CN112153892B - 用于苍蝇管理的装置 - Google Patents

用于苍蝇管理的装置 Download PDF

Info

Publication number
CN112153892B
CN112153892B CN201980035823.9A CN201980035823A CN112153892B CN 112153892 B CN112153892 B CN 112153892B CN 201980035823 A CN201980035823 A CN 201980035823A CN 112153892 B CN112153892 B CN 112153892B
Authority
CN
China
Prior art keywords
bovine
image
flies
image data
fly
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
Application number
CN201980035823.9A
Other languages
English (en)
Other versions
CN112153892A (zh
Inventor
V·哈梅克斯
N·托伦
G·贝恩斯
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.)
Bayer Animal Health GmbH
Original Assignee
Bayer Animal Health GmbH
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 Bayer Animal Health GmbH filed Critical Bayer Animal Health GmbH
Publication of CN112153892A publication Critical patent/CN112153892A/zh
Application granted granted Critical
Publication of CN112153892B publication Critical patent/CN112153892B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
    • A01K29/00—Other apparatus for animal husbandry
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
    • A01K29/00—Other apparatus for animal husbandry
    • A01K29/005—Monitoring or measuring activity, e.g. detecting heat or mating
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01N—PRESERVATION OF BODIES OF HUMANS OR ANIMALS OR PLANTS OR PARTS THEREOF; BIOCIDES, e.g. AS DISINFECTANTS, AS PESTICIDES OR AS HERBICIDES; PEST REPELLANTS OR ATTRACTANTS; PLANT GROWTH REGULATORS
    • A01N29/00—Biocides, pest repellants or attractants, or plant growth regulators containing halogenated hydrocarbons
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • 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
    • 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • 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
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture
    • 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)
  • Life Sciences & Earth Sciences (AREA)
  • Environmental Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Business, Economics & Management (AREA)
  • Animal Husbandry (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Pest Control & Pesticides (AREA)
  • General Health & Medical Sciences (AREA)
  • Wood Science & Technology (AREA)
  • Zoology (AREA)
  • Dentistry (AREA)
  • Health & Medical Sciences (AREA)
  • Agronomy & Crop Science (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Quality & Reliability (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Development Economics (AREA)
  • Computing Systems (AREA)
  • Signal Processing (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Catching Or Destruction (AREA)

Abstract

本发明涉及用于苍蝇管理的装置（10）。描述了向处理单元提供（310）农业环境的至少一个图像，其中农业环境包含多个牛科动物。该至少一个图像包括该多个牛科动物中的至少一个牛科动物的至少一部分的图像数据。处理单元确定（320）至少一个牛科动物的至少一部分的图像数据中的苍蝇的数量。处理单元确定（330）与该多个牛科动物的苍蝇侵扰有关的信息。该确定包括利用所确定的苍蝇数量。输出单元基于所确定的与该多个牛科动物的苍蝇侵扰有关的信息来输出（340）与针对该多个牛科动物的苍蝇侵扰处置有关的指示。

Description

用于苍蝇管理的装置
技术领域
本发明涉及用于苍蝇管理的装置、用于苍蝇管理的设备、用于苍蝇管理的系统、用于苍蝇管理的方法、以及计算机程序元件和计算机可读介质。
背景技术
本发明的综合背景是针对养牛业（在肉牛和奶牛环境中）的苍蝇控制。某些苍蝇，诸如角蝇、螫蝇、面蝇和马蝇，每天要从肉牛和奶牛（后文称为牛或牛科动物）多次进食血液。被侵扰的牛会通过舔食受影响的区域、摆动其尾巴、和晃动其腰腹来做出反应。除了每天发生大量疼痛叮咬和相关压力之外，由此类叮咬引起的损害还可能导致继发感染和动物皮的外表缺陷。与未被侵扰的牛相比，被侵扰的牛的生长速度显著降低，泌乳率也低得多，并且较低质量的兽皮影响皮革行业。据估计，苍蝇侵扰对全球养牛业的年度影响以数十亿美元衡量。然而，养殖者（farmer）没有简单的方式来确定要何时来对他们的牛进行处置（treat），并且即使是经验丰富的养殖者可能也难以确定是否应基于一片场地（field）中的一头或几头牛身上和附近的苍蝇来对一整个场地的牛进行处置。
发明内容
具有改进的手段来确定是否应针对苍蝇侵扰对牛进行处置将是有利的。
通过独立权利要求的主题解决了本发明的目的，其中在从属权利要求中并入了其他实施例。应当注意，以下描述的本发明的方面和示例也适用于用于苍蝇管理的装置、用于苍蝇管理的设备、用于苍蝇管理的系统、用于苍蝇管理的方法、以及计算机程序单元和计算机可读介质。根据第一方面，提供了一种用于苍蝇管理的装置，包括：
- 输入单元；
- 处理单元；以及
- 输出单元。
输入单元被配置成向处理单元提供农业环境的至少一个图像，其中所述农业环境包含多个牛科动物。所述至少一个图像包括所述多个牛科动物中的至少一个牛科动物的至少一部分的图像数据。处理单元被配置成确定至少一个牛科动物的至少一部分的图像数据中的苍蝇的数量。处理单元被配置成确定与所述多个牛科动物的苍蝇侵扰有关的信息，所述确定包括利用所确定的苍蝇数量。输出单元被配置成基于所确定的与所述多个牛科动物的苍蝇侵扰有关的信息来输出与针对所述多个牛科动物的苍蝇侵扰处置有关的指示。
换言之，分析牛、或甚至一头奶牛/公牛的影像来检测苍蝇，并且使用这来为养殖者提供关于是否应针对苍蝇侵扰处置一个区域中的所有牛的客观信息。对于养殖者而言，可能难以确定是否应针对苍蝇侵扰对他们的牛进行处置，而这提供了简单的方式来自动向养殖者发出警报，所述警报要求采取行动，或者相反，那时不需要采取行动。因此，提供了一种苍蝇诊断技术，其提供了关于苍蝇侵扰的更好的牛管理决策。
在一个示例中，至少一个牛科动物的至少一部分的图像数据包括除与所述牛科动物相邻的牛科动物的图像数据以外的图像数据。
以此方式，除了一头或多头牛的图像数据外，还分析这一头或多头牛周围的图像数据，并且以此方式，可以对这一头或多头牛身上的苍蝇以及这一头或多头牛周围的飞行中的苍蝇进行计数。
在一个示例中，处理单元被配置成在至少一个牛科动物的至少一部分的图像数据中识别至少一个特定的苍蝇类型。至少一个牛科动物的至少一部分的图像数据中的所确定的苍蝇的数量于是可以是至少一个牛科动物的至少一部分的图像数据中的是所述至少一个特定的苍蝇类型的苍蝇的数量。
因此，应用苍蝇处置的决策可以虑及作为证据的苍蝇的类型。以此方式，与某些苍蝇相关联的有害性较高的（与其他苍蝇相比）财务影响可以通过识别那些苍蝇并应用处置来解决，而该处置在存在侵略性或有害性较低的苍蝇的情况下将不被应用。此外，要应用的具体的苍蝇处置可以虑及作为证据的苍蝇的一个或多个类型。
在一个示例中，确定图像中的苍蝇数量包括实施图像处理算法以分析至少一个牛科动物的至少一部分的图像数据。
在一个示例中，图像处理算法包括机器学习算法。
在一个示例中，机器学习算法是神经网络。
在一个示例中，机器学习算法是经训练的机器学习算法。机器学习训练可以包括利用地面真值数据和相关影像。
在一个示例中，机器学习算法的后续训练包括利用至少一个牛科动物的至少一部分的图像数据。
以此方式，机器学习算法可以持续改进。
在一个示例中，后续训练包括利用所确定的苍蝇的数量。
在一个示例中，输入单元被配置成从用户接收对与针对所述多个牛科动物的苍蝇侵扰处置有关的指示的确认（validation）。后续训练可以包括利用所述确认。
以此方式，养殖者或用户可以同意或不同意或不完全同意所提供的指示。这使得能够减轻误报的影响，所述误报例如牛身上的泥滴会导致图像处理算法数出过多的苍蝇，这会导致向养殖者呈现过高的侵扰水平和/或苍蝇数量（如平均数量）。养殖者可以用他们的经验来质询该结果，并且该图像数据可以被从训练集丢弃或用来调整神经网络层内的权重，使得可以更好地区分这样的泥点和苍蝇。因此，随着时间的推移，开发出越来越稳健的诊断工具。
在一个示例中，被投影回至少一个牛科动物的至少一部分的至少一个牛科动物的至少一部分的图像数据中的像素小于或等于2mm。
换言之，以适当的分辨率水平对苍蝇进行成像，以能够将苍蝇与其他对象区分开，并且甚至在足够高的分辨率下将苍蝇彼此区分开。因此，例如具有5个或更多个像素覆盖苍蝇的长度和/或宽度可以使得能够实现有效的检测/识别。
在一个示例中，与针对所述多个牛科动物的苍蝇侵扰处置有关的指示包括多个可能的侵扰水平中的所定义的侵扰水平的指示。
在一个示例中，与针对所述多个牛科动物的苍蝇侵扰处置有关的指示包括需要针对苍蝇侵扰对所述多个牛科动物进行处置的消息。
在一个示例中，处理单元被配置成识别可用于苍蝇侵扰处置的至少一个化学产品。与针对所述多个牛科动物的苍蝇侵扰处置有关的指示可以包括与可用于苍蝇侵扰处置的至少一个化学产品有关的消息。
在一个示例中，输入单元被配置成使用户能够输入与在所述农业环境中用于苍蝇侵扰处置的至少一个先前的化学产品有关的信息。对可用于苍蝇侵扰处置的至少一个化学产品的识别可以包括利用与在所述农业环境中用于苍蝇侵扰处置的至少一个先前的化学产品有关的信息。
以此方式，向养殖者提供了与有效成分的轮换有关的信息和/或与先前有效或无效的产品有关的信息，从而使得能够就最佳处置方法做出有根据的决策，从而也减轻了对有效成分的抗性积累。
在一个示例中，与针对所述多个牛科动物的苍蝇侵扰处置有关的指示包括无需针对苍蝇侵扰对所述多个牛科动物进行处置的消息。
在一个示例中，确定与所述多个牛科动物的苍蝇侵扰有关的信息包括利用阈值苍蝇数量。
因此，当牛被高于一定阈值数量的苍蝇所侵扰时，所述一定阈值数量已被确定为具有经济后果，可以告知养殖者应采取行动。并且类似地，当尚未达到该阈值时，可以告知养殖者无需采取行动。
在一个示例中，所述至少一个图像包括多个图像。所述至少一个牛科动物的至少一部分可以包括所述至少一个牛科动物的多个部分。所述多个图像中的每个图像可以与所述多个部分中的不同部分相关联。至少一个牛科动物的至少一部分的图像数据中的所确定的苍蝇的数量可以包括在所述多个图像中的每个图像中的苍蝇的数量。
在一个示例中，确定与所述多个牛科动物的苍蝇侵扰有关的信息包括对所述多个图像中的每个图像中的苍蝇数量的统计分析。
以此方式，可以通过例如取消选定异常值情况来确定对潜在的苍蝇侵扰的更好的鉴别，所述异常值情况是其中一些图像在统计上比平均高得多或低得多，并且于是不被纳入考虑。此外，返回的平均值可以具有关联的误差容限，该误差容限是由标准差除以所分析的图像数量的平方根确定的，并且这可以用来确定置信水平。例如，如果指示超出阈值水平、但是具有由于影像中苍蝇数量的较大波动而导致的较大误差容限，则可以将此指示给养殖者，然后养殖者可以就接下来要如何进行做出得到建议的决策。类似地，如果每个图像的苍蝇数量在一致的范围内，导致返回的指示具有较低的误差容限，则即使刚刚达到阈值，该返回的指示也可以用于使养殖者能够开始进行处置。
在一个示例中，所述至少一个牛科动物包括至少两个牛科动物。所述多个部分中的第一部分可以与所述至少一个牛科动物中的第一牛科动物相关联，并且所述多个部分中的第二部分可以与所述至少一个牛科动物中的第二牛科动物相关联。
因此，可能是仅一头奶牛/牛/公牛的影像现在包括数头奶牛/牛/公牛，以便更好地确定牛群是否有苍蝇问题。
在一个示例中，所述多个部分中的每个部分与不同的牛科动物相关联。
在一个示例中，所述多个图像中的至少一个第一图像是在与所述多个图像中的至少一个第二图像不同的一天获取的。
以此方式，养殖者可以了解问题是在恶化还是在消退，并在必要时在发展中的问题变得经济上有害之前（但若不加以处置则可能会导致这样的有害效果）对其采取先驱性行动。
在一个示例中，处理单元被配置成实施分割算法以分析所述至少一个图像，以确定所述至少一个牛科动物的至少一部分的图像数据。
在一个示例中，分割算法被配置成确定所述至少一个图像的具有除一个或多个苍蝇以外的对象的图像数据的至少一个区域，并且其中该对象不同于所述至少一头牛。确定至少一个牛科动物的至少一部分的图像数据可以包括从所述至少一个图像中取消选定所述至少一个区域。
以此方式，可以识别诸如奶牛身上的泥状斑块或奶牛身上的烙印标识之类的图像数据、或者奶牛前面的植物的图像数据，而不将其包括在然后对其进行分析以确定作为证据的苍蝇数量的影像中。这改进了这种确定的速度和准确性，并有助于减轻误报。
在一个示例中，处理单元被配置成检测所述至少一个牛科动物，所述检测包括对所述至少一个图像的分析。
在一个示例中，分析所述至少一个图像以检测所述至少一个牛科动物包括利用对象检测算法。
根据第二方面，提供了一种用于苍蝇管理的设备，包括：
- 相机；
- 根据第一方面的用于苍蝇管理的装置；以及
- 壳体。
所述相机和装置容纳在所述壳体内。相机被配置成获取农业环境的至少一个图像。
以此方式，养殖者可以在场地中走来走去并获取牛和牛周围的影像，并且可以向养殖者提供关于是否要针对苍蝇侵扰对牛进行处置的指示。
在一个示例中，输入单元被配置成向处理单元提供至少一个起始图像。所述至少一个起始图像包括多个牛科动物的图像数据。所述多个牛科动物包括所述至少一个牛科动物。处理单元被配置成选定所述至少一个牛科动物，所述选定包括对所述至少一个起始图像的分析。
以此方式，可以告知养殖者他们可以在奶牛群或牛群中的哪里获取影像。因此，可以告知养殖者获取在整个畜群中隔开的奶牛/牛的影像，以便获得对苍蝇情况的更好的统计鉴别，而不是从遇到的头几头奶牛获取影像，这可能导致人为地降低或升高场地中每头奶牛的平均苍蝇数量。
在一个示例中，输出单元被配置成向设备的用户呈现与所选定的至少一个牛科动物有关的至少一个指示。
在一个示例中，输出单元包括视觉显示单元。视觉显示单元被配置成显示所述至少一个起始图像，并在所述至少一个起始图像上突出显示与所选定的至少一头牛有关的所述至少一个指示。
这有助于养殖者确定要成像或照相的奶牛/牛。
在一个示例中，输入单元被配置成使用户能够响应于与针对所述多个牛科动物的苍蝇侵扰处置有关的指示在输出单元上的输出而输入命令指令，以向所述多个牛科动物应用苍蝇侵扰处置。所述设备被配置成将所述命令指令传输到至少一个苍蝇侵扰处置应用单元。
因此，向养殖者提供了关于苍蝇问题的指示，但是他们随后能掌控对场地中的奶牛/牛的自动化处置，并能以简单的手段来开始所述自动化处置。
根据第三方面，提供了一种用于苍蝇管理的系统，包括：
- 相机；
- 第一收发器；
- 处理单元；
- 第二收发器；以及
- 壳体。
所述相机和第一收发器容纳在所述壳体中。所述处理单元和第二收发器未容纳在所述壳体中。相机被配置成获取农业环境的至少一个图像。所述农业环境包含多个牛科动物。所述至少一个图像包括所述多个牛科动物中的至少一个牛科动物的至少一部分的图像数据。第一收发器被配置成传输所述至少一个图像，并且第二收发器被配置成接收所述至少一个图像。第二收发器被配置成向处理单元提供所述至少一个图像。处理单元被配置成确定所述至少一个牛科动物的至少一部分的图像数据中的苍蝇的数量。处理单元被配置成确定与所述多个牛科动物的苍蝇侵扰有关的信息，所述确定包括利用所确定的苍蝇数量。
在一个示例中，所述系统包括至少一个苍蝇侵扰处置应用单元。所述至少一个苍蝇侵扰处置应用单元被配置成基于所确定的与所述多个牛科动物的苍蝇侵扰有关的信息来对所述多个牛科动物应用苍蝇侵扰处置。
在一个示例中，所述系统包括容纳在所述壳体内的输出单元。第二收发器被配置成传输与所述多个牛科动物的苍蝇侵扰有关的信息，并且第一收发器被配置成接收与所述多个牛科动物的苍蝇侵扰有关的信息。输出单元被配置成基于所确定的与所述多个牛科动物的苍蝇侵扰有关的信息来输出与针对所述多个牛科动物的苍蝇侵扰处置有关的指示。
在一个示例中，所述系统包括容纳在所述壳体内的输入单元。输入单元被配置成使得用户能够响应于与针对所述多个牛科动物的苍蝇侵扰处置有关的指示在输出单元上的输出而输入命令指令，以向所述多个牛科动物应用苍蝇侵扰处置。第一收发器被配置成将所述命令指令发送到所述至少一个苍蝇侵扰处置应用单元。
根据第四方面，提供了一种用于苍蝇管理的方法，包括：
a）向处理单元提供农业环境的至少一个图像，其中所述农业环境包含多个牛科动物；并且其中所述至少一个图像包括所述多个牛科动物中的至少一个牛科动物的至少一部分的图像数据；
b）由处理单元确定至少一个牛科动物的至少一部分的图像数据中的苍蝇的数量；以及
c）由处理单元确定与所述多个牛科动物的苍蝇侵扰有关的信息，所述确定包括利用所确定的苍蝇数量。
根据另一方面，提供了一种用于控制根据如上所述的装置和/或如上所述的设备和/或如上所述的系统的计算机程序元件，其在由处理器执行时被配置成实行如上所述的方法。
根据另一方面，提供了一种计算机可读介质，其存储了如上所述的计算机程序元件。
有利地，由上述方面中的任何所提供的益处同样适用于所有其他方面，并且反之亦然。
上述方面和示例将从后文描述的实施例而变得显而易见，并且将参考后文描述的实施例来阐明上述方面和示例。
附图说明
接下来将参考以下附图和表1来描述示例性实施例：
图1示出了用于苍蝇管理的装置的示例的示意性设置；
图2示出了用于苍蝇管理的设备的示例的示意性设置；
图3示出了用于苍蝇管理的系统的示例的示意性设置；
图4示出了用于苍蝇管理的方法；
图5示出了苍蝇侵扰的图像和苍蝇侵扰的图像的代表性示意图；
图6示出了训练苍蝇管理中使用的机器学习算法所涉及到的示例性步骤的示意性表示；
图7示出了苍蝇管理中使用的影像的示例以及苍蝇管理中使用的影像的代表性示意图；
图8示出了苍蝇管理中使用的影像的获取的示例的示意性表示、以及该影像的利用中的示例性步骤的表示；
图9示出了苍蝇管理中涉及到的步骤的示例中的影像以及处理后的影像、以及该影像的代表性示意图；以及
图10示出了作为苍蝇管理的一部分的所计数的苍蝇数量的图像、以及该图像的代表性示意图。
具体实施方式
图1示出了用于苍蝇管理的装置10的示例。装置10包括输入单元20、处理单元30和输出单元40。输入单元20被配置成向处理单元30提供农业环境的至少一个图像。农业环境包含多个牛科动物。牛科动物此处是指奶牛、牛、公牛、野牛、水牛。所述至少一个图像包括所述多个牛科动物中的至少一个牛科动物的至少一部分的图像数据。处理单元30被配置成确定至少一个牛科动物的至少一部分的图像数据中的苍蝇的数量。处理单元30还被配置成确定与所述多个牛科动物的苍蝇侵扰有关的信息，所述确定包括利用所确定的苍蝇数量。输出单元40被配置成基于所确定的与所述多个牛科动物的苍蝇侵扰有关的信息来输出与针对所述多个牛科动物的苍蝇侵扰处置有关的指示。
在一个示例中，所述至少一个图像是通过手持设备的相机获取的。
在一个示例中，所述至少一个图像是通过智能电话的相机获取的。
在一个示例中，所述至少一个图像是通过具有变焦镜头功能的相机获取的。
在一个示例中，所述至少一个图像是通过固定安装在农业环境中的相机获取的。
在一个示例中，所述至少一个图像是通过无人机（UAV）的相机获取的。
根据一个示例，至少一个牛科动物的至少一部分的图像数据包括除与所述牛科动物相邻的牛科动物的图像数据以外的图像数据。
根据一个示例，处理单元被配置成在至少一个牛科动物的至少一部分的图像数据中识别至少一个特定的苍蝇类型。至少一个牛科动物的至少一部分的图像数据中的所确定的苍蝇的数量于是可以是至少一个牛科动物的至少一部分的图像数据中的是所述至少一个特定的苍蝇类型的苍蝇的数量。
根据一个示例，确定图像中的苍蝇数量包括实施图像处理算法以分析至少一个牛科动物的至少一部分的图像数据。
根据一个示例，图像处理算法包括机器学习算法。
在一个示例中，机器学习算法包括决策树算法。
使用机器学习模型来寻找牛和牛周围的影像与地面真值苍蝇数量之间的相关性、以及牛和牛周围的影像与跟所存在的苍蝇类型有关的地面真值信息之间的相关性、以及牛和牛周围的影像与跟影像中的诸如泥巴、植物之类的特征有关的地面真值信息之间的相关性。以此方式，以此方式训练的机器学习方法可以用于处理影像并确定所存在的苍蝇数量和苍蝇类型，同时虑及了影像中的诸如植物和泥斑之类的其他特征。
TensorFlow可以用于此目的。TensorFlow是用于跨一系列任务的数据流编程的开源软件库。它是符号数学库，并且也用于机器学习应用，诸如神经网络。TensorFlow是由Google Brain团队开发供Google内部使用的。它是在2015年11月9日以Apache 2.0开源许可发布的。
根据一个示例，机器学习算法是神经网络。
在一个示例中，深度学习神经网络中的神经网络包括至少一个隐藏层。
根据一个示例，机器学习算法是经训练的机器学习算法，其中机器学习训练包括利用地面真值数据和相关影像。
在一个示例中，已基于多个图像教导了机器学习算法。在一个示例中，已基于包含至少一个苍蝇类型的影像以及包含没有苍蝇的影像的多个图像教导了机器学习算法。在一个示例中，向机器学习算法提供苍蝇的数量（包括数量零）作为针对相关影像的地面真值数量。在一个示例中，提供了在牛身上及其周围的苍蝇的影像、以及没有苍蝇的牛皮且牛旁边没有苍蝇的区域的影像。在一个示例中，影像具有除苍蝇以外的对象的影像，诸如泥点、植物等。在一个示例中，提供苍蝇的位置和数量以及相关影像一起作为地面真值信息。在一个示例中，提供影像中的不同苍蝇类型的识别作为地面真值信息。在一个示例中，提供在一定范围的白天和天气条件下拍摄的所有影像。
根据一个示例，机器学习算法的后续训练包括利用至少一个牛科动物的至少一部分的图像数据。
根据一个示例，后续训练包括利用所确定的苍蝇的数量。
根据一个示例，输入单元被配置成从用户接收对与针对所述多个牛科动物的苍蝇侵扰处置有关的指示的确认，并且其中，后续训练包括利用所述确认。
根据一个示例，被投影回至少一个牛科动物的至少一部分的至少一个牛科动物的至少一部分的图像数据中的像素小于或等于2mm。
在一个示例中，所述像素在物平面处的投影小于或等于1.5mm。
在一个示例中，所述像素在物平面处的投影小于或等于1.0mm。
在一个示例中，所述像素在物平面处的投影小于或等于0.75mm。
在一个示例中，所述像素在物平面处的投影小于或等于0.5mm。
在一个示例中，所述像素在物平面处的投影小于或等于0.25mm。
根据一个示例，与针对所述多个牛科动物的苍蝇侵扰处置有关的指示包括多个可能的侵扰水平中的所定义的侵扰水平的指示。
根据一个示例，与针对所述多个牛科动物的苍蝇侵扰处置有关的指示包括需要针对苍蝇侵扰对所述多个牛科动物进行处置的消息。
根据一个示例，处理单元被配置成识别可用于苍蝇侵扰处置的至少一个化学产品。与针对所述多个牛科动物的苍蝇侵扰处置有关的指示于是可以包括与可用于苍蝇侵扰处置的至少一个化学产品有关的消息。
根据一个示例，输入单元被配置成使用户能够输入与在所述农业环境中用于苍蝇侵扰处置的至少一个先前的化学产品有关的信息。对现在可以用于苍蝇侵扰处置的至少一个化学产品的识别包括利用与在所述农业环境中用于苍蝇侵扰处置的至少一个先前的化学产品有关的信息。
根据一个示例，与针对所述多个牛科动物的苍蝇侵扰处置有关的指示包括无需针对苍蝇侵扰对所述多个牛科动物进行处置的消息。
根据一个示例，确定与所述多个牛科动物的苍蝇侵扰有关的信息包括利用阈值苍蝇数量。
根据一个示例，所述至少一个图像包括多个图像，其中所述至少一个牛科动物的至少一部分包括所述至少一个牛科动物的多个部分。所述多个图像中的每个图像与所述多个部分中的不同部分相关联。至少一个牛科动物的至少一部分的图像数据中的所确定的苍蝇的数量于是可以包括在所述多个图像中的每个图像中的苍蝇的数量。
根据一个示例，确定与所述多个牛科动物的苍蝇侵扰有关的信息包括对所述多个图像中的每个图像中的苍蝇数量的统计分析。
根据一个示例，所述至少一个牛科动物包括至少两个牛科动物。所述多个部分中的第一部分于是可以与所述至少一个牛科动物中的第一牛科动物相关联，并且所述多个部分中的第二部分可以与所述至少一个牛科动物中的第二牛科动物相关联。
根据一个示例，所述多个部分中的每个部分与不同的牛科动物相关联。
在一个示例中，获取并分析两个牛科动物的图像。
在一个示例中，获取并分析四个牛科动物的图像。
在一个示例中，获取并分析八个牛科动物的图像。
在一个示例中，获取并分析八个以上的牛科动物的图像。
根据一个示例，所述多个图像中的至少一个第一图像是在与所述多个图像中的至少一个第二图像不同的一天获取的。
在一个示例中，所述多个图像中的每个图像是在不同的天获取的。
根据一个示例，处理单元被配置成实施分割算法以分析所述至少一个图像，以确定所述至少一个牛科动物的至少一部分的图像数据。
根据一个示例，分割算法被配置成确定所述至少一个图像的具有除一个或多个苍蝇以外的对象的图像数据的至少一个区域，并且其中该对象不同于所述至少一头牛。确定至少一个牛科动物的至少一部分的图像数据于是可以包括从所述至少一个图像中取消选定所述至少一个区域。
在一个示例中，基于具有苍蝇且具有除苍蝇以外的对象（诸如被成像的植物和泥斑）的影像来训练分割算法。
在一个示例中，分割算法与图像处理算法包括在一起，诸如基于神经网络的图像处理算法。
根据一个示例，处理单元被配置成检测所述至少一个牛科动物，所述检测包括对所述至少一个图像的分析。
根据一个示例，分析所述至少一个图像以检测所述至少一个牛科动物包括利用对象检测算法。
图2示出了用于苍蝇管理的设备100的示例。设备100包括相机110、如上面参照图1描述的用于苍蝇管理的装置10、以及壳体120。相机110和装置10容纳在壳体120内。相机110被配置成获取农业环境的至少一个图像。
在一个示例中，该设备是手持设备。
在一个示例中，该设备是智能电话。
在一个示例中，该设备具有带有变焦镜头功能的相机。
在一个示例中，该设备固定安装在农业环境中。
在一个示例中，该设备是无人机（UAV）。在一个示例中，UAV被配置成实行对一个或多个牛科动物的苍蝇侵扰处置。在一个示例中，苍蝇侵扰处置包括将化学产品应用于该一个或多个牛科动物。
根据该设备的一个示例，装置10的输入单元20被配置成向装置的处理单元30提供至少一个起始图像。所述至少一个起始图像包括多个牛科动物的图像数据。所述多个牛科动物包括所述至少一个牛科动物。处理单元被配置成选定所述至少一个牛科动物，所述选定包括对所述至少一个起始图像的分析。
根据设备100的一个示例，装置10的输出单元40被配置成向设备的用户呈现与所选定的至少一个牛科动物有关的至少一个指示。
根据一个示例，输出单元包括视觉显示单元130。视觉显示单元被配置成显示所述至少一个起始图像，并在所述至少一个起始图像上突出显示与所选定的至少一头牛有关的所述至少一个指示。
根据一个示例，输入单元被配置成使用户能够响应于与针对所述多个牛科动物的苍蝇侵扰处置有关的指示在输出单元上的输出而输入命令指令，以向所述多个牛科动物应用苍蝇侵扰处置。所述设备被配置成将所述命令指令传输到至少一个苍蝇侵扰处置应用单元140。
在一个示例中，所述至少一个苍蝇侵扰处置应用单元包括一个或多个无人机。
图3示出了用于苍蝇管理的系统200的示例。系统200包括相机210、第一收发器220、处理单元230、第二收发器240、以及壳体250。相机210和第一收发器220容纳在壳体250中。处理单元230和第二收发器240未容纳在壳体250中。相机210被配置成获取农业环境的至少一个图像。所述农业环境包含多个牛科动物。所述至少一个图像包括所述多个牛科动物中的至少一个牛科动物的至少一部分的图像数据。第一收发器220被配置成传输所述至少一个图像，并且第二收发器240被配置成接收所述至少一个图像。第二收发器240被配置成向处理单元230提供所述至少一个图像。处理单元230被配置成确定所述至少一个牛科动物的至少一部分的图像数据中的苍蝇的数量。处理单元230还被配置成确定与所述多个牛科动物的苍蝇侵扰有关的信息，所述确定包括利用所确定的苍蝇数量。
根据一个示例，所述系统包括至少一个苍蝇侵扰处置应用单元260。所述至少一个苍蝇侵扰处置应用单元被配置成基于所确定的与所述多个牛科动物的苍蝇侵扰有关的信息来对所述多个牛科动物应用苍蝇侵扰处置。
在一个示例中，第二收发器被配置成向所述至少一个苍蝇侵扰处置单元发送命令指令，以将苍蝇侵扰处置应用于所述多个牛科动物。
根据一个示例，所述系统包括容纳在所述壳体内的输出单元270。第二收发器被配置成传输与所述多个牛科动物的苍蝇侵扰有关的信息，并且第一收发器被配置成接收与所述多个牛科动物的苍蝇侵扰有关的信息。输出单元被配置成基于所确定的与所述多个牛科动物的苍蝇侵扰有关的信息来输出与针对所述多个牛科动物的苍蝇侵扰处置有关的指示。
根据一个示例，所述系统包括容纳在所述壳体内的输入单元280。输入单元被配置成使得用户能够响应于与针对所述多个牛科动物的苍蝇侵扰处置有关的指示在输出单元上的输出而输入命令指令，以向所述多个牛科动物应用苍蝇侵扰处置。第一收发器被配置成将所述命令指令发送到所述至少一个苍蝇侵扰处置应用单元。
在一个示例中，所述至少一个苍蝇侵扰处置应用单元包括一个或多个无人机。
在一个示例中，所述至少一个图像是通过手持设备的相机获取的。
在一个示例中，所述至少一个图像是通过智能电话的相机获取的。
在一个示例中，所述至少一个图像是通过具有变焦镜头功能的相机获取的。
在一个示例中，所述至少一个图像是通过固定安装在农业环境中的相机获取的。
在一个示例中，所述至少一个图像是通过无人机（UAV）的相机获取的。
在一个示例中，至少一个牛科动物的至少一部分的图像数据包括除与所述牛科动物相邻的牛科动物的图像数据以外的图像数据。
在一个示例中，处理单元被配置成在至少一个牛科动物的至少一部分的图像数据中识别至少一个特定的苍蝇类型。至少一个牛科动物的至少一部分的图像数据中的所确定的苍蝇的数量于是可以是至少一个牛科动物的至少一部分的图像数据中的是所述至少一个特定的苍蝇类型的苍蝇的数量。
在一个示例中，确定图像中的苍蝇数量包括实施图像处理算法以分析至少一个牛科动物的至少一部分的图像数据。
在一个示例中，图像处理算法包括机器学习算法。
在一个示例中，机器学习算法是神经网络。
在一个示例中，深度学习神经网络中的神经网络包括至少一个隐藏层。
在一个示例中，机器学习算法是经训练的机器学习算法，其中机器学习训练包括利用地面真值数据和相关影像。
在一个示例中，机器学习算法的后续训练包括利用至少一个牛科动物的至少一部分的图像数据。
在一个示例中，后续训练包括利用所确定的苍蝇的数量。
在一个示例中，输入单元被配置成从用户接收对与针对所述多个牛科动物的苍蝇侵扰处置有关的指示的确认，并且其中，后续训练包括利用所述确认。
在一个示例中，被投影回至少一个牛科动物的至少一部分的至少一个牛科动物的至少一部分的图像数据中的像素小于或等于2mm。
在一个示例中，所述像素在物平面处的投影小于或等于1.5mm。
在一个示例中，所述像素在物平面处的投影小于或等于1.0mm。
在一个示例中，所述像素在物平面处的投影小于或等于0.75mm。
在一个示例中，所述像素在物平面处的投影小于或等于0.5mm。
在一个示例中，所述像素在物平面处的投影小于或等于0.25mm。
在一个示例中，与针对所述多个牛科动物的苍蝇侵扰处置有关的指示包括多个可能的侵扰水平中的所定义的侵扰水平的指示。
在一个示例中，与针对所述多个牛科动物的苍蝇侵扰处置有关的指示包括需要针对苍蝇侵扰对所述多个牛科动物进行处置的消息。
在一个示例中，处理单元被配置成识别可用于苍蝇侵扰处置的至少一个化学产品。与针对所述多个牛科动物的苍蝇侵扰处置有关的指示于是可以包括与可用于苍蝇侵扰处置的至少一个化学产品有关的消息。
在一个示例中，输入单元被配置成使用户能够输入与在所述农业环境中用于苍蝇侵扰处置的至少一个先前的化学产品有关的信息。对可用于苍蝇侵扰处置的至少一个化学产品的识别于是可以包括利用与在所述农业环境中用于苍蝇侵扰处置的至少一个先前的化学产品有关的信息。
在一个示例中，与针对所述多个牛科动物的苍蝇侵扰处置有关的指示包括无需针对苍蝇侵扰对所述多个牛科动物进行处置的消息。
在一个示例中，确定与所述多个牛科动物的苍蝇侵扰有关的信息包括利用阈值苍蝇数量。
在一个示例中，所述至少一个图像包括多个图像，其中所述至少一个牛科动物的至少一部分包括所述至少一个牛科动物的多个部分。所述多个图像中的每个图像可以与所述多个部分中的不同部分相关联。至少一个牛科动物的至少一部分的图像数据中的所确定的苍蝇的数量于是可以包括在所述多个图像中的每个图像中的苍蝇的数量。
在一个示例中，确定与所述多个牛科动物的苍蝇侵扰有关的信息包括对所述多个图像中的每个图像中的苍蝇数量的统计分析。
在一个示例中，所述至少一个牛科动物包括至少两个牛科动物。所述多个部分中的第一部分可以与所述至少一头牛中的第一头牛相关联，并且所述多个部分中的第二部分可以与所述至少一头牛中的第二头牛相关联。
在一个示例中，所述多个部分中的每个部分与不同的牛科动物相关联。
在一个示例中，所述多个图像中的至少一个第一图像是在与所述多个图像中的至少一个第二图像不同的一天获取的。
在一个示例中，处理单元被配置成实施分割算法以分析所述至少一个图像，以确定所述至少一个牛科动物的至少一部分的图像数据。
在一个示例中，分割算法被配置成确定所述至少一个图像的具有除一个或多个苍蝇以外的对象的图像数据的至少一个区域，并且其中该对象不同于所述至少一头牛。确定至少一个牛科动物的至少一部分的图像于是可以包括从所述至少一个图像中取消选定所述至少一个区域。
在一个示例中，输入单元被配置成向处理单元提供至少一个起始图像，其中，所述至少一个起始图像包括多个牛科动物的图像数据。所述多个牛科动物包括所述至少一个牛科动物。第一收发器被配置成传输所述至少一个起始图像，并且第二收发器被配置成接收所述至少一个起始图像。第二收发器被配置成向处理单元提供所述至少一个起始图像。处理单元被配置成选定所述至少一个牛科动物，所述选定包括对所述至少一个起始图像的分析。
在一个示例中，处理单元被配置成生成与所述至少一头牛有关的至少一个指示。第二收发器被配置成传输与所选定的至少一头牛有关的至少一个指示，并且第一收发器被配置成接收与所选定的至少一头牛有关的至少一个指示。输出单元被配置成向设备的用户呈现与所选定的至少一个牛科动物有关的至少一个指示。
在一个示例中，输出单元包括视觉显示单元。视觉显示单元被配置成显示所述至少一个起始图像，并在所述至少一个起始图像上突出显示与所选定的至少一头牛有关的所述至少一个指示。
在一个示例中，处理单元被配置成检测所述至少一个牛科动物，所述检测包括对所述至少一个图像的分析。
在一个示例中，分析所述至少一个图像以检测所述至少一个牛科动物包括利用对象检测算法。
图3示出了用于苍蝇管理的方法300，其中步骤d）是可选的。方法300包括：
在提供步骤310中（也称为步骤a）），向处理单元提供农业环境的至少一个图像，其中所述农业环境包含多个牛科动物；并且其中所述至少一个图像包括所述多个牛科动物中的至少一个牛科动物的至少一部分的图像数据；
在确定步骤320中（也称为步骤b）），由处理单元确定至少一个牛科动物的至少一部分的图像数据中的苍蝇的数量；以及
在确定步骤330中（也称为步骤c）），由处理单元确定与所述多个牛科动物的苍蝇侵扰有关的信息，所述确定包括利用所确定的苍蝇数量。
在一个示例中，该方法包括步骤d），由输出单元基于所确定的与所述多个牛科动物的苍蝇侵扰有关的信息来输出340与针对所述多个牛科动物的苍蝇侵扰处置有关的指示。
在一个示例中，所述至少一个图像是通过手持设备的相机获取的。
在一个示例中，所述至少一个图像是通过智能电话的相机获取的。
在一个示例中，所述至少一个图像是通过具有变焦镜头功能的相机获取的。
在一个示例中，所述至少一个图像是通过固定安装在农业环境中的相机获取的。
在一个示例中，所述至少一个图像是通过无人机（UAV）的相机获取的。
在一个示例中，至少一个牛科动物的至少一部分的图像数据包括除与所述牛科动物相邻的牛科动物的图像数据以外的图像数据。
在一个示例中，处理单元被配置成在至少一个牛科动物的至少一部分的图像数据中识别至少一个特定的苍蝇类型。至少一个牛科动物的至少一部分的图像数据中的所确定的苍蝇的数量于是可以是至少一个牛科动物的至少一部分的图像数据中的是所述至少一个特定的苍蝇类型的苍蝇的数量。
在一个示例中，确定图像中的苍蝇数量包括实施图像处理算法以分析至少一个牛科动物的至少一部分的图像数据。
在一个示例中，图像处理算法包括机器学习算法。
在一个示例中，机器学习算法是神经网络。
在一个示例中，深度学习神经网络中的神经网络包括至少一个隐藏层。
在一个示例中，机器学习算法是经训练的机器学习算法。机器学习训练可以包括利用地面真值数据和相关影像。
在一个示例中，机器学习算法的后续训练包括利用至少一个牛科动物的至少一部分的图像数据。
在一个示例中，后续训练包括利用所确定的苍蝇的数量。
在一个示例中，输入单元被配置成从用户接收对与针对所述多个牛科动物的苍蝇侵扰处置有关的指示的确认。后续训练可以包括利用所述确认。
在一个示例中，被投影回至少一个牛科动物的至少一部分的至少一个牛科动物的至少一部分的图像数据中的像素小于或等于2mm。
在一个示例中，所述像素在物平面处的投影小于或等于1.5mm。
在一个示例中，所述像素在物平面处的投影小于或等于1.0mm。
在一个示例中，所述像素在物平面处的投影小于或等于0.75mm。
在一个示例中，所述像素在物平面处的投影小于或等于0.5mm。
在一个示例中，所述像素在物平面处的投影小于或等于0.25mm。
在一个示例中，与针对所述多个牛科动物的苍蝇侵扰处置有关的指示包括多个可能的侵扰水平中的所定义的侵扰水平的指示。
在一个示例中，与针对所述多个牛科动物的苍蝇侵扰处置有关的指示包括需要针对苍蝇侵扰对所述多个牛科动物进行处置的消息。
在一个示例中，处理单元被配置成识别可用于苍蝇侵扰处置的至少一个化学产品。与针对所述多个牛科动物的苍蝇侵扰处置有关的指示于是可以包括与可用于苍蝇侵扰处置的至少一个化学产品有关的消息。
在一个示例中，输入单元被配置成使用户能够输入与在所述农业环境中用于苍蝇侵扰处置的至少一个先前的化学产品有关的信息。对可用于苍蝇侵扰处置的至少一个化学产品的识别可以包括利用与在所述农业环境中用于苍蝇侵扰处置的至少一个先前的化学产品有关的信息。
在一个示例中，与针对所述多个牛科动物的苍蝇侵扰处置有关的指示包括无需针对苍蝇侵扰对所述多个牛科动物进行处置的消息。
在一个示例中，确定与所述多个牛科动物的苍蝇侵扰有关的信息包括利用阈值苍蝇数量。
在一个示例中，所述至少一个图像包括多个图像。所述至少一个牛科动物的至少一部分包括所述至少一个牛科动物的多个部分。所述多个图像中的每个图像可以与所述多个部分中的不同部分相关联。至少一个牛科动物的至少一部分的图像数据中的所确定的苍蝇的数量可以包括在所述多个图像中的每个图像中的苍蝇的数量。
在一个示例中，确定与所述多个牛科动物的苍蝇侵扰有关的信息包括对所述多个图像中的每个图像中的苍蝇数量的统计分析。
在一个示例中，所述至少一个牛科动物包括至少两个牛科动物。所述多个部分中的第一部分可以与所述至少一个牛科动物中的第一牛科动物相关联，并且所述多个部分中的第二部分可以与所述至少一个牛科动物中的第二牛科动物相关联。
在一个示例中，所述多个部分中的每个部分与不同的牛科动物相关联。
在一个示例中，获取并分析两个牛科动物的图像。
在一个示例中，获取并分析四个牛科动物的图像。
在一个示例中，获取并分析八个牛科动物的图像。
在一个示例中，获取并分析八个以上的牛科动物的图像。
在一个示例中，所述多个图像中的至少一个第一图像是在与所述多个图像中的至少一个第二图像不同的一天获取的。
在一个示例中，处理单元被配置成实施分割算法以分析所述至少一个图像，以确定所述至少一个牛科动物的至少一部分的图像数据。
在一个示例中，分割算法被配置成确定所述至少一个图像的具有除一个或多个苍蝇以外的对象的图像数据的至少一个区域，并且其中该对象不同于所述至少一头牛。确定至少一个牛科动物的至少一部分的图像数据可以包括从所述至少一个图像中取消选定所述至少一个区域。
在一个示例中，处理单元被配置成检测所述至少一个牛科动物，所述检测包括对所述至少一个图像的分析。
在一个示例中，分析所述至少一个图像以检测所述至少一个牛科动物包括利用对象检测算法。
现在结合图5至图10更详细地描述用于苍蝇管理的装置、设备、系统和方法。
图5a是被苍蝇侵扰的奶牛的图像，并且图5b是该图像的表示。示出了奶牛的后背，有苍蝇落在奶牛的外皮上并且有苍蝇在奶牛周围飞来飞去。技术人员将意识到苍蝇侵扰奶牛的这样的情况。图5用来指示所描述的装置、设备、系统和方法所解决的问题，即：苍蝇侵扰是成问题的，并且其水平可能低于所示水平，而仍然在经济上有害。例如，经验表明，肉牛每头牛200只苍蝇以及奶牛每头牛50只苍蝇是经验法则阈值水平，这是畜群中动物的平均水平，在此水平之上，应当应用处置以减轻经济影响。然而，在所描述的装置、设备、系统和方法之前，养殖者没有简便的方式来确定是否达到了这样的阈值，并且针对整个畜群准确地做到这一点而不过度关注牛中的具有比畜群平均高得多的苍蝇数量或相反地比平均低得多的苍蝇数量的个体是几乎不可能的。
如上所述，开发了装置、设备、系统和方法来解决该问题。
在特定示例中，利用神经网络的图像处理系统用于对苍蝇进行计数，并甚至识别特定的奶牛/牛身上的苍蝇。图6示出了神经网络的训练中涉及到的步骤。已经发现，应该以这样的分辨率对在奶牛身上以及甚至周围的苍蝇（见图5）进行成像，使得苍蝇的图像具有在苍蝇的长度方向上延伸的至少5个像素。因此，在被成像的奶牛/公牛/牛处所需的图像分辨率取决于一个区域普遍存在的特定苍蝇种类。例如，长为1厘米的苍蝇需要以大于或等于2mm的奶牛处的分辨率来进行成像，以便使至少5个像素在苍蝇的整个长度上延伸。因此，可以利用具有2000×2000像素或甚至更多像素的检测器的标准成像系统对整头奶牛进行成像，并且实际上甚至可以对不止一头奶牛/公牛进行成像，并具有以所需分辨率的苍蝇影像。优选地使用带有具有更大像素数量的检测器的成像系统，并然后具有以0.5mm的分辨率的奶牛处的影像，以便可以以正确的分辨率对所有不同类型的苍蝇进行成像并且也对整个奶牛进行成像。然而，只需要对奶牛的一部分进行成像，并且如上所述，对于某些苍蝇种类，可以使用奶牛处的2mm分辨率。
继续图6，获取了奶牛的影像，并且用户选定了作为证据的具有苍蝇的感兴趣区域。然后，用户识别该图像区域中的一系列区域，其中一些区域带有苍蝇，而另一些区域则没有苍蝇；并且在图6中指示了带有苍蝇的图像区域，并且其他的也有苍蝇而有些没有苍蝇。所有区域的该图像数据都与关于那些区域中的每一个区域是否存在苍蝇的地面真值数据一起馈送到神经网络中。用户实际上输入存在的苍蝇的种类。针对以下各项进行该过程：针对停驻在具有不同颜色的外皮的奶牛身上以及周围的不同苍蝇种类、并且针对不同的牛品种、在一天的不同时间、并且针对不同的光照条件。除了苍蝇的影像，泥点和可能被误认为是苍蝇的其他标记的影像也与不存在苍蝇的地面真值信息一起馈送到神经网络中。此外，带有非常贴近以及甚至实际上彼此碰到的两三只或更多的苍蝇的影像再次与关于该苍蝇种类的类型和数量的地面真值信息一起馈送到神经网络中。
然后，图7示出了该装置、设备、系统和方法如何操作的一个示例。图7a示出了影像，并且图7b示出了该影像的示意性表示。UAV在有牛存在的场地中飞行，并以上面讨论的相衬的分辨率获取影像，以进行苍蝇计数分析。影像可以被保存或发送以供所描述的装置的示例进行分析，该装置对所存在的数头牛上的苍蝇进行计数，以便了解畜群内的苍蝇侵扰。然后可以采取行动。UAV可以获取要由处理单元进行类似分析的影像，从而形成所描述的系统的示例的一部分。然而，UAV可以获取影像并自己分析影像，并且是所描述的设备的示例。并非是UAV获取影像，获取影像的可以是具有相机的手持单元，然后该单元可以获取影像以供装置示例来处理，或者该单元可以是系统的一部分的示例，或者是所描述的设备的示例。
实际上，图8示出了这种手持单元，其是以智能电话的形式，具有带有足以获取必要影像的分辨率的相机。如图8所示，第一步是通过分割算法将奶牛从背景影像中切出来以供进一步处理的操作。在必要时，切出影像可以包括奶牛周围的区域，以便对飞行中的苍蝇进行计数，如图5所示。然而，对这样的飞行中的苍蝇进行计数不是必需的。
图9示出了与图像处理有关的更多细节。图9a示出了影像，并且图9b示出了该影像的示意性表示。在最上面的图像中，养殖者获取了奶牛的图像。该奶牛有苍蝇在其外皮上，但在此图像中无法清晰地看到苍蝇。他首先获取数头奶牛的图像，并且叠加在该图像上的是他应获取其影像的奶牛的指示，以便获得对苍蝇数量的更好的统计。因此，例如，他获取了40头牛的图像，向他突出显示其中的4头，以便以所需分辨率图像（例如特写图像）获取图像，其中这4头位于畜群内的不同位置。识别哪头牛并不重要，甚至养殖者拍摄那些特定的牛或不同的牛的影像也不重要。系统所尝试的是确保养殖者不获取他在畜群边缘遇到的头四头奶牛的影像。并且，甚至要成像的奶牛的这样的指示也不是必需的，因为可以向养殖者告知对整个畜群中的随机奶牛进行成像。然而，该指示可能有助于提醒养殖者在整个畜群中获取影像。
继续图9，在上数第二个图像中，上述分割算法已将奶牛从背景中切出，并去除了一定量的“噪声”影像，即遮盖了部分奶牛的前景中的植物。在上数第三个图像处，图像处理的下一步识别了要用来对苍蝇进行计数的奶牛的一部分。因此，该图像以比上面两个图像更高的放大倍数示出，并且奶牛的边缘在该帧之外。然而，现在可以看到苍蝇了。对奶牛的该部分的这种识别可以是基于对已知会吸引苍蝇的奶牛部分（诸如腰腹）的选定，或者可以是基于对可能是苍蝇的内容的首次检测，或这两个技术的混合。在此过程步骤中，已识别出不是苍蝇的对象。这些是该帧右下角的草的上部部分，并且图像左侧是奶牛外皮上的伤痕。因此，为了优化苍蝇计数的准确性，从影像中取消选定这些对象，如底部图像中以粗体轮廓示出的那样，并仅对奶牛的其余部分进行图像处理以确定苍蝇的数量（用虚线界定的区域）。
图10a示出了针对奶牛的适当部位的检测到的苍蝇的图像，并且图10b示出了该图像的示意性表示。如上所述，已选定了用于苍蝇计数的奶牛部分。养殖者所成像的其他奶牛也以类似的方式进行处理。然后计算苍蝇的平均数量，并在必要时对该数量进行缩放，以虑及所成像的区域。如果在虑及了牛是公牛还是奶牛、并且虑及了所存在的苍蝇类型的情况下达到了每头牛的阈值苍蝇数量，则向养殖者提供指示以对畜群应用苍蝇处置。同样，取决于所确定的每头牛平均苍蝇数量超过阈值水平多少，向养殖者提供有关侵扰严重程度的指示。例如，如果刚刚超过阈值水平，则可以将标度呈现给养殖者，从而以易于理解的视觉方式提供该信息。诸如可能的指示范围为1-20的处于7级的温标，以黄色点亮。然而，如果严重超过阈值水平，那么温标可能会处于19-20的更高水平，以红色点亮，从而向养殖者指示需要立即采取行动。实际上，向养殖者呈现在标度上延伸的条，以7为中心，但从6.5延伸到7.5。这向养殖者提供了所确定的侵扰水平的准确度的指示。条中心的位置是根据每个图像的苍蝇数量的平均确定的，并且条在中心两侧的宽度是根据每个图像的苍蝇数量的标准差除以图像数量的平方根（即均值误差）确定的。因此，随着养殖者获取图像，随着图像的获取持续更新视觉呈现，条中心的位置随着苍蝇数量的均值而变化，并且条的尺寸随着误差的减少而减小，误差减小是随着所拍摄的图像数量的增加。因此，养殖者还具有简便的方式来确定他是否获取了足够的图像来向他提供对该畜群的苍蝇侵扰的准确鉴别，并且在必要时可以继续获取场地中牛的影像，直到返回的结果提供了使养殖者能够确定是否需要采取行动的误差容限为止（例如，以数字7为中心的条尺寸）。另外，例如，如果养殖者在以前的一个或多个场合下曾到过该场地并获取了侵扰水平的确定，则可以为养殖者提供简单的时间历史。因此，阈值水平可能没有被满足，以黄色-琥珀色指示水平6。然而，10天以前指示水平是1，并且5天以前指示水平是3。因此，除了那时的侵扰水平温标外，还向养殖者呈现简单的时间图，其中x轴是天并且y轴是侵扰水平。因此，即使在该场合下并未实际上达到了侵扰水平，也向养殖者呈现指示问题正在不断发展的信息，并可以决策开始苍蝇侵扰处置。这些只是可以向养殖者提供严重水平指示以及其如何随时间发展的一种方式，并且可以实施其他方式。
继续图10，基于先前采取了什么处置，首先在智能电话上向养殖者呈现需要进行处置的指示，如上所述，并且这还可以提供侵扰严重性的指示和时间信息。还向他呈现要使用的建议活性成分/产品。养殖者然后可以自己承担这项工作。然而，在该实例中，他按下电话上的按钮以激活一队UAV对畜群的远程处置。一个这样的UAV可以与图7所示的相同，除了成像相机系统之外，其还具有化学品喷洒单元。实际上，获取和分析影像以确定是否需要苍蝇处置并然后应用该处置的这整个过程都可以由该UAV（以及必要时与其他UAV一起）来承担，而无需养殖者的介入。
应当注意，以上描述集中在了苍蝇侵扰管理的示例上，然而，所提供的装置、设备、系统和方法可以用于使得能够实现对虱蝇和其他寄生虫的改进处置，如上述发明构思的范围内的技术人员将会领会的那样。
在另一示例性实施例中，提供了一种计算机程序或计算机程序元件，其特征在于，其被配置成在适当的装置、设备或系统上执行根据前述实施例之一的方法的方法步骤。
因此，计算机程序元件可以存储在计算机单元上，该计算机单元也可以是实施例的一部分。该计算单元可以被配置成执行上述方法的步骤或引发其执行。此外，该计算单元可以被配置成操作上述装置和/或系统的组件。计算单元可以被配置成自动操作和/或执行用户的命令。可以将计算机程序加载到数据处理器的工作存储器中。数据处理器因此可以被装备以实行根据前述实施例之一的方法。
本发明的该示例性实施例涵盖了从一开始就使用本发明的计算机程序和借助于更新而将现有程序转变为使用本发明的程序的计算机程序。
此外，计算机程序元件可能能够提供所有必要的步骤，以实现如上所述的方法的示例性实施例的过程。
根据本发明的另一示例性实施例，呈现了一种计算机可读介质，诸如CD-ROM、USB棒等，其中，所述计算机可读介质具有计算机程序元件存储于其上，该计算机程序元件通过前面的节段描述。
计算机程序可以存储和/或分发在适当的介质上，诸如与其他硬件一起提供或作为其一部分而提供的光学存储介质或固态介质，但是也可以以其他形式分发，诸如经由互联网或其他有线或无线电信系统。
然而，计算机程序也可以通过诸如万维网之类的网络来呈现，并且可以从这种网络下载到数据处理器的工作存储器中。根据本发明的另一示例性实施例，提供了一种用于使计算机程序元件可供下载的介质，该计算机程序元件被布置为执行根据本发明的前述实施例之一的方法。
应当注意，参考不同的主题描述了本发明的实施例。特别地，参考方法类型权利要求描述了一些实施例，而参考设备类型权利要求描述了其他实施例。然而，除非另行告知，否则本领域技术人员将从以上和以下描述中获得，除了属于一种类型的主题的特征的任何组合，还有与不同主题相关的特征之间的任何组合也视为被本申请公开。然而，可以组合所有特征，以提供协同效果，而不仅仅是这些特征的简单加和。
尽管已经在附图和前面的描述中详细地图示和描述了本发明，但是这样的图示和描述应被认为是说明性或示例性的而不是限制性的。本发明不限于所公开的实施例。通过研究附图、公开内容和从属权利要求，本领域技术人员在实践要求保护的发明时可以理解和实现所公开的实施例的其他变型。
在权利要求书中，词语“包括”不排除其他元件或步骤，并且不定冠词“一”或“一个”不排除多个。单个处理器或其他单元可以实现权利要求中列举的若干项的功能。在互不相同的从属权利要求中列举某些措施的仅这一事实并不表示不能使用这些措施的组合来得益。权利要求书中的任何附图标记不应被解释为限制范围。

Claims (34)

1.一种用于苍蝇管理的装置(10)，包括：
-输入单元(20)；
-处理单元(30)；以及
-输出单元(40)；
其中，输入单元被配置成向处理单元提供农业环境的至少一个图像，其中所述农业环境包含多个牛科动物；
其中，所述至少一个图像包括所述多个牛科动物中的至少一个牛科动物的至少一部分的图像数据；
其中，处理单元被配置成确定至少一个牛科动物的至少一部分的图像数据中的苍蝇的数量，其中确定图像中的苍蝇的数量包括实施图像处理算法以分析至少一个牛科动物的至少一部分的图像数据，其中所述图像处理算法包括机器学习算法，其中所述机器学习算法是经训练的机器学习算法；
其中，处理单元被配置成确定与所述多个牛科动物的苍蝇侵扰有关的信息，所述确定包括利用所确定的苍蝇数量；
其中，输出单元被配置成基于所确定的与所述多个牛科动物的苍蝇侵扰有关的信息来输出与针对所述多个牛科动物的苍蝇侵扰处置有关的指示；
其中，所述经训练的机器学习算法包括分割算法以分析所述至少一个图像，以确定所述至少一个牛科动物的至少一部分的图像数据，并且其中所述分割算法是基于具有苍蝇和具有除苍蝇之外的对象的影像训练的，并且其中除苍蝇之外的对象包括牛科动物的部分的图像数据中的牛科动物上的泥斑、牛科动物的部分的图像数据中的牛科动物上的烙印标识、以及牛科动物的部分的图像数据的前景中的一种或多种植物或一种或多种植物的部分；并且
其中，分割算法被配置成确定所述至少一个图像的具有除一个或多个苍蝇以外的对象的图像数据的至少一个区域，并且其中该对象不同于所述至少一头牛，并且其中，确定至少一个牛科动物的至少一部分的图像数据包括从所述至少一个图像中取消选定所述至少一个区域。
2.根据权利要求1所述的装置，其中，至少一个牛科动物的至少一部分的图像数据包括除与所述牛科动物相邻的牛科动物的图像数据以外的图像数据。
3.根据权利要求1至2中的任一项所述的装置，其中，处理单元被配置成在至少一个牛科动物的至少一部分的图像数据中识别至少一个特定的苍蝇类型，并且其中，至少一个牛科动物的至少一部分的图像数据中的所确定的苍蝇的数量是至少一个牛科动物的至少一部分的图像数据中的是所述至少一个特定的苍蝇类型的苍蝇的数量。
4.根据权利要求1所述的装置，其中，机器学习算法是神经网络。
5.根据权利要求1至2中的任一项所述的装置，其中，机器学习训练包括利用地面真值数据和相关影像。
6.根据权利要求5所述的装置，其中，机器学习算法的后续训练包括利用至少一个牛科动物的至少一部分的图像数据。
7.根据权利要求6所述的装置，其中，后续训练包括利用所确定的苍蝇的数量。
8.根据权利要求6所述的装置，其中，输入单元被配置成从用户接收对与针对所述多个牛科动物的苍蝇侵扰处置有关的指示的确认，并且其中，后续训练包括利用所述确认。
9.根据权利要求1至2中的任一项所述的装置，其中，被投影回至少一个牛科动物的至少一部分的图像数据中的像素小于或等于2mm。
10.根据权利要求1至2中的任一项所述的装置，其中，与针对所述多个牛科动物的苍蝇侵扰处置有关的指示包括多个可能的侵扰水平中的所定义的侵扰水平的指示。
11.根据权利要求1至2中的任一项所述的装置，其中，与针对所述多个牛科动物的苍蝇侵扰处置有关的指示包括需要针对苍蝇侵扰对所述多个牛科动物进行处置的消息。
12.根据权利要求1至2中的任一项所述的装置，其中，处理单元被配置成识别可用于苍蝇侵扰处置的至少一个化学产品，并且其中，与针对所述多个牛科动物的苍蝇侵扰处置有关的指示包括与可用于苍蝇侵扰处置的至少一个化学产品有关的消息。
13.根据权利要求12所述的装置，其中，输入单元被配置成使用户能够输入与在所述农业环境中用于苍蝇侵扰处置的至少一个先前的化学产品有关的信息，并且其中，对可用于苍蝇侵扰处置的至少一个化学产品的识别包括利用与在所述农业环境中用于苍蝇侵扰处置的至少一个先前的化学产品有关的信息。
14.根据权利要求1至2中的任一项所述的装置，其中，与针对所述多个牛科动物的苍蝇侵扰处置有关的指示包括无需针对苍蝇侵扰对所述多个牛科动物进行处置的消息。
15.根据权利要求1至2中的任一项所述的装置，其中，确定与所述多个牛科动物的苍蝇侵扰有关的信息包括利用阈值苍蝇数量。
16.根据权利要求1至2中的任一项所述的装置，其中，所述至少一个图像包括多个图像，其中，所述至少一个牛科动物的至少一部分包括所述至少一个牛科动物的多个部分，并且其中，所述多个图像中的每个图像与所述多个部分中的不同部分相关联，其中，至少一个牛科动物的至少一部分的图像数据中的所确定的苍蝇的数量包括在所述多个图像中的每个图像中的苍蝇的数量。
17.根据权利要求16所述的装置，其中，确定与所述多个牛科动物的苍蝇侵扰有关的信息包括对所述多个图像中的每个图像中的苍蝇数量的统计分析。
18.根据权利要求16所述的装置，其中，所述至少一个牛科动物包括至少两个牛科动物，并且其中，所述多个部分中的第一部分与所述至少一个牛科动物中的第一牛科动物相关联，并且所述多个部分中的第二部分与所述至少一个牛科动物中的第二牛科动物相关联。
19.根据权利要求16所述的装置，其中，所述多个部分中的每个部分与不同的牛科动物相关联。
20.根据权利要求16所述的装置，其中，所述多个图像中的至少一个第一图像是在与所述多个图像中的至少一个第二图像不同的一天获取的。
21.根据权利要求1至2中的任一项所述的装置，其中，处理单元被配置成检测所述至少一个牛科动物，所述检测包括对所述至少一个图像的分析。
22.根据权利要求21所述的装置，其中，分析所述至少一个图像以检测所述至少一个牛科动物包括利用对象检测算法。
23.一种用于苍蝇管理的设备(100)，包括：
-相机(110)；
-根据权利要求1至22中的任一项所述的用于苍蝇管理的装置(10)；以及
-壳体(120)；
其中，所述相机和装置容纳在所述壳体内；并且
其中，相机被配置成获取农业环境的至少一个图像。
24.根据权利要求23所述的设备，其中，输入单元(20)被配置成向处理单元(30)提供至少一个起始图像，其中，所述至少一个起始图像包括多个牛科动物的图像数据，其中，所述多个牛科动物包括所述至少一个牛科动物，并且其中，处理单元被配置成选定所述至少一个牛科动物，所述选定包括对所述至少一个起始图像的分析。
25.根据权利要求24所述的设备，其中，输出单元(40)被配置成向设备的用户呈现与所选定的至少一个牛科动物有关的至少一个指示。
26.根据权利要求25所述的设备，其中，输出单元包括视觉显示单元(130)，并且其中，视觉显示单元被配置成显示所述至少一个起始图像，并在所述至少一个起始图像上突出显示与所选定的至少一头牛有关的所述至少一个指示。
27.根据权利要求23至26中的任一项所述的设备，其中，输入单元被配置成使用户能够响应于与针对所述多个牛科动物的苍蝇侵扰处置有关的指示在输出单元上的输出而输入命令指令，以向所述多个牛科动物应用苍蝇侵扰处置，并且其中，所述设备被配置成将所述命令指令传输到至少一个苍蝇侵扰处置应用单元(140)。
28.一种用于苍蝇管理的系统(200)，包括：
-相机(210)；
-第一收发器(220)；
-处理单元(230)；
-第二收发器(240)；以及
-壳体(250)；
其中，所述相机和第一收发器容纳在所述壳体中；
其中，所述处理单元和第二收发器未容纳在所述壳体中；
其中，相机被配置成获取农业环境的至少一个图像，其中，所述农业环境包含多个牛科动物，其中，所述至少一个图像包括所述多个牛科动物中的至少一个牛科动物的至少一部分的图像数据；
其中，第一收发器被配置成传输所述至少一个图像，并且第二收发器被配置成接收所述至少一个图像，并且其中，第二收发器被配置成向处理单元提供所述至少一个图像；
其中，处理单元被配置成确定所述至少一个牛科动物的至少一部分的图像数据中的苍蝇的数量，其中确定图像中的苍蝇的数量包括实施图像处理算法以分析至少一个牛科动物的至少一部分的图像数据，其中所述图像处理算法包括机器学习算法，其中所述机器学习算法是经训练的机器学习算法；
其中，处理单元被配置成确定与所述多个牛科动物的苍蝇侵扰有关的信息，所述确定包括利用所确定的苍蝇数量；
其中，所述经训练的机器学习算法包括分割算法以分析所述至少一个图像，以确定所述至少一个牛科动物的至少一部分的图像数据，并且其中所述分割算法是基于具有苍蝇和具有除苍蝇之外的对象的影像训练的，并且其中除苍蝇之外的对象包括牛科动物的部分的图像数据中的牛科动物上的泥斑、牛科动物的部分的图像数据中的牛科动物上的烙印标识、以及牛科动物的部分的图像数据的前景中的一种或多种植物或一种或多种植物的部分；并且
其中，分割算法被配置成确定所述至少一个图像的具有除一个或多个苍蝇以外的对象的图像数据的至少一个区域，并且其中该对象不同于所述至少一头牛，并且其中，确定至少一个牛科动物的至少一部分的图像数据包括从所述至少一个图像中取消选定所述至少一个区域。
29.根据权利要求28所述的系统，其中，所述系统包括至少一个苍蝇侵扰处置应用单元(260)，并且其中，所述至少一个苍蝇侵扰处置应用单元被配置成基于所确定的与所述多个牛科动物的苍蝇侵扰有关的信息来对所述多个牛科动物应用苍蝇侵扰处置。
30.根据权利要求28所述的系统，其中，所述系统包括容纳在所述壳体内的输出单元(270)，并且其中，第二收发器被配置成传输与所述多个牛科动物的苍蝇侵扰有关的信息，并且第一收发器被配置成接收与所述多个牛科动物的苍蝇侵扰有关的信息；并且其中，输出单元被配置成基于所确定的与所述多个牛科动物的苍蝇侵扰有关的信息来输出与针对所述多个牛科动物的苍蝇侵扰处置有关的指示。
31.根据权利要求29所述的系统，其中，所述系统包括容纳在所述壳体内的输出单元(270)，并且其中，第二收发器被配置成传输与所述多个牛科动物的苍蝇侵扰有关的信息，并且第一收发器被配置成接收与所述多个牛科动物的苍蝇侵扰有关的信息；并且其中，输出单元被配置成基于所确定的与所述多个牛科动物的苍蝇侵扰有关的信息来输出与针对所述多个牛科动物的苍蝇侵扰处置有关的指示。
32.根据权利要求31所述的系统，其中，所述系统包括容纳在所述壳体内的输入单元(280)，并且其中，输入单元被配置成使得用户能够响应于与针对所述多个牛科动物的苍蝇侵扰处置有关的指示在输出单元上的输出而输入命令指令，以向所述多个牛科动物应用苍蝇侵扰处置，并且其中，第一收发器被配置成将所述命令指令发送到所述至少一个苍蝇侵扰处置应用单元。
33.一种用于苍蝇管理的方法(300)，包括：
a)向处理单元提供农业环境的至少一个图像，其中所述农业环境包含多个牛科动物；并且
其中所述至少一个图像包括所述多个牛科动物中的至少一个牛科动物的至少一部分的图像数据；
b)由处理单元确定至少一个牛科动物的至少一部分的图像数据中的苍蝇的数量，其中确定图像中的苍蝇的数量包括实施图像处理算法以分析至少一个牛科动物的至少一部分的图像数据，其中所述图像处理算法包括机器学习算法，其中所述机器学习算法是经训练的机器学习算法；以及
c)由处理单元确定与所述多个牛科动物的苍蝇侵扰有关的信息，所述确定包括利用所确定的苍蝇数量；
其中，所述经训练的机器学习算法包括分割算法以分析所述至少一个图像，以确定所述至少一个牛科动物的至少一部分的图像数据，并且其中所述分割算法是基于具有苍蝇和具有除苍蝇之外的对象的影像训练的，并且其中除苍蝇之外的对象包括牛科动物的部分的图像数据中的牛科动物上的泥斑、牛科动物的部分的图像数据中的牛科动物上的烙印标识、以及牛科动物的部分的图像数据的前景中的一种或多种植物或一种或多种植物的部分；并且
其中，分割算法被配置成确定所述至少一个图像的具有除一个或多个苍蝇以外的对象的图像数据的至少一个区域，并且其中该对象不同于所述至少一头牛，并且其中，确定至少一个牛科动物的至少一部分的图像数据包括从所述至少一个图像中取消选定所述至少一个区域。
34.一种计算机可读介质，其存储了用于控制根据权利要求1至14中的任一项所述的装置和/或根据权利要求23至27中的任一项所述的设备和/或根据权利要求28至32中的任一项所述的系统的计算机程序元件，其在由处理器执行时被配置成实行根据权利要求33所述的方法。
CN201980035823.9A 2018-05-28 2019-05-21 用于苍蝇管理的装置 Active CN112153892B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP18174587.8A EP3574751A1 (en) 2018-05-28 2018-05-28 Apparatus for fly management
EP18174587.8 2018-05-28
PCT/EP2019/063092 WO2019228861A1 (en) 2018-05-28 2019-05-21 Apparatus for fly management

Publications (2)

Publication Number Publication Date
CN112153892A CN112153892A (zh) 2020-12-29
CN112153892B true CN112153892B (zh) 2024-01-30

Family

ID=62455381

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980035823.9A Active CN112153892B (zh) 2018-05-28 2019-05-21 用于苍蝇管理的装置

Country Status (17)

Country Link
US (1) US11464211B2 (zh)
EP (2) EP3574751A1 (zh)
JP (1) JP7386814B2 (zh)
KR (1) KR20210014122A (zh)
CN (1) CN112153892B (zh)
AR (1) AR115444A1 (zh)
AU (1) AU2019275912B2 (zh)
BR (1) BR112020024144A2 (zh)
CA (1) CA3098953A1 (zh)
CL (1) CL2020003054A1 (zh)
CR (1) CR20200635A (zh)
IL (1) IL278890A (zh)
MX (1) MX2020012807A (zh)
PE (1) PE20210534A1 (zh)
PH (1) PH12020552030A1 (zh)
SG (1) SG11202011020UA (zh)
WO (1) WO2019228861A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10936870B2 (en) * 2018-07-05 2021-03-02 Iron Ox, Inc. Method for selectively deploying sensors within an agricultural facility

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001005974A (ja) * 1999-06-17 2001-01-12 Matsushita Electric Ind Co Ltd 物体認識方法及び物体認識装置
CN205455287U (zh) * 2016-02-26 2016-08-17 广州翼鲲生物科技有限公司 用于牧场虫害防控的系统
AU2016286295A1 (en) * 2015-07-01 2018-01-18 Viking Genetics Fmba System and method for identification of individual animals based on images of the back
CN107646115A (zh) * 2015-05-28 2018-01-30 脱其泰有限责任公司 图像分析系统及相关方法
EP3279831A1 (en) * 2016-08-03 2018-02-07 Bayer CropScience AG Recognition of weed in a natural environment using a digital image

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US2639259A (en) * 1948-07-20 1953-05-19 Union Carbide & Carbon Corp Insecticides
US3265568A (en) * 1962-03-12 1966-08-09 Exxon Research Engineering Co Wax-water emulsions containing pyrethrum in the phase
US6746682B2 (en) 2001-09-26 2004-06-08 Julio Angel Daffunchio Biological control of horn flies
IL150915A0 (en) 2002-07-25 2003-02-12 Vet Tech Ltd Imaging system and method for body condition evaluation
US7496228B2 (en) 2003-06-13 2009-02-24 Landwehr Val R Method and system for detecting and classifying objects in images, such as insects and other arthropods
WO2007110555A1 (en) * 2006-03-28 2007-10-04 The University Court Of The University Of Edinburgh A method for automatically characterizing the behavior of one or more objects
JP2016019505A (ja) 2014-07-15 2016-02-04 近藤電子株式会社 害虫発生推定装置
IL236606B (en) * 2015-01-11 2020-09-30 Gornik Amihay Standards and methods for agricultural monitoring
SG10201506012SA (en) * 2015-07-31 2017-02-27 Accenture Global Services Ltd Inventory, growth, and risk prediction using image processing
US20170071164A1 (en) * 2015-09-11 2017-03-16 Flysorter, LLC Insect singulating device
CA2941729A1 (en) * 2015-09-14 2017-03-14 Sightline Innovation Inc. System and method for specular surface inspection
US9943387B2 (en) * 2016-06-29 2018-04-17 International Business Machines Corporation Unmanned aerial vehicle-based system for livestock parasite amelioration
WO2018049289A1 (en) * 2016-09-09 2018-03-15 Cibo Technologies, Inc. Systems for adjusting agronomic inputs using remote sensing, and related apparatus and methods
WO2018056905A1 (en) * 2016-09-20 2018-03-29 Nanyang Technological University Co-crystals of nurr1-lbd in complex with a cyclopentenone prostaglandin and modulators of nurr1
EP3532962B1 (en) * 2016-10-28 2023-06-28 Verily Life Sciences LLC Predictive models for visually classifying insects

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001005974A (ja) * 1999-06-17 2001-01-12 Matsushita Electric Ind Co Ltd 物体認識方法及び物体認識装置
CN107646115A (zh) * 2015-05-28 2018-01-30 脱其泰有限责任公司 图像分析系统及相关方法
AU2016286295A1 (en) * 2015-07-01 2018-01-18 Viking Genetics Fmba System and method for identification of individual animals based on images of the back
CN205455287U (zh) * 2016-02-26 2016-08-17 广州翼鲲生物科技有限公司 用于牧场虫害防控的系统
EP3279831A1 (en) * 2016-08-03 2018-02-07 Bayer CropScience AG Recognition of weed in a natural environment using a digital image

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
基于图像的昆虫自动识别与计数研究进展;姚青等;《中国农业科学》;20110731;第44卷(第14期);第2886-2899页 *
基于机器学习的图像分割算法研究;刘燕等;《电视技术》;第41卷(第Z4期);第32-39页 *
基于计算机视觉的昆虫识别的研究;范晓莹;《电子技术与软件工程》(第18期);第85-86页 *
李征宇等.人工智能及其应用.哈尔滨工程大学出版社,2017,(第1版),第157-170页. *
谢寿安.《森林昆虫学研究方法与技术导论》.西北农林科技大学出版社,2013,(第1版),第37-40页. *

Also Published As

Publication number Publication date
AU2019275912A1 (en) 2020-11-12
WO2019228861A1 (en) 2019-12-05
CN112153892A (zh) 2020-12-29
MX2020012807A (es) 2021-02-15
JP7386814B2 (ja) 2023-11-27
PH12020552030A1 (en) 2021-08-02
US20210204521A1 (en) 2021-07-08
IL278890A (en) 2021-01-31
SG11202011020UA (en) 2020-12-30
CL2020003054A1 (es) 2021-06-11
BR112020024144A2 (pt) 2021-03-02
US11464211B2 (en) 2022-10-11
AU2019275912B2 (en) 2024-03-21
KR20210014122A (ko) 2021-02-08
AR115444A1 (es) 2021-01-20
CA3098953A1 (en) 2019-12-05
JP2021525422A (ja) 2021-09-24
EP3801005A1 (en) 2021-04-14
EP3574751A1 (en) 2019-12-04
CR20200635A (es) 2021-03-01
PE20210534A1 (es) 2021-03-17

Similar Documents

Publication Publication Date Title
US11748976B2 (en) Automated plant detection using image data
Kashiha et al. Automatic monitoring of pig locomotion using image analysis
US9521829B2 (en) Livestock identification and monitoring
US20170032509A1 (en) Inventory, growth, and risk prediction using image processing
US11594060B2 (en) Animal information management system and animal information management method
Suju et al. FLANN: Fast approximate nearest neighbour search algorithm for elucidating human-wildlife conflicts in forest areas
US20180092336A1 (en) Autonomous mobile beehives
EP3933766B1 (en) A system and a method for livestock monitoring
US20220225568A1 (en) System and method for determining a broken grain fraction
US20230371493A1 (en) Treatment system for plant specific treatment
de Lima Weber et al. Counting cattle in UAV images using convolutional neural network
CN112153892B (zh) 用于苍蝇管理的装置
Tsuichihara et al. Drone and GPS sensors-based grassland management using deep-learning image segmentation
US20230342902A1 (en) Method and system for automated evaluation of animals
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
RU2798879C2 (ru) Устройство для борьбы с летающими насекомыми
US11960957B2 (en) System and method for tracing members of an animal population
US20230363370A1 (en) Treatment system for weed specific treatment
CN110063061B (zh) 远程控制系统、远程控制方法以及程序
WO2023037397A1 (ja) 死亡トリ検出方法
JP2022110219A (ja) 豚飼育支援装置、豚飼育支援方法、および豚飼育支援プログラム
Padubidri et al. The Be-Hive Project—Counting Bee Traffic Based on Deep Learning and Pose Estimation
Sharma et al. Application of Precision Livestock Farming for Improved Goat Management and Production
CN117892172A (zh) 一种牲畜养殖的监管方法、装置、电子设备及存储介质

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
GR01 Patent grant
GR01 Patent grant