CN111680587B - 一种基于多目标跟踪的鸡群活动量实时估算方法及系统 - Google Patents
一种基于多目标跟踪的鸡群活动量实时估算方法及系统 Download PDFInfo
- Publication number
- CN111680587B CN111680587B CN202010454666.XA CN202010454666A CN111680587B CN 111680587 B CN111680587 B CN 111680587B CN 202010454666 A CN202010454666 A CN 202010454666A CN 111680587 B CN111680587 B CN 111680587B
- Authority
- CN
- China
- Prior art keywords
- chicken
- frame
- detection
- tracker
- target
- 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
Images
Classifications
-
- 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
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- 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
Abstract
本发明公开了一种基于多目标跟踪的鸡群活动量实时估算方法及系统,属于图像处理与计算机视觉技术领域。包括:计算图像帧中像素长度和实际长度之间的比例因子;获取鸡只检测框;为检测到的每个鸡只目标创建一个跟踪器;通过轨迹预测得到对应鸡只目标的预测框位置;对下一帧图像进行目标检测,将得到的鸡只检测框和前一帧的预测框进行匹配;筛选“检测框‑预测框”对;匹配失败的检测框再次匹配;计算跟踪器中鸡只检测框的距离补偿系数和鸡只检测框相对于前一帧移动的像素长度,进而计算鸡群活动量。本技术方案可以节省人力,减少估算时间,并克服人工估算主观性强的问题,准确性更高。
Description
技术领域
本发明属于图像处理与计算机视觉技术领域,具体涉及一种基于多目标跟踪的鸡群活动量实时估算方法及系统。
背景技术
随着我国市场经济的发展和国民生活水平的提升,鸡肉逐渐成为人民群众饮食供应中的重要肉种,且需求量在不断攀升。为满足人民群众的物质需求,近年来我国不断扩大肉鸡养殖规模,肉鸡养殖业也开始朝着标准化、科学化、效益化、规模化方向发展。半放牧养殖是肉鸡养殖的一种重要方式,这种方式养殖的肉鸡不仅味道鲜美、肉质细嫩,还可除草灭虫、培肥地力,减少肥料投资。但随着养殖范围的扩大,对养殖过程中鸡群健康状态的监管难度也在增加。大规模的养殖和监测的困难易使得养殖企业对鸡群健康状态认识不到位,鸡群染病后发现不及时,也增加了爆发大规模传染病的风险。如何采取科学有效的方法对鸡群的健康状态进行准确评估,成为肉鸡养殖业亟待解决的问题。
目前,已有养殖企业通过指派专门技术人员对鸡群行为进行观察,用手工记录鸡只在不同状态下各行为发生的频次、持续时间,作为肉鸡健康状态的判断依据。这种方法不仅费时费力,而且存在主观性强、准确性低的问题,不适用于大规模养殖模式下肉鸡生理健康状况的诊断。
发明内容
本发明的目的在于提供一种基于多目标跟踪的鸡群活动量实时估算方法,以解决现有技术中人工观察研究鸡群行为,主观性强、准确性低,工作效率低的问题。
为达到上述目的,本发明所采用的技术方案是:一种基于多目标跟踪的鸡群活动量实时估算方法,包括:将一边长已知的方形标定块置于待检测的鸡群活动场地中,对场地取像后,获取标定块边长的像素长度;根据获得的标定块边长的像素长度,计算图像帧中标定块边长的像素长度和实际长度之间的比例因子;对第N帧图像中的鸡只目标进行目标检测,获得鸡只检测框;为检测到的每个鸡只目标创建一个跟踪器,跟踪器中存储所跟踪的鸡只目标的检测框位置;根据跟踪器中存储的鸡只检测框位置,用kalman滤波器进行轨迹预测,得到对应鸡只目标的预测框位置;对第N+1帧图像中的鸡只进行目标检测,将得到的鸡只检测框和前一帧预测框用分支限界法进行匹配;对匹配成功的“检测框-预测框”对进行遍历,去掉交并比小于IOU阈值的配对,对于交并比不小于IOU阈值的配对,将检测框的位置加入所匹配的预测框对应的跟踪器中;对匹配失败的鸡只检测框进行重新匹配,将检测框的位置加入所匹配的预测框对应的跟踪器中;对跟踪器进行遍历,若跟踪器中第N+1帧和第N帧的鸡只检测框大小不一致,计算跟踪器中第N+1帧的鸡只检测框的距离补偿系数,若大小一致则将距离补偿系数置1;根据跟踪器中存储的鸡只检测框在第N帧和第N+1帧的位置,计算第N+1帧的鸡只检测框相对于第N帧的鸡只检测框移动的像素长度;根据每个鸡只检测框的距离补偿系数和移动的像素长度,计算并输出鸡群活动量的实时估算结果。
进一步地,用PairEdgeDistance算法获取标定块边长的像素长度。
进一步地,采用YOLO v3技术进行目标检测,只保留置信度大于0.5的鸡只检测框。
进一步地,在利用kalman滤波器进行轨迹预测时,若鸡只检测框的中点位置变化率小于速度阈值,滤波器采用匀速模型,否则采用匀加速模型。
进一步地,用分支限界法进行匹配时使用的代价矩阵为鸡只检测框与鸡只预测框之间的交并比。
进一步地,对于匹配失败的鸡只检测框,通过以下公式进行重新匹配:
其中,P是鸡只检测框重新匹配到的预测框位置,x是匹配失败的鸡只检测框的中点横坐标,y是匹配失败的鸡只检测框的中点纵坐标,xi是第i个跟踪器对应的鸡只预测框的中点横坐标,yi是第i个跟踪器对应的鸡只预测框的中点纵坐标。
进一步地,鸡群活动量的实时估算结果通过以下公式获得:
其中,act是鸡群活动量的实时估算结果,k是跟踪器的数目,Di是第i个跟踪器中鸡只检测框移动的像素长度,scale是预先算得的比例因子,ηi是第i个跟踪器中鸡只检测框的距离补偿系数。
一种基于多目标跟踪的鸡群活动量实时估算系统,包括:图像采集模块,用于实时采集鸡群活动场地的图像;第一计算模块,用于获取图像帧中标定块边长的像素长度和实际长度之间的比例因子;图像检测模块,用于对采集的图像进行目标检测,获得鸡只检测框;数据处理模块,为检测到的每个鸡只目标创建一个跟踪器,跟踪器中存储所跟踪的鸡只目标的检测框位置,用于将图像检测模块获取的鸡只检测框进行轨迹预测,获取鸡只预测框,并将第N+1帧图像的检测框与第N帧图像的预测框进行匹配;第二计算模块,用于计算跟踪器中鸡只检测框的距离补偿系数;第三计算模块,用于计算第N+1帧的鸡只检测框相对于第N帧的鸡只检测框移动的像素长度;第四计算模块,用于根据每个鸡只检测框的距离补偿系数和移动的像素长度,计算鸡群活动量的实时估算结果;输出模块,用于输出第四计算模块的计算结果。
与现有技术相比,本发明所达到的有益效果:
(1)本发明通过预先计算图像帧中像素长度和实际长度之间的比例因子,降低了后续计算的复杂度,鲁棒性高;
(2)本发明通过多目标跟踪监测分析鸡群监视图像中的鸡群状态,获得鸡群整体的活动数据,提出鸡群活动量实时估算方法,与用自然观察法记录鸡群活动状态相比,减少了人工成本,节省了估算时间,并克服了估算结果主观性强、准确率低的问题,适合大范围养殖模式下肉鸡健康状况的诊断,并且实现了实时监测的效果;
(3)本发明通过在计算鸡只的实际移动距离时加入补偿系数,若同一鸡只在视频图像中的不同时刻显示的大小发生了变化,则对补偿系数进行调整,减小了因距离不同带来的透视变形问题,准确性更高。
附图说明
图1是本发明实施例提供的一种基于多目标跟踪的鸡群活动量实时估算方法的流程图;
图2是本发明实施例中目标检测后保留置信度大于0.5的鸡只检测框示意图;
图3是本发明实施例提供的一种基于多目标跟踪的鸡群活动量实时估算方法的前一帧鸡只检测框相对于后一帧鸡只检测框移动的像素长度示意图;
图4是本发明实施例提供的一种基于多目标跟踪的鸡群活动量实时估算方法的多目标跟踪流程图;
图5是本发明实施例提供的一种基于多目标跟踪的鸡群活动量实时估算方法的活动量估算流程图;
图6是本发明的一种基于多目标跟踪的鸡群活动量实时估算系统的结构框图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
实施例一:
如图1~图5所示,一种基于多目标跟踪的鸡群活动量实时估算方法,包括:将一边长已知的方形标定块置于待检测的鸡群活动场地中,相机对场地取像后,获取标定块边长的像素长度;根据获得的标定块边长的像素长度,计算图像帧中标定块边长的像素长度和实际长度之间的比例因子;对第N帧图像中的鸡只目标进行目标检测,获得鸡只检测框;为检测到的每个鸡只目标创建一个跟踪器,跟踪器中存储所跟踪的鸡只目标的检测框位置;根据跟踪器中存储的鸡只检测框位置,用kalman滤波器进行轨迹预测,得到对应鸡只目标的预测框位置;对第N+1帧图像中的鸡只进行目标检测,将得到的鸡只检测框和前一帧预测框用分支限界法进行匹配;对匹配成功的“检测框-预测框”对进行遍历,去掉交并比小于IOU阈值的配对,交并比不小于IOU阈值的配对,将检测框的位置加入所匹配的预测框对应的跟踪器中;对匹配失败的鸡只检测框进行重新匹配,将检测框的位置加入所匹配的预测框对应的跟踪器中;对跟踪器进行遍历,若跟踪器中第N+1帧和第N帧的鸡只检测框大小不一致,计算跟踪器中第N+1帧的鸡只检测框的距离补偿系数,若大小一致则将距离补偿系数置1;根据跟踪器中存储的鸡只检测框在第N帧和第N+1帧的位置,计算第N+1帧的鸡只检测框相对于第N帧的鸡只检测框移动的像素长度;根据每个鸡只检测框的距离补偿系数和移动的像素长度,计算并输出鸡群活动量的实时估算结果。
第一步,将一边长已知的方形标定块置于待检测的鸡群活动场地中,相机对场地取像后,用PairEdgeDistance算法获取标定块边长的像素长度。
第二步,根据获得的标定块边长的像素长度,计算图像帧中标定块边长的像素长度和实际长度之间的比例因子;计算公式为:
其中,scale为比例因子,Dpixel为标定块边长的像素长度,Dreal为标定块实际的边长长度。
本实施例通过预先计算图像帧中像素长度和实际长度之间的比例因子,降低了后续计算的复杂度,鲁棒性高。
第三步,采集一段半放牧养殖方式下的鸡群活动视频,对视频中第N帧的图像采用YOLOv3技术进行目标检测,只保留置信度大于0.5的鸡只检测框,检测结果如图2所示。
第四步,为检测到的每个鸡只目标创建一个跟踪器,跟踪器中存储所跟踪的鸡只目标的检测框位置。
第五步,根据跟踪器中存储的鸡只检测框位置,用kalman滤波器进行轨迹预测,得到对应鸡只目标的预测框位置。在利用kalman滤波器进行轨迹预测时,若鸡只检测框的中点位置变化率小于速度阈值,滤波器采用匀速模型,否则采用匀加速模型。
第六步,对视频中第N+1帧的图像进行目标检测,将得到的鸡只检测框和前一帧预测框用分支限界法进行匹配。匹配时使用的代价矩阵为鸡只检测框与鸡只预测框之间的交并比。
第七步,对匹配成功的“检测框-预测框”对进行遍历,去掉交并比小于IOU阈值的配对,交并比不小于IOU阈值的配对,将检测框的位置加入所匹配的预测框对应的跟踪器中。
第八步,对匹配失败的鸡只检测框进行重新匹配,将检测框的位置加入所匹配的预测框对应的跟踪器中;匹配公式为:
其中,P是鸡只检测框重新匹配到的预测框位置,x是匹配失败的鸡只检测框的中点横坐标,y是匹配失败的鸡只检测框的中点纵坐标,xi是第i个跟踪器对应的鸡只预测框的中点横坐标,yi是第i个跟踪器对应的鸡只预测框的中点纵坐标。
本实施例通过多目标跟踪监测分析鸡群监视图像中的鸡群状态,获得鸡群整体的活动数据,提出鸡群活动量实时估算方法,在得到图像帧中像素长度和实际长度之间的比例因子后,只需获得鸡群日常活动的视频,就能给出鸡群活动量实时估算结果,与用自然观察法记录鸡群活动状态相比,减少了人工成本,节省了估算时间,并克服了估算结果主观性强、准确率低的问题,适合大范围养殖模式下肉鸡健康状况的诊断,并且实现了实时监测的效果。
第九步,对跟踪器进行遍历,若跟踪器中第N+1帧和第N帧的鸡只检测框大小不一致,计算跟踪器中第N+1帧的鸡只检测框的距离补偿系数,若大小一致则将距离补偿系数置1;计算公式为:
其中,ηi为第i个跟踪器中鸡只检测框的距离补偿系数,wi为第i个跟踪器中鸡只检测框的宽度,hi为第i个跟踪器中鸡只检测框的高度,wr为参考框的宽度,hr为参考框的高度,这里参考框选取图像中面积为中值的检测框。
第十步,根据跟踪器中存储的鸡只检测框在第N帧和第N+1帧的位置,计算第N+1帧的鸡只检测框相对于第N帧的鸡只检测框移动的像素长度;计算公式为:
其中,x1是第N+1帧的鸡只检测框的中点横坐标,y1是第N+1帧的鸡只检测框的中点纵坐标,x2是第N帧的鸡只检测框的中点横坐标,y2是第N帧的鸡只检测框的中点纵坐标。
第十一步,根据每个鸡只检测框的距离补偿系数和移动的像素长度,计算鸡群活动量;计算公式为:
其中,act是鸡群活动量的实时估算结果,k是跟踪器的数目,Di是第i个跟踪器中鸡只检测框移动的像素长度,scale是预先算得的比例因子,ηi是第i个跟踪器中鸡只检测框的距离补偿系数。
本实施例在计算鸡只的实际移动距离时加入补偿系数,若同一鸡只在视频图像中的不同时刻显示的大小发生了变化,则对补偿系数进行调整,减小了因距离不同带来的透视变形问题,准确性更高。
本发明以鸡群总体活动量为统计数据,为半放牧养殖方式下鸡群的健康状态评估提供科学量化的参考依据。
实施例二:
基于实施例一所述的一种基于多目标跟踪的鸡群活动量实时估算方法,本实施例提供一种基于多目标跟踪的鸡群活动量实时估算系统,如图6所示,包括:
图像采集模块,用于实时采集鸡群活动场地的图像;
第一计算模块,用于获取图像帧中标定块边长的像素长度和实际长度之间的比例因子;
图像检测模块,用于对采集的图像进行目标检测,获得鸡只检测框;
数据处理模块,为检测到的每个鸡只目标创建一个跟踪器,跟踪器中存储所跟踪的鸡只目标的检测框位置,用于将图像检测模块获取的鸡只检测框进行轨迹预测,获取鸡只预测框,并将第N+1帧图像的检测框与第N帧图像的预测框进行匹配;
第二计算模块,用于计算跟踪器中鸡只检测框的距离补偿系数;
第三计算模块,用于计算第N+1帧的鸡只检测框相对于第N帧的鸡只检测框移动的像素长度;
第四计算模块,用于根据每个鸡只检测框的距离补偿系数和移动的像素长度,计算鸡群活动量的实时估算结果;
输出模块,用于输出第四计算模块的计算结果。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (8)
1.一种基于多目标跟踪的鸡群活动量实时估算方法,其特征是,包括:
将一边长已知的方形标定块置于待检测的鸡群活动场地中,对场地取像后,获取标定块边长的像素长度;
根据获得的标定块边长的像素长度,计算图像帧中标定块边长的像素长度和实际长度之间的比例因子;
对第N帧图像中的鸡只目标进行目标检测,获得鸡只检测框;
为检测到的每个鸡只目标创建一个跟踪器,跟踪器中存储所跟踪的鸡只目标的检测框位置;
根据跟踪器中存储的鸡只检测框位置,用kalman滤波器进行轨迹预测,得到对应鸡只目标的预测框位置;
对第N+1帧图像中的鸡只进行目标检测,将得到的鸡只检测框和前一帧预测框用分支限界法进行匹配;
对匹配成功的“检测框-预测框”对进行遍历,去掉交并比小于IOU阈值的配对,对于交并比不小于IOU阈值的配对,将检测框的位置加入所匹配的预测框对应的跟踪器中;
对匹配失败的鸡只检测框进行重新匹配,将检测框的位置加入所匹配的预测框对应的跟踪器中;
对跟踪器进行遍历,若跟踪器中第N+1帧和第N帧的鸡只检测框大小不一致,计算跟踪器中第N+1帧的鸡只检测框的距离补偿系数,若大小一致则将距离补偿系数置1;
根据跟踪器中存储的鸡只检测框在第N帧和第N+1帧的位置,计算第N+1帧的鸡只检测框相对于第N帧的鸡只检测框移动的像素长度;
根据每个鸡只检测框的距离补偿系数和移动的像素长度,计算并输出鸡群活动量的实时估算结果。
2.根据权利要求1所述的基于多目标跟踪的鸡群活动量实时估算方法,其特征是,用PairEdgeDistance算法获取标定块边长的像素长度。
3.根据权利要求1所述的基于多目标跟踪的鸡群活动量实时估算方法,其特征是,采用YOLO v3技术进行目标检测,只保留置信度大于0.5的鸡只检测框。
4.根据权利要求1所述的基于多目标跟踪的鸡群活动量实时估算方法,其特征是,在利用kalman滤波器进行轨迹预测时,若鸡只检测框的中点位置变化率小于速度阈值,滤波器采用匀速模型,否则采用匀加速模型。
5.根据权利要求1所述的基于多目标跟踪的鸡群活动量实时估算方法,其特征是,用分支限界法进行匹配时使用的代价矩阵为鸡只检测框与鸡只预测框之间的交并比。
8.一种基于多目标跟踪的鸡群活动量实时估算系统,其特征是,包括:
图像采集模块,用于实时采集鸡群活动场地的图像;
第一计算模块,用于获取图像帧中标定块边长的像素长度和实际长度之间的比例因子;
图像检测模块,用于对采集的图像进行目标检测,获得鸡只检测框;
数据处理模块,为检测到的每个鸡只目标创建一个跟踪器,跟踪器中存储所跟踪的鸡只目标的检测框位置,用于将图像检测模块获取的鸡只检测框进行轨迹预测,获取鸡只预测框,并将第N+1帧图像的检测框与第N帧图像的预测框进行匹配;
第二计算模块,用于计算跟踪器中鸡只检测框的距离补偿系数;
第三计算模块,用于计算第N+1帧的鸡只检测框相对于第N帧的鸡只检测框移动的像素长度;
第四计算模块,用于根据每个鸡只检测框的距离补偿系数和移动的像素长度,计算鸡群活动量的实时估算结果;
输出模块,用于输出第四计算模块的计算结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010454666.XA CN111680587B (zh) | 2020-05-26 | 2020-05-26 | 一种基于多目标跟踪的鸡群活动量实时估算方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010454666.XA CN111680587B (zh) | 2020-05-26 | 2020-05-26 | 一种基于多目标跟踪的鸡群活动量实时估算方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111680587A CN111680587A (zh) | 2020-09-18 |
CN111680587B true CN111680587B (zh) | 2022-09-13 |
Family
ID=72452726
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010454666.XA Active CN111680587B (zh) | 2020-05-26 | 2020-05-26 | 一种基于多目标跟踪的鸡群活动量实时估算方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111680587B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112070807B (zh) * | 2020-11-11 | 2021-02-05 | 湖北亿咖通科技有限公司 | 多目标跟踪方法和电子装置 |
CN112529942B (zh) * | 2020-12-22 | 2024-04-02 | 深圳云天励飞技术股份有限公司 | 多目标跟踪方法、装置、计算机设备及存储介质 |
CN113793365B (zh) * | 2021-11-17 | 2022-04-29 | 第六镜科技(成都)有限公司 | 目标跟踪方法、装置、计算机设备及可读存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8184155B2 (en) * | 2007-07-11 | 2012-05-22 | Ricoh Co. Ltd. | Recognition and tracking using invisible junctions |
CN105447459B (zh) * | 2015-11-18 | 2019-03-22 | 上海海事大学 | 一种无人机自动检测目标和跟踪方法 |
CN110163889A (zh) * | 2018-10-15 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 目标跟踪方法、目标跟踪装置、目标跟踪设备 |
-
2020
- 2020-05-26 CN CN202010454666.XA patent/CN111680587B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111680587A (zh) | 2020-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111680587B (zh) | 一种基于多目标跟踪的鸡群活动量实时估算方法及系统 | |
CN109785337B (zh) | 一种基于实例分割算法的栏内哺乳动物清点方法 | |
Boogaard et al. | Robust node detection and tracking in fruit-vegetable crops using deep learning and multi-view imaging | |
CN110689519B (zh) | 基于yolo网络的雾滴沉积图像检测系统和方法 | |
CN106295558A (zh) | 一种猪只行为节律分析方法 | |
CN111696139B (zh) | 基于rgb图像的白羽种鸡群体体重估测系统和方法 | |
CN109141248A (zh) | 基于图像的猪体重测算方法及系统 | |
CN111161214B (zh) | 一种基于双目视觉的猪只体重测量及饮水行为识别系统及方法 | |
CN109380146B (zh) | 生猪自动测量装置和方法 | |
CN115861721B (zh) | 基于图像数据的畜禽养殖喷雾设备状态识别方法 | |
CN105809711A (zh) | 一种基于视频追踪的猪只运动大数据提取方法及其系统 | |
CN114596448A (zh) | 一种肉鸭健康管理方法及其管理系统 | |
CN113096178A (zh) | 猪只体重的估测方法、装置、设备和存储介质 | |
CN112232978A (zh) | 水产品体长和重量检测方法、终端设备及存储介质 | |
CN111476119B (zh) | 一种基于时空上下文的昆虫行为识别方法及装置 | |
CN108460370B (zh) | 一种固定式家禽生命信息报警装置 | |
CN114818909A (zh) | 一种基于作物长势特征的杂草检测方法和装置 | |
CN112883915B (zh) | 一种基于迁移学习的麦穗自动识别方法和系统 | |
CN114898405A (zh) | 基于边缘计算的便携式肉鸡异常监测系统 | |
CN112907546B (zh) | 肉牛体尺非接触测量装置及方法 | |
CN114155377A (zh) | 基于人工智能和生长周期分析的禽类自适应喂食方法 | |
CN113724250A (zh) | 一种基于双光相机的动物目标计数方法 | |
CN111369497B (zh) | 一种行走式树上果实连续计数方法及装置 | |
CN113326743A (zh) | 一种养殖背景条件下鱼群运动行为参数提取和分析方法 | |
CN112580671A (zh) | 一种基于深度学习的稻穗多发育期自动检测方法及系统 |
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 |