CN111274975A - 猪只采食行为预测方法及装置 - Google Patents
猪只采食行为预测方法及装置 Download PDFInfo
- Publication number
- CN111274975A CN111274975A CN202010072364.6A CN202010072364A CN111274975A CN 111274975 A CN111274975 A CN 111274975A CN 202010072364 A CN202010072364 A CN 202010072364A CN 111274975 A CN111274975 A CN 111274975A
- Authority
- CN
- China
- Prior art keywords
- pig
- feeding
- pigs
- feed intake
- image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000004634 feeding behavior Effects 0.000 title claims abstract description 38
- 241000282887 Suidae Species 0.000 claims abstract description 131
- 238000012549 training Methods 0.000 claims abstract description 39
- 230000006399 behavior Effects 0.000 claims abstract description 28
- 235000021050 feed intake Nutrition 0.000 claims description 72
- 230000037406 food intake Effects 0.000 claims description 34
- 238000004891 communication Methods 0.000 claims description 18
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 230000007613 environmental effect Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 12
- 241001465754 Metazoa Species 0.000 abstract description 9
- 244000144972 livestock Species 0.000 abstract description 5
- 244000144977 poultry Species 0.000 abstract description 5
- 235000005809 Carpobrotus aequilaterus Nutrition 0.000 description 6
- 244000187801 Carpobrotus edulis Species 0.000 description 6
- 235000004550 Disphyma australe Nutrition 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000009395 breeding Methods 0.000 description 2
- 230000001488 breeding effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 239000010963 304 stainless steel Substances 0.000 description 1
- 229910000589 SAE 304 stainless steel Inorganic materials 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Computer Interaction (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Social Psychology (AREA)
- Psychiatry (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Feeding And Watering For Cattle Raising And Animal Husbandry (AREA)
- Fodder In General (AREA)
Abstract
本发明涉及畜禽采食行为预测设备技术领域,公开了一种猪只采食行为预测方法及装置,该方法首先获取猪只在采食装置内的图像,然后将猪只的图像输入至预设的猪只行为判别模型,输出猪只的采食状态结果;其中,预设的猪只行为判别模型是以猪只图像样本数据作为第一训练集,以与猪只图像样本数据对应的猪只采食状态作为标签,进行训练获得。该方法实现了以量化方式预测猪只采食行为,确保了预测结果的可靠性和准确性,确保了预测结果的可靠性和准确性,在不影响动物福利的情况下,准确预测和记录猪只的采食行为,可以更好的控制猪只的采食量,提高生产效率。
Description
技术领域
本发明涉及畜禽采食行为预测设备技术领域,尤其涉及一种猪只采食行为预测方法及装置。
背景技术
预测畜禽采食行为是精细养殖的重要环节,获取准确的采食信息可以使得畜禽的生产过程得到更好地控制,提高生产效率和生产效益,并且可以提高动物福利、减少畜禽生产过程中对环境和人类健康的潜在负面影响。此外,过量采食与采食不足都会对动物健康造成危害,通过预测猪只的采食行为,可了解猪只的料肉比和健康信息,对非正常猪只的采食配比、饲养管理方式或饲喂设施设备等进行优化改进。
目前生猪养殖多采用小群饲养,即将20~40头体况大小近似的育肥猪或母猪饲养在一个圈栏中饲养,方便管理和饲喂,该方式可以在猪只平均活动面积不变的情况下增加猪只活动范围,有利于猪只生长健康。在上述生猪养殖模式下,传统的猪只采食行为信息获取主要依靠人工观察法或用射频识别(Radio Frequency Identification,简称RFID)传感器等电子设备。而在生产实践中,饲养员很难对每头猪只的采食信息进行精准的预测和记录,使用RFID传感器等电子设备易受到信号干扰造成数据损失且成本较高,同时电子耳标的使用需要介入动物体内,也影响了动物福利。
发明内容
本发明实施例提供一种猪只采食行为预测方法及装置,用以解决现有的利用RFID传感器获取猪只采食行为时易造成数据损失、成本较高且影响动物福利的问题。
本发明实施例提供一种猪只采食行为预测方法,包括:
获取猪只在采食装置内的图像;
将所述猪只的图像输入至预设的猪只行为判别模型,输出所述猪只采食状态结果;
其中,所述预设的猪只行为判别模型是以猪只图像样本数据作为第一训练集,以与所述猪只图像样本数据对应的猪只采食状态作为标签,进行训练获得。
其中,所述预设的猪只行为判别模型是以猪只图像样本数据作为第一训练集,以与所述猪只图像样本数据对应的猪只采食状态作为标签,进行训练获得,进一步包括:
所述猪只图像样本数据包括猪只嘴部伸入采食设备的图像、猪只在采食设备外的图像及猪只在采食口观察的图像;
通过运用卷积神经网络模型对所述猪只图像样本数据进行分类,标记所述猪只嘴部伸入采食设备的图像为进行一次采食,标记所述猪只在采食设备外的图像及所述猪只在采食口观察的图像为未进行采食,获得所述预设的猪只行为判别模型。
其中,在所述将所述猪只的图像输入至预设的猪只行为判别模型,输出所述猪只采食状态结果之后,还包括:
基于所述猪只的图像,得到所述猪只的日龄信息;
将所述猪只的采食状态和所述猪只的日龄信息输入至预设的猪只采食量预测模型,输出所述猪只的采食量;
其中,所述预设的猪只采食量预测模型是以猪只日龄信息样本数据和猪只采食信息样本数据作为第二训练集,以与所述第二训练集对应的猪只采食量作为标签,进行训练获得。
其中,所述基于所述猪只的图像,得到所述猪只的日龄信息,进一步包括:
基于所述猪只的图像,识别出所述猪只的身份ID;
将所述猪只的身份ID输入预存的养殖场数据库,获取所述猪只的日龄信息。
其中,所述将所述猪只的采食状态和所述猪只的日龄信息输入至预设的猪只采食量预测模型,输出所述猪只的采食量,进一步包括:
基于所述猪只的采食状态,以所述猪只的采食状态为进行一次采食时开始计时,直到识别所述猪只的采食状态为未进行采食时停止计时,得到所述猪只的采食时间;
将所述猪只的采食时间和所述猪只的日龄信息输入至预设的猪只采食量预测模型,输出所述猪只的采食量;
其中,所述猪只采食信息样本数据包括猪只采食时间。
其中,所述将所述猪只的采食状态和所述猪只的日龄信息输入至预设的猪只采食量预测模型,输出所述猪只的采食量,进一步包括:
基于所述猪只的采食状态,以当日所述猪只的采食状态为进行一次采食的次数作为所述猪只的采食次数;以所述猪只的采食状态为未进行采食时开始计时,直到识别所述猪只的采食状态为进行一次采食时停止计时,得到所述猪只的采食间隔时间;
将所述猪只的采食时间、所述猪只的采食次数、所述猪只的采食间隔时间和所述猪只的日龄信息输入至预设的猪只采食量预测模型,输出所述猪只的采食量;
其中,所述猪只采食信息样本数据包括猪只采食时间、猪只采食次数和猪只采食间隔时间。
其中,所述将所述猪只的采食状态和所述猪只的日龄信息输入至预设的猪只采食量预测模型,输出所述猪只的采食量,进一步包括:
将所述猪只的采食状态、猪舍的环境参数和所述猪只的日龄信息输入至预设的猪只采食量预测模型,输出所述猪只的采食量;
其中,所述预设的猪只采食量预测模型是以猪只日龄信息样本数据、猪舍环境参数样本数据和猪只采食信息样本数据作为第三训练集,以与所述第三训练集对应的猪只采食量作为标签,进行训练获得。
本发明实施例还提供一种电子设备,包括:
至少一个处理器、至少一个存储器、通信接口和通信总线;其中,
所述处理器、存储器、通信接口通过所述通信总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令,以执行如上述所述的方法。
本发明实施例还提供一种猪只采食行为预测装置,包括采食装置以及如上述所述的电子设备,所述采食装置包括多个间隔设置的限位栏,相邻两个所述限位栏之间构成猪只采食区域,每个所述猪只采食区域内均安装有一个采食设备;所述采食设备包括采食槽以及安装在所述采食槽的上方的摄像头,所述摄像头用于获取所述猪只在所述采食装置内的图像;所述摄像头电连接于所述电子设备。
其中,所述采食槽的上方安装有挡板,所述挡板所在的平面与所述采食槽的槽口所在的平面之间的夹角为20°~60°。
本发明实施例提供的猪只采食行为预测方法及装置,在对猪只采食行为进行预测时,通过建立猪只行为判别模型,该模型在以猪只图像样本数据作为第一训练集,以与猪只图像样本数据对应的猪只采食状态作为标签,并进行训练后,具备了对猪只行为进行预测的功能,从而在将猪只在采食装置内的图像输入该模型时,可输出猪只采食状态结果。该方法实现了以量化方式预测猪只采食行为,确保了预测结果的可靠性和准确性,确保了预测结果的可靠性和准确性,在不影响动物福利的情况下,准确预测和记录猪只的采食行为,可以更好的控制猪只的采食量,提高生产效率。
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一简单地介绍,显而易见地,下面描述中的附图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是本发明实施例中的一种猪只采食行为预测方法的流程示意图;
图2是本发明实施例中的另一种猪只采食行为预测方法的流程示意图;
图3是本发明实施例中的一种电子设备的结构示意图;
图4是本发明实施例中的一种猪只采食行为预测装置的结构示意图;
图5是本发明实施例中的采食设备的结构示意图;
附图标记说明:
1、限位栏; 2、采食设备; 3、采食槽;
4、摄像头; 5、挡板; 6、料线;
7、电子设备; 71、处理器; 72、存储器;
73、通信总线; 74、通信接口; 8、数据线;
9、猪只; 10、采食装置。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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做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。
如图1和图4所示,本发明实施例提供的一种猪只采食行为预测方法,包括:
步骤100:获取猪只9在采食装置10内的图像。
具体地,可以通过摄像头4拍摄猪只9在采食装置10内的图像,每头猪只9分别对应一个摄像头4,以实现在一个时间段内对同一猪只9进行连续的图像获取。采食装置10可以利用各种现有的采食装置,本实施例中以通过限位栏1分隔出多个猪只采食区域的采食装置10为例进行说明,每个猪只采食区域仅可容纳一头猪只9进食,且每个猪只采食区域内均设置一个带有摄像头4的采食设备2,摄像头4可以拍摄到猪只9的正面图像,通过摄像头4可以拍摄到猪只9的整个进食过程,包括猪只9从外面进入猪只采食区域内并靠近采食设备2的图像,以及猪只9在采食设备2的采食口进行观察的图像,以及猪只9的嘴部伸入采食设备2的图像,以及猪只9采食完毕离开采食设备2的图像等等。
步骤200:将猪只9的图像输入至预设的猪只行为判别模型,输出猪只采食状态结果。其中,预设的猪只行为判别模型是以猪只图像样本数据作为第一训练集,以与猪只图像样本数据对应的猪只采食状态作为标签,进行训练获得。
本实施例提供的一种猪只采食行为预测方法,在对猪只采食行为进行预测时,通过建立猪只行为判别模型,该模型在以猪只图像样本数据作为第一训练集,以与猪只图像样本数据对应的猪只采食状态作为标签,并进行训练后,具备了对猪只行为进行预测的功能,从而在将猪只在采食装置内的图像输入该模型时,可输出猪只采食状态结果。该方法实现了以量化方式预测猪只采食行为,确保了预测结果的可靠性和准确性,确保了预测结果的可靠性和准确性,在不影响动物福利的情况下,准确预测和记录猪只的采食行为,可以更好的控制猪只的采食量,提高生产效率。
在上述实施例的基础上,预设的猪只行为判别模型的获得方法,进一步包括:
首先,选定一定数量的猪只9在采食装置10内的图像作为第一训练集,其中包括猪只9嘴部伸入采食设备2的图像、猪只9在采食设备2外的图像及猪只9在采食口观察的图像。其中猪只9在采食设备2外的图像表示的是猪只9距离采食设备2一定距离的图像,其可以是猪只9在采食之前靠近采食设备2的图像,或者是猪只9在采食完毕之后远离采食设备2的图像。同时,猪只9在采食口观察的图像表示的是猪只9已经位于采食设备2处,但是猪只9的头部或者嘴部并未伸入采食设备2中,因而当前猪只9可以是在进行采食前的观察,或者是刚刚采食完毕抬起头部远离采食设备2。
然后,通过运用卷积神经网络模型对猪只图像样本数据进行分类,标记猪只9嘴部伸入采食设备2的图像为进行一次采食,标记猪只9在采食设备2外的图像及猪只9在采食口观察的图像为未进行采食,获得预设的猪只行为判别模型。
具体地,卷积神经网络模型可以为谷歌Inception-V3卷积神经网络模型,将通过将猪只采食相关图像做好分类并导入谷歌Inception-V3卷积神经网络模型对猪只采食进行识别。Inception-V3卷积神经网络模型有6个卷积层,2个池化层,3个Inception模块组。
进一步地,在本发明实施例中由于随着猪只9的生长(尤其是育肥猪),猪只9的采食习惯会有变化,因而每间隔一段时间即对预设的猪只行为判别模型进行重新训练,保证猪只9生长过程中预测及识别的准确性。间隔时间的长短可以根据猪只9的种类和生长阶段进行选择,可以为一周或者一个月等等,此处不做限制。更进一步地,本实施例还可以采用迁移学习结合Inception-V3模型对猪只行为判别模型进行训练,因而当重新训练模型所需的间隔时间较短,导致第一训练集内的图片数量有限时,仍然可以在节约时间成本及数据量较低的情况下,得到准确的猪只行为判别模型。
更进一步地,还可以利用另外一批的猪只图像样本数据作为验证集,以与验证集对应的猪只采食状态作为标签,对建立完成的猪只行为判别模型进行评估,然后基于评估结果对模型进行优化。
在上述实施例的基础上,如图2所示,在步骤200之后,还包括:
步骤300:基于猪只9的图像,得到猪只的日龄信息。
步骤400:将猪只9的采食状态和猪只9的日龄信息输入至预设的猪只采食量预测模型,输出猪只9的采食量。其中,预设的猪只采食量预测模型是以猪只日龄信息样本数据和猪只采食信息样本数据作为第二训练集,以与第二训练集对应的猪只采食量作为标签,进行训练获得。
具体地,可以通过在采食槽3的下方安装第一重量传感器来直接对猪只9的采食量进行记录,以获得第二训练集中的猪只采食量数据。也可以通过在猪只采食区域的下方安装第二重量传感器来获得猪只9的体重变化,间接获取猪只9的采食量数据。通过将猪只日龄信息样本数据、猪只采食信息样本数据和猪只采食量标签导入神经网络算法中,可以训练获得猪只采食量预测模型。其中,猪只采食信息样本数据和猪只采食量数据包括但不限于各个极值点、拐点及最大值点。
更具体地,该神经网络算法可以为BP(Back Propagation)神经网络算法,还可以结合迁移学习。通过BP神经网络算法对猪只9的采食量进行学习及预测,可以了解猪只9的采食量。
在上述实施例的基础上,步骤300进一步包括:
步骤301:基于猪只9的图像,识别出猪只9的身份ID。
具体地,从采集到的猪只9的图像中获取猪只9的脸部图像,然后将猪只9的脸部图像输入猪脸识别系统或者装置,识别出猪只9的身份ID。其中猪脸识别系统或者装置均为现有技术,例如可以采用广州影子公司提供的猪脸识别系统(可参考公开号CN108363990A),或者采用中国农业大学提供的猪脸识别系统(可参考公开号CN110222630A),或者其他现有的猪脸识别系统,此处不再赘述。
步骤302:将猪只9的身份ID输入预存的养殖场数据库,获取猪只9的日龄信息。其中,养殖场数据库存储了每个猪只9的身份ID以及其对应的日龄信息,每个猪只9都有其唯一确定的身份ID和日龄信息,且养殖场数据库随着猪只9的流通不断更新。
在上述实施例的基础上,步骤400进一步包括:
步骤410:基于猪只9的采食状态,以猪只9的采食状态为进行一次采食时开始计时,直到识别猪只9的采食状态为未进行采食时停止计时,得到猪只9的采食时间。基于猪只9的采食状态获得的猪只9的采食时间为计算采食时间。
步骤420:将猪只9的采食时间和猪只9的日龄信息输入至预设的猪只采食量预测模型,输出猪只9的采食量。其中,猪只采食信息样本数据包括猪只采食时间。
具体地,建立预测模型时使用的猪只采食时间可以为摄像头4采集到的猪只采食时间,该时间为实测采食时间,同时该实测采食时间可以用于对预测模型进行优化和校准。
在上述实施例的基础上,步骤410进一步包括:
步骤411:基于猪只9的采食状态,以当日猪只9的采食状态为进行一次采食的次数作为猪只9的采食次数;以猪只9的采食状态为未进行采食时开始计时,直到识别猪只9的采食状态为进行一次采食时停止计时,得到猪只9的采食间隔时间;
步骤421:将猪只9的采食时间、猪只9的采食次数、猪只9的采食间隔时间和猪只9的日龄信息输入至预设的猪只采食量预测模型,输出猪只的采食量。其中,猪只采食信息样本数据包括猪只采食时间、猪只采食次数和猪只采食间隔时间。
在上述实施例的基础上,步骤420进一步包括:
步骤422:将猪只9的采食状态、猪舍的环境参数和猪只9的日龄信息输入至预设的猪只采食量预测模型,输出猪只9的采食量;其中,预设的猪只采食量预测模型是以猪只日龄信息样本数据、猪舍环境参数样本数据和猪只采食信息样本数据作为第三训练集,以与第三训练集对应的猪只采食量作为标签,进行训练获得。猪只采食信息样本数据可以包括猪只采食时间、猪只采食次数和猪只采食间隔时间。猪舍环境参数样本数据包括但不限于猪舍的温度和湿度,可以通过温湿度传感器来获取猪舍环境数据。
如图3所示,本发明实施例还提供一种电子设备7,包括:
至少一个处理器(Processor)71、至少一个存储器(memory)72、通信接口(Communications Interface)74和通信总线73;其中,处理器71、存储器72、通信接口74通过通信总线73完成相互间的通信;
存储器72存储有可被处理器执行的程序指令,处理器71调用程序指令,以执行如上述的方法。
处理器71可以调用存储器72中的逻辑指令,以执行如下方法:获取猪只在采食装置内的图像;将猪只的图像输入至预设的猪只行为判别模型,输出猪只的采食状态结果。
此外,上述的存储器72中的逻辑指令可以通过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,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明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中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在上述实施例的基础上,存储器72内还存储有美国NRC协会发布的猪只标准采食参数数据库,通过将猪只9的采食时间、猪只9的采食次数、猪只9的采食量、猪只9的采食间隔时间和猪只9的日龄信息与该猪只标准采食参数数据库种的相应参数进行对比分析,可以形成猪只采食行为分析报告。
在上述实施例的基础上,电子设备7还安装了图像采集及分析软件,能够实时处理来自摄像头4采集的图像数据。
如图4和图5所示,本发明实施例还提供一种猪只采食行为预测装置,包括采食装置10以及如上述的电子设备7,采食装置10包括多个间隔设置的限位栏1,相邻两个限位栏1之间构成猪只采食区域,每个猪只采食区域内均安装有一个采食设备2。采食设备2包括采食槽3以及安装在采食槽3的上方的摄像头4,摄像头4用于获取猪只9在采食装置10内的图像。摄像头4电连接于电子设备7。
具体地,限位栏1可以由304不锈钢制成,其作用是分隔出多个猪只采食区域,确保一次只有一头猪进入一个猪只采食区域。采食设备2包括一个立式的壳体,壳体的下部设置有采食槽3,壳体的内部中空且朝向猪只采食区域的一侧开设有采食口,便于猪只9将头部伸入,以实现采食。壳体的上部用于安装电子设备7。壳体的内部沿垂直方向设置有料线6,料线6的底端伸入采食槽3,料线6的顶端从壳体的顶端伸出,饲养人员可以从料线6的顶端开口中向采食槽3内补充饲料。
摄像头4安装在采食槽3的上方,且摄像头4可以同时拍摄到采食槽3和采食设备2前方的猪只采食区域的图像。摄像头4的镜头可调节角度,也可以固定角度。摄像头4可以采用工业级红外940高清摄像头,摄像头4可以通过数据线8,例如USB延长线,连接至电子设备7。当采食设备2为多个时,多个采食设备2可以同时连接至一个电子设备7,电子设备7可以通过USB延长线和USB拓展坞与各采食设备2的工业级红外940工业级高清摄像头进行连接。更具体地,每个采食设备2内都安装有补光灯,可以证夜间也能对猪只图像进行清晰拍摄。
在上述实施例的基础上,如图4和图5所示,采食槽3的上方安装有挡板5,挡板5所在的平面与采食槽3的槽口所在的平面之间的夹角为20°~60°。具体地,挡板5可以由PVC板制成,其作用是固定摄像头4,方便猪只图像的拍摄。在一个具体的实施例中,该夹角为45°,摄像头4安装在采食槽3斜上方的45°挡板5上,因而可以良好地采集猪只的面部图像和采食图像。
以上所描述的装置实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
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各实施方式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。基于这样的理解,上述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,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
通过以上实施例可以看出,本发明提供的猪只采食行为预测方法及装置,在对猪只采食行为进行预测时,通过建立猪只行为判别模型,该模型在以猪只图像样本数据作为第一训练集,以与猪只图像样本数据对应的猪只采食状态作为标签,并进行训练后,具备了对猪只行为进行预测的功能,从而在将猪只在采食装置内的图像输入该模型时,可输出猪只采食状态结果。该方法实现了以量化方式预测猪只采食行为,确保了预测结果的可靠性和准确性,确保了预测结果的可靠性和准确性,在不影响动物福利的情况下,准确预测和记录猪只的采食行为,可以更好的控制猪只的采食量,提高生产效率。
本发明提供的猪只采食行为预测方法及装置,利用图像技术可以实时预测群养条件下猪只个体的采食时间、采食间隔和采食量,可以形成猪只个体采食行为分析报告,进而指导生产,对饲料配比、饲养管理及生产设施及时作出改进。与传统方法相比,本实施例中的猪只采食行为预测装置结构简单、实用、制造成本较低且维护方便,可以在满足数据精度的基础上大大降低投资成本。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种猪只采食行为预测方法,其特征在于,包括:
获取猪只在采食装置内的图像;
将所述猪只的图像输入至预设的猪只行为判别模型,输出所述猪只的采食状态结果;
其中,所述预设的猪只行为判别模型是以猪只图像样本数据作为第一训练集,以与所述猪只图像样本数据对应的猪只采食状态作为标签,进行训练获得。
2.根据权利要求1所述的猪只采食行为预测方法,其特征在于,所述预设的猪只行为判别模型是以猪只图像样本数据作为第一训练集,以与所述猪只图像样本数据对应的猪只采食状态作为标签,进行训练获得,进一步包括:
所述猪只图像样本数据包括猪只嘴部伸入采食设备的图像、猪只在采食设备外的图像及猪只在采食口观察的图像;
通过运用卷积神经网络模型对所述猪只图像样本数据进行分类,标记所述猪只嘴部伸入采食设备的图像为进行一次采食,标记所述猪只在采食设备外的图像及所述猪只在采食口观察的图像为未进行采食,获得所述预设的猪只行为判别模型。
3.根据权利要求2所述的猪只采食行为预测方法,其特征在于,在所述将所述猪只的图像输入至预设的猪只行为判别模型,输出所述猪只采食状态结果之后,还包括:
基于所述猪只的图像,得到所述猪只的日龄信息;
将所述猪只的采食状态和所述猪只的日龄信息输入至预设的猪只采食量预测模型,输出所述猪只的采食量;
其中,所述预设的猪只采食量预测模型是以猪只日龄信息样本数据和猪只采食信息样本数据作为第二训练集,以与所述第二训练集对应的猪只采食量作为标签,进行训练获得。
4.根据权利要求3所述的猪只采食行为预测方法,其特征在于,所述基于所述猪只的图像,得到所述猪只的日龄信息,进一步包括:
基于所述猪只的图像,识别出所述猪只的身份ID;
将所述猪只的身份ID输入预存的养殖场数据库,获取所述猪只的日龄信息。
5.根据权利要求3所述的猪只采食行为预测方法,其特征在于,所述将所述猪只的采食状态和所述猪只的日龄信息输入至预设的猪只采食量预测模型,输出所述猪只的采食量,进一步包括:
基于所述猪只的采食状态,以所述猪只的采食状态为进行一次采食时开始计时,直到识别所述猪只的采食状态为未进行采食时停止计时,得到所述猪只的采食时间;
将所述猪只的采食时间和所述猪只的日龄信息输入至预设的猪只采食量预测模型,输出所述猪只的采食量;
其中,所述猪只采食信息样本数据包括猪只采食时间。
6.根据权利要求5所述的猪只采食行为预测方法,其特征在于,所述将所述猪只的采食状态和所述猪只的日龄信息输入至预设的猪只采食量预测模型,输出所述猪只的采食量,进一步包括:
基于所述猪只的采食状态,以当日所述猪只的采食状态为进行一次采食的次数作为所述猪只的采食次数;以所述猪只的采食状态为未进行采食时开始计时,直到识别所述猪只的采食状态为进行一次采食时停止计时,得到所述猪只的采食间隔时间;
将所述猪只的采食时间、所述猪只的采食次数、所述猪只的采食间隔时间和所述猪只的日龄信息输入至预设的猪只采食量预测模型,输出所述猪只的采食量;
其中,所述猪只采食信息样本数据包括猪只采食时间、猪只采食次数和猪只采食间隔时间。
7.根据权利要求6所述的猪只采食行为预测方法,其特征在于,所述将所述猪只的采食状态和所述猪只的日龄信息输入至预设的猪只采食量预测模型,输出所述猪只的采食量,进一步包括:
将所述猪只的采食状态、猪舍的环境参数和所述猪只的日龄信息输入至预设的猪只采食量预测模型,输出所述猪只的采食量;
其中,所述预设的猪只采食量预测模型是以猪只日龄信息样本数据、猪舍环境参数样本数据和猪只采食信息样本数据作为第三训练集,以与所述第三训练集对应的猪只采食量作为标签,进行训练获得。
8.一种电子设备,其特征在于,包括:
至少一个处理器、至少一个存储器、通信接口和通信总线;其中,
所述处理器、存储器、通信接口通过所述通信总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令,以执行如权利要求1至7中任一项所述的方法。
9.一种猪只采食行为预测装置,其特征在于,包括采食装置以及如权利要求8所述的电子设备,所述采食装置包括多个间隔设置的限位栏,相邻两个所述限位栏之间构成猪只采食区域,每个所述猪只采食区域内均安装有一个采食设备;所述采食设备包括采食槽以及安装在所述采食槽的上方的摄像头,所述摄像头用于获取猪只在所述采食装置内的图像;所述摄像头电连接于所述电子设备。
10.根据权利要求9所述的猪只采食行为预测装置,其特征在于,所述采食槽的上方安装有挡板,所述挡板所在的平面与所述采食槽的槽口所在的平面之间的夹角为20°~60°。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010072364.6A CN111274975A (zh) | 2020-01-21 | 2020-01-21 | 猪只采食行为预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010072364.6A CN111274975A (zh) | 2020-01-21 | 2020-01-21 | 猪只采食行为预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111274975A true CN111274975A (zh) | 2020-06-12 |
Family
ID=71001889
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010072364.6A Pending CN111274975A (zh) | 2020-01-21 | 2020-01-21 | 猪只采食行为预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111274975A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112468733A (zh) * | 2020-12-14 | 2021-03-09 | 河南牧业经济学院 | 自然状态猪脸图像获取方法及系统 |
CN113283363A (zh) * | 2021-06-04 | 2021-08-20 | 重庆市畜牧科学院 | 猪只视频数据采集和基于视觉ai的猪只行为评测方法 |
CN115226644A (zh) * | 2022-08-05 | 2022-10-25 | 中国农业大学 | 一种猪只分群饲喂管理装置和系统 |
CN115359050A (zh) * | 2022-10-19 | 2022-11-18 | 正大农业科学研究有限公司 | 家畜采食量异常检测方法及装置 |
CN117633698A (zh) * | 2024-01-26 | 2024-03-01 | 正大农业科学研究有限公司 | 基于养殖信息的家畜采食量监测方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107148920A (zh) * | 2017-04-24 | 2017-09-12 | 珠海智牧互联科技有限公司 | 一种猪只健康智能监测方法及其系统 |
CN108508782A (zh) * | 2018-01-29 | 2018-09-07 | 江苏大学 | 基于arm的猪只行为跟踪识别监控装置及方法 |
CN109658414A (zh) * | 2018-12-13 | 2019-04-19 | 北京小龙潜行科技有限公司 | 一种猪只的智能盘点方法及装置 |
CA3093190A1 (en) * | 2018-03-13 | 2019-09-19 | Growsafe Systems Ltd. | System and method for determining animal behavioral phenotypes |
-
2020
- 2020-01-21 CN CN202010072364.6A patent/CN111274975A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107148920A (zh) * | 2017-04-24 | 2017-09-12 | 珠海智牧互联科技有限公司 | 一种猪只健康智能监测方法及其系统 |
CN108508782A (zh) * | 2018-01-29 | 2018-09-07 | 江苏大学 | 基于arm的猪只行为跟踪识别监控装置及方法 |
CA3093190A1 (en) * | 2018-03-13 | 2019-09-19 | Growsafe Systems Ltd. | System and method for determining animal behavioral phenotypes |
CN109658414A (zh) * | 2018-12-13 | 2019-04-19 | 北京小龙潜行科技有限公司 | 一种猪只的智能盘点方法及装置 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112468733A (zh) * | 2020-12-14 | 2021-03-09 | 河南牧业经济学院 | 自然状态猪脸图像获取方法及系统 |
CN113283363A (zh) * | 2021-06-04 | 2021-08-20 | 重庆市畜牧科学院 | 猪只视频数据采集和基于视觉ai的猪只行为评测方法 |
CN115226644A (zh) * | 2022-08-05 | 2022-10-25 | 中国农业大学 | 一种猪只分群饲喂管理装置和系统 |
CN115359050A (zh) * | 2022-10-19 | 2022-11-18 | 正大农业科学研究有限公司 | 家畜采食量异常检测方法及装置 |
CN115359050B (zh) * | 2022-10-19 | 2023-02-28 | 正大农业科学研究有限公司 | 家畜采食量异常检测方法及装置 |
CN117633698A (zh) * | 2024-01-26 | 2024-03-01 | 正大农业科学研究有限公司 | 基于养殖信息的家畜采食量监测方法和装置 |
CN117633698B (zh) * | 2024-01-26 | 2024-04-26 | 正大农业科学研究有限公司 | 基于养殖信息的家畜采食量监测方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111274975A (zh) | 猪只采食行为预测方法及装置 | |
CN109618961B (zh) | 一种家畜的智能投喂系统和方法 | |
CN108875647B (zh) | 一种基于牲畜身份的移动轨迹监测方法和系统 | |
CN110547210B (zh) | 饲料供给方法及系统、计算机系统、存储介质 | |
MX2015006775A (es) | Sistemas y metodos para pronosticar una consecuencia clinica del estado de un sujeto. | |
CN110991222B (zh) | 一种物体状态监测、母猪发情监测方法、装置及系统 | |
CN114167922B (zh) | 一种基于多传感器数据采集的农牧智能分析的方法及系统 | |
CN112000051A (zh) | 一种基于物联网的畜牧养殖管理系统 | |
CN108829762B (zh) | 基于视觉的小目标识别方法和装置 | |
CN103250651B (zh) | 一种智能化妊娠母猪饲养管理系统 | |
CN113040088A (zh) | 水产养殖精准增氧方法、终端设备及可读存储介质 | |
CN112906734A (zh) | 牲畜智能选种方法、装置、计算机设备和存储介质 | |
CN114994299A (zh) | 反刍动物碳排放气体检测方法、装置及系统 | |
CN111260895A (zh) | 报警信息的发送方法及装置、存储介质和电子装置 | |
CN113516139A (zh) | 数据处理方法、装置、设备和存储介质 | |
CN117063868A (zh) | 一种鱼池智能投喂方法 | |
CN110779575A (zh) | 一种基于大数据平台的畜牧业监测系统 | |
CN115759789A (zh) | 一种基于ai算法的智慧养殖智能管理系统 | |
CN114065801B (zh) | 基于神经网络模型的土壤监测方法、系统和可读存储介质 | |
WO2023041904A1 (en) | Systems and methods for the automated monitoring of animal physiological conditions and for the prediction of animal phenotypes and health outcomes | |
CN115619823A (zh) | 一种物体投放方法、装置、终端及计算机可读存储介质 | |
CN210244384U (zh) | 一种猪脸的识别装置 | |
CN113989538A (zh) | 基于深度图像的鸡群均匀度估测方法、装置、系统及介质 | |
CN117745036B (zh) | 一种基于特征识别及近场通信的牲畜信息管理方法及系统 | |
Bastiaansen et al. | Continuous real-time cow identification by reading ear tags from live-stream video |
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 |