一种动物异常监测、图像处理方法及装置
技术领域
本申请涉及人工智能领域,尤其涉及一种动物异常监测、图像处理方法及装置。
背景技术
动物腹泻是由多种病因引起的以腹泻为主要症状的综合征,多发于动物幼崽,主要表现为腹泻、呕吐、迅速消瘦。动物流行性腹泻病毒潜伏期较短,对于幼崽的威胁最大,一旦发病,极容易造成幼崽死亡,已成为幼崽生长受阻、死亡率高的主要原因,同时也是困扰规模化养殖业的重大难题。因此,做好动物的健康监测工作,及时发现疫情,把传染病消灭在萌芽状态是非常重要的。
目前,动物腹泻疫情监测主要通过人工观察。饲养员对动物随时观察,发现异常后向兽医或技术员汇报。但是,人工观察监测动物腹泻准确度较低,且反馈不及时。另外,人工监测耗费人力成本和时间成本较高。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题,本申请实施例提供了一种动物异常监测、图像处理方法及装置。
第一方面,本申请实施例提供了一种动物异常监测方法,包括:
获取养殖区域图像;
根据预先训练的粪便检测模型从所述养殖区域图像中检测得到动物粪便对应的动物状态,所述动物状态包括异常状态和/或正常状态;
根据所述动物状态确定养殖区域对应的监测信息。
可选的,所述获取养殖区域图像,包括:
获取对至少两个养殖区域进行拍摄得到的巡检视频及所述养殖区域对应的区域标识;
从所述巡检视频中截取所述养殖区域对应的养殖区域图像,所述养殖区域图像与所述区域标识关联。
可选的,所述根据所述动物状态确定养殖区域对应的监测信息之前,所述方法还包括:
当所述动物状态为异常状态时,获取所述粪便检测模型输出的所述动物状态对应的置信度;
当所述置信度符合第一预设条件时,确定所述动物状态有效。
可选的,所述根据所述动物状态确定养殖区域对应的监测信息之前,所述方法还包括:
根据预先训练的姿势检测模型从所述养殖区域图像中识别得到动物的姿势信息;
根据所述姿势信息符合第二预设条件时,确定所述动物状态有效。
可选的,所述监测信息与所述区域标识关联;所述方法还包括:
当所述动物状态为异常时,根据所述区域标识执行预设提醒操作。
可选的,所述动物状态还包括:异常等级;
所述根据所述区域标识执行预设提醒操作,包括:
根据所述区域标识执行所述异常等级对应的预设提醒操作。
可选的,所述方法还包括:
获取养殖区域样本图像,所述养殖区域样本图像包括动物状态为异常状态的第一样本图像和动物状态为正常状态的第二样本图像,所述第一样本图像和第二样本图像中包括动物粪便;
确定所述养殖区域样本图像对应的标注信息,所述标注信息包括:动物状态及所述动物粪便对应的标注框;
将所述养殖区域样本图像输入预设神经网络进行训练,学习所述动物粪便与动物状态之间的对应关系,得到所述粪便检测模型。
第二方面,本申请实施例提供了一种图像处理方法,包括:
获取养殖区域样本图像,所述养殖区域样本图像包括动物状态为异常状态的第一样本图像和动物状态为正常状态的第二样本图像,所述第一样本图像和第二样本图像中包括动物粪便;
确定所述养殖区域样本图像对应的标注信息,所述标注信息包括:动物状态及所述动物粪便对应的标注框;
将所述养殖区域样本图像输入预设神经网络进行训练,学习所述动物粪便与动物状态之间的对应关系,得到粪便检测模型。
第三方面,本申请实施例提供了一种动物异常监测装置,包括:
获取模块,用于获取养殖区域图像;
检测模块,用于根据预先训练的粪便检测模型从所述养殖区域图像中检测得到动物粪便对应的动物状态,所述动物状态包括异常状态和/或正常状态;
确定模块,用于根据所述动物状态确定养殖区域对应的监测信息。
第四方面,本申请实施例提供了一种图像处理装置,包括:
获取模块,用于获取养殖区域样本图像,所述养殖区域样本图像包括动物状态为异常状态的第一样本图像和动物状态为正常状态的第二样本图像,所述第一样本图像和第二样本图像中包括动物粪便;
确定模块,用于确定所述养殖区域样本图像对应的标注信息,所述标注信息包括:动物状态及所述动物粪便对应的标注框;
训练模块,用于将所述养殖区域样本图像输入预设神经网络继续训练,学习所述动物粪便与动物状态之间的对应关系,得到粪便检测模型。
第五方面,本申请实施例提供了一种电子设备,包括:处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
所述存储器,用于存放计算机程序;
所述处理器,用于执行计算机程序时,实现上述方法步骤。
第六方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述方法步骤。
本申请实施例提供的上述技术方案与现有技术相比具有如下优点:
基于计算机视觉方式,通过预先训练的模型从图像中检测动物粪便,从而实现自动、准确、及时地监测动物是否存在腹泻等疫情状态,防止疫情扩散,无需人工检测,降低人力成本和时间成本。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
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,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种图像处理方法的流程图;
图2为本实施例提供的猪只严重腹泻的养殖区域图像示意图;
图3为本实施例提供的猪只中等腹泻的养殖区域图像示意图;
图4为本实施例提供的猪只轻微腹泻的养殖区域图像示意图;
图5为本申请实施例提供的一种图像处理方法的流程图;
图6为本申请实施例提供的一种动物异常监测装置的框图;
图7为本申请实施例提供的一种图像处理装置的框图;
图8为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本申请的一部分实施例,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的前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请实施例通过计算机视觉的方式,基于预先训练的神经网络模型监测动物粪便确定动物状态,从而实现对动物的疫情监测。该图像处理方法用于训练通过粪便确定动物状态的粪便检测模型。
下面首先对本发明实施例所提供的一种图像处理方法进行介绍。
图1为本申请实施例提供的一种图像处理方法的流程图。如图1所示,该方法包括以下步骤:
步骤S11,获取养殖区域图像。
步骤S12,根据预先训练的粪便检测模型从养殖区域图像中检测得到动物粪便对应的动物状态,动物状态包括异常状态和/或正常状态。
步骤S13,根据动物状态确定养殖区域对应的监测信息。
本实施例中,基于计算机视觉方式,通过预先训练的模型从图像中检测动物粪便,从而实现自动、准确、及时地监测动物是否存在腹泻等疫情状态,防止疫情扩散,无需人工检测,降低人力成本和时间成本。
在一个可选实施例中,上述步骤S11包括:获取对至少两个养殖区域进行拍摄得到的巡检视频及养殖区域对应的区域标识;从巡检视频中截取养殖区域对应的养殖区域图像,养殖区域图像与区域标识关联。
例如,养殖场内有多个养殖区域,在养殖区域上方设有轨道,巡检车在轨道上行驶,同时巡检车上的摄像装置拍摄下方巡检区域,得到巡检视频。由于巡检车一般是按照一定顺序运行拍摄,而每个养殖区域都有其对应的区域标识。因此,从该巡检视频中可截取各个养殖区域对应的养殖区域图像,且将养殖区域图像与养殖区域对应的区域标识关联。这样,后续通过计算机视觉方式可以从每个养殖区域对应的图像中检测出动物粪便情况,从而确定动物是否存在腹泻等疫情。
在一个可选实施例中,在上述步骤S13之前,还进一步对检测得到动物状态的有效性进行判断,从而提高动物监测的准确性。
可选的,在上述步骤S13之前,该方法还包括:当动物状态为异常状态时,获取粪便检测模型输出的动物状态对应的置信度;当置信度符合第一预设条件时,确定动物状态有效。
例如,粪便检测模型输出该动物粪便对应动物状态为异常状态的置信度在50%以上时,确定该动物状态有效。
可选的,在上述步骤S13之前,该方法还包括:根据预先训练的姿势检测模型从养殖区域图像中识别得到动物的姿势信息;根据姿势信息符合第二预设条件时,确定动物状态有效。
当动物发生疫情时,通常动物姿势也会相应发生变化,例如,动物处于腹泻等异常状态时,一般会处于卧姿。因此,可以通过动物姿势信息对检测到的动物状态进行进一步判断。如,养殖区域内60%的动物在预设时间段内处于卧姿的时间占比达到80%,则确定该养殖区域内动物处于异常状态。
可选的,动物状态还包括:异常等级,如严重、中等和轻微。
图2为本实施例提供的猪只严重腹泻的养殖区域图像示意图。
图3为本实施例提供的猪只中等腹泻的养殖区域图像示意图。
图4为本实施例提供的猪只轻微腹泻的养殖区域图像示意图。
如图2-图4所示,动物的异常等级可通过粪便形态和猪只姿势信息确定。不同异常等级对应不同粪便形态,如粪便颜色、粪便量等,该养殖区域内各个动物的姿势信息也会有所不同。
在一个可选实施例中,监测信息与区域标识关联。该方法还包括:当动物状态为异常时,根据区域标识执行预设提醒操作。
其中,该预设提醒操作可以包括:将养殖区域的区域标识和动物状态以信息方式发送到预设的终端,或者,可以在养殖区域的猪栏上设有显示装置,显示该区域内动物状态等等。
这样,可以快速、准确地通知相关人员动物疫情情况,可以及时对动物疫情进行处理,防止疫情扩散,减少经济损失。
可选的,动物状态还包括:异常等级。根据区域标识执行预设提醒操作,包括:根据区域标识执行异常等级对应的预设提醒操作。如,当异常等级为严重时,不仅发送信息到饲养员终端,还进一步将疫情情况发送到动物防疫部门。
本申请还提供一种图像处理方法,对粪便检测模型进行训练。
图5为本申请实施例提供的一种图像处理方法的流程图。如图5所示,该方法还包括以下步骤:
步骤S21,获取养殖区域样本图像,养殖区域样本图像包括动物状态为异常状态的第一样本图像和动物状态为正常状态的第二样本图像,第一样本图像和第二样本图像中包括动物粪便。
步骤S22,确定养殖区域样本图像对应的标注信息,标注信息包括:动物状态及动物粪便对应的标注框。
步骤S23,将养殖区域样本图像输入预设神经网络进行训练,学习动物粪便与动物状态之间的对应关系,得到粪便检测模型。
可选的,养殖区域样本图像可以通过对养殖场内不同养殖区域进行周期性拍摄获得。异常状态的样本图像为正样本,正常状态的样本图像为负样本。可以使用软件LabelMe框选出图像中的动物粪便,人工依据粪便颜色和多少将粪便分别标记为异常或正常,还可以将异常状态分为不同异常等级,如严重、中等、轻微等。
其中,预设神经网络可以为MobileNet-YOLO、MobileNet-YOLOv1、MobileNet-YOLOv2、MobileNet-YOLOv3、Faster R-CNN、R-FCN等等卷积神经网络。
以MobileNet-YOLOv2为例对模型的训练过程进行详细说明。
(1)将养殖区域样本图像和标注信息输入MobileNet-YOLOv2网络。
(2)MobileNet-YOLOv2通过MobileNet卷积网络将图片分成13x13个网格,每个网格负责预测物体中心落入该网格的对象。
(3)每个网格有5个不同尺寸的先验框,负责预测不同形状大小的对象,每个先验框负责预测一个边界框,即每个网格会预测5个边界框。
(4)计算每个边界框带有框中心点坐标、宽高,进一步计算每个边界框与标注框之间的位置误差。并通过计算边界框与标注框的交并比(IOU)来确定每个边界框的置信度,以及将检测到的类别(如严重、中等和轻微)与预先标注的动物状态进行比对得到类别误差。
(5)通过第(4)步得到的每个边界框的置信度、位置误差、分类误差计算损失函数,不断反向传播损失函数优化网络,直至网络收敛得到粪便检测模型。
本实施例中,应用该粪便检测模型识别养殖区域图像中的动物粪便对应的动物状态时,如果识别到动物状态为异常状态,即出现腹泻等疫情,则该模型可输出粪便框对应的中心点坐标、宽高、置信度和类别信息。当置信度大于0.5时,则认为检测结果有效。
本实施例中,通过训练粪便检测模型,使得可以从图像中检测动物粪便,实现自动、准确、及时地监测动物是否存在腹泻等疫情状态,防止疫情扩散,无需人工检测,降低人力成本和时间成本。
下述为本申请装置实施例,可以用于执行本申请方法实施例。
图6为本申请实施例提供的一种动物异常监测装置的框图,该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。如图6所示,该动物异常监测装置包括:
获取模块61,用于获取养殖区域图像;
检测模块62,用于根据预先训练的粪便检测模型从养殖区域图像中检测得到动物粪便对应的动物状态,动物状态包括异常状态和/或正常状态;
确定模块63,用于根据动物状态确定养殖区域对应的监测信息。
图7为本申请实施例提供的一种图像处理装置的框图,该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。如图7所示,该图像处理装置包括:
获取模块71,用于获取养殖区域样本图像,养殖区域样本图像包括动物状态为异常状态的第一样本图像和动物状态为正常状态的第二样本图像,第一样本图像和第二样本图像中包括动物粪便;
确定模块72,用于确定养殖区域样本图像对应的标注信息,标注信息包括:动物状态及动物粪便对应的标注框;
训练模块73,用于将养殖区域样本图像输入预设神经网络继续训练,学习动物粪便与动物状态之间的对应关系,得到粪便检测模型。
本申请实施例还提供一种电子设备,如图8所示,电子设备可以包括:处理器1501、通信接口1502、存储器1503和通信总线1504,其中,处理器1501,通信接口1502,存储器1503通过通信总线1504完成相互间的通信。
存储器1503,用于存放计算机程序;
处理器1501,用于执行存储器1503上所存放的计算机程序时,实现以下上述方法实施例的步骤。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,P C I)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本申请还提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以下上述方法实施例的步骤。
需要说明的是,对于上述装置、电子设备及计算机可读存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
进一步需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。