CN111401182B - 针对饲喂栏的图像检测方法和装置 - Google Patents
针对饲喂栏的图像检测方法和装置 Download PDFInfo
- Publication number
- CN111401182B CN111401182B CN202010159829.1A CN202010159829A CN111401182B CN 111401182 B CN111401182 B CN 111401182B CN 202010159829 A CN202010159829 A CN 202010159829A CN 111401182 B CN111401182 B CN 111401182B
- Authority
- CN
- China
- Prior art keywords
- image
- detection
- detected
- classified
- classification
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 221
- 238000012549 training Methods 0.000 claims abstract description 68
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 31
- 238000002372 labelling Methods 0.000 claims abstract description 22
- 241000283690 Bos taurus Species 0.000 claims description 54
- 238000004590 computer program Methods 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 6
- 210000000746 body region Anatomy 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 9
- 230000006698 induction Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000005507 spraying Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000007921 spray Substances 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
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
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本公开的实施例公开了针对饲喂栏的图像检测方法和装置。该方法的一具体实施方式包括：接收摄像采集装置发送的初始图像；基于初始图像的宽栏体标注信息，对初始图像进行截取，得到所需检测的栏体区域图像；对栏体区域图像进行透视处理，生成待检测图像；利用训练得到的分类检测模型，将待检测图像输入检测网络进行检测，得到待检测图像对应的每个分类图片的检测结果。该实施方式解决现有技术难以推广，智能化低的问题，同时提高了检测的精度。
Description
技术领域
本公开的实施例涉及计算机技术领域，具体涉及数据处理技术领域，尤其涉及针对饲喂栏的图像检测方法和装置。
背景技术
现有的牛栏饲喂喷淋系统通常采用红外感应、磁感应等技术进行牛只是否在栏位的检测，或者采用定时喷淋的方式。其中红外感应是在牛颈枷前放置红外距离感应器，距离较短时认为有牛，进行喷淋；磁感应是在牛颈枷开合处放置感应装置，当颈枷打开(感应装置分离)时，进行喷淋。定时喷淋则是根据预设的规则，每日定时后，有无牛的栏位都会进行喷淋。
发明内容
本公开的实施例提出了针对饲喂栏的图像检测方法和装置。
第一方面，本公开的实施例提供了一种针对饲喂栏的图像检测方法，包括：接收摄像采集装置发送的初始图像；基于初始图像的宽栏体标注信息，对初始图像进行截取，得到所需检测的栏体区域图像；对栏体区域图像进行透视处理，生成待检测图像；利用训练得到的分类检测模型，将待检测图像输入检测网络进行检测，得到待检测图像对应的每个分类图片的检测结果。
在一些实施例中，初始图像的宽栏体标注信息通过以下方式得到：基于栏体划分规则，确定初始图像中每个宽栏体的位置；利用线段标注法，对初始图像中每个宽栏体的位置坐标点进行标注，得到初始图像的宽栏体标注信息。
在一些实施例中，对栏体区域图像进行透视处理，生成待检测图像，包括：对栏体区域图像进行透视变换；对变换后的栏体区域图像进行边缘畸变纠正，生成待检测图像。
在一些实施例中，利用训练得到的分类检测模型，将待检测图像输入检测网络进行检测，得到待检测图像对应的每个分类图片的检测结果，包括：利用训练得到的分类检测模型，检测待检测图像中的每个分类图片是否有牛，响应于分类图片中有牛脖子，则判定该分类图片有牛，否则，判定该分类图片无牛。
在一些实施例中，利用训练得到的分类检测模型，将待检测图像输入检测网络进行检测，得到待检测图像对应的每个分类图片的检测结果，包括：将待检测图像分成多个分类图片；利用训练得到的检测模型，将每个分类图片输入检测网络进行检测，得到每个分类图片的检测结果。
在一些实施例中，方法还包括：将每个分类图片的检测结果进行汇总，生成待检测图像的检测结果序列并向外输出。
在一些实施例中，分类检测模型通过如下训练方式得到：获取训练样本集，其中，训练样本集中的训练样本包括被分成多个分类图片的待检测图像；利用深度学习方法，将训练样本集中训练样本包括的待检测图像作为检测网络的输入，将与输入的待检测图像对应的每个分类图片的检测结果作为对应的检测网络的输出，训练得到分类检测模型。
第二方面，本公开的实施例提供了一种针对饲喂栏的图像检测装置，装置包括：接收单元，被配置成接收摄像采集装置发送的初始图像；截取单元，被配置成基于初始图像的宽栏体标注信息，对初始图像进行截取，得到所需检测的栏体区域图像；处理单元，被配置成对栏体区域图像进行透视处理，生成待检测图像；检测单元，被配置成利用训练得到的分类检测模型，将待检测图像输入检测网络进行检测，得到待检测图像对应的每个分类图片的检测结果。
在一些实施例中，截取单元进一步被配置成：基于栏体划分规则，确定初始图像中每个宽栏体的位置；利用线段标注法，对初始图像中每个宽栏体的位置坐标点进行标注，得到初始图像的宽栏体标注信息。
在一些实施例中，处理单元包括：变换模块，被配置成对栏体区域图像进行透视变换；校正模块，被配置成对变换后的栏体区域图像进行边缘畸变纠正，生成待检测图像。
在一些实施例中，检测单元包括：第一检测模块，被配置成利用训练得到的分类检测模型，检测待检测图像中的每个分类图片是否有牛，响应于分类图片中有牛脖子，则判定该分类图片有牛，否则，判定该分类图片无牛。
在一些实施例中，检测单元还包括：分类模块，被配置成将待检测图像分成多个分类图片；第二检测模块，被配置成利用训练得到的检测模型，将每个分类图片输入检测网络进行检测，得到每个分类图片的检测结果。
在一些实施例中，装置还包括：汇总单元，被配置成将每个分类图片的检测结果进行汇总，生成待检测图像的检测结果序列并向外输出。
在一些实施例中，检测单元进一步被配置成：获取训练样本集，其中，训练样本集中的训练样本包括被分成多个分类图片的待检测图像；利用深度学习方法，将训练样本集中训练样本包括的待检测图像作为检测网络的输入，将与输入的待检测图像对应的每个分类图片的检测结果作为对应的检测网络的输出，训练得到分类检测模型。
第三方面，本公开的实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面，本公开的实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本公开的实施例提供的针对饲喂栏的图像检测方法和装置，采用接收摄像采集装置发送的初始图像，基于初始图像的宽栏体标注信息，对初始图像进行截取，得到所需检测的栏体区域图像，对栏体区域图像进行透视处理，生成待检测图像，利用训练得到的分类检测模型，将待检测图像输入检测网络进行检测，得到待检测图像对应的每个分类图片的检测结果，解决现有技术难以推广，智能化低的问题；通过架设摄像头，即可实现视野内的饲喂喷淋功能，不需要对现有设备栏体进行大的改造，同时避免了传统方法中对每个栏位都需要部署感应装置，而造成成本过高的问题以及现有方法中的装置与牛距离较近，且涉及机械部分，容易损坏的问题，降低了应用的成本低；通过使用机器视觉技术和卷积神经网络判断牛饲喂栏是否有牛，提高了检测的精度；通过基于宽栏体标准信息进行截取，避免现有技术采用窄栏体进行标注，对于牛头伸出去很多的情况，会造成视觉上的混淆，不容易弄清当前栏位是否有牛的问题，采用宽栏体标准，对于单个栏位的图片，包含了更多的信息量，对判断当前栏位是否有牛更有利。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：
图1是本公开的一些实施例可以应用于其中的示例性系统架构图；
图2是根据本公开的针对饲喂栏的图像检测方法的一个实施例的流程图；
图3是根据本公开的实施例的针对饲喂栏的图像检测方法的一个应用场景的示意图；
图4是根据本公开的针对饲喂栏的图像检测方法的另一个实施例的流程图；
图5是根据本公开的针对饲喂栏的图像检测方法的又一个实施例的流程图；
图6是根据本公开的日志采集装置的一个实施例的结构示意图；
图7是适于用来实现本公开的实施例的电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的实施例的针对饲喂栏的图像检测方法和装置的示例性系统架构100。
如图1所示，系统架构100可以包括摄像装置101、102、103，网络104和服务器105。网络104用以在摄像装置101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用摄像装置101、102、103通过网络104与服务器105交互，以接收或发送消息等。摄像装置101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
摄像装置101、102、103可以是硬件，也可以是软件。当摄像装置101、102、103为硬件时，可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当摄像装置101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器，例如对摄像装置101、102、103的用户行为数据提供支持的服务器。服务器可以对获取的用户行为等数据进行分析，并将分析结果(例如检测结果)反馈给数据服务器。
需要说明的是，本公开的实施例所提供的针对饲喂栏的图像检测方法一般由服务器105执行。相应地，针对饲喂栏的图像检测装置一般设置于服务器105中。在此不做具体限定。
需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解，图1中的摄像装置、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的摄像装置、网络和服务器。
继续参考图2，示出了根据本公开的针对饲喂栏的图像检测方法的一个实施例的流程200。该针对饲喂栏的图像检测方法，包括以下步骤：
步骤201，接收摄像采集装置发送的初始图像。
在本实施例中，该方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式，接收一个或多个摄像采集装置发送的初始图像。
需要指出的是，上述无线连接方式可以包括但不限于3G、4G、5G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
步骤202，基于初始图像的宽栏体标注信息，对初始图像进行截取，得到所需检测的栏体区域图像。
在本实施例中，上述执行主体可以基于初始图像上的宽栏体标注信息，对初始图像进行截取，得到所需检测的栏体区域图像。其中，宽栏体为相对于传统的窄栏体而言，标注范围更宽一些的饲喂栏的栏体，两个宽栏体饲喂栏区域会有重叠。为了解决图片关键区域的选取，因为如果是整张大图输送算法，包含太多的冗余信息，不好训练，截取单个栏的区域，可以将问题从牛在哪个栏吃食限定为某一个栏位中是否有牛在吃食。
步骤203，对栏体区域图像进行透视处理，生成待检测图像。
在本实施例中，上述执行主体可以依据统一格式，对栏体区域图像进行透视处理，生成标准格式的待检测图像。
步骤204，利用训练得到的分类检测模型，将待检测图像输入检测网络进行检测，得到待检测图像对应的每个分类图片的检测结果。
在本实施例中，上述执行主体可以利用训练得到的分类检测模型，将待检测图像输入检测网络进行检测，得到待检测图像对应的每个分类图片的检测结果。
需要说明的是，上述图像透视方法是目前广泛研究和应用的公知技术，在此不再赘述。
继续参见图3，图3是根据本实施例的针对饲喂栏的图像检测方法的应用场景的一个示意图300。摄像装置301将采集的初始图像303发送至上述服务器302，服务器302首先接收摄像采集装置发送的初始图像，基于初始图像的宽栏体标注信息，对初始图像进行截取，得到所需检测的栏体区域图像，对栏体区域图像进行透视处理，生成待检测图像，利用训练得到的分类检测模型，将待检测图像输入检测网络进行检测，得到待检测图像对应的每个分类图片的检测结果。
本公开的上述实施例提供的针对饲喂栏的图像检测方法，采用接收摄像采集装置发送的初始图像，基于初始图像的宽栏体标注信息，对初始图像进行截取，得到所需检测的栏体区域图像，对栏体区域图像进行透视处理，生成待检测图像，利用训练得到的分类检测模型，将待检测图像输入检测网络进行检测，得到待检测图像对应的每个分类图片的检测结果，解决现有技术难以推广，智能化低的问题；通过架设摄像头，即可实现视野内的饲喂喷淋功能，不需要对现有设备栏体进行大的改造，同时避免了传统方法中对每个栏位都需要部署感应装置，而造成成本过高的问题以及现有方法中的装置与牛距离较近，且涉及机械部分，容易损坏的问题，降低了应用的成本低；通过使用机器视觉技术和卷积神经网络判断牛饲喂栏是否有牛，提高了检测的精度；通过基于宽栏体标准信息进行截取，避免现有技术采用窄栏体进行标注，对于牛头伸出去很多的情况，会造成视觉上的混淆，不容易弄清当前栏位是否有牛的问题，采用宽栏体标准，对于单个栏位的图片，包含了更多的信息量，对判断当前栏位是否有牛更有利。
进一步参考图4，其示出了针对饲喂栏的图像检测方法的另一个实施例的流程。该监测方法的流程400，包括以下步骤：
步骤401，接收摄像采集装置发送的初始图像。
步骤402，基于栏体划分规则，确定初始图像中每个宽栏体的位置。
在本实施例中，上述执行主体可以基于栏体划分规则，确定初始图像中每个宽栏体的位置。
步骤403，利用线段标注法，对初始图像中每个宽栏体的位置坐标点进行标注，得到初始图像的宽栏体标注信息。
在本实施例中，上述执行主体可以利用线段标注法，对初始图像中每个宽栏体的位置坐标点进行标注，得到初始图像的宽栏体标注信息。标注配置文件指的是对于一张大图标记图中的线段，然后使用程序就可以获得每个栏的四个点坐标，因为施工时一个工厂都是同一标准，所以只需要标注一张，就可以适用于全厂的摄像头。
步骤404，基于初始图像的宽栏体标注信息，对初始图像进行截取，得到所需检测的栏体区域图像。
步骤405，对栏体区域图像进行透视处理，生成待检测图像。
在本实施例的一些可选的实现方式中，对栏体区域图像进行透视处理，生成待检测图像，包括：对栏体区域图像进行透视变换；对变换后的栏体区域图像进行边缘畸变纠正，生成待检测图像。摄像装置的图像采集有近大远小的透视现象，造成中间的栏体是四方形的，而两边的为菱形，按原样放入算法会增加数据分析的复杂度，做透视变换可以让所有的栏体都变成标准的矩形数据，统一数据的输入样式。
步骤406，利用训练得到的分类检测模型，将待检测图像输入检测网络进行检测，得到待检测图像对应的每个分类图片的检测结果。
