CN111950479A - 一种基于神经网络模型的猪跛脚检测方法和检测系统 - Google Patents
一种基于神经网络模型的猪跛脚检测方法和检测系统 Download PDFInfo
- Publication number
- CN111950479A CN111950479A CN202010825308.5A CN202010825308A CN111950479A CN 111950479 A CN111950479 A CN 111950479A CN 202010825308 A CN202010825308 A CN 202010825308A CN 111950479 A CN111950479 A CN 111950479A
- Authority
- CN
- China
- Prior art keywords
- neural network
- pig
- network model
- coordinates
- dimensional
- 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.)
- Pending
Links
- 238000003062 neural network model Methods 0.000 title claims abstract description 90
- 238000001514 detection method Methods 0.000 title claims abstract description 43
- 208000030175 lameness Diseases 0.000 title claims abstract description 32
- 210000003127 knee Anatomy 0.000 claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 49
- 238000010586 diagram Methods 0.000 claims abstract description 34
- 241000282887 Suidae Species 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 238000006243 chemical reaction Methods 0.000 claims description 21
- 210000002414 leg Anatomy 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 18
- 230000009471 action Effects 0.000 claims description 13
- 230000005021 gait Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 6
- 210000000003 hoof Anatomy 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 4
- 241000282898 Sus scrofa Species 0.000 description 68
- 238000009395 breeding Methods 0.000 description 8
- 230000001488 breeding effect Effects 0.000 description 8
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 244000144972 livestock Species 0.000 description 3
- 244000144977 poultry Species 0.000 description 3
- 208000007212 Foot-and-Mouth Disease Diseases 0.000 description 2
- 241000710198 Foot-and-mouth disease virus Species 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 235000008733 Citrus aurantifolia Nutrition 0.000 description 1
- 206010017577 Gait disturbance Diseases 0.000 description 1
- 240000006909 Tilia x europaea Species 0.000 description 1
- 235000011941 Tilia x europaea Nutrition 0.000 description 1
- 208000025865 Ulcer Diseases 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004571 lime Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000012153 swine disease Diseases 0.000 description 1
- 230000036269 ulceration Effects 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
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Economics (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Psychiatry (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Probability & Statistics with Applications (AREA)
- Social Psychology (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供一种基于神经网络模型的猪跛脚检测方法和检测系统，检测方法包括如下步骤：获取训练集；训练集中包括猪的图像以及与各图像相对应的热力图；建立定位神经网络模型，以猪的图像为输入，以对应的热力图为输出，对该定位神经网络模型进行训练；对猪进行图像采集，结合训练后的神经网络得到与实时图像对应的实时热力图；将实时热力图设置在二维坐标系内，得到其中各光斑的二维坐标，将其分别作为对应特征点的二维坐标，并根据各特征点的二维坐标得到其三维空间坐标；根据各特征点的三维空间坐标得到猪的膝盖角度，根据猪的膝盖角度判断猪是否跛脚。本发明提供的技术方案能够解决对猪的行走姿态检测时存在的成本高、可靠性差的问题。
Description
技术领域
本发明属于猪的行走姿态检测技术领域，具体涉及一种基于神经网络模型的猪跛脚检测方法和检测系统。
背景技术
随着科学技术的发展和人们生活水平的日益提高，畜禽养殖业得到了迅速发展，畜禽养殖业的养殖规模、养殖方式和分布区域发生了巨大的变化。传统的养殖手段和经验方法已不适应当前的行业发展，畜禽养殖业迫切需要依靠前沿科技手段，建立其数字化、精细化和智能化的产业养殖管理模式。
目前很多地区养猪的规模化水平得到了很大的提高。但是由于技术以及成本限制等问题，猪疾病时常发生。如果能在猪发病初期对其进行及时有效的隔离治疗，将会极大减少对猪养殖业造成的损失。如何切实有效的提高规模化养殖场的管理，建立有效猪疾病智能预警机制，已成为建立规模化养猪场重点研究方向。
对于猪患口蹄疫这种疾病是养殖人员一直担心的问题。口蹄疫会引起猪的口、脚溃烂，出现跛脚行为。若不能在该病的初发前期扑灭，疫情会迅速扩大蔓延，造成猪的死亡，给养殖人员带来经济危害。所以寻找及时有效的检测手段已成为迫切需要。
目前猪舍中猪的行为及身体状况通常采用人工观察和手工记录。利用人工观察和手工记录，一方面观察人员劳动强度大，且工作环境差，长时间在猪舍中观察将严重影响工作人员的健康；另一方面由于仅靠人工观察，因人手紧、成本高以及人的疲劳和认知程度等因素会导致信息不准和疏漏等现象发生，可靠性较差。
发明内容
本发明的目的是提供一种基于神经网络模型的猪跛脚检测方法和检测系统，以解决现有技术中对猪的行走姿态检测时存在的成本高、可靠性差的问题。
为实现上述目的，本发明采用如下技术方案：
一种基于神经网络模型的猪跛脚检测方法，包括如下步骤：
(1)获取训练集；
所述训练集中包括猪的图像以及与各图像相对应的热力图，热力图上设置有与图像上特征点相对应的光斑；所述特征点包括图像上猪四只腿的蹄子、膝盖和腿根；
(2)建立定位神经网络模型，以猪的图像为输入，以对应的热力图为输出，对该定位神经网络模型进行训练，得到训练后的定位神经网络模型；
(3)对猪进行图像采集，得到其实时图像，将其实时图像输入到训练后的神经网络中，得到与实时图像对应的实时热力图；
(4)将实时热力图设置在二维坐标系内，得到其中各光斑的二维坐标，将其分别作为对应特征点的二维坐标，并根据各特征点的二维坐标得到其三维空间坐标；
(5)根据猪的三维空间坐标得到其膝盖角度，并根据其膝盖角度判断其是否跛脚。
进一步的，所述训练集的获取方法为：首先获取猪的图像，对其中的特征点进行标注，然后通过高斯核卷积对各图像进行处理得到与各图像相对应的热力图像。
进一步的，根据各特征点的二维坐标得到其三维空间坐标的方法为：
建立三维空间坐标系，在获取训练集时还在各特征点上设置检测传感器，通过检测传感器检测各特征点所在的位置，然后将其转换到所建立的三维空间坐标系中，得到各特征点在三维空间坐标系中的坐标；
建立转换神经网络模型，以图像中各特征点在二维坐标系中的坐标为输入，以图像中各特征点在三维空间坐标系中的坐标为输出，对所建立的转换神经网络模型进行训练，得到训练后的转换神经网络模型；
得到实时动作图像中各特征点在二维坐标系中的坐标之后，将其输入到训练后的转换神经网络模型，得到实时动作图像中各特征点在三维空间坐标系中的坐标。
进一步的，判断猪是否有跛脚的方法为：
建立判断神经网络模型；
获取猪在跛脚时一个步态周期内膝盖角度值序列，将其输入到判断神经网络中，对其进行训练，得到训练后的判断神经网络模型；
将得到的猪在一个步态周期内的膝盖实时膝盖角度值序列输入到训练后的判断神经网络模型中，得到猪是否出现坡脚。
进一步的，所述判断神经网络模型训练时，其损失函数为交叉熵函数。
一种基于神经网络模型的猪跛脚检测系统，包括处理器和存储器，存储器上存储有用于在处理器上执行的计算机程序；所述处理器执行所述计算机程序时，实现基于神经网络的猪跛脚检测方法，该方法包括如下步骤：
(1)获取训练集；
所述训练集中包括猪的图像以及与各图像相对应的热力图，热力图上设置有与图像上特征点相对应的光斑；所述特征点包括图像上猪四只腿的蹄子、膝盖和腿根；
(2)建立定位神经网络模型，以猪的图像为输入，以对应的热力图为输出，对该定位神经网络模型进行训练，得到训练后的定位神经网络模型；
(3)对猪进行图像采集，得到其实时图像，将其实时图像输入到训练后的神经网络中，得到与实时图像对应的实时热力图；
(4)将实时热力图设置在二维坐标系内，得到其中各光斑的二维坐标，将其分别作为对应特征点的二维坐标，并根据各特征点的二维坐标得到其三维空间坐标；
(5)根据猪的三维空间坐标得到其膝盖角度，并根据其膝盖角度判断其是否跛脚。
进一步的，所述训练集的获取方法为：首先获取猪的图像，对其中的特征点进行标注，然后通过高斯核卷积对各图像进行处理得到与各图像相对应的热力图像。
进一步的，根据各特征点的二维坐标得到其三维空间坐标的方法为：
建立三维空间坐标系，在获取训练集时还在各特征点上设置检测传感器，通过检测传感器检测各特征点所在的位置，然后将其转换到所建立的三维空间坐标系中，得到各特征点在三维空间坐标系中的坐标；
建立转换神经网络模型，以图像中各特征点在二维坐标系中的坐标为输入，以图像中各特征点在三维空间坐标系中的坐标为输出，对所建立的转换神经网络模型进行训练，得到训练后的转换神经网络模型；
得到实时动作图像中各特征点在二维坐标系中的坐标之后，将其输入到训练后的转换神经网络模型，得到实时动作图像中各特征点在三维空间坐标系中的坐标。
进一步的，判断猪是否有跛脚的方法为：
建立判断神经网络模型；
获取猪在跛脚时一个步态周期内膝盖角度值序列，将其输入到判断神经网络中，对其进行训练，得到训练后的判断神经网络模型；
将得到的猪在一个步态周期内的膝盖实时膝盖角度值序列输入到训练后的判断神经网络模型中，得到猪是否出现坡脚。
进一步的，所述判断神经网络模型训练时，其损失函数为交叉熵函数。
本发明所提供的技术方案，采用定位神经网络模型得到图像上各特征点的二维坐标，根据猪图像上各特征点的二维坐标得到其三维空间坐标，然后根据各关键点的三维空间坐标得到猪膝盖角度，最后根据猪的膝盖角度判断其是否跛脚。本发明所提供的技术方案，不需要对猪舍中的猪进行人工监测，能够节约人力成本，并且在监测过程中不会由于疲劳和认知度等因素造成疏漏，能够提高检测的可靠性。
附图说明
图1是本发明方法实施例中基于神经网络模型的猪跛脚检测方法的流程图；
图2是本发明方法实施例中猪图像中标志点的示意图。
具体实施方式
本发明的目的是提供一种基于神经网络模型的猪跛脚检测方法和检测系统，以解决现有技术中对猪的行走姿态检测时存在的成本高、可靠性差的问题。
方法实施例：
本实施例提供一种基于神经网络的猪坡脚检测方法，其流程如图1所示，包括如下步骤：
(1)获取训练集。
本实施例中的训练集包括多张猪的图像以及分别与图像相对应的热力图，每张热力图上包含有12个光斑，在图像上的特征点共有12个，如图2所示，每个光斑对应图像中的一个特征点，分别为所拍照猪的前右腿根11、前右膝盖12、前右足13、前左腿根21、前左膝盖22、前左足23、后右腿根31、后右膝盖32、后右足33、后左腿根41、后左膝盖42、后左足43。
(2)建立定位神经网络并采用训练集中的数据其进行训练，得到训练后的定位神经网络模型。
本实施例中所建立的定位神经网络模型为HRNet预测神经网络模型，对定位神经网络模型进行训练的方法为：
首先对训练集中各图像的各特征点和各热力图像中的各光斑进行标注；
然后以训练集中的图像为输入，以对应的热力图为输出，对定位神经网络模型进行训练，将定位神经网络模型中的数据固化，得到训练后的定位神经网络模型。
本实施例中队图形的各特征点进行标注时，将各特征点按照其所在的位置，分别标注为前右腿根、前右膝盖、前右足、前左腿根、前左膝盖、前左足、后右腿根、后右膝盖、后右足、后左腿根、后左膝盖、后左足，各特征点在热力图像中对应光斑的标注分别为第一光斑至第十二光斑。
(3)实时采集猪图像，得到多帧连续的猪实时动作图像，并各实时动作图像输入到训练后的定位神经网络模型中，输出与各帧实时动作图像对应的实时热力图。
(4)将各实时热力图分别放置到二维坐标系中，得到各实时热力图中各光斑在二维坐标系中的二维坐标，将其作为对应特征点在二维坐标系中的坐标，并根据各图像中各特征点的二维坐标得到其三维空间坐标。
(5)根据猪在各时刻的三维骨架模型得到其膝盖角度，根据猪的膝盖角度的变化判断其是否跛脚。
本实施例中定位神经网络的损失函数为均方差损失函数：
其中，MSN为定位神经网络模型的损失函数，n为训练集中样本的总数，
是训练过程中输入为第i张图片时定位神经网络模型输出的预测热力图，而yi是的训练集中第i张图片对应的热力图。
本实施例的步骤(4)中，根据图像中各特征点在二维坐标系中的坐标得到其相对位置关系的方法为：
建立三维空间坐标系，在获取训练集时还在各特征点上设置检测传感器，通过检测传感器检测各特征点所在的位置，然后将其转换到所建立的三维空间坐标系中，得到各特征点在三维空间坐标系中的坐标；
建立转换神经网络模型，本实施例中的转换神经网络模型采用的是TCN神经网络模型；以图像中各特征点在二维坐标系中的坐标为输入，以图像中各特征点在三维空间坐标系中的坐标为输出，对所建立的转换神经网络模型进行训练，得到训练后的转换神经网络模型；
得到实时动作图像中各特征点在二维坐标系中的坐标之后，将其输入到训练后的转换神经网络模型，得到实时动作图像中各特征点在三维空间坐标系中的坐标。
本实施例中采用均方差损失函数作为损失函数：
其中，S为转换神经网络模型的损失函数，N为训练集中样本的总数，
是训练过程中输入为第i张图片的二维坐标时转换神经网络模型输出的三维空间坐标，而xi是的训练集中第i张图二维坐标对应的热力图。
得到图像中各特征点的三维空间坐标之后，计算图像中猪各条腿的膝盖角度，本实施例中猪腿的膝盖角度，是指猪腿上腿根到膝盖形成的直线与膝盖与猪蹄形成的直线之间的夹角，每张图像上有四个膝盖角度值。
根据猪在一个步态周期内膝盖的角度变化判断猪是否有跛脚，判断方法为：
建立判断神经网络模型；
获取猪一个步态周期内膝盖角度值序列，并对猪正常行走和跛脚行走分别进行标注；
以猪在一个步态周期内膝盖角度值序列为输入，以对应的标注为输出，对所建立的判断神经网络模型进行训练，得到训练后的判断神经网络模型；
将得到的猪在一个步态周期内的实时膝盖角度值序列输入到训练后的判断神经网络模型中，得到猪是否出现坡脚。
本实施例中判断神经网络模型中全连接层经过Softmax函数对猪的行走状态进行分类，判断神经网络模型的损失函数为交叉熵函数：
其中J为判断神经网络的损失函数，zj为类别j的真实标签，pj为softmax计算出的类别j的概率值；k是类别数，M是样本总数。
系统实施例：
本实施例提供一种基于神经网络的猪跛脚检测系统，包括处理器和存储器，存储器上存储有用于在处理器上执行的计算机程序，该处理器执行该计算机程序时，实现如上述方法实施例中提供的基于神经网络的猪跛脚检测方法。
以上公开的本发明的实施例只是用于帮助阐明本发明的技术方案，并没有尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
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，并不会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)
1.一种基于神经网络模型的猪跛脚检测方法，其特征在于，包括如下步骤：
(1)获取训练集；
所述训练集中包括猪的图像以及与各图像相对应的热力图，热力图上设置有与图像上特征点相对应的光斑；所述特征点包括图像上猪四只腿的蹄子、膝盖和腿根；
(2)建立定位神经网络模型，以猪的图像为输入，以对应的热力图为输出，对该定位神经网络模型进行训练，得到训练后的定位神经网络模型；
(3)对猪进行图像采集，得到其实时图像，将其实时图像输入到训练后的神经网络中，得到与实时图像对应的实时热力图；
(4)将实时热力图设置在二维坐标系内，得到其中各光斑的二维坐标，将其分别作为对应特征点的二维坐标，并根据各特征点的二维坐标得到其三维空间坐标；
(5)根据猪的三维空间坐标得到其膝盖角度，并根据其膝盖角度判断其是否跛脚。
2.根据权利要求1所述的基于神经网络模型的猪跛脚检测方法，其特征在于，所述训练集的获取方法为：首先获取猪的图像，对其中的特征点进行标注，然后通过高斯核卷积对各图像进行处理得到与各图像相对应的热力图像。
3.根据权利要求1所述的基于神经网络模型的猪跛脚检测方法，其特征在于，根据各特征点的二维坐标得到其三维空间坐标的方法为：
建立三维空间坐标系，在获取训练集时还在各特征点上设置检测传感器，通过检测传感器检测各特征点所在的位置，然后将其转换到所建立的三维空间坐标系中，得到各特征点在三维空间坐标系中的坐标；
建立转换神经网络模型，以图像中各特征点在二维坐标系中的坐标为输入，以图像中各特征点在三维空间坐标系中的坐标为输出，对所建立的转换神经网络模型进行训练，得到训练后的转换神经网络模型；
得到实时动作图像中各特征点在二维坐标系中的坐标之后，将其输入到训练后的转换神经网络模型，得到实时动作图像中各特征点在三维空间坐标系中的坐标。
4.根据权利要求1所述的基于神经网络模型的猪跛脚检测方法，其特征在于，判断猪是否有跛脚的方法为：
建立判断神经网络模型；
获取猪在跛脚时一个步态周期内膝盖角度值序列，将其输入到判断神经网络中，对其进行训练，得到训练后的判断神经网络模型；
将得到的猪在一个步态周期内的膝盖实时膝盖角度值序列输入到训练后的判断神经网络模型中，得到猪是否出现坡脚。
5.根据权利要求4所述的基于神经网络模型的猪跛脚检测方法，其特征在于，所述判断神经网络模型训练时，其损失函数为交叉熵函数。
6.一种基于神经网络模型的猪跛脚检测系统，包括处理器和存储器，存储器上存储有用于在处理器上执行的计算机程序；其特征在于，所述处理器执行所述计算机程序时，实现基于神经网络的猪跛脚检测方法，该方法包括如下步骤：
(1)获取训练集；
所述训练集中包括猪的图像以及与各图像相对应的热力图，热力图上设置有与图像上特征点相对应的光斑；所述特征点包括图像上猪四只腿的蹄子、膝盖和腿根；
(2)建立定位神经网络模型，以猪的图像为输入，以对应的热力图为输出，对该定位神经网络模型进行训练，得到训练后的定位神经网络模型；
(3)对猪进行图像采集，得到其实时图像，将其实时图像输入到训练后的神经网络中，得到与实时图像对应的实时热力图；
(4)将实时热力图设置在二维坐标系内，得到其中各光斑的二维坐标，将其分别作为对应特征点的二维坐标，并根据各特征点的二维坐标得到其三维空间坐标；
(5)根据猪的三维空间坐标得到其膝盖角度，并根据其膝盖角度判断其是否跛脚。
7.根据权利要求6所述的基于神经网络模型的猪跛脚检测系统，其特征在于，所述训练集的获取方法为：首先获取猪的图像，对其中的特征点进行标注，然后通过高斯核卷积对各图像进行处理得到与各图像相对应的热力图像。
8.根据权利要求6所述的基于神经网络模型的猪跛脚检测系统，其特征在于，根据各特征点的二维坐标得到其三维空间坐标的方法为：
建立三维空间坐标系，在获取训练集时还在各特征点上设置检测传感器，通过检测传感器检测各特征点所在的位置，然后将其转换到所建立的三维空间坐标系中，得到各特征点在三维空间坐标系中的坐标；
建立转换神经网络模型，以图像中各特征点在二维坐标系中的坐标为输入，以图像中各特征点在三维空间坐标系中的坐标为输出，对所建立的转换神经网络模型进行训练，得到训练后的转换神经网络模型；
得到实时动作图像中各特征点在二维坐标系中的坐标之后，将其输入到训练后的转换神经网络模型，得到实时动作图像中各特征点在三维空间坐标系中的坐标。
9.根据权利要求6所述的基于神经网络模型的猪跛脚检测系统，其特征在于，判断猪是否有跛脚的方法为：
建立判断神经网络模型；
获取猪在跛脚时一个步态周期内膝盖角度值序列，将其输入到判断神经网络中，对其进行训练，得到训练后的判断神经网络模型；
将得到的猪在一个步态周期内的膝盖实时膝盖角度值序列输入到训练后的判断神经网络模型中，得到猪是否出现坡脚。
10.根据权利要求9所述的基于神经网络模型的猪跛脚检测系统，其特征在于，所述判断神经网络模型训练时，其损失函数为交叉熵函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010825308.5A CN111950479A (zh) | 2020-08-17 | 2020-08-17 | 一种基于神经网络模型的猪跛脚检测方法和检测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010825308.5A CN111950479A (zh) | 2020-08-17 | 2020-08-17 | 一种基于神经网络模型的猪跛脚检测方法和检测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111950479A true CN111950479A (zh) | 2020-11-17 |
Family
ID=73342441
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010825308.5A Pending CN111950479A (zh) | 2020-08-17 | 2020-08-17 | 一种基于神经网络模型的猪跛脚检测方法和检测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111950479A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112613596A (zh) * | 2020-12-01 | 2021-04-06 | 河南东方世纪交通科技股份有限公司 | 一种基于三维场景仿真技术的etc系统 |
| CN113762745A (zh) * | 2021-08-24 | 2021-12-07 | 北京小龙潜行科技有限公司 | 基于机器视觉的生猪体型外貌评定方法及装置 |
-
2020
- 2020-08-17 CN CN202010825308.5A patent/CN111950479A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112613596A (zh) * | 2020-12-01 | 2021-04-06 | 河南东方世纪交通科技股份有限公司 | 一种基于三维场景仿真技术的etc系统 |
| CN113762745A (zh) * | 2021-08-24 | 2021-12-07 | 北京小龙潜行科技有限公司 | 基于机器视觉的生猪体型外貌评定方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Fang et al. | Pose estimation and behavior classification of broiler chickens based on deep neural networks | |
| Yang et al. | Feeding behavior recognition for group-housed pigs with the Faster R-CNN | |
| Fang et al. | Comparative study on poultry target tracking algorithms based on a deep regression network | |
| Zhang et al. | Design of sick chicken automatic detection system based on improved residual network | |
| Hu et al. | Cow identification based on fusion of deep parts features | |
| CN111950479A (zh) | 一种基于神经网络模型的猪跛脚检测方法和检测系统 | |
| 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 | |
| Renet et al. | Monitoring amphibian species with complex chromatophore patterns: a non-invasive approach with an evaluation of software effectiveness and reliability | |
| CN111297367A (zh) | 一种动物状态监测方法、装置、电子设备及存储介质 | |
| CN114898405B (zh) | 基于边缘计算的便携式肉鸡异常监测系统 | |
| Mu et al. | Robotic 3D Vision‐Guided System for Half‐Sheep Cutting Robot | |
| Ma et al. | Research on sheep recognition algorithm based on deep learning in animal husbandry | |
| Kongsro | Development of a computer vision system to monitor pig locomotion | |
| Chae et al. | Identifying the mating posture of cattle using deep learning-based object detection with networks of various settings | |
| Li et al. | Automatic bone age assessment of adolescents based on weakly-supervised deep convolutional neural networks | |
| Xu et al. | Automatic quantification and assessment of grouped pig movement using the XGBoost and YOLOv5s models | |
| Witte et al. | Evaluation of deep learning instance segmentation models for pig precision livestock farming | |
| Fan et al. | Bottom-up cattle pose estimation via concise multi-branch network | |
| Evangelista et al. | Detection of japanese quails (coturnix japonica) in poultry farms using yolov5 and detectron2 faster r-cnn | |
| CN115119766B (zh) | 一种基于深度学习和红外热成像的母猪发情检测方法 | |
| CN115830078A (zh) | 生猪多目标跟踪及行为识别方法、计算机设备与存储介质 | |
| Qin et al. | Identification of body size characteristic points based on the Mask R-CNN and correlation with body weight in Ujumqin sheep | |
| CN113221704A (zh) | 基于深度学习的动物姿态识别方法、系统及存储介质 | |
| Ahmad et al. | Deep Learning-Based Disease Identification and Severity Estimation Tool for Tar Spot in Corn | |
| Wang et al. | Deep learning method for rapidly estimating pig body size |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201117 |
|
| WD01 | Invention patent application deemed withdrawn after publication |