CN112001941B - 基于计算机视觉的仔猪监管方法及系统 - Google Patents
基于计算机视觉的仔猪监管方法及系统 Download PDFInfo
- Publication number
- CN112001941B CN112001941B CN202010504795.5A CN202010504795A CN112001941B CN 112001941 B CN112001941 B CN 112001941B CN 202010504795 A CN202010504795 A CN 202010504795A CN 112001941 B CN112001941 B CN 112001941B
- Authority
- CN
- China
- Prior art keywords
- piglet
- piglets
- image data
- video image
- individuals
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000033001 locomotion Effects 0.000 claims abstract description 49
- 238000012545 processing Methods 0.000 claims abstract description 25
- 230000000007 visual effect Effects 0.000 claims description 37
- 238000004458 analytical method Methods 0.000 claims description 22
- 238000001514 detection method Methods 0.000 claims description 14
- 238000005516 engineering process Methods 0.000 claims description 14
- 238000013135 deep learning Methods 0.000 claims description 9
- 241000282887 Suidae Species 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 3
- 230000006698 induction Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000011410 subtraction method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/215—Motion-based segmentation
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于计算机视觉的仔猪监管方法及系统,方法包括以下步骤:接收仔猪通道中设置的视频采集装置发送的视频图像数据;根据所述视频图像数据分析视频图像数据中的仔猪个体移动轨迹;根据所述的仔猪个体移动轨迹计算通过仔猪通道的仔猪数量;系统包括视频采集装置,设置于仔猪通道内,覆盖整个仔猪通道,用于采集和传输视频图像数据;数据处理装置,用于接收视频图像数据,根据所述视频图像数据获取视频图像数据中的仔猪个体移动轨迹,根据所述的仔猪个体移动轨迹计算通过仔猪通道的仔猪数量。无需人工进行点数和人工记录,不存在点数错漏,无需售猪人员频繁跨区操作,降低参与人员,不仅降低人工成本和监管难度,还降低生物安全风险。
Description
技术领域
本发明属仔猪售卖技术领域,涉及基于计算机视觉的仔猪监管方法及系统。
背景技术
仔猪售卖,是母猪场的资产出口,直接影响猪场的利润,同时也反映猪场的生产水平和员工的绩效。随着近些年来中国养猪规模化发展,几千头甚至上万头规模的母猪场越来越多,而仔猪出售过程由于仔猪数量多、个体小、活动速率快等原因面临多项困难。
现有技术中,售猪数据一直以来完全依靠人工记录,容易点数错漏,同时企业会增派财务人员或专门的管理、督察人员监管售过程和结果,监控成本高、难度大,售猪环节往往多人参与,采用划小批量、猪背标记颜色等方式,进行分段清点和记录,因此耗时较长,由于售猪区域往往猪场是生物安全风险最高的区域之一,只要发生一定频次的售猪人员跨区域操作,就会增加生物安全风险和生物防控的难度,其中多人参与将会进一步加剧生物安全风险。
发明内容
本发明的目的在于:提供了基于计算机视觉的仔猪监管方法及系统,解决了背景技术中的技术问题。
本发明采用的技术方案如下:
基于计算机视觉的仔猪监管方法,包括以下步骤:
S100:接收仔猪通道中设置的视频采集装置发送的视频图像数据;
S200:根据所述视频图像数据分析视频图像数据中的仔猪的个体移动轨迹;
S300:根据所述仔猪的个体移动轨迹计算通过仔猪通道的仔猪数量。
进一步地,所述S200包括以下步骤:
S201:利用深度学习中的目标检测技术,识别所述视频图像数据每一帧中的所有仔猪个体,并对每一帧中每只仔猪赋予初始视觉编号;
S202:利用追踪技术,对当前帧中的仔猪个体和前一帧中的仔猪个体进行判断,若当前帧中具有与前一帧中相同的仔猪个体,则更新当前帧中仔猪个体的视觉编号为前一帧中同一仔猪个体的视觉编号;
S203:获取同一视觉编号的仔猪个体位置信息以及所在帧信息,形成仔猪的个体移动轨迹信息;
S204:集合所有的所述个体移动轨迹信息形成轨迹信息集。
进一步地,所述S300包括以下步骤:
S301:根据轨迹信息集中所有的个体移动个轨迹信息判断每个所述视觉编号对应的仔猪通过仔猪通道的方向信息;
S302:根据方向信息统计仔猪通道的通过仔猪总数和返回仔猪总数,通过算法分析得到出猪的仔猪数量。
进一步地,还包括以下步骤:
S400:将视频图像数据和仔猪数量上传到上位机进行备份。
基于计算机视觉的仔猪监管系统,包括:
视频采集装置,设置于仔猪通道内,覆盖整个仔猪通道,用于采集和传输视频图像数据;
数据处理装置,用于接收视频图像数据,根据所述视频图像数据获取视频图像数据中的仔猪的个体移动轨迹,根据所述仔猪的个体移动轨迹计算通过仔猪通道的仔猪数量。
进一步地,所述数据处理装置包括:
数据接收模块,用于接收视频采集装置传输的视频图像数据;
算法分析模块,用于根据所述视频图像数据分析视频图像数据中的仔猪的个体移动轨迹;
分析判断模块,用于根据所述仔猪的个体移动轨迹计算通过仔猪通道的仔猪数量。
进一步地,所述算法分析模块包括:
目标检测单元,利用深度学习中的目标检测技术,识别所述视频图像数据每一帧中的所有仔猪个体,并对每一帧中每只仔猪赋予初始视觉编号;
对象追踪单元,利用追踪技术,对当前帧中的仔猪个体和前一帧中的仔猪个体进行判断,若当前帧中具有与前一帧中相同的仔猪个体,则更新当前帧中仔猪个体的视觉编号为前一帧中同一仔猪个体的视觉编号;
轨迹汇总单元,获取同一视觉编号的仔猪个体位置信息以及所在帧信息,形成仔猪的个体移动轨迹信息;
信息归纳单元,集合所有的所述个体移动轨迹信息形成轨迹信息集。
进一步地,所述分析判断模块包括:
方向判断单元,用于根据轨迹信息集中所有的个体移动个轨迹信息判断每个所述视觉编号对应的仔猪通过仔猪通道的方向信息;
汇总统计单元,用于根据方向信息统计仔猪通道的通过仔猪总数和返回仔猪总数,通过算法分析得到出猪的仔猪数量。
进一步地,还包括上位机,所述上位机与数据处理装置通信连接,所述上位机用于接收数据处理装置传输的视频图像数据和仔猪数量。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
本发明基于计算机视觉的仔猪监管方法及系统,通过视频采集装置采集仔猪通道中的视频图像数据,通过视频图像数据分析视频图像数据中仔猪的个体移动轨迹,然后根据仔猪的个体移动轨迹判断通过仔猪通道的仔猪数量,无需人工进行点数和人工记录,不存在点数错漏,不用企业专门安排财务人员或专门的管理、督察人员监管售过程和结果,无需售猪人员频繁跨区操作,降低参与人员,不仅降低人工成本和监管难度,而且降低生物安全风险。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图,其中:
图1是本发明的方法流程图;
图2是本发明的步骤S200的具体流程图;
图3是本发明的步骤S300的具体流程图;
图4是本发明的另一流程图;
图5是本发明的结构示意图;
图6是本发明的框架示意图;
图7是本发明的算法分析模块框架示意图;
图8是本发明的分析判断模块框架示意图;
图中标记:100-仔猪通道、200-视频采集装置、300-数据处理装置、400-上位机。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明,即所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
实施例1
如图1所示,本发明提供的基于计算机视觉的仔猪监管方法,包括以下步骤:
S100:接收仔猪通道中设置的视频采集装置发送的视频图像数据;
本步骤中,仔猪通道可以采用多通道设计,便于进行分流,避免仔猪通过通道时造成拥挤。
本步骤中,视频采集装置可以预先设置在仔猪通道处,用于采集仔猪通道的视频图像数据,优选设置在仔猪通道的上方。其中视频采集装置包括至少一个摄像头,该摄像头采用高清摄像头,需要说明的是,视频采集装置优选间歇式采集,便于用户根据需要进行开启或关闭,视频采集装置处于开启状态时实时传输视频图像数据。
S200:根据所述视频图像数据分析视频图像数据中的仔猪的个体移动轨迹;
本步骤中,获取视频图像数据中仔猪的个体移动轨迹信息,具体地,个体移动轨迹信息的获取,涉及对图像的处理,特别是对图像中每个运动目标连续跟踪,跟踪目标运动轨迹估计,特征分析等内容。
目前处理视频图像数据,识别图像中的物体的研究很多,常被应用的运动目标检测方法有:
1、帧间差分法(Fame difference method),帧间差分法是在视频图像数据序列中连续的两个或三个相邻帧间,采取逐像素差分并阈值化的方法来提取图像中的运动区域;该方法对目标的运动速度以及图像的选择时机要求高;
2、背景差分法(Background subtraction method),背景差分法是将图像分为背景和前景两部分,首先对背景建模,然后利用当前帧与背景图像的差分来对运动区域进行检测,该方法所得的结果能够反映运动目标的位置、形状、大小等信息,可见该方法特别适用于本步骤中,对仔猪个体移动轨迹信息的获取,还有利于仔猪的体型监测;
3、光流法(Optical flow method),光流的概念最早提出于1950年,但至今在实操性上还需要研究人员的大量研究突破,光流反应了在一定时间间隔内的图像变化,首先对图像的运动场进行估计,将相似的速度矢量合并为同一运动目标,然后利用目标的矢量流特征,如方向和大小等来检测运动区域,如Meyer等通过计算位移向量光流场来达到初始化轮廓的目的,从而有效地实现了对运动目标的检测和跟踪;光流法的主要优点在于不需要预知场景的任何信息,而能够检测出独立的运动对象,缺点则是抗噪性能差,计算比较复杂,在没有特定硬件支持的情况下,一般很难用于对视频图像数据序列中的运动目标的实时性操作。
S300:根据所述仔猪的个体移动轨迹计算通过仔猪通道的仔猪数量。
本步骤中,根据仔猪的个体移动轨迹判断对应的仔猪是否通过仔猪通道,即需要判断仔猪通道通过的仔猪和仔猪通道返回的仔猪,然后根据仔猪通道通过的仔猪和仔猪通道返回的仔猪总数进行判断分析计算得到通过仔猪通道的仔猪数量。
综上所述,通过视频采集装置采集仔猪通道中的视频图像数据,通过视频图像数据分析视频图像数据中仔猪的个体移动轨迹,然后根据仔猪的个体移动轨迹判断通过仔猪通道的仔猪数量,无需人工进行点数和人工记录,不存在点数错漏,不用企业专门安排财务人员或专门的管理、督察人员监管售过程和结果,降低人工成本和监管难度,只需要售猪人员将仔猪从猪场驱赶到对应的仔猪通道即可,参与人数较少,无需售猪人员频繁跨区操作,降低生物安全风险。
具体地,如图2所示,所述S200包括以下步骤:
S201:利用深度学习中的目标检测技术,识别所述视频图像数据每一帧中的所有仔猪个体,并对每一帧中每只仔猪赋予初始视觉编号;
本步骤中,利用深度学习技术获取图像特征,例如利用卷积神经网络(CNN)来获取图像高层次的特征,可用的深度学习模型诸如Fast R-CNN,YOLO,SSD等,详细进行如图像分割、目标关键点检测等图像识别处理,一一识别所述视频图像数据每一帧中的所有仔猪个体。例如视频图像数据中的某一帧出现2个仔猪,通过利用深度学习过利用深度学习中的目标检测技术获取仔猪的位置信息,并对这两个仔猪赋予初始视觉编号,例如视觉编号1、2,下一帧中出现了5个仔猪,通过利用深度学习中的目标检测技术的获取仔猪的位置信息,并对这5个仔猪赋予初始视觉编号,例如视觉编号3、4、5、6、7。
S202:利用追踪技术,对当前帧中的仔猪个体和前一帧中的仔猪个体进行判断,若当前帧中具有与前一帧中相同的仔猪个体,则更新当前帧中仔猪个体的视觉编号为前一帧中同一仔猪个体的视觉编号;
本步骤中,通过追踪技术,假设判断视频编号3和4的仔猪分别对应上一帧中编号1和2的仔猪,则更新编号3和4分别为1和2;重复上述S201和S202的追踪步骤,直到处理完视频图像数据中所有帧的个体识别和赋予视觉编号。此外,追踪技术具体运用到的获取形成算法如数据驱动马尔科夫蒙特卡算法(DDMCMC),匈牙利算法(Hungarian),概率数据关联算法(JPDA)等。
S203:获取同一视觉编号的仔猪个体位置信息以及所在帧信息,形成仔猪的个体移动轨迹信息;
S204:集合所有的所述个体移动轨迹信息形成轨迹信息集。
本步骤中,本步骤在之前步骤完成所述视频图像数据中所有视觉编号对应的独立仔猪个体的所述个体移动轨迹信息的形成后,集合所有的个体移动轨迹信息形成轨迹信息集,以便形成数据库,便于调用数据库中的个体移动根轨迹判断对应的仔猪通过或返回仔猪通道。
具体地,如图3所示,所述S300包括以下步骤:
S301:根据轨迹信息集中所有的个体移动个轨迹信息判断每个所述视觉编号对应的仔猪通过仔猪通道的方向信息;
本步骤中,通过视觉编号对应的个体移动轨迹判断对应的仔猪通过仔猪通道的方向信息,例如,从左到右通过仔猪通道为通过仔猪通道,从右到左通过仔猪通道为返回仔猪通道。
S302:根据方向信息统计仔猪通道的通过仔猪总数和返回仔猪总数,通过算法分析得到出猪的仔猪数量。
本步骤中,在S301的基础上,根据从左到右通过仔猪通道的仔猪的方向信息统计仔猪通道的通过仔猪数,从右到左通过仔猪通道的仔猪的方向信息统计返回仔猪数,根据统计得到的通过仔猪总数减去统计得到返回仔猪总数即可计算出实际通过仔猪通道的仔猪数量。
优选地,如图4所示,还包括以下步骤:
S400:将视频图像数据和仔猪数量上传到上位机进行备份。
本步骤中,将视频图像数据和仔猪数量传送到对应的上位机进行备份,便于备份视频图像数据以及本次出售的仔猪数量。需要说明的是,此处指的上位机为移动设备、计算机和服务器等可以安装软件系统的硬件设备,此时指出的将视频图像数据和仔猪数量传送到对应的上位机进行备份实际上是指的上传到上位机内安装的相应管理软件,例如猪场管理软件或者EPR系统。
实施例2
如图5所示,提供了基于计算机视觉的仔猪监管系统,用于上述实施例1的硬件支撑,本实施例中与上述实施例1中的描述相同的部分,在此不再赘述,包括:
视频采集装置200,设置于仔猪通道100内,覆盖整个仔猪通道100,用于采集和传输视频图像数据;
数据处理装置300,用于接收视频图像数据,根据所述视频图像数据获取视频图像数据中的仔猪的个体移动轨迹,根据所述仔猪的个体移动轨迹计算通过仔猪通道100的仔猪数量。
本实施例中,视频采集装置200可以预先设置在仔猪通道100处,用于采集仔猪通道100的视频图像数据,优选设置在仔猪通道100的上方。其中视频采集装置200包括至少一个摄像头,该摄像头采用高清摄像头,需要说明的是,视频采集装置200优选间歇式采集,用户可以根据需要进行开启或关闭,视频采集装置200处于开启状态时实时传输视频图像数据。其中用户可以通过数据处理装置300或者控制数据处理装置300的其他设备发出指令用于视频采集装置200的开启或关闭。数据处理装置300与视频采集装置200可以是一体化设置的,也可以是分开设置的,例如一体化设置可以采用集成有摄像头的工业平板,而分开设置可以采用摄像头加计算机的组合。其中仔猪通道100可以采用多通道设计,便于进行分流,避免仔猪通过通道时造成拥挤。采用多通道时,视频采集装置200和数据处理装置300采用分开设置的方式,此时,视频采集装置200优选采用多个摄像头,摄像头安装时采用一个通道对应一个摄像头的方式进行设置,所有的摄像头均与数据处理装置300连接。单个摄像头采集实施采集的视频图像数据传输到数据处理装置300,数据处理装置300依次或者同步处理获取的视频图像数据。
具体地,如图6所示,所述数据处理装置300包括:
数据接收模块,用于接收视频采集装置200传输的视频图像数据;
算法分析模块,用于根据所述视频图像数据分析视频图像数据中的仔猪的个体移动轨迹;
分析判断模块,用于根据所述仔猪的个体移动轨迹计算通过仔猪通道100的仔猪数量。
具体地,如图7所示,所述算法分析模块包括:
目标检测单元,利用深度学习中的目标检测技术,识别所述视频图像数据每一帧中的所有仔猪个体,并对每一帧中每只仔猪赋予初始视觉编号;
对象追踪单元,利用追踪技术,对当前帧中的仔猪个体和前一帧中的仔猪个体进行判断,若当前帧中具有与前一帧中相同的仔猪个体,则更新当前帧中仔猪个体的视觉编号为前一帧中同一仔猪个体的视觉编号;
轨迹汇总单元,获取同一视觉编号的仔猪个体位置信息以及所在帧信息,形成仔猪的个体移动轨迹信息;
信息归纳单元,集合所有的所述个体移动轨迹信息形成轨迹信息集。
具体地,如图8所示,所述分析判断模块包括:
方向判断单元,用于根据轨迹信息集中所有的个体移动个轨迹信息判断每个所述视觉编号对应的仔猪通过仔猪通道100的方向信息;
汇总统计单元,用于根据方向信息统计仔猪通道100的通过仔猪总数和返回仔猪总数,通过算法分析得到出猪的仔猪数量。
优选地,如图6所示,还包括上位机400,所述上位机400与数据处理装置300通信连接,所述上位机400用于接收数据处理装置300传输的视频图像数据和仔猪数量。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明的保护范围,任何熟悉本领域的技术人员在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.基于计算机视觉的仔猪监管方法,其特征在于:所述方法应用于售猪区域,包括以下步骤:
S100:接收仔猪通道中设置的视频采集装置发送的视频图像数据;
S200:根据所述视频图像数据分析视频图像数据中的仔猪的个体移动轨迹;
S300:根据所述仔猪的个体移动轨迹计算通过仔猪通道的仔猪数量;
其中,所述S200包括以下步骤:
S201:利用深度学习中的目标检测技术,识别所述视频图像数据每一帧中的所有仔猪个体,并对每一帧中每只仔猪赋予初始视觉编号;
S202:利用追踪技术,对当前帧中的仔猪个体和前一帧中的仔猪个体进行判断,若当前帧中具有与前一帧中相同的仔猪个体,则更新当前帧中仔猪个体的视觉编号为前一帧中同一仔猪个体的视觉编号;
S203:获取同一视觉编号的仔猪个体位置信息以及所在帧信息,形成仔猪的个体移动轨迹信息;
S204:集合所有的所述个体移动轨迹信息形成轨迹信息集
其中,所述S300包括以下步骤:
S301:根据轨迹信息集中所有的个体移动轨迹信息判断每个所述视觉编号对应的仔猪通过仔猪通道的方向信息;
S302:根据方向信息统计仔猪通道的通过仔猪总数和返回仔猪总数,通过算法分析得到出猪的仔猪数量。
2.根据权利要求1所述的基于计算机视觉的仔猪监管方法,其特征在于:还包括以下步骤:
S400:将视频图像数据和仔猪数量上传到上位机进行备份。
3.基于计算机视觉的仔猪监管系统,其特征在于:所述系统应用于售猪区域,包括:
视频采集装置,设置于仔猪通道内,覆盖整个仔猪通道,用于采集和传输视频图像数据;
数据处理装置,用于接收视频图像数据,根据所述视频图像数据获取视频图像数据中的仔猪的个体移动轨迹,根据所述仔猪的个体移动轨迹计算通过仔猪通道的仔猪数量;
所述数据处理装置包括:数据接收模块,用于接收视频采集装置传输的视频图像数据;算法分析模块,用于根据所述视频图像数据分析视频图像数据中的仔猪的个体移动轨迹;分析判断模块,用于根据所述仔猪的个体移动轨迹计算通过仔猪通道的仔猪数量;
所述算法分析模块包括:目标检测单元,利用深度学习中的目标检测技术,识别所述视频图像数据每一帧中的所有仔猪个体,并对每一帧中每只仔猪赋予初始视觉编号;对象追踪单元,利用追踪技术,对当前帧中的仔猪个体和前一帧中的仔猪个体进行判断,若当前帧中具有与前一帧中相同的仔猪个体,则更新当前帧中仔猪个体的视觉编号为前一帧中同一仔猪个体的视觉编号;轨迹汇总单元,获取同一视觉编号的仔猪个体位置信息以及所在帧信息,形成仔猪的个体移动轨迹信息;信息归纳单元,集合所有的所述个体移动轨迹信息形成轨迹信息集;
所述分析判断模块包括:方向判断单元,用于根据轨迹信息集中所有的个体移动轨迹信息判断每个所述视觉编号对应的仔猪通过仔猪通道的方向信息;汇总统计单元,用于根据方向信息统计仔猪通道的通过仔猪总数和返回仔猪总数,通过算法分析得到出猪的仔猪数量。
4.根据权利要求3所述的基于计算机视觉的仔猪监管系统,其特征在于:还包括上位机,所述上位机与数据处理装置通信连接,所述上位机用于接收数据处理装置传输的视频图像数据和仔猪数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010504795.5A CN112001941B (zh) | 2020-06-05 | 2020-06-05 | 基于计算机视觉的仔猪监管方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010504795.5A CN112001941B (zh) | 2020-06-05 | 2020-06-05 | 基于计算机视觉的仔猪监管方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112001941A CN112001941A (zh) | 2020-11-27 |
CN112001941B true CN112001941B (zh) | 2023-11-03 |
Family
ID=73467284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010504795.5A Active CN112001941B (zh) | 2020-06-05 | 2020-06-05 | 基于计算机视觉的仔猪监管方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112001941B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010098024A1 (ja) * | 2009-02-24 | 2010-09-02 | 三菱電機株式会社 | 人物追跡装置及び人物追跡プログラム |
WO2013189464A2 (zh) * | 2012-11-28 | 2013-12-27 | 中兴通讯股份有限公司 | 一种近正向俯视监控视频行人跟踪计数方法和装置 |
CN104008367A (zh) * | 2014-05-08 | 2014-08-27 | 中国农业大学 | 基于计算机视觉的育肥猪的自动行为分析系统及方法 |
CN105761244A (zh) * | 2016-01-27 | 2016-07-13 | 中国科学技术大学 | 一种线虫致死率确定方法、装置及系统 |
CN106650695A (zh) * | 2016-12-30 | 2017-05-10 | 苏州万店掌网络科技有限公司 | 一种基于视频分析技术的跟踪统计人流量的系统 |
CN107295230A (zh) * | 2017-07-14 | 2017-10-24 | 广州紫川电子科技有限公司 | 一种基于红外热像仪的微型目标物移动侦测装置及方法 |
CN108345878A (zh) * | 2018-04-16 | 2018-07-31 | 泰华智慧产业集团股份有限公司 | 基于视频的公共交通工具客流量监测方法及系统 |
CN108875647A (zh) * | 2018-06-22 | 2018-11-23 | 成都睿畜电子科技有限公司 | 一种基于牲畜身份的移动轨迹监测方法和系统 |
CN108990831A (zh) * | 2018-06-22 | 2018-12-14 | 成都睿畜电子科技有限公司 | 一种牲畜健康监控方法和系统 |
CN109299703A (zh) * | 2018-10-17 | 2019-02-01 | 思百达物联网科技(北京)有限公司 | 对鼠情进行统计的方法、装置以及图像采集设备 |
CN109376584A (zh) * | 2018-09-04 | 2019-02-22 | 湖南大学 | 一种用于畜牧业的禽畜数量统计系统和方法 |
CN110210276A (zh) * | 2018-05-15 | 2019-09-06 | 腾讯科技(深圳)有限公司 | 一种移动轨迹获取方法及其设备、存储介质、终端 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2670429C1 (ru) * | 2017-11-24 | 2018-10-23 | ООО "Ай Ти Ви групп" | Системы и способы отслеживания движущихся объектов на видеоизображении |
US10796448B2 (en) * | 2018-11-09 | 2020-10-06 | NEX Team Inc. | Methods and systems for player location determination in gameplay with a mobile device |
-
2020
- 2020-06-05 CN CN202010504795.5A patent/CN112001941B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010098024A1 (ja) * | 2009-02-24 | 2010-09-02 | 三菱電機株式会社 | 人物追跡装置及び人物追跡プログラム |
WO2013189464A2 (zh) * | 2012-11-28 | 2013-12-27 | 中兴通讯股份有限公司 | 一种近正向俯视监控视频行人跟踪计数方法和装置 |
CN104008367A (zh) * | 2014-05-08 | 2014-08-27 | 中国农业大学 | 基于计算机视觉的育肥猪的自动行为分析系统及方法 |
CN105761244A (zh) * | 2016-01-27 | 2016-07-13 | 中国科学技术大学 | 一种线虫致死率确定方法、装置及系统 |
CN106650695A (zh) * | 2016-12-30 | 2017-05-10 | 苏州万店掌网络科技有限公司 | 一种基于视频分析技术的跟踪统计人流量的系统 |
CN107295230A (zh) * | 2017-07-14 | 2017-10-24 | 广州紫川电子科技有限公司 | 一种基于红外热像仪的微型目标物移动侦测装置及方法 |
CN108345878A (zh) * | 2018-04-16 | 2018-07-31 | 泰华智慧产业集团股份有限公司 | 基于视频的公共交通工具客流量监测方法及系统 |
CN110210276A (zh) * | 2018-05-15 | 2019-09-06 | 腾讯科技(深圳)有限公司 | 一种移动轨迹获取方法及其设备、存储介质、终端 |
CN108875647A (zh) * | 2018-06-22 | 2018-11-23 | 成都睿畜电子科技有限公司 | 一种基于牲畜身份的移动轨迹监测方法和系统 |
CN108990831A (zh) * | 2018-06-22 | 2018-12-14 | 成都睿畜电子科技有限公司 | 一种牲畜健康监控方法和系统 |
CN109376584A (zh) * | 2018-09-04 | 2019-02-22 | 湖南大学 | 一种用于畜牧业的禽畜数量统计系统和方法 |
CN109299703A (zh) * | 2018-10-17 | 2019-02-01 | 思百达物联网科技(北京)有限公司 | 对鼠情进行统计的方法、装置以及图像采集设备 |
Non-Patent Citations (2)
Title |
---|
出租车轨迹数据的地域间移动模式分析;龚希;陈占龙;谢忠;;武汉大学学报(信息科学版)(10);154-161 * |
基于头尾定位的群养猪运动轨迹追踪;高云;郁厚安;雷明刚;黎煊;郭旭;刁亚萍;;农业工程学报(02);228-234 * |
Also Published As
Publication number | Publication date |
---|---|
CN112001941A (zh) | 2020-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9641763B2 (en) | System and method for object tracking and timing across multiple camera views | |
Benezeth et al. | Abnormal events detection based on spatio-temporal co-occurences | |
US9378421B2 (en) | System and method for seat occupancy detection from ceiling mounted camera using robust adaptive threshold criteria | |
US11093886B2 (en) | Methods for real-time skill assessment of multi-step tasks performed by hand movements using a video camera | |
CN110751022A (zh) | 基于图像识别的城市宠物活动轨迹监测方法及相关设备 | |
Benezeth et al. | Abnormality detection using low-level co-occurring events | |
CN112488073A (zh) | 目标检测方法、系统、设备及存储介质 | |
CN103854027A (zh) | 一种人群行为识别方法 | |
CN101303727A (zh) | 基于视频人数统计的智能管理方法及其系统 | |
CN101179713A (zh) | 复杂背景下单个运动目标的检测方法 | |
WO2019080881A1 (zh) | 行人流量漏斗生成方法及装置、存储介质、电子设备 | |
AU2018379393A1 (en) | Monitoring systems, and computer implemented methods for processing data in monitoring systems, programmed to enable identification and tracking of human targets in crowded environments | |
Del Pizzo et al. | A versatile and effective method for counting people on either RGB or depth overhead cameras | |
US20220189193A1 (en) | Method for real-time counting of pedestrians for statistical purposes coupled with facial recognition function and apparatus applying method | |
Atrey et al. | Effective multimedia surveillance using a human-centric approach | |
CN114916964B (zh) | 一种咽拭子采样有效性检测方法及自助式咽拭子采样方法 | |
Tang et al. | Hybrid blob and particle filter tracking approach for robust object tracking | |
CN114708537A (zh) | 一种基于多视角的复杂场所异常行为分析系统及分析方法 | |
CN112001941B (zh) | 基于计算机视觉的仔猪监管方法及系统 | |
CN113014870B (zh) | 一种基于乘客姿态快速估计的地铁闸机通行逃票识别方法 | |
Zheng et al. | PrunedYOLO-Tracker: An efficient multi-cows basic behavior recognition and tracking technique | |
CN113780145A (zh) | 精子形态检测方法、装置、计算机设备和存储介质 | |
CN111563492B (zh) | 一种跌倒检测方法、跌倒检测装置及存储装置 | |
Labit-Bonis et al. | Visual and automatic bus passenger counting based on a deep tracking-by-detection system | |
CN114926772B (zh) | 一种咽拭子头部的跟踪与轨迹预测方法 |
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 |