CN111339850A - 一种基于支撑时相的奶牛跛行检测方法与系统 - Google Patents
一种基于支撑时相的奶牛跛行检测方法与系统 Download PDFInfo
- Publication number
- CN111339850A CN111339850A CN202010092952.6A CN202010092952A CN111339850A CN 111339850 A CN111339850 A CN 111339850A CN 202010092952 A CN202010092952 A CN 202010092952A CN 111339850 A CN111339850 A CN 111339850A
- Authority
- CN
- China
- Prior art keywords
- cow
- lameness
- time phase
- classification
- speed
- 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
- 208000030175 lameness Diseases 0.000 title claims abstract description 251
- 238000001514 detection method Methods 0.000 title claims abstract description 81
- 210000000003 hoof Anatomy 0.000 claims abstract description 71
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000007635 classification algorithm Methods 0.000 claims abstract description 14
- 235000013365 dairy product Nutrition 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000009432 framing Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 abstract description 11
- 241000283690 Bos taurus Species 0.000 description 297
- 238000005516 engineering process Methods 0.000 description 6
- 239000008267 milk Substances 0.000 description 6
- 235000013336 milk Nutrition 0.000 description 6
- 210000004080 milk Anatomy 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000009395 breeding Methods 0.000 description 3
- 230000001488 breeding effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000005021 gait Effects 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000001850 reproductive effect Effects 0.000 description 1
- 238000010187 selection method 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
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
- A01K29/00—Other apparatus for animal husbandry
- A01K29/005—Monitoring or measuring activity, e.g. detecting heat or mating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Environmental Sciences (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Biophysics (AREA)
- Animal Husbandry (AREA)
- Biodiversity & Conservation Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种基于支撑时相的奶牛跛行检测方法与系统。该方法包括:采集奶牛行走视频,从所述奶牛行走视频中提取奶牛牛蹄移动影像;基于所述奶牛牛蹄移动影像计算支撑时相集合;采用基于所述支撑时相集合的奶牛跛行分类算法,对奶牛跛行进行检测和分类,得到奶牛跛行分类结果;基于奶牛跛行分类结果,检测已存在跛行奶牛的单条牛腿,得到跛行腿检测结果。本发明实施例通过采用自主设计的基于支撑时相的跛行检测算法,旨在内部比较奶牛四只牛腿在行走过程中的差异,用于奶牛跛行检测,有效地减少常规跛行检测方法中个体特异性的影响,提高计算机视觉奶牛跛行检测和分类精度,并实现了跛行腿的检测。
Description
技术领域
本发明涉及养殖信息化技术领域,尤其涉及一种基于支撑时相的奶牛跛行检测方法与系统。
背景技术
在奶牛养殖业中,奶牛跛行不仅影响奶牛产奶量,降低奶牛生活福利,还会导致繁殖能力下降,提高淘汰率,美国高盛研究报告《人工智能与精准农业》中显示,奶牛平均跛行率为23.5%,每年造成经经济损失110亿美元。因此对跛行奶牛的及时、准确检测,可以及时对跛行奶牛进行治疗,减少奶牛病痛与经济损失。
早期的奶牛跛行检测以养殖者人眼观察为主,这种方式主要可以检测重度跛行奶牛,但是对于重度跛行的奶牛,通常足够没有时间得到治疗。计算机视觉奶牛跛行检测技术通过摄像机对奶牛行走视频进行收集,并通过计算机中的图像处理技术对奶牛运动中的行为特征进行提取,最后通过检测算法对奶牛是否跛行以及跛行程度进行判断。近些年来,电子技术越来越多的应用于乳制品行业,计算机视觉技术由于其价格适中、非接触信息获取方法,并且图像获取后检测算法更贴近于已有成熟研究的评分系统,所以适用于奶牛跛行检测,利用计算机视觉检测奶牛跛行技术被广泛的研究。
目前,基于计算机视觉的奶牛跛行检测方法主要以计算奶牛行走时的弓背曲率为主,通过对视频中的奶牛图像进行提取,利用奶牛臀部到颈部圆拟合实现奶牛行走时背部姿态的提取,基于背部曲率值,计算出代表单头母牛跛行状态的分数。其他方法包括轨迹重叠检测方法,即健康奶牛行走过程中,后蹄应超过前蹄位置,利用可见光相机收集奶牛在通道中行走视频,从图像中利用图像处理技术提取了奶牛牛蹄落地位置,对奶牛跛行进行检测。以及利用奶牛头部、颈部和背部连接线斜率,对奶牛跛行程度进行判断等方法。
而奶牛是复杂的、存在个体差异的、时变的系统,不同的奶牛大小不同,跛行后特征表现不同,因此常规的计算机视觉奶牛跛行检测方法受奶牛个体特异性影响。并且现有的方法仅能检测奶牛是否跛行,对跛行程度进行分级,无法检测造成跛行的牛腿(跛行腿),无法满足养殖场检测需要。
发明内容
本发明实施例提供一种基于支撑时相的奶牛跛行检测方法与系统,用以解决现有技术中对奶牛跛行的测量不够精确,且检测结果无法精确到具体牛腿的问题。
第一方面,本发明实施例提供一种基于支撑时相的奶牛跛行检测方法,包括:
采集奶牛行走视频,从所述奶牛行走视频中提取奶牛牛蹄移动影像;
基于所述奶牛牛蹄移动影像计算支撑时相集合;
采用基于所述支撑时相集合的奶牛跛行分类算法,对奶牛跛行进行检测和分类,得到奶牛跛行分类结果;
基于奶牛跛行分类结果,检测已存在跛行奶牛的单条牛腿,得到跛行腿检测结果。
优选地,所述采集奶牛行走视频,从所述奶牛行走视频中提取奶牛牛蹄移动影像,具体包括:
通过视频采集设备对所述奶牛行走视频进行采集;
通过视频分帧和图像处理对所述奶牛行走视频中的奶牛牛蹄进行跟踪定位,提取所述奶牛牛蹄移动影像。
优选地,所述基于所述奶牛牛蹄移动影像计算支撑时相集合,具体包括:
通过所述奶牛牛蹄移动影像,获取奶牛单个牛蹄抬起时间和奶牛单个牛蹄落地时间;
用所述奶牛单个牛蹄抬起时间减去所述奶牛单个牛蹄落地时间,得到奶牛单个牛蹄支撑时相;
依次获取奶牛四个牛蹄的奶牛单个牛蹄支撑时相集合,得到所述支撑时相集合。
优选地,所述采用基于所述支撑时相集合的奶牛跛行分类算法,对奶牛跛行进行检测和分类,得到奶牛跛行分类结果,具体包括:
在所述支撑时相集合中获取最大支撑时相和最小支撑时相,并设定第一速度分类阈值和第二速度分类阈值,其中所述第一速度分类阈值小于所述第二速度分类阈值;
将所述最大支撑时相与所述第一速度分类阈值和所述第二速度分类阈值进行比较,得到奶牛行走速度分类结果;
用所述最大支撑时相减去所述最小支撑时相,得到支撑时相差值;
设定第一跛行分类阈值和第二跛行分类阈值,其中所述第一跛行分类阈值小于所述第二跛行分类阈值;
基于所述第一跛行分类阈值和所述第二跛行分类阈值,对所述奶牛行走速度分类结果进行跛行分类,得到所述奶牛跛行分类结果。
优选地,所述将所述最大支撑时相与所述第一速度分类阈值和所述第二速度分类阈值进行比较,得到奶牛行走速度分类结果,具体包括:
若判断获知所述最大支撑时相小于等于所述第一速度分类阈值,则判定奶牛行走速度为慢速度;
若判断获知所述最大支撑时相大于所述第一速度分类阈值,且小于所述第二速度分类阈值,则判定奶牛行走速度为中速度;
若判断获知所述最大支撑时相大于所述第二速度分类阈值,则判定奶牛行走速度为快速度。
优选地,所述基于所述第一跛行分类阈值和所述第二跛行分类阈值,对所述奶牛行走速度分类结果进行跛行分类,得到所述奶牛跛行分类结果,具体包括:
若判断获知所述支撑时相差值小于所述第一跛行分类阈值,则判定奶牛跛行特征为第一跛行类型;
若判断获知所述支撑时相差值大于等于所述第一跛行分类阈值,且小于所述第二跛行分类阈值,则判定所述奶牛跛行特征为第二跛行类型;
若判断获知所述支撑时相差值大于等于所述第二跛行分类阈值,则判定所述奶牛跛行特征为第三跛行类型。
优选地,所述基于奶牛跛行分类结果,检测已存在跛行奶牛的单条牛腿,得到跛行腿检测结果,具体包括:
提取所述奶牛跛行分类结果中判定为所述第二跛行类型和所述第三跛行类型的奶牛单条牛腿支撑时相;
将所述最大支撑时相与奶牛单条牛腿支撑时相求差,得到奶牛单条牛腿特征值;
将所述奶牛单条牛腿特征值与所述第一跛行分类阈值和所述第二跛行分类阈值进行比较,得到所述跛行腿检测结果。
第二方面,本发明实施例提供一种基于支撑时相的奶牛跛行检测系统,包括:
获取模块,用于采集奶牛行走视频,从所述奶牛行走视频中提取奶牛牛蹄移动影像;
计算模块,用于基于所述奶牛牛蹄移动影像计算支撑时相集合;
第一分类模块,用于采用基于所述支撑时相集合的奶牛跛行分类算法,对奶牛跛行进行检测和分类,得到奶牛跛行分类结果;
第二分类模块,用于基于奶牛跛行分类结果,检测已存在跛行奶牛的单条牛腿,得到跛行腿检测结果。
第三方面,本发明实施例提供一种电子设备,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,所述处理器执行所述程序时实现任一项所述基于支撑时相的奶牛跛行检测方法的步骤。
第四方面,本发明实施例提供一种非暂态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任一项所述基于支撑时相的奶牛跛行检测方法的步骤。
本发明实施例提供的基于支撑时相的奶牛跛行检测方法与系统,通过采用自主设计的基于支撑时相的跛行检测算法,旨在内部比较奶牛四只牛腿在行走过程中的差异,用于奶牛跛行检测,有效地减少常规跛行检测方法中个体特异性的影响,提高计算机视觉奶牛跛行检测和分类精度,并实现了跛行腿的检测。
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为本发明实施例提供的一种基于支撑时相的奶牛跛行检测方法流程图;
图2为本发明实施例提供的一种基于支撑时相的奶牛跛行检测系统结构图;
图3为本发明实施例提供的电子设备的结构框图。
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。
本发明实施例公开了一种基于支撑时相的奶牛跛行检测方法,属于精准农业中的畜禽高效安全养殖信息化技术领域。方法包含以下步骤:利用可见光相机获取奶牛自然行走视频;通过图像处理对奶牛牛蹄图像进行定位和提取,获取奶牛四只牛蹄的支撑时相;通过支撑时相跛行检测算法对奶牛是否跛行、跛行严重程度和跛行腿进行判断。常规的计算机视觉奶牛跛行检测方法中,以每头奶牛整体为单位,计算奶牛弓背曲率、步态等特征,利用统一阈值进行跛行判断。这种方法简单、明确,但由于奶牛存在个体特异性,统一的阈值对整体奶牛判断,容易造成较大误差。并且以奶牛为检测单位,无法将检测具体到每只牛腿,无法判断跛行奶牛不健康的、造成跛行的牛腿。通过支撑时相进行跛行检测,是以奶牛牛腿为单位,每只奶牛内部特征之间的比较,可以较好的消除因奶牛个体不同而存在特异性的影响。本发明减少了计算机视觉奶牛跛行检测奶牛个体特异性影响,可以实现对跛行奶牛的检测和分类,以及跛行腿的检测,研究成果对提高计算机视觉奶牛跛行检测的精度、推动产业化发展有着重要意义。
图1为本发明实施例提供的一种基于支撑时相的奶牛跛行检测方法流程图,如图1所示,包括:
S1,采集奶牛行走视频,从所述奶牛行走视频中提取奶牛牛蹄移动影像;
具体地,在奶牛场采集大量的奶牛行走视频,再从这些视频中提取奶牛牛蹄的移动影像数据;
S2,基于所述奶牛牛蹄移动影像计算支撑时相集合;
通过图像中定位牛蹄对支撑时相进行计算;
S3,采用基于所述支撑时相集合的奶牛跛行分类算法,对奶牛跛行进行检测和分类,得到奶牛跛行分类结果;
通过奶牛支撑时相对奶牛跛行进行检测与分类,根据对数据的分析,本发明实施例提出一种基于支撑时相的奶牛跛行分类算法,对所有奶牛的跛行程度进行检测,并分类;
S4,基于奶牛跛行分类结果,检测已存在跛行奶牛的单条牛腿,得到跛行腿检测结果。
根据跛行检测分类结果,将进一步对已经存在跛行的奶牛的牛腿进行检测,判断具体的跛腿情况。
本发明通过采用自主设计的基于支撑时相的跛行检测算法,旨在内部比较奶牛四只牛腿在行走过程中的差异,用于奶牛跛行检测,有效地减少常规跛行检测方法中个体特异性的影响,提高计算机视觉奶牛跛行检测和分类精度,并实现了跛行腿的检测。
基于上述实施例,所述采集奶牛行走视频,从所述奶牛行走视频中提取奶牛牛蹄移动影像,具体包括:
通过视频采集设备对所述奶牛行走视频进行采集;
通过视频分帧和图像处理对所述奶牛行走视频中的奶牛牛蹄进行跟踪定位,提取所述奶牛牛蹄移动影像。
具体地,利用视频采集设备,例如可见光相机对奶牛自然行走视频进行采集,通过视频分帧、图像处理等方法对奶牛牛蹄进行跟踪定位。
基于上述任一实施例,所述基于所述奶牛牛蹄移动影像计算支撑时相集合,具体包括:
通过所述奶牛牛蹄移动影像,获取奶牛单个牛蹄抬起时间和奶牛单个牛蹄落地时间;
用所述奶牛单个牛蹄抬起时间减去所述奶牛单个牛蹄落地时间,得到奶牛单个牛蹄支撑时相;
依次获取奶牛四个牛蹄的奶牛单个牛蹄支撑时相集合,得到所述支撑时相集合。
具体地,通过图像中定位牛蹄对支撑时相进行计算。支撑时相为奶牛行走时牛蹄着地不动时间,计算公式为:牛蹄支撑时相=牛蹄抬起时间-牛蹄落地时间,分别得到一只奶牛四个牛蹄支撑时相。
基于上述任一实施例,所述采用基于所述支撑时相集合的奶牛跛行分类算法,对奶牛跛行进行检测和分类,得到奶牛跛行分类结果,具体包括:
在所述支撑时相集合中获取最大支撑时相和最小支撑时相,并设定第一速度分类阈值和第二速度分类阈值,其中所述第一速度分类阈值小于所述第二速度分类阈值;
将所述最大支撑时相与所述第一速度分类阈值和所述第二速度分类阈值进行比较,得到奶牛行走速度分类结果;
用所述最大支撑时相减去所述最小支撑时相,得到支撑时相差值;
设定第一跛行分类阈值和第二跛行分类阈值,其中所述第一跛行分类阈值小于所述第二跛行分类阈值;
基于所述第一跛行分类阈值和所述第二跛行分类阈值,对所述奶牛行走速度分类结果进行跛行分类,得到所述奶牛跛行分类结果。
其中,所述将所述最大支撑时相与所述第一速度分类阈值和所述第二速度分类阈值进行比较,得到奶牛行走速度分类结果,具体包括:
若判断获知所述最大支撑时相小于等于所述第一速度分类阈值,则判定奶牛行走速度为慢速度;
若判断获知所述最大支撑时相大于所述第一速度分类阈值,且小于所述第二速度分类阈值,则判定奶牛行走速度为中速度;
若判断获知所述最大支撑时相大于所述第二速度分类阈值,则判定奶牛行走速度为快速度。
其中,所述基于所述第一跛行分类阈值和所述第二跛行分类阈值,对所述奶牛行走速度分类结果进行跛行分类,得到所述奶牛跛行分类结果,具体包括:
若判断获知所述支撑时相差值小于所述第一跛行分类阈值,则判定奶牛跛行特征为第一跛行类型;
若判断获知所述支撑时相差值大于等于所述第一跛行分类阈值,且小于所述第二跛行分类阈值,则判定所述奶牛跛行特征为第二跛行类型;
若判断获知所述支撑时相差值大于等于所述第二跛行分类阈值,则判定所述奶牛跛行特征为第三跛行类型。
具体地,通过奶牛支撑时相对奶牛跛行进行检测与分类,根据对数据的分析,本发明实施例提出一种基于支撑时相的奶牛跛行分类算法:(1)检测阈值会随着奶牛移动速度变化而变化,因此先将奶牛速度分成快、中和慢三个等级;(2)利用每头奶牛四个支撑时相中最大值与最小值之差,表征奶牛跛行程度,不同速度设定不同阈值进行跛行分类。
首先先将奶牛行走速度分类,CowL={Cowi|tmaxi≤tLs},CowM={Cowi|tLs≤tmaxi<tHs},CowH={Cowi|tHs≤tmaxi},tmaxi为奶牛四个支撑时相中的最大值,tLs、tHs分别为第一速度分类阈值和第二速度分类阈值。将奶牛以速度分类后,对不同速度类别的奶牛以不同阈值进行跛行分类检测,具体公式为其中tmaxi-tmini为每头奶牛最大支撑时相与最小支撑时相之差,表示奶牛跛行特征,tH1、tH2分别为第一跛行分类阈值和第二跛行分类阈值;其中的1、2和3分别代表了第一跛行类型、第二跛行类型和第三跛行类型。
基于上述任一实施例,所述基于奶牛跛行分类结果,检测已存在跛行奶牛的单条牛腿,得到跛行腿检测结果,具体包括:
提取所述奶牛跛行分类结果中判定为所述第二跛行类型和所述第三跛行类型的奶牛单条牛腿支撑时相;
将所述最大支撑时相与奶牛单条牛腿支撑时相求差,得到奶牛单条牛腿特征值;
将所述奶牛单条牛腿特征值与所述所述第一跛行分类阈值和所述第二跛行分类阈值进行比较,得到所述跛行腿检测结果。
具体地,在已检测存在跛行的奶牛中,通过每条牛腿支撑时相与该奶牛最大支撑时相之差标记奶牛每条牛腿特征值,通过前述实施例中的tH1、tH2分类阈值对该特征值进行分类,判断该牛腿是否为跛行腿。
基于上述任一实施例,举例说明本发明实施例采用的算法是有效的。
本发明实施例中视频采集设备为Panasonic DC-GH5S数码相机,采集地点为北京延庆区大地群生养殖场,采集装置是一条长4m,宽0.8m的通道,位于挤奶室入口,奶牛通过通道进入挤奶室,相机固定于距通道5m位置,距离地面高度1m,水平放置在通道中心。
本发明实施例中的适合于计算机视觉奶牛跛行检测方法,适用于具有可容单头奶牛自然行走通道的养殖场。
本发明实施例中的适合于计算机视觉奶牛跛行检测方法的流程所述包括以下步骤:
在获取奶牛行走视频后,首先对奶牛牛蹄进行图像中的定位,可采用图像处理或深度学习方法,以采集奶牛四只牛蹄支撑时相数据,支撑时相为奶牛牛蹄落地不动到抬起的时间。
在获取奶牛行走支撑时相后,通过每头奶牛的最大支撑时相tmaxi将奶牛以速度分成快、中和慢三个等级。本次检测的速度分类阈值是通过对数据的观察分析人为设定的,tLs=0.65s,tHs=0.90s,该阈值也可根据不同养殖场奶牛行走特征进行调整。
奶牛以速度分类后,计算每头奶牛最大支撑时相与最小支撑时相差tmaxi-tmini,作为奶牛跛行检测特征。
设定奶牛跛行分类阈值,本发明实施例中采用目前奶牛跛行研究领域常用的跛行分类方法,将奶牛以跛行分成三类,为简化的五分制奶牛跛行分类方法,即1为健康奶牛,对应五分制中的1分;2为轻、中度跛行奶牛,对应五分制中的2、3分;3为重度跛行奶牛,对应五分制中的4、5分。因此设定两个分类阈值tH1、tH2,并且奶牛速度不同所用阈值不同,每个速度等级设定两个阈值,即三个速度等级设定了六个阈值。阈值选择方法,本发明实施例根据已知跛行类别奶牛进行推导,可作为参考,亦可人为设定,阈值选择如表1所示。
表1
每头奶牛的最大支撑时相与最小支撑时相差tmaxi-tmini与已选阈值对比,实现奶牛跛行的检测和分类。
计算每头奶牛每个牛腿的支撑时相与该头奶牛四个支撑时相中最大支撑时相之差,作为奶牛跛行腿检测特征,并与已选阈值对比,实现奶牛跛行腿的检测,本实例共检测奶牛25头,结果如表2所示。
表2
本发明实施例采用自主设计的基于支撑时相的跛行检测算法,旨在内部比较奶牛四只牛腿在行走过程中的差异,用于奶牛跛行检测。本发明实施例有效的减少常规跛行检测方法中个体特异性的影响,提高计算机视觉奶牛跛行检测和分类精度,并实现了跛行腿的检测。
图2为本发明实施例提供的一种基于支撑时相的奶牛跛行检测系统结构图,如图2所示,包括:获取模块21、计算模块22、第一分类模块23和第二分类模块24;其中:
获取模块21用于采集奶牛行走视频,从所述奶牛行走视频中提取奶牛牛蹄移动影像;计算模块22用于基于所述奶牛牛蹄移动影像计算支撑时相集合;第一分类模块23用于采用基于所述支撑时相集合的奶牛跛行分类算法,对奶牛跛行进行检测和分类,得到奶牛跛行分类结果;第二分类模块24用于基于奶牛跛行分类结果,检测已存在跛行奶牛的单条牛腿,得到跛行腿检测结果。
本发明实施例提供的系统用于执行上述对应的方法,其具体的实施方式与方法的实施方式一致,涉及的算法流程与对应的方法算法流程相同,此处不再赘述。
本发明通过采用自主设计的基于支撑时相的跛行检测算法,旨在内部比较奶牛四只牛腿在行走过程中的差异,用于奶牛跛行检测,有效地减少常规跛行检测方法中个体特异性的影响,提高计算机视觉奶牛跛行检测和分类精度,并实现了跛行腿的检测。
图3示例了一种电子设备的实体结构示意图,如图3所示,该电子设备可以包括:处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340,其中,处理器310,通信接口320,存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令,以执行如下方法:采集奶牛行走视频,从所述奶牛行走视频中提取奶牛牛蹄移动影像;基于所述奶牛牛蹄移动影像计算支撑时相集合;采用基于所述支撑时相集合的奶牛跛行分类算法,对奶牛跛行进行检测和分类,得到奶牛跛行分类结果;基于奶牛跛行分类结果,检测已存在跛行奶牛的单条牛腿,得到跛行腿检测结果。
此外,上述的存储器330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。
另一方面,本发明实施例还提供一种非暂态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执行上述各实施例提供的传输方法,例如包括:采集奶牛行走视频,从所述奶牛行走视频中提取奶牛牛蹄移动影像;基于所述奶牛牛蹄移动影像计算支撑时相集合;采用基于所述支撑时相集合的奶牛跛行分类算法,对奶牛跛行进行检测和分类,得到奶牛跛行分类结果;基于奶牛跛行分类结果,检测已存在跛行奶牛的单条牛腿,得到跛行腿检测结果。
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。
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)
1.一种基于支撑时相的奶牛跛行检测方法,其特征在于,包括:
采集奶牛行走视频,从所述奶牛行走视频中提取奶牛牛蹄移动影像;
基于所述奶牛牛蹄移动影像计算支撑时相集合;
采用基于所述支撑时相集合的奶牛跛行分类算法,对奶牛跛行进行检测和分类,得到奶牛跛行分类结果;
基于奶牛跛行分类结果,检测已存在跛行奶牛的单条牛腿,得到跛行腿检测结果。
2.根据权利要求1所述的基于支撑时相的奶牛跛行检测方法,其特征在于,所述采集奶牛行走视频,从所述奶牛行走视频中提取奶牛牛蹄移动影像,具体包括:
通过视频采集设备对所述奶牛行走视频进行采集;
通过视频分帧和图像处理对所述奶牛行走视频中的奶牛牛蹄进行跟踪定位,提取所述奶牛牛蹄移动影像。
3.根据权利要求1所述的基于支撑时相的奶牛跛行检测方法,其特征在于,所述基于所述奶牛牛蹄移动影像计算支撑时相集合,具体包括:
通过所述奶牛牛蹄移动影像,获取奶牛单个牛蹄抬起时间和奶牛单个牛蹄落地时间;
用所述奶牛单个牛蹄抬起时间减去所述奶牛单个牛蹄落地时间,得到奶牛单个牛蹄支撑时相;
依次获取奶牛四个牛蹄的奶牛单个牛蹄支撑时相集合,得到所述支撑时相集合。
4.根据权利要求1所述的基于支撑时相的奶牛跛行检测方法,其特征在于,所述采用基于所述支撑时相集合的奶牛跛行分类算法,对奶牛跛行进行检测和分类,得到奶牛跛行分类结果,具体包括:
在所述支撑时相集合中获取最大支撑时相和最小支撑时相,并设定第一速度分类阈值和第二速度分类阈值,其中所述第一速度分类阈值小于所述第二速度分类阈值;
将所述最大支撑时相与所述第一速度分类阈值和所述第二速度分类阈值进行比较,得到奶牛行走速度分类结果;
用所述最大支撑时相减去所述最小支撑时相,得到支撑时相差值;
设定第一跛行分类阈值和第二跛行分类阈值,其中所述第一跛行分类阈值小于所述第二跛行分类阈值;
基于所述第一跛行分类阈值和所述第二跛行分类阈值,对所述奶牛行走速度分类结果进行跛行分类,得到所述奶牛跛行分类结果。
5.根据权利要求4所述的基于支撑时相的奶牛跛行检测方法,其特征在于,所述将所述最大支撑时相与所述第一速度分类阈值和所述第二速度分类阈值进行比较,得到奶牛行走速度分类结果,具体包括:
若判断获知所述最大支撑时相小于等于所述第一速度分类阈值,则判定奶牛行走速度为慢速度;
若判断获知所述最大支撑时相大于所述第一速度分类阈值,且小于所述第二速度分类阈值,则判定奶牛行走速度为中速度;
若判断获知所述最大支撑时相大于所述第二速度分类阈值,则判定奶牛行走速度为快速度。
6.根据权利要求4所述的基于支撑时相的奶牛跛行检测方法,其特征在于,所述基于所述第一跛行分类阈值和所述第二跛行分类阈值,对所述奶牛行走速度分类结果进行跛行分类,得到所述奶牛跛行分类结果,具体包括:
若判断获知所述支撑时相差值小于所述第一跛行分类阈值,则判定奶牛跛行特征为第一跛行类型;
若判断获知所述支撑时相差值大于等于所述第一跛行分类阈值,且小于所述第二跛行分类阈值,则判定所述奶牛跛行特征为第二跛行类型;
若判断获知所述支撑时相差值大于等于所述第二跛行分类阈值,则判定所述奶牛跛行特征为第三跛行类型。
7.根据权利要求6所述的基于支撑时相的奶牛跛行检测方法,其特征在于,所述基于奶牛跛行分类结果,检测已存在跛行奶牛的单条牛腿,得到跛行腿检测结果,具体包括:
提取所述奶牛跛行分类结果中判定为所述第二跛行类型和所述第三跛行类型的奶牛单条牛腿支撑时相;
将所述最大支撑时相与奶牛单条牛腿支撑时相求差,得到奶牛单条牛腿特征值;
将所述奶牛单条牛腿特征值与所述第一跛行分类阈值和所述第二跛行分类阈值进行比较,得到所述跛行腿检测结果。
8.一种基于支撑时相的奶牛跛行检测系统,其特征在于,包括:
获取模块,用于采集奶牛行走视频,从所述奶牛行走视频中提取奶牛牛蹄移动影像;
计算模块,用于基于所述奶牛牛蹄移动影像计算支撑时相集合;
第一分类模块,用于采用基于所述支撑时相集合的奶牛跛行分类算法,对奶牛跛行进行检测和分类,得到奶牛跛行分类结果;
第二分类模块,用于基于奶牛跛行分类结果,检测已存在跛行奶牛的单条牛腿,得到跛行腿检测结果。
9.一种电子设备,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,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述基于支撑时相的奶牛跛行检测方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至7任一项所述基于支撑时相的奶牛跛行检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010092952.6A CN111339850B (zh) | 2020-02-14 | 2020-02-14 | 一种基于支撑时相的奶牛跛行检测方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010092952.6A CN111339850B (zh) | 2020-02-14 | 2020-02-14 | 一种基于支撑时相的奶牛跛行检测方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111339850A true CN111339850A (zh) | 2020-06-26 |
CN111339850B CN111339850B (zh) | 2024-03-15 |
Family
ID=71183567
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010092952.6A Active CN111339850B (zh) | 2020-02-14 | 2020-02-14 | 一种基于支撑时相的奶牛跛行检测方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111339850B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111838007A (zh) * | 2020-07-23 | 2020-10-30 | 安徽曦强乳业集团有限公司 | 一种基于大数据的奶牛养殖监管系统 |
CN112036364A (zh) * | 2020-09-14 | 2020-12-04 | 北京海益同展信息科技有限公司 | 跛行识别方法及装置、电子设备和计算机可读存储介质 |
CN112434577A (zh) * | 2020-11-12 | 2021-03-02 | 中国农业大学 | 奶牛跛行检测方法及奶牛跛行检测装置 |
CN112528772A (zh) * | 2020-11-27 | 2021-03-19 | 中国农业大学 | 基于热红外的奶牛跛行运动特征检测方法及装置 |
CN113288125A (zh) * | 2021-07-01 | 2021-08-24 | 河南科技大学 | 一种基于奶牛身体关键点运动轨迹的跛行检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107426488A (zh) * | 2017-05-05 | 2017-12-01 | 北京农业信息技术研究中心 | 肉鸡跛行自动监测方法及装置 |
CN109784200A (zh) * | 2018-12-24 | 2019-05-21 | 中国科学院合肥物质科学研究院 | 基于双目视觉的奶牛行为图像获取与体况智能监测系统 |
-
2020
- 2020-02-14 CN CN202010092952.6A patent/CN111339850B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107426488A (zh) * | 2017-05-05 | 2017-12-01 | 北京农业信息技术研究中心 | 肉鸡跛行自动监测方法及装置 |
CN109784200A (zh) * | 2018-12-24 | 2019-05-21 | 中国科学院合肥物质科学研究院 | 基于双目视觉的奶牛行为图像获取与体况智能监测系统 |
Non-Patent Citations (2)
Title |
---|
康熙等: "基于机器视觉的跛行奶牛牛蹄定位方法", 《农业机械学报》 * |
赵凯旋: "基于机器视觉的奶牛个体信息感知及行为分析", 《万方学位论文》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111838007A (zh) * | 2020-07-23 | 2020-10-30 | 安徽曦强乳业集团有限公司 | 一种基于大数据的奶牛养殖监管系统 |
CN112036364A (zh) * | 2020-09-14 | 2020-12-04 | 北京海益同展信息科技有限公司 | 跛行识别方法及装置、电子设备和计算机可读存储介质 |
CN112036364B (zh) * | 2020-09-14 | 2024-04-16 | 京东科技信息技术有限公司 | 跛行识别方法及装置、电子设备和计算机可读存储介质 |
CN112434577A (zh) * | 2020-11-12 | 2021-03-02 | 中国农业大学 | 奶牛跛行检测方法及奶牛跛行检测装置 |
CN112434577B (zh) * | 2020-11-12 | 2024-03-26 | 中国农业大学 | 奶牛跛行检测方法及奶牛跛行检测装置 |
CN112528772A (zh) * | 2020-11-27 | 2021-03-19 | 中国农业大学 | 基于热红外的奶牛跛行运动特征检测方法及装置 |
CN113288125A (zh) * | 2021-07-01 | 2021-08-24 | 河南科技大学 | 一种基于奶牛身体关键点运动轨迹的跛行检测方法 |
CN113288125B (zh) * | 2021-07-01 | 2024-04-05 | 河南科技大学 | 一种基于奶牛身体关键点运动轨迹的跛行检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111339850B (zh) | 2024-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111339850A (zh) | 一种基于支撑时相的奶牛跛行检测方法与系统 | |
Spoliansky et al. | Development of automatic body condition scoring using a low-cost 3-dimensional Kinect camera | |
Fernandes et al. | A novel automated system to acquire biometric and morphological measurements and predict body weight of pigs via 3D computer vision | |
Song et al. | Automated body weight prediction of dairy cows using 3-dimensional vision | |
Nasirahmadi et al. | Automatic detection of mounting behaviours among pigs using image analysis | |
Wang et al. | ASAS-NANP SYMPOSIUM: Applications of machine learning for livestock body weight prediction from digital images | |
Zhang et al. | Algorithm of sheep body dimension measurement and its applications based on image analysis | |
Zhu et al. | Recognition and drinking behaviour analysis of individual pigs based on machine vision | |
CN110532899B (zh) | 基于热成像的母猪产前行为分类方法及系统 | |
Zhang et al. | Development and validation of a visual image analysis for monitoring the body size of sheep | |
Lu et al. | An automatic splitting method for the adhesive piglets’ gray scale image based on the ellipse shape feature | |
Lu et al. | Extracting body surface dimensions from top-view images of pigs | |
CN112434577B (zh) | 奶牛跛行检测方法及奶牛跛行检测装置 | |
CN112288793A (zh) | 畜类个体背膘检测方法、装置、电子设备及存储介质 | |
JP6635968B2 (ja) | 行動特定装置、行動特定方法、及びプログラム | |
Fodor et al. | Automated pose estimation reveals walking characteristics associated with lameness in broilers | |
CN112528772A (zh) | 基于热红外的奶牛跛行运动特征检测方法及装置 | |
CN113516139A (zh) | 数据处理方法、装置、设备和存储介质 | |
Ojukwu et al. | Development of a computer vision system to detect inactivity in group-housed pigs | |
CN112418018A (zh) | 奶牛行走异常检测方法及其装置 | |
JP7089098B2 (ja) | 行動特定装置、行動特定方法、及びプログラム | |
Sumi et al. | Framework of Cow Calving Monitoring System Using Video Images | |
Gu et al. | A two-stage recognition method based on deep learning for sheep behavior | |
Zin et al. | An Intelligent Method for Detecting Lameness in Modern Dairy Industry | |
Zhang et al. | Real-time non-contact monitoring method for growth parameters of sheep based on image analysis |
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 |