CN112189588B - 一种奶牛图像信息收集处理方法及系统 - Google Patents
一种奶牛图像信息收集处理方法及系统 Download PDFInfo
- Publication number
- CN112189588B CN112189588B CN202011073956.6A CN202011073956A CN112189588B CN 112189588 B CN112189588 B CN 112189588B CN 202011073956 A CN202011073956 A CN 202011073956A CN 112189588 B CN112189588 B CN 112189588B
- Authority
- CN
- China
- Prior art keywords
- information
- image
- cow
- body condition
- ear
- 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
- 238000003672 processing method Methods 0.000 title claims description 3
- 239000008267 milk Substances 0.000 claims abstract description 34
- 235000013336 milk Nutrition 0.000 claims abstract description 34
- 210000004080 milk Anatomy 0.000 claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000012795 verification Methods 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 11
- 235000013365 dairy product Nutrition 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 6
- 210000000613 ear canal Anatomy 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 230000009977 dual effect Effects 0.000 abstract description 3
- 230000000704 physical effect Effects 0.000 abstract description 3
- 230000001133 acceleration Effects 0.000 abstract description 2
- 241000283690 Bos taurus Species 0.000 description 110
- 238000012549 training Methods 0.000 description 11
- 238000005259 measurement Methods 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 9
- 230000006399 behavior Effects 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 7
- 230000000875 corresponding effect Effects 0.000 description 7
- 241001465754 Metazoa Species 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000003542 behavioural effect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 230000006651 lactation Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000009897 systematic effect Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000003070 Statistical process control Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 235000019577 caloric intake Nutrition 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000003195 fascia Anatomy 0.000 description 2
- JYGXADMDTFJGBT-VWUMJDOOSA-N hydrocortisone Chemical compound O=C1CC[C@]2(C)[C@H]3[C@@H](O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 JYGXADMDTFJGBT-VWUMJDOOSA-N 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 235000015112 vegetable and seed oil Nutrition 0.000 description 2
- 239000008158 vegetable oil Substances 0.000 description 2
- 210000000577 adipose tissue Anatomy 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000037406 food intake Effects 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 229960000890 hydrocortisone Drugs 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 210000003041 ligament Anatomy 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 208000030159 metabolic disease Diseases 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000001850 reproductive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000022676 rumination Effects 0.000 description 1
- 208000015212 rumination disease Diseases 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 210000002784 stomach Anatomy 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
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
- A01K29/005—Monitoring or measuring activity, e.g. detecting heat or mating
-
- 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
- A01K67/00—Rearing or breeding animals, not otherwise provided for; New or modified breeds of animals
- A01K67/02—Breeding vertebrates
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Environmental Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Animal Husbandry (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Human Computer Interaction (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Zoology (AREA)
- Image Analysis (AREA)
Abstract
一种奶牛图像信息收集处理方法及系统，包括如下步骤：获取奶牛的图像信息；分析奶牛的图像信息得到验证段，所述验证段包括身份验证信息和体况信息；通过识别验证段的身份验证信息得到奶牛的身份，通过识别验证段的体况信息得到奶牛的体况。本申请通过将奶牛的图像设置为身份验证和体况识别的双重信息，可以大大降低原始信息的获取难度，也同时取消了诸如加速度器等物理性质的与奶牛直接接触的部件，降低造价的同时还能够提高奶牛本身的舒适程度。
Description
技术领域
本申请涉及一种奶牛图像信息收集处理方法及系统。
背景技术
由于牛奶营养全面，是适合长期饮用的饮品，也是现代乳品工业的重要原料。因此作为牛奶的唯一供应方式的奶牛，饲养规模也稳步提升。在大型养殖过程中，如何对于奶牛进行规模化、工业化的养殖成为了非常重要的课题。
奶牛干奶期，传统上被定义为从预期产犊前大约60天开始的一段时间，代表着改变奶牛管理和饲养策略以顺利度过过渡期的机会。由于哺乳早期能量摄入与高乳汁能量输出不匹配，这一时期的负能量平衡(NEB)会对健康、生产力和生殖性能产生负面影响。为了预测和预防泌乳早期NEB引起的代谢性疾病，需要在奶牛干奶期实施关键策略，以减少因管理不善而造成的经济效益损失。体况评分(体况评分)是奶牛泌乳期能量摄入管理的常用工具，可间接估计体脂储备量。在产奶前21天之前，奶牛的体况评分开始下降，这表明干奶期的身体状况可以作为预测能量不足导致的免疫问题的指标。现有奶牛智能化健康监测设备包括项圈和奶量监测系统。项圈的主要硬件是牛带压力传感器，需要每头奶牛实时佩戴并记录采食后的反刍行为，该设备有两处不足，其一是长时间佩戴项圈会增加奶牛的应激，另外由于使用方法所限，需要为每一头奶牛佩戴项圈，因此系统的购买成本较高。奶量监测系统需要购入特定的自动化挤奶设备，该系统可以有效监测奶牛泌乳时期的乳房健康状态，但在奶牛干奶期时，该系统不能工作。目前奶牛体况评分方法主要通过人为感官测量，在规模化牧牧场中人为测量奶牛体况评分既耗时又费力，最近国外相继报道了图像识别奶牛体况评分的方法，但是国外方法在实用性方面存在两个缺陷，其一是个体识别问题，国外需要固定摄像头，在固定地点拍摄奶牛背部图像，同时在图像记录处安置射频识别器，通过识别电子耳标编号确定奶牛个体身份；其二是由于固定了摄像头位置，拍摄的奶牛多为移动状态，因此在实际选取图像时存在图像模糊，图像信息记录不稳定的现象，因此需要开发即能够保证图像信息稳定，同时识别奶牛个体的方法。另外一方面就是奶牛的卧床行为也有同样的困扰：卧床设计不合理会严重影响奶牛的休息行为，趴卧时间过少会导致奶牛皮质醇水平改变和心率增加，并可能增加主动淘汰的风险，降低产奶量，降低繁殖效率。目前商用卧床记录器主要有两种：其一是普通的监控摄像头，需要人为观察记录奶牛行为；另一项是利用加速度器记录奶牛的行为轨迹，设备被置于颈部或腿部，需要长期佩戴，给动物带来了持续的应激。
由此可见，对于有效的发挥出奶牛的非实体干预性监测的优势对于提高奶牛监测的质量以及效率尤为重要，现有的监测方式或者采用了非实体干预性监测，测定结果不准确；或是采用了其他监测方式，对于奶牛本身的舒适性造成了困扰。
发明内容
为了解决上述问题，本申请一方面提出了一种奶牛图像信息收集处理方法，包括如下步骤：获取奶牛的图像信息；分析奶牛的图像信息得到验证段，所述验证段包括身份验证信息和体况信息；通过识别验证段的身份验证信息得到奶牛的身份，通过识别验证段的体况信息得到奶牛的体况。本申请通过将奶牛的图像设置为身份验证和体况识别的双重信息，可以大大降低原始信息的获取难度，也同时取消了诸如加速度器等物理性质的与奶牛直接接触的部件，降低造价的同时还能够提高保证奶牛的舒适程度。
优选的，所述身份验证信息为奶牛的背部花纹信息，所述体况信息为以背部花纹为基础得到的衍生信息。
优选的，还包括一辅助信息，所述辅助信息用于当验证段无法提供身份验证信息之后的身份辅助验证。
优选的，所述辅助信息为牛耳图像信息；所述牛耳图像信息包括第一牛耳信息和第二牛耳信息，所述第一牛耳信息为耳道一侧的图像信息，所述第二牛耳信息为背离耳道一侧的图像信息。本申请在无法进行身份识别的情况之下，多是因为角度过于偏狭所致，而此时通过引入另外一生物特征，可以提高其身份识别的准确率，并且恰好可以利用角度偏狭的缺点，提高识别的效率和可能性。
优选的，所述身份验证信息按照如下方式进行识别：
通过设置在奶牛顶部的摄像机获取奶牛背后的第一图像用作身份验证信息；
身份验证通过之后，得到第一图像的景深作为体况信息用以得出奶牛是站立还是趴卧的体况并记录持续时间。
优选的，还包括一预设图像，所述预设图像为所述身份验证信息对应奶牛的趴卧或站立图像，所述第一图像的景深通过与预设图像进行对比得到，如果第一图像与预设图像的相似度达到第一阈值，则将体况识别为与预设图像一致的体况，否则识别为另外一种体况。
优选的，还包括一纠偏信息，所述纠偏信息为牛耳图像信息；所述牛耳图像信息包括第一牛耳信息和第二牛耳信息，所述第一牛耳信息为耳道一侧的图像信息，所述第二牛耳信息为背离耳道一侧的图像信息；在第一图像与预设图像的相似度未达到第一阈值时，进行辅助信息判断，还包括一与辅设图像，所述辅设图片为所述身份验证信息对应奶牛的趴卧或站立对应的牛耳部分的图像，所述第一图像的景深通过与辅设图像进行对比得到，如果第一图像牛耳部分的景深与辅设图像的相似度达到第二阈值，则将体况识别为与预设图像一致的体况，否则识别为另外一种体况。本申请不需要接触动物身体，通过奶牛背部花纹进行个体识别和体况评分，具有无应激和高效率的特点，可以利用第一图像的景深信息判断奶牛进入卧床后的行为状态，奶牛站立与奶牛趴卧的深度信息差异较大，模型对信息差较大的二分类识别精度较高，易于判别奶牛的行为状态。
优选的，所述体况信息为根据背部花纹信息分析得到的体况评分，所述体况评分按照下列方式进行：
获取图像信息以及对应图像的BCS评分：获取奶牛背部的彩色原始图像，所述原始图像包括深度、灰度和相位一致性通道；先将原始图像的深度转化为深度通道，将奶牛背部的彩色的原始图像转换为灰色通道；对深度通道进行转换生成附加通道，并结合相位一致性通道来保留深度图像的频域内的附加边缘信息以得到图像信息；
采用CNN-Densenet模型获取图像信息，然后将图像信息进行拟合，拟合过程中引入视觉机制来增强特征通道的贡献，抑制琐碎通道的贡献，所述 CNN-Densenet模型的深度设置为24，增长率设置为12。
优选的，还包括一体况参考值CPK，
其中μ为个体体况评分的均值，σ为标准差，TL为设定的期望下线，TU为设定的期望上线。本申请具有无应激和高效率的特点，通过统计过程控制借助数理统计方法对生产过程进行分析评价，根据反馈信息及时发现系统性因素出现的征兆，并采取措施消除其影响，使过程维持在仅受随机性因素影响的状态，以达到控制“质量”的目的。
另外一方面，还公开了一种奶牛图像信息收集系统，包括：
信息获取模块，用于获取奶牛的图像信息；
分析模块，用于通过奶牛的图像信息得到验证段，所述验证段包括身份验证信息和体况信息；
身份识别模块，用于通过识别验证段的身份验证信息得到奶牛的身份；
体况识别模块，用于通过识别验证段的体况信息得到奶牛的体况。
本申请能够带来如下有益效果：
1.本申请通过将奶牛的图像设置为身份验证和体况识别的双重信息，可以大大降低原始信息的获取难度，也同时取消了诸如加速度器等物理性质的与奶牛直接接触的部件，降低造价的同时还能够保证奶牛的舒适程度；
2.本申请在无法进行身份识别的情况之下，多是因为角度过于偏狭所致，而此时通过引入另外一生物特征，可以提高其身份识别的准确率，并且恰好可以利用角度偏狭的缺点，提高识别的效率和可能性；
3.本申请不需要接触动物身体，通过奶牛背部花纹进行个体识别和体况评分，具有无应激和高效率的特点，可以利用第一图像的景深信息判断奶牛进入卧床后的行为状态，奶牛站立与奶牛趴卧的深度信息差异较大，模型对信息差较大的二分类识别精度较高，易于判别奶牛的行为状态；
4.本申请具有无应激和高效率的特点，通过统计过程控制借助数理统计方法对生产过程进行分析评价，根据反馈信息及时发现系统性因素出现的征兆，并采取措施消除其影响，使过程维持在仅受随机性因素影响的受控状态，以达到控制“质量”的目的。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为第一个实施例的示意图；
图2为第二个实施例的示意图；
图3为第三个实施例的示意图。
具体实施方式
为能清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本申请进行详细阐述。
在第一个实施例中，如图1所示，将本申请用于记录奶牛的卧床行为，以及卧床的时间。
具体的操作步骤如下：
S101.通过设置在奶牛上方的摄像头按照固定的时间间隔(1min获取一次) 获取奶牛的图像信息：
S102.从S101图像信息中分析得到奶牛的背部花纹图像；
S103.以背部花纹图像作为身份验证信息进行身份识别，若无法识别则按按照上一次的状态进行持续记录，然后以背部花纹图像的景深作为体况信息用以得出奶牛是站立还是趴卧的体况并记录持续时间。
在第二个实施例中，如图2所示，将本申请用于记录奶牛的卧床行为，以及卧床的时间。
具体的操作步骤如下：
S201.通过设置在奶牛上方的摄像头按照固定的时间间隔(1min获取一次) 获取奶牛的图像信息：
S202.从S201图像信息中分析得到奶牛的第一图像，即背部花纹图像以及牛耳图像；
S203.以背部花纹图像作为身份验证信息进行身份识别，然后以背部花纹图像的景深作为体况信息用以得出奶牛是站立还是趴卧的体况并记录持续时间；
S204.若S203中无法进行身份识别，则获取牛耳图像信息并根据牛耳图像信息进行身份识别，若依然无法识别，则按照奶牛的原有状态进行卧床状态的记录；所述牛耳图像信息包括第一牛耳信息和第二牛耳信息，所述第一牛耳信息为耳道一侧的图像信息，所述第二牛耳信息为背离耳道一侧的图像信息；
S205.在S204进行身份识别之后，再同样以背部花纹图像的景深作为体况信息用以得出奶牛是站立还是趴卧的体况并记录持续时间，若由于图像质量问题无法进行，则需要引入辅设图像，所述辅设图片为所述身份验证信息对应奶牛的趴卧或站立对应的牛耳部分的图像，所述第一图像的景深通过与辅设图像进行对比得到，如果第一图像牛耳部分的景深与辅设图像的相似度达到第二阈值，则将体况识别为与预设图像一致的体况，否则识别为另外一种体况，并且进行站立还是趴卧的体况持续时间的记录。
在第三个实施例中，如图3所示，将本申请用于记录奶牛的卧床行为，以及卧床的时间。
具体的操作步骤如下：
S301.通过设置在奶牛上方的摄像头按照固定的时间间隔(1min获取一次) 获取奶牛的图像信息：
S302.从S301图像信息中分析得到奶牛的背部花纹图像；
S303.以背部花纹图像作为身份验证信息进行身份识别，若无法识别则重新获取图像信息，根据背部花纹信息分析得到的体况评分，所述体况评分按照下列方式进行：
获取图像信息以及对应图像的BCS评分：获取奶牛背部的彩色原始图像，所述原始图像包括深度、灰度和相位一致性通道；先将原始图像的深度转化为深度通道，将奶牛背部的彩色的原始图像转换为灰色通道；对深度通道进行转换生成附加通道，并结合相位一致性通道来保留深度图像的频域内的附加边缘信息以得到图像信息；
采用CNN-Densenet模型获取图像信息，然后将图像信息进行拟合，拟合过程中引入视觉机制来增强特征通道的贡献，抑制琐碎通道的贡献，所述 CNN-Densenet模型的深度设置为24，增长率设置为12。
S304.计算体况参考值CPK，
其中μ为个体体况评分的均值，σ为标准差，TL为设定的期望下线，TU为设定的期望上线。
另外，对于BCS评分，本申请是通过图像识别进行的虚拟评分，其实际上的评分方式如下：
体况评分评价方法
奶牛挤奶后采食，进入颈夹开始测量体况评分，同时记录超声波BFT数据。为了避免主观性对结果的干扰，由四名经过培训的饲养员依次进行BCS 的测量，他们采用相同的标准操作流程，使用5分制BCS评分表。评估人员首先从侧面视角评分，判断髋骨结节到坐骨结节之间的连接线形状，小于3.25 呈现V形，3.25至4呈现U，大于4呈现直线。然后来到奶牛尾部视角，检查髋骨韧带的高度，并触摸坐骨结节，最终得分由感知决定。BCS数据集范围从2分到4分，范围以外的BCS被归类为2或4，因为在适当牧场管理中很难找到极端的BCS。
背膘厚度测量方法
在测量BCS后，每个饲养员依次测量BFT，并使用超声波测量仪连续测量三次，以避免不同状态中的错误增加。奶牛尾部常有泥泞区域，使用钢丝刷清洗，在测量区域涂抹植物油，以便可以更好地传送高清画面。超声波检测在每头奶牛右侧尻部区域度进行，测量点位于从髋骨结节到坐骨结节四分之一和五分之一连接线之间的底端区域，该区域的脂肪厚度与动物体脂肪含量高度相关。皮肤表面到深层筋膜之间的距离作为BFT深度，皮肤厚度被作为BFT深度的一部分。
建立基于背膘厚度的体况评分预测模型
为建立超声波BFT对BCS的预测模型，本试验使用线性回归模型，将测量的BFT的数据集作为自变量，BCS的数据集作为因变量，生成BFT对BCS 的预测模型。使用BFT对BCS的预测模型，先测量BFT，然后根据预测模型计算得到BCS(BBCS)。然而，体况评分是分类系统，BFT是连续的数据集，由预测模型得到的BCS并不是0.25单位的分类系统，因此需要通过CEILING 函数转换为0.25单位的分类系统。在使用CEILING函数时先将预测值以0.125 个单位划分为离散点系统，然后再划分到0.25单位分类系统中。例如，由超声波BFT转换得到的预测BCS为2.62，使用CEILING后2.62被分配到2.625 的分类中，然后根据舍入原则分配到2.5。
在测量体况评分后，每个饲养员依次测量背膘厚度，并使用超声波测量仪连续测量三次，以避免不同状态中的错误增加。奶牛尾部常有泥泞区域，使用钢丝刷清洗，在测量区域涂抹植物油，以便可以更好地传送高清画面。超声波检测在每头奶牛右侧尻部区域度进行，测量点位于从髋骨结节到坐骨结节四分之一和五分之一连接线之间的底端区域，该区域的脂肪厚度与动物体脂肪含量高度相关。皮肤表面到深层筋膜之间的距离作为背膘厚度深度，皮肤厚度被作为背膘厚度深度的一部分。
为建立超声波背膘厚度对体况评分的预测模型，本试验使用线性回归模型，将测量的背膘厚度的数据集作为自变量，体况评分的数据集作为因变量，生成背膘厚度对体况评分的预测模型。使用背膘厚度对体况评分的预测模型，先测量背膘厚度，然后根据预测模型计算得到体况评分(B体况评分)。然而，体况评分是分类系统，背膘厚度是连续的数据集，由预测模型得到的体况评分并不是0.25单位的分类系统，因此需要通过CEILING函数转换为0.25单位的分类系统。在使用CEILING函数时先将预测值以0.125个单位划分为离散点系统，然后再划分到0.25单位分类系统中。例如，由超声波背膘厚度转换得到的预测体况评分为2.62，使用CEILING后2.62被分配到2.625的分类中，然后根据舍入原则分配到2.5。
再进行深度图像处理与模型训练是，数据集包括3430个图像(5个图像/ 头)，并根据7：3的数据分配原则被分为2400个图像(480头奶牛)的训练集和1030个图像(206头奶牛)的测试集。在本系统中，有3种类型的训练模型：自动检测模型、牛背识别模型和BCS评估模型。本实验中开发的所有模型都是基于深度学习方法，CNN网络结构构建的。在生成训练模型之前，先对图像进行预处理。从奶牛图像中提取三个通道的数据，包括深度、灰度和相位一致性，以提取下一阶段的有效特征。最初，将奶牛背部的彩色图像转换为灰色通道。然后，将深度图像保留为深度通道。由于光照不均匀和物体表面特性，摄像机采集的深度图像通常在奶牛的平滑区域和边缘区域都含有孔洞。为了避免这些洞引入的失真和伪影，在训练和测试期间对所有图像应用了使用默认参数的深度图增强操作。最后，对得到的每幅深度图像进行转换后生成附加通道和相位一致性来保留深度图像的频域内的附加边缘信息。
模型的构建是通过CNN完成的，与传统的人工方法相比，它可以更有效地自动化处理大量的训练图像。为了实现奶牛BCS评价和个体识别的自动化系统，该框架包括奶牛目标检测、个体识别和BCS评价3个模块。对于对象检测和个人识别，根据申请人先前的研究结果，YOLO和AlexNet已被证明是有效的，并被特别选择用于这项工作。这里用牛的后视图像代替牛的侧视图像来训练牛目标检测和识别的模型。此外，与Alvarez等人应用的背景减法不同。在申请人的调查中，YOLO物体探测器更适合于在一个拥挤的场景中定位每头奶牛。在奶牛BCS评估方面，申请人研究中最大的问题是由于奶牛图像的尺度较小而导致模型训练的过度拟合。为了减少过拟合的影响，申请人需要一个浅的(参数较少)但功能强大的BCS分类模型。因此，DenseNet在这项工作中被特别考虑。它的密集连接方案不仅融合了来自底层和顶层的信息，以提供更可区分的特征，而且还减少了参数的数量，这可以被视为正则化效应，以避免过拟合。
图像数据的过拟合是在模型训练阶段发生的，为了减少这种现象，在图像预处理过程中需要对每幅图像进行随机旋转和翻转。此外，还应用了数据增强技术，将每幅图像左右移动，以增加图像样本的变异性。在构建神经网络的过程中，CNN主要由3层组成：卷积(生成特征映射以定位特定的简单特征)、汇集(降低特征映射维数)和完全连接(对各层内节点的特征和连接进行分类)。在CNN训练过程中，采用卷积层(模型参数)和池化方法提取特征，并通过全连接自动确定分类结果。在这种情况下，CNN对预处理后的图像进行逐层变换提取特征，最终确定每个分类分数，并利用得到的特征参数更新预测模型函数，不断提高识别的准确率。
为了使CNN模型适用于BCS分类，申请人在研究中进行了一些修改。首先，考虑到牛背部不同区域对BCS分类的贡献不同，并且CNN中特征地图的不同通道反映了信息在不同空间位置的不同重要性，在该模型(即DenseNet) 中引入了视觉机制，即挤压和激发模块，通过增强特征地图通道的贡献，抑制琐碎通道的贡献，从而突出奶牛背部不同区域。其次，为了减少模型参数的总数，避免模型训练过程中的过拟合，申请人使用了相对浅的DenseNet，并在 DenseNet-BC体系结构中设置了较小的深度(L＝24)和增长率(k＝12)。此外，申请人在训练阶段使用SGD算法更新模型参数，批大小为8，学习率为0.01，历元数为300。
在第四个实施例中，包括如下模块，信息获取模块，用于获取奶牛的图像信息；分析模块，用于通过奶牛的图像信息得到验证段，所述验证段包括身份验证信息和体况信息；身份识别模块，用于通过识别验证段的身份验证信息得到奶牛的身份；体况识别模块，用于通过识别验证段的体况信息得到奶牛的体况。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (6)
1.一种奶牛图像信息收集处理方法，其特征在于：包括如下步骤：
获取奶牛的图像信息；
分析奶牛的图像信息得到验证段，所述验证段包括身份验证信息和体况信息；
通过识别验证段的身份验证信息得到奶牛的身份，通过识别验证段的体况信息得到奶牛的体况；
所述身份验证信息为奶牛的背部花纹信息，所述体况信息为以背部花纹为基础得到的衍生信息；
还包括一辅助信息，所述辅助信息用于当验证段无法提供身份验证信息之后的身份辅助验证；
所述辅助信息为牛耳图像信息；所述牛耳图像信息包括第一牛耳信息和第二牛耳信息，所述第一牛耳信息为耳道一侧的图像信息，所述第二牛耳信息为背离耳道一侧的图像信息。
2.根据权利要求1所述的一种奶牛图像信息收集处理方法，其特征在于：所述身份验证信息按照如下方式进行识别：
通过设置在奶牛顶部的摄像机获取奶牛背后的第一图像用作身份验证信息；
身份验证通过之后，得到第一图像的景深作为体况信息用以得出奶牛是站立还是趴卧的体况并记录持续时间。
3.根据权利要求2所述的一种奶牛图像信息收集处理方法，其特征在于：还包括一预设图像，所述预设图像为所述身份验证信息对应奶牛的趴卧或站立图像，所述第一图像的景深通过与预设图像进行对比得到，如果第一图像与预设图像的相似度达到第一阈值，则将体况识别为与预设图像一致的体况，否则识别为另外一种体况。
4.根据权利要求3所述的一种奶牛图像信息收集处理方法，其特征在于：还包括一纠偏信息，所述纠偏信息为牛耳图像信息；所述牛耳图像信息包括第一牛耳信息和第二牛耳信息，所述第一牛耳信息为耳道一侧的图像信息，所述第二牛耳信息为背离耳道一侧的图像信息；在第一图像与预设图像的相似度未达到第一阈值时，进行辅助信息判断，还包括一辅设图像，所述辅设图像为所述身份验证信息对应奶牛的趴卧或站立对应的牛耳部分的图像，所述第一图像的景深通过与辅设图像进行对比得到，如果第一图像牛耳部分的景深与辅设图像的相似度达到第二阈值，则将体况识别为与预设图像一致的体况，否则识别为另外一种体况。
5.根据权利要求1所述的一种奶牛图像信息收集处理方法，其特征在于：所述体况信息为根据背部花纹信息分析得到的体况评分，所述体况评分按照下列方式进行：
获取图像信息以及对应图像的BCS评分：获取奶牛背部的彩色原始图像，所述原始图像包括深度、灰度和相位一致性通道；先将原始图像的深度转化为深度通道，将奶牛背部的彩色的原始图像转换为灰色通道；对深度通道进行转换生成附加通道，并结合相位一致性通道来保留深度图像的频域内的附加边缘信息以得到图像信息；
采用CNN-Densenet模型获取图像信息，然后将图像信息进行拟合，拟合过程中引入视觉机制来增强特征通道的贡献，抑制琐碎通道的贡献，所述CNN-Densenet模型的深度设置为24，增长率设置为12。
6.根据权利要求5所述的一种奶牛图像信息收集处理方法，其特征在于：还包括一体况参考值CPK，
其中μ为个体体况评分的均值，σ为标准差，TL为设定的期望下线，TU为设定的期望上线。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011073956.6A CN112189588B (zh) | 2020-10-10 | 2020-10-10 | 一种奶牛图像信息收集处理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011073956.6A CN112189588B (zh) | 2020-10-10 | 2020-10-10 | 一种奶牛图像信息收集处理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112189588A CN112189588A (zh) | 2021-01-08 |
| CN112189588B true CN112189588B (zh) | 2022-04-05 |
Family
ID=74014083
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011073956.6A Active CN112189588B (zh) | 2020-10-10 | 2020-10-10 | 一种奶牛图像信息收集处理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112189588B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114845263B (zh) * | 2022-05-12 | 2024-04-26 | 西安电子科技大学 | 一种奶山羊数据采集的羊颈夹装置及方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6678413B1 (en) * | 2000-11-24 | 2004-01-13 | Yiqing Liang | System and method for object identification and behavior characterization using video analysis |
| CN204929966U (zh) * | 2015-09-01 | 2016-01-06 | 山东农业大学 | 一种用于自动评定奶牛体况分数的装置 |
| CN105260750A (zh) * | 2015-09-21 | 2016-01-20 | 北京农业信息技术研究中心 | 一种奶牛识别方法及系统 |
| CN105784083A (zh) * | 2016-04-05 | 2016-07-20 | 北京农业信息技术研究中心 | 基于立体视觉技术的奶牛体型测量方法和系统 |
| CN107292298A (zh) * | 2017-08-09 | 2017-10-24 | 北方民族大学 | 基于卷积神经网络和分类器模型的牛脸识别方法 |
| CN107820616A (zh) * | 2015-07-01 | 2018-03-20 | 维京遗传学Fmba | 用于基于背部图像来识别个体动物的系统和方法 |
| CN110569735A (zh) * | 2019-08-13 | 2019-12-13 | 中国农业大学 | 一种基于奶牛背部体况的分析方法及装置 |
| 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 |
| CN111291683A (zh) * | 2020-02-08 | 2020-06-16 | 内蒙古大学 | 一种基于深度学习的奶牛个体识别系统及其识别方法 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| ITTO20040065A1 (it) * | 2004-02-10 | 2005-08-11 | Amc Italy Srl | Sistema, procedimento e prodotto informatico per la bioidentificazione e tracciabilita' di capi d'allevamento mediante analisi di caratteristiche biometriche di capi d'allevamento |
| DE102007036294A1 (de) * | 2007-07-31 | 2009-02-05 | Gea Westfaliasurge Gmbh | Vorrichtung und ein Verfahren zum Bereitstellen von Informationen über Tiere beim Durchlaufen eines Tierdurchganges |
| US8720382B2 (en) * | 2010-08-31 | 2014-05-13 | Technologies Holdings Corp. | Vision system for facilitating the automated application of disinfectant to the teats of dairy livestock |
| SE1650117A1 (en) * | 2015-11-04 | 2017-05-05 | Delaval Holding Ab | System and Method for Imaging and Processing Animal Data |
| CN105528579B (zh) * | 2015-12-04 | 2019-01-18 | 中国农业大学 | 基于图像识别的奶牛养殖关键过程视频提取方法及系统 |
| US20200093093A1 (en) * | 2016-12-13 | 2020-03-26 | Delaval Holding Ab | Method, control unit and system to group feed animals |
| WO2019182497A2 (en) * | 2018-03-20 | 2019-09-26 | Delaval Holding Ab | Method, control unit and system to identify animals |
| CN111738182B (zh) * | 2020-06-28 | 2023-06-02 | 中国平安财产保险股份有限公司 | 基于图像识别的身份验证方法、装置、终端及存储介质 |
-
2020
- 2020-10-10 CN CN202011073956.6A patent/CN112189588B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6678413B1 (en) * | 2000-11-24 | 2004-01-13 | Yiqing Liang | System and method for object identification and behavior characterization using video analysis |
| CN107820616A (zh) * | 2015-07-01 | 2018-03-20 | 维京遗传学Fmba | 用于基于背部图像来识别个体动物的系统和方法 |
| CN204929966U (zh) * | 2015-09-01 | 2016-01-06 | 山东农业大学 | 一种用于自动评定奶牛体况分数的装置 |
| CN105260750A (zh) * | 2015-09-21 | 2016-01-20 | 北京农业信息技术研究中心 | 一种奶牛识别方法及系统 |
| CN105784083A (zh) * | 2016-04-05 | 2016-07-20 | 北京农业信息技术研究中心 | 基于立体视觉技术的奶牛体型测量方法和系统 |
| CN107292298A (zh) * | 2017-08-09 | 2017-10-24 | 北方民族大学 | 基于卷积神经网络和分类器模型的牛脸识别方法 |
| CN110569735A (zh) * | 2019-08-13 | 2019-12-13 | 中国农业大学 | 一种基于奶牛背部体况的分析方法及装置 |
| 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 |
| CN111291683A (zh) * | 2020-02-08 | 2020-06-16 | 内蒙古大学 | 一种基于深度学习的奶牛个体识别系统及其识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| 图像信息技术在奶牛生产中的应用;孙雨坤等;《动物营养学报》;20180531(第5期);第1626-1632页 * |
| 基于机器视觉的奶牛个体信息感知及行为分析;赵凯旋;《中国优秀博硕士学位论文全文数据库(博士)农业科技辑》;20171031(第10期);第37-55页、第112-133页 * |
| 赵凯旋.基于机器视觉的奶牛个体信息感知及行为分析.《中国优秀博硕士学位论文全文数据库(博士)农业科技辑》.2017,(第10期),第3、7章. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112189588A (zh) | 2021-01-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Song et al. | Automated body weight prediction of dairy cows using 3-dimensional vision | |
| CN106778902B (zh) | 基于深度卷积神经网络的奶牛个体识别方法 | |
| CN109060143B (zh) | 基于热红外技术的种猪体温监测系统及方法 | |
| Zhang et al. | Algorithm of sheep body dimension measurement and its applications based on image analysis | |
| TWI684997B (zh) | 骨齡評估與身高預測模型之建立方法、骨齡評估與身高預測系統及骨齡評估與身高預測方法 | |
| Bell et al. | Comparison of methods for monitoring the body condition of dairy cows | |
| CN109784200B (zh) | 基于双目视觉的奶牛行为图像获取与体况智能监测系统 | |
| CN116778430B (zh) | 肉牛养殖的疾病监测系统及其方法 | |
| US9600874B2 (en) | Method for evaluating culture quality | |
| CN112288793B (zh) | 畜类个体背膘检测方法、装置、电子设备及存储介质 | |
| CN112189588B (zh) | 一种奶牛图像信息收集处理方法及系统 | |
| CN111297367A (zh) | 一种动物状态监测方法、装置、电子设备及存储介质 | |
| CN110169375A (zh) | 一种奶牛采食行为与采食量的监测方法及装置 | |
| CN111914685A (zh) | 母猪发情检测方法、装置、电子设备及存储介质 | |
| US20170020113A1 (en) | Arrangement and method to determine a body condition score of an animal | |
| CN107576660B (zh) | 一种基于距离等高线的双黄鸭蛋自动视觉检测方法 | |
| CN114724032A (zh) | 一种基于深度学习的杂粮作物病虫害检测方法 | |
| CN110414369B (zh) | 一种牛脸的训练方法及装置 | |
| Qin et al. | Identification of body size characteristic points based on the Mask R-CNN and correlation with body weight in Ujumqin sheep | |
| Zhou et al. | Detection of abnormal chicken droppings based on improved Faster R-CNN | |
| CN113933304A (zh) | 基于视觉的金针菇成熟状态检测方法 | |
| TW202328672A (zh) | 皮革瑕疵檢測系統 | |
| KR102355681B1 (ko) | 가축사양표준에 기초한 가축사양관리 가이드 제공 방법 | |
| Wang et al. | On-line detection of mastitis in dairy herds using artificial neural networks | |
| Zieltjens | A comparison of an automated body condition scoring system from DeLaval with manual, non-automated, method. |
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 |