CN111145205A - 基于红外图像的多猪只场景下猪体温检测方法 - Google Patents
基于红外图像的多猪只场景下猪体温检测方法 Download PDFInfo
- Publication number
- CN111145205A CN111145205A CN201911348971.4A CN201911348971A CN111145205A CN 111145205 A CN111145205 A CN 111145205A CN 201911348971 A CN201911348971 A CN 201911348971A CN 111145205 A CN111145205 A CN 111145205A
- Authority
- CN
- China
- Prior art keywords
- pig
- image
- gray
- region
- ear
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000036760 body temperature Effects 0.000 title claims abstract description 20
- 238000001514 detection method Methods 0.000 title claims abstract description 14
- 241000282887 Suidae Species 0.000 claims abstract description 31
- 230000011218 segmentation Effects 0.000 claims abstract description 13
- 238000012935 Averaging Methods 0.000 claims abstract description 9
- 239000000853 adhesive Substances 0.000 claims abstract description 6
- 230000001070 adhesive effect Effects 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 27
- 210000000746 body region Anatomy 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000009395 breeding Methods 0.000 description 13
- 230000001488 breeding effect Effects 0.000 description 13
- 238000005259 measurement Methods 0.000 description 6
- 238000009529 body temperature measurement Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 210000003128 head Anatomy 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 2
- 229910052753 mercury Inorganic materials 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 206010011409 Cross infection Diseases 0.000 description 1
- 206010029803 Nosocomial infection Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G01J5/0003—Radiation pyrometry, e.g. infrared or optical thermometry for sensing the radiant heat transfer of samples, e.g. emittance meter
-
- G06T5/70—
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/10048—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
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Quality & Reliability (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明公开了一种基于红外图像的多猪只场景下猪体温检测方法,按如下步骤进行:步骤一,获取饲养环境中的红外图像,将红外图像转化成灰度图像,然后进行小波去噪、有效区域裁剪、Otsu阈值分割处理,得到的二值图像;步骤二,对得到的二值图像进行连通区域标定;步骤三,对标记的连通区域个数进行数量统计,进而得到非黏连猪只的数量;步骤四,提取每个猪只的耳根部灰度值数据;步骤六,提取到猪只耳根部区域灰度数据之后,利用温度‑灰度模型计算耳根部区域内每个像素点灰度值对应的温度值,然后对得到的耳根部区域内各像素点的温度值求平均,得到耳根部的温度均值。
Description
技术领域
本发明属于体温检测技术领域,具体涉及一种基于红外图像的多猪只场景下猪体温检测方法。
背景技术
体温测量是种猪养殖过程中一项非常重要的工作,传统的种猪体温测量方法是采用水银温度计测取种猪的直肠温度,这是一种侵入式的测量方式,测温过程使种猪产生应激,不利于种猪健康生长和配种繁殖。而且测量一头种猪直肠温度一般情况下需要2-3名工人花费6分钟左右的时间完成,此方式在规模化养殖中对人工的消耗巨大,并且接触式测温过程中存在疾病在人畜间交叉感人的风险。由此可见养殖行业亟需更加科学高效的种猪体温获取方式。
与传统水银柱测量直肠温度相比,红外测温枪以其携带方便、操作简单等优点快速发展,在实际养猪场内推广较快。在实际养殖过程中一般是测量种猪的耳根、眼睛、腋下等部位来检测猪体温是否异常,但是红外测温枪是针对猪体表面几个点的测量,即使是对种猪同一个部位进行体温测量,测量点的随机性选取也容易造成极大的测量误差,易造成测量不准确。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于红外图像的多猪只场景下猪体温检测方法,利用红外相机,在识别种猪耳根区域的基础上,通过耳根区域的红外图像温度平均值,智能无接触测量种猪体表温度值。该方法相比于红外测温枪,能够克服测量点选择的随机性,而且对区域温度进行分析,体温数据获取更加全面和准确。
本发明是通过以下技术方案实现的:
一种基于红外图像的多猪只场景下猪体温检测方法,按如下步骤进行:
步骤一,获取饲养环境中的红外图像,将红外图像转化成灰度图像,然后进行小波去噪、有效区域裁剪、Otsu阈值分割处理,得到的二值图像;
步骤二,对得到的二值图像进行连通区域标定;
步骤三,对标记的连通区域个数进行数量统计,进而得到非黏连猪只的数量;
步骤四,提取每个猪只的耳根部灰度值数据;
步骤六,提取到猪只耳根部区域灰度数据之后,利用温度-灰度模型计算耳根部区域内每个像素点灰度值对应的温度值,然后对得到的耳根部区域内各像素点的温度值求平均,得到耳根部的温度均值。
在上述技术方案中,步骤三中,由于猪只区域的像素点数量远远大于噪声产生的连通区域,差别在一个数量级以上,因此,设置猪只统计变量,通过遍历每个连通区域,规定5000像素点以上的连通区域为一头猪只区域,每遍历得到一个猪只区域,自动将此区域提取出赋值给一个猪只变量,猪只统计变量自动加1,连通区域遍历完则猪只数量统计完成。
在上述技术方案中,得到非黏连猪只的数量之后,通过对连通区域做矩形标定验证猪只数量是否统计正确。
在上述技术方案中,步骤四中,提取猪只耳根部灰度值数据的步骤如下:
4.1通过灰度范围标记,选择耳根部区域;
4.2然后对选择出的耳根部区域灰度置零,用耳根部置零后的图像与猪体二值图做异或运算,得到包含耳根部区域二值图像;
4.3通过最大连通区域选择,得到最大耳根部区域;
4.4以最大耳根部区域二值图像为目标裁剪区域,通过点乘猪只灰度图像,得到猪只耳根部的灰度值数据,完成最大耳根部区域的提取。
在上述技术方案中,建立温度-灰度模型(T-G模型)的方法,包括以下步骤:
步骤1,采用红外相机拍摄种猪红外图像;
步骤2,将红外图像标准化转化导出320*240像素大小的红外图像,同时导出320*240大小”.cvs”格式的温度表格数据;
步骤3,将320*240像素大小的红外图像及“.cvs”格式的温度表格导入MATLAB,将红外图像转化成灰度图像,通过两次小波去噪,减小种猪体毛对图像的影响;
步骤4,利用Otsu自动阈值分割,获取目标猪二值图像,利用得到的有效猪体区域二值图作为裁剪模板;
步骤5,用有效灰度图像点乘目标猪只二值图裁剪模板得到猪体区域灰度数据,用有效温度数据点乘目标猪只二值图裁剪模板得到猪体区域温度数据;
步骤6,通过线性最小二乘法,拟合猪体灰度数据与温度数据关系,得到温度-灰度模型。
本发明的优点和有益效果为:
1.建立了基于fotric-225红外相机图像的猪体灰度-温度T-G模型:T=0.040428*G+30.01546,使用该模型能够根据红外图像中猪体的灰度数据计算目标猪体每个像素点的温度,且温度计算平均相对误差为0.076977%。测量精度较高,使得相机能够摆脱软件的限制,针对猪体数据进行具体温度的测量和温度分析。
2.设计了一种算法能够对不同场景红外图像非黏连猪只进行数量识别,并能够根据每头猪只灰度数据,利用T-G模型检测猪只体温。通过灰度值范围标定及图像异或运算自动裁剪出每头猪的耳根部区域,获取耳根部灰度值,然后利用T-G算法计算耳根部温度均值。本发明计算法能够较准确地检测猪只体温变化情况,能够有效的克服测温枪测量点随机选取的误差,又能够克服对红外相机全场分析针对性不强的问题,并且是一种非接触式的测温方法,符合福利养殖和物联网农业的发展理念。
附图说明
图1是基于红外图像的多猪只场景下猪体温检测方法的整体流程图。
图2a-2d是非黏连多猪只场景下猪只识别过程中获得图,其中,2a是灰度图像,2b是二值图像,2c为识别出第1头种猪二值图,2d为识别出的第2头种猪二值图。
图3是对连通区域最小矩形标定示意图。
图4是提取每个猪只的耳根部灰度值数据的流程图。
图5a-5e是提取每个猪只的耳根部灰度值过程中获得图,其中:5a是猪只灰度图像,5b是OTSU阈值分割预算后得到的目标猪只二值图,5c是耳根部灰度范围置零后的图像,5d是5b和5c异运算得到的耳根部区域图像,5e是最大耳根部区域二值图。
图6是建立温度-灰度模型的流程图。
图7是实施例二中的温度-灰度拟合模型。
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,可以根据以上附图获得其他的相关附图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面结合具体实施例进一步说明本发明的技术方案。
实施例一
一种基于红外图像的多猪只场景下猪体温检测方法,参见附图1,按如下步骤进行:
步骤一,获取饲养环境中的红外图像,将红外图像转化成灰度图像,然后进行小波去噪、有效区域裁剪、Otsu阈值分割等处理,得到的二值图像。
步骤二,对得到的二值图像进行连通区域标定。
步骤三,对标记的连通区域个数进行数量统计,进而得到非黏连猪只的数量。
具体来讲,统计过程中需要识别出高亮区域是否为猪只区域,通过对标定连通区域的分析,发现猪只区域的像素点数量远远大于噪声产生的连通区域,差别在一个数量级以上,因此,设置猪只统计变量,通过遍历每个连通区域,规定5000像素点以上的连通区域为一头猪只区域,每遍历得到一个猪只区域,自动将此区域提取出赋值给一个猪只变量,猪只统计变量自动加1,连通区域遍历完则猪只数量统计完成。
非黏连多猪只场景下猪只识别过程如图2所示,其中2a是灰度图像,2b是二值图像,算法从左向右识别图像中的猪只,每识别出一头种猪,就将其灰度数据提取并存储,2c为识别出第1头种猪二值图,2d为识别出的第2头种猪二值图。
步骤四,通过对连通区域做矩形标定验证猪只数量是否统计正确,此算法能够准确识别出不同场景中的猪只数量。图3是对连通区域最小矩形标定,以检验并确认矩形标定数量是否与种猪统计数量一致。
步骤五,提取每个猪只的耳根部灰度值数据。
耳根部是猪只的热窗部位之一,在红外图像中猪只耳根部区域的明显特点是亮度偏高,灰度图像耳根部灰度值比其它区域的灰度也都高。参见附图4,提取每个猪只的耳根部灰度值数据的具体方法为:在完成猪只识别之后,通过灰度范围标记,选择耳根部区域,然后对选择出的耳根部区域灰度置零,用耳根部置零后的图像与猪体二值图做异或运算,得到包含耳根部区域二值图像;一头猪的耳根部二值图可能会是单个耳根部区域的情况或者两个耳根部区域的情况,通过最大连通区域选择,得到最大耳根部区域,同时能够去除小区域高亮像素点干扰;以最大耳根部区域二值图像为目标裁剪区域,通过点乘猪只灰度图像,得到猪只耳根部的灰度值数据,完成最大耳根部区域的提取。
如图5所示,5a是猪只灰度图像,5b是OTSU阈值分割预算后得到的目标猪只二值图,5c是耳根部灰度范围置零后的图像,5d是5b和5c异运算得到的耳根部区域图像,提取到双耳根部区域,此种情况下为了消除其他小区域高亮点的影响,通过最大连通区域选择,得到5e图的最大耳根部区域二值图,以此二值图为目标裁剪区域,裁剪5a图所对应的猪只灰度数据,得到目标耳根部区域灰度数据,完成耳根部识别。
步骤六,提取到猪只耳根部区域灰度数据之后,利用温度-灰度模型(T-G模型)计算耳根部区域内每个像素点灰度值对应的温度值,然后对得到的耳根部区域内各像素点的温度值求平均,得到耳根部的温度均值。
实施例二
本实施例具体介绍建立关于猪的温度-灰度模型(T-G模型)的方法:
步骤1,采用Fotric-225红外相机拍摄种猪红外图像,得到60幅24月龄荣昌种猪、60幅4月龄荣昌种猪、60幅24月龄长白种猪三组实验的图像。拍摄时,尽量保持采集距离、角度的一致性,采集距离保持0.8-1.0m之间,确保拍摄到完整的猪只头部区域,拍摄的角度在45-90度范围之内。
步骤2,红外图像数据预处理使用的工具是Fotric-225红外相机自带的红外图像处理软件AnalyzIR4.1.1,红外相机拍摄图像原始大小为960*720像素,将原始图像导入AnalyzIR4.1.1将红外图像标准化转化导出320*240像素大小的红外图像,同时导出320*240大小”.cvs”格式的温度表格数据,此温度表格数据中像素点对应的温度即为图像中包括目标猪体在内的红外图像中每一像素点的温度数据。
步骤3,将320*240像素大小的红外图像及“.cvs”格式的温度表格导入MATLAB,将红外图像转化成灰度图像,通过两次小波去噪,减小种猪体毛对图像的影响。
步骤4,利用Otsu自动阈值分割,获取目标猪二值图像。
Otsu算法以Nobuyuki otsu(日本人,大津展之)的名字命名,它是一种自适应的阈值确定方法。该算法核心思想是利用直方图选取阈值,采用遍历的方法求出能使得类间方差最大的灰度值K,则K即为所求的阈值,可以形象的表述为取直方图有两个峰值的图像中那两个峰值之间的低谷值K,此算法常用于图像分割的聚类,其原理为:
4)图像总体的灰度均值是g=pmgm+pngmn;
5)计算方差是δ2=pm(gm-g)2+pn(gn-g)2,方差越大分割效果越好。
使用Otsu算法对有效灰度图像进行阈值分割,得到以猪只为目标的二值图像,阈值分割后,通过闭运算填补目标猪只区域中某些空洞,可得到修正了的目标猪只二值图,此二值图像为猪体数据裁剪模板。
通过Otsu算法并通过闭运算,实现红外猪体区域与背景区域的有效分割,完整的分割出包含头部耳根区域的猪体数据,并且将背景图有效的去除,得到边缘平滑的猪体头部区域二值图,此二值图即为目标猪体区域,利用得到的有效猪体区域二值图作为裁剪模板,通过裁剪灰度图像和表格温度数据,就能够将待分析的猪体的灰度数据和温度数据提取出来。
步骤5,区域选择与分离块操作。获得目标猪只二值图之后,用有效灰度图像点乘目标猪只二值图裁剪模板得到猪体区域灰度数据,用有效温度数据点乘目标猪只二值图裁剪模板得到猪体区域温度数据。
分离块操作能够节省运算时占用的存储空间,降低计算的复杂性,提高处理速度,并且充分考虑图像的局部特性。对获取的猪只数据进行分离块操作,分别对猪只灰度、温度数据使用4*4的分离块进行求平均值操作,得到灰度矩阵g和温度矩阵t。
步骤6,通过线性最小二乘法,拟合猪体灰度数据与温度数据关系,得到T-G模型,其推理过程如下:
(1)假设拟合直线为t=ag+b;
参数a,b分别是线性模型的一次项系数和常数项。
(2)对任意样本点(gi,ti);
(3)误差为e=ti-(agi+b);
(5)分别求一阶偏导
(7)得到最终解:
三组实验分别选取60幅红外图像,对每一幅图像使用线性最小二乘法建立模型。每组实验分别得到60组模型参数a,b,其中表1为24月龄荣昌种猪的60组模型参数。
表1
用线性最小二乘法分别对60幅24月龄荣昌种猪红外图像的猪只灰度、温度向量进行直线拟合,得到60个线性模型,图7为其中一个温度-灰度拟合模型,R方为0.9479。通过分析60组模型的参数a、参数b,发现每组之间大小非常接近,且60个模型的R方均大于0.9。对参数求取平均值,得到24月龄荣昌种猪的统一T-G模型,模型参数a=0.040379、b=30.026,所求的模型为:
T=0.040379*G+30.026 (3)
用同样的方法对60幅4月龄荣昌种猪红外图像进行处理,每一幅图像得到一个模型,每个拟合模型的R方均大于0.9,得到模型后,对60组模型参数a、参数b进行统计并分别求平均值得4月龄荣昌种猪的T-G模型为:
T=0.040447*G+30.00517 (4)
用同样的方法对60幅24月龄长白种猪的红外图像进行处理,得到60个线性模型,模型R方均大于0.9,对60组参数取平均得到24月龄长白种猪的T-G模型为:
T=0.040459*G+30.01522 (5)
表2为三组种猪60幅红外图像求得平均参数模型,通过对比分析发现,不同品种、不同月龄的种猪的红外图像灰度-温度模型参数都非常近似,通过求均值的方法对模型参数进行统一,得到温度-灰度T-G模型为:
T=0.040428*G+30.01546 (6)
表2
统一模型参数后,得到统一的猪体的灰度-温度转换模型T=0.040428*G+30.01546。
以上对本发明做了示例性的描述,应该说明的是,在不脱离本发明的核心的情况下,任何简单的变形、修改或者其他本领域技术人员能够不花费创造性劳动的等同替换均落入本发明的保护范围。
Claims (5)
1.一种基于红外图像的多猪只场景下猪体温检测方法,其特征在于:按如下步骤进行:
步骤一,获取饲养环境中的红外图像,将红外图像转化成灰度图像,然后进行小波去噪、有效区域裁剪、Otsu阈值分割处理,得到的二值图像;
步骤二,对得到的二值图像进行连通区域标定;
步骤三,对标记的连通区域个数进行数量统计,进而得到非黏连猪只的数量;
步骤四,提取每个猪只的耳根部灰度值数据;
步骤六,提取到猪只耳根部区域灰度数据之后,利用温度-灰度模型计算耳根部区域内每个像素点灰度值对应的温度值,然后对得到的耳根部区域内各像素点的温度值求平均,得到耳根部的温度均值。
2.根据权利要求1所述的基于红外图像的多猪只场景下猪体温检测方法,其特征在于:步骤三中,由于猪只区域的像素点数量远远大于噪声产生的连通区域,差别在一个数量级以上,因此,设置猪只统计变量,通过遍历每个连通区域,规定5000像素点以上的连通区域为一头猪只区域,每遍历得到一个猪只区域,自动将此区域提取出赋值给一个猪只变量,猪只统计变量自动加1,连通区域遍历完则猪只数量统计完成。
3.根据权利要求1所述的基于红外图像的多猪只场景下猪体温检测方法,其特征在于:得到非黏连猪只的数量之后,通过对连通区域做矩形标定验证猪只数量是否统计正确。
4.根据权利要求1所述的基于红外图像的多猪只场景下猪体温检测方法,其特征在于:步骤四中,提取猪只耳根部灰度值数据的步骤如下:
4.1通过灰度范围标记,选择耳根部区域;
4.2然后对选择出的耳根部区域灰度置零,用耳根部置零后的图像与猪体二值图做异或运算,得到包含耳根部区域二值图像;
4.3通过最大连通区域选择,得到最大耳根部区域;
4.4以最大耳根部区域二值图像为目标裁剪区域,通过点乘猪只灰度图像,得到猪只耳根部的灰度值数据,完成最大耳根部区域的提取。
5.根据权利要求1所述的基于红外图像的多猪只场景下猪体温检测方法,其特征在于:建立温度-灰度模型包括以下步骤:
步骤1,采用红外相机拍摄种猪红外图像;
步骤2,将红外图像标准化转化导出320*240像素大小的红外图像,同时导出320*240大小”.cvs”格式的温度表格数据;
步骤3,将320*240像素大小的红外图像及“.cvs”格式的温度表格导入MATLAB,将红外图像转化成灰度图像,通过两次小波去噪,减小种猪体毛对图像的影响;
步骤4,利用Otsu自动阈值分割,获取目标猪二值图像,利用得到的有效猪体区域二值图作为裁剪模板;
步骤5,用有效灰度图像点乘目标猪只二值图裁剪模板得到猪体区域灰度数据,用有效温度数据点乘目标猪只二值图裁剪模板得到猪体区域温度数据;
步骤6,通过线性最小二乘法,拟合猪体灰度数据与温度数据关系,得到温度-灰度模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911348971.4A CN111145205B (zh) | 2019-12-24 | 2019-12-24 | 基于红外图像的多猪只场景下猪体温检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911348971.4A CN111145205B (zh) | 2019-12-24 | 2019-12-24 | 基于红外图像的多猪只场景下猪体温检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111145205A true CN111145205A (zh) | 2020-05-12 |
CN111145205B CN111145205B (zh) | 2022-04-12 |
Family
ID=70519628
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911348971.4A Active CN111145205B (zh) | 2019-12-24 | 2019-12-24 | 基于红外图像的多猪只场景下猪体温检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111145205B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021253187A1 (zh) * | 2020-06-15 | 2021-12-23 | 深圳市大疆创新科技有限公司 | 红外图像处理方法、图像采集设备、图像处理设备以及计算机可读存储介质 |
CN114305349A (zh) * | 2022-03-14 | 2022-04-12 | 天津大学四川创新研究院 | 利用猪只感温变色耳标的温度检测方法及系统 |
CN117237244A (zh) * | 2023-11-16 | 2023-12-15 | 平利县女娲茗鼎农业科技有限公司 | 基于数据增强的畜牧兽医用动物体温智能监测系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101055213A (zh) * | 2007-05-31 | 2007-10-17 | 上海交通大学 | 基于组织特征的分段式实时无损温度测量方法 |
CN102798475A (zh) * | 2012-08-02 | 2012-11-28 | 电子科技大学 | 一种根据标准红外视频图像确定目标温度的方法 |
WO2016023926A1 (fr) * | 2014-08-11 | 2016-02-18 | Evolution Nt | Dispositif de surveillance de la sante, de la fertilite et/ou du bien-etre d'un porcin |
CN105913425A (zh) * | 2016-04-08 | 2016-08-31 | 江苏大学 | 一种基于自适应椭圆分块和小波变换的多猪轮廓提取方法 |
CN109060143A (zh) * | 2018-08-16 | 2018-12-21 | 南京农业大学 | 基于热红外技术的种猪体温监测系统及方法 |
CN110192845A (zh) * | 2019-05-09 | 2019-09-03 | 广州番禺职业技术学院 | 一种生猪体温检测装置及系统 |
US20190331301A1 (en) * | 2016-12-30 | 2019-10-31 | Du Yuchuan | Method for leakage detection of underground pipeline corridor based on dynamic infrared thermal image processing |
-
2019
- 2019-12-24 CN CN201911348971.4A patent/CN111145205B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101055213A (zh) * | 2007-05-31 | 2007-10-17 | 上海交通大学 | 基于组织特征的分段式实时无损温度测量方法 |
CN102798475A (zh) * | 2012-08-02 | 2012-11-28 | 电子科技大学 | 一种根据标准红外视频图像确定目标温度的方法 |
WO2016023926A1 (fr) * | 2014-08-11 | 2016-02-18 | Evolution Nt | Dispositif de surveillance de la sante, de la fertilite et/ou du bien-etre d'un porcin |
CN105913425A (zh) * | 2016-04-08 | 2016-08-31 | 江苏大学 | 一种基于自适应椭圆分块和小波变换的多猪轮廓提取方法 |
US20190331301A1 (en) * | 2016-12-30 | 2019-10-31 | Du Yuchuan | Method for leakage detection of underground pipeline corridor based on dynamic infrared thermal image processing |
CN109060143A (zh) * | 2018-08-16 | 2018-12-21 | 南京农业大学 | 基于热红外技术的种猪体温监测系统及方法 |
CN110192845A (zh) * | 2019-05-09 | 2019-09-03 | 广州番禺职业技术学院 | 一种生猪体温检测装置及系统 |
Non-Patent Citations (3)
Title |
---|
J.S. WANG 等: "Measurement of the body temperature and blood flow-rate variations of pig induced by far-infrared radiation", 《PROCEEDINGS OF THE JOINT BMES/EMBS CONFERENCE》 * |
周丽萍 等: "基于改进Otsu算法的生猪热红外图像耳根特征区域检测", 《农业机械学报》 * |
孟珍琪: "基于红外技术的生猪体温自动检测的研究", 《中国优秀硕士学位论文全文数据库(电子期刊)》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021253187A1 (zh) * | 2020-06-15 | 2021-12-23 | 深圳市大疆创新科技有限公司 | 红外图像处理方法、图像采集设备、图像处理设备以及计算机可读存储介质 |
CN114305349A (zh) * | 2022-03-14 | 2022-04-12 | 天津大学四川创新研究院 | 利用猪只感温变色耳标的温度检测方法及系统 |
CN114305349B (zh) * | 2022-03-14 | 2022-05-27 | 天津大学四川创新研究院 | 利用猪只感温变色耳标的温度检测方法及系统 |
CN117237244A (zh) * | 2023-11-16 | 2023-12-15 | 平利县女娲茗鼎农业科技有限公司 | 基于数据增强的畜牧兽医用动物体温智能监测系统 |
CN117237244B (zh) * | 2023-11-16 | 2024-02-02 | 平利县女娲茗鼎农业科技有限公司 | 基于数据增强的畜牧兽医用动物体温智能监测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111145205B (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111145205B (zh) | 基于红外图像的多猪只场景下猪体温检测方法 | |
Bercovich et al. | Development of an automatic cow body condition scoring using body shape signature and Fourier descriptors | |
CN110120042B (zh) | 一种基于slic超像素和自动阈值分割的农作物图像病虫害区域提取方法 | |
CN108615239B (zh) | 基于阈值技术和灰度投影的舌图像分割方法 | |
CN108830856B (zh) | 一种基于时间序列sd-oct视网膜图像的ga自动分割方法 | |
CN108629762B (zh) | 一种骨龄评测模型减少干扰特征的图像预处理方法及系统 | |
CN111415339B (zh) | 一种复杂纹理工业产品图像缺陷检测方法 | |
CN111882555B (zh) | 基于深度学习的网衣检测方法、装置、设备及存储介质 | |
CN109359604B (zh) | 面向巡检机器人的阴影干扰下仪表识别方法 | |
CN111738931A (zh) | 光伏阵列无人机航拍图像的阴影去除算法 | |
CN113180640B (zh) | 一种家畜养殖用尺寸测量方法及系统 | |
CN105139373B (zh) | 基于独立子空间分析的无参考图像质量客观评价方法 | |
CN111369497B (zh) | 一种行走式树上果实连续计数方法及装置 | |
CN110415246B (zh) | 一种腹部脂肪成分的分析方法 | |
Purnama et al. | Follicle detection on the usg images to support determination of polycystic ovary syndrome | |
CN111738984A (zh) | 基于分水岭和种子填充的皮肤图像斑点评估方法及系统 | |
CN110378953B (zh) | 一种智能识别猪群圈内空间分布行为的方法 | |
CN104764402A (zh) | 柑橘体积的视觉检测方法 | |
CN112258534B (zh) | 一种超声图像中小脑蚓部的定位及分割方法 | |
CN111105394B (zh) | 一种检测发光小球特征信息的方法及装置 | |
CN112950479A (zh) | 一种图像灰度区域拉伸算法 | |
CN117455909B (zh) | 一种鱼类进出自动化线鱼体鱼病检测方法 | |
CN116612139B (zh) | 基于深度学习的高精度种子发芽率测定方法、系统及装置 | |
CN113421301B (zh) | 一种田间作物中心区域定位方法及系统 | |
CN109658382A (zh) | 基于图像聚类和灰度投影的舌体定位方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |