CN111160422A - 一种采用卷积神经网络和长短期记忆检测群养猪攻击行为的分析方法 - Google Patents
一种采用卷积神经网络和长短期记忆检测群养猪攻击行为的分析方法 Download PDFInfo
- Publication number
- CN111160422A CN111160422A CN201911290960.5A CN201911290960A CN111160422A CN 111160422 A CN111160422 A CN 111160422A CN 201911290960 A CN201911290960 A CN 201911290960A CN 111160422 A CN111160422 A CN 111160422A
- Authority
- CN
- China
- Prior art keywords
- attack
- long
- neural network
- term memory
- convolutional neural
- 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
- 230000006399 behavior Effects 0.000 title claims abstract description 46
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 35
- 241000282887 Suidae Species 0.000 title claims abstract description 31
- 230000006403 short-term memory Effects 0.000 title claims abstract description 18
- 230000007787 long-term memory Effects 0.000 title claims abstract description 17
- 238000004458 analytical method Methods 0.000 title claims abstract description 9
- 239000012634 fragment Substances 0.000 claims abstract description 22
- 230000006870 function Effects 0.000 claims abstract description 16
- 208000014674 injury Diseases 0.000 claims abstract description 15
- 208000027418 Wounds and injury Diseases 0.000 claims abstract description 14
- 230000006378 damage Effects 0.000 claims abstract description 14
- 230000033001 locomotion Effects 0.000 claims abstract description 9
- 238000011156 evaluation Methods 0.000 claims abstract description 6
- 206010001488 Aggression Diseases 0.000 claims abstract description 4
- 208000012761 aggressive behavior Diseases 0.000 claims abstract description 4
- 230000016571 aggressive behavior Effects 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 46
- 230000015654 memory Effects 0.000 claims description 34
- 239000013598 vector Substances 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 18
- 230000008859 change Effects 0.000 claims description 6
- 238000002474 experimental method Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 9
- 244000144972 livestock Species 0.000 abstract description 4
- 238000011160 research Methods 0.000 abstract description 2
- 210000004027 cell Anatomy 0.000 description 5
- 241001465754 Metazoa Species 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 235000021071 low fiber diet Nutrition 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000008733 trauma Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Business, Economics & Management (AREA)
- Agronomy & Crop Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种采用卷积神经网络和长短期记忆检测群养猪攻击行为的分析方法。首先是从俯视群养猪视频中挑选攻击片段和非攻击片段并保持数据平衡；接着采用卷积神经网络提取这些片段中每一帧的空间特征；然后采用长短期记忆将这些空间特征转化成时空特征；最后采用全连接层和Softmax函数分类时空特征从而检测攻击行为；统计所检测攻击行为的持续时间和发生频率作为猪受伤程度的评价指标。该项研究是基于卷积神经网络和长短期记忆对群养猪进行攻击行为检测，不会对猪个体产生任何干扰，为传统的人工观测群养猪攻击行为提供了参考，也对其他家畜的高速运动行为的检测提供了理论依据。所统计的攻击时间和频率数据有助于农场主对猪受伤程度进行评估。
Description
技术领域
本发明涉及深度学习、计算机视觉、模式识别、动物行为分析等技术，具体涉及一种俯视状态下监控视频中群养猪攻击行为分析方法。
背景技术
由于在密集型农业中群养猪面临受限空间，贫瘠环境，低纤维饮食和反复改变的群组构成，它们比在自然环境下表现出更多攻击。猪的攻击可能导致皮肤外伤和感染甚至致命伤害。受伤猪更难获取食物，因而影响其生长率。攻击被认为是现代生产系统中最重要的健康、福利和经济问题之一。目前，群养猪攻击识别主要依靠人工观测和监控视频，这些方式耗时耗力且滞后，难以实现大规模养殖场中实时攻击检测。基于卷积神经网络和长短期记忆的攻击行为检测有助于提高识别效率，增加动物福利，减少养殖场经济损失。
发明内容
本发明的目的是对俯视状态下群养猪监控视频中的攻击行为进行检测。首先从俯视群养猪视频中挑选攻击片段和非攻击片段并保持数据平衡。接着采用卷积神经网络提取这些片段中每一帧的空间特征。然后采用长短期记忆将这些空间特征转化成时空特征。最后采用全连接层和Softmax函数分类时空特征从而检测攻击行为。本发明给出一种采用卷积神经网络和长短期记忆检测群养猪攻击行为的方法。本方法从视频片段中提取攻击和非攻击序列的时空特征，并采用全连接层分类这些时空特征从而自动检测攻击行为，也为其他家畜的高速运动行为检测提供了参考。所统计的攻击时间和频率数据有助于农场主对猪受伤程度进行评估。
本发明采用的技术方案是：采用卷积神经网络和长短期记忆检测群养猪攻击行为的分析方法包括以下步骤：
步骤1，从俯视群养猪视频中挑选攻击片段和非攻击片段并保持数据平衡；步骤2，采用卷积神经网络提取这些片段中每一帧的空间特征；步骤3，采用长短期记忆将这些空间特征转化成时空特征；步骤4，采用全连接层和Softmax函数分类时空特征从而检测攻击行为。
进一步，所述步骤1具体包括：
首先改建实验用猪舍，在猪舍正上方安装拍摄俯视视频的图像采集系统，获取包含猪攻击和非攻击的视频。然后从这些视频中挑选出攻击和非攻击片段，并保持数据平衡。
进一步，所述挑选攻击和非攻击片段以及保持数据平衡的具体方法是：
根据攻击持续最小时间为2秒，从获取的所有视频中挑选出所有攻击2秒片段和非攻击2秒片段，并统计所有攻击片段的数量。统计所有非攻击片段的数量和各种非攻击行为对应片段之间的比例。按照非攻击行为片段的实际比例，将重复率较高的非攻击片段的数量缩小至攻击片段数量，从而保持数据平衡。
进一步，所述步骤2的具体过程为：
为了将原始图像转化成具有区分度的特征，采用卷积神经网络结构VGG16获取这些片段中每一帧的512维7×7像素的特征图。将每一帧对应的所有特征图中的灰度值拉直成25088维列向量[x1，x2，…，x25088]，并将此列向量作为卷积神经网络所提取的空间特征。
进一步，所述步骤3的具体过程为：
根据在攻击过程中猪的速度和姿态发生快速变化而在非攻击过程中猪的速度和姿态变化不大这一时空运动差异，采用长短期记忆网络提取攻击和非攻击过程中的时空特征用于分类这两种行为。将每一帧的空间特征乘以相应权重得到长短期记忆网络的4个输入控制信号z，zi，zo和zf。将这4个输入控制信号通过长短期记忆网络的输入门、输出门、忘记门和记忆单元得到每一帧对应的一个输出yt。由于帧率为30fps，将视频片段中所有帧对应的输出作为一个列向量[y1，y2，…，y60]，将此列向量作为长短期记忆所提取的时空特征。
进一步，所述步骤4的具体过程为：
步骤4.1，采用全连接层对片段的时空特征进行分类得到一个2维向量。
步骤4.2，采用Softmax函数将此2维向量转化成表示攻击的向量[1，0]和表示非攻击的向量[0，1]。
进一步，所述步骤5的具体过程为：
步骤5.1，对所检测攻击片段和非攻击片段的数量进行统计。
步骤5.2，由于攻击的持续时间和发生频率与猪受伤程度紧密相关，采用攻击和非攻击片段数量计算攻击的持续时间和发生频率。
本发明的有益效果是：
本发明对群养猪攻击行为进行检测。本发明采用的卷积神经网络结构VGG16能够将图像转化成具有区分度的空间特征。本发明采用的长短期记忆结构能够从视频片段中提取运动时空特征。本发明采用的卷积神经网络和长短期记忆方法能够直接从视频片段中直接检测出攻击，这对于实际应用而言是便利的。在潜在应用方面，如攻击发生时刻和持续时间、攻击片段数量等大量信息能够被用来做伤害等级评估和攻击行为预测，为猪只健康与福利和猪场经济效益提供保障。此外，由于高速运动存在于很多其他动物的攻击或异常行为中，此方法对其他家畜的高速运动行为的检测提供了理论依据。所统计的攻击时间和频率数据有助于农场主对猪受伤程度进行评估。此外，传统计算机视觉和深度学习方法通过对单帧图像进行空间特征提取后间接计算时空特征。本发明中长短时期记忆方法的应用能够直接提取时空特征从而识别出片段中是否存在攻击，这对实际应用而言是直接且便利的。
附图说明
下面结合附图和具体实施方式对本发明做进一步详细说明：
图1是基于卷积神经网络和长短期记忆的群养猪攻击行为分析的流程图。
图2是卷积神经网络VGG16的结构原理图。
图3是长短期记忆(LSTM)的结构原理图。
具体实施方式
图1为基于卷积神经网络和长短期记忆的群养猪攻击行为分析的流程图，下面结合该图，进一步说明具体涉及的各部分具体实施方式。
步骤1：改建猪舍，获取俯视状态下群养猪攻击和非攻击的视频，然后从这些视频中挑选出攻击和非攻击片段，并保持数据平衡。
具体方法是：(1)在猪舍(长*宽*高＝1.8m*1.9m*1m)正上方2.4m处，安装拍摄俯视视频的图像采集系统，获取包含群养猪攻击和非攻击的视频。根据攻击持续最小时间为2秒，从获取的所有视频中挑选出所有攻击2秒片段和非攻击2秒片段，并统计所有攻击片段的数量。
(2)统计所有非攻击片段的数量和各种非攻击行为对应片段之间的比例。
(3)按照非攻击行为片段的实际比例，将重复率较高的非攻击片段的数量缩小至攻击片段数量，从而保持数据平衡。
步骤2：采用卷积神经网络提取这些片段中每一帧的空间特征。
具体方法是：(1)为了将原始图像转化成具有区分度的特征，采用卷积神经网络结构VGG16获取这些片段中每一帧的512维7×7像素的特征图。
(2)将每一帧对应的所有特征图中的灰度值拉直成25088维列向量[x1，x2，…，x25088]，并将此列向量作为卷积神经网络所提取的空间特征，如图2所示。其中，VGG16的输入是重新尺寸化后的像素为224×224的RGB图像，经过5组卷积和池化层模块后将原始图像的512维7×7像素的特征图拉直成一个25088维向量[x1，x2，…，x25088]，并将此列向量作为卷积神经网络所提取的空间特征。
步骤3：采用长短期记忆将这些空间特征转化成时空特征。
具体方法是：(1)根据在攻击过程中猪的速度和姿态发生快速变化而在非攻击过程中猪的速度和姿态变化不大这一时空运动差异，采用长短期记忆网络提取攻击和非攻击过程中的时空特征用于分类这两种行为。将每一帧的空间特征乘以相应权重得到长短期记忆网络的4个输入控制信号z，zi，zo和zf。。
(2)将这4个输入控制信号通过长短期记忆网络的输入门、输出门、忘记门和记忆单元得到每一帧对应的一个输出yt，如图3所示。可以将长短期记忆网络LSTM考虑成一个有4输入1输出的特殊神经元。z，zi，zo和zf是LSTM的控制信号。这4个信号通过输入门、输出门和忘记门，得到输出yt。此过程中产生的记忆单元ct和ht被带入下一个LSTM，使得LSTM具有记忆功能(t＝1，2，…，60)。其中，z的激活函数g为区间[-1，1]的tanh函数，zi，zo和zf的激活函数f为区间[0，1]的Sigmoid函数，记忆单元cell的激活函数h为区间[-1，1]的tanh函数。ct、ht和yt的计算公式如式(1)：。
在第1帧中，对应的25088维向量[x1，x2，…，x25088]乘以权重得到LSTM的控制信号z，zi，zo和zf，通过LSTM得到输出y1和记忆单元c1和h1。在第2帧中，采用获取的另一组100352维向量[x1，x2，…，x25088]乘以权重得到LSTM的控制信号z，zi，zo和zf，通过LSTM得到输出y2和记忆单元c2和h2。其中，第1帧中的记忆单元c1和h1被带入第2个LSTM，决定了第2帧中的c2和h2。依次采用此方法，得到60帧对应的60维向量[y1，y2，…，y60]作为60个LSTM的总输出。
(3)由于帧率为30fps，将视频片段中所有帧对应的输出列向量[y1，y2，…，y60]作为长短期记忆所提取的时空特征。
步骤4：采用全连接层和Softmax函数分类时空特征从而检测攻击行为。
具体方法是：(1)采用全连接层对片段的时空特征进行分类得到一个2维向量。
(2)采用Softmax函数转化此2维向量为所有元素为区间(0，1)间的值并且标准化这些值(这些值的和为1)。最终，带有最高概率的类被选择为预测值1，另一维为0。其中，[1，0]表示攻击，[0，1]表示非攻击。
步骤5：统计所检测攻击行为的持续时间和发生频率作为猪受伤程度的评价指标。
具体方法是：(1)对所检测攻击片段和非攻击片段的数量进行统计。
(2)由于攻击的持续时间和发生频率与猪受伤程度紧密相关，采用攻击和非攻击片段数量计算攻击的持续时间和发生频率。
优选实施例：
本发明的一个最优具体实施方式：改建猪舍，在猪舍(长*宽*高＝1.8m*1.9m*1m)正上方2.4m处，安装拍摄俯视视频的图像采集系统，获取包含8头左右猪的攻击和非攻击视频，图像分辨率为1180×830像素。从获取的所有视频中挑选出所有攻击2秒片段和非攻击2秒片段，并保持数据平衡。采用卷积神经网络结构VGG16获取这些片段中每一帧的512维7×7像素的特征图，并拉直成一个25088维向量[x1，x2，…，x25088]作为空间特征。将每一帧的空间特征乘以相应权重得到长短期记忆网络的4个输入控制信号z，zi，zo和zf。将这4个输入控制信号通过长短期记忆网络的输入门、输出门、忘记门和记忆单元得到所有帧对应的总输出[y1，y2，…，y60]作为时空特征。采用全连接层和Softmax函数分类时空特征为表示攻击的向量[1，0]和表示非攻击的向量[0，1]。统计所检测攻击行为的持续时间和发生频率作为猪受伤程度的评价指标。经过上述步骤，最终实现了俯视群养猪的攻击行为检测和猪受伤程度的评估。
综上所述，本发明的一种采用卷积神经网络和长短期记忆检测群养猪攻击行为的分析方法，首先是从俯视群养猪视频中挑选攻击片段和非攻击片段并保持数据平衡；接着采用卷积神经网络提取这些片段中每一帧的空间特征；然后采用长短期记忆将这些空间特征转化成时空特征；最后采用全连接层和Softmax函数分类时空特征从而检测攻击行为。该项研究是基于卷积神经网络和长短期记忆对群养猪进行攻击行为检测，不会对猪个体产生任何干扰，为传统的人工观测群养猪攻击行为提供了参考，也对其他家畜的高速运动行为的检测提供了理论依据。所统计的攻击时间和频率数据有助于农场主对猪受伤程度进行评估。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
Claims (7)
1.一种采用卷积神经网络和长短期记忆检测群养猪攻击行为的分析方法，其特征在于，包括以下步骤：
步骤1，获取俯视状态下群养猪视频，从视频中挑选攻击片段和非攻击片段并保持数据平衡；步骤2，采用卷积神经网络提取这些片段中每一帧的空间特征；步骤3，采用长短期记忆将这些空间特征转化成时空特征；步骤4，采用全连接层和Softmax函数分类时空特征从而检测攻击行为；步骤5，统计所检测攻击行为的持续时间和发生频率作为猪受伤程度的评价指标。
2.根据权利要求1所述的一种采用卷积神经网络和长短期记忆检测群养猪攻击行为的分析方法，其特征在于：所述步骤1具体包括：
首先改建实验用猪舍，在猪舍正上方安装拍摄俯视视频的图像采集系统，获取包含猪攻击和非攻击的视频，然后从这些视频中挑选出攻击和非攻击片段，并保持数据平衡。
3.根据权利要求2所述的一种采用卷积神经网络和长短期记忆检测群养猪攻击行为的分析方法，其特征在于：所述从这些视频中挑选出攻击和非攻击片段，并保持数据平衡的具体方法是：根据攻击持续最小时间为2秒，从获取的所有视频中挑选出所有攻击2秒片段和非攻击2秒片段，并统计所有攻击片段的数量；然后统计所有非攻击片段的数量和各种非攻击行为对应片段之间的比例；按照非攻击行为片段的实际比例，将重复率较高的非攻击片段的数量缩小至攻击片段数量，从而保持数据平衡。
4.根据权利要求1所述的一种采用卷积神经网络和长短期记忆检测群养猪攻击行为的分析方法，其特征在于：所述步骤2的具体过程为：
步骤2.1，为了将原始图像转化成具有区分度的特征，采用卷积神经网络结构VGG16获取这些片段中每一帧的512维7×7像素的特征图；
步骤2.2，将每一帧对应的所有特征图中的灰度值拉直成25088维列向量[x1，x2，…，x25088]，并将此列向量作为卷积神经网络所提取的空间特征。
5.根据权利要求1所述的一种采用卷积神经网络和长短期记忆检测群养猪攻击行为的分析方法，其特征在于：所述步骤3的具体过程为：
根据在攻击过程中猪的速度和姿态发生快速变化，而在非攻击过程中猪的速度和姿态变化不大这一时空运动差异，采用长短期记忆网络提取攻击和非攻击过程中的时空特征用于分类这两种行为，将每一帧的空间特征乘以相应权重得到长短期记忆网络的4个输入控制信号z，zi，zo和zf；然后将这4个输入控制信号通过长短期记忆网络的输入门、输出门、忘记门和记忆单元得到每一帧对应的一个输出yt；由于帧率为30fps，将视频片段中所有帧对应的输出作为一个列向量[y1，y2，...，y60]，将此列向量作为长短期记忆所提取的时空特征。
6.根据权利要求1所述的一种采用卷积神经网络和长短期记忆检测群养猪攻击行为的分析方法，其特征在于：所述步骤4的具体过程为：
步骤4.1，采用全连接层对片段的时空特征进行分类得到一个2维向量；
步骤4.2，采用Softmax函数将此2维向量转化成表示攻击的向量[1，0]和表示非攻击的向量[0，1]。
7.根据权利要求1所述的一种采用卷积神经网络和长短期记忆检测群养猪攻击行为的分析方法，其特征在于：所述步骤5的具体过程为：
步骤5.1，对所检测攻击片段和非攻击片段的数量进行统计；
步骤5.2，由于攻击的持续时间和发生频率与猪受伤程度紧密相关，采用攻击和非攻击片段数量计算攻击的持续时间和发生频率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911290960.5A CN111160422B (zh) | 2019-12-13 | 2019-12-13 | 一种采用卷积神经网络和长短期记忆检测群养猪攻击行为的分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911290960.5A CN111160422B (zh) | 2019-12-13 | 2019-12-13 | 一种采用卷积神经网络和长短期记忆检测群养猪攻击行为的分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111160422A true CN111160422A (zh) | 2020-05-15 |
| CN111160422B CN111160422B (zh) | 2023-03-21 |
Family
ID=70557138
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911290960.5A Active CN111160422B (zh) | 2019-12-13 | 2019-12-13 | 一种采用卷积神经网络和长短期记忆检测群养猪攻击行为的分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111160422B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111831870A (zh) * | 2020-06-12 | 2020-10-27 | 北京百度网讯科技有限公司 | 时空数据的异常检测方法、装置、电子设备和存储介质 |
| CN112257608A (zh) * | 2020-10-23 | 2021-01-22 | 成都希盟泰克科技发展有限公司 | 一种牦牛养殖健康状态监测方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107679463A (zh) * | 2017-09-15 | 2018-02-09 | 江苏大学 | 一种采用机器视觉技术识别群养猪攻击行为的分析方法 |
-
2019
- 2019-12-13 CN CN201911290960.5A patent/CN111160422B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107679463A (zh) * | 2017-09-15 | 2018-02-09 | 江苏大学 | 一种采用机器视觉技术识别群养猪攻击行为的分析方法 |
Non-Patent Citations (1)
| Title |
|---|
| 陈晨等: "基于视频动作语义关联的视频复杂动作场景检测", 《软件导刊》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111831870A (zh) * | 2020-06-12 | 2020-10-27 | 北京百度网讯科技有限公司 | 时空数据的异常检测方法、装置、电子设备和存储介质 |
| CN111831870B (zh) * | 2020-06-12 | 2024-02-13 | 北京百度网讯科技有限公司 | 时空数据的异常检测方法、装置、电子设备和存储介质 |
| CN112257608A (zh) * | 2020-10-23 | 2021-01-22 | 成都希盟泰克科技发展有限公司 | 一种牦牛养殖健康状态监测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111160422B (zh) | 2023-03-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Parvathi et al. | Detection of maturity stages of coconuts in complex background using Faster R-CNN model | |
| Wu et al. | Detection and counting of banana bunches by integrating deep learning and classic image-processing algorithms | |
| CN109766856B (zh) | 一种双流RGB-D Faster R-CNN识别哺乳母猪姿态的方法 | |
| Owomugisha et al. | Automated vision-based diagnosis of banana bacterial wilt disease and black sigatoka disease | |
| CN107330403B (zh) | 一种基于视频数据的牦牛计数方法 | |
| Lin et al. | The pest and disease identification in the growth of sweet peppers using faster R-CNN and mask R-CNN | |
| CN111160422B (zh) | 一种采用卷积神经网络和长短期记忆检测群养猪攻击行为的分析方法 | |
| CN111476119B (zh) | 一种基于时空上下文的昆虫行为识别方法及装置 | |
| CN115830490A (zh) | 一种群养生猪多目标跟踪及行为统计方法 | |
| CN113470076A (zh) | 一种平养鸡舍黄羽鸡多目标跟踪方法 | |
| CN115861721B (zh) | 基于图像数据的畜禽养殖喷雾设备状态识别方法 | |
| Badgujar et al. | Agricultural object detection with You Only Look Once (YOLO) Algorithm: A bibliometric and systematic literature review | |
| Nasiri et al. | An automated video action recognition-based system for drinking time estimation of individual broilers | |
| CN117557948A (zh) | 基于残差型选择性核注意力机制的玉米幼苗识别方法 | |
| Adams et al. | Phenotypic trait extraction of soybean plants using deep convolutional neural networks with transfer learning. | |
| Jovanović et al. | Splash detection in fish Plants surveillance videos using deep learning | |
| CN116543462A (zh) | 基于视频骨骼的奶牛行为识别判断奶牛健康状况的方法 | |
| CN111753640A (zh) | 一种采用卷积神经网络和长短期记忆检测群养猪玩耍行为的分析方法 | |
| CN111476118B (zh) | 一种动物行为自动识别方法及装置 | |
| Li et al. | An efficient transformer network for detecting multi-scale chicken in complex free-range farming environments via improved RT-DETR | |
| CN114022831A (zh) | 一种基于双目视觉的牲畜体况监测方法及系统 | |
| CN113378004A (zh) | 基于FANet的农民劳作行为识别方法和装置、设备及介质 | |
| CN115272943B (zh) | 一种基于数据处理的畜牧家禽进食异常识别方法 | |
| CN109002791A (zh) | 一种基于视频自动跟踪奶牛反刍行为的系统及方法 | |
| CN114049254B (zh) | 低像素牛头图像重建识别方法、系统、设备及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |