜的重量确定方法。
10.一种计算机存储介质,其特征在于,所述计算机存储介质中存储有指令,当其在计算机上运行时,使得计算机执行如权利要求1-7中任一项所述的牲畜的重量确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911050895.9A CN111008560A (zh) | 2019-10-31 | 2019-10-31 | 一种牲畜的重量确定方法、装置、终端及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911050895.9A CN111008560A (zh) | 2019-10-31 | 2019-10-31 | 一种牲畜的重量确定方法、装置、终端及计算机存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111008560A true CN111008560A (zh) | 2020-04-14 |
Family
ID=70111328
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911050895.9A Pending CN111008560A (zh) | 2019-10-31 | 2019-10-31 | 一种牲畜的重量确定方法、装置、终端及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111008560A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101290A (zh) * | 2020-09-27 | 2020-12-18 | 成都睿畜电子科技有限公司 | 一种饲养环境的信息提示方法、装置、介质及电子设备 |
CN113532616A (zh) * | 2020-04-15 | 2021-10-22 | 阿里巴巴集团控股有限公司 | 基于计算机视觉的体重估计方法、装置及系统 |
WO2021217934A1 (zh) * | 2020-04-28 | 2021-11-04 | 平安国际智慧城市科技股份有限公司 | 监控牲畜数量的方法、装置、计算机设备及存储介质 |
CN114200967A (zh) * | 2021-11-29 | 2022-03-18 | 河南牧原智能科技有限公司 | 用于确定预置角度的方法、检测牲畜体温的方法及产品 |
CN114332196A (zh) * | 2021-12-10 | 2022-04-12 | 深圳致星科技有限公司 | 料件重量百分比的获取方法、设备、装置及存储介质 |
CN115641458A (zh) * | 2022-10-14 | 2023-01-24 | 吉林鑫兰软件科技有限公司 | 用于待统计目标养殖的ai识别系统及银行风控应用 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120275659A1 (en) * | 2011-04-27 | 2012-11-01 | Steve Gomas | Apparatus and method for estimation of livestock weight |
US20170124727A1 (en) * | 2014-06-17 | 2017-05-04 | 3M Innovative Properties Company | Method and device for automated parameters calculation of an object |
CN108871520A (zh) * | 2018-07-06 | 2018-11-23 | 平安科技(深圳)有限公司 | 牲畜体重测量方法及装置 |
WO2019110824A1 (en) * | 2017-12-07 | 2019-06-13 | Imra Europe S.A.S. | Using silhouette for fast object recognition |
CN110288580A (zh) * | 2019-06-25 | 2019-09-27 | 深圳德里克设备有限公司 | 牲畜体重的测量方法、测量装置及可读存储介质 |
-
2019
- 2019-10-31 CN CN201911050895.9A patent/CN111008560A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120275659A1 (en) * | 2011-04-27 | 2012-11-01 | Steve Gomas | Apparatus and method for estimation of livestock weight |
US20170124727A1 (en) * | 2014-06-17 | 2017-05-04 | 3M Innovative Properties Company | Method and device for automated parameters calculation of an object |
CN106662437A (zh) * | 2014-06-17 | 2017-05-10 | 玛精能手股份有限公司 | 用于物体的自动参数计算的方法和装置 |
WO2019110824A1 (en) * | 2017-12-07 | 2019-06-13 | Imra Europe S.A.S. | Using silhouette for fast object recognition |
CN108871520A (zh) * | 2018-07-06 | 2018-11-23 | 平安科技(深圳)有限公司 | 牲畜体重测量方法及装置 |
CN110288580A (zh) * | 2019-06-25 | 2019-09-27 | 深圳德里克设备有限公司 | 牲畜体重的测量方法、测量装置及可读存储介质 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113532616A (zh) * | 2020-04-15 | 2021-10-22 | 阿里巴巴集团控股有限公司 | 基于计算机视觉的体重估计方法、装置及系统 |
WO2021217934A1 (zh) * | 2020-04-28 | 2021-11-04 | 平安国际智慧城市科技股份有限公司 | 监控牲畜数量的方法、装置、计算机设备及存储介质 |
CN112101290A (zh) * | 2020-09-27 | 2020-12-18 | 成都睿畜电子科技有限公司 | 一种饲养环境的信息提示方法、装置、介质及电子设备 |
CN114200967A (zh) * | 2021-11-29 | 2022-03-18 | 河南牧原智能科技有限公司 | 用于确定预置角度的方法、检测牲畜体温的方法及产品 |
CN114332196A (zh) * | 2021-12-10 | 2022-04-12 | 深圳致星科技有限公司 | 料件重量百分比的获取方法、设备、装置及存储介质 |
CN114332196B (zh) * | 2021-12-10 | 2024-04-09 | 深圳致星科技有限公司 | 料件重量百分比的获取方法、设备、装置及存储介质 |
CN115641458A (zh) * | 2022-10-14 | 2023-01-24 | 吉林鑫兰软件科技有限公司 | 用于待统计目标养殖的ai识别系统及银行风控应用 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111008560A (zh) | 一种牲畜的重量确定方法、装置、终端及计算机存储介质 | |
CN110660066B (zh) | 网络的训练方法、图像处理方法、网络、终端设备及介质 | |
CN109978755B (zh) | 全景图像合成方法、装置、设备与存储介质 | |
CN110426112B (zh) | 一种生猪体重测量方法及装置 | |
CN109886928B (zh) | 一种目标细胞标记方法、装置、存储介质及终端设备 | |
KR20220160066A (ko) | 이미지 처리 방법 및 장치 | |
CN109740659B (zh) | 一种图像匹配方法及装置、电子设备、存储介质 | |
CN113744394B (zh) | 鞋楦三维建模方法、装置、设备及存储介质 | |
CN111008561A (zh) | 一种牲畜的数量确定方法、终端及计算机存储介质 | |
CN110832542B (zh) | 识别处理设备、识别处理方法和程序 | |
CN111325217B (zh) | 数据处理方法、装置、系统和介质 | |
CN109978964B (zh) | 一种图像制作方法、装置、存储介质及终端设备 | |
CN112184789A (zh) | 植物模型生成方法、装置、计算机设备和存储介质 | |
CN114550212A (zh) | 一种基于轻量级模型的羊脸检测与识别方法 | |
WO2021012924A1 (zh) | 3d嫁接打印的对齐方法、装置、电子设备及存储介质 | |
CN114882115B (zh) | 车辆位姿的预测方法和装置、电子设备和存储介质 | |
CN116363583A (zh) | 一种用于顶视角的人体识别方法、装置、设备及介质 | |
CN111079752A (zh) | 识别红外图像中的断路器的方法、装置及可读存储介质 | |
CN115937593A (zh) | 一种模型法建立方法、物体检测方法及相关设备 | |
CN113723380B (zh) | 基于雷达技术的人脸识别方法、装置、设备和存储介质 | |
CN112907550B (zh) | 一种建筑物检测方法、装置、电子设备及存储介质 | |
CN113446940A (zh) | 一种点云扫描方法、装置及设备 | |
CN116798087A (zh) | 员工在岗状态检测方法及系统 | |
JP2008084109A (ja) | 目開閉判定装置及び目開閉判定方法 | |
CN115731458A (zh) | 一种遥感影像的处理方法、装置和电子设备 |
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: 20200414 |