CN112200003B - 一种确定养猪场饲料投放量的方法及装置 - Google Patents
一种确定养猪场饲料投放量的方法及装置 Download PDFInfo
- Publication number
- CN112200003B CN112200003B CN202010959903.8A CN202010959903A CN112200003B CN 112200003 B CN112200003 B CN 112200003B CN 202010959903 A CN202010959903 A CN 202010959903A CN 112200003 B CN112200003 B CN 112200003B
- Authority
- CN
- China
- Prior art keywords
- image
- determining
- rotating
- live
- pig
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 241000282887 Suidae Species 0.000 claims abstract description 133
- 238000001514 detection method Methods 0.000 claims abstract description 76
- 238000012545 processing Methods 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 23
- 230000015654 memory Effects 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 12
- 238000002372 labelling Methods 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 239000002699 waste material Substances 0.000 abstract description 3
- 230000000875 corresponding effect Effects 0.000 description 26
- 230000008569 process Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 235000015277 pork Nutrition 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
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
-
- 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
- A01K5/00—Feeding devices for stock or game ; Feeding wagons; Feeding stacks
- A01K5/02—Automatic devices
- A01K5/0275—Automatic devices with mechanisms for delivery of measured doses
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P60/00—Technologies relating to agriculture, livestock or agroalimentary industries
- Y02P60/80—Food processing, e.g. use of renewable energies or variable speed drives in handling, conveying or stacking
- Y02P60/87—Re-use of by-products of food processing for fodder production
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Environmental Sciences (AREA)
- Animal Husbandry (AREA)
- Biodiversity & Conservation Biology (AREA)
- Birds (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种确定养猪场饲料投放量的方法及装置,该方法和装置能够较为准确的检测出目标区域内生猪的数量,进而较为准确的确定出饲料的投放量,避免造成饲料的浪费。其中,确定养猪场饲料投放量的方法包括:获取多头生猪所在目标区域的待检测图像,并基于预先训练的目标检测模型在待检测图像中确定各头生猪对应的旋转矩形的属性信息;确定中心点坐标与宽高信息任一不相同的多个旋转矩形的数量为第一数量,以及确定中心点坐标与宽高信息均相同,旋转角度不相同的多个旋转矩形的数量为第二数量,待检测图像中生猪的数量为第一数量与第二数量之和;根据所确定的生猪的数量以及生猪数量与饲料投放量之间的对应关系,确定出饲料的实际投放量。
Description
技术领域
本发明涉及养殖领域,尤其涉及一种确定养猪场饲料投放量的方法及装置。
背景技术
随着经济的不断发展以及对食品安全要求的不断提高,养殖业中规模化、集中化养殖逐渐取代传统的散养模式。例如,对生猪进行集中化养殖,从而能够满足市场对于大量猪肉的需求。在集中养殖生猪过程中,需要根据养殖的生猪的数量从而确定需要投放的饲料的数量。
现有技术中通过设置在猪圈上方的摄像头来采集猪圈的图像,并基于Centernet模型对采集到的图像进行目标检测,但是在检测过程中主要存在以下两方面的问题。一方面,若采集的图像中生猪的目标较小,那么现有的Centernet模型在检测较小的目标时检测准确性较差。另一方面,由于现有的Centernet模型仅输出中心点坐标以及宽高信息来确定生猪的位置,那么可能出现生猪与生猪之间中心点坐标与宽高信息十分接近的情况,此时将无法有效的将不同的生猪区分,从而使得在后续统计生猪数量时出现遗漏。上述两方面的因素会导致检测生猪或者统计生猪数量时准确性较差。并且由于在养猪场中生猪是分区域进行饲养的,那么若无法准确的确定每个区域内生猪的数量,就无法准确的确定每个区域的饲料投放量。
可见,现有技术中由于无法准确的确定生猪的数量,进而导致也无法准确每个饲养区域内所需要投放的饲料的数量。
发明内容
本发明实施例提供了一种确定养猪场饲料投放量的方法及装置,该方法和装置能够较为准确的检测出目标区域内生猪的数量,进而较为准确的确定出饲料的投放量,避免造成饲料的浪费。
第一方面,本发明实施例提供了一种确定养猪场饲料投放量的方法,所述方法包括:
获取多头生猪所在目标区域的待检测图像,并基于预先训练的目标检测模型在所述待检测图像中确定各头生猪对应的旋转矩形的属性信息,所述属性信息包括中心点坐标、宽高信息以及旋转角度,所述旋转矩形为包含各头生猪的最小面积外接矩形,所述目标检测模型包括第一卷积网络、第二卷积网络与第三卷积网络,所述第一卷积网络用于对所述待检测图像进行特征提取并输出最后一层特征图,所述第二卷积网络用于对所述最后一层特征图进行上采样以形成与所述第一卷积网络中所提取的特征图的数量相等的特征图,并将上采样形成的特征图与所述第一卷积网络中具有相同尺寸的特征图进行特征融合,所述第三卷积网络基于融合后的特征分别确定各个生猪的所述中心点坐标、所述宽高信息以及所述旋转角度;
确定所述中心点坐标与所述宽高信息任一不相同的多个旋转矩形的数量为第一数量,以及确定所述中心点坐标与所述宽高信息均相同,所述旋转角度不相同的多个旋转矩形的数量为第二数量,所述待检测图像中生猪的数量为所述第一数量与所述第二数量之和;
根据所确定的生猪的数量以及生猪数量与饲料投放量之间的对应关系,确定出饲料的实际投放量。
本发明实施例中,待检测图像中可以认为包含有多头需要进行数量检测的生猪,该多头生猪位于同一目标区域内,即可以认为是同一猪圈内。那么通过预先训练的目标检测模型就可以从待检测图像中确定出各头生猪对应的旋转矩形的属性信息。具体的,预先训练的目标检测模型内部可以认为由不同类型的卷积网络构成,每个卷积网络对应的任务不相同。例如,第一卷积网络用于对输入的待检测图像进行特征提取并只输出最后一层特征图。第二卷积网络用于对第一卷积网络输出的最后一层特征图进行上采样以形成与第一卷积网络中所提取的特征图数量相等的特征图,同时可以将采样形成的特征图与第一卷积网络中具有相同尺寸的特征图进行特征融合,由于不同尺寸的特征图表达的特征层次不相同,因此第二卷积网络最后输出的特征图中可以认为包含了不同层次的特征,例如,高层次的语义特征以及低层次的轮廓特征,使得第三卷积网络基于融合后的特征所输出的旋转矩形的中心点坐标、宽高信息以及旋转角度更为准确。
在确定待检测图像中各头生猪对应的旋转矩形的属性信息后,一方面,只要旋转矩形的中心点坐标与宽高信息任一参数不相同,即可以将其认为是不同的旋转矩形,从而确定出该情况下旋转矩形的数量为第一数量;另一方面,当旋转矩形的中心点坐标与宽高信息均相同时,可以进一步判断旋转角度是否相同。若旋转角度不相同,可以确定出该情况下旋转矩形的数量为第二数量。那么第一数量与第二数量相加即为待检测图像中可能的生猪数量。
在确定出待检测图像中生猪的数量之后,可以根据生猪数量与饲料投放量之间的对应关系,从而较为准确的确定出饲料的实际投放量。该方法中一方面,将生猪的高层次特征与低层次特征进行结合来对生猪进行检测,从而能够在待检测图像中更为准确的检测到生猪;另一方面,在目标检测模型的输出参数中增加了旋转角度,使得在根据旋转矩形的数量确定生猪数量的过程中避免出现遗漏,从而能够更为准确的确定饲料的投放量,避免造成饲料的浪费。
可选的,确定所述中心点坐标与所述宽高信息任一不相同的多个旋转矩形的数量为第一数量包括:
若确定第一旋转矩形的中心点坐标位于所述目标区域之外,则从所述第一数量中减去所述第一旋转矩形的数量。
本发明实施例中,若第一旋转矩形的中心点坐标位于目标区域之外,则可以认为该第一旋转矩形所对应的生猪并非属于当前目标区域,此时从第一数量中减去第一旋转矩形的数量,使得对当前目标区域内生猪的数量统计较为准确。
可选的,确定所述中心点坐标与所述宽高信息任一不相同的多个旋转矩形的数量为第一数量包括:
若确定第二旋转矩形的面积不在预设面积范围内,则所述第一数量中减去所述第二旋转矩形的数量,所述预设面积范围与所述目标区域内各头生猪实际所占面积相关。
本发明实施例中,考虑到各个生猪实际所占的面积差别不应过大,因此可以根据各个生猪所占的面积确定预设面积范围,若确定第二旋转矩形的面积不在预设面积范围内,则表明第二旋转矩形所对应的目标可能不是生猪,此时可以从第一数量中减去第二旋转矩形的数量,使得对当前目标区域内生猪的数量统计较为准确。
可选的,确定所述中心点坐标与所述宽高信息任一不相同的多个旋转矩形的数量为第一数量包括:
若确定至少两个旋转矩形的交并比大于预设阈值,则从所述第一数量中减去所述至少两个旋转矩形中除中心坐标的置信度最高的旋转矩形以外的其他旋转矩形的数量,所述置信度为所述第三卷积网络在确定中心点坐标时输出的,且用于指示所述确定的中心点坐标为生猪实际中心点坐标的概率。
本发明实施例中,若确定至少两个旋转矩形的交并比较大,那么则表明该至少两个旋转矩形可能对应的是同一头生猪,此时可以从第一数量中减去至少两个旋转矩形中除中心点坐标的置信度最高的旋转矩形以外的其他旋转矩形的数量,使得对当前区域内生猪的数量统计较为准确。
可选的,还包括:
分别确定所述目标区域内多帧待检测图像中每帧待检测图像所包含生猪的数量,并求取平均值,所述平均值为所述目标区域内生猪的实际数量。
本发明实施例中,可以分别确定多帧待检测图像中所包含的生猪数量,从而求取平均值,并将该平均值作为目标区域内生猪的实际数量,从而使确定的目标区域内的生猪数量较为准确。
可选的,训练所述目标检测模型包括:
获取预设时间段内各个猪圈的N个图像样本,N为不小于1的正整数;
针对各个图像样本中所包含的生猪的属性信息进行标注;
根据已标注的所述N个图像样本对所述目标检测模型进行训练。
本发明实施例中,可以获取不同时间段内各个猪圈的N个图像样本,然后对获取的N个图像样本进行标注,并在标注完成后将N个图像样本用于对目标检测模型进行训练,从而使得训练得到的目标检测模型具有较好的性能。
可选的,针对各个图像样本中所包含的生猪的属性信息进行标注包括:
针对所述各个图像样本中所包含的各头生猪进行旋转矩形标注。
本发明实施例中,可以对获取的各个图像样本中所包含的各头生猪采用旋转矩形的标注方式,使得旋转矩形内仅包括一头生猪的特征信息,以避免将其他的生猪或者背景信息标注到旋转矩形内,从而可以提高目标检测模型的性能。
可选的,还包括:
对已标注的所述图像样本进行数据增强处理,所述数据增强处理包括水平与垂直翻转、模糊变化处理、亮度变化处理、随机裁剪处理,所述经数据增强处理后得到的图像样本与所述N个图像样本共同用于对所述目标检测模型进行训练。
本发明实施例中,在对获取的图像样本进行标注之后,还可以对已标注的图像样本进行数据增强处理,例如,水平与垂直翻转、模糊变化处理、亮度变化处理、随机裁剪处理,经数据增强处理后得到的图像样本将与原本已标注的图像样本一起共同作为目标检测模型的训练样本,从而提高训练所得到的目标检测模型的性能。
第二方面,本发明实施例提供了一种确定养猪场饲料投放量的装置,所述装置包括:
第一确定单元,用于获取多头生猪所在目标区域的待检测图像,并基于预先训练的目标检测模型在所述待检测图像中确定各头生猪对应的旋转矩形的属性信息,所述属性信息包括中心点坐标、宽高信息以及旋转角度,所述旋转矩形为包含各头生猪的最小面积外接矩形,所述目标检测模型包括第一卷积网络、第二卷积网络与第三卷积网络,所述第一卷积网络用于对所述待检测图像进行特征提取并输出最后一层特征图,所述第二卷积网络用于对所述最后一层特征图进行上采样以形成与所述第一卷积网络中所提取的特征图的数量相等的特征图,并将上采样形成的特征图与所述第一卷积网络中具有相同尺寸的特征图进行特征融合,所述第三卷积网络基于融合后的特征分别确定各个生猪的所述中心点坐标、所述宽高信息以及所述旋转角度;
第二确定单元,用于确定所述中心点坐标与所述宽高信息任一不相同的多个旋转矩形的数量为第一数量,以及确定所述中心点坐标与所述宽高信息均相同,所述旋转角度不相同的多个旋转矩形的数量为第二数量,所述待检测图像中生猪的数量为所述第一数量与所述第二数量之和;
第三确定单元,用于根据所确定的生猪的数量以及生猪数量与饲料投放量之间的对应关系,确定出饲料的实际投放量。
可选的,所述第二确定单元具体用于:
若确定第一旋转矩形的中心点坐标位于所述目标区域之外,则从所述第一数量中减去所述第一旋转矩形的数量。
可选的,所述第二确定单元具体还用于:
若确定第二旋转矩形的面积不在预设面积范围内,则所述第一数量中减去所述第二旋转矩形的数量,所述预设面积范围与所述目标区域内各头生猪实际所占面积相关。
可选的,所述第二确定单元具体还用于:
若确定至少两个旋转矩形的交并比大于预设阈值,则从所述第一数量中减去所述至少两个旋转矩形中除中心坐标的置信度最高的旋转矩形以外的其他旋转矩形的数量,所述置信度为所述第三卷积网络在确定中心点坐标时输出的,且用于指示所述确定的中心点坐标为生猪实际中心点坐标的概率。
可选的,还包括:
第四确定单元,用于分别确定所述目标区域内多帧待检测图像中每帧待检测图像所包含生猪的数量,并求取平均值,所述平均值为所述目标区域内生猪的实际数量。
可选的,所述第一确定单元具体用于:
获取预设时间段内各个猪圈的N个图像样本,N为不小于1的正整数;
针对各个图像样本中所包含的生猪的属性信息进行标注;
根据已标注的所述N个图像样本对所述目标检测模型进行训练。
可选的,所述第一确定单元具体还用于:
针对所述各个图像样本中所包含的各头生猪进行旋转矩形标注。
可选的,还包括:
处理单元,用于对已标注的所述图像样本进行数据增强处理,所述数据增强处理包括水平与垂直翻转、模糊变化处理、亮度变化处理、随机裁剪处理,所述经数据增强处理后得到的图像样本与所述N个图像样本共同用于对所述目标检测模型进行训练。
第三方面,本发明实施例提供一种确定养猪场饲料投放量的装置,所述装置包括处理器和存储器,所述处理器用于执行所述存储器中存储的计算机程序是实现如第一方面实施例所述方法的步骤。
第四方面,本发明实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面实施例所述方法的步骤。
附图说明
图1为本发明实施例提供的一种确定养猪场饲料投放量的方法的流程示意图;
图2为本发明实施例提供的以俯视角度采集包含有多头生猪的待检测图像;
图3为本发明实施例提供的一种目标检测模型的结构示意图;
图4为本发明实施例提供的一种经目标检测模型检测得到的各头生猪的位置分布示意图;
图5为本发明实施例提供的一种确定养猪场饲料投放量的装置的结构示意图;
图6为本发明实施例提供的一种确定养猪场饲料投放量的装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。
为了便于理解,首先介绍本发明实施例的一种应用场景。一种确定养猪场饲料投放量的方法可以应用于位于养猪场中各个猪圈上方的确定养猪场饲料投放量的装置中,该确定养猪场饲料投放量的装置可以通过俯视的方式采集各个猪圈的实时图像,并基于自身存储的目标检测模型对实时图像中的生猪进行检测,确定每个猪圈中所包含的生猪的数量。在此基础上,基于生猪数量与饲料投放量的对应关系,确定出实际的饲料投放量,从而实现生猪的智慧化、规模化养殖。此处不对应用上述确定养猪场饲料投放量的方法的装置的具体表现形式进行特别限制。
现有技术中确定养猪场饲料投放量的装置可以基于Centernet模型对各个猪圈中的生猪进行检测,但是在检测过程中主要存在以下两方面的问题。一方面,若单个猪圈的面积较大,想要通过俯视的方式采集猪圈的实时图像,那么就必须将确定养猪场饲料投放量的装置设置在距离猪圈上方较远的位置处,这样才能够使每帧实时图像都可以包含猪圈中所有生猪,但是这将导致采集的实时图像中生猪这一检测目标较小,从而不利于Centernet模型对猪圈里面的生猪进行检测。也就是说,现有的Centernet模型在检测较小的目标时检测准确性较差。另一方面,猪圈中各头生猪之间可能出现紧挨或者一个生猪位于另一头生猪的下方(例如一头生猪处于站立状态,而另一头生猪处于平躺状态),此时从俯视的角度来看,生猪与生猪之间的重叠的区域较大,由于现有的Centernet模型仅输出中心点坐标以及宽高信息来确定生猪的位置,那么可能出现生猪与生猪之间中心点坐标与宽高信息十分接近的情况,此时将无法有效的将不同的生猪区分,从而使得在后续统计生猪数量时出现遗漏。上述两方面的因素都会导致检测生猪的准确性较差。并且由于在养猪场中生猪是分区域进行饲养的,那么若无法准确的确定每个区域内生猪的数量,就无法准确的确定每个区域的饲料投放量。
鉴于此,本发明实施例中提供了一种确定养猪场饲料投放量的方法,该方法中,一方面,通过对原有Centernet模型进行改进,将生猪的高层次特征与低层次特征进行结合来对生猪进行检测,即使在检测目标较小的情况下也能够实现较为准确的检测;另一方面,在改进后的目标检测模型的输出参数中增加了旋转角度,使得在根据旋转矩形的数量确定生猪数量的过程中避免出现遗漏。通过上述两个方面的改进能够自动识别每个饲养区域内的生猪的实时数量,从而能够针对性的确定饲料的投放量,避免出现任一饲养区域内饲料投放量与实际需求量不符的问题。
下面结合附图对本发明实施例提供的技术方案进行介绍。请参见图1,本发明提供了一种确定养猪场饲料投放量的方法,该方法的流程描述如下:
步骤101:获取多头生猪所在目标区域的待检测图像,并基于预先训练的目标检测模型在待检测图像中确定各头生猪对应的旋转矩形的属性信息,属性信息包括中心点坐标、宽高信息以及旋转角度,旋转矩形为包含各头生猪的最小面积外接矩形,目标检测模型包括第一卷积网络、第二卷积网络、第三卷积网络,第一卷积网络用于对待检测图像进行特征提取并输出最后一层特征图,第二卷积网络用于对最后一层特征图进行上采样以形成与第一卷积网络中所提取的特征图的数量相等的特征图,并将上采样形成的特征图与第一卷积网络中具有相同尺寸的特征图进行特征融合,第三卷积网络基于融合后的特征分别确定各个生猪的中心点坐标、宽高信息以及旋转角度。
本发明实施例中,请参见图2,需要进行数量统计的多头生猪位于同一目标区域内,该目标区域可以认为是单个猪圈所覆盖的区域,且可以认为不同的猪圈内所饲养的生猪的数量不相同。为了对单个猪圈内的多头生猪进行数量统计,那么就需要获取该多头生猪当前所在猪圈的图像信息。
作为一种可能的实施方式,可以获取多头生猪所在目标区域的待检测图像。
在获取多头生猪所在目标区域的待检测图像之后,可以将该待检测图像作为已训练的目标检测模型的输入,从而通过目标检测模型输出待检测图像中各头生猪所处的位置。因此,为了对待检测图像中所包含的多头生猪进行检测,需要预先训练一个性能较好的目标检测模型。
作为一种可能的实施方式,首先可以获取预设时间段内各个猪圈的N个图像样本,其中N为不小于1的正整数。例如,预设时间段可以分为早上时间段、中午时间段以及晚上时间段,或者,晴天时间段、阴天时间段以及雨天时间段等,此处不对预设时间段的划分进行特别限制。在获取到N个图像样本之后,可以针对每个图像样本中所包括的生猪进行标注,例如,可以采用旋转矩形的方式对每个图像样本中所包括的生猪进行标注,使得每个旋转矩形内除包含生猪的特征信息以外,尽量排除其他生猪的特征信息以及背景信息的干扰。在N个图像样本都标注完成之后,就可以将该N个图像样本作为训练样本对目标检测模型进行训练。
考虑到目标检测模型的性能通常与训练样本量正相关,即在一定的范围内,训练样本量越大,训练得到目标检测模型的性能就越好。而在上述预设时间段内采集的图像样本仍然较为有限,通过有限的图像样本对目标检测模型进行训练,难以使目标检测模型达到较好的检测效果。因此,本发明实施例中,可以在采集N个图像样本的基础上,对该N个图像样本进行一定程度的图像处理,从而生成与原始图像样本不相同的新的图像样本,以达到增加训练样本的目的。
作为一种可能的实施方式,可以对已标注的图像样本进行数据增强处理,例如,数据增强处理包括水平与垂直翻转、模糊变化处理、亮度变化处理、随机裁剪处理等,那么对于N个图像样本中的每个图像样本而言,都可以进行上述数据增强处理,从而可以基于原始的N个图像样本生成大量新的图像样本。此处不对数据增强处理的方式进行特别限制。在此基础上,将经过数据增强处理后得到的图像样本与N个图像样本共同用于对目标检测模型进行训练,可以大大提升目标检测模型的性能。
在目标检测模型训练完成之后,就可以基于该训练好的目标检测模型对当前待检测图像中的生猪进行检测。考虑到若单个目标区域,即单个猪圈的面积较大,那么在通过俯视的方式采集当前猪圈的待检测图像时,采集设备必须处于猪圈上方较远的位置,才能够保证获取到的待检测图像中包含了当前猪圈内所有的生猪,但是这也会导致待检测图像中生猪目标较小,使得目标检测模型无法较好的检测到当前猪圈内的各个生猪。也就是说,原始的Centernet模型在通过深层网络提取目标图像特征之后仅输出最后一层特征图,并基于该最后一层特征图来预测猪圈中各个生猪所对应的矩形的中心点坐标与宽高信息。若待检测的目标较大,那么基于最后一层特征图可以实现准确的检测;反之,若待检测的目标较小,那么最后一层特征图所能提供图像特征十分有限,从而限制了原始Centernet模型的检测性能。因此,本发明实施例中,可以对原有的Centernet模型进行改进。即在原始Centernet模型的基础上,加入能够融合高层次图像特征以及低层次图像特征的网络结构,即同时利用不同层次的图像特征,从而大大提高目标检测模型的检测性能。
作为一种可能的实施方式,请参见图3,新的目标检测模型包括第一卷积网201、第二卷积网络202与第三卷积网络203,第一卷积网络201用于对待检测图像进行特征提取并输出最后一层特征图,第二卷积网络202用于对最后一层特征图进行上采样以形成与第一卷积网络201中所提取的特征图的数量相等的特征图,并将上采样形成的特征图与第一卷积网络201中具有相同尺寸的特征图进行特征融合,第三卷积网络203基于融合后的特征分别确定各个生猪的中心点坐标与宽高信息。此处不对第一卷积网络201、第二卷积网络202以及第三卷积网络203的内部结构进行特别限制。
进一步的,考虑到猪圈中各头生猪之间可能出现紧挨或者一个生猪位于另一头生猪的下方(例如一头生猪处于站立状态,而另一头生猪处于平躺状态),此时从俯视的角度来看,生猪与生猪之间的重叠的区域较大,虽然上述新的目标检测模型通过加入第二卷积网络可以将不同层次的特征进行融合,从而提供新的目标检测模型在检测目标较小时的检测性能,但是由于新的目标检测模型仅输出中心点坐标以及宽高信息来确定生猪的位置,那么在出现生猪与生猪之间中心点坐标与宽高信息十分接近的情况,此时将无法有效的将不同的生猪区分,从而使得在后续统计生猪数量时出现遗漏。因此,本发明实施例中在新的目标检测模型的输出参数中增加了旋转角度。
作为一种可能的实施方式,请继续参见图3,第三卷积网络203基于融合后的特征可以分别确定出各个生猪的中心点坐标、宽高信息以及旋转角度。
步骤102:确定中心点坐标与宽高信息任一不相同的多个旋转矩形的数量为第一数量,以及确定中心点坐标与宽高信息均相同,旋转角度不相同的多个旋转矩形的数量为第二数量,待检测图像中生猪的数量为第一数量与第二数量之和。
请参见图4,基于改进后的目标检测模型可以在待检测图像中确定各头生猪所对应的旋转矩形的属性信息。在此基础上,就可以根据待检测图像中旋转矩形的数量来确定生猪的数量。因此,本发明实施例中,首先可以根据中心点坐标与宽高信息来确定旋转矩形的数量。也就是说,在待检测图像中,若两个旋转矩形的中心点坐标大于或等于第一预设阈值,那么可以认为上述两个旋转矩形对应不同的生猪;或者,在待检测图像中,若两个旋转矩形的中心点坐标间隔小于第一预设阈值,但是两个旋转矩形的宽高信息差距大于或等于第二预设阈值,那么也可以认为上述两个旋转矩形对应的是不同的生猪。第一预设阈值与第二预设阈值可以根据实际情况来确定,此处不作特别限制。
作为一种可能的实施方式,确定所述中心点坐标与所述宽高信息任一不相同的多个旋转矩形的数量为第一数量。
考虑到改进后的目标检测模型在对待检测图像进行目标检测时,可能出现将待检测图像中其他目标误判为生猪,或者检测到不属于当前猪圈的生猪,又或者在同一头生猪上生成了两个旋转矩形,上述影响因素都会导致统计的第一数量不太准确,因此,本发明实施例中,在确定第一数量之后,可以进一步确定第一数量所对应的旋转矩形中是否存在上述误判情况,若存在上述误判情况,则应该从第一数量中减去相应旋转矩形的数量。下面分别针对上述三种可能的误判情况下如何确定旋转矩形的数量进行介绍。
第一种情况:考虑到当以俯视的方式采集当前猪圈的待检测图像时,由于猪圈与猪圈之间都是相邻设置的,所以待检测图像中很可能也包括了当前猪圈以外的其他猪圈的生猪。因此,在统计生猪数量的过程中,若确定第一旋转矩形的中心点坐标位于当前猪圈范围之外,则表明第一旋转矩形所对应是生猪不属于当前猪圈,那么在统计当前猪圈的生猪数量时,不应该将其他猪圈的生猪统计在内,此时应从第一数量中减去第一旋转矩形的数量。
第二种情况:考虑到当以俯视的方式采集当前猪圈的待检测图像时,待检测图像中每头生猪所对应的旋转矩形的面积即表示该生猪所占的面积。通常情况下,同一猪圈中生猪所占的面积差距不应过大。因此,本发明实施例中,可以将各个生猪所占的实际面积按照从小到大的顺序进行排列,从而确定出面积的中位数S,并将预设面积范围定义在0.5倍中位数与2倍中位数之间,即预设面积范围∈[0.5S,2S]。在此基础上,若确定第二旋转矩形的面积不在预设面积范围内,则表明第二旋转矩形对应的检测目标占用的面积过大或过小,从而可以认为第二旋转矩对应的检测目标并非是生猪,此时应从第一数量中减去第二旋转矩形的数量。
第三种情况,考虑到改进后的目标检测模型在对待检测图像进行目标检测时,若待检测图像中某一生猪目标与训练样本中的生猪在外观特征上相差较大,即当前需要进行检测的生猪在训练样本中未出现过,那么改进后的目标检测模型可能将该生猪身上不同的部位确定为中心点,从而基于确定的不同的中心点形成至少两个旋转矩形,但实际上该至少两个旋转矩形对应同一头生猪,此时将造成统计生猪数量不准确。因此,本发明实施例中,若确定至少两个旋转矩形的交并比大于预设阈值,则表明该至少两个旋转矩形对应的是同一头生猪。由于改进后的目标检测模型中第三卷积网络203在输出每个旋转矩形的中心点坐标时,还可以输出该中心点坐标的置信度。该置信度用于指示上述中心点坐标为生猪实际中心点坐标的概率。因此,针对同一头生猪而言,当不同的旋转矩形的中心点坐标都被认为是生猪的中心点时,可以根据中心点坐标置信度的大小来判断哪一个中心点坐标为该生猪实际中心点坐标的概率更大,从而保留中心点坐标置信度最大的旋转矩形。此时应从第一数量中减去至少两个旋转矩形中除中心点坐标的置信度最高的旋转矩形以外的其他旋转矩形的数量。
考虑到同一猪圈内的各个生猪经常出现紧挨或者一个生猪趴在另一头生猪的上方等较为复杂的接触关系,从而可能出现生猪与生猪之间中心点坐标与宽高信息十分接近的情况,此时仅通过中心点坐标与宽高信息无法有效的将不同的生猪区分,使得在后续统计生猪数量时出现遗漏。因此,本发明实施例中,在确定多个旋转矩形的中心点坐标与宽高信息均相同的情况下,可以进一步确定多个旋转矩形之间的旋转角度是否相同。若旋转角度不相同,则可以认为该多个旋转矩形所对应的是不同的生猪,此时可以统计该多个旋转矩形的数量为第二数量。
在待检测图像中统计了不同情况下的旋转矩形的第一数量与第二数量之后,可以认为每一个旋转矩形都对应一个生猪,那么可以将第一数量与第二数量之和作为待检测图像中生猪的实际数量。
上述内容中都是基于某一帧待检测图像作为基准,根据改进后的目标检测模型在该待检测图像中检测中出各个生猪对应的旋转矩形的位置,从而根据旋转矩形的数量确定出生猪的数量。考虑到猪圈里面的生猪都处于不断运动的状态,即每一帧待检测图像中各个生猪的位置都可能在发生变化。因此,本发明实施例中,为了进一步提高生猪数量统计的准确性,可以检测多帧待检测图像中生猪的数量,然后求取平均值,并将该平均值作为当前猪圈内所包含的生猪的实际数量。
步骤103:根据所确定的生猪的数量以及生猪数量与饲料投放量之间的对应关系,确定出饲料的实际投放量。
本发明实施例中,每头猪每顿需要消耗多少饲料是根据实际经验可知的,那么在统计出当前猪圈内所包含的生猪的实际数量之后,就可以确定出每顿需要向该猪圈投放多少饲料。
作为一种可能的实施方式,可以根据所确定的生猪的数量以及生猪数量与饲料投放量之间的对应关系,确定出饲料的实际投放量。
例如,确定出当前猪圈内所包含的生猪数量为20头,根据实际经验可知,每头生猪每顿大概需要0.5kg饲料,那么每顿就需要为当前猪圈投放10kg饲料。
请参见图5,基于同一发明构思,本发明实施例提供一种确定养猪场饲料投放量的装置,该装置包括:第一确定单元301、第二确定单元302以及第三确定单元303。
第一确定单元301,用于获取多头生猪所在目标区域的待检测图像,并基于预先训练的目标检测模型在待检测图像中确定各头生猪对应的旋转矩形的属性信息,属性信息包括中心点坐标、宽高信息以及旋转角度,旋转矩形为包含各头生猪的最小面积外接矩形,目标检测模型包括第一卷积网络、第二卷积网络与第三卷积网络,第一卷积网络用于对待检测图像进行特征提取并输出最后一层特征图,第二卷积网络用于对最后一层特征图进行上采样以形成与第一卷积网络中所提取的特征图的数量相等的特征图,并将上采样形成的特征图与第一卷积网络中具有相同尺寸的特征图进行特征融合,第三卷积网络基于融合后的特征分别确定各个生猪的中心点坐标、宽高信息以及旋转角度;
第二确定单元302,用于确定中心点坐标与宽高信息任一不相同的多个旋转矩形的数量为第一数量,以及确定中心点坐标与宽高信息均相同,旋转角度不相同的多个旋转矩形的数量为第二数量,待检测图像中生猪的数量为第一数量与第二数量之和;
第三确定单元303,用于根据所确定的生猪的数量以及生猪数量与饲料投放量之间的对应关系,确定出饲料的实际投放量。
可选的,第二确定单元302具体用于:
若确定第一旋转矩形的中心点位于目标区域之外,则从第一数量中减去第一旋转矩形的数量。
可选的,第二确定单元302具体还用于:
若确定第二旋转矩形的面积不在预设面积范围内,则第一数量中减去第二旋转矩形的数量,预设面积范围与目标区域内各头生猪实际所占面积相关。
可选的,第二确定单元302具体还用于:
若确定至少两个旋转矩形的交并比大于预设阈值,则从第一数量中减去至少两个旋转矩形中除中心坐标的置信度最高的旋转矩形以外的其他旋转矩形的数量,置信度为第三卷积网络在确定中心点坐标时输出的,且用于指示确定的中心点坐标为生猪实际中心点坐标的概率。
可选的,还包括:
第四确定单元,用于分别确定目标区域内多帧待检测图像中每帧待检测图像所包含生猪的数量,并求取平均值,平均值为目标区域内生猪的实际数量。
可选的,第一确定单元301具体用于:
获取预设时间段内各个猪圈的N个图像样本,N为不小于1的正整数;
针对各个图像样本中所包含的生猪的属性信息进行标注;
根据已标注的N个图像样本对目标检测模型进行训练。
可选的,第一确定单元301具体还用于:
针对各个图像样本中所包含的各头生猪进行旋转矩形标注。
可选的,还包括:
处理单元,用于对已标注的图像样本进行数据增强处理,数据增强处理包括水平与垂直翻转、模糊变化处理、亮度变化处理、随机裁剪处理,经数据增强处理后得到的图像样本与N个图像样本共同用于对目标检测模型进行训练。
请参见图6,基于同一发明构思,本发明实施例提供一种确定养猪场饲料投放量的装置,该装置包括至少一个处理器401,处理器401用于执行存储器中存储的计算机程序,实现本发明实施例提供的如图1所示的一种确定养猪场饲料投放量的方法的步骤。
可选的,处理器401具体可以是中央处理器、特定ASIC,可以是一个或多个用于控制程序执行的集成电路。
可选的,该确定养猪场饲料投放量的装置还可以包括与至少一个处理器401连接的存储器402,存储器402可以包括ROM、RAM和磁盘存储器。存储器402用于存储处理器401运行时所需的数据,即存储有可被至少一个处理器401执行的指令,至少一个处理器401通过执行存储器402存储的指令,执行如图1所示的方法。其中,存储器402的数量为一个或多个。其中,存储器402在图6中一并示出,但需要知道的是存储器402不是必选的功能模块,因此在图6中以虚线示出。
其中,第一确定单元301、第二确定单元302、第三确定单元303所对应的实体设备均可以是前述的处理器401。该确定养猪场饲料投放量的装置可以用于执行图1所示的实施例提供的方法。因此关于该设备中各功能模块所能够实现的功能,可参考图1所示的实施例中的相应描述,不多赘述。
本发明实施例还提供一种计算机存储介质,其中,计算机存储介质存储有计算机指令,当计算机指令在计算机上运行时,使得计算机执行如图1所述的方法。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (11)
1.一种确定养猪场饲料投放量的方法,其特征在于,所述方法包括:
获取多头生猪所在目标区域的待检测图像,并基于预先训练的目标检测模型在所述待检测图像中确定各头生猪对应的旋转矩形的属性信息,所述属性信息包括中心点坐标、宽高信息以及旋转角度,所述旋转矩形为包含各头生猪的最小面积外接矩形,所述目标检测模型包括第一卷积网络、第二卷积网络与第三卷积网络,所述第一卷积网络用于对所述待检测图像进行特征提取并输出最后一层特征图,所述第二卷积网络用于对所述最后一层特征图进行上采样以形成与所述第一卷积网络中所提取的特征图的数量相等的特征图,并将上采样形成的特征图与所述第一卷积网络中具有相同尺寸的特征图进行特征融合,所述第三卷积网络基于融合后的特征分别确定各个生猪的所述中心点坐标、所述宽高信息以及所述旋转角度;
确定所述中心点坐标与所述宽高信息任一不相同的多个旋转矩形的数量为第一数量,以及确定所述中心点坐标与所述宽高信息均相同,所述旋转角度不相同的多个旋转矩形的数量为第二数量,所述待检测图像中生猪的数量为所述第一数量与所述第二数量之和;
根据所确定的生猪的数量以及生猪数量与饲料投放量之间的对应关系,确定出饲料的实际投放量。
2.如权利要求1所述的方法,其特征在于,确定所述中心点坐标与所述宽高信息任一不相同的多个旋转矩形的数量为第一数量包括:
若确定第一旋转矩形的中心点坐标位于所述目标区域之外,则从所述第一数量中减去所述第一旋转矩形的数量。
3.如权利要求1所述的方法,其特征在于,确定所述中心点坐标与所述宽高信息任一不相同的多个旋转矩形的数量为第一数量包括:
若确定第二旋转矩形的面积不在预设面积范围内,则所述第一数量中减去所述第二旋转矩形的数量,所述预设面积范围与所述目标区域内各头生猪实际所占面积相关。
4.如权利要求1所述的方法,其特征在于,确定所述中心点坐标与所述宽高信息任一不相同的多个旋转矩形的数量为第一数量包括:
若确定至少两个旋转矩形的交并比大于预设阈值,则从所述第一数量中减去所述至少两个旋转矩形中除中心点坐标的置信度最高的旋转矩形以外的其他旋转矩形的数量,所述置信度为所述第三卷积网络在确定中心点坐标时输出的,且用于指示所述确定的中心点坐标为生猪实际中心点坐标的概率。
5.如权利要求1-4任一项所述的方法,其特征在于,还包括:
分别确定所述目标区域内多帧待检测图像中每帧待检测图像所包含生猪的数量,并求取平均值,所述平均值为所述目标区域内生猪的实际数量。
6.如权利要求1所述的方法,其特征在于,训练所述目标检测模型包括:
获取预设时间段内各个猪圈的N个图像样本,N为不小于1的正整数;
针对各个图像样本中所包含的生猪的属性信息进行标注;
根据已标注的所述N个图像样本对所述目标检测模型进行训练。
7.如权利要求6所述的方法,其特征在于,针对各个图像样本中所包含的生猪的属性信息进行标注包括:
针对所述各个图像样本中所包含的各头生猪进行旋转矩形标注。
8.如权利要求6所述的方法,其特征在于,还包括:
对已标注的所述图像样本进行数据增强处理,所述数据增强处理包括水平与垂直翻转、模糊变化处理、亮度变化处理、随机裁剪处理,经数据增强处理后得到的图像样本与所述N个图像样本共同用于对所述目标检测模型进行训练。
9.一种确定养猪场饲料投放量的装置,其特征在于,所述装置包括:
第一确定单元,用于获取多头生猪所在目标区域的待检测图像,并基于预先训练的目标检测模型在所述待检测图像中确定各头生猪对应的旋转矩形的属性信息,所述属性信息包括中心点坐标、宽高信息以及旋转角度,所述旋转矩形为包含各头生猪的最小面积外接矩形,所述目标检测模型包括第一卷积网络、第二卷积网络与第三卷积网络,所述第一卷积网络用于对所述待检测图像进行特征提取并输出最后一层特征图,所述第二卷积网络用于对所述最后一层特征图进行上采样以形成与所述第一卷积网络中所提取的特征图的数量相等的特征图,并将上采样形成的特征图与所述第一卷积网络中具有相同尺寸的特征图进行特征融合,所述第三卷积网络基于融合后的特征分别确定各个生猪的所述中心点坐标、所述宽高信息以及所述旋转角度;
第二确定单元,用于确定所述中心点坐标与所述宽高信息任一不相同的多个旋转矩形的数量为第一数量,以及确定所述中心点坐标与所述宽高信息均相同,所述旋转角度不相同的多个旋转矩形的数量为第二数量,所述待检测图像中生猪的数量为所述第一数量与所述第二数量之和;
第三确定单元,用于根据所确定的生猪的数量以及生猪数量与饲料投放量之间的对应关系,确定出饲料的实际投放量。
10.一种确定养猪场饲料投放量的装置,其特征在于,所述装置包括至少一个处理器以及与所述至少一个处理器连接的存储器,所述至少一个处理器用于执行存储器中存储的计算机程序时实现如权利要求1-8任一项所述方法的步骤。
11.一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,所述计算机程序被处理器执行是实现如权利要求1-8任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010959903.8A CN112200003B (zh) | 2020-09-14 | 2020-09-14 | 一种确定养猪场饲料投放量的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010959903.8A CN112200003B (zh) | 2020-09-14 | 2020-09-14 | 一种确定养猪场饲料投放量的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112200003A CN112200003A (zh) | 2021-01-08 |
CN112200003B true CN112200003B (zh) | 2024-02-20 |
Family
ID=74014844
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010959903.8A Active CN112200003B (zh) | 2020-09-14 | 2020-09-14 | 一种确定养猪场饲料投放量的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112200003B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113287542A (zh) * | 2021-05-24 | 2021-08-24 | 上海趣时信息技术有限公司 | 自动投食方法、装置、电子设备以及存储介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2704721A1 (fr) * | 1993-05-05 | 1994-11-10 | Hubert Jean Louis | Système automatique de séparation - comptage et répartition en lots à l'usage des éleveurs de bétail. |
KR101234695B1 (ko) * | 2012-06-26 | 2013-02-19 | 김기주 | 모돈 사료공급방법 |
KR101317174B1 (ko) * | 2012-04-24 | 2013-10-15 | 김기주 | 모돈 사료 공급 제어반 표시방법 |
CN108960230A (zh) * | 2018-05-31 | 2018-12-07 | 中国科学院自动化研究所 | 基于旋转矩形框的轻量化目标识别方法及装置 |
CN109380146A (zh) * | 2018-11-16 | 2019-02-26 | 华中农业大学 | 生猪自动测量装置和方法 |
CN109618961A (zh) * | 2018-12-12 | 2019-04-16 | 北京京东金融科技控股有限公司 | 一种家畜的智能投喂系统和方法 |
CN109977945A (zh) * | 2019-02-26 | 2019-07-05 | 博众精工科技股份有限公司 | 基于深度学习的定位方法和系统 |
CN110246174A (zh) * | 2019-07-08 | 2019-09-17 | 北京派克盛宏电子科技有限公司 | 一种养殖场生猪计数方法 |
CN110619255A (zh) * | 2018-06-19 | 2019-12-27 | 杭州海康威视数字技术股份有限公司 | 一种目标检测方法及其装置 |
CN110796632A (zh) * | 2019-07-30 | 2020-02-14 | 重庆小富农康农业科技服务有限公司 | 猪只计数装置 |
CN111241933A (zh) * | 2019-12-30 | 2020-06-05 | 南京航空航天大学 | 一种基于通用对抗扰动的养猪场目标识别方法 |
CN111340801A (zh) * | 2020-03-24 | 2020-06-26 | 新希望六和股份有限公司 | 一种牲畜盘点方法、装置、设备及存储介质 |
CN111449009A (zh) * | 2020-03-17 | 2020-07-28 | 佛山市中渔科技有限公司 | 投饵方法及投饵系统 |
-
2020
- 2020-09-14 CN CN202010959903.8A patent/CN112200003B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2704721A1 (fr) * | 1993-05-05 | 1994-11-10 | Hubert Jean Louis | Système automatique de séparation - comptage et répartition en lots à l'usage des éleveurs de bétail. |
KR101317174B1 (ko) * | 2012-04-24 | 2013-10-15 | 김기주 | 모돈 사료 공급 제어반 표시방법 |
KR101234695B1 (ko) * | 2012-06-26 | 2013-02-19 | 김기주 | 모돈 사료공급방법 |
CN108960230A (zh) * | 2018-05-31 | 2018-12-07 | 中国科学院自动化研究所 | 基于旋转矩形框的轻量化目标识别方法及装置 |
CN110619255A (zh) * | 2018-06-19 | 2019-12-27 | 杭州海康威视数字技术股份有限公司 | 一种目标检测方法及其装置 |
CN109380146A (zh) * | 2018-11-16 | 2019-02-26 | 华中农业大学 | 生猪自动测量装置和方法 |
CN109618961A (zh) * | 2018-12-12 | 2019-04-16 | 北京京东金融科技控股有限公司 | 一种家畜的智能投喂系统和方法 |
WO2020119184A1 (zh) * | 2018-12-12 | 2020-06-18 | 京东数字科技控股有限公司 | 一种家畜的智能投喂系统和方法 |
CN109977945A (zh) * | 2019-02-26 | 2019-07-05 | 博众精工科技股份有限公司 | 基于深度学习的定位方法和系统 |
CN110246174A (zh) * | 2019-07-08 | 2019-09-17 | 北京派克盛宏电子科技有限公司 | 一种养殖场生猪计数方法 |
CN110796632A (zh) * | 2019-07-30 | 2020-02-14 | 重庆小富农康农业科技服务有限公司 | 猪只计数装置 |
CN111241933A (zh) * | 2019-12-30 | 2020-06-05 | 南京航空航天大学 | 一种基于通用对抗扰动的养猪场目标识别方法 |
CN111449009A (zh) * | 2020-03-17 | 2020-07-28 | 佛山市中渔科技有限公司 | 投饵方法及投饵系统 |
CN111340801A (zh) * | 2020-03-24 | 2020-06-26 | 新希望六和股份有限公司 | 一种牲畜盘点方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112200003A (zh) | 2021-01-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110163198A (zh) | 一种表格识别重建方法、装置和存储介质 | |
CN109753948B (zh) | 基于微波雷达的空调控制方法和装置、存储介质和处理器 | |
CN110619333B (zh) | 一种文本行分割方法、文本行分割装置及电子设备 | |
CN112598713A (zh) | 一种基于深度学习的近岸海底鱼类检测、跟踪统计方法 | |
CN110415208B (zh) | 一种自适应目标检测方法及其装置、设备、存储介质 | |
CN101853333A (zh) | 医疗机器人导航定位图像中的标记拾取方法 | |
CN109165538A (zh) | 基于深度神经网络的条形码检测方法及装置 | |
CN112069985B (zh) | 基于深度学习的高分辨率大田图像稻穗检测与计数方法 | |
CN110490161B (zh) | 一种基于深度学习的圈养动物行为分析方法 | |
CN113538491B (zh) | 一种基于自适应阈值的边缘识别方法、系统及存储介质 | |
CN112200003B (zh) | 一种确定养猪场饲料投放量的方法及装置 | |
CN116957207B (zh) | 一种实时数据采集的草地生态健康监测方法 | |
CN109086696B (zh) | 一种异常行为检测方法、装置、电子设备及存储介质 | |
CN113095441A (zh) | 一种猪群扎堆检测方法、装置、设备及可读存储介质 | |
CN113326925A (zh) | 基于密度图回归的卷积神经网络的花量统计方法、系统、设备及介质 | |
CN118115502B (zh) | 基于图像特征的污水排放监测方法及系统 | |
CN114431005A (zh) | 智能化农业果实采摘识别与定位方法、系统及装置 | |
CN113689488A (zh) | 一种基于深度学习的近海养殖鱼框个数与面积统计方法 | |
CN112527442B (zh) | 一种环境数据多维显示方法、装置、介质及终端设备 | |
CN117541874A (zh) | 基于改进Faster_rcnn模型的农业巡检机器人巡检方法、装置和介质 | |
CN111985439B (zh) | 人脸检测方法、装置、设备和存储介质 | |
CN103177244A (zh) | 水下显微图像中快速检测目标生物的方法 | |
CN110288540B (zh) | 一种碳纤维导线x射线图像在线成像标准化方法 | |
CN110135422B (zh) | 一种密集目标的检测方法和装置 | |
CN107615333B (zh) | 图像的斑点处理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |