CN112434577A - 奶牛跛行检测方法及奶牛跛行检测装置 - Google Patents
奶牛跛行检测方法及奶牛跛行检测装置 Download PDFInfo
- Publication number
- CN112434577A CN112434577A CN202011265448.8A CN202011265448A CN112434577A CN 112434577 A CN112434577 A CN 112434577A CN 202011265448 A CN202011265448 A CN 202011265448A CN 112434577 A CN112434577 A CN 112434577A
- Authority
- CN
- China
- Prior art keywords
- cow
- lameness
- detected
- detection
- characteristic parameters
- 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
Links
- 208000030175 lameness Diseases 0.000 title claims abstract description 264
- 238000001514 detection method Methods 0.000 title claims abstract description 188
- 239000008267 milk Substances 0.000 title claims description 24
- 235000013336 milk Nutrition 0.000 title claims description 24
- 210000004080 milk Anatomy 0.000 title claims description 24
- 241000283690 Bos taurus Species 0.000 claims description 355
- 238000012549 training Methods 0.000 claims description 44
- 210000000003 hoof Anatomy 0.000 claims description 31
- 235000013365 dairy product Nutrition 0.000 claims description 27
- 238000000034 method Methods 0.000 claims description 27
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 238000013135 deep learning Methods 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 5
- 238000009432 framing Methods 0.000 claims description 4
- 230000007547 defect Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 10
- 206010017577 Gait disturbance Diseases 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000009395 breeding Methods 0.000 description 3
- 230000001488 breeding effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/23—Recognition of whole body movements, e.g. for sport training
- G06V40/25—Recognition of walking or running movements, e.g. gait recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
Abstract
本发明提供一种奶牛跛行检测方法及奶牛跛行检测装置,奶牛跛行检测方法包括:在获取到待测奶牛的行走视频的情况下,基于所述待测奶牛的行走视频确定所述待测奶牛的多项奶牛跛行特征参数;根据奶牛跛行检测模型和所述待测奶牛的多项奶牛跛行特征参数确定所述待测奶牛的跛行检测结果。本发明提供的奶牛跛行检测方法及奶牛跛行检测装置,基于多项奶牛跛行特征参数进行奶牛跛行检测,可以有效可以弥补单特征检测不足,提高检测准确度,避免漏检、误检情况发生,实现奶牛跛行准确检测与分类。
Description
技术领域
本发明涉及养殖信息化技术领域,尤其涉及一种奶牛跛行检测方法及奶牛跛行检测装置。
背景技术
近年来,随着健康养殖技术的发展,奶牛养殖对于奶牛健康和福利监测需求越来越大。奶牛跛行是由牛舍饲养条件、管理、营养和环境等因素引起的蹄病行为表现。奶牛跛行不仅影响奶牛产奶量,也会降低奶牛的繁殖率和生活福利。美国国家动物卫生监测系统的一份调查结果表示,跛行的发病率为16%,在奶牛被淘汰的相关因素中,跛行位居第三。来自纽约两个奶牛场1.5年的数据表明,在奶牛被诊断为跛行后,其平均日产奶量下降2.6kg,平均每头跛行奶牛经济损失达90~100美元。据调查,北京拥有规模化奶牛养殖场50多个,8万多头奶牛,其中成年母牛中跛行奶牛所占比例高达15%,且蹄病月发病率占到2%。
奶牛跛行常规检测手段以人工观测为主。通过人工观测,对奶牛站立和行走进行能力质量指数评估,这种方法依赖观察者主观因素,费时费力。随着计算机科学和传感器技术的发展,一些学者开展了利用传感器技术实现奶牛跛行检测的研究。计算机视觉奶牛跛行检测技术通过摄像机对奶牛行走视频进行收集,并通过计算机中的图像处理技术对奶牛运动中的行为特征进行提取,最后通过检测算法对奶牛是否跛行以及跛行程度进行判断。近些年来,电子技术越来越多的应用于乳制品行业,计算机视觉技术由于其价格适中、非接触信息获取方法,并且图像获取后检测算法更贴近于已有成熟研究的评分系统,所以适用于奶牛跛行检测,利用计算机视觉检测奶牛跛行技术被广泛的研究。
奶牛跛行是由于蹄部损伤或疾病所造成的疼痛及承重能力下降而引起的行为变化,由于奶牛存在个体特异性,并且不同奶牛的疼痛承受程度不同,因此行走时跛行所反映的行为特征不同,例如使用弓背检测奶牛,一些跛行奶牛不弓背,一些其他疾病也会引起奶牛弓背。现有的基于计算机视觉技术奶牛跛行检测研究多以单一特征为主,无法完全表征奶牛跛行,并且忽略了奶牛行走过程中各个运动特征具有较为密切的关联特性,造成了信息的遗漏和重叠,容易发生误检、漏检情况,并且对于轻度跛行检测的效果较差。
发明内容
本发明提供一种奶牛跛行检测方法及奶牛跛行检测装置,用以解决现有技术中基于单特征对奶牛进行跛行检测,容易发生误检、漏检的问题。
本发明提供一种奶牛跛行检测方法,包括:
在获取到待测奶牛的行走视频的情况下,基于所述待测奶牛的行走视频确定所述待测奶牛的多项奶牛跛行特征参数;
根据奶牛跛行检测模型和所述待测奶牛的多项奶牛跛行特征参数确定所述待测奶牛的跛行检测结果。
根据本发明提供一种的奶牛跛行检测方法,所述多项奶牛跛行特征参数包括弓背参数、点头参数、跟踪参数、行走速度、支撑时相差、蹄踏时间差中的至少两种。
根据本发明提供一种的奶牛跛行检测方法,所述跛行检测结果为跛行检测评分。
根据本发明提供一种的奶牛跛行检测方法,所述在获取到待测奶牛的行走视频的情况下,基于所述待测奶牛的行走视频确定所述待测奶牛的多项奶牛跛行特征参数,包括:
对所述待测奶牛的行走视频中的奶牛关键部位进行跟踪定位,其中,所述奶牛关键部位与所述多项奶牛跛行特征参数存在对应关系;
根据所述待测奶牛的行走视频中的奶牛关键部位计算所述待测奶牛的多项奶牛跛行特征参数。
根据本发明提供一种的奶牛跛行检测方法,所述对所述待测奶牛的行走视频中的奶牛关键部位进行跟踪定位,包括:
通过视频分帧和图像处理对所述待测奶牛的行走视频中的奶牛关键部位进行跟踪定位。
根据本发明提供一种的奶牛跛行检测方法,所述根据奶牛跛行检测模型和所述待测奶牛的多项奶牛跛行特征参数确定所述待测奶牛的跛行检测结果之前,还包括:
获取训练数据集,其中,所述训练数据集包括多个第一样本奶牛的跛行检测结果和多项奶牛跛行特征参数,所述多个第一样本奶牛中任一个的跛行检测结果和多项奶牛跛行特征参数存在对应关系;
基于深度学习算法模型,使用所述训练数据集进行模型训练,得到所述奶牛跛行检测模型。
根据本发明提供一种的奶牛跛行检测方法,所述基于深度学习算法模型,使用所述训练数据集进行模型训练,得到所述奶牛跛行检测模型之前,还包括:
获取验证数据集,其中,所述验证数据集包括多个第二样本奶牛的跛行检测结果和多项奶牛跛行特征参数,所述多个第二样本奶牛中任一个的跛行检测结果和多项奶牛跛行特征参数存在对应关系;
所述基于深度学习算法模型,使用所述训练数据集进行模型训练,得到所述奶牛跛行检测模型,包括:
基于深度学习算法模型,使用所述训练数据集进行模型训练,得到第一跛行检模型;
使用所述验证数据集对所述第一跛行检模型进行验证,得到所述奶牛跛行检测模型。
本发明还提供一种奶牛跛行检测装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述的奶牛跛行检测方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述的奶牛跛行检测方法的步骤。
本发明提供的奶牛跛行检测方法及奶牛跛行检测装置,基于多项奶牛跛行特征参数进行奶牛跛行检测,可以有效可以弥补单特征检测不足,提高检测准确度,避免漏检、误检情况发生,实现奶牛跛行准确检测与分类。
附图说明
为了更清楚地说明本发明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一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的奶牛跛行检测方法的流程示意图之一;
图2是本发明提供的奶牛跛行检测方法的流程示意图之二;
图3是本发明提供的奶牛跛行检测装置的结构示意图之一;
图4是本发明提供的奶牛跛行检测装置的结构示意图之二。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合图1描述本发明的奶牛跛行检测方法,如图1所示,该奶牛跛行检测方法包括步骤S110和S120。
步骤S110:奶牛跛行检测装置在获取到待测奶牛的行走视频的情况下,基于所述待测奶牛的行走视频确定所述待测奶牛的多项奶牛跛行特征参数。
具体的说,奶牛跛行特征参数为现有的能用于进行奶牛跛行检测的特征参数,奶牛跛行特征参数可以为多项奶牛跛行特征参数包括弓背参数、点头参数、跟踪参数、行走速度、支撑时相差、蹄踏时间差等,其中,弓背参数可以为弓背曲率等;点头参数可以为点头频率、头部摆动幅度等;跟踪参数为奶牛行走过程中后蹄前探着地点与前蹄着地点距离;支撑时相差为同次着地牛蹄抬起时间与落地时间差;蹄踏时间差为二次着地牛蹄落地时间与上次着地抬起时间差。可选的,多项奶牛跛行特征参数包括弓背参数、点头参数、跟踪参数、行走速度、支撑时相差、蹄踏时间差中的至少两种,例如,在本实施例中,多项奶牛跛行特征参数为弓背曲率、头部摆动幅度、跟踪参数、行走速度、支撑时相差、蹄踏时间差此六项奶牛跛行特征参数。
可选的,奶牛跛行检测装置基于行走视频确定奶牛跛行特征参数可以通过步骤S111至S112来实现。
S111:奶牛跛行检测装置对所述待测奶牛的行走视频中的奶牛关键部位进行跟踪定位。
具体的说,奶牛关键部位与多项奶牛跛行特征参数存在对应关系。奶牛跛行检测装置要对奶牛的哪些部位进行跟踪定位是跟要获取的多项奶牛跛行特征参数相关的,例如,当奶牛跛行检测装置要获取弓背参数时,奶牛跛行检测装置需要对奶牛的背进行跟踪定位,即奶牛关键部位包括背。通常的,奶牛关键部位包括头、颈、背、臀、蹄等。可选的,奶牛跛行检测装置能采用视频分帧、图像处理或深度学习方法等来对待测奶牛的行走视频中的奶牛关键部位进行跟踪定位。
S112:奶牛跛行检测装置根据所述待测奶牛的行走视频中的奶牛关键部位计算所述待测奶牛的多项奶牛跛行特征参数。
具体的说,奶牛跛行检测装置通过图像中定位关键部位对各项特征进行计算,以量化为特征参数。
可选的,在奶牛跛行检测装置基于行走视频确定奶牛跛行特征参数之前,奶牛跛行检测装置还可以执行:通过视频采集设备对所述待测奶牛的行走视频进行采集,得到所述待测奶牛的行走视频。其中,视频采集设备可以为可见光相机等。奶牛跛行检测方法适用于具有可容单头奶牛自然行走通道的养殖场,例如,视频采集设备为Panasonic DC-GH5S数码相机,采集地点为河北鼎源牧业有限公司,采集装置是一条长8m,宽0.8m的通道,位于挤奶室出口,奶牛挤奶后通过通道回到牛舍,相机固定于距通道6m位置,距离地面高度1m,水平放置在通道中心。
可选的,弓背曲率、头部摆动幅度、跟踪参数、行走速度、支撑时相差、蹄踏时间差具体计算公式可以如下所示:
其中,BMP为弓背曲率;ω1表示前后椭圆的关系;ω2表示椭圆与头部位置的关系;ω3为头部位置与背部曲率的关系。
(2)头部摆动幅度:H=h1-h2;
其中,H为头部摆动幅度;h1为奶牛头部质心最高点;h2为奶牛头部质心最低点。
(3)蹄踏时间差:Δ=Δ1+Δ2+Δ3+Δ4+Δ5+Δ6
其中,Δ为踢踏时间差;Δ1为左前蹄踢踏时间与右后蹄踢踏时间差;Δ2为右前蹄踢踏时间与左后蹄踢踏时间差;Δ3为左前蹄踢踏时间与左后蹄踢踏时间差;Δ4为右前蹄踢踏时间与右后蹄踢踏时间差;Δ5为左前蹄踢踏时间与右前蹄踢踏时间差;Δ6为左后蹄踢踏时间与右后蹄踢踏时间差。
其中,XFH为左前蹄的踏步位置;XHL为左后蹄的踏步位置;XFR为右前蹄的踏步位置;XHR为右后蹄的踏步位置;ΔLeft为左侧轨迹重叠;ΔRight为右侧轨迹重叠。
(6)支撑时相差:TSP=TLift-TLand;
其中,Tsp为支撑时相差;TLift为牛蹄抬起时间;TLand为牛蹄落地时间。
步骤S120:奶牛跛行检测装置根据奶牛跛行检测模型和所述待测奶牛的多项奶牛跛行特征参数确定所述待测奶牛的跛行检测结果。
具体的说,将待测奶牛的多项奶牛跛行特征参数输入奶牛跛行检测模型,奶牛跛行检测模型就能输出待测奶牛的跛行检测结果。跛行检测结果可以为跛行检测评分等,例如,跛行检测评分包括1、2、3,1为健康奶牛,2为中度跛行奶牛,3为严重跛行奶牛。
奶牛跛行检测模型通常是通过模型训练的方式得到的,奶牛跛行检测模型可以是由外部装置训练得到的,该外部装置再将得到的奶牛跛行检测模型通过有线或无线的方式发送给奶牛跛行检测装置;奶牛跛行检测模型也可以是由奶牛跛行检测装置训练得到的。可选的,在奶牛跛行检测装置步骤S120之前,可以通过步骤S121和S122来训练得到奶牛跛行检测模型。
S121:奶牛跛行检测装置获取训练数据集。
S122:奶牛跛行检测装置基于深度学习算法模型,使用所述训练数据集进行模型训练,得到所述奶牛跛行检测模型。
具体的说,训练数据集包括多个第一样本奶牛的跛行检测结果和多项奶牛跛行特征参数,多个第一样本奶牛中任一个的跛行检测结果和多项奶牛跛行特征参数存在对应关系。以多项奶牛跛行特征参数为输入,以跛行检测结果为结果,收集大量数据建立训练数据集,使用机器学习构建多特征奶牛跛行检测算法模型。不同跛行特征对跛行奶牛的表征权重不同,使用多特征对跛行奶牛进行检测,并且通过大量数据分析各项特征间的相关性及对跛行奶牛的表征权重,使用机器学习技术构建奶牛跛行检测模型,可以根据奶牛的各项不同特征实现跛行检测。
可选的,在步骤S122之前,奶牛跛行检测装置还可以获取验证数据集,其中,所述验证数据集包括多个第二样本奶牛的跛行检测结果和多项奶牛跛行特征参数,所述多个第二样本奶牛中任一个的跛行检测结果和多项奶牛跛行特征参数存在对应关系。对应的,步骤S122可以具体为:奶牛跛行检测装置基于深度学习算法模型,使用所述训练数据集进行模型训练,得到第一跛行检模型;奶牛跛行检测装置使用所述验证数据集对所述第一跛行检模型进行验证,得到所述奶牛跛行检测模型。通过验证数据集来验证奶牛跛行检测模型的准确率、敏感性和特异性,从而实现全面准确的奶牛跛行检测。
可选的,如图2所示,奶牛跛行检测装置可以通过步骤S210至S260来得到奶牛跛行检测模型。
步骤S210:奶牛跛行检测装置采集奶牛的行走视频。
步骤S220:奶牛跛行检测装置基于所述测奶牛的行走视频确定多项奶牛跛行特征参数。
步骤S230:奶牛跛行检测装置获取奶牛的跛行检测评分。
具体的说,通过专业人士利用运动评分系统对奶牛跛行进行检测与分类,评分1、2、3,1为健康奶牛,2为中度跛行奶牛,3为严重跛行奶牛。
步骤S240:奶牛跛行检测装置建立训练数据集。
可选的,训练数据集Test set是由6项奶牛跛行特征参数和跛行检测评分构成。
步骤S250:奶牛跛行检测装置构建奶牛跛行检测模型。
可选的,选择支持向量机(SVM)根据测试集构建奶牛跛行检测模型。
步骤S260:奶牛跛行检测装置验证所述奶牛跛行检测模型。
下面对本发明提供的奶牛跛行检测装置进行描述,下文描述的奶牛跛行检测装置与上文描述的奶牛跛行检测方法可相互对应参照。
如图3所示,奶牛跛行检测包括:
特征获取模块310,用于在获取到待测奶牛的行走视频的情况下,基于所述待测奶牛的行走视频确定所述待测奶牛的多项奶牛跛行特征参数;
跛行检测模块320,用于根据奶牛跛行检测模型和所述待测奶牛的多项奶牛跛行特征参数确定所述待测奶牛的跛行检测结果。
可选的,所述多项奶牛跛行特征参数包括弓背参数、点头参数、跟踪参数、行走速度、支撑时相差、蹄踏时间差中的至少两种。
可选的,所述跛行检测结果为跛行检测评分。
可选的,所述特征获取模块310包括:
定位单元,用于对所述待测奶牛的行走视频中的奶牛关键部位进行跟踪定位,其中,所述奶牛关键部位与所述多项奶牛跛行特征参数存在对应关系;
计算单元,用于根据所述待测奶牛的行走视频中的奶牛关键部位计算所述待测奶牛的多项奶牛跛行特征参数。
可选的,所述定位单元,用于对所述待测奶牛的行走视频中的奶牛关键部位进行跟踪定位,具体为:通过视频分帧和图像处理对所述待测奶牛的行走视频中的奶牛关键部位进行跟踪定位。
可选的,还包括模型训练模块,所述模型训练模块,用于在所述根据奶牛跛行检测模型和所述待测奶牛的多项奶牛跛行特征参数确定所述待测奶牛的跛行检测结果之前,获取训练数据集,其中,所述训练数据集包括多个第一样本奶牛的跛行检测结果和多项奶牛跛行特征参数,所述多个第一样本奶牛中任一个的跛行检测结果和多项奶牛跛行特征参数存在对应关系;基于深度学习算法模型,使用所述训练数据集进行模型训练,得到所述奶牛跛行检测模型。
可选的,还包括数据集获取模块,所述数据集获取模块,用于在所述基于深度学习算法模型,使用所述训练数据集进行模型训练,得到所述奶牛跛行检测模型之前,获取验证数据集,其中,所述验证数据集包括多个第二样本奶牛的跛行检测结果和多项奶牛跛行特征参数,所述多个第二样本奶牛中任一个的跛行检测结果和多项奶牛跛行特征参数存在对应关系;
所述模型训练模块用于基于深度学习算法模型,使用所述训练数据集进行模型训练,得到所述奶牛跛行检测模型,具体为:基于深度学习算法模型,使用所述训练数据集进行模型训练,得到第一跛行检模型;使用所述验证数据集对所述第一跛行检模型进行验证,得到所述奶牛跛行检测模型。
可选的,还包括视频采集模块,所述视频采集模块,用于在所述在获取到待测奶牛的行走视频的情况下,基于所述待测奶牛的行走视频确定所述待测奶牛的多项奶牛跛行特征参数之前,通过视频采集设备对所述待测奶牛的行走视频进行采集,得到所述待测奶牛的行走视频。
图4示例了一种奶牛跛行检测装置的实体结构示意图,如图4所示,该电子设备可以包括:处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440,其中,处理器410,通信接口420,存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令,以执行奶牛跛行检测方法,该方法包括:在获取到待测奶牛的行走视频的情况下,基于所述待测奶牛的行走视频确定所述待测奶牛的多项奶牛跛行特征参数;根据奶牛跛行检测模型和所述待测奶牛的多项奶牛跛行特征参数确定所述待测奶牛的跛行检测结果。
此外,上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法所提供的奶牛跛行检测方法,该方法包括:在获取到待测奶牛的行走视频的情况下,基于所述待测奶牛的行走视频确定所述待测奶牛的多项奶牛跛行特征参数;根据奶牛跛行检测模型和所述待测奶牛的多项奶牛跛行特征参数确定所述待测奶牛的跛行检测结果。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各提供的奶牛跛行检测方法,该方法包括:在获取到待测奶牛的行走视频的情况下,基于所述待测奶牛的行走视频确定所述待测奶牛的多项奶牛跛行特征参数;根据奶牛跛行检测模型和所述待测奶牛的多项奶牛跛行特征参数确定所述待测奶牛的跛行检测结果。
本发明提供的奶牛跛行检测方法及奶牛跛行检测装置,基于多项奶牛跛行特征参数进行奶牛跛行检测,可以有效可以弥补单特征检测不足,提高检测准确度,避免漏检、误检情况发生,实现奶牛跛行准确检测与分类。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种奶牛跛行检测方法,其特征在于,包括:
在获取到待测奶牛的行走视频的情况下,基于所述待测奶牛的行走视频确定所述待测奶牛的多项奶牛跛行特征参数;
根据奶牛跛行检测模型和所述待测奶牛的多项奶牛跛行特征参数确定所述待测奶牛的跛行检测结果。
2.根据权利要求1所述的奶牛跛行检测方法,其特征在于,所述多项奶牛跛行特征参数包括弓背参数、点头参数、跟踪参数、行走速度、支撑时相差、蹄踏时间差中的至少两种。
3.根据权利要求1所述的奶牛跛行检测方法,其特征在于,所述跛行检测结果为跛行检测评分。
4.根据权利要求1所述的奶牛跛行检测方法,其特征在于,所述在获取到待测奶牛的行走视频的情况下,基于所述待测奶牛的行走视频确定所述待测奶牛的多项奶牛跛行特征参数,包括:
对所述待测奶牛的行走视频中的奶牛关键部位进行跟踪定位,其中,所述奶牛关键部位与所述多项奶牛跛行特征参数存在对应关系;
根据所述待测奶牛的行走视频中的奶牛关键部位计算所述待测奶牛的多项奶牛跛行特征参数。
5.根据权利要求4所述的奶牛跛行检测方法,其特征在于,所述对所述待测奶牛的行走视频中的奶牛关键部位进行跟踪定位,包括:
通过视频分帧和图像处理对所述待测奶牛的行走视频中的奶牛关键部位进行跟踪定位。
6.根据权利要求1所述的奶牛跛行检测方法,其特征在于,所述根据奶牛跛行检测模型和所述待测奶牛的多项奶牛跛行特征参数确定所述待测奶牛的跛行检测结果之前,还包括:
获取训练数据集,其中,所述训练数据集包括多个第一样本奶牛的跛行检测结果和多项奶牛跛行特征参数,所述多个第一样本奶牛中任一个的跛行检测结果和多项奶牛跛行特征参数存在对应关系;
基于深度学习算法模型,使用所述训练数据集进行模型训练,得到所述奶牛跛行检测模型。
7.根据权利要求6所述的奶牛跛行检测方法,其特征在于,所述基于深度学习算法模型,使用所述训练数据集进行模型训练,得到所述奶牛跛行检测模型之前,还包括:
获取验证数据集,其中,所述验证数据集包括多个第二样本奶牛的跛行检测结果和多项奶牛跛行特征参数,所述多个第二样本奶牛中任一个的跛行检测结果和多项奶牛跛行特征参数存在对应关系;
所述基于深度学习算法模型,使用所述训练数据集进行模型训练,得到所述奶牛跛行检测模型,包括:
基于深度学习算法模型,使用所述训练数据集进行模型训练,得到第一跛行检模型;
使用所述验证数据集对所述第一跛行检模型进行验证,得到所述奶牛跛行检测模型。
8.根据权利要求1所述的奶牛跛行检测方法,其特征在于,所述在获取到待测奶牛的行走视频的情况下,基于所述待测奶牛的行走视频确定所述待测奶牛的多项奶牛跛行特征参数之前,还包括:
通过视频采集设备对所述待测奶牛的行走视频进行采集,得到所述待测奶牛的行走视频。
9.一种奶牛跛行检测装置,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-8任一项所述的奶牛跛行检测方法的步骤。
10.一种非暂态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时实现如权利要求1-8任一项所述的奶牛跛行检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011265448.8A CN112434577B (zh) | 2020-11-12 | 2020-11-12 | 奶牛跛行检测方法及奶牛跛行检测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011265448.8A CN112434577B (zh) | 2020-11-12 | 2020-11-12 | 奶牛跛行检测方法及奶牛跛行检测装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112434577A true CN112434577A (zh) | 2021-03-02 |
CN112434577B CN112434577B (zh) | 2024-03-26 |
Family
ID=74699942
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011265448.8A Active CN112434577B (zh) | 2020-11-12 | 2020-11-12 | 奶牛跛行检测方法及奶牛跛行检测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112434577B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113288125A (zh) * | 2021-07-01 | 2021-08-24 | 河南科技大学 | 一种基于奶牛身体关键点运动轨迹的跛行检测方法 |
CN114743219A (zh) * | 2022-04-12 | 2022-07-12 | 内蒙古农业大学 | 一种奶牛运动评分方法及系统,计算机可读存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100030036A1 (en) * | 2006-04-18 | 2010-02-04 | Toby Mottram | Method and System for Monitoring the Condition of Livestock |
US20180264320A1 (en) * | 2017-03-14 | 2018-09-20 | Lumo BodyTech, Inc | System and method for automatic location detection for wearable sensors |
CN209002592U (zh) * | 2018-10-23 | 2019-06-21 | 唐山职业技术学院 | 一种用于辅助治疗奶牛蹄病的鞋子 |
EP3503720A1 (en) * | 2016-08-25 | 2019-07-03 | Lely Patent N.V. | Method and device to detect lameness of a cow |
CN110532926A (zh) * | 2019-10-09 | 2019-12-03 | 江苏农林职业技术学院 | 基于深度学习的猪神经性疾病智能测报方法 |
CN110659544A (zh) * | 2018-06-28 | 2020-01-07 | 华南农业大学 | 一种基于非参数时空上下文轨迹模型的奶牛行为识别方法 |
CN110969156A (zh) * | 2019-05-17 | 2020-04-07 | 丰疆智能科技股份有限公司 | 奶牛奶头检测卷积神经网络模型及其构建方法 |
CN111339850A (zh) * | 2020-02-14 | 2020-06-26 | 中国农业大学 | 一种基于支撑时相的奶牛跛行检测方法与系统 |
-
2020
- 2020-11-12 CN CN202011265448.8A patent/CN112434577B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100030036A1 (en) * | 2006-04-18 | 2010-02-04 | Toby Mottram | Method and System for Monitoring the Condition of Livestock |
EP3503720A1 (en) * | 2016-08-25 | 2019-07-03 | Lely Patent N.V. | Method and device to detect lameness of a cow |
US20180264320A1 (en) * | 2017-03-14 | 2018-09-20 | Lumo BodyTech, Inc | System and method for automatic location detection for wearable sensors |
CN110659544A (zh) * | 2018-06-28 | 2020-01-07 | 华南农业大学 | 一种基于非参数时空上下文轨迹模型的奶牛行为识别方法 |
CN209002592U (zh) * | 2018-10-23 | 2019-06-21 | 唐山职业技术学院 | 一种用于辅助治疗奶牛蹄病的鞋子 |
CN110969156A (zh) * | 2019-05-17 | 2020-04-07 | 丰疆智能科技股份有限公司 | 奶牛奶头检测卷积神经网络模型及其构建方法 |
CN110532926A (zh) * | 2019-10-09 | 2019-12-03 | 江苏农林职业技术学院 | 基于深度学习的猪神经性疾病智能测报方法 |
CN111339850A (zh) * | 2020-02-14 | 2020-06-26 | 中国农业大学 | 一种基于支撑时相的奶牛跛行检测方法与系统 |
Non-Patent Citations (2)
Title |
---|
康熙等: "基于机器视觉的跛行奶牛牛蹄定位方法", 农业机械学报, vol. 50, no. 7, 31 July 2019 (2019-07-31), pages 276 - 282 * |
韩书庆: "奶牛跛行自动识别技术研究现状与挑战", 智慧农业(中英文), vol. 2, no. 3, pages 23 - 26 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113288125A (zh) * | 2021-07-01 | 2021-08-24 | 河南科技大学 | 一种基于奶牛身体关键点运动轨迹的跛行检测方法 |
CN113288125B (zh) * | 2021-07-01 | 2024-04-05 | 河南科技大学 | 一种基于奶牛身体关键点运动轨迹的跛行检测方法 |
CN114743219A (zh) * | 2022-04-12 | 2022-07-12 | 内蒙古农业大学 | 一种奶牛运动评分方法及系统,计算机可读存储介质 |
CN114743219B (zh) * | 2022-04-12 | 2023-05-02 | 内蒙古农业大学 | 一种奶牛运动评分方法及系统,计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112434577B (zh) | 2024-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Neethirajan | The role of sensors, big data and machine learning in modern animal farming | |
Okinda et al. | A machine vision system for early detection and prediction of sick birds: A broiler chicken model | |
Wang et al. | ASAS-NANP SYMPOSIUM: Applications of machine learning for livestock body weight prediction from digital images | |
Rushen et al. | Automated monitoring of behavioural-based animal welfare indicators | |
Weber et al. | Cattle weight estimation using active contour models and regression trees Bagging | |
US9104906B2 (en) | Image analysis for determining characteristics of animals | |
CN111339850A (zh) | 一种基于支撑时相的奶牛跛行检测方法与系统 | |
Zhang et al. | Algorithm of sheep body dimension measurement and its applications based on image analysis | |
US11950576B2 (en) | Multi-factorial biomass estimation | |
CN112434577A (zh) | 奶牛跛行检测方法及奶牛跛行检测装置 | |
Bhoj et al. | Image processing strategies for pig liveweight measurement: Updates and challenges | |
de Alencar Nääs et al. | Lameness prediction in broiler chicken using a machine learning technique | |
CN111297367A (zh) | 一种动物状态监测方法、装置、电子设备及存储介质 | |
CN112288793A (zh) | 畜类个体背膘检测方法、装置、电子设备及存储介质 | |
Yaseer et al. | A review of sensors and Machine Learning in animal farming | |
CN112528772A (zh) | 基于热红外的奶牛跛行运动特征检测方法及装置 | |
CN110532854B (zh) | 一种生猪爬跨行为检测方法及系统 | |
Ojukwu et al. | Development of a computer vision system to detect inactivity in group-housed pigs | |
CN113516139A (zh) | 数据处理方法、装置、设备和存储介质 | |
CN112418018A (zh) | 奶牛行走异常检测方法及其装置 | |
Evangelista et al. | Detection of japanese quails (coturnix japonica) in poultry farms using yolov5 and detectron2 faster r-cnn | |
Azarpajouh et al. | Precision livestock farming: automatic lameness detection in intensive livestock systems | |
JP7410200B2 (ja) | 特定装置、特定方法、及びプログラム | |
Rotondo | Predicting body weight with linear body measurements in beef calves | |
Salau et al. | How does the behaviour of dairy cows during recording affect an image processing based calculation of the udder depth? |
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 |