CN111709333A - 基于笼养鸡异常粪便的溯源预警系统及健康监测方法 - Google Patents
基于笼养鸡异常粪便的溯源预警系统及健康监测方法 Download PDFInfo
- Publication number
- CN111709333A CN111709333A CN202010501613.9A CN202010501613A CN111709333A CN 111709333 A CN111709333 A CN 111709333A CN 202010501613 A CN202010501613 A CN 202010501613A CN 111709333 A CN111709333 A CN 111709333A
- Authority
- CN
- China
- Prior art keywords
- abnormal
- excrement
- image
- data
- module
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 146
- 241000287828 Gallus gallus Species 0.000 title claims abstract description 82
- 235000013330 chicken meat Nutrition 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000036541 health Effects 0.000 title claims abstract description 22
- 238000012544 monitoring process Methods 0.000 title claims description 26
- 238000012545 processing Methods 0.000 claims abstract description 33
- 230000005540 biological transmission Effects 0.000 claims abstract description 31
- 201000010099 disease Diseases 0.000 claims abstract description 30
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 30
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims abstract description 5
- 210000003608 fece Anatomy 0.000 claims description 42
- 238000004140 cleaning Methods 0.000 claims description 25
- 239000010871 livestock manure Substances 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 21
- 210000002700 urine Anatomy 0.000 claims description 16
- 238000013136 deep learning model Methods 0.000 claims description 12
- 238000013135 deep learning Methods 0.000 claims description 11
- 238000007405 data analysis Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 10
- 208000023505 abnormal feces Diseases 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 5
- 239000000428 dust Substances 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000011068 loading method Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 2
- 238000009395 breeding Methods 0.000 abstract description 19
- 230000001488 breeding effect Effects 0.000 abstract description 19
- 238000005516 engineering process Methods 0.000 abstract description 11
- 239000003814 drug Substances 0.000 abstract description 5
- 235000013305 food Nutrition 0.000 abstract description 3
- 210000001035 gastrointestinal tract Anatomy 0.000 description 7
- 230000003993 interaction Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 239000013589 supplement Substances 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 210000003746 feather Anatomy 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 206010013654 Drug abuse Diseases 0.000 description 1
- 208000018569 Respiratory Tract disease Diseases 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- NNBFNNNWANBMTI-UHFFFAOYSA-M brilliant green Chemical compound OS([O-])(=O)=O.C1=CC(N(CC)CC)=CC=C1C(C=1C=CC=CC=1)=C1C=CC(=[N+](CC)CC)C=C1 NNBFNNNWANBMTI-UHFFFAOYSA-M 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 235000013601 eggs Nutrition 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 230000005541 medical transmission Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 208000011117 substance-related disease Diseases 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P60/00—Technologies relating to agriculture, livestock or agroalimentary industries
- Y02P60/80—Food processing, e.g. use of renewable energies or variable speed drives in handling, conveying or stacking
- Y02P60/87—Re-use of by-products of food processing for fodder production
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Educational Administration (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Marine Sciences & Fisheries (AREA)
- Game Theory and Decision Science (AREA)
- Mining & Mineral Resources (AREA)
- Agronomy & Crop Science (AREA)
Abstract
本发明公开了一种基于笼养鸡异常粪便的溯源预警系统,它包括异常粪便识别单元和异常粪便溯源单元:异常粪便识别单元包括图像采集模块、数据传输模块、数据处理模块和终端报警模块;异常溯源单元包括转速传感器、数据传输模块和数据处理模块。本发明利用异常粪便识别技术,对鸡只健康状态的监测以及疾病的预警,能够实现实时、准确、高效的鸡健康检测,提高养殖自动化、智能化水平。同时通过对产生异常粪便的异常鸡只进行空间溯源,能够实现鸡养殖过程中的精准用药,极大的减少药物滥用,能够从根本上提升食品安全。
Description
技术领域
本发明涉及笼养鸡的健康监测技术、疾病预警技术、传感器技术、无线网络通讯技术、数字图像处理技术和深度学习技术,具体地讲是一种基于笼养鸡异常粪便的健康监测与溯源预警系统。
背景技术
鸡是全世界重要的肉类和蛋类来源,鸡养殖业是我国农业的支柱产业之一。随着自动化与智能化技术的发展,我国鸡养殖也实现了产业升级,从过去的粗放式、小规模的养殖模式逐步向集约化、自动化、大规模的现代化养殖模式发展。在鸡养殖产业进一步优化升级过程中,智能化的对鸡疾病进行监测,成为制约产业发展的瓶颈。鸡的消化道疾病是规模化鸡养殖业所面临的重大疾病之一。鸡消化道疾病具有蔓延速度快、发病率高、经济影响大的特点,其破坏力和影响力仅次于鸡的呼吸道疾病,直接关系到鸡的死淘率和料肉比、料蛋比,因此对鸡消化道疾病的防治密切影响养殖的综合效益。
正常鸡的粪便通常呈棕色、青灰色、顶部带有白色固状物,形状呈圆柱状。当鸡患上了消化道疾病,粪便会第一时间表现出异常,不同病因的消化道系统疾病,会引起不同异常现象的粪便,比如:颜色异常粪便、形状异常粪便、含水率异常等。
发明内容
本发明针对背景技术中存在的问题,提出了基于笼养鸡异常粪便的溯源预警系统及健康监测方法。需解决以下问题:
(1)笼养鸡养殖过程中粪便图像实时采集以及传输。
(2)异常粪便实时监测。
(3)多种类异常粪便的识别与分类。
(4)异常粪便的空间溯源。
(5)依据异常粪便的笼养鸡疾病预警。
本发明首先公开了一种基于笼养鸡异常粪便的溯源预警系统,它包括异常粪便识别单元和异常粪便溯源单元:
异常粪便识别单元包括图像采集模块、数据传输模块、数据处理模块和终端报警模块;图像采集模块实时采集笼养鸡清粪带上粪便图像,由数据传输模块将图像数据传输至数据处理模块,进行数据分析处理,分析粪便状态,监测异常粪便以及实现异常粪便分类,当出现异常粪便时,由终端报警模块进行异常报警;
异常溯源单元包括转速传感器、数据传输模块和数据处理模块;利用安装在输送带传动机构上的转速传感器,实现传送带输送速度的监测,当异常粪便识别部分发出异常粪便警报时,利用输送带输送速度,倒推计算出排泄异常粪便的异常鸡所处空间位置,实现异常粪便的空间溯源和疾病预警。
优选的,所述图像采集模块设置在清粪带出粪口处上方30cm处。
优选的,所述异常粪便识别单元中的数据传输模块为WiFi传输,图像数据通过WiFi传输至路由器;所述异常溯源单元中的数据传输模块为无线通讯模块,转速数据通过无线通讯模块传输至路由器;路由器将图像数据和转速数据上传至服务器进行数据分析与处理。
本发明还公开了一种基于笼养鸡异常粪便的健康监测方法,基于本发明所述的系统,其特征在于所述异常粪便识别单元中的数据处理模块将图像采集模块获得的粪便图像进行分析处理,识别出异常粪便及异常粪便出现的时间;所述异常溯源单元中的数据处理模块将转速传感器获得的输送速度进行空间溯源;监测记录异常粪便的种类、数量、空间位置信息。
优选的,异常粪便识别包括以下步骤:
S1-1、视频分帧提取;
S1-2、图像预处理,包括尺寸归一化和背景移除;
S1-3、深度学习模型的建立;
S1-4、结果分析,利用深度学习模型检测S1-2的预处理图像,进行结果分析,获得异常粪便图像,根据本帧图像命名,记录下异常粪便出现的时间及检测结果。
优选的,所述背景移除:
1.计算属于粪便的像素点占整幅图像的比例ω0;
2.计算粪便的平均灰度μ0;
3.计算属于清粪带和粉尘杂物的像素点占整幅图像的比例ω1;
4.计算粪便的平均灰度μ1;
5.计算图像的总平均灰度μ,类间方差g;
6.记图像大小为M×N,图像中像素的灰度值小于阈值T的像素个数记作N0,像素灰度大于阈值T的像素个数记作N1,则有:
ω0=N0/M×N (2)
ω1=N1/M×N (3)
N0+N1=M×N (4)
ω0+ω1=1 (5)
μ=ω0*μ0+ω1*μ1 (6)
g=ω0(μ0-μ)^2+ω1(μ1-μ)^2 (7)
将式(6)代入式(7),得到等价公式:
g=ω0ω1(μ0-μ1)^2 (8)
7.采用遍历的方法得到g最大的阈值T;按照T作为分割阈值进行图像分割,将图像背景移除。
优选的,所述深度学习模型的建立包括以下步骤:
S1-3-1、数据集制备;
1.按照图像采集设备的图像标准采集各类鸡粪便图像;
2.按照粪便特点,将图像数据分为正常、形状异常、颜色异常、含水量异常、形状&含水量异常五类;
3.利用图像标注软件labelimg进行数据标注,生成包含标注框的坐标点信息、类别名称、图片的长宽等信息的xml文件;
4.将图像原件以及xml文件,制备成VOC数据集,包含训练集、验证集、测试集;
S1-3-2、模型训练;
1.搭建yolov3使用系统环境;
2.修改网络参数;
3.编译网络代码;
4.加载预训练模型;
5.加载数据集进行迭代训练;
6.当损失收敛到预设值或迭代次数达到最大,停止训练,得到训练模型;
S1-3-3、模型验证;
1.引入鸡粪便识别模型,引入准确率、精确度、召回率以及F1分数四个指标进行评价;
准确率P是对给定数据集,分类正确样本个数和总样本数的比值,即:
召回率R又被称为查全率,用来说明分类器中判定为真的正例占总正例的比率,即:
F1是精确率和召回率的调和平均:
上述各式中,P为准确率,R为召回率,TP是将正预测为真,FN是将正预测为假,FP是将反预测为真,TN是将反预测为假;
2.利用测试集数据以及图像采集设备采集到的图像进行验证,利用上述4个评价指标,对训练得到的深度学习识别模型进行评价,利用P-R曲线:以准确率P为Y轴、召回率R为X轴;结合F1评价指标,选取效果最优的识别模型,进行应用检测。
优选的呢,S1-3-3、模型验证中,计算P-R曲线与坐标轴围成的面积,选取面积大的所对应的深度学习识别模型最为最优的识别模型;
若模型的P-R曲线所围成面积相等,则比较模型对应的F1评价指标,选取F1数值大的所对应的的深度学习识别模型最为最优的识别模型。
优选的,所述深度学习模型的建立还包括S1-3-4、结果分析:
1.经过深度学习模型进行检测后的帧图像,若未检出异常粪便,则忽略本帧图像;
2.若检测出异常粪便,则根据本帧图像命名,记录下异常粪便出现时间以及根据深度学习模型检测结果,记录出现的异常粪便种类、数量、空间位置信息。
优选的,空间溯源包括以下步骤:
S2-1、传感器获得转速数据;
S2-1、基于异常粪便识别单元获得异常粪便出现的时间;
S2-3、计算获得异常粪便的产生位置:
模型检测出异常粪便发生时刻t,清粪带驱动轴转速n,驱动轴半径r,则异常粪便产生位置为s,s表示距离清粪口处的位置,则s可根据公式计算:
s=2πnrt
根据异常粪便产生位置到清粪口的距离以及异常粪便出现在清粪带的左右区域,即可判断产生异常粪便的鸡只距离清粪口的距离以及所在饲养笼的左右,实现异常粪便的空间溯源。
本发明的有益效果
本专利基于患病鸡会排泄异常粪便的特点,利用图像采集设备实时采集笼养鸡笼子下方清粪带上鸡粪便的图像,利用人工智能技术,建立出异常粪便识别模型。研究基于ARM嵌入式的异常粪便空间位置的确定,并最终实现异常粪便的溯源和疾病的预警。实现实时、高效、低成本、高精度的鸡异常粪便识别、鸡健康监测、异常溯源与疾病预警,能切实促进鸡养殖业的提档升级,有助于推动鸡的精细养殖发展,实现疾病的早期诊疗,降低人工成本,提高食品安全,提升鸡养殖业的经济效益。具体的:
(1)利用异常粪便识别技术,对鸡只健康状态的监测以及疾病的预警,能够实现实时、准确、高效的鸡健康检测,提高养殖自动化、智能化水平。
(2)利用自动化智能化的检测技术,能够大幅度减少鸡养殖对人工的依赖,减少人工成本,降低养殖人员的工作强度。
(3)通过对异常粪便的实时监测,可以将疾病的诊疗进行在疾病发生的初期或早期,有效的减少疾病的蔓延,降低疾病造成的死淘率以及经济损失。
(4)通过对产生异常粪便的异常鸡只进行空间溯源,能够实现鸡养殖过程中的精准用药,极大的减少药物滥用,能够从根本上提升食品安全。
附图说明
图1为本发明的系统示意图
图2为粪便图像数据采集方案流程图
图3为数据传输方案结构示意图
图4为数据分析处理流程图
图5darknet53网络结构示意图
图6为空间溯源方案流程图
图7为上位机笼养鸡异常粪便的健康监测与溯源平台系统架构图
具体实施方式
下面结合实施例对本发明作进一步说明,但本发明的保护范围不限于此:
本发明“基于笼养鸡异常粪便的溯源预警系统及健康监测方法”基于患病鸡会排泄异常粪便的特点,使用图像采集设备实时采集笼养鸡笼子下方清粪带上鸡粪便的图像,利用人工智能技术,建立出异常粪便识别模型,开发基于ARM嵌入式的异常粪便空间位置确定系统,并最终实现异常粪便的溯源和疾病的预警。该系统主要分为两大组成部分——异常粪便识别部分和异常粪便溯源部分。异常粪便识别部分,主要由图像采集模块、数据传输模块、数据处理模块和终端报警模块构成。异常溯源部分,主要由传感器模块、数据传输模块和数据处理模块构成。
在异常粪便识别部分,其图像采集模块实时采集笼养鸡清粪带上粪便图像,由数据传输模块将图像数据传输至数据处理模块,进行数据分析处理,分析粪便状态,监测异常粪便以及实现异常粪便分类,当出现异常粪便时,由终端报警模块进行异常报警。
在异常粪便溯源部分,利用安装在输送带传动机构上的转速传感器,实现传送带输送速度的监测,当异常粪便识别部分发出异常粪便警报时,利用输送带输送速度,倒推计算出排泄异常粪便的异常鸡所处空间位置,实现异常粪便的空间溯源和疾病预。系统示意图如图1所示。
本发明依托现有笼养鸡养殖设施设备,增加数据采集、信息传输、数据处理等设备,实现笼养鸡异常粪便的实时监测,以此达到对笼养鸡健康监测的目的。利用安装在清粪带上方的图像采集设备,实时采集清粪带上肉鸡粪便的图像数据,并通过数据传输模块上传至数据处理模块进行数据分析。利用训练好的异常粪便识别、分类模型,对清粪带上的肉鸡粪便图像数据进行实时检测,当出现异常粪便时,记录其出现的时间节点、异常分类、产生频率等信息,利用专家决策系统,当对各类信息进行综合评判,当异常粪便信息大于设定阈值时,利用终端报警模块,实现多平台报警。同时,利用安装在清粪带传动机构上的转速传感器,来实时计算得到清粪带传输速度,结合异常粪便出现的时间节点,实现排泄异常粪便的异常鸡的空间溯源,并依托终端报警模块,为养殖人员提供异常鸡的溯源空间信息。通过该基于异常粪便的健康监测与溯源预警系统的实施,可以实现笼养鸡的自动化、智能化、实时化的异常监测和疾病预警。具体解决方案如下:
粪便图像数据采集方案
依托现有叠层养殖现有设备,在清粪带出粪口处,清粪带上方30CM处加装图像采集设备以及补光设备,令清粪带处于图像采集设备画面中央。补光设备安装在图像采集设备同一水平面上,保证光线条件稳定,且补光设备不影响图像采集设备正常工作。为降低设备功耗,图像数据采集设备和补光设备采用非工作时间段休眠策略,当开始清粪时,数据采集设备和补光设备自动开启,进行数据采集,当清粪工资结束时,相关设备进入休眠状态,最大限度节省消耗。在数据采集时,统一图像采集参数,如光照强度、分辨率、图像尺寸、图像格式等,采集数据后按照数据协议进行打包,通过数据传输模块进行数据传输。粪便图像数据采集方案如图2所示。
数据传输方案
由图像采集设备采集到的图像数据,利用WiFi进行传输无线传输,WiFi传输具有高度的实时性,方便实时采集鸡粪便图像数据,保证了系统的工作效率。通过路由器将图像数据上传至服务器进行数据分析与处理。同时,空间溯源部分中的嵌入式系统,利用无线通信模块,实现空间溯源部分与服务器之间的通讯,将清粪带转速信息实时上传至服务器,用于空间溯源计算。数据传输方案结构示意图如图3所示。
数据分析处理方案
由数据采集模块采集到的粪便数据传输至数据处理模块进行数据的分析处理。数据处理由视频分帧提取、图像预处理、深度学习模型检测、结果分析等步骤组成。数据分析处理流程图如图4所示。由于视频采集帧数不会低于25帧每秒,考虑到硬件成本以及清粪带传动速度等因素,需要对视频数据进行分帧提取处理。清粪带传动速度通常不会大于1m/s,本发明使用的检测模型处理速度大于10FPS,图像视野范围大于1m2,因此每秒提取5帧图像,能够满足检测需求,同时不会增加硬件运算压力。将视频数据利用OpenCV进行处理,依据视频数据帧数,每秒提取5帧,并将提取的帧图像按截取时间进行保存命名。保存后的图像需要进行图像预处理,以使得模型检测时取得较优效果。图像预处理主要包括对图像尺寸进行归一化,背景移除等操作,使得鸡粪便目标更加突出,提升检测效果。
图形尺寸归一化:由于采用的图像采集设备采集到的视频数据分辨率通常高于1920*1080ppi,直接进行使用会极大增加运算量,徒增硬件成本。因此需要将图像进行尺寸调整,统一调整为720*480ppi。为避免图像在尺寸进行比例调整时,由于长宽比变化产生图形形变影响最终识别效果,在进行尺寸归一化调整时,分别计算原图像与目标图像的长边比以及宽边比,如式(1):
式中,a、b分别为原图像与目标图像的长边比以及宽边比,L1、H1为原图像的长宽尺寸,L2、H2为目标图像长宽尺寸。之后比较长、宽边比,选取较大值为比例依据,进行等比例缩小长宽边。对等比缩小后尺寸不足的边进行空白填充,使得尺寸达到720*480ppi。
背景移除:图像采集设备采集的视频数据是清粪带工作时粪便视频。由于养殖现场环境复杂,存在粉尘、碎羽毛等干扰物,需要将背景以及干扰物进行移除,以达到提升识别效果的目的。由于清粪带为白色,粉尘颗粒、碎羽毛等均为白色或浅灰色,与粪便颜色差异较大,因此利用OTSU算法,实现图像背景的自适应移除可以取得较好效果。对于图像I(x,y),前景(即粪便)和背景(清粪带和粉尘等杂物)的分割阈值记作T,属于前景的像素点数占整幅图像的比例记为ω0,其平均灰度μ0;背景像素点数占整幅图像的比例为ω1,其平均灰度为μ1。图像的总平均灰度记为μ,类间方差记为g。假设图像的大小为M×N,图像中像素的灰度值小于阈值T的像素个数记作N0,像素灰度大于阈值T的像素个数记作N1,则有:
ω0=N0/M×N (2)
ω1=N1/M×N (3)
N0+N1=M×N (4)
ω0+ω1=1 (5)
μ=ω0*μ0+ω1*μ1 (6)
g=ω0(μ0-μ)^2+ω1(μ1-μ)^2 (7)
将式(6)代入式(7),得到等价公式:
g=ω0ω1(μ0-μ1)^2 (8)
采用遍历的方法得到使类间方差g最大的阈值T,即为所求。按照T作为分割阈值进行图像分割,即可去将图像背景移除。
本发明利用深层卷积神经网络yolov3建立深度学习识别模型。深度学习识别模型的建立分为数据集制备,模型训练,以及模型验证与优化等步骤。用开源图像标注软件labelimg对图像数据进行标注。按照鸡粪便特点,分为正常、形状异常、颜色异常、含水量异常、形状&含水量异常五类,生成XML文件,包含标注框的坐标点信息、类别名称信息,图片的长宽信息等,并将分为训练集、验证集、测试集。这里选择darknet53作为yolov3的网络框架,这个网络主要是由一系列的1x1和3x3的卷积层组成(每个卷积层后都会跟一个BN层和一个LeakyReLU),如图5所示,就是darknet53的网络结构。该结构使用一系列的3*3和1*1的卷积的卷积层。这些卷积层是从各个主流网络结构选取性能比较好的卷积层进行整合得到。Yolo特征交互层,分为三个尺度,每个尺度内,通过卷积核的方式实现局部的特征交互,通过卷积核(3*3和1*1)的方式实现feature map之间的局部特征(fc层实现的是全局的特征交互)交互。采用FPN算法,将97层上采样特征与36层输出特征融合对大尺度目标预测,将85层上采样特征和61层输出特征融合对中型尺度目标预测,用多尺度的特征增加特征的丰富程度,然后达到大目标和小目标的检测效果都很好的效果。res层进行shortcut操作,输入与输出一般保持一致,并且不进行其他操作,只是求差。res层来源于resnet,为了解决网络的梯度弥散或者梯度爆炸的现象,提出将深层神经网络的逐层训练改为逐阶段训练,将深层神经网络分为若干个子段,每个小段包含比较浅的网络层数,然后用shortcut的连接方式使得每个小段对于残差进行训练,每一个小段学习总差(总的损失)的一部分,最终达到总体较小的loss,同时,很好的控制梯度的传播,避免出现梯度消失或者爆炸等不利于训练的情形。输出层直接输出识别结果,即进行预测的肉鸡粪便的种类和位置。目标框输出使用了非极大值抑制(NMS)的预测框筛选机制[33]。网络模型测试阶段,设置目标框与标注框的IOU阈值配合NMS对每个目标输出唯一预测框,IOU定义为:
式中Overlap——预测框与真实框(标注框)之间的交集,
Union——预测框与真实框之间的并集。
模型验证主要是对不同参数下的训练模型结果进行测试,以期得到性能优异的识别模型。对于经过深度学习训练的鸡粪便识别模型,引入准确率、精确度、精度均值、召回率以及F1分数五个指标进行评价。
准确率是对给定数据集,分类正确样本个数和总样本数的比值。即:
精确度说明判断为真的正例占所有判断为真的样例比重,即:
召回率又被称为查全率,用来说明分类器中判定为真的正例占总正例的比率,即:
一般来说,精确度和召回率之间是矛盾的,这里引入F1-Score作为综合指标,就是为了平衡准确率和召回率的影响,较为全面地评价一个分类器。F1是精确率和召回率的调和平均:
上述式(10)~(13)中各式中,P为准确率,A为精确度,R为召回率,TP是将正预测为真,FN是将正预测为假,FP是将反预测为真,TN是将反预测为假。
利用上述5个评价指标,对训练得到的深度学习识别模型进行评价,选取最优的识别模型,进行应用检测。
结果分析:经过深度学习模型进行检测后的帧图像,若未检出异常粪便,则忽略本帧图像;若检测出异常粪便,则根据本帧图像命名,记录下异常粪便出现时间以及根据深度学习模型检测结果,记录出现的异常粪便种类、数量、空间位置等信息,用于进行专家决策和空间溯源。
专家决策方案
由于异常粪便的出现可能由多种因素引起,因此需要根据异常粪便的出现频率、颜色、含水率、形态等特征因素综合考虑,实现对鸡健康状态进行判断以及对疾病的发生进行诊断和预警。专家决策首先对异常粪便的颜色进行判断,是否出现特殊颜色,如翠绿色、红色、铁锈色等,这些异常颜色的粪便通常是由于较为严重的疾病引起。然后对异常粪便的含水率进行判断,是否出现水状粪便以及泡状粪便,最后对异常粪便的形态进行判断,是否出现料粪等。结合异常粪便出现的频率,进行综合评定,若超出设定的阈值,则判定为健康异常,进行疾病预警。
空间溯源方案
经过专家决策后,若判定出现健康异常状况,则需要对产生异常粪便的鸡进行空间溯源,实现针对性用药等处理,将疾病诊疗进行在发病初期,减少疾病传播以及药物使用。当利用安装在清粪带传动装置上的传感器,经AD转换模块后,将信号传输至嵌入式处理模块,并经过计算可实现清粪带的运输速度的监测。出现健康异常的判断后,依据帧图像的命名,得到异常粪便的监测时间,以及异常粪便在图像中的空间位置。结合清粪带的运行速度,倒推计算出异常粪便的产生位置,实现健康异常的鸡只空间溯源。空间溯源方案流程如图6所示。
终端方案
经专家决策判定出现健康异常状况并且利用空间溯源模块实现异常鸡只的溯源后,利用上位机进行管理。
上位机笼养鸡异常粪便的健康监测与溯源系统了基于数据库的信息化平台,提供了一个人机交互的友好界面,操作方便。溯源系统软件利用核心数据库实现了数据的接收,读取,存储,查询,显示,实现了信息处理查询,系统管理,数据管理和信息交流功能,如图7所示。
上位机溯源系统软件主要依靠MySQL数据库,使用最常用的数据库管理语言--结构化查询语言(SQL)进行数据库管理。利用数据库中保存的信息,显示异常粪便数据和溯源信息。数据库需要建立信息完备功能强大的信息库,支持对各种异常粪便出现频率、异常粪便种类、出现实现、空间溯源等信息,同时MySQL数据库中可以直接调用CREATE、DELETE、DROP、INDEX、INSERT、SELECT、UPDAT等语句快速准确的实现数据库表的建立、删除、索引、查找、更新等功能,方便不断的对溯源系统升级和维护。
本文中所描述的具体实施例仅仅是对本发明精神做举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (10)
1.一种基于笼养鸡异常粪便的溯源预警系统,其特征在于它包括异常粪便识别单元和异常粪便溯源单元:
异常粪便识别单元包括图像采集模块、数据传输模块、数据处理模块和终端报警模块;图像采集模块实时采集笼养鸡清粪带上粪便图像,由数据传输模块将图像数据传输至数据处理模块,进行数据分析处理,分析粪便状态,监测异常粪便以及实现异常粪便分类,当出现异常粪便时,由终端报警模块进行异常报警;
异常溯源单元包括转速传感器、数据传输模块和数据处理模块;利用安装在输送带传动机构上的转速传感器,实现传送带输送速度的监测,当异常粪便识别部分发出异常粪便警报时,利用输送带输送速度,倒推计算出排泄异常粪便的异常鸡所处空间位置,实现异常粪便的空间溯源和疾病预警。
2.根据权利要求1所述的系统,其特征在于所述图像采集模块设置在清粪带出粪口处上方30cm处。
3.根据权利要求1所述的系统,其特征在于所述异常粪便识别单元中的数据传输模块为WiFi传输,图像数据通过WiFi传输至路由器;所述异常溯源单元中的数据传输模块为无线通讯模块,转速数据通过无线通讯模块传输至路由器;路由器将图像数据和转速数据上传至服务器进行数据分析与处理。
4.一种基于笼养鸡异常粪便的健康监测方法,基于权利要求1-3任一项所述的系统,其特征在于所述异常粪便识别单元中的数据处理模块将图像采集模块获得的粪便图像进行分析处理,识别出异常粪便及异常粪便出现的时间;所述异常溯源单元中的数据处理模块将转速传感器获得的输送速度进行空间溯源;监测记录异常粪便的种类、数量、空间位置信息。
5.根据权利要求4所述的方法,其特征在于异常粪便识别包括以下步骤:
S1-1、视频分帧提取;
S1-2、图像预处理,包括尺寸归一化和背景移除;
S1-3、深度学习模型的建立;
S1-4、结果分析,利用深度学习模型检测S1-2的预处理图像,进行结果分析,获得异常粪便图像,根据本帧图像命名,记录下异常粪便出现的时间及检测结果。
6.根据权利要求5所述的方法,其特征在于所述背景移除:
1.计算属于粪便的像素点占整幅图像的比例ω0;
2.计算粪便的平均灰度μ0;
3.计算属于清粪带和粉尘杂物的像素点占整幅图像的比例ω1;
4.计算粪便的平均灰度μ1;
5.计算图像的总平均灰度μ,类间方差g;
6.记图像大小为M×N,图像中像素的灰度值小于阈值T的像素个数记作N0,像素灰度大于阈值T的像素个数记作N1,则有:
ω0=N0/M×N (2)
ω1=N1/M×N (3)
N0+N1=M×N (4)
ω0+ω1=1 (5)
μ=ω0*μ0+ω1*μ1 (6)
g=ω0(μ0-μ)^2+ω1(μ1-μ)^2 (7)
将式(6)代入式(7),得到等价公式:
g=ω0ω1(μ0-μ1)^2 (8)
7.采用遍历的方法得到g最大的阈值T;按照T作为分割阈值进行图像分割,将图像背景移除。
7.根据权利要求5所述的方法,其特征在于所述深度学习模型的建立包括以下步骤:
S1-3-1、数据集制备;
1.按照图像采集设备的图像标准采集各类鸡粪便图像;
2.按照粪便特点,将图像数据分为正常、形状异常、颜色异常、含水量异常、形状&含水量异常五类;
3.利用图像标注软件labelimg进行数据标注,生成包含标注框的坐标点信息、类别名称、图片的长宽等信息的xml文件;
4.将图像原件以及xml文件,制备成VOC数据集,包含训练集、验证集、测试集;
S1-3-2、模型训练;
1.搭建yolov3使用系统环境;
2.修改网络参数;
3.编译网络代码;
4.加载预训练模型;
5.加载数据集进行迭代训练;
6.当损失收敛到预设值或迭代次数达到最大,停止训练,得到训练模型;
S1-3-3、模型验证;
1.引入鸡粪便识别模型,引入准确率、精确度、召回率以及F1分数四个指标进行评价;
准确率P是对给定数据集,分类正确样本个数和总样本数的比值,即:
召回率R又被称为查全率,用来说明分类器中判定为真的正例占总正例的比率,即:
F1是精确率和召回率的调和平均:
上述各式中,P为准确率,R为召回率,TP是将正预测为真,FN是将正预测为假,FP是将反预测为真,TN是将反预测为假;
2.利用测试集数据以及图像采集设备采集到的图像进行验证,利用上述4个评价指标,对训练得到的深度学习识别模型进行评价,利用P-R曲线:以准确率P为Y轴、召回率R为X轴;结合F1评价指标,选取效果最优的识别模型,进行应用检测。
8.根据权利要求7所述方法,其特征在于S1-3-3、模型验证中,计算P-R曲线与坐标轴围成的面积,选取面积大的所对应的深度学习识别模型最为最优的识别模型;
若模型的P-R曲线所围成面积相等,则比较模型对应的F1评价指标,选取F1数值大的所对应的的深度学习识别模型最为最优的识别模型。
9.根据权利要求7所述的方法,其特征在于所述深度学习模型的建立还包括S1-3-4、结果分析:
1.经过深度学习模型进行检测后的帧图像,若未检出异常粪便,则忽略本帧图像;
2.若检测出异常粪便,则根据本帧图像命名,记录下异常粪便出现时间以及根据深度学习模型检测结果,记录出现的异常粪便种类、数量、空间位置信息。
10.根据权利要求4所述的方法,其特征在于空间溯源包括以下步骤:
S2-1、传感器获得转速数据;
S2-1、基于异常粪便识别单元获得异常粪便出现的时间;
S2-3、计算获得异常粪便的产生位置:
模型检测出异常粪便发生时刻t,清粪带驱动轴转速n,驱动轴半径r,则异常粪便产生位置为s,s表示距离清粪口处的位置,则s可根据公式计算:
s=2πnrt
根据异常粪便产生位置到清粪口的距离以及异常粪便出现在清粪带的左右区域,即可判断产生异常粪便的鸡只距离清粪口的距离以及所在饲养笼的左右,实现异常粪便的空间溯源。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010501613.9A CN111709333B (zh) | 2020-06-04 | 2020-06-04 | 基于笼养鸡异常粪便的溯源预警系统及健康监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010501613.9A CN111709333B (zh) | 2020-06-04 | 2020-06-04 | 基于笼养鸡异常粪便的溯源预警系统及健康监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111709333A true CN111709333A (zh) | 2020-09-25 |
CN111709333B CN111709333B (zh) | 2022-05-20 |
Family
ID=72539422
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010501613.9A Active CN111709333B (zh) | 2020-06-04 | 2020-06-04 | 基于笼养鸡异常粪便的溯源预警系统及健康监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111709333B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112528745A (zh) * | 2020-11-10 | 2021-03-19 | 广州金域医学检验中心有限公司 | 目标物检测方法、装置、计算机设备及存储介质 |
CN112614599A (zh) * | 2020-12-24 | 2021-04-06 | 聊城职业技术学院 | 一种快速发现早期病羊的智能化方法和系统 |
CN113223035A (zh) * | 2021-06-07 | 2021-08-06 | 南京农业大学 | 笼养鸡智能巡检系统 |
CN113344542A (zh) * | 2021-06-23 | 2021-09-03 | 广州弘广畜禽设备有限公司 | 一种清粪设备的数据处理系统 |
CN114241409A (zh) * | 2021-12-13 | 2022-03-25 | 浙江大学 | 一种基于笼养鸡异常粪便和解剖图像的疾病早期预警系统及方法 |
CN114778755A (zh) * | 2022-03-18 | 2022-07-22 | 淮北矿业股份有限公司 | 一种基于大数据的煤质在线检测系统 |
CN114898405A (zh) * | 2022-05-27 | 2022-08-12 | 南京农业大学 | 基于边缘计算的便携式肉鸡异常监测系统 |
WO2022196400A1 (ja) * | 2021-03-19 | 2022-09-22 | 公益財団法人実験動物中央研究所 | 排泄物性状推定モデル学習装置、排泄物性状推定装置、排泄物性状推定モデル学習方法、排泄物性状推定方法及びプログラム |
CN116681876A (zh) * | 2023-08-01 | 2023-09-01 | 北京市农林科学院智能装备技术研究中心 | 一种用于诊断动物肠胃健康的粪便状态评分装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105574899A (zh) * | 2015-12-15 | 2016-05-11 | 浙江大学 | 笼养鸡的粪便监测方法及系统 |
CN106651883A (zh) * | 2016-12-30 | 2017-05-10 | 四川沃文特生物技术有限公司 | 基于机器视觉的粪便形态识别方法 |
JP2017192316A (ja) * | 2016-04-18 | 2017-10-26 | パナソニックIpマネジメント株式会社 | 異常判定システム、異常判定装置、及び、異常判定方法 |
CN109588339A (zh) * | 2018-11-14 | 2019-04-09 | 深圳毛小孩未来科技有限公司 | 基于狗粪便的狗健康状态分析及狗粪便收集方法、智能检测收集装置 |
CN110706219A (zh) * | 2019-09-27 | 2020-01-17 | 北京海益同展信息科技有限公司 | 动物粪便监测方法、监测装置、巡检设备、巡检系统 |
CN110946081A (zh) * | 2019-11-13 | 2020-04-03 | 长江大学 | 一种自动监控动物粪便的饲养笼 |
CN111183917A (zh) * | 2019-11-14 | 2020-05-22 | 北京海益同展信息科技有限公司 | 一种动物异常监测、图像处理方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107527351B (zh) * | 2017-08-31 | 2020-12-29 | 华南农业大学 | 一种融合fcn和阈值分割的哺乳母猪图像分割方法 |
CN110147771B (zh) * | 2019-05-23 | 2020-01-14 | 南京农业大学 | 基于母猪关键部位与环境联合分区的母猪侧卧姿态实时检测系统 |
-
2020
- 2020-06-04 CN CN202010501613.9A patent/CN111709333B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105574899A (zh) * | 2015-12-15 | 2016-05-11 | 浙江大学 | 笼养鸡的粪便监测方法及系统 |
JP2017192316A (ja) * | 2016-04-18 | 2017-10-26 | パナソニックIpマネジメント株式会社 | 異常判定システム、異常判定装置、及び、異常判定方法 |
CN106651883A (zh) * | 2016-12-30 | 2017-05-10 | 四川沃文特生物技术有限公司 | 基于机器视觉的粪便形态识别方法 |
CN109588339A (zh) * | 2018-11-14 | 2019-04-09 | 深圳毛小孩未来科技有限公司 | 基于狗粪便的狗健康状态分析及狗粪便收集方法、智能检测收集装置 |
CN110706219A (zh) * | 2019-09-27 | 2020-01-17 | 北京海益同展信息科技有限公司 | 动物粪便监测方法、监测装置、巡检设备、巡检系统 |
CN110946081A (zh) * | 2019-11-13 | 2020-04-03 | 长江大学 | 一种自动监控动物粪便的饲养笼 |
CN111183917A (zh) * | 2019-11-14 | 2020-05-22 | 北京海益同展信息科技有限公司 | 一种动物异常监测、图像处理方法及装置 |
Non-Patent Citations (4)
Title |
---|
JINTAO WANG ET AL: "Recognition and Classification of Broiler Droppings Based on Deep Convolutional Neural Network", 《JOURNAL OF SENSORS》 * |
丁静等: "基于机器视觉的断奶仔猪腹泻自动识别方法", 《南京农业大学学报》 * |
张梅等: "一种工业恶劣环境下的图像二值化方法及FPGA实现", 《微型电脑应用》 * |
沈明霞等: "基于深层卷积神经网络的初生仔猪目标实时检测方法", 《农业机械学报》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112528745A (zh) * | 2020-11-10 | 2021-03-19 | 广州金域医学检验中心有限公司 | 目标物检测方法、装置、计算机设备及存储介质 |
CN112614599A (zh) * | 2020-12-24 | 2021-04-06 | 聊城职业技术学院 | 一种快速发现早期病羊的智能化方法和系统 |
WO2022196400A1 (ja) * | 2021-03-19 | 2022-09-22 | 公益財団法人実験動物中央研究所 | 排泄物性状推定モデル学習装置、排泄物性状推定装置、排泄物性状推定モデル学習方法、排泄物性状推定方法及びプログラム |
CN113223035A (zh) * | 2021-06-07 | 2021-08-06 | 南京农业大学 | 笼养鸡智能巡检系统 |
CN113223035B (zh) * | 2021-06-07 | 2023-08-22 | 南京农业大学 | 笼养鸡智能巡检系统 |
CN113344542A (zh) * | 2021-06-23 | 2021-09-03 | 广州弘广畜禽设备有限公司 | 一种清粪设备的数据处理系统 |
CN113344542B (zh) * | 2021-06-23 | 2022-03-18 | 广州弘广畜禽设备有限公司 | 一种清粪设备的数据处理系统 |
CN114241409A (zh) * | 2021-12-13 | 2022-03-25 | 浙江大学 | 一种基于笼养鸡异常粪便和解剖图像的疾病早期预警系统及方法 |
CN114778755A (zh) * | 2022-03-18 | 2022-07-22 | 淮北矿业股份有限公司 | 一种基于大数据的煤质在线检测系统 |
CN114778755B (zh) * | 2022-03-18 | 2023-07-25 | 淮北矿业股份有限公司 | 一种基于大数据的煤质在线检测系统 |
CN114898405A (zh) * | 2022-05-27 | 2022-08-12 | 南京农业大学 | 基于边缘计算的便携式肉鸡异常监测系统 |
CN114898405B (zh) * | 2022-05-27 | 2023-08-25 | 南京农业大学 | 基于边缘计算的便携式肉鸡异常监测系统 |
CN116681876A (zh) * | 2023-08-01 | 2023-09-01 | 北京市农林科学院智能装备技术研究中心 | 一种用于诊断动物肠胃健康的粪便状态评分装置 |
CN116681876B (zh) * | 2023-08-01 | 2023-10-31 | 北京市农林科学院智能装备技术研究中心 | 一种用于诊断动物肠胃健康的粪便状态评分装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111709333B (zh) | 2022-05-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111709333B (zh) | 基于笼养鸡异常粪便的溯源预警系统及健康监测方法 | |
CN104008367B (zh) | 基于计算机视觉的育肥猪的自动行为分析系统及方法 | |
CN109389161A (zh) | 基于深度学习的垃圾识别进化学习方法、装置、系统及介质 | |
CN1804620A (zh) | 一种禽蛋表面品质检测的方法和装置 | |
CN104764744A (zh) | 一种禽蛋新鲜度的视觉检测装置及其方法 | |
CN108182423A (zh) | 一种基于深度卷积神经网络的禽类动物行为识别方法 | |
CN110972993A (zh) | 基于云服务的畜禽养殖智能化信息管理系统及方法 | |
Abd Aziz et al. | A review on computer vision technology for monitoring poultry Farm—Application, hardware, and software | |
CN114037552B (zh) | 一种肉鸭生理生长信息巡检方法及系统 | |
CN102334422A (zh) | 基于机器视觉的蔬菜叶部病害实时诊断方法与系统 | |
CN113938503A (zh) | 一种通过生猪行为体征监测对疾病的预警系统及构建方法 | |
CN114898405B (zh) | 基于边缘计算的便携式肉鸡异常监测系统 | |
CN104007733B (zh) | 一种对农业集约化生产进行监控的系统及方法 | |
CN111582219B (zh) | 一种智能化宠物管理系统 | |
CN108733107A (zh) | 一种基于无线传感器网络的禽畜饲养环境测控系统 | |
CN108829762A (zh) | 基于视觉的小目标识别方法和装置 | |
CN115812634A (zh) | 一种孵前种蛋受精信息无损分拣方法及装置 | |
Rodofili et al. | Remote sensing techniques for automated marine mammals detection: a review of methods and current challenges | |
Tirkey et al. | Performance analysis of AI-based solutions for crop disease identification, detection, and classification | |
CN111968003B (zh) | 一种基于农作物本体概念响应的农作物病害预测方法 | |
CN115226650B (zh) | 基于交互特征的母猪发情状态自动检测系统 | |
Chen et al. | Double yolk nondestructive identification system based on Raspberry Pi and computer vision | |
CN115545962A (zh) | 一种基于多传感器系统的作物生长周期管控方法及系统 | |
CN112419288A (zh) | 一种基于计算机视觉的无人化蔬菜大棚种植方法 | |
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 |
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 |