在本实施例的一些可选的实现方式中，利用训练得到的分类检测模型，将待检测图像输入检测网络进行检测，得到待检测图像对应的每个分类图片的检测结果，包括：将待检测图像分成多个分类图片；利用训练得到的检测模型，将每个分类图片输入检测网络进行检测，得到每个分类图片的检测结果。通过将图片分类后进行检测，提高图片检测的精度。
在本实施例的一些可选的实现方式中，分类检测模型通过如下训练方式得到：获取训练样本集，其中，训练样本集中的训练样本包括被分成多个分类图片的待检测图像；利用深度学习方法，将训练样本集中训练样本包括的待检测图像作为检测网络的输入，将与输入的待检测图像对应的每个分类图片的检测结果作为对应的检测网络的输出，训练得到分类检测模型。
在本实施例中，步骤401、404～406的具体操作与图2所示的实施例中的步骤201～204的操作基本相同，在此不再赘述。
从图4中可以看出，与图2对应的实施例相比，本实施例中的针对饲喂栏的图像检测方法的流程400通过采用线段标注的方法获取单个栏体位置坐标，避免了因牛饲喂栏为横向排列，栏体之间比较相似，而传统的检测方法例如模板匹配，检测等容易定位不准确，造成位置检测错误的问题，对于同一牛场的场景，所有牛栏基本上可共用一套标注结果，操作简单方便。
进一步参考图5，其示出了针对饲喂栏的图像检测方法的又一个实施例的流程。该监测方法的流程500，包括以下步骤：
步骤501，接收摄像采集装置发送的初始图像。
步骤502，基于初始图像的宽栏体标注信息，对初始图像进行截取，得到所需检测的栏体区域图像。
步骤503，对栏体区域图像进行透视处理，生成待检测图像。
步骤504，利用训练得到的分类检测模型，检测待检测图像中的每个分类图片是否有牛，响应于分类图片中有牛脖子，则判定该分类图片有牛，否则，判定该分类图片无牛。
在本实施例中，执行主体可以利用训练得到的分类检测模型，检测待检测图像中的每个分类图片是否有牛，响应于分类图片中有牛脖子，则判定该分类图片有牛，否则，判定该分类图片无牛。通过判定只有牛脖子从当前栏位伸出时才算作有牛，巧妙地规避了因牛头位置不定造成的串栏问题。
步骤505，将每个分类图片的检测结果进行汇总，生成待检测图像的检测结果序列并向外输出。
在本实施例中，执行主体可以将每个分类图片的检测结果进行汇总，生成待检测图像的检测结果序列并向外输出。
在本实施例中，步骤501～503的具体操作与图2所示的实施例中的步骤201～203的操作基本相同，在此不再赘述。
从图5中可以看出，与图2对应的实施例相比，本实施例中的针对饲喂栏的图像检测方法的流程500通过将每个分类图片的检测结果进行汇总，生成待检测图像的检测结果序列并向外输出，从整体分析饲喂栏的检测结果，提高了检测精度；利用训练得到的分类检测模型，检测待检测图像中的每个分类图片是否有牛，响应于分类图片中有牛脖子，则判定该分类图片有牛，否则，判定该分类图片无牛，通过判定只有牛脖子从当前栏位伸出时才算作有牛，巧妙地规避了因牛头位置不定造成的串栏问题。
进一步参考图6，作为对上述各图所示方法的实现，本公开提供了一种针对饲喂栏的图像检测装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图6所示，本实施例的针对饲喂栏的图像检测装置600包括：接收单元601、截取单元602、处理单元603和检测单元604，其中，接收单元601，被配置成接收摄像采集装置发送的初始图像；截取单元602，被配置成基于初始图像的宽栏体标注信息，对初始图像进行截取，得到所需检测的栏体区域图像；处理单元603，被配置成对栏体区域图像进行透视处理，生成待检测图像；检测单元604，被配置成利用训练得到的分类检测模型，将待检测图像输入检测网络进行检测，得到待检测图像对应的每个分类图片的检测结果。
在本实施例中，针对饲喂栏的图像检测装置600的接收单元601、截取单元602、处理单元603和检测单元604的具体处理及其所带来的技术效果可分别参考图2对应的实施例中的步骤201到步骤204的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，截取单元进一步被配置成：基于栏体划分规则，确定初始图像中每个宽栏体的位置；利用线段标注法，对初始图像中每个宽栏体的位置坐标点进行标注，得到初始图像的宽栏体标注信息。
在本实施例的一些可选的实现方式中，处理单元包括：变换模块，被配置成对栏体区域图像进行透视变换；校正模块，被配置成对变换后的栏体区域图像进行边缘畸变纠正，生成待检测图像。
在本实施例的一些可选的实现方式中，检测单元包括：第一检测模块，被配置成利用训练得到的分类检测模型，检测待检测图像中的每个分类图片是否有牛，响应于分类图片中有牛脖子，则判定该分类图片有牛，否则，判定该分类图片无牛。
在本实施例的一些可选的实现方式中，检测单元还包括：分类模块，被配置成将待检测图像分成多个分类图片；第二检测模块，被配置成利用训练得到的检测模型，将每个分类图片输入检测网络进行检测，得到每个分类图片的检测结果。
在本实施例的一些可选的实现方式中，装置还包括：汇总单元，被配置成将每个分类图片的检测结果进行汇总，生成待检测图像的检测结果序列并向外输出。
在本实施例的一些可选的实现方式中，检测单元进一步被配置成：获取训练样本集，其中，训练样本集中的训练样本包括被分成多个分类图片的待检测图像；利用深度学习方法，将训练样本集中训练样本包括的待检测图像作为检测网络的输入，将与输入的待检测图像对应的每个分类图片的检测结果作为对应的检测网络的输出，训练得到分类检测模型。
下面参考图7，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器)700的结构示意图。本公开的实施例中的摄像装置可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图7示出的服务器仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图7所示，电子设备700可以包括处理装置(例如中央处理器、图形处理器等)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
通常，以下装置可以连接至I/O接口705：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置806；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置707；包括例如磁带、硬盘等的存储装置708；以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图7中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置709从网络上被下载和安装，或者从存储装置708被安装，或者从ROM 702被安装。在该计算机程序被处理装置701执行时，执行本公开的实施例的方法中限定的上述功能。
需要说明的是，本公开的实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：接收摄像采集装置发送的初始图像；基于初始图像的宽栏体标注信息，对初始图像进行截取，得到所需检测的栏体区域图像；对栏体区域图像进行透视处理，生成待检测图像；利用训练得到的分类检测模型，将待检测图像输入检测网络进行检测，得到待检测图像对应的每个分类图片的检测结果。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括接收单元、截取单元、处理单元和检测单元。这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，接收单元还可以被描述为“接收摄像采集装置发送的初始图像的单元”。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (16)
1.一种针对饲喂栏的图像检测方法，包括：
接收摄像采集装置发送的初始图像；
基于所述初始图像的宽栏体标注信息，对所述初始图像进行截取，得到所需检测的栏体区域图像，所述宽栏体标注信息的宽栏体为相对于窄栏体标注范围更宽的饲喂栏的栏体；
对所述栏体区域图像进行透视处理，生成待检测图像；
利用训练得到的分类检测模型，将所述待检测图像输入检测网络进行检测，得到待检测图像对应的每个分类图片的检测结果，所述检测结果用于指示该分类图片是否存在预设对象。
2.根据权利要求1所述的针对饲喂栏的图像检测方法，其中，所述初始图像的宽栏体标注信息通过以下方式得到：
基于栏体划分规则，确定所述初始图像中每个宽栏体的位置；
利用线段标注法，对所述初始图像中每个宽栏体的位置坐标点进行标注，得到所述初始图像的宽栏体标注信息。
3.根据权利要求1所述的针对饲喂栏的图像检测方法，其中，所述对所述栏体区域图像进行透视处理，生成待检测图像，包括：
对所述栏体区域图像进行透视变换；
对变换后的所述栏体区域图像进行边缘畸变纠正，生成待检测图像。
4.根据权利要求1所述的针对饲喂栏的图像检测方法，其中，所述利用训练得到的分类检测模型，将所述待检测图像输入检测网络进行检测，得到待检测图像对应的每个分类图片的检测结果，包括：
利用训练得到的分类检测模型，检测所述待检测图像中的每个分类图片是否有牛，响应于分类图片中有牛脖子，判定该分类图片有牛，否则，判定该分类图片无牛。
5.根据权利要求1所述的针对饲喂栏的图像检测方法，其中，所述利用训练得到的分类检测模型，将所述待检测图像输入检测网络进行检测，得到待检测图像对应的每个分类图片的检测结果，包括：
将所述待检测图像分成多个分类图片；
利用训练得到的检测模型，将每个分类图片输入检测网络进行检测，得到每个分类图片的检测结果。
6.根据权利要求1所述的针对饲喂栏的图像检测方法，所述方法还包括：
将每个分类图片的检测结果进行汇总，生成待检测图像的检测结果序列并向外输出。
7.根据权利要求1所述的针对饲喂栏的图像检测方法，其中，所述分类检测模型通过如下训练方式得到：
获取训练样本集，其中，所述训练样本集中的训练样本包括被分成多个分类图片的待检测图像；
利用深度学习方法，将所述训练样本集中训练样本包括的待检测图像作为检测网络的输入，将与输入的待检测图像对应的每个分类图片的检测结果作为对应的检测网络的输出，训练得到分类检测模型。
8.一种针对饲喂栏的图像检测装置，所述装置包括：
接收单元，被配置成接收摄像采集装置发送的初始图像；
截取单元，被配置成基于所述初始图像的宽栏体标注信息，对所述初始图像进行截取，得到所需检测的栏体区域图像，所述宽栏体标注信息的宽栏体为相对于窄栏体标注范围更宽的饲喂栏的栏体；
处理单元，被配置成对所述栏体区域图像进行透视处理，生成待检测图像；
检测单元，被配置成利用训练得到的分类检测模型，将所述待检测图像输入检测网络进行检测，得到待检测图像对应的每个分类图片的检测结果，所述检测结果用于指示该分类图片是否存在预设对象。
9.根据权利要求8所述的针对饲喂栏的图像检测装置，其中，所述截取单元进一步被配置成：基于栏体划分规则，确定所述初始图像中每个宽栏体的位置；利用线段标注法，对所述初始图像中每个宽栏体的位置坐标点进行标注，得到所述初始图像的宽栏体标注信息。
10.根据权利要求8所述的针对饲喂栏的图像检测装置，其中，所述处理单元包括：
变换模块，被配置成对所述栏体区域图像进行透视变换；
校正模块，被配置成对变换后的所述栏体区域图像进行边缘畸变纠正，生成待检测图像。
11.根据权利要求8所述的针对饲喂栏的图像检测装置，其中，所述检测单元，包括：
第一检测模块，被配置成利用训练得到的分类检测模型，检测所述待检测图像中的每个分类图片是否有牛，响应于分类图片中有牛脖子，则判定该分类图片有牛，否则，判定该分类图片无牛。
12.根据权利要求8所述的针对饲喂栏的图像检测装置，其中，所述检测单元，还包括：
分类模块，被配置成将所述待检测图像分成多个分类图片；
第二检测模块，被配置成利用训练得到的检测模型，将每个分类图片输入检测网络进行检测，得到每个分类图片的检测结果。
13.根据权利要求8所述的针对饲喂栏的图像检测装置，所述装置还包括：
汇总单元，被配置成将每个分类图片的检测结果进行汇总，生成待检测图像的检测结果序列并向外输出。
14.根据权利要求8所述的针对饲喂栏的图像检测装置，其中，所述检测单元进一步被配置成：获取训练样本集，其中，所述训练样本集中的训练样本包括被分成多个分类图片的待检测图像；利用深度学习方法，将所述训练样本集中训练样本包括的待检测图像作为检测网络的输入，将与输入的待检测图像对应的每个分类图片的检测结果作为对应的检测网络的输出，训练得到分类检测模型。
15.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
16.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010159829.1A CN111401182B (zh) | 2020-03-10 | 2020-03-10 | 针对饲喂栏的图像检测方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010159829.1A CN111401182B (zh) | 2020-03-10 | 2020-03-10 | 针对饲喂栏的图像检测方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111401182A CN111401182A (zh) | 2020-07-10 |
| CN111401182B true CN111401182B (zh) | 2023-12-08 |
Family
ID=71430597
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010159829.1A Active CN111401182B (zh) | 2020-03-10 | 2020-03-10 | 针对饲喂栏的图像检测方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111401182B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113421246A (zh) * | 2021-06-24 | 2021-09-21 | 长江存储科技有限责任公司 | 形成轨道检测模型的方法、检测轨道磨损的方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104320618A (zh) * | 2014-10-23 | 2015-01-28 | 西北农林科技大学 | 一种基于行为特征谱联动的犊牛状态监测的装置和方法 |
| CN108921105A (zh) * | 2018-07-06 | 2018-11-30 | 北京京东金融科技控股有限公司 | 识别目标数量的方法、装置及计算机可读存储介质 |
| CN109828592A (zh) * | 2019-04-22 | 2019-05-31 | 深兰人工智能芯片研究院（江苏）有限公司 | 一种障碍物检测的方法及设备 |
| CN109961371A (zh) * | 2019-03-07 | 2019-07-02 | 广州影子科技有限公司 | 养殖管理系统 |
| CN110070051A (zh) * | 2019-04-24 | 2019-07-30 | 卿胜奎 | 基于计算机视觉技术的牛发情监测方法及系统 |
| CN110222579A (zh) * | 2019-05-09 | 2019-09-10 | 华南理工大学 | 一种结合运动规律和目标检测的视频对象计数方法 |
| CN110532899A (zh) * | 2019-08-09 | 2019-12-03 | 中国农业大学 | 基于热成像的母猪产前行为分类方法及系统 |
| CN110547210A (zh) * | 2019-09-04 | 2019-12-10 | 北京海益同展信息科技有限公司 | 饲料供给方法及系统、计算机系统、存储介质 |
| CN110688928A (zh) * | 2019-09-20 | 2020-01-14 | 北京海益同展信息科技有限公司 | 模型训练方法、装置、电子设备及计算机可读存储介质 |
| CN110751079A (zh) * | 2019-10-16 | 2020-02-04 | 北京海益同展信息科技有限公司 | 物品检测方法、装置、系统和计算机可读存储介质 |
| CN110827352A (zh) * | 2019-10-14 | 2020-02-21 | 北京农业智能装备技术研究中心 | 一种牛舍喷淋降温调控方法及系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| NL2010098C2 (en) * | 2013-01-09 | 2014-07-10 | Lely Patent Nv | Method and system for generating an oestrus attention signal for a cattle animal. |
| US10701905B2 (en) * | 2017-12-06 | 2020-07-07 | International Business Machines Corporation | Imaging and three dimensional reconstruction for weight estimation |
| US10964019B2 (en) * | 2018-08-22 | 2021-03-30 | EIO Diagnostics, Inc. | System for high performance, AI-based dairy herd management and disease detection |
-
2020
- 2020-03-10 CN CN202010159829.1A patent/CN111401182B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104320618A (zh) * | 2014-10-23 | 2015-01-28 | 西北农林科技大学 | 一种基于行为特征谱联动的犊牛状态监测的装置和方法 |
| CN108921105A (zh) * | 2018-07-06 | 2018-11-30 | 北京京东金融科技控股有限公司 | 识别目标数量的方法、装置及计算机可读存储介质 |
| CN109961371A (zh) * | 2019-03-07 | 2019-07-02 | 广州影子科技有限公司 | 养殖管理系统 |
| CN109828592A (zh) * | 2019-04-22 | 2019-05-31 | 深兰人工智能芯片研究院（江苏）有限公司 | 一种障碍物检测的方法及设备 |
| CN110070051A (zh) * | 2019-04-24 | 2019-07-30 | 卿胜奎 | 基于计算机视觉技术的牛发情监测方法及系统 |
| CN110222579A (zh) * | 2019-05-09 | 2019-09-10 | 华南理工大学 | 一种结合运动规律和目标检测的视频对象计数方法 |
| CN110532899A (zh) * | 2019-08-09 | 2019-12-03 | 中国农业大学 | 基于热成像的母猪产前行为分类方法及系统 |
| CN110547210A (zh) * | 2019-09-04 | 2019-12-10 | 北京海益同展信息科技有限公司 | 饲料供给方法及系统、计算机系统、存储介质 |
| CN110688928A (zh) * | 2019-09-20 | 2020-01-14 | 北京海益同展信息科技有限公司 | 模型训练方法、装置、电子设备及计算机可读存储介质 |
| CN110827352A (zh) * | 2019-10-14 | 2020-02-21 | 北京农业智能装备技术研究中心 | 一种牛舍喷淋降温调控方法及系统 |
| CN110751079A (zh) * | 2019-10-16 | 2020-02-04 | 北京海益同展信息科技有限公司 | 物品检测方法、装置、系统和计算机可读存储介质 |
Non-Patent Citations (7)
| Title |
|---|
| Kelly R. Finn等.The use of multilayer network analysis in animal behaviour.《Animal Behaviour》.2019,第149卷7-22. * |
| Michael J. O'Grady 等.Modelling the smart farm.《Information Processing in Agriculture》.2017,第4卷(第3期),179-187. * |
| 孙雨坤 等.奶牛个体识别方法及其应用研究进展.《中国农业大学学报》.2019,(第(2019)12期),62-70. * |
| 尹令 等.基于无线传感器网络支持向量机奶牛行为特征识别.《传感技术学报》.2011,(第(2011)03期),458-462. * |
| 杨秋妹 ; 肖德琴 ; 张根兴 ; .猪只饮水行为机器视觉自动识别.农业机械学报.2018,(第06期),232-238. * |
| 汪开英 等.畜禽行为及生理信息的无损监测技术研究进展.《农业工程学报》.2017,(第(2017)20期),197-209. * |
| 沈明霞 等.畜禽养殖个体信息监测技术研究进展.《农业机械学报》.2014,(第(2014)10期),245-251. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111401182A (zh) | 2020-07-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112184738B (zh) | 一种图像分割方法、装置、设备及存储介质 | |
| CN109308681B (zh) | 图像处理方法和装置 | |
| US20190188530A1 (en) | Method and apparatus for processing image | |
| WO2020062493A1 (zh) | 图像处理方法和装置 | |
| CN109947989B (zh) | 用于处理视频的方法和装置 | |
| CN111598006B (zh) | 用于标注对象的方法和装置 | |
| US20210200971A1 (en) | Image processing method and apparatus | |
| CN110059623B (zh) | 用于生成信息的方法和装置 | |
| CN110852258A (zh) | 物体检测方法、装置、设备及存储介质 | |
| CN110111241B (zh) | 用于生成动态图像的方法和装置 | |
| US20210264198A1 (en) | Positioning method and apparatus | |
| CN111126159A (zh) | 用于实时跟踪行人的方法、装置、电子设备和介质 | |
| CN111401182B (zh) | 针对饲喂栏的图像检测方法和装置 | |
| CN112270242B (zh) | 轨迹的显示方法、装置、可读介质和电子设备 | |
| CN111310595B (zh) | 用于生成信息的方法和装置 | |
| CN111311358B (zh) | 信息处理方法、装置和电子设备 | |
| CN113191257A (zh) | 笔顺检测方法、装置和电子设备 | |
| CN111160410A (zh) | 一种物体检测方法和装置 | |
| CN113222050B (zh) | 图像分类方法、装置、可读介质及电子设备 | |
| CN112231023A (zh) | 一种信息显示方法、装置、设备及存储介质 | |
| CN115712746A (zh) | 图像样本标注方法、装置、存储介质以及电子设备 | |
| CN110334763B (zh) | 模型数据文件生成、图像识别方法、装置、设备及介质 | |
| CN111428121B (zh) | 搜索信息的方法和装置 | |
| CN116560552A (zh) | 一种信息处理方法、装置、电子设备及介质 | |
| CN111310858A (zh) | 用于生成信息的方法和装置 |
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 |
Address after: 100176 601, 6th floor, building 2, No. 18, Kechuang 11th Street, Daxing Economic and Technological Development Zone, Beijing Applicant after: Jingdong Technology Information Technology Co.,Ltd. Address before: 100176 601, 6th floor, building 2, No. 18, Kechuang 11th Street, Daxing Economic and Technological Development Zone, Beijing Applicant before: Jingdong Shuke Haiyi Information Technology Co.,Ltd. Address after: 100176 601, 6th floor, building 2, No. 18, Kechuang 11th Street, Daxing Economic and Technological Development Zone, Beijing Applicant after: Jingdong Shuke Haiyi Information Technology Co.,Ltd. Address before: 100176 601, 6th floor, building 2, No. 18, Kechuang 11th Street, Daxing Economic and Technological Development Zone, Beijing Applicant before: BEIJING HAIYI TONGZHAN INFORMATION TECHNOLOGY Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |