CN111339912A - 一种基于遥感影像识别牛羊的方法和系统 - Google Patents

一种基于遥感影像识别牛羊的方法和系统 Download PDF

Info

Publication number
CN111339912A
CN111339912A CN202010111366.1A CN202010111366A CN111339912A CN 111339912 A CN111339912 A CN 111339912A CN 202010111366 A CN202010111366 A CN 202010111366A CN 111339912 A CN111339912 A CN 111339912A
Authority
CN
China
Prior art keywords
sheep
cattle
remote sensing
image
training
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
Application number
CN202010111366.1A
Other languages
English (en)
Other versions
CN111339912B (zh
Inventor
白永飞
陈文贺
赵玉金
鲁小名
王扬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Botany of CAS
Original Assignee
Institute of Botany of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute of Botany of CAS filed Critical Institute of Botany of CAS
Priority to CN202010111366.1A priority Critical patent/CN111339912B/zh
Publication of CN111339912A publication Critical patent/CN111339912A/zh
Application granted granted Critical
Publication of CN111339912B publication Critical patent/CN111339912B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30242—Counting objects in image
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Remote Sensing (AREA)
  • Quality & Reliability (AREA)
  • Astronomy & Astrophysics (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于影像识别技术领域，涉及一种基于遥感影像识别牛羊的方法和系统，包括以下步骤：S1基于遥感影像集，通过深度学习目标识别算法训练识别模型；S2通过训练模型识别遥感影像中的牛个体，并统计牛的数量；S3结合阈值法识别遥感影像中的羊个体，并统计羊的数量；S4通过识别出的牛个体和羊个体判断牛和羊的体尺。其针对分布过于密集的羊群，利用YOLO V3算法识别结果确定羊群范围，同时结合阈值法对该区域羊个体进行进一步分辨识别并统计总数；通过识别结果计算影像中不同牛羊的体长，利用已有实测数据获取体长与体高、胸围等其它体尺的比例关系，反演影像中牛羊的其它体尺。

Description

一种基于遥感影像识别牛羊的方法和系统
技术领域
本发明是关于一种基于遥感影像识别牛羊的方法和系统，属于影像识别技术领域。
背景技术
在野外生态调查中，评估畜牧业的发展状况是一项常规的任务，其中牛羊的数量和体尺是常用到的评估参数。随着牧民牛羊养殖数量不断增加，需要一种快速统计牛羊数量和体尺的方法。现有技术中较为常规的方法是利用无人机拍摄一定范围内的遥感影像，然后对遥感影像中存在的牛羊数量基于目视解译进行统计。但统计过程仍然采用目视解译的人力和时间成本很高，而且不能较准确获得牛、羊的体尺。
在大数据时代背景下，以深度学习技术为代表的人工智能算法在图像分类、图像目标识别等任务上表现突出。将深度学习图像目标识别算法用于野外动物数量调查，是人工智能与生态学结合的新思路。目前，将人工智能算法用于遥感图像中的生物识别已经有了一定的发展。例如，Rey N等(Detecting animals in African Savanna with UAVs andthe crowds，Rey N,et al.，Remote sensing of environment，2017，200，341-351)提出了一种基于深度学习技术的半自动系统能够在半干旱地区检测大型哺乳动物；NorouzzadehM S等(Automatically identifying,counting,and describing wild animals incamera-trap images with deep learning，Norouzzadeh M S,et al.，Proceedings ofthe National Academy of Sciences，Vol 25，115，E5716-E5725)使用大量的相机陷阱图像训练深度学习模型，然后用该模型自动获取动物的种类、数量、长幼和行为；Benjamin K等(Detecting mammals in UAV images:Best practices to address a substantiallyimbalanced dataset with deep learning，Benjamin K,et al.，Remote Sensing ofEnvironment，2018,216:139-153)在使用深度学习识别野外哺乳动物时，研究了样本量增加、不同样本加权处理等方法解决无人机影像中物种数量不平衡的问题，取得较好效果。但是，现有的深度学习识别野生动物的方法在处理个体体积较小且种群密集度高的生物，例如羊群的时候，很难将每一只羊都分辨出来，从而导致最终计算的羊群中羊的数量小于实际数量，也无法对羊的体尺参数进行测算。
发明内容
针对上述现有技术的不足，本发明的目的是提供了一种基于遥感影像识别牛羊的方法和系统，其利用深度学习目标识别算法和阈值法相结合的方法，自动识别草原牛羊及反演其数量和体尺，解决了常规方法难以自动识别遥感影像中牛羊个体和数量的难题。
为实现上述目的，本发明提供了一种基于遥感影像识别牛羊的方法，包括以下步骤：S1基于遥感影像集，通过深度学习目标识别算法得到识别模型；S2通过识别模型识别遥感影像中的牛个体，并统计牛的数量；S3结合阈值法识别遥感影像中的羊个体，并统计羊的数量；S4通过识别出的牛个体和羊个体判断牛和羊的体尺。
进一步，步骤S1，还包括基于遥感影像集，构建训练数据集：将每张影像分成若干块，在任一块影像中将有牛或羊存在的位置采用标记框A标出，并将位置对应的类别、坐标和宽高信息存储到标签文件中；建立包括遥感影像集和标签文件的数据集，并将数据集分为训练数据集和测试数据集。
进一步，通过深度学习目标识别算法训练识别模型包括：S1.1设定训练超参数；S1.2将训练数据集输入到YOLO V3神经网络算法中进行训练，将测试数据集数据代入到经训练得到的识别模型，若符合设定的精度要求，则认定识别模型为最终识别模型，否则，重复步骤S1.1-S1.2，直到获得最终识别模型。
进一步，训练超参数包括时期次数、学习率和批处理大小。
进一步，将影像集代入最终识别模型，并根据最终识别模型获取牛的位置，采用标记框B标记牛个体位置，并根据标记框B的数量计算牛的数量；并根据标记框B的斜边长确定牛的体长，通过实测体尺数据计算体高、胸围与体长的比例关系，根据比例关系获得牛体高和胸围的相对长度；然后将牛相对体尺与牛所在影像的地面分辨率相乘得到牛的绝对体尺。
进一步，将影像集代入最终识别模型，并根据最终识别模型羊获取的位置,采用标记框C标记每只羊的位置，并计算所有标记框C的面积的平均值，记作面积A1，根据所有标记框C的最大横坐标、纵坐标和最小横坐标、纵坐标确定羊群的位置，并采用标记框D进行标记。
进一步，将标记框D对应的影像进行灰度化处理，并计算经过灰度化的影像中所有标记框C中心的像素值的平均值，记作像素值T，对经过灰度化的影像进行二值化，即将像素值大于像素值T的点设为白色，将像素值小于像素值T的点设为黑色。
进一步，将经过二值化的图像进行去噪处理，在经过去噪处理的图像中采用标记框E标记每个轮廓，并将标记框的面积记作面积A2，每个标记框E代表的羊的真实数量N为：
Figure BDA0002390132540000021
进一步，根据标记框E的数量计算羊的数量；并根据标记框E的斜边长除标记框E中羊的数量确定羊的体长，通过实测体尺数据计算体高、胸围与体长的比例关系，根据比例关系获得羊体高和胸围的相对长度；然后将羊相对体尺与羊所在影像的地面分辨率相乘得到羊的绝对体尺。
本发明还公开了一种基于遥感影像识别牛羊的系统，包括：识别模型生成模块，用于基于遥感影像集，通过深度学习目标识别算法训练识别模型；牛识别模块，用于通过训练模型识别遥感影像中的牛个体，并统计牛的数量；羊识别模块，用于结合阈值法识别遥感影像中的羊个体，并统计羊的数量；牛/羊体尺计算模块，用于通过识别出的牛个体和羊个体判断牛和羊的体尺。
本发明由于采取以上技术方案，其具有以下优点：
1、利用深度学习目标识别算法和阈值法相结合的方法，自动识别草原牛羊及反演其数量和体尺，解决了常规方法难以自动识别遥感影像中牛羊个体和数量的难题。
2、本发明直接使用遥感影像进行处理，效率高、成本低、不存在视线遮挡，不会受到道路、河流等限制；基于YOLO V3人工智能算法与阈值法自动统计牛羊数量和体尺，速度快、效果好；
3、在羊群中个体较小且分布密集的情况下，仅使用YOLO V3算法会存在识别不全导致的羊个体统计数量偏少，通过结合阈值法可有效改善上述问题，经实际测试，数量统计达标率提高15.75％；
4、使用本发明可以快速、有效的计算草原特定区域的载畜数量，结合产草量可迅速评估该地区的载畜压力及其对草畜平衡的影响，能为制定科学、合理的牛羊载畜量和草地保护措施提供有力数据支撑。
附图说明
图1为本发明一实施例中的基于遥感影像识别牛羊的方法的流程图；
图2为本发明一实施例中的获取羊群范围后得到的影像图；
图3为本发明一实施例中的影像灰度化后得到的影像图；
图4为本发明一实施例中的影像二值化后得到的影像图；
图5为本发明一实施例中的影像经过后得到的影像图；
图6为本发明一实施例中的影像将羊个体轮廓标记后得到的影像图；
图7为本发明一实施例中的影像将羊个体轮廓由标记框E标记后得到的影像图；
图8为本发明一实施例中的影像中羊个体识别和数量统计结果实例图。
具体实施方式
为了使本领域技术人员更好的理解本发明的技术方向，通过具体实施例对本发明进行详细的描绘。然而应当理解，具体实施方式的提供仅为了更好地理解本发明，它们不应该理解成对本发明的限制。在本发明的描述中，需要理解的是，所用到的术语仅仅是用于描述的目的，而不能理解为指示或暗示相对重要性。
实施例一
本实施例公开了一种基于遥感影像识别牛羊的方法，包括以下步骤：
S1基于遥感影像集，通过深度学习目标识别算法得到识别模型；
S2通过识别模型识别遥感影像中的牛个体，并统计牛的数量；
S3结合阈值法识别遥感影像中的羊个体，并统计羊的数量；
S4通过识别出的牛个体和羊个体判断牛和羊的体尺。
本实施例利用深度学习目标识别算法和阈值法相结合的方法，自动识别草原牛羊及反演其数量和体尺，解决了常规方法难以自动识别遥感影像中牛羊个体和数量的难题。
步骤S1，还包括基于遥感影像集，构建训练数据集：通过无人机在草原上空垂直拍摄大量影像并筛选出包含牛羊的影像，每张影像的尺寸均为5472*3648，单位为像素，地面分辨率为4.31cm/pixel。
为防止在训练过程出现电脑显存不足的问题，将每张影像分成4块，每块尺寸为1368*912。在任一块影像中将有牛或羊存在的位置采用标记框A标出，将位置对应的类别、坐标和宽高存储到标签文件中；建立包括遥感影像集和标签文件的数据集，并将数据集按照8:2的比例分为训练数据集和测试数据集。
通过深度学习目标识别算法训练识别模型包括：
S1.1设定训练超参数；S1.2将训练数据集输入到YOLO V3神经网络算法中进行训练，将测试数据集数据代入到经训练得到的识别模型，若符合设定的精度要求，则认定识别模型为最终识别模型，否则，重复步骤S1.1-S1.2，直到获得最终识别模型。优选的，最终识别模型的超参数为：时期次数为1200，学习率根据时期次数确定，当时间次数小于500时，学习率设定为0.001，时期次数在500到1000之间时，学习率设定为0.0001，当时间次数大于等于1000时，学习率设定为0.00001。批处理大小为10。
计算牛群的个体位置、数量和体尺：
将影像集代入最终识别模型，将影像统一缩放到1664*1664的尺寸，并根据最终识别模型获取牛的位置，采用标记框B标记牛个体位置，并根据标记框B的数量计算牛的数量；并根据标记框B的斜边长确定牛的体长，通过实测体尺数据计算体高、胸围与体长的比例关系：体高/体长＝0.7611，胸围/体长＝1.1551，据此获得牛体高和胸围的相对长度；然后将牛相对体尺与牛所在影像的地面分辨率相乘即可得牛的绝对体尺。通过实测体尺数据计算体高、胸围与体长的比例关系，根据比例关系获得牛体高和胸围的相对长度；然后将牛相对体尺与牛所在影像的地面分辨率相乘得到牛的绝对体尺。
计算羊群的个体位置、数量和体尺：
采用标记框C标记羊群的位置，其具体过程为，将影像集代入最终识别模型，并根据最终识别模型羊获取的位置,采用标记框C标记每只羊的位置，并计算所有标记框C的面积的平均值，记作面积A1，将所有标记框C中的最大横坐标、纵坐标和最小横坐标、纵坐标框处的范围作为羊群的初始范围，为防止遗漏位于羊群边缘的羊，将羊群初始范围向外扩展初始范围的1/8作为羊群的最终范围，并采用标记框D进行标记。
将标记框D对应的影像进行灰度化，影像灰度化后矩阵维数下降，运算速度大幅度提高，并计算经过灰度化的影像中所有标记框C中心的像素值的平均值，记作像素值T，其中标记框C中心的面积优选为标记框C面积的1/25。对经过灰度化的影像进行二值化，即将像素值大于像素值T的点设为白色，将像素值小于像素值T的点设为黑色。其中阈值不一定是完全等于像素值T，也可以取像素值T附近的值作为二值化的阈值。例如，本实施例中优选将阈值设为T-5,当阈值为T-5时，经过二值化后，羊的边界更加清楚，更加容易分辨。
将经过二值化的图像进行去噪处理，本实施中去噪方法优选为形态学开运算方法，使用该方法可有效对二值化的影像进行去噪，使用opencv软件中的轮廓寻找函数findContours()在去噪后的影像中快速寻找每只羊的轮廓，然后绘制每个轮廓的最小外接矩形，采用标记框E标记每个轮廓的最小外接矩形，并将标记框的面积记作面积A2。由于每个轮廓可能不仅仅包括一只羊，故需要计算每个标记框E代表的羊的真实数量N，其具体计算公式为：
Figure BDA0002390132540000051
根据标记框E的数量计算羊的数量；并根据标记框E的斜边长除标记框E中羊的数量确定羊的体长，通过实测体尺数据计算体高、胸围与体长的比例关系，根据比例关系获得羊体高和胸围的相对长度；然后将羊相对体尺与羊所在影像的地面分辨率相乘得到羊的绝对体尺。
计算羊的个体体尺：
用标记框E作为羊最终识别结果，计算标记框E的斜边长L，将上述斜边长L除以每个标记框中羊的数量N，即得到单只羊相对体长l，其具体公式为：
l＝L/N
根据实测体尺数据计算体高、胸深、胸围、胸宽与体长的比例关系：体高/体长＝0.7104,胸深/体长＝0.3864，胸围/体长＝0.999，胸宽/体长＝0.244，据此获得羊体高、胸深、胸围、胸宽的相对长度；然后将羊相对体尺与羊所在影像的地面分辨率相乘即可得羊的绝对体尺。
实施例二
基于同一发明构思，本实施例公开了一种基于遥感影像识别牛羊的系统，包括：识别模型生成模块，用于基于遥感影像集，通过深度学习目标识别算法训练识别模型；牛识别模块，用于通过训练模型识别遥感影像中的牛个体，并统计牛的数量；羊识别模块，用于结合阈值法识别遥感影像中的羊个体，并统计羊的数量；牛/羊体尺计算模块，用于通过识别出的牛个体和羊个体判断牛和羊的体尺。
上述内容仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于遥感影像识别牛羊的方法，其特征在于，包括以下步骤：
S1基于遥感影像集，通过深度学习目标识别算法得到识别模型；
S2通过所述识别模型识别遥感影像中的牛个体，并统计牛的数量；
S3结合阈值法识别遥感影像中的羊个体，并统计羊的数量；
S4通过识别出的牛个体和羊个体判断牛和羊的体尺。
2.如权利要求1所述的基于遥感影像识别牛羊的方法，其特征在于，所述步骤S1中构建遥感影像集的过程为：将每张影像分成若干块，在任一块影像中将有牛或羊存在的位置采用标记框A标出，并将所述位置对应的类别、坐标和宽高信息存储到标签文件中；建立包括所述遥感影像集和所述标签文件的数据集，并将所述数据集分为训练数据集和测试数据集。
3.如权利要求2所述的基于遥感影像识别牛羊的方法，其特征在于，所述步骤S1中通过深度学习目标识别算法训练识别模型包括：
S1.1设定训练超参数；
S1.2将所述训练数据集输入到YOLO V3神经网络算法中进行训练，将所述测试数据集数据代入到经训练得到的识别模型，若符合设定的精度要求，则认定所述识别模型为最终识别模型，否则，重复步骤S1.1-S1.2，直到获得最终识别模型。
4.如权利要求3所述的基于遥感影像识别牛羊的方法，其特征在于，所述训练超参数包括时期次数、学习率和批处理大小。
5.如权利要求3或4所述的基于遥感影像识别牛羊的方法，其特征在于，将影像集代入所述最终识别模型，并根据所述最终识别模型获取牛的位置，采用标记框B标记牛个体位置，并根据所述标记框B的数量计算牛的数量；并根据所述标记框B的斜边长确定牛的体长，通过实测体尺数据计算体高、胸围与体长的比例关系，根据所述比例关系获得牛体高和胸围的相对长度；然后将牛相对体尺与牛所在影像的地面分辨率相乘得到牛的绝对体尺。
6.如权利要求5所述的基于遥感影像识别牛羊的方法，其特征在于，将影像集代入所述最终识别模型，并根据所述最终识别模型羊获取的位置,采用标记框C标记每只羊的位置，并计算所有所述标记框C的面积的平均值，记作面积A1，根据所有所述标记框C的最大横坐标、纵坐标和最小横坐标、纵坐标确定所述羊群的位置，并采用所述标记框D进行标记。
7.如权利要求6所述的基于遥感影像识别牛羊的方法，其特征在于，将所述标记框D对应的影像进行灰度化处理，并计算经过灰度化的影像中所有所述标记框C中心的像素值的平均值，记作像素值T，对经过灰度化的影像进行二值化，即将像素值大于像素值T的点设为白色，将像素值小于像素值T的点设为黑色。
8.如权利要求7所述的基于遥感影像识别牛羊的方法，其特征在于，将经过二值化的图像进行去噪处理，在经过所述去噪处理的图像中采用标记框E标记每个轮廓，并将所述标记框的面积记作面积A2，每个标记框E代表的羊的真实数量N为：
Figure FDA0002390132530000021
9.如权利要求8所述的基于遥感影像识别牛羊的方法，其特征在于，根据所述标记框E的数量计算羊的数量；并根据所述标记框E的斜边长除标记框E中羊的数量确定羊的体长，通过实测体尺数据计算体高、胸围与体长的比例关系，根据所述比例关系获得羊体高和胸围的相对长度；然后将羊相对体尺与羊所在影像的地面分辨率相乘得到羊的绝对体尺。
10.一种基于遥感影像识别牛羊的系统，其特征在于，包括：
识别模型生成模块，用于基于遥感影像集，通过深度学习目标识别算法训练识别模型；
牛识别模块，用于通过所述训练模型识别遥感影像中的牛个体，并统计牛的数量；
羊识别模块，用于结合阈值法识别遥感影像中的羊个体，并统计羊的数量；
牛/羊体尺计算模块，用于通过识别出的牛个体和羊个体判断牛和羊的体尺。
CN202010111366.1A 2020-02-24 2020-02-24 一种基于遥感影像识别牛羊的方法和系统 Active CN111339912B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010111366.1A CN111339912B (zh) 2020-02-24 2020-02-24 一种基于遥感影像识别牛羊的方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010111366.1A CN111339912B (zh) 2020-02-24 2020-02-24 一种基于遥感影像识别牛羊的方法和系统

Publications (2)

Publication Number Publication Date
CN111339912A true CN111339912A (zh) 2020-06-26
CN111339912B CN111339912B (zh) 2023-04-18

Family

ID=71185388

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010111366.1A Active CN111339912B (zh) 2020-02-24 2020-02-24 一种基于遥感影像识别牛羊的方法和系统

Country Status (1)

Country Link
CN (1) CN111339912B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112052452A (zh) * 2020-08-28 2020-12-08 浙江工业大学 一种基于陷阱结构的图像识别防御方法
CN112528962A (zh) * 2021-01-01 2021-03-19 生态环境部卫星环境应用中心 一种基于高分卫星遥感影像的牧区牛马群的监测方法
CN112541487A (zh) * 2021-01-01 2021-03-23 生态环境部卫星环境应用中心 基于亚米级高分卫星遥感影像的牧区羊群的自动监测方法
CN112801955A (zh) * 2021-01-18 2021-05-14 中国科学院沈阳自动化研究所 种群分布不平衡条件下的浮游生物检测方法
CN113033376A (zh) * 2021-03-22 2021-06-25 陕西科技大学 一种基于深度学习的圈养山羊计数方法
CN113222452A (zh) * 2021-05-28 2021-08-06 中国农业科学院草原研究所 一种基于北斗导航的天然草地质量评价方法、系统及存储介质
CN113743208A (zh) * 2021-07-30 2021-12-03 南方海洋科学与工程广东省实验室(广州) 一种基于无人机阵列的中华白海豚数量统计方法及系统
CN114155447A (zh) * 2021-12-02 2022-03-08 北京中科智易科技有限公司 人工智能大数据采集系统
CN114708519A (zh) * 2022-05-25 2022-07-05 中国科学院精密测量科学与技术创新研究院 一种基于无人机遥感的麋鹿识别与形态轮廓参数提取方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5474085A (en) * 1994-02-24 1995-12-12 University Of Prince Edward Island Remote thermographic sensing of livestock
CN106940789A (zh) * 2017-03-10 2017-07-11 广东数相智能科技有限公司 一种基于视频识别的数量统计的方法、系统及装置
CN109948395A (zh) * 2017-12-20 2019-06-28 翔升（上海）电子技术有限公司 基于无人机的动物识别及数量统计方法与无人机
CN110555371A (zh) * 2019-07-19 2019-12-10 华瑞新智科技（北京）有限公司 一种基于无人机的野生动物信息获取方法和装置
CN110751117A (zh) * 2019-10-25 2020-02-04 兰州大学 一种基于无人机的羊群和牛群数量监测方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5474085A (en) * 1994-02-24 1995-12-12 University Of Prince Edward Island Remote thermographic sensing of livestock
CN106940789A (zh) * 2017-03-10 2017-07-11 广东数相智能科技有限公司 一种基于视频识别的数量统计的方法、系统及装置
CN109948395A (zh) * 2017-12-20 2019-06-28 翔升（上海）电子技术有限公司 基于无人机的动物识别及数量统计方法与无人机
CN110555371A (zh) * 2019-07-19 2019-12-10 华瑞新智科技（北京）有限公司 一种基于无人机的野生动物信息获取方法和装置
CN110751117A (zh) * 2019-10-25 2020-02-04 兰州大学 一种基于无人机的羊群和牛群数量监测方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
吴方明 等: "三江源大型食草动物数量无人机自动监测方法" *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112052452A (zh) * 2020-08-28 2020-12-08 浙江工业大学 一种基于陷阱结构的图像识别防御方法
CN112052452B (zh) * 2020-08-28 2024-02-20 浙江工业大学 一种基于陷阱结构的图像识别防御方法
CN112528962A (zh) * 2021-01-01 2021-03-19 生态环境部卫星环境应用中心 一种基于高分卫星遥感影像的牧区牛马群的监测方法
CN112541487A (zh) * 2021-01-01 2021-03-23 生态环境部卫星环境应用中心 基于亚米级高分卫星遥感影像的牧区羊群的自动监测方法
CN112801955A (zh) * 2021-01-18 2021-05-14 中国科学院沈阳自动化研究所 种群分布不平衡条件下的浮游生物检测方法
CN112801955B (zh) * 2021-01-18 2023-09-22 中国科学院沈阳自动化研究所 种群分布不平衡条件下的浮游生物检测方法
CN113033376A (zh) * 2021-03-22 2021-06-25 陕西科技大学 一种基于深度学习的圈养山羊计数方法
CN113222452A (zh) * 2021-05-28 2021-08-06 中国农业科学院草原研究所 一种基于北斗导航的天然草地质量评价方法、系统及存储介质
CN113222452B (zh) * 2021-05-28 2024-07-05 中国农业科学院草原研究所 基于北斗导航的天然草地质量评价方法、系统及存储介质
CN113743208A (zh) * 2021-07-30 2021-12-03 南方海洋科学与工程广东省实验室(广州) 一种基于无人机阵列的中华白海豚数量统计方法及系统
CN114155447A (zh) * 2021-12-02 2022-03-08 北京中科智易科技有限公司 人工智能大数据采集系统
CN114708519A (zh) * 2022-05-25 2022-07-05 中国科学院精密测量科学与技术创新研究院 一种基于无人机遥感的麋鹿识别与形态轮廓参数提取方法

Also Published As

Publication number Publication date
CN111339912B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN111339912B (zh) 一种基于遥感影像识别牛羊的方法和系统
CN109141248B (zh) 基于图像的猪体重测算方法及系统
CN110929756B (zh) 基于深度学习的钢材尺寸和数量的识别方法、智能设备和存储介质
CN109325431B (zh) 草原放牧绵羊采食路径中植被覆盖度的检测方法及其装置
CN113222991A (zh) 基于深度学习网络的田间麦穗计数以及小麦产量预测
CN108961330B (zh) 基于图像的猪体长测算方法及系统
Zhou et al. An integrated skeleton extraction and pruning method for spatial recognition of maize seedlings in MGV and UAV remote images
CN110188657A (zh) 基于卷曲叶片检测的玉米干旱识别方法
CN112883915B (zh) 一种基于迁移学习的麦穗自动识别方法和系统
CN115512215B (zh) 水下生物监测方法、装置及存储介质
CN109559342B (zh) 动物体长的测量方法和装置
CN113095441A (zh) 一种猪群扎堆检测方法、装置、设备及可读存储介质
CN109492534A (zh) 一种基于Faster RCNN的跨场景多姿态的行人检测方法
CN112861666A (zh) 一种基于深度学习的鸡群计数方法及应用
CN116295022A (zh) 一种基于深度学习多参数融合的猪只体尺测量方法
CN110414369B (zh) 一种牛脸的训练方法及装置
Burgstaller et al. The green toad example: a comparison of pattern recognition software.
Xu et al. An automatic wheat ear counting model based on the minimum area intersection ratio algorithm and transfer learning
CN117636314A (zh) 一种缺苗识别方法、装置、设备及介质
CN117237990A (zh) 群养猪只体重的估测方法、装置、电子设备及存储介质
CN112257730A (zh) 植物害虫图像识别方法、装置、设备及存储介质
CN110532854B (zh) 一种生猪爬跨行为检测方法及系统
CN115914560A (zh) 一种母猪智能精准饲喂方法、装置、电子设备和存储介质
CN116416523A (zh) 一种基于机器学习的水稻生长阶段的识别系统和方法
CN114440835B (zh) 多特征和模型耦合的牧畜遥感监测方法、系统及存储介质

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