CN111161090B - 圈养栏信息的确定方法、装置及系统、存储介质 - Google Patents
圈养栏信息的确定方法、装置及系统、存储介质 Download PDFInfo
- Publication number
- CN111161090B CN111161090B CN201911176750.3A CN201911176750A CN111161090B CN 111161090 B CN111161090 B CN 111161090B CN 201911176750 A CN201911176750 A CN 201911176750A CN 111161090 B CN111161090 B CN 111161090B
- Authority
- CN
- China
- Prior art keywords
- image
- containment
- connected domain
- identifying
- processing
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000003860 storage Methods 0.000 title claims abstract description 20
- 241001465754 Metazoa Species 0.000 claims abstract description 41
- 230000011218 segmentation Effects 0.000 claims abstract description 26
- 238000003062 neural network model Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims description 47
- 230000015654 memory Effects 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 15
- 230000007797 corrosion Effects 0.000 claims description 14
- 238000005260 corrosion Methods 0.000 claims description 14
- 230000006835 compression Effects 0.000 claims description 13
- 238000007906 compression Methods 0.000 claims description 13
- 230000000877 morphologic effect Effects 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 13
- 230000010339 dilation Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000005530 etching Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 230000003628 erosive effect Effects 0.000 description 7
- 244000144972 livestock Species 0.000 description 7
- 238000001035 drying Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 241000282887 Suidae Species 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 241000287828 Gallus gallus Species 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 241001494479 Pecora Species 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 235000013330 chicken meat Nutrition 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000009313 farming Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 241000272517 Anseriformes Species 0.000 description 1
- 241000272496 Galliformes Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000011031 large-scale manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 244000144977 poultry Species 0.000 description 1
- 235000013594 poultry meat Nutrition 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/70—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in livestock or poultry
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Agronomy & Crop Science (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Artificial Intelligence (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
本申请公开了一种圈养栏信息的确定方法、装置及系统、存储介质。其中，该方法包括：获取待处理的第一图像，其中，第一图像是对畜牧场进行拍摄得到的图像，畜牧场用于通过圈养栏来隔离被圈养的对象；利用目标模型对第一图像中的圈养栏进行识别，得到包括识别出的圈养栏的第二图像，其中，目标模型是预先设置好的用于进行圈养栏识别的语义分割神经网络模型；对第二图像进行去噪声处理，得到第三图像；利用第三图像确定畜牧场中圈养栏的信息。本申请解决了相关技术中统计圈养栏信息的效率较低的技术问题。
Description
技术领域
本申请涉及图像处理领域，具体而言，涉及一种圈养栏信息的确定方法、装置及系统、存储介质。
背景技术
养猪业一直是我国广大农村的传统家庭产业，在国民经济及人们生活中占有十分重要的地位，近年来，随着农村经济体制改革的进一步深入和市场经济的迅速发展，新农村建设的步伐逐步加快，农村人居住环境和养猪生产方式正在发生巨大改变，养猪生产方式正由农户养殖向集约化、规模化转型，但是随着养猪产业的规模化发展。
针对相关技术中猪养殖场的智能化转型中，猪场已有设备变更显得较为麻烦，因此针对原猪场设备的智能捕获，显得尤为重要，尤其是圈养栏相关信息(如圈养栏的位置、数量等)的捕捉识别，目前是通过人工方式识别，效率较低。
类似地，对于鸡、鸭、羊等家禽的养殖中也存在类似的问题。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种圈养栏信息的确定方法、装置及系统、存储介质，以至少解决相关技术中统计圈养栏信息的效率较低的技术问题。
根据本申请实施例的一个方面，提供了一种圈养栏信息的确定方法，包括：获取待处理的第一图像，其中，第一图像是对畜牧场进行拍摄得到的图像，畜牧场用于通过圈养栏来隔离被圈养的对象；利用目标模型对第一图像中的圈养栏进行识别，得到包括识别出的圈养栏的第二图像，其中，目标模型是预先设置好的用于进行圈养栏识别的语义分割神经网络模型；对第二图像进行去噪声处理，得到第三图像；利用第三图像确定畜牧场中圈养栏的信息。
根据本申请实施例的另一方面，还提供了一种圈养栏信息的确定装置，包括：获取单元，用于获取待处理的第一图像，其中，第一图像是对畜牧场进行拍摄得到的图像，畜牧场用于通过圈养栏来隔离被圈养的对象；识别单元，用于利用目标模型对第一图像中的圈养栏进行识别，得到包括识别出的圈养栏的第二图像，其中，目标模型是预先设置好的用于进行圈养栏识别的语义分割神经网络模型；去燥单元，用于对第二图像进行去噪声处理，得到第三图像；确定单元，用于利用第三图像确定畜牧场中圈养栏的信息。
根据本申请实施例的另一方面，还提供了一种圈养栏信息的确定系统，包括：图像采集设备，用于采集待处理的第一图像，其中，第一图像是对畜牧场进行拍摄得到的图像，畜牧场用于通过圈养栏来隔离被圈养的对象；服务器，用于利用目标模型对第一图像中的圈养栏进行识别，得到包括识别出的圈养栏的第二图像，对第二图像进行去噪声处理，得到第三图像，并利用第三图像确定畜牧场中圈养栏的信息，其中，目标模型是预先设置好的用于进行圈养栏识别的语义分割神经网络模型。
根据本申请实施例的另一方面，还提供了一种存储介质，该存储介质包括存储的程序，程序运行时执行上述的方法。
根据本申请实施例的另一方面，还提供了一种电子装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器通过计算机程序执行上述的方法。
在本申请实施例中，直接对畜牧场进行拍摄得到的图像，利用目标模型对第一图像中的圈养栏进行大概识别，得到包括识别出的圈养栏的第二图像，并对第二图像进行去噪声处理，得到第三图像，然后利用第三图像确定畜牧场中圈养栏的信息，从而可以通过图像识别的方式识别出圈养栏相关的信息，可以解决相关技术中统计圈养栏信息的效率较低的技术问题，进而达到快速识别圈养栏相关信息的技术效果。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的圈养栏信息的确定方法的硬件环境的示意图；
图2是根据本申请实施例的一种可选的圈养栏信息的确定方法的流程图；
图3是根据本申请实施例的一种可选的网络结构的示意图；
图4是根据本申请实施例的一种可选的网络结构的示意图；
图5是根据本申请实施例的一种可选的畜牧场景的示意图；
图6是根据本申请实施例的一种可选的模型识别结果的示意图；
图7是根据本申请实施例的一种可选的圈养栏信息的确定方法的流程图；
图8是根据本申请实施例的一种可选的畜牧场景的示意图；
图9是根据本申请实施例的一种可选的模型识别结果的示意图；
图10是根据本申请实施例的一种可选的填充后的连通域的示意图；
图11是根据本申请实施例的一种可选的去燥图像的示意图；
图12是根据本申请实施例的一种可选的圈养栏信息的确定装置的示意图；以及，
图13是根据本申请实施例的一种终端的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本申请实施例的一方面，提供了一种圈养栏信息的确定方法的方法实施例。
可选地，在本实施例中，上述圈养栏信息的确定方法可以应用于如图1所示的由图像采集设备101和服务器103所构成的硬件环境中。如图1所示，图像采集设备，用于采集待处理的第一图像，其中，第一图像是对畜牧场进行拍摄得到的图像，畜牧场用于通过圈养栏来隔离被圈养的对象；服务器，用于利用目标模型对第一图像中的圈养栏进行识别，得到包括识别出的圈养栏的第二图像，对第二图像进行去噪声处理，得到第三图像，并利用第三图像确定畜牧场中圈养栏的信息，其中，目标模型是预先设置好的用于进行圈养栏识别的语义分割神经网络模型。服务器103通过网络与图像采集设备101进行连接，可用于为图像采集设备101提供服务(如图像分析服务等)，可在服务器上或独立于服务器设置数据库105，用于为服务器103提供数据存储服务，上述网络包括但不限于：广域网、城域网或局域网，图像采集设备101并不限定于摄像头、相机、手机、平板电脑、载有图像传感器的无人机等。
本申请实施例的圈养栏信息的确定方法可以由服务器103来执行，也可以由服务器103和图像采集设备101共同执行。图2是根据本申请实施例的一种可选的圈养栏信息的确定方法的流程图，如图2所示，该方法可以包括以下步骤：
步骤S202，获取待处理的第一图像，第一图像是对畜牧场进行拍摄得到的图像，畜牧场用于通过圈养栏来隔离被圈养的对象。
上述被圈养的对象可以为猪、鸡、羊等家禽，后续以猪为例进行说明。
步骤S204，利用目标模型对第一图像中的圈养栏进行识别，得到包括识别出的圈养栏的第二图像，目标模型是预先设置好的用于进行圈养栏识别的语义分割神经网络模型。
步骤S206，对第二图像进行去噪声处理，得到第三图像。
步骤S208，利用第三图像确定畜牧场中圈养栏的信息。
相关技术中的畜牧场，圈养栏相关信息的捕捉识别，目前是通过人工方式识别，效率较低，通过上述步骤，直接对畜牧场进行拍摄得到的图像，利用目标模型对第一图像中的圈养栏进行大概识别，得到包括识别出的圈养栏的第二图像，并对第二图像进行去噪声处理，得到第三图像，然后利用第三图像确定畜牧场中圈养栏的信息，从而可以通过图像识别的方式识别出圈养栏相关的信息，可以解决相关技术中统计圈养栏信息的效率较低的技术问题，进而达到快速识别圈养栏相关信息的技术效果。
在一种可选的方案中，可以采用局部动态阈值分割的方式来进行圈养栏的栏杆识别，当栏杆外框像素的灰度基本一致，且与周围环境像素的灰度有较大差别时，通过设置合适的阈值条件，可初步提取到栏杆，然后通过形态学处理，可准确检测到栏杆；也可基于活动轮廓模型的图像分割，此法将图像分割问题转化为求解能量最小化的变分问题，首先设定一条初始轮廓曲线，通过最小化能力泛函，使这条曲线逐步逼近待分割栏杆的轮廓。
但是考虑到畜牧场环境较为复杂，若采用上述第一种方案，当栏杆灰度不同，或栏杆与周围环境像素的灰度差别不大时，局部动态阈值分割法检测效果不佳；若采用第二种方案，当场景移植时，摄像头角度，光照条件都会发生很大变换，这种方案不具备泛化性。
为了克服上述缺陷，本申请还提供了一种使用义分割神经网络模型(如Enet，后续以Enet为例进行说明)分割网络的栏杆的检测方案，将其应用于畜牧业，可对牲畜管理提供助力，能够在较差环境中进行，即光线不固场景下，增加了方案的场景兼容性。下面结合图2所示的步骤进一步详述本申请的技术方案。
在步骤S202提供的技术方案中，通过图像采集设备采集第一图像，图像采集设备可以为固定在畜牧场内的摄像头，为了节约成本和提高采集的针对性，也可以采用设有摄像头的无人机来采集，如无人机可以通过巡航的方式来采集第一图像。
在步骤S204提供的技术方案中，上述目标模型主要包括两个部分，即第一网络(可称为初始层initial层)和第二网络(也可称为瓶颈结构)，以Enet为例，为了满足实际应用中对方案的时效性极高的要求，Enet通过减少浮点运算解决了语义分割模型时效性差的问题，其模型体系结构由初始块(即initial层所在的模块)和多个瓶颈结构(bottleneckmodule)组成，如五个瓶颈结构，此时前三个瓶颈结构用于编码输入图像，后面两个用于解码输入图像。
在本申请的方案，在利用目标模型对第一图像中的圈养栏进行识别，得到包括识别出的圈养栏的第二图像时，可通过目标模型中的第一网络对第一图像执行压缩操作，得到第四图像，压缩操作用于消除第一图像中的视觉冗余信息(描述信源的数据是信息和数据冗余之和，即，数据＝信息+数据冗余，视觉冗余是图像数据中普遍存在的一种数据冗余)，如利用initial层对图像进行压缩，过滤图像中的视觉冗余信息，如图3所示，并行通过大小为3*3、步长stride为2的卷积核与最大池化层MaxPooling，将卷积核与最大池化层对输入处理得到的两个结果在深度(channel)通道上串联concat在一起；通过目标模型中的第二网络对第四图像进行语义分割，得到第二图像，如在Enet中，五个瓶颈结构中包括较大的编码器(如前三个瓶颈结构)和较小的解码器(如后两个瓶颈结构)，在不明显影响分割精度的情况下尽可能地缩小了网络的体积，减少了参数数量。
可选地，在通过目标模型中的第一网络对第一图像执行压缩操作，得到第四图像时，可通过第一网络的卷积层对第一图像执行卷积操作，并通过第一网络的池化层对第一图像执行池化操作；通过第一网络的拼接层将执行卷积操作得到的结果和执行池化操作的结果拼接起来，得到第四图像。
以Enet为例，瓶颈结构如图4所示，瓶颈模块可包括：1*1的投影层，用于降低特征的维度；主卷积层(conv)，用于进行特征卷积；1*1的扩展层；在所有卷积层之间放置批量标准化Regularizer和PReLU。如果瓶颈模块是下采样，则可将最大池化层(MaxPooling)添加到主分支，相反如果是上采样，则将填充层Padding添加到主分支。第一个1*1的投影可被替换为2*2卷积，步长stride＝2，对于regularizer(正则化器)，可使用Spatial Dropout。
在图4中，可以进行批量归一化BN处理，PReLU表示带参数的修正线性单元激活函数；MaxPooling表示最大池化。
在实际场景中，本方案可以对栏杆进行精确分割，从而达到检测栏杆的目的，在图5所示场景中，使用本方案的检测结果(即第二图像)如图6所示。
在步骤S206提供的技术方案中，在对第二图像进行去噪声处理，得到第三图像时，可以通过如下步骤实现：
步骤S2062，对第二图像进行形态学处理，得到第五图像，形态学处理用于通过膨胀处理和腐蚀处理消除第二图像中的噪声。
可选地，对第二图像进行形态学处理，得到第五图像包括：膨胀公式为：
其中，A表示所述第二图像，B表示卷积核，
表示膨胀运算的运算符，x表示一个点，(B)X∩A≠Φ表示利用B对x进行膨胀处理的结果(B)X与A的交集不为空集Φ，意思是在用B对A做卷积的时候，保证卷积核和A是有交集的，即卷积有边界；腐蚀公式为：
其中，Θ是腐蚀运算的运算符，
表示利用B对x进行腐蚀处理的结果(B)X属于A，表示卷积后的结果要在A范围内。
先进行腐蚀，然后是膨胀，其中侵蚀首先消除噪声(并收缩物体)然后扩张再次扩大物体，但噪声将从先前的侵蚀中消失，从而达到降噪的目的。通过这些操作可提取关于物体形状的更好(更少噪声)信息或放大重要特征，如角点栏杆检测的情况。
步骤S2064，对第五图像进行连通域分析，得到第三图像，其中，连通域分析用于消除第五图像中的噪声。
可选地，对第五图像进行连通域分析，得到第三图像包括：识别出第五图像中的连通域，并将第五图像中面积小于第一目标阈值的连通域用黑色填充，得到第六图像；对第六图像中像素点的像素值进行取反，得到第七图像；识别出第七图像中的连通域，并将第七图像中面积小于第二目标阈值的连通域用黑色填充，得到第八图像；对第八图像中像素点的像素值进行取反，得到第三图像。
通过上述方案，可以进一步消除图像中的噪声，并让需要的特征(如栏杆)更为明显，填补栏杆间空缺。
在步骤S208提供的技术方案中，利用第三图像确定畜牧场中圈养栏的信息，如利用闭合的区域来确定圈养栏的数量和位置，进一步确定圈养栏中猪的数量等。
作为一种可选的实施例，在智能猪场系统中，猪只均以栏为单位进行圈养，栏与栏之间多使用铁制栏杆进行分隔，智能检测栏杆的算法可以为后续智能猪场系统的搭建提供有力支持。本申请的技术方案应用于猪养殖场的方案如图7所示：
步骤S702，分割检测栏杆。
使用深度学习方法分割检测栏杆，使用Enet网络经过训练，得到栏杆分割模型(即目标模型)，将监控图像输入模型，得到栏杆分割图像，监控图像(即第一图像)如图8所示，栏杆检测结果如图9所示。
步骤S704，形态学处理，填补栏杆间空缺。
对检测结果进行形态学处理。通过膨胀和腐蚀，将图像的白色部分扩张或缩减，以填补栏杆间空缺。图像膨胀和腐蚀公式分别为：
其中，A表示栏杆检测图像，B表示卷积核,
是膨胀运算的运算符，Θ是腐蚀运算的运算符。
步骤S706，寻找连通域。
寻找图像连通域。通过对二值图像中白色像素(目标)的标记，让每个单独的连通区域形成一个被标识的块。
步骤S708，根据场景，填充无关连通域。
根据场景，填充无关连通域，将面积较小的连通域填充成黑色，进一步确定主栏位的位置，填充结果如图10所示。
步骤S710，图像取反。遍历每个像素的像素值，用255去减去每个像素值，得到取反图像。
步骤S712，寻找并填充小连通域。对取反后的图像计算灰度值为255的面积，设置合适阈值，填充小面积区域为黑色，然后把小黑色区域去掉。
步骤S714，图像取反。即S710的相反步骤，结果如图11所示。
在本申请的技术方案中，使用深度学习分割模型检测栏杆，提高泛化性能；可将栏杆检测应用于畜牧业，帮助管理牲畜；提供了整套主栏位分析在畜牧业的落地方案，并提供了主栏位的填充方案流程。采用本申请的技术方案，可以有效地检测出栏杆，为后续牲畜管理做铺垫，例如栏内点数计算，智能猪场系统部署中，主栏位分析起到关键性的辅助作用，如前期可以减少摄像头角度的调试过程，到后期可以增加栏内猪智能计算的准确率。
需要说明的是，对于前述的各方法实施例，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，本申请并不受所描述的动作顺序的限制，因为依据本申请，某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申请所必须的。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本申请各个实施例所述的方法。
根据本申请实施例的另一个方面，还提供了一种用于实施上述圈养栏信息的确定方法的圈养栏信息的确定装置。图12是根据本申请实施例的一种可选的圈养栏信息的确定装置的示意图，如图12所示，该装置可以包括：
获取单元1201，用于获取待处理的第一图像，其中，第一图像是对畜牧场进行拍摄得到的图像，畜牧场用于通过圈养栏来隔离被圈养的对象；
识别单元1203，用于利用目标模型对第一图像中的圈养栏进行识别，得到包括识别出的圈养栏的第二图像，其中，目标模型是预先设置好的用于进行圈养栏识别的语义分割神经网络模型；
去燥单元1205，用于对第二图像进行去噪声处理，得到第三图像；
确定单元1207，用于利用第三图像确定畜牧场中圈养栏的信息。
需要说明的是，该实施例中的获取单元1201可以用于执行本申请实施例中的步骤S202，该实施例中的识别单元1203可以用于执行本申请实施例中的步骤S204，该实施例中的去燥单元1205可以用于执行本申请实施例中的步骤S206，该实施例中的确定单元1207可以用于执行本申请实施例中的步骤S208。
此处需要说明的是，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在如图1所示的硬件环境中，可以通过软件实现，也可以通过硬件实现。
通过上述模块，直接对畜牧场进行拍摄得到的图像，利用目标模型对第一图像中的圈养栏进行大概识别，得到包括识别出的圈养栏的第二图像，并对第二图像进行去噪声处理，得到第三图像，然后利用第三图像确定畜牧场中圈养栏的信息，从而可以通过图像识别的方式识别出圈养栏相关的信息，可以解决相关技术中统计圈养栏信息的效率较低的技术问题，进而达到快速识别圈养栏相关信息的技术效果。
可选地，识别单元包括：压缩模块，用于通过目标模型中的第一网络对第一图像执行压缩操作，得到第四图像，其中，压缩操作用于消除第一图像中的视觉冗余信息；分割模块，用于通过目标模型中的第二网络对第四图像进行语义分割，得到第二图像。
可选地，压缩模块还可用于：通过第一网络的卷积层对第一图像执行卷积操作，并通过第一网络的池化层对第一图像执行池化操作；通过第一网络的拼接层将执行卷积操作得到的结果和执行池化操作的结果拼接起来，得到第四图像。
可选地，上述去燥单元还可用于：对第二图像进行形态学处理，得到第五图像，其中，形态学处理用于通过膨胀处理和腐蚀处理消除第二图像中的噪声；对第五图像进行连通域分析，得到第三图像，其中，连通域分析用于消除第五图像中的噪声。
可选地，上述去燥单元还可用于：利用膨胀公式对第二图像进行膨胀处理并利用腐蚀公式对第二图像进行腐蚀处理，得到第五图像，膨胀公式为：
其中，A表示第二图像，B表示卷积核，
表示膨胀运算的运算符，x表示一个点，(B)X∩A≠Φ表示利用B对x进行膨胀处理的结果(B)X与A的交集不为空集Φ；腐蚀公式为：
其中，Θ是腐蚀运算的运算符，
表示利用B对x进行腐蚀处理的结果(B)X属于A。
可选地，上述去燥单元还可用于：识别出第五图像中的连通域，并将第五图像中面积小于第一目标阈值的连通域用黑色填充，得到第六图像；对第六图像中像素点的像素值进行取反，得到第七图像；识别出第七图像中的连通域，并将第七图像中面积小于第二目标阈值的连通域用黑色填充，得到第八图像；对第八图像中像素点的像素值进行取反，得到第三图像。
此处需要说明的是，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在如图1所示的硬件环境中，可以通过软件实现，也可以通过硬件实现，其中，硬件环境包括网络环境。
根据本申请实施例的另一个方面，还提供了一种用于实施上述圈养栏信息的确定方法的服务器或终端。
图13是根据本申请实施例的一种终端的结构框图，如图13所示，该终端可以包括：一个或多个(图13中仅示出一个)处理器1301、存储器1303、以及传输装置1305，如图13所示，该终端还可以包括输入输出设备1307。
其中，存储器1303可用于存储软件程序以及模块，如本申请实施例中的圈养栏信息的确定方法和装置对应的程序指令/模块，处理器1301通过运行存储在存储器1303内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的圈养栏信息的确定方法。存储器1303可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器1303可进一步包括相对于处理器1301远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
上述的传输装置1305用于经由一个网络接收或者发送数据，还可以用于处理器与存储器之间的数据传输。上述的网络具体实例可包括有线网络及无线网络。在一个实例中，传输装置1305包括一个网络适配器(Network Interface Controller，NIC)，其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中，传输装置1305为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。
其中，具体地，存储器1303用于存储应用程序。
处理器1301可以通过传输装置1305调用存储器1303存储的应用程序，以执行下述步骤：
获取待处理的第一图像，其中，第一图像是对畜牧场进行拍摄得到的图像，畜牧场用于通过圈养栏来隔离被圈养的对象；
利用目标模型对第一图像中的圈养栏进行识别，得到包括识别出的圈养栏的第二图像，其中，目标模型是预先设置好的用于进行圈养栏识别的语义分割神经网络模型；
对第二图像进行去噪声处理，得到第三图像；
利用第三图像确定畜牧场中圈养栏的信息。
处理器1301还用于执行下述步骤：
识别出第五图像中的连通域，并将第五图像中面积小于第一目标阈值的连通域用黑色填充，得到第六图像；
对第六图像中像素点的像素值进行取反，得到第七图像；
识别出第七图像中的连通域，并将第七图像中面积小于第二目标阈值的连通域用黑色填充，得到第八图像；
对第八图像中像素点的像素值进行取反，得到第三图像。
采用本申请实施例，提供了一种“获取待处理的第一图像，其中，第一图像是对畜牧场进行拍摄得到的图像，畜牧场用于通过圈养栏来隔离被圈养的对象；利用目标模型对第一图像中的圈养栏进行识别，得到包括识别出的圈养栏的第二图像，其中，目标模型是预先设置好的用于进行圈养栏识别的语义分割神经网络模型；对第二图像进行去噪声处理，得到第三图像；利用第三图像确定畜牧场中圈养栏的信息”的方案。可以通过图像识别的方式识别出圈养栏相关的信息，可以解决相关技术中统计圈养栏信息的效率较低的技术问题，进而达到快速识别圈养栏相关信息的技术效果。
可选地，本实施例中的具体示例可以参考上述实施例中所描述的示例，本实施例在此不再赘述。
本领域普通技术人员可以理解，图13所示的结构仅为示意，终端可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile InternetDevices，MID)、PAD等终端设备。图13其并不对上述电子装置的结构造成限定。例如，终端还可包括比图13中所示更多或者更少的组件(如网络接口、显示装置等)，或者具有与图13所示不同的配置。
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终端设备相关的硬件来完成，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(RandomAccess Memory，RAM)、磁盘或光盘等。
本申请的实施例还提供了一种存储介质。可选地，在本实施例中，上述存储介质可以用于执行圈养栏信息的确定方法的程序代码。
可选地，在本实施例中，上述存储介质可以位于上述实施例所示的网络中的多个网络设备中的至少一个网络设备上。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：
获取待处理的第一图像，其中，第一图像是对畜牧场进行拍摄得到的图像，畜牧场用于通过圈养栏来隔离被圈养的对象；
利用目标模型对第一图像中的圈养栏进行识别，得到包括识别出的圈养栏的第二图像，其中，目标模型是预先设置好的用于进行圈养栏识别的语义分割神经网络模型；
对第二图像进行去噪声处理，得到第三图像；
利用第三图像确定畜牧场中圈养栏的信息。
可选地，存储介质还被设置为存储用于执行以下步骤的程序代码：
识别出第五图像中的连通域，并将第五图像中面积小于第一目标阈值的连通域用黑色填充，得到第六图像；
对第六图像中像素点的像素值进行取反，得到第七图像；
识别出第七图像中的连通域，并将第七图像中面积小于第二目标阈值的连通域用黑色填充，得到第八图像；
对第八图像中像素点的像素值进行取反，得到第三图像。
可选地，本实施例中的具体示例可以参考上述实施例中所描述的示例，本实施例在此不再赘述。
可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在存储介质中，包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。
在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。
Claims (9)
1.一种圈养栏信息的确定方法，其特征在于，包括：
获取待处理的第一图像，其中，所述第一图像是对畜牧场进行拍摄得到的图像，所述畜牧场用于通过圈养栏来隔离被圈养的对象；
利用目标模型对所述第一图像中的圈养栏进行识别，得到包括识别出的圈养栏的第二图像，其中，所述目标模型是预先设置好的用于进行圈养栏识别的语义分割神经网络模型；
对所述第二图像进行去噪声处理，得到第三图像，包括：对所述第二图像进行形态学处理，得到第五图像，其中，所述形态学处理用于通过膨胀处理和腐蚀处理消除所述第二图像中的噪声；对所述第五图像进行连通域分析，得到所述第三图像，其中，所述连通域分析用于消除所述第五图像中的噪声；
所述对所述第五图像进行连通域分析包括：识别出所述第五图像中的连通域，并将所述第五图像中面积小于第一目标阈值的连通域用黑色填充，得到第六图像；对所述第六图像中像素点的像素值进行取反，得到第七图像；识别出所述第七图像中的连通域，并将所述第七图像中面积小于第二目标阈值的连通域用黑色填充，得到第八图像；对所述第八图像中像素点的像素值进行取反，得到所述第三图像；
利用所述第三图像确定所述畜牧场中圈养栏的信息。
2.根据权利要求1所述的方法，其特征在于，利用目标模型对所述第一图像中的圈养栏进行识别，得到包括识别出的圈养栏的第二图像包括：
通过所述目标模型中的第一网络对所述第一图像执行压缩操作，得到第四图像，其中，所述压缩操作用于消除所述第一图像中的视觉冗余信息；
通过所述目标模型中的第二网络对所述第四图像进行语义分割，得到所述第二图像。
3.根据权利要求2所述的方法，其特征在于，通过所述目标模型中的第一网络对所述第一图像执行压缩操作，得到第四图像包括：
通过所述第一网络的卷积层对所述第一图像执行卷积操作，并通过所述第一网络的池化层对所述第一图像执行池化操作；
通过所述第一网络的拼接层将执行所述卷积操作得到的结果和执行所述池化操作的结果拼接起来，得到所述第四图像。
4.根据权利要求1所述的方法，其特征在于，对所述第二图像进行形态学处理，得到第五图像包括：
利用膨胀公式对所述第二图像进行膨胀处理并利用腐蚀公式对所述第二图像进行腐蚀处理，得到所述第五图像，
所述膨胀公式为：A⊕B＝{x|〖(B)〗_X∩A≠Φ}，其中，A表示所述第二图像，B表示卷积核，⊕表示膨胀运算的运算符，x表示一个点，〖(B)〗_X∩A≠Φ表示利用B对x进行膨胀处理的结果〖(B)〗_X与A的交集不为空集Φ；
所述腐蚀公式为：
其中，Θ是腐蚀运算的运算符，
表示利用B对x进行腐蚀处理的结果〖(B)〗_X属于A。
5.一种圈养栏信息的确定装置，其特征在于，包括：
获取单元，用于获取待处理的第一图像，其中，所述第一图像是对畜牧场进行拍摄得到的图像，所述畜牧场用于通过圈养栏来隔离被圈养的对象；
识别单元，用于利用目标模型对所述第一图像中的圈养栏进行识别，得到包括识别出的圈养栏的第二图像，其中，所述目标模型是预先设置好的用于进行圈养栏识别的语义分割神经网络模型；
去燥单元，用于对所述第二图像进行去噪声处理，得到第三图像，包括：对所述第二图像进行形态学处理，得到第五图像，其中，所述形态学处理用于通过膨胀处理和腐蚀处理消除所述第二图像中的噪声；对所述第五图像进行连通域分析，得到所述第三图像，其中，所述连通域分析用于消除所述第五图像中的噪声；
所述对所述第五图像进行连通域分析包括：识别出所述第五图像中的连通域，并将所述第五图像中面积小于第一目标阈值的连通域用黑色填充，得到第六图像；对所述第六图像中像素点的像素值进行取反，得到第七图像；识别出所述第七图像中的连通域，并将所述第七图像中面积小于第二目标阈值的连通域用黑色填充，得到第八图像；对所述第八图像中像素点的像素值进行取反，得到所述第三图像；
确定单元，用于利用所述第三图像确定所述畜牧场中圈养栏的信息。
6.根据权利要求5所述的装置，其特征在于，所述识别单元包括：
压缩模块，用于通过所述目标模型中的第一网络对所述第一图像执行压缩操作，得到第四图像，其中，所述压缩操作用于消除所述第一图像中的视觉冗余信息；
分割模块，用于通过所述目标模型中的第二网络对所述第四图像进行语义分割，得到所述第二图像。
7.一种圈养栏信息的确定系统，其特征在于，包括：
图像采集设备，用于采集待处理的第一图像，其中，所述第一图像是对畜牧场进行拍摄得到的图像，所述畜牧场用于通过圈养栏来隔离被圈养的对象；
服务器，用于利用目标模型对所述第一图像中的圈养栏进行识别，得到包括识别出的圈养栏的第二图像，对所述第二图像进行去噪声处理，得到第三图像，并利用所述第三图像确定所述畜牧场中圈养栏的信息，其中，所述目标模型是预先设置好的用于进行圈养栏识别的语义分割神经网络模型；
所述对所述第二图像进行去噪声处理，得到第三图像，包括：对所述第二图像进行形态学处理，得到第五图像，其中，所述形态学处理用于通过膨胀处理和腐蚀处理消除所述第二图像中的噪声；对所述第五图像进行连通域分析，得到所述第三图像，其中，所述连通域分析用于消除所述第五图像中的噪声；
所述对所述第五图像进行连通域分析包括：识别出所述第五图像中的连通域，并将所述第五图像中面积小于第一目标阈值的连通域用黑色填充，得到第六图像；对所述第六图像中像素点的像素值进行取反，得到第七图像；识别出所述第七图像中的连通域，并将所述第七图像中面积小于第二目标阈值的连通域用黑色填充，得到第八图像；对所述第八图像中像素点的像素值进行取反，得到所述第三图像。
8.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，所述程序运行时执行上述权利要求1至4任一项中所述的方法。
9.一种电子装置，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器通过所述计算机程序执行上述权利要求1至4任一项中所述的方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911176750.3A CN111161090B (zh) | 2019-11-26 | 2019-11-26 | 圈养栏信息的确定方法、装置及系统、存储介质 |
| PCT/CN2020/129765 WO2021104124A1 (zh) | 2019-11-26 | 2020-11-18 | 圈养栏信息的确定方法、装置及系统、存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911176750.3A CN111161090B (zh) | 2019-11-26 | 2019-11-26 | 圈养栏信息的确定方法、装置及系统、存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111161090A CN111161090A (zh) | 2020-05-15 |
| CN111161090B true CN111161090B (zh) | 2022-12-27 |
Family
ID=70556172
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911176750.3A Active CN111161090B (zh) | 2019-11-26 | 2019-11-26 | 圈养栏信息的确定方法、装置及系统、存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN111161090B (zh) |
| WO (1) | WO2021104124A1 (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111161090B (zh) * | 2019-11-26 | 2022-12-27 | 京东科技信息技术有限公司 | 圈养栏信息的确定方法、装置及系统、存储介质 |
| CN111539384B (zh) * | 2020-05-26 | 2023-05-30 | 京东科技信息技术有限公司 | 牧场采食监控方法、系统、装置、设备及存储介质 |
| CN113836982A (zh) * | 2020-06-24 | 2021-12-24 | 阿里巴巴集团控股有限公司 | 图像处理方法、装置、存储介质及计算机设备 |
| CN112465722A (zh) * | 2020-12-04 | 2021-03-09 | 武汉大学 | 一种异常相位图像的修复方法 |
| CN114189627A (zh) * | 2021-11-24 | 2022-03-15 | 河南牧原智能科技有限公司 | 用于获取相机预置角度、监测养殖栏的方法及产品 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107862294A (zh) * | 2017-11-21 | 2018-03-30 | 北京中科慧眼科技有限公司 | 一种基于形态学重建的车道线检测方法与装置 |
| CN109523543A (zh) * | 2018-11-26 | 2019-03-26 | 西安工程大学 | 一种基于边缘距离的导线断股检测方法 |
| CN109711341A (zh) * | 2018-12-27 | 2019-05-03 | 宽凳（北京）科技有限公司 | 一种虚拟车道线识别方法及装置、设备、介质 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10067509B1 (en) * | 2017-03-10 | 2018-09-04 | TuSimple | System and method for occluding contour detection |
| CN107506768A (zh) * | 2017-10-11 | 2017-12-22 | 电子科技大学 | 一种基于全卷积神经网络的输电线路导线断股识别方法 |
| CN109740465B (zh) * | 2018-12-24 | 2022-09-27 | 南京理工大学 | 一种基于实例分割神经网络框架的车道线检测算法 |
| CN110148135A (zh) * | 2019-04-03 | 2019-08-20 | 深兰科技（上海）有限公司 | 一种路面分割方法、装置、设备及介质 |
| CN110335277A (zh) * | 2019-05-07 | 2019-10-15 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置、计算机可读存储介质和计算机设备 |
| CN111161090B (zh) * | 2019-11-26 | 2022-12-27 | 京东科技信息技术有限公司 | 圈养栏信息的确定方法、装置及系统、存储介质 |
-
2019
- 2019-11-26 CN CN201911176750.3A patent/CN111161090B/zh active Active
-
2020
- 2020-11-18 WO PCT/CN2020/129765 patent/WO2021104124A1/zh active Application Filing
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107862294A (zh) * | 2017-11-21 | 2018-03-30 | 北京中科慧眼科技有限公司 | 一种基于形态学重建的车道线检测方法与装置 |
| CN109523543A (zh) * | 2018-11-26 | 2019-03-26 | 西安工程大学 | 一种基于边缘距离的导线断股检测方法 |
| CN109711341A (zh) * | 2018-12-27 | 2019-05-03 | 宽凳（北京）科技有限公司 | 一种虚拟车道线识别方法及装置、设备、介质 |
Non-Patent Citations (2)
| Title |
|---|
| Segmentation of group-housed pigs using concave points and edge information;Hansol Baek 等;《2017 19th International Conference on Advanced Communication Technology (ICACT)》;20170330;第563-565页 * |
| 基于卷积神经网络的车道线语义分割算法;徐国晟等;《电子测量与仪器学报》;20180715(第07期);第94-99页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2021104124A1 (zh) | 2021-06-03 |
| CN111161090A (zh) | 2020-05-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111161090B (zh) | 圈养栏信息的确定方法、装置及系统、存储介质 | |
| CN106296725B (zh) | 运动目标实时检测与跟踪方法及目标检测装置 | |
| CN111225611B (zh) | 用于帮助分析目标对象中的伤口的系统和方法 | |
| CN109685045B (zh) | 一种运动目标视频跟踪方法及系统 | |
| CN112580523A (zh) | 行为识别方法、装置、设备及存储介质 | |
| CN109584266B (zh) | 一种目标检测方法及装置 | |
| CN110009656B (zh) | 目标对象的确定方法、装置、存储介质及电子装置 | |
| CN108491807B (zh) | 一种奶牛发情行为实时监测方法及系统 | |
| Zhao et al. | An algorithm for tracking multiple fish based on biological water quality monitoring | |
| CN112419295A (zh) | 医学图像处理方法、装置、计算机设备和存储介质 | |
| CN113011403B (zh) | 手势识别方法、系统、介质及设备 | |
| CN114494334B (zh) | 调整三维姿态的方法、装置、电子设备及存储介质 | |
| CN113780243B (zh) | 行人图像识别模型的训练方法、装置、设备以及存储介质 | |
| CN111028266B (zh) | 畜禽盘点方法、装置、电子设备和存储介质 | |
| CN111539293A (zh) | 一种果树病害诊断方法及系统 | |
| CN111353385A (zh) | 一种基于掩膜对齐与注意力机制的行人再识别方法和装置 | |
| CN111325773A (zh) | 运动目标的检测方法、装置、设备及可读存储介质 | |
| CN110796068A (zh) | 社区泳池溺水检测方法及系统 | |
| CN115272923B (zh) | 一种基于大数据平台的智能识别方法和系统 | |
| CN116343201A (zh) | 谷粒类别识别方法、装置及计算机设备 | |
| CN114627407A (zh) | 视频动作自动评分方法、系统、可读存储介质及计算机 | |
| CN115311680A (zh) | 人体图像质量检测方法、装置、电子设备及存储介质 | |
| Ghadiri | Implementation of an automated image processing system for observing the activities of honey bees | |
| CN108967246B (zh) | 虾苗定位方法 | |
| CN115147706A (zh) | 鱼群摄食行为的识别方法、装置、设备与介质 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 601, 6 / F, building 2, No. 18, Kechuang 11th Street, Daxing District, Beijing, 100176 Applicant after: Jingdong Technology Information Technology Co.,Ltd. Address before: 601, 6 / F, building 2, No. 18, Kechuang 11th Street, Daxing District, Beijing, 100176 Applicant before: Jingdong Shuke Haiyi Information Technology Co.,Ltd. Address after: 601, 6 / F, building 2, No. 18, Kechuang 11th Street, Daxing District, Beijing, 100176 Applicant after: Jingdong Shuke Haiyi Information Technology Co.,Ltd. Address before: 601, 6 / F, building 2, No. 18, Kechuang 11th Street, Beijing Economic and Technological Development Zone, Beijing 100176 Applicant before: BEIJING HAIYI TONGZHAN INFORMATION TECHNOLOGY Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |