CN112036364B - 跛行识别方法及装置、电子设备和计算机可读存储介质 - Google Patents
跛行识别方法及装置、电子设备和计算机可读存储介质 Download PDFInfo
- Publication number
- CN112036364B CN112036364B CN202010962278.2A CN202010962278A CN112036364B CN 112036364 B CN112036364 B CN 112036364B CN 202010962278 A CN202010962278 A CN 202010962278A CN 112036364 B CN112036364 B CN 112036364B
- Authority
- CN
- China
- Prior art keywords
- target
- lameness
- image
- image sequence
- target object
- 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
- 208000030175 lameness Diseases 0.000 title claims abstract description 210
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000003860 storage Methods 0.000 title claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 36
- 238000002372 labelling Methods 0.000 claims abstract description 13
- 206010022562 Intermittent claudication Diseases 0.000 claims abstract description 10
- 208000024980 claudication Diseases 0.000 claims abstract description 10
- 241000283690 Bos taurus Species 0.000 claims description 90
- 230000008569 process Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 10
- 238000010586 diagram Methods 0.000 description 19
- 235000013365 dairy product Nutrition 0.000 description 13
- 230000000875 corresponding effect Effects 0.000 description 10
- 238000003062 neural network model Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000002550 fecal effect Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000005021 gait Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 239000010865 sewage Substances 0.000 description 2
- 241000272525 Anas platyrhynchos Species 0.000 description 1
- 241000272814 Anser sp. Species 0.000 description 1
- 241000283073 Equus caballus Species 0.000 description 1
- 241000287828 Gallus gallus Species 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 241001494479 Pecora Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 244000309464 bull Species 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006651 lactation Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000008267 milk Substances 0.000 description 1
- 235000013336 milk Nutrition 0.000 description 1
- 210000004080 milk Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000032258 transport Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06V20/40—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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本公开提供一种跛行识别方法、装置以及电子设备和计算机可读存储介质，该方法包括：获取目标对象的目标图像序列，所述目标图像序列是通过对行走的所述目标对象进行图像采集获得的，所述目标图像序列包括目标图像；对各个目标图像中的目标对象的目标部位进行标注；根据标注后的所述目标图像生成待识别图像序列；通过目标跛行识别模型对所述待识别图像序列进行处理，确定所述目标对象是否跛行。本公开提供的技术方案可以准确的确定目标对象是否跛行。
Description
技术领域
本公开涉及计算机与互联网技术领域，尤其涉及一种跛行识别方法及装置、电子设备和计算机可读存储介质。
背景技术
奶牛跛行会导致奶牛的生产性能下降，以致过早的被淘汰，给养殖场带来严重的经济损失，对奶牛跛行早期进行识别是最佳的解决办法。
相关技术中，可以采用压力分布系统等机械设备实现对奶牛是否跛行的判断。但是由于奶牛场通常处在潮湿、流水和粪污等比较恶劣的环境中，长时间处在该恶劣环境中，奶牛跛行检测机械设备会受到腐蚀、附着粪污导致设备测量结果不准确。并且长时间的测量，导致奶牛在设备上停留的总时间变长，长时间的踩踏也会导致设备的受损，后期维护的成本较高。
另外，相关技术中还会通过人工对奶牛跛行结果进行判断，但是人工判断只能定期少量进行评估，导致跛行奶牛数量越来越多造成恶性循环。浪费大量的人力资源和时间资源，导致牧场的生成成本增加。另外，人工判断会由于主观问题导致不同人员评判标准存在差异。
因此，一种可以高效、低成本的奶牛跛行判断方法对于奶牛跛行检测来说十分重要。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解。
发明内容
本公开实施例提供一种跛行识别方法及装置、电子设备和计算机可读存储介质，可以对目标对象的跛行情况进行准确识别。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
本公开实施例提出一种跛行识别方法，该方法包括：获取目标对象的目标图像序列，所述目标图像序列是通过对行走的所述目标对象进行图像采集获得的，所述目标图像序列包括目标图像；对各个目标图像中的目标对象的目标部位进行标注；根据标注后的所述目标图像生成待识别图像序列；通过目标跛行识别模型对所述待识别图像序列进行处理，确定所述目标对象是否跛行。
在一些实施例中，所述目标跛行识别模型包括第一跛行识别模型和第二跛行识别模型；其中，通过目标跛行识别模型对所述待识别图像序列进行处理，确定所述目标对象是否跛行，包括：通过所述第一跛行识别模型对所述待识别图像序列进行处理，确定第一跛行结果；通过所述第二跛行识别模型对所述待识别图像序列进行处理，确定第二跛行结果；根据所述第一跛行结果和所述第二跛行结果确定所述目标对象是否跛行情况。
在一些实施例中，根据所述第一跛行结果和所述第二跛行结果确定所述目标对象是否跛行情况，包括：若所述第一跛行结果和所述第二跛行结果均为跛行，则所述目标对象跛行；若所述第一跛行结果和所述第二跛行结果均为不跛行，则所述目标对象不跛行；若所述第一跛行结果和所述第二跛行结果不同，则通过人工方式对所述目标对象是否跛行进行判断。
在一些实施例中，对各个目标图像中的目标对象的目标部位进行标注，包括：通过目标分割模型对所述目标图像进行处理，以在所述目标图像中识别出所述目标对象的目标部位；对所述目标部位进行标注。
在一些实施例中，所述目标部位至少包括背部、头部和腿部。
在一些实施例中，所述目标对象为目标牛；其中，获取目标对象的目标图像序列，包括：按照时间顺序对行走的目标牛进行图像采集，获得目标牛图像；对所述目标牛图像进行图像处理，以在所述目标牛图像中确定所述目标牛的尾部位置；在所述目标牛图像中确定尾部位置在第一目标位置处的第一图像以及所述第一图像对应的第一时间；
在所述目标牛图像中确定尾部位置在第二位置处的第二图像以及所述第二图像对应的第二时间；
根据所述第一时间和所述第二时间，在所述目标牛图像中确定所述目标图像序列。
本公开提供了一种跛行识别系统，所述波形识别系统包括：目标识别通道、识别信号发出设备、目标对象识别设备、目标图像采集设备以及目标处理器。
目标识别通道，所述目标识别通道包括目标进门和目标出门，目标对象从所述目标进门入并从所述目标出门出；
识别信号发出设备，安装于所述目标对象的头部位置处，用于所述目标对象发出识别信号；
目标对象识别设备，安装于所述目标出门位置处，用于接收所述识别信号，以对所述目标对象进行身份识别；
目标图像采集设备，用于对身份识别后的所述目标对象进行图像采集，以获得所述目标图像序列；
目标处理器，用于接收所述目标图像序列，以根据所述目标图像序列获得身份识别后的所述目标对象是否跛行情况。
本公开提供了一种跛行识别装置，所述跛行识别装置包括：目标识别通道、识别信号发出设备、目标对象识别设备、目标图像采集设备以及目标处理器。
其中，所述目标识别通道包括目标进门和目标出门，目标对象可以从所述目标进门入并从所述目标出门出；所述识别信号发出设备，安装于所述目标对象的头部位置处，可以用于所述目标对象发出识别信号；所述目标对象识别设备安装于所述目标出门位置处，可以用于接收所述识别信号，以对所述目标对象进行身份识别；所述目标图像采集设备可以用于对身份识别后的所述目标对象进行图像采集，以获得所述目标图像序列；所述目标处理器可以用于接收所述目标图像序列，以根据所述目标图像序列获得身份识别后的所述目标对象的跛行结果。
本公开实施例提出一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，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上述任一项所述的跛行识别方法。
本公开实施例提出一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述任一项所述的跛行识别方法。
本公开实施例提出一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述跛行识别方法。
本公开实施例提供的跛行识别方法、装置及电子设备和计算机可读存储介质，通过目标跛行识别模型对标注有目标对象的目标部位信息的待识别图像序列进行处理，准确、高效的对目标对象是否跛行进行了识别。既提高了识别效率，还提高了识别准确率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。下面描述的附图仅仅是本公开的一些实施例，对于本领域的普通技术人员来讲，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的附图。
图1示出了应用于本公开实施例的跛行识别方法或跛行识别装置的示例性系统架构的示意图。
图2是根据一示例性实施例示出的一种应用于跛行识别装置的计算机系统的结构示意图。
图3是根据一示例性实施例示出的一种跛行识别方法的流程图。
图4是根据一示例性实施例示出的一种目标对象标注示意图。
图5是根据一示例性实施例示出的一种目标对象灰度图。
图6是图3中步骤S4在一示例性实施例中的流程图。
图7是图1中步骤S3在一示例性实施例中的流程图。
图8是根据一示例性实施例示出的一种跛行识别系统。
图9是根据一示例性实施例示出的一种起始线及终止线示意图。
图9A是根据一示例性实施例示出的一种智能控制箱结构示意图。
图10是根据一示例性实施例示出的一种跛行识别系统图。
图11是根据一示例性实施例示出的一种跛行识别装置的框图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本公开将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。
本公开所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
附图仅为本公开的示意性图解，图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和步骤，也不是必须按所描述的顺序执行。例如，有的步骤还可以分解，而有的步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
本说明书中，用语“一个”、“一”、“该”、“所述”和“至少一个”用以表示存在一个或多个要素/组成部分/等；用语“包含”、“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等；用语“第一”、“第二”和“第三”等仅作为标记使用，不是对其对象的数量限制。
下面结合附图对本公开示例实施方式进行详细说明。
图1示出了可以应用于本公开实施例的跛行识别方法或跛行识别装置的示例性系统架构的示意图。
如图1所示，系统架构100可以包括图像采集设备101、终端设备102、103，网络104和服务器105。网络104用以在终端设备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。
用户可以适应图像采集设备对目标对象进行图像采集，以获得目标对象的目标图像序列，并将目标图像序列通过网络104上传至服务器105或终端设备102、103。
用户可以使用终端设备102、103通过网络104与服务器105交互，以接收或发送消息等。其中，终端设备102、103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、膝上型便携计算机、台式计算机、可穿戴设备、虚拟现实设备、智能家居等等。
服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所进行操作的装置提供支持的后台管理服务器。后台管理服务器可以对接收到的请求等数据进行分析等处理，并将处理结果反馈给终端设备。
服务器105可例如获取目标对象的目标图像序列，所述目标图像序列是通过对行走的所述目标对象进行图像采集获得的，所述目标图像序列包括目标图像；服务器105可例如对各个目标图像中的目标对象的目标部位进行标注；服务器105可例如根据标注后的所述目标图像生成待识别图像序列服务器105可例如通过目标跛行识别模型对所述待识别图像序列进行处理，确定所述目标对象是否跛行。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的，服务器105可以是一个实体的服务器，还可以为多个服务器组成，根据实际需要，可以具有任意数目的终端设备、网络和服务器。
下面参考图2，其示出了适于用来实现本申请实施例的终端设备的计算机系统200的结构示意图。图2示出的终端设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图2所示，计算机系统200包括中央处理单元(CPU)201，其可以根据存储在只读存储器(ROM)202中的程序或者从储存部分208加载到随机访问存储器(RAM)203中的程序而执行各种适当的动作和处理。在RAM 203中，还存储有系统200操作所需的各种程序和数据。CPU 201、ROM 202以及RAM 203通过总线204彼此相连。输入/输出(I/O)接口205也连接至总线204。
以下部件连接至I/O接口205：包括键盘、鼠标等的输入部分206；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分207；包括硬盘等的储存部分208；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分209。通信部分209经由诸如因特网的网络执行通信处理。驱动器210也根据需要连接至I/O接口205。可拆卸介质211，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器210上，以便于从其上读出的计算机程序根据需要被安装入储存部分208。
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存储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部分209从网络上被下载和安装，和/或从可拆卸介质211被安装。在该计算机程序被中央处理单元(CPU)201执行时，执行本申请的系统中限定的上述功能。
需要说明的是，本申请所示的计算机可读存储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。在本申请中，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。而在本申请中，计算机可读的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。计算机可读的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存储介质，该计算机可读存储介质可以发送、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。计算机可读存储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：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、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，上述模块、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，框图或流程图中的每个方框、以及框图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。
描述于本申请实施例中所涉及到的模块和/或单元和/或子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。所描述的模块和/或单元和/或子单元也可以设置在处理器中，例如，可以描述为：一种处理器包括发送单元、获取单元、确定单元和第一处理单元。其中，这些模块和/或单元和/或子单元的名称在某种情况下并不构成对该模块和/或单元和/或子单元本身的限定。
作为另一方面，本申请还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读存储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一个该设备执行时，使得该设备可实现功能包括：获取目标对象的目标图像序列，所述目标图像序列是通过对行走的所述目标对象进行图像采集获得的，所述目标图像序列包括目标图像；对各个目标图像中的目标对象的目标部位进行标注；根据标注后的所述目标图像生成待识别图像序列；通过目标跛行识别模型对所述待识别图像序列进行处理，确定所述目标对象是否跛行。
图3是根据一示例性实施例示出的一种跛行识别方法的流程图。本公开实施例所提供的方法可以由任意具备计算处理能力的电子设备来执行，例如该方法可以由上述图1实施例中的服务器或终端设备来执行，也可以由服务器和终端设备共同执行，在下面的实施例中，以服务器为执行主体为例进行举例说明，但本公开并不限定于此。
参照图3，本公开实施例提供的跛行识别方法可以包括以下步骤。
在步骤S1中，获取目标对象的目标图像序列，所述目标图像序列是通过对行走的所述目标对象进行图像采集获得的，所述目标图像序列包括目标图像。
在一些实施例中，目标对象可以指的是牛、羊、马等需要进行跛行判断的四肢动物，也可以指的是人、鸡、鸭、鹅等需要进行跛行判断的二肢动物，本公开对此不做限制。
在一些实施例中，可以按照预设的时间间隔对行走中的目标对象进行图像采集，以获得目标图像序列。
为保证识别准确率，一个目标图像中可以仅包括一个目标对象，例如目标图像中仅包括一头牛的身体部位，不包括其它牛只的身体部位。
在步骤S2中，对各个目标图像中的目标对象的目标部位进行标注。
在一些实施例中，目标对象的目标部位可以指的是背部、头部、腿部等跛行时影响较大的部位。
在一些实施例中，可以通过训练好的目标分割模型分别对各个目标图像进行处理，以对目标图像中的目标对象的目标部位进行标注。
在一些实施例中，可以通过目标分割模型对如图4所示的包括牛的目标图像进行处理，以将该牛只的头部401、背部402、腿部403(或404)以及图像背景405识别并标注出来。
可以理解的是，由于目标图像序列是在目标对象行走过程中拍摄的图像，所述目标图像中可能仅包括目标对象的部分身体部位，例如仅包括头部、尾部、部分背部等，本公开对此不做限制。
在一些实施例中，目标分割模型可以是通过提前标注好的目标对象的图像对第一神经网络模型训练获得的。例如可以通过人工对目标牛的目标部位(例如头、背、腿等)以及图像背景进行像素级别的标注，以生成目标牛的待训练图像序列，然后通过目标牛的待训练图像序列对第一神经网络模型进行训练，以获目标分割模型。
其中，第一神经网络模型可以指的是任意可以进行图像识别的机器学习模型，例如可以指的是卷积神经网络模型、循环神经网络模型，本公开对此不做限制。
在步骤S3中，根据标注后的所述目标图像生成待识别图像序列。
在一些实施例中，当完成对目标对象的标注后，可以根据标注完成的目标图像直接生成待识别图像序列；还可以根据标注完成的目标对象生成目标灰度图(例如将标注出来的目标部位的灰度设置的高一些，将其他部分的灰度设置的低一些)，然后根据目标灰度图生成待识别图像序列。例如，可以根据如图4所示的标注完成的目标图像生成如图5所示的目标灰度图。
在步骤S4中，通过目标跛行识别模型对所述待识别图像序列进行处理，确定所述目标对象是否跛行。
在一些实施例中，可以通过事先训练好的目标跛行识别模型对待识别图像序列进行处理，以确定目标对象是否跛行。其中，可以通过事先标注好跛行结果的待训练识别图像序列对第二神经网络模型进行序列，以获得目标跛行识别模型。其中，第二神经网络模型可以指的是循环神经网络模型(例如时序神经网络模型)、卷积神经网络等，本公开对此不做下限制。
在一些实施例中，第二神经网络模型可以指的是Enet(A Deep Neural NetworkArchitecture for Real-Time Semantic Segmentation，一种实时语义分割的深度神经网络架构)模型。
本实施例提供的技术方案，一方面通过目标分割模型从目标图像中准确的确定了目标对象的目标部位；另一方面通过目标跛行识别模型对标注有目标对象的目标部位信息的待识别图像序列进行处理，准确、高效的对目标对象是否跛行进行了识别，既提高了识别效率，还提高了识别准确率。
图6是图3中步骤S4在一示例性实施例中的流程图。
在一些实施例中，目标跛行识别模型可以包括第一跛行识别模型和第二跛行识别模型。
在一些实施例中，可以通过提前标注好跛行结果的待训练对象的待识别图像序列，使用随机森林方法获得第一跛行识别模型。
在一些实施例中，可以通过提前标注好跛行结果的待训练对象的待识别图像序列对MobileNetv2(一种轻量级网络)进行训练，以获得第二跛行识别模型。
参考图6，图3中步骤S4可以包括以下步骤。
在步骤S41中，通过所述第一跛行识别模型对所述待识别图像序列进行处理，确定第一跛行结果。
在步骤S42中，通过所述第二跛行识别模型对所述待识别图像序列进行处理，确定第二跛行结果。
在步骤S43中，根据所述第一跛行结果和所述第二跛行结果确定所述目标对象是否跛行。
在一些实施例中，通过第一跛行识别模型或第二跛行模型对目标对象进行跛行识别时，若判断目标对象跛行则可以输出为0，若不跛行则可以输出为1。
在一些实施例中，若第一跛行结果和第二跛行结果均为跛行(例如判断结果为00)，则目标对象跛行；若第一跛行结果和第二跛行结果均为不跛行(例如判断结果为11)，则目标对象不跛行；若第一跛行结果和第二跛行结果不同(例如判断结果为01或10)，则可以通过人工方式对目标对象的跛行情况进行判断。
在一些实施例中，当第一跛行结果和第二跛行结果不同时，可以通过人工方式对目标对象的跛行情况进行判断，并将跛行情况已经确定的了目标对象的目标图像序列对第一跛行识别模型和第二跛行识别模型进行训练，以实现对第一跛行识别模型和第二跛行识别模型的泛化和效果提升。
本实施例提供的技术方方案，通过联合多个跛行识别模型的识别结果，以确定目标对象的跛行结果，可以提高跛行识别的鲁棒性以及准确性。
图7是图1中步骤S3在一示例性实施例中的流程图。
在一些实施例中，本公开实施例中的目标对象可以为目标牛。
在一些实施例中，可以通过目标跛行识别系统对目标牛进行跛行识别。其中，跛行识别系统可以包括目标识别通道(例如图8所示的通道门)、识别信号发出设备(如图8所示的射频电子标签)、目标对象识别设备(如图8所示的射频读写器)、目标图像采集设备(如图8所示的高清摄像机)以及目标处理器(如图8所示的智能控制箱)。
在一些实施例中，目标识别通道可以架设在牛舍出口位置处，高度可以设置为3米，宽度可以设置为100厘米，此通道的宽度只能使得单只牛通过。
如图8所示目标识别通道可以包括目标进门和目标出门，目标牛可以从目标进门入并从目标出门出。
在一些实施例中，识别信号发出设备可以是高频电子标签(例如高频耳标、高频电子项圈等)，也可以是低频电子标签(例如低频耳标、低频电子项圈等)。
在一些实施例中，识别信号发出设备可以安装于目标对象的头部位置处，以用于目标对象发出识别信号。
在一些实施例中，目标对象识别设备可以指的是射频天线(例如高频天线、低频天线等可以用来接收识别信号发出设备所发出信号的设备)，一般来说目标对象识别设备可以安装于目标出门位置处，用于接收识别信号，以对所述目标对象进行身份识别。
在一些实施例中，目标图像采集设备可以指的是摄像机、照相机等可以用来图像采集的设备，本公开对此不做限制。
在一些实施例中，目标处理器可以指的是服务器、手机、电脑、或者NUC(迷你电脑)等可以进行计算处理的设备，本公开对对此不做限制。该目标服务器可以用来接收所述目标图像序列，以并根据本公开实施例提供的跛行识别方法对目标图像序列进行处理，以获得目标对象的跛行情。
参考图7，图3中的步骤S1可以包括以下步骤。
在一些实施例中，在对目标牛进行跛行识别前，可以首先通过设备绑定模块，绑定跛行识别系统，将跛行识别系统的ID与跛行识别系统所属位置建立关系，在运营维护时跛行识别系统的ID与位置可互相校验，同时图像采集设备ID与目标服务器设备绑定建立关系，图像采集设备就可以按照绑定关系进行上报。目标对象识别设备与目标服务器绑定，这样目标对象识别设备读取的识别信号和图像采集设备采集的数据可进行关联，从而获取每只奶牛准确的步态数据。
其次，绑定电子标签或电子耳标或电子项圈等识别信号发出设备与耳号(用来对牛的身份进行识别)的关系，在设备投入使用前，需要为目标牛佩戴RFID电子标签，将RFID与耳号使用管理软件对应录入系统中，使RFID与耳号建立对应关系。这样的方式可以将目标牛的跛行情况与目标牛档案信息进行多样的分析，例如，可以根据目标牛位置、泌乳阶段、胎次等为基础进行统计分析。并且牧场管理软件对步态跛行的牛只发出预警信息，提示牧场工作人员及时处理，根据跛行牛只的占比可以反馈棚舍的环境状态等。
在步骤S11中，按照时间顺序对行走的目标牛进行图像采集，获得目标牛图像。
在一些实施例中，可以控制多头牛只依次通过跛行识别系统。当目标对象识别设备接收到识别信号并准确识别出目标牛的身份后，可以控制图像采集设备(如图8所示的高清摄像机)对目标牛进行图像采集，并将采集到的图像存储在与目标牛对应的文件夹中。
例如，当识别到存在牛只通过时，可以以每秒15帧的速度拍摄牛只图像，存储在一个文件夹中，文件夹名称为日期+RFID。
在步骤S12中，对所述目标牛图像进行图像处理，以在所述目标牛图像中确定所述目标牛的尾部位置。
由于监测设备硬件限制99％的概率在同一个画面中不会出现2只牛的尾部，当出现两只牛尾部时，只监测早进入画面的牛只，将后进入的牛只数据清除或不保存。
在步骤S13中，在所述目标牛图像中确定尾部位置在第一目标位置处的第一图像以及所述第一图像对应的第一时间。
在一些实施例中，可以通过图像处理方法确定目标牛图像中的牛尾位置，若第一图像中牛尾位置在第一目标位置(例如图9所示的901)处，则可以判断该牛已经要进入跛行识别系统，则可以获取该第一图像对应的第一时间。
在步骤S14中，在所述目标牛图像中确定尾部位置在图像中第二位置处的第二图像以及所述第二图像对应的第二时间。
如图9所示，若第二图像中牛尾位置在第二目标位置(例如902)处，则可以判断该牛已经要走出跛行识别系统，则可以获取该第二图像对应的第二时间。
在步S15中，根据所述第一时间和所述第二时间，在所述目标牛图像中确定所述目标图像序列。
在一些实施例中，可以根据第一时间和第二时间从图像采集设备中截取图像序列，以作为目标牛的目标图像序列。
在一些实施例中，为了确定目标牛图像中只保留当前被检测牛的图像，可以将目标牛图像中牛尾部之后的图像信息删除。
本实施例提高的技术方案，一方面通过跛行识别系统可以准确的获取目标对象的目标图像序列；另一方面通过跛行识别模型对目标对象序列进行处理，准确、高效的确定了目标对象是否跛行。
图9A是根据一示例性实施例示出的一种智能控制箱结构示意图。参考图9A，上述智能控制箱可以包括空气开关、电源(可以为12V/14V双电路输出)，无线路由器、交换机、RFID读写器以及NUC等。
其中，空气开关可以用来控制智能控制箱的工作状态，12V直流电源可以为无线路由器所在电路供电以便无线路由器发射无线信息，便于目标牛图像等信息进行无线传输，14V直流电源可以为交换机、NUC等所在电路进行供电。
当智能控制箱处在工作状态时，无线路由器可以一直发射无线信号，以便于智能控制箱与高清摄像头、RFID天线等进行信号传输。
当智能控制箱处理工作状态时，RFID读写器会将接收到的目标牛身上的RFID天线发送的RFID信号发送给NUC；NUC在接收到RFID信号后会控制高清摄像头对目标牛进行图像采集以获取目标牛图像序列；高清摄像头会将采集到的目标牛图像序列传输给NUC，以便NUC对各个目标图像中的目标对象的目标部位进行标注，根据标注后的所述目标图像生成待识别图像序列，并通过目标跛行识别模型对所述待识别图像序列进行处理，确定所述目标对象是否跛行。
图10是根据一示例性实施例示出的一种跛行识别系统图。
如图10所示，该跛行识别系统可以包括跛行识别通道901，当目标对象通过跛行识别通道901后，该跛行识别通道可以采集目标对象的目标图像序列902并上传至目标服务器；目标服务器在接收到目标图像序列902后对目标图像序列中的各个目标图像中的目标对象的目标部位进行标注，然后根据标注后的所述目标图像生成待识别图像序列1003；目标服务器会通过目标跛行识别模型对所述待识别图像序列1003进行处理，确定所述目标对象的跛行情况。
图11是根据一示例性实施例示出的一种跛行识别装置的框图。参照图11，本公开实施例提供的跛行识别装置1100可以包括：目标图像序列获取模块、标注模块、待识别图像序列获取模块以及跛行情况确定模块。
其中，所述目标图像序列获取模块可以配置为获取目标对象的目标图像序列，所述目标图像序列是通过对行走的所述目标对象进行图像采集获得的，所述目标图像序列包括目标图像；所述标注模块可以配置为对各个目标图像中的目标对象的目标部位进行标注；所述待识别图像序列获取模块可以配置为根据标注后的所述目标图像生成待识别图像序列；所述跛行情况确定模块可以配置为通过目标跛行识别模型对所述待识别图像序列进行处理，确定所述目标对象是否跛行。
在一些实施例中，所述目标跛行识别模型包括第一跛行识别模型和第二跛行识别模型。
在一些实施例中，所述跛行情况确定模块可以包括：第一跛行结果确定单元、第二跛行结果确定单元以及跛行情况确定单元。
所述第一跛行结果确定单元可以配置为通过所述第一跛行识别模型对所述待识别图像序列进行处理，确定第一跛行结果；所述第二跛行结果确定单元可以配置为通过所述第二跛行识别模型对所述待识别图像序列进行处理，确定第二跛行结果；所述跛行情况确定单元可以配置为根据所述第一跛行结果和所述第二跛行结果确定所述目标对象是否跛行。
在一些实施例中，所述跛行情况确定单元可以包括：第一判断单元、第二判断单元以及第三判断单元。
其中，所述第一判断单元可以配置为若所述第一跛行结果和所述第二跛行结果均为跛行，则所述目标对象跛行；所述第二判断单元可以配置为若所述第一跛行结果和所述第二跛行结果均为不跛行，则所述目标对象不跛行；所述第三判断单元可以配置为若所述第一跛行结果和所述第二跛行结果不同，则通过人工方式对所述目标对象是否跛行进行判断。
在一些实施例中，所述标注模块可以包括：目标部位识别单元。
所述目标部位识别单元可以配置为通过目标分割模型对所述目标图像进行处理，以在所述目标图像中识别出所述目标对象的目标部位；对所述目标部位进行标注。
在一些实施例中，所述目标部位至少包括背部、头部和腿部。
在一些实施例中，所述目标对象为目标牛。
在一些实施例中，所述目标图像序列获取模块可以包括：目标牛图像获取单元、图像处理单元、第一时间确定单元、第二时间确定单元以及目标图像序列确定单元。
其中，所述目标牛图像获取单元可以配置为按照时间顺序对行走的目标牛进行图像采集，获得目标牛图像；所述图像处理单元可以配置为对所述目标牛图像进行图像处理，以在所述目标牛图像中确定所述目标牛的尾部位置；所述第一时间确定单元可以配置为在所述目标牛图像中确定尾部位置在第一目标位置处的第一图像以及所述第一图像对应的第一时间；所述第二时间确定单元可以配置为在所述目标牛图像中确定尾部位置在图像中第二位置处的第二图像以及所述第二图像对应的第二时间；所述目标图像序列确定单元可以配置为根据所述第一时间和所述第二时间，在所述目标牛图像中确定所述目标图像序列。
由于本公开的示例实施例的跛行识别装置1100的各个功能模块与上述跛行识别方法的示例实施例的步骤对应，因此在此不再赘述。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者智能设备等)执行根据本公开实施例的方法，例如图3的一个或多个所示的步骤。
此外，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其他实施例。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未申请的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。
应当理解的是，本公开并不限于这里已经示出的详细结构、附图方式或实现方法，相反，本公开意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。
Claims (9)
1.一种跛行识别方法，其特征在于，包括：
获取目标对象的目标图像序列，所述目标图像序列是通过对行走的所述目标对象进行图像采集获得的，所述目标图像序列包括目标图像；
对各个目标图像中的目标对象的目标部位进行标注；
根据标注后的所述目标图像生成待识别图像序列；
通过目标跛行识别模型对所述待识别图像序列进行处理，确定所述目标对象是否跛行；
其中，所述目标跛行识别模型包括第一跛行识别模型和第二跛行识别模型；
其中，通过目标跛行识别模型对所述待识别图像序列进行处理，确定所述目标对象是否跛行，包括：
通过所述第一跛行识别模型对所述待识别图像序列进行处理，确定第一跛行结果；
通过所述第二跛行识别模型对所述待识别图像序列进行处理，确定第二跛行结果；
根据所述第一跛行结果和所述第二跛行结果确定所述目标对象是否跛行。
2.根据权利要求1所述方法，其特征在于，根据所述第一跛行结果和所述第二跛行结果确定所述目标对象是否跛行，包括：
若所述第一跛行结果和所述第二跛行结果均为跛行，则所述目标对象跛行；
若所述第一跛行结果和所述第二跛行结果均为不跛行，则所述目标对象不跛行；
若所述第一跛行结果和所述第二跛行结果不同，则通过人工方式对所述目标对象是否跛行进行判断。
3.根据权利要求1所述方法，其特征在于，对各个目标图像中的目标对象的目标部位进行标注，包括：
通过目标分割模型对所述目标图像进行处理，以在所述目标图像中识别出所述目标对象的目标部位；
对所述目标部位进行标注。
4.根据权利要求1所述方法，其特征在于，所述目标部位至少包括背部、头部和腿部。
5.根据权利要求2所述方法，其特征在于，所述目标对象为目标牛；其中，获取目标对象的目标图像序列，包括：
按照时间顺序对行走的目标牛进行图像采集，获得目标牛图像；
对所述目标牛图像进行图像处理，以在所述目标牛图像中确定所述目标牛的尾部位置；
在所述目标牛图像中确定尾部位置在第一目标位置处的第一图像以及所述第一图像对应的第一时间；
在所述目标牛图像中确定尾部位置在第二位置处的第二图像以及所述第二图像对应的第二时间；
根据所述第一时间和所述第二时间，在所述目标牛图像中确定所述目标图像序列。
6.一种跛行识别系统，其特征在于，包括：
目标识别通道，所述目标识别通道包括目标进门和目标出门，目标对象从所述目标进门入并从所述目标出门出；
识别信号发出设备，安装于所述目标对象的头部位置处，用于所述目标对象发出识别信号；
目标对象识别设备，安装于所述目标出门位置处，用于接收所述识别信号，以对所述目标对象进行身份识别；
目标图像采集设备，用于对身份识别后的所述目标对象进行图像采集，以获得目标对象的目标图像序列，所述目标图像序列包括目标图像；
目标处理器，用于接收所述目标图像序列，以根据所述目标图像序列获得身份识别后的所述目标对象的跛行结果；
其中，根据所述目标图像序列获得身份识别后的所述目标对象的跛行结果，包括：
对各个目标图像中的目标对象的目标部位进行标注；
根据标注后的所述目标图像生成待识别图像序列；
通过目标跛行识别模型对所述待识别图像序列进行处理，确定所述目标对象是否跛行；
其中，所述目标跛行识别模型包括第一跛行识别模型和第二跛行识别模型；
其中，通过目标跛行识别模型对所述待识别图像序列进行处理，确定所述目标对象是否跛行，包括：
通过所述第一跛行识别模型对所述待识别图像序列进行处理，确定第一跛行结果；
通过所述第二跛行识别模型对所述待识别图像序列进行处理，确定第二跛行结果；
根据所述第一跛行结果和所述第二跛行结果确定所述目标对象是否跛行。
7.一种跛行识别装置，其特征在于，包括：
目标图像序列获取模块，配置为获取目标对象的目标图像序列，所述目标图像序列是通过对行走的所述目标对象进行图像采集获得的，所述目标图像序列包括目标图像；
标注模块，配置为对各个目标图像中的目标对象的目标部位进行标注；
待识别图像序列获取模块，配置为根据标注后的所述目标图像生成待识别图像序列；
跛行情况确定模块，配置为通过目标跛行识别模型对所述待识别图像序列进行处理，确定所述目标对象是否跛行；
其中，所述目标跛行识别模型包括第一跛行识别模型和第二跛行识别模型；
其中，通过目标跛行识别模型对所述待识别图像序列进行处理，确定所述目标对象是否跛行，包括：
通过所述第一跛行识别模型对所述待识别图像序列进行处理，确定第一跛行结果；
通过所述第二跛行识别模型对所述待识别图像序列进行处理，确定第二跛行结果；
根据所述第一跛行结果和所述第二跛行结果确定所述目标对象是否跛行。
8.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
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1-5中任一项所述的方法。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-5中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010962278.2A CN112036364B (zh) | 2020-09-14 | 2020-09-14 | 跛行识别方法及装置、电子设备和计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010962278.2A CN112036364B (zh) | 2020-09-14 | 2020-09-14 | 跛行识别方法及装置、电子设备和计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112036364A CN112036364A (zh) | 2020-12-04 |
| CN112036364B true CN112036364B (zh) | 2024-04-16 |
Family
ID=73589221
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010962278.2A Active CN112036364B (zh) | 2020-09-14 | 2020-09-14 | 跛行识别方法及装置、电子设备和计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112036364B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102015004451B3 (de) * | 2015-04-04 | 2016-05-04 | Solnovis GmbH | Verfahren und Einrichtung zum Anzeigen einer als wahrscheinlich lahmend aus einem Bestand zu selektierenden Milchkuh |
| WO2017030448A1 (en) * | 2015-08-17 | 2017-02-23 | Livestock Improvement Corporation Limited | Method and apparatus for evaluating an animal |
| CN107133604A (zh) * | 2017-05-25 | 2017-09-05 | 江苏农林职业技术学院 | 一种基于椭圆拟合和预测性神经网络的猪步态异常检测方法 |
| WO2018038604A1 (en) * | 2016-08-25 | 2018-03-01 | Lely Patent N.V. | Method and device to detect lameness of a cow |
| CN110197130A (zh) * | 2019-05-09 | 2019-09-03 | 广州番禺职业技术学院 | 一种生猪步态异常检测设备及系统 |
| CN111259978A (zh) * | 2020-02-03 | 2020-06-09 | 东北农业大学 | 一种融合多区域深度特征的奶牛个体身份识别方法 |
| CN111297367A (zh) * | 2019-11-26 | 2020-06-19 | 北京海益同展信息科技有限公司 | 一种动物状态监测方法、装置、电子设备及存储介质 |
| CN111339850A (zh) * | 2020-02-14 | 2020-06-26 | 中国农业大学 | 一种基于支撑时相的奶牛跛行检测方法与系统 |
-
2020
- 2020-09-14 CN CN202010962278.2A patent/CN112036364B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102015004451B3 (de) * | 2015-04-04 | 2016-05-04 | Solnovis GmbH | Verfahren und Einrichtung zum Anzeigen einer als wahrscheinlich lahmend aus einem Bestand zu selektierenden Milchkuh |
| WO2017030448A1 (en) * | 2015-08-17 | 2017-02-23 | Livestock Improvement Corporation Limited | Method and apparatus for evaluating an animal |
| WO2018038604A1 (en) * | 2016-08-25 | 2018-03-01 | Lely Patent N.V. | Method and device to detect lameness of a cow |
| CN107133604A (zh) * | 2017-05-25 | 2017-09-05 | 江苏农林职业技术学院 | 一种基于椭圆拟合和预测性神经网络的猪步态异常检测方法 |
| CN110197130A (zh) * | 2019-05-09 | 2019-09-03 | 广州番禺职业技术学院 | 一种生猪步态异常检测设备及系统 |
| CN111297367A (zh) * | 2019-11-26 | 2020-06-19 | 北京海益同展信息科技有限公司 | 一种动物状态监测方法、装置、电子设备及存储介质 |
| CN111259978A (zh) * | 2020-02-03 | 2020-06-09 | 东北农业大学 | 一种融合多区域深度特征的奶牛个体身份识别方法 |
| CN111339850A (zh) * | 2020-02-14 | 2020-06-26 | 中国农业大学 | 一种基于支撑时相的奶牛跛行检测方法与系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于MATLAB GUI的奶牛早期跛行识别数据处理系统的设计;刘德环 等;黑龙江畜牧兽医;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112036364A (zh) | 2020-12-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108922622B (zh) | 一种动物健康监测方法、装置及计算机可读存储介质 | |
| CN108875647B (zh) | 一种基于牲畜身份的移动轨迹监测方法和系统 | |
| CN107229947B (zh) | 一种基于动物识别的金融保险方法及系统 | |
| JP6203238B2 (ja) | 畜産管理システム | |
| KR20150130803A (ko) | 전염병 모니터링 방법 및 이를 이용한 시스템, 이를 수행하기 위한 기록매체 | |
| CN107680080B (zh) | 牲畜的样本库建立方法和清点方法、存储介质和电子设备 | |
| US11910784B2 (en) | Animal visual identification, tracking, monitoring and assessment systems and methods thereof | |
| CN110826371A (zh) | 一种动物识别方法、装置、介质及电子设备 | |
| US20210216758A1 (en) | Animal information management system and animal information management method | |
| CN111467074B (zh) | 用于检测牲畜状态的方法和装置 | |
| KR102584357B1 (ko) | 반문 이미지를 기반으로 한 축산 동물의 개체 식별 장치 및 영상을 기반으로 한 가축 행동 패턴 분류 시스템 및 가축 행동 패턴 분류 방법 | |
| Noe et al. | Automatic detection and tracking of mounting behavior in cattle using a deep learning-based instance segmentation model | |
| CN112214748A (zh) | 身份识别系统、方法以及装置 | |
| WO2023041904A1 (en) | Systems and methods for the automated monitoring of animal physiological conditions and for the prediction of animal phenotypes and health outcomes | |
| CN115457468A (zh) | 一种大型草场的智慧畜牧监测方法及系统 | |
| CN112036364B (zh) | 跛行识别方法及装置、电子设备和计算机可读存储介质 | |
| KR20210004184A (ko) | 마킹 정보의 식별 기반의 가축 관리 방법 및 이를 수행하는 컴퓨팅 장치와 서버 | |
| CN114120090A (zh) | 图像处理方法、装置、设备及存储介质 | |
| CN111405197B (zh) | 一种视频裁剪方法、图像处理方法及装置 | |
| CN117195934A (zh) | 一种耳标的跟踪方法及养殖数据采集方法 | |
| AU2021222707A1 (en) | Method, system and computer programs for traceability of living specimens | |
| CN111814698A (zh) | 基于人工智能及航拍图像的牧区母牛护犊行为检测方法 | |
| KR102332252B1 (ko) | 영상 분석 기반의 반추 동물의 발정행동패턴 분석 장치 및 방법 | |
| 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 | |
| JP7169397B2 (ja) | 判定システム |
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 | ||
| CB02 | Change of applicant information |
Address after: 601, 6 / F, building 2, No. 18, Kechuang 11th Street, Daxing District, Beijing, 100176 Applicant after: Jingdong Technology Information Technology Co.,Ltd. Address before: 601, 6 / F, building 2, No. 18, Kechuang 11th Street, Daxing District, Beijing, 100176 Applicant before: Jingdong Shuke Haiyi Information Technology Co.,Ltd. Address after: 601, 6 / F, building 2, No. 18, Kechuang 11th Street, Daxing District, Beijing, 100176 Applicant after: Jingdong Shuke Haiyi Information Technology Co.,Ltd. Address before: 601, 6 / F, building 2, No. 18, Kechuang 11th Street, Daxing District, Beijing, 100176 Applicant before: BEIJING HAIYI TONGZHAN INFORMATION TECHNOLOGY Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |