CN112131973A - 一种饲料处理监管方法、系统、设备及存储介质 - Google Patents

一种饲料处理监管方法、系统、设备及存储介质 Download PDF

Info

Publication number
CN112131973A
CN112131973A CN202010930421.XA CN202010930421A CN112131973A CN 112131973 A CN112131973 A CN 112131973A CN 202010930421 A CN202010930421 A CN 202010930421A CN 112131973 A CN112131973 A CN 112131973A
Authority
CN
China
Prior art keywords
feed
state
target
acquiring
processing
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
Application number
CN202010930421.XA
Other languages
English (en)
Other versions
CN112131973B (zh
Inventor
何清
刘安
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Haiyi Tongzhan Information Technology Co Ltd
Original Assignee
Beijing Haiyi Tongzhan Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Haiyi Tongzhan Information Technology Co Ltd filed Critical Beijing Haiyi Tongzhan Information Technology Co Ltd
Priority to CN202010930421.XA priority Critical patent/CN112131973B/zh
Publication of CN112131973A publication Critical patent/CN112131973A/zh
Application granted granted Critical
Publication of CN112131973B publication Critical patent/CN112131973B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
    • H04L67/025—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP] for remote control or remote monitoring of applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本申请涉及牧场管理技术领域，尤其涉及一种饲料处理监管方法、系统、设备和存储介质。方法包括：获取采食通道内当前饲料状态；根据所述当前饲料状态，确定目标饲料状态和目标作业车辆类型；监控到作业车辆进入后，若确定所述作业车辆属于所述目标作业车辆类型，获取处理后饲料状态；对比所述目标饲料状态和所述处理后饲料状态，根据对比结果获得所述处理后饲料状态对应的处理结果。本申请用以解决人工监管牧场饲料处理情况，造成的监管效果差、工作效率低的问题。

Description

一种饲料处理监管方法、系统、设备及存储介质
技术领域
本申请涉及牧场管理技术领域，尤其涉及一种饲料处理监管方法、系统、设备和存储介质。
背景技术
目前，在传统的牧场生产管理中，对牧场饲养状态的监控是牧场生产管理中的重点和难点。大规模养牛场中，通过下料车、推料车、清料车对牧场饲料进行投放、整理和清除等处理，由饲养员在牛场进行人工巡查，监控每个牛舍饲料的情况。饲养员人工巡查的监管方式，十分耗费人力，对于饲料处理前后的状态，无法及时做到有针对性的有效评估，进而容易造成牛只断食、余食堆积等问题；同时由于饲料处理没有有效的监管，造成牧场管理工作的工作效率降低。
发明内容
本申请提供了一种饲料处理监管方法、系统、设备和存储介质，用以解决人工监管牧场饲料处理情况，造成的监管效果差、工作效率低的问题。
第一方面，本申请实施例提供了一种饲料处理监管方法，包括：获取采食通道内当前饲料状态；根据所述当前饲料状态，确定目标饲料状态和目标作业车辆类型；监控到作业车辆进入后，若确定所述作业车辆属于所述目标作业车辆类型，获取处理后饲料状态；对比所述目标饲料状态和所述处理后饲料状态，根据对比结果获得所述处理后饲料状态对应的处理结果。
可选地，所述处理结果包括完成结果和未完成结果；所述对比所述目标饲料状态和所述处理后饲料状态，根据对比结果获得所述处理后饲料状态对应的处理结果，包括：判断所述目标饲料状态和所述处理后饲料状态是否一致；若是，获取所述处理后饲料状态对应的所述完成结果；若否，获取所述处理后饲料状态对应的所述未完成结果。
可选地，所述获取目标饲料状态和目标作业车辆类型同时，还包括：获取目标处理时间；所述获取处理后饲料状态同时，还包括：获取所述处理后饲料状态对应的状态处理时间；所述对比所述目标饲料状态和所述处理后饲料状态之前，还包括：确定所述状态处理时间在所述目标处理时间之内。
可选地，所述获取采食通道内当前饲料状态，包括：通过图像采集装置获取采食通道内当前饲料图像；解析所述当前饲料图像，获取所述当前饲料状态，其中，所述饲料状态包括正常状态、待下料状态、待清料状态和待推料状态；所述解析所述当前饲料图像，获取所述当前饲料状态之后，所述根据所述当前饲料状态，获取目标饲料状态和目标作业车辆类型之前，还包括：确定所述当前饲料状态为所述正常状态后，获取预设时间间隔；所述预设时间间隔之后，重新获取当前饲料图像，直至所述当前饲料状态为所述待下料状态、所述待清料状态和所述待推料状态中的任一种状态。
可选地，所述根据所述当前饲料状态，获取目标饲料状态和目标作业车辆类型之后，还包括：根据所述目标饲料状态和所述目标作业车辆类型，生成饲料处理指令，其中，所述饲料处理指令用于调配所述作业车辆，由所述作业车辆将饲料处理至所述目标饲料状态。
第二方面，本申请实施例提供了一种饲料处理监管系统，包括：图像采集设备、中心处理设备、网络设备和客户端；所述图像采集设备，用于采集采食通道内当前饲料图像，并将所述当前饲料图像传输给所述中心处理设备，以及用于采集进入采食通道内作业车辆的车辆图像，并将所述车辆图像传输给所述中心处理设备；所述中心处理设备，用于获取所述当前饲料图像，解析所述当前饲料图像，获取当前饲料状态，根据所述当前饲料状态，获取目标饲料状态和目标作业车辆类型，以及用于获取所述车辆图像，解析所述车辆图像，确定所述作业车辆属于所述目标作业车辆类型，获取处理后饲料状态，并将所述目标饲料状态和所述处理后饲料状态传输给所述网络设备；所述网络设备，用于获取所述目标饲料状态和所述处理后饲料状态，生成处理后饲料状态对应的处理结果，并将所述处理结果传输给所述客户端；所述客户端，用于获取所述处理结果并提示。
可选地，所述网络设备具体用于：判断所述目标饲料状态和所述处理后饲料状态是否一致；若是，生成所述处理后饲料状态对应的完成结果；若否，生成所述处理后饲料状态对应的未完成结果。
可选地，所述中心处理设备还用于：获取目标处理时间；所述获取处理后饲料状态同时，获取所述处理后饲料状态对应的状态处理时间并传输给所述网络设备；所述网络设备还用于：获取所述目标处理时间和所述状态处理时间，所述对比所述目标饲料状态和所述处理后饲料状态之前，确定所述状态处理时间在所述目标处理时间之内。
可选地，所述中心处理设备还用于：所述解析所述当前饲料图像，获取所述当前饲料状态之后，所述根据所述当前饲料状态，获取目标饲料状态和目标作业车辆类型之前，确定所述当前饲料状态为正常状态后，获取预设时间间隔，并将所述预设时间间隔传输给所述图像采集设备，直至所述当前饲料状态为待下料状态、待清料状态和待推料状态中的任一种状态；所述图像采集设备，用于接收所述预设时间间隔，所述预设时间间隔之后，重新获取当前饲料图像。
可选地，所述中心处理设备还用于：将所述目标饲料状态和所述目标作业车辆类型传输给所述网络设备；所述网络设备还用于：获取所述目标饲料状态和所述目标作业车辆类型，生成饲料处理指令，并将所述饲料处理指令发送给所述客户端；所述客户端还用于：获取所述饲料处理指令并提示。
第三方面，本申请实施例提供了一种电子设备，包括：处理器、通信接口、存储器和通信总线，其中，处理器、通信接口和存储器通过通信总线完成相互间的通信；所述存储器，用于存储计算机程序；所述处理器，用于执行所述存储器中所存储的程序，实现第一方面所述的饲料处理监管方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述的饲料处理监管方法。
本申请实施例提供的上述技术方案与现有技术相比具有如下优点：本申请实施例提供的该方法，针对处理前后的饲料状态以及作业车辆情况，有针对性的进行比较，获得准确的相应处理结果，以便根据结果及时处理相应区域内的饲料，避免出现牛只断食、余食堆积等现象，进而避免了牛只饲养效果差、饲料浪费等问题；同时实时且全面地监控了相关作业车辆的作业情况，自动化监管方式对饲料处理工作进行了有效地监管，进一步避免出现各种原因造成的饲料处理效果不理想等问题，大大提高了牧场管理工作的工作效率。
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，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的饲料处理监管流程示意图；
图2为本申请实施例提供的摄像头拍摄范围侧视示意图；
图3为本申请实施例提供的多个摄像头拍摄范围俯视示意图；
图4为本申请实施例提供的饲料图像深度学习卷积神经网络模型训练过程示意图；
图5为本申请实施例提供的饲料区域深度学习卷积神经网络模型内部训练过程示意图；
图6为本申请实施例提供的饲料状态判别过程示意图；
图7为本申请实施例提供的饲料处理监管系统架构示意图；
图8和图9为本申请实施例提供的客户端显示界面示例图；
图10为本申请实施例提供的饲料处理监管装置结构示意图；
图11为本申请实施例中电子设备的结构示意图；
图12为本申请实施例提供的客户端设置界面示例图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通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，都属于本申请保护的范围。
本申请实施例提供了一种饲料处理监管方法，通过自动监控饲料情况和作业车辆情况，来解决大规模养牛场的饲料处理无有效监管，导致的工作效率低等问题。本申请实施例提供的该方法，还可以用于其他养殖场所的饲养监管，这里仅以养牛场作为示例进行介绍，本申请的保护范围并不以该方法的实施场所为限制。
如图1所示，饲料处理监管的过程包括：
步骤101，获取采食通道内当前饲料状态。
一个实施例中，获取采食通道内当前饲料状态，具体过程包括：通过图像采集装置获取采食通道内当前饲料图像；解析当前饲料图像，获取当前饲料状态。
本实施例中，图像采集装置为智能摄像头，摄像头的安装位置部署在牛只采食通通道的对面，如图2所示的采食通道侧视图中，摄像头的拍摄范围需要保证摄像头可以完整的看到奶牛出现在采食通道附近，不能有过多的遮挡，同时当作业车辆进入时，需要采集到作业车辆的图像。对于过长的采食通道，如图3所示的采食通道的俯视图中，可以根据采食通道内的颈枷将采食通道划分为多个区域，多个摄像头配合工作以保证整个采食通道的拍摄范围，例如，将8个颈枷的范围内作为一个区域，每个区域内配置一个摄像头，多个摄像头配合工作，完成整个采食通道的监管。
本实施例中，当前饲料状态包括正常状态、待下料状态、待清料状态和待推料状态。如图3所示的采食通道的俯视图中，将采食通道分为上部和下部，上部为靠近牛只方向且牛可以吃到饲料的区域，下部为远离牛只方向且牛难以吃到饲料的区域，摄像头可以完整的拍摄到上部和下部两个饲料区域。当前饲料状态的划分，可以通过上部和下部饲料余量占比进行划分，例如，上部饲料余量占比大于30％且下部饲料余量占比小于30％时，为正常状态；上部饲料余量占比小于30％且下部饲料余量占比大于30％时，为待推料状态；上部饲料余量占比小于30％且下部饲料余量占比小于30％，同时，上部饲料余量占比大于10％且下部饲料余量占比大于10％时，为待下料状态；上部饲料余量占比小于10％且下部饲料余量占比小于10％时，为待清料状态。
不同状态的划分标准可以根据牧场情况进行设定和调整。例如，因为季节的不同，或者因为牛只数量的不同，对划分标准进行调整，可以使饲料监管的过程更加灵活，提高监管效果的有效性。
通过图像采集装置自动获取图像以检测饲料状态，来代替人工巡查饲料的方式，避免人工方式容易出现遗漏等问题，避免饲料浪费；且能够更迅速准确的获得饲料情况，提高饲料管理工作的效率。
一个实施例中，将饲料图像输入至深度学习卷积神经网络模型，获得该深度学习卷积神经网络模型输出的标记饲料区域后的标记图像；根据该标记图像中所标记的饲料区域，确定采食通道中的饲料状态。
本实例中，采食通道内的区域分为上部和下部两个饲料区域，两个区域可以在饲料图像标记时分别进行标记，但两个区域对应的饲料图像通过深度学习卷积神经网络模型训练的过程是相同的。
该深度学习卷积神经网络模型的训练过程如图4所示，大致如下：
步骤401，获取样本图像，其中，该样本图像中对采集到的采食通道的饲料区域进行标记。
其中，该样本图像可以是人工对采集到的采食通道的样本图像进行标记得到，例如，人工从样本图像中圈出饲料区域。标记的样本图像是人工智能训练的重要数据，要求打标尽可能准确，准确性越高训练的模型的识别准确率也会相应提高。
步骤402，将样本图像输入至原始深度学习卷积神经网络模型，获得该原始深度学习神经网络模型输出的识别图像，该识别图像中包含识别出的饲料区域。
步骤403，判断识别出的饲料区域，与标记的饲料区域是否一致，若不一致，执行步骤404，否则，执行步骤405。
步骤404，调整该原始深度学习卷积神经网络模型中的参数后，转去执行步骤402。
步骤405，将一致时对应的原始深度学习卷积神经网络模型，作为最终的深度学习卷积神经网络模型。
其中，初始状态的原始深度学习卷积神经网络模型中，参数为预先设定的值。
需要说明的是，本申请实施例中，对具体所采用的深度学习卷积神经网络模型的结构不做限制，只要能够识别出图像中的饲料区域均可用于本申请，且上部和下部两个饲料区域所采用的深度学习卷积神经网络模型的结构是相同的。以下仅举例说明其中的一种实现方式，如图5所示，该深度学习卷积神经网络模型内部的大致训练过程包括：
步骤501，深度学习卷积神经网络模型对样本图像进行转化，将样本图像中打标的饲料区域内的像素值置为1，将该样本图像中打标的饲料区域外的像素值置为0，得到与该样本图像具有相同尺寸的0/1矩阵；
步骤502，深度学习卷积神经网络模型对该0/1矩阵进行卷积运算，生成新的矩阵，将该新的矩阵作为训练图矩阵，以增强原信号并降低噪音；
步骤503，深度学习卷积神经网络模型将该训练图矩阵输入到VGG网络，得到该VGG网络输出的特征矩阵；
步骤504，深度学习卷积神经网络模型对该特征矩阵进行反卷积运算，获得低层次特征，通过该低层次特征形成与0/1矩阵尺寸相当的图像矩阵，该图像矩阵即为包含识别出的饲料区域的图像。
一个具体实施例中，饲料状态通过饲料余量占比来确定。采食通道内的饲料区域分为上部和下部两个区域，两个区域通过对饲料图像标记时进行分别标记的方式，可以获得两个区域分别对应的饲料余量占比，对两个区域分别对应的饲料余量占比进行比较分析，进一步确定采食通道内的饲料状态。其中，两个区域获得饲料余量占比的计算过程是相同的。
具体地，在将当前获得的饲料图像输入深度学习卷积神经网络模型后，获得深度学习卷积神经网络模型输出的标记饲料区域后的标记图像，获取该标记图像中的饲料区域覆盖的像素数，计算该饲料区域覆盖的像素数占整个图像的总像素数的比例值，将该比例值作为饲料余量占比。需要说明的是，饲料余量占比还可以采用其他方式计算得到，此处仅是列举其中一种实现方式，例如，饲料余量占比还可以通过饲料区域覆盖的像素数占采食通道所覆盖的像素数的比例得到，采食通道区域可以采用人工智能识别得到。
步骤102，根据当前饲料状态，确定目标饲料状态和目标作业车辆类型。
一个实施例中，当前饲料状态包括正常状态、待下料状态、待清料状态和待推料状态。解析当前饲料图像，获取当前饲料状态之后，根据当前饲料状态，确定目标饲料状态和目标作业车辆类型之前，确定当前饲料状态是正常状态还是待下料状态、待清料状态和待推料状态中的任一种状态，如图6所示，具体过程包括：
步骤601，判断当前饲料状态是否为正常状态，若是，执行步骤602，若否，执行步骤603；
步骤602，获取预设时间间隔；
步骤603，预设时间间隔之后，获取新的饲料图像作为当前饲料图像，并获取新的饲料状态作为当前饲料状态，执行步骤601；
步骤604，确定当前饲料状态为待下料状态、待清料状态和待推料状态中的任一种状态。
本实施例中，正常状态对应正常饲料余量占比范围，若当前饲料状态对应的当前饲料余量占比在正常饲料余量占比范围内时，确定当前饲料状态为正常状态。
本实施例中，预设时间间隔可以根据养牛场的具体情况人为设定，例如，可以将时间间隔设置为5秒。当判断饲料状态为正常状态后，5秒钟后再次采集饲料图像进行判断，直到判断饲料状态为待下料状态、待清料状态和待推料状态中的任一种状态。预设短暂时间间隔，实现了实时监控饲料情况，能够保证及时发现饲料是否出现需要处理的状态，保证及时补充或清理饲料，提高牛只饲喂的效果，避免饲料浪费。
一个实施例中，目标饲料状态包括目标下料状态、目标清料状态和目标推料状态。判断当前饲料状态为待下料状态时，获取的目标饲料状态为目标下料状态；判断当前饲料状态为待清料状态时，获取的目标饲料状态为目标清料状态；判断当前饲料状态为待推料状态时，获取的目标饲料状态为目标推料状态。目标饲料状态对应的饲料余量占比可以根据牧场情况进行设定和调整。
一个实施例中，根据当前饲料状态，获取目标饲料状态和目标作业车辆类型之后，还包括：
根据目标饲料状态和目标作业车辆类型，生成饲料处理指令，其中，饲料处理指令用于调配作业车辆，由作业车辆将饲料处理至目标饲料状态。
本实施例中，作业车辆类型包括下料车、清料车和推料车。当前饲料状态为待下料状态时，通知下料车进行作业；当前饲料状态为待清料状态时，通知清料车进行作业；当前饲料状态为待推料状态时，通知推料车进行作业。下料车用于对采食通道进行饲料投放，清料车用于对采食通道进行饲料清理，推料车用于对采食通道散落的饲料进行整理归置。
步骤103，监控到作业车辆进入后，若确定作业车辆属于目标作业车辆类型，获取处理后饲料状态。
一个实施例中，通过图像采集装置采集的图像，识别图像中是否存在作业车辆，并通过预设的车辆特征来识别作业车辆属于哪种类型。当图像采集装置为多个配合工作的摄像头时，将所有摄像头识别结果中的大多数结果，作为最终的作业车辆的类型，例如，当有10个摄像头时，9个摄像头识别作业车辆属于下料车，1个摄像头识别作业车辆为推料车，则确定作业车辆为下料车。通过该种方式，可以提高摄像头识别的容错性。
本实施例中，通过识别进入采食通道的作业车辆类型，避免其他类型的作业车辆路过时误判，造成多余的计算过程，减少需要处理的计算量。
步骤104，对比目标饲料状态和处理后饲料状态，根据对比结果获得处理后饲料状态对应的处理结果。
一个实施例中，处理结果包括完成结果和未完成结果。对比目标饲料状态和处理后饲料状态，当对比结果为目标饲料状态和处理后饲料状态一致时，获取处理后饲料状态对应的完成结果；当对比结果为目标饲料状态和处理后饲料状态不一致时，获取处理后饲料状态对应的未完成结果。
对处理后的饲料状态进行对比，避免了对目标类型的车辆路过采食通道，或者目标类型的车辆处理后并未处理到目标饲料状态，等类似情况的误判为处理完成的结果，提高饲料监管的准确性和有效性。
一个实施例中，处理后饲料状态包括已下料状态、已清料状态和已推料状态。处理后饲料状态可以通过饲料余量占比来确定，当目标饲料状态为目标下料状态时，获取目标下料状态对应的目标饲料余量占比范围，若处理后的饲料余量占比在目标饲料余量占比范围之内，则处理后饲料状态为已下料状态，处理结果为完成结果；当目标饲料状态为目标清料状态时，获取目标清料状态对应的目标饲料余量占比范围，若处理后的饲料余量占比在目标饲料余量占比范围之内，则处理后饲料状态为已清料状态，处理结果为完成结果；当目标饲料状态为目标推料状态时，获取目标推料状态对应的目标饲料余量占比范围，若处理后的饲料余量占比在目标饲料余量占比范围之内，则处理后饲料状态为已推料状态，处理结果为完成结果。同样，当饲料区域分为上部和下部两个饲料区域时，类似于当前饲料状态的划分，可以通过两个区域对应的饲料余量占比结合，来确定处理后饲料状态的划分。其不同状态的划分标准可以根据牧场情况进行设定和调整。
一个实施例中，获取目标饲料状态和目标作业车辆类型同时，还获取目标处理时间；获取处理后饲料状态同时，还获取处理后饲料状态对应的状态处理时间。对比目标饲料状态和处理后饲料状态之前，判断状态处理时间是否在目标处理时间之内，当判断结果为是时，继续对比目标饲料状态和处理后饲料状态；当判断结果为否时，获取处理后饲料状态对应的超时结果。
根据饲料处理指令对饲料进行处理，代替定时定点处理饲料的方式，避免出现余食堆积等情况，例如，饲料余量还较多时，到时间后仍然补充新饲料。根据指令进行饲料处理的情况更加灵活，并避免饲料浪费、车辆浪费等，提高饲料处理效率和牛只饲养效果。
本实施例中，目标处理时间可以根据实际情况进行设定和调整，例如，当作业车辆总数量较多时，可以将目标处理时间设定为30分钟，当作业车辆总数量较少时，可以将目标处理时间设定为50分钟。
通过目标处理时间的设定，可以督促处理进程的开展，避免长时间不对需要处理的饲料状态进行处理，导致牛只缺食等现象，进而造成饲喂效果差、饲料处理效率低等后果。
本实施例中，当获得处理后饲料状态对应的处理结果后，将当前饲料状态、目标饲料状态、目标作业车辆类型、处理后饲料状态、目标处理时间和状态处理时间，作为一条记录进行保存。保存该记录后，便于用户随时进行查询浏览，进一步整合评价饲料处理效果，提升饲料处理监管效果。
本申请实施例提供的该方法，通过采集饲料图像实时获取饲料状态，来实现饲料处理前后的监管，解放了大量人工劳动力，实现监管的自动化。设置短暂时间间隔获取饲料图像，以及设置目标处理时间，避免饲料长时间不处理造成的饲料浪费和饲料处理效率低等问题。对作业车辆类型的识别，能够有针对性地对目标作业车辆进行计算，避免大量无意义地计算过程，减少了计算量，提高设备运算速度。饲料处理自动化监管过程，为牧场饲料的管理提供了有效的监督，进一步提高牧场管理工作的效率。
基于同一构思，本申请实施例中提供了一种饲料处理监管系统，如图7所示，主要包括图像采集设备701、中心处理设备702、网络设备703和客户端704。
图像采集设备701，用于采集采食通道内当前饲料图像，并将当前饲料图像传输给中心处理设备702，以及用于采集进入采食通道内作业车辆的车辆图像，并将车辆图像传输给中心处理设备702。
中心处理设备702，用于获取当前饲料图像，解析当前饲料图像，获取当前饲料状态，根据当前饲料状态，获取目标饲料状态和目标作业车辆类型，以及用于获取车辆图像，解析车辆图像，确定作业车辆属于目标作业车辆类型，获取处理后饲料状态，并将目标饲料状态和处理后饲料状态传输给网络设备。
网络设备703，用于获取目标饲料状态和处理后饲料状态，生成处理后饲料状态对应的处理结果，并将处理结果传输给客户端704。
客户端704，用于获取处理结果并提示。
本实施例中，图像采集设备701与中心处理设备702可以集成于同一个硬件装置，例如，可以为人工智能(Artificial Intelligence，AI)摄像头，即集成了人工智能算法的摄像头。该AI摄像头图像采集部分采集相关图像后，内部集成的中心处理部分可以对图像进行计算处理。
网络设备703可以为边缘计算网关，边缘计算网关生成处理后饲料状态对应的处理结果后，可以通过软件即服务(Software as a service，SAAS)模式传输给客户端704。
客户端704接收处理结果后，可以通过声音或者显示界面进行提示。例如，如图8所示，客户端704可以显示不同采食通道内，不同车辆出现的次数；如图9所示，客户端704还可以以任务的形式显示每条指令对应的处理结果。用户还可以通过客户端704对目标处理时间、状态划分标准等进行设定和调整，增加客户端704使用效率，使客户端704功能多样化。需要说明的是，客户端704的数量可以为一个，也可以为多个，根据实际作业人员的数量和实际作业需求确定，本申请不对客户端704的数量进行限定。
一个实施例中，通过客户端704可以进行自定义设置。例如，如图12所示，客户端704可以设置待下料状态(包括图中的缺料和空槽两种状态)、待清料状态和待推料状态等余料状态对应的规则；可以设置检测下料车、清料车和推料车时，需要用到的检测参数。
一个实施例中，网络设备703具体用于：判断目标饲料状态和处理后饲料状态是否一致；若是，生成处理后饲料状态对应的完成结果；若否，生成处理后饲料状态对应的未完成结果。
一个实施例中，中心处理设备702还用于：获取目标处理时间；获取处理后饲料状态同时，获取处理后饲料状态对应的状态处理时间并传输给网络设备703。网络设备703还用于：获取目标处理时间和状态处理时间，对比目标饲料状态和处理后饲料状态之前，确定状态处理时间在目标处理时间之内。
一个实施例中，中心处理设备702还用于：解析当前饲料图像，获取当前饲料状态之后，根据当前饲料状态，获取目标饲料状态和目标作业车辆类型之前，确定当前饲料状态为正常状态后，获取预设时间间隔，并将预设时间间隔传输给图像采集设备，直至当前饲料状态为待下料状态、待清料状态和待推料状态中的任一种状态。图像采集设备，用于接收预设时间间隔，预设时间间隔之后，重新获取当前饲料图像。
一个实施例中，中心处理设备702还用于：将目标饲料状态和目标作业车辆类型传输给网络设备703。网络设备703还用于：获取目标饲料状态和目标作业车辆类型，生成饲料处理指令，并将饲料处理指令发送给客户端704。客户端704还用于：获取饲料处理指令并提示。
本申请实施例提供的饲料处理监管系统，通过图像采集装置对采食通道内的图像进行采集和计算，网络设备进一步对图像采集装置计算后的数据进行处理，然后将计算结果发送给客户端进行提示。该系统实现饲料处理监管过程的自动化，代替人工巡查，节省了大量人力。自动化监管过程，避免了饲料浪费、牛只缺食现象，提升牛只饲喂效果；对饲料处理前后的自动化识别，保证了饲料处理的有效监督，提升牧场管理的工作效率。
基于同一构思，本申请实施例中提供了一种饲料处理监管装置，该装置的具体实施可参见方法实施例部分的描述，重复之处不再赘述，如图10所示，该装置主要包括：
第一状态获取模块1001，用于获取采食通道内当前饲料状态；
目标获取模块1002，用于根据当前饲料状态，获取目标饲料状态和目标作业车辆类型；
第二状态获取模块1003，用于监控到作业车辆进入后，若确定作业车辆属于目标作业车辆类型，获取处理后饲料状态；
处理模块1004，用于对比目标饲料状态和处理后饲料状态，根据对比结果获得处理后饲料状态对应的处理结果。
基于同一构思，本申请实施例中还提供了一种电子设备，如图11所示，该电子设备主要包括：处理器1101、通信接口1102、存储器1103和通信总线1104，其中，处理器1101、通信接口1102和存储器1103通过通信总线1104完成相互间的通信。其中，存储器1103中存储有可被至处理器1101执行的程序，处理器1101执行存储器1103中存储的程序，实现如下步骤：获取采食通道内当前饲料状态；根据当前饲料状态，获取目标饲料状态和目标作业车辆类型；监控到作业车辆进入后，若确定作业车辆属于目标作业车辆类型，获取处理后饲料状态；对比目标饲料状态和处理后饲料状态，根据对比结果获得处理后饲料状态对应的处理结果。
上述电子设备中提到的通信总线1104可以是外设部件互连标准(PeripheralComponent Interconnect，简称PCI)总线或扩展工业标准结构(Extended IndustryStandard Architecture，简称EISA)总线等。该通信总线1104可以分为地址总线、数据总线、控制总线等。为便于表示，图11中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口1102用于上述电子设备与其他设备之间的通信。
存储器1103可以包括随机存取存储器(Random Access Memory，简称RAM)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。可选地，存储器还可以是至少一个位于远离前述处理器1101的存储装置。
上述的处理器1101可以是通用处理器，包括中央处理器(Central ProcessingUnit，简称CPU)、网络处理器(Network Processor，简称NP)等，还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本申请的又一实施例中，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中存储有计算机程序，当该计算机程序在计算机上运行时，使得计算机执行上述实施例中所描述的饲料处理监管方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机指令时，全部或部分地产生按照本申请实施例所述的流程或功能。该计算机可以时通用计算机、专用计算机、计算机网络或者其他可编程装置。该计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，计算机指令从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、微波等)方式向另外一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质(例如软盘、硬盘、磁带等)、光介质(例如DVD)或者半导体介质(例如固态硬盘)等。
需要说明的是，在本文中，诸如“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。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。

Claims (12)

1.一种饲料处理监管方法，其特征在于，包括：
获取采食通道内当前饲料状态；
根据所述当前饲料状态，确定目标饲料状态和目标作业车辆类型；
监控到作业车辆进入后，若确定所述作业车辆属于所述目标作业车辆类型，获取处理后饲料状态；
对比所述目标饲料状态和所述处理后饲料状态，根据对比结果获得所述处理后饲料状态对应的处理结果。
2.根据权利要求1所述的饲料处理监管方法，其特征在于，所述处理结果包括完成结果和未完成结果；
所述对比所述目标饲料状态和所述处理后饲料状态，根据对比结果获得所述处理后饲料状态对应的处理结果，包括：
判断所述目标饲料状态和所述处理后饲料状态是否一致；
若是，获取所述处理后饲料状态对应的所述完成结果；
若否，获取所述处理后饲料状态对应的所述未完成结果。
3.根据权利要求2所述的饲料处理监管方法，其特征在于，所述获取目标饲料状态和目标作业车辆类型同时，还包括：
获取目标处理时间；
所述获取处理后饲料状态同时，还包括：
获取所述处理后饲料状态对应的状态处理时间；
所述对比所述目标饲料状态和所述处理后饲料状态之前，还包括：
确定所述状态处理时间在所述目标处理时间之内。
4.根据权利要求1所述的饲料处理监管方法，其特征在于，所述获取采食通道内当前饲料状态，包括：
通过图像采集装置获取采食通道内当前饲料图像；
解析所述当前饲料图像，获取所述当前饲料状态，其中，所述当前饲料状态包括正常状态、待下料状态、待清料状态和待推料状态；
所述解析所述当前饲料图像，获取所述当前饲料状态之后，所述根据所述当前饲料状态，获取目标饲料状态和目标作业车辆类型之前，还包括：
确定所述当前饲料状态为所述正常状态后，获取预设时间间隔；
所述预设时间间隔之后，重新获取当前饲料图像，直至所述当前饲料状态为所述待下料状态、所述待清料状态和所述待推料状态中的任一种状态。
5.根据权利要求1所述的饲料处理监管方法，其特征在于，所述根据所述当前饲料状态，获取目标饲料状态和目标作业车辆类型之后，还包括：
根据所述目标饲料状态和所述目标作业车辆类型，生成饲料处理指令，其中，所述饲料处理指令用于调配所述作业车辆，由所述作业车辆将所述采食通道内的饲料处理至所述目标饲料状态。
6.一种饲料处理监管系统，其特征在于，包括：图像采集设备、中心处理设备、网络设备和客户端；
所述图像采集设备，用于采集采食通道内当前饲料图像，并将所述当前饲料图像传输给所述中心处理设备，以及用于采集进入采食通道内作业车辆的车辆图像，并将所述车辆图像传输给所述中心处理设备；
所述中心处理设备，用于获取所述当前饲料图像，解析所述当前饲料图像，获取当前饲料状态，根据所述当前饲料状态，获取目标饲料状态和目标作业车辆类型，以及用于获取所述车辆图像，解析所述车辆图像，确定所述作业车辆属于所述目标作业车辆类型，获取处理后饲料状态，并将所述目标饲料状态和所述处理后饲料状态传输给所述网络设备；
所述网络设备，用于获取所述目标饲料状态和所述处理后饲料状态，生成处理后饲料状态对应的处理结果，并将所述处理结果传输给所述客户端；
所述客户端，用于获取所述处理结果并提示。
7.根据权利要求6所述的饲料处理监管系统，其特征在于，所述网络设备具体用于：
判断所述目标饲料状态和所述处理后饲料状态是否一致；
若是，生成所述处理后饲料状态对应的完成结果；
若否，生成所述处理后饲料状态对应的未完成结果。
8.根据权利要求6所述的饲料处理监管系统，其特征在于，所述中心处理设备还用于：
获取目标处理时间；
所述获取处理后饲料状态同时，获取所述处理后饲料状态对应的状态处理时间并传输给所述网络设备；
所述网络设备还用于：
获取所述目标处理时间和所述状态处理时间，所述对比所述目标饲料状态和所述处理后饲料状态之前，确定所述状态处理时间在所述目标处理时间之内。
9.根据权利要求6所述的饲料处理监管系统，其特征在于，所述中心处理设备还用于：
所述解析所述当前饲料图像，获取所述当前饲料状态之后，所述根据所述当前饲料状态，获取目标饲料状态和目标作业车辆类型之前，确定所述当前饲料状态为正常状态后，获取预设时间间隔，并将所述预设时间间隔传输给所述图像采集设备，直至所述当前饲料状态为待下料状态、待清料状态和待推料状态中的任一种状态；
所述图像采集设备，用于接收所述预设时间间隔，所述预设时间间隔之后，重新获取当前饲料图像。
10.根据权利要求6所述的饲料处理监管系统，其特征在于，所述中心处理设备还用于：
将所述目标饲料状态和所述目标作业车辆类型传输给所述网络设备；
所述网络设备还用于：
获取所述目标饲料状态和所述目标作业车辆类型，生成饲料处理指令，并将所述饲料处理指令发送给所述客户端；
所述客户端还用于：
获取所述饲料处理指令并提示。
11.一种电子设备，其特征在于，包括：处理器、通信接口、存储器和通信总线，其中，处理器、通信接口和存储器通过通信总线完成相互间的通信；
所述存储器，用于存储计算机程序；
所述处理器，用于执行所述存储器中所存储的程序，实现权利要求1至5中任一项所述的饲料处理监管方法。
12.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的饲料处理监管方法。
CN202010930421.XA 2020-09-07 2020-09-07 一种饲料处理监管方法、系统、设备及存储介质 Active CN112131973B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010930421.XA CN112131973B (zh) 2020-09-07 2020-09-07 一种饲料处理监管方法、系统、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010930421.XA CN112131973B (zh) 2020-09-07 2020-09-07 一种饲料处理监管方法、系统、设备及存储介质

Publications (2)

Publication Number Publication Date
CN112131973A true CN112131973A (zh) 2020-12-25
CN112131973B CN112131973B (zh) 2023-11-07

Family

ID=73848143

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010930421.XA Active CN112131973B (zh) 2020-09-07 2020-09-07 一种饲料处理监管方法、系统、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112131973B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114342836A (zh) * 2021-12-22 2022-04-15 江苏工程职业技术学院 一种导轨式笼架养殖家禽自动投喂系统及其控制方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103674857A (zh) * 2013-12-23 2014-03-26 中国科学院自动化研究所 基于机器视觉的牧草饲料检测系统和方法
CN103942657A (zh) * 2014-04-30 2014-07-23 中国科学院自动化研究所 基于机器视觉分析的牧业智能管理系统
WO2015165054A1 (zh) * 2014-04-30 2015-11-05 中国科学院自动化研究所 基于机器视觉分析的牧业智能管理系统
KR20200022120A (ko) * 2018-08-22 2020-03-03 (주)소프트에듀 Iot기반의 육상 양어장 제어관리방법
CN111445160A (zh) * 2020-04-09 2020-07-24 广东创成建设监理咨询有限公司 一种基于人工智能视频分析的自伴混凝土质量管理方法
WO2020163484A1 (en) * 2019-02-05 2020-08-13 Wisconsin Alumni Research Foundation Computer vision-based feeding monitoring and method therefor
CN111539384A (zh) * 2020-05-26 2020-08-14 北京海益同展信息科技有限公司 牧场采食监控方法、系统、装置、设备及存储介质
US10757914B1 (en) * 2019-04-17 2020-09-01 National Taiwan University Feeding analysis system

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103674857A (zh) * 2013-12-23 2014-03-26 中国科学院自动化研究所 基于机器视觉的牧草饲料检测系统和方法
CN103942657A (zh) * 2014-04-30 2014-07-23 中国科学院自动化研究所 基于机器视觉分析的牧业智能管理系统
WO2015165054A1 (zh) * 2014-04-30 2015-11-05 中国科学院自动化研究所 基于机器视觉分析的牧业智能管理系统
KR20200022120A (ko) * 2018-08-22 2020-03-03 (주)소프트에듀 Iot기반의 육상 양어장 제어관리방법
WO2020163484A1 (en) * 2019-02-05 2020-08-13 Wisconsin Alumni Research Foundation Computer vision-based feeding monitoring and method therefor
US10757914B1 (en) * 2019-04-17 2020-09-01 National Taiwan University Feeding analysis system
CN111445160A (zh) * 2020-04-09 2020-07-24 广东创成建设监理咨询有限公司 一种基于人工智能视频分析的自伴混凝土质量管理方法
CN111539384A (zh) * 2020-05-26 2020-08-14 北京海益同展信息科技有限公司 牧场采食监控方法、系统、装置、设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
赵献立;王志明;: "机器学习算法在农业机器视觉系统中的应用", 江苏农业科学, no. 12, pages 226 - 231 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114342836A (zh) * 2021-12-22 2022-04-15 江苏工程职业技术学院 一种导轨式笼架养殖家禽自动投喂系统及其控制方法
CN114342836B (zh) * 2021-12-22 2022-11-25 江苏工程职业技术学院 一种导轨式笼架养殖家禽自动投喂系统及其控制方法

Also Published As

Publication number Publication date
CN112131973B (zh) 2023-11-07

Similar Documents

Publication Publication Date Title
CN111183917B (zh) 一种动物异常监测、图像处理方法及装置
CN111539384B (zh) 牧场采食监控方法、系统、装置、设备及存储介质
CN110991222B (zh) 一种物体状态监测、母猪发情监测方法、装置及系统
CN110796043B (zh) 容器检测、饲喂检测方法、装置及饲喂系统
CN106991619A (zh) 一种农作物病虫害智能诊断系统及诊断方法
CN111460990B (zh) 一种基于大数据的高寒牧区草原虫害监测预警系统及方法
CN110839557A (zh) 母猪发情监测方法、装置、系统、电子设备及存储介质
CN109345798B (zh) 一种养殖场监控方法、装置、设备和存储介质
CN111766827A (zh) 一种基于大数据的现代化生猪养殖基地实时监测管理系统
Gronskyte et al. Monitoring pig movement at the slaughterhouse using optical flow and modified angular histograms
CN112000051A (zh) 一种基于物联网的畜牧养殖管理系统
CN110741963B (zh) 一种物体状态监测、母猪发情监测方法、装置及系统
KR102141582B1 (ko) 영상분석을 활용한 어미돼지의 분만시점 예측 방법 및 장치
CN112150498A (zh) 体态信息的确定方法、装置、存储介质及电子装置
CN110022379A (zh) 一种牲畜监控系统及方法
CN116229335A (zh) 基于图像数据的畜禽养殖场环境识别方法
KR102425523B1 (ko) 모돈 이상징후 포착 및 관리 클라우드 서비스 방법 및 장치
CN112131973A (zh) 一种饲料处理监管方法、系统、设备及存储介质
CN115661650A (zh) 一种基于物联网数据监测的农场管理系统
CN112861734A (zh) 一种料槽余食监测方法及系统
CN110896871A (zh) 一种投放食物的方法、装置和智能投食机
CN113762163B (zh) 一种gmp车间智能化监控管理方法及系统
CN115861721A (zh) 基于图像数据的畜禽养殖喷雾设备状态识别方法
CN111325181A (zh) 一种状态监测方法、装置、电子设备及存储介质
CN117373676B (zh) 大熊猫健康评估方法、装置、系统、设备及存储介质

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
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, Beijing Economic and Technological Development Zone, Beijing 100176

Applicant before: BEIJING HAIYI TONGZHAN INFORMATION TECHNOLOGY Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant