CN112465833A - 一种用于禽畜食槽的饲料自动检测及补充方法 - Google Patents

一种用于禽畜食槽的饲料自动检测及补充方法 Download PDF

Info

Publication number
CN112465833A
CN112465833A CN202011346228.8A CN202011346228A CN112465833A CN 112465833 A CN112465833 A CN 112465833A CN 202011346228 A CN202011346228 A CN 202011346228A CN 112465833 A CN112465833 A CN 112465833A
Authority
CN
China
Prior art keywords
feed
trough
livestock
image
liquid level
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011346228.8A
Other languages
English (en)
Other versions
CN112465833B (zh
Inventor
许世成
姜太平
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.)
Anhui University of Technology AHUT
Original Assignee
Anhui University of Technology AHUT
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 Anhui University of Technology AHUT filed Critical Anhui University of Technology AHUT
Priority to CN202011346228.8A priority Critical patent/CN112465833B/zh
Publication of CN112465833A publication Critical patent/CN112465833A/zh
Application granted granted Critical
Publication of CN112465833B publication Critical patent/CN112465833B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/70—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in livestock or poultry

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • Feeding And Watering For Cattle Raising And Animal Husbandry (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种用于禽畜食槽的饲料自动检测及补充方法，该方法通过摄像头采集禽畜食槽的液面图像，进而根据不同颜色范围分割图像并获取区域面积，以此判断检测区域是否出现了禽畜遮挡以及当前饲料的种类；进而对采集的液面图像进行预处理，并使用SVM分类器进行图像分类，判断出图像对应的食槽内饲料是否充足，或对采集的液面图像进行图像分割，计算食槽液面的位置，进而将食槽液面位置与预设标准线进行比较来判断对应食槽内饲料是否充足；如当前食槽内饲料不足，控制出料孔打开以自动补充饲料；如当前食槽内饲料充足，则返回进行图像采集工作。本发明大幅提高了禽畜养殖过程的自动化水平，减少了人力资源和饲料的浪费，提高了养殖效率。

Description

一种用于禽畜食槽的饲料自动检测及补充方法
技术领域
本发明涉及一种饲料补充方法，具体涉及一种禽畜食槽的饲料补充方法。
背景技术
在人们已经不再为基本生活所需而发愁时，人们逐渐开始追求饮食上的高质 量和高水平，对肉类和家禽以及其他中高档食品的购买量显著增加。经调查可知， 在人们购买的肉类中，鸡肉、鸭肉、猪肉、羊肉等禽畜肉制品占比最多，其中猪 肉的份额更是达到了60％以上，是人们生活中肉类食材的主要来源，并且这一消 费习惯会一直延续下去。
我国目前在禽畜养殖上还存在着一些限制条件，如生猪养殖，目前散户普遍 采用传统料槽或水泥板料槽来手动分餐和饲喂干料的生猪饲养方式，主要以人工 操作和处理为基础，通常养殖规模相对较小，同时自动化程度和现代化程度低， 导致大量资源和人们精力的不必要消耗，从而产生养殖成本偏高和养殖效率低下 等各种问题。与散户养殖相比，大规模的养殖方式可以有效减少猪价波动对人们 生活的影响，能够稳定猪肉价格，并保护养殖户的利益。同时，大规模养殖方便 了对生猪的管理，可以有效地预防各种疾病，降低养殖过程中的风险。同时大规 模养殖可以合理利用各种生产资料，提高使用资源使用效率，而科学的饲养方法 将降低饲养成本，促进生猪生产专业化。
而在大规模养殖过程中，如何综合使用多种现代科学技术来提升养殖行业的 整体生产水平和生产效率，如何将信息技术、人工智能和系统集成等技术在养殖 业中全面应用，以提高禽畜养殖如生猪养殖过程的自动化水平，减少人力资源和 饲料的浪费，从而降低养殖成本以及提高养殖效率，这些问题亟待进一步探究和 解决。
针对上述问题，本发明提出并且实现了一种用于禽畜食槽的饲料自动检测及 补充方法。
发明内容
发明目的：为了解决现有技术中的不足，本发明的目的是提供一种用于禽畜 食槽的饲料自动检测及补充方法。
技术方案：为解决上述技术问题，本发明提供的一种用于禽畜食槽的饲料自 动检测及补充方法，其包括如下步骤：
S1)在禽畜食槽上方搭建摄像头，在禽畜食槽上设置可受控启闭的出料孔；
S2)通过摄像头采集禽畜食槽的液面图像，进而在检测区域内根据不同颜色 范围分割图像，并获取区域面积，以此判断检测区域是否出现了禽畜遮挡以及当 前饲料的种类，当判断当前饲料种类为粘稠类饲料时，进入步骤S3)，否则当判 断当前饲料种类为高流动类饲料时，进入步骤S4)；
S3)对采集的液面图像进行预处理，并使用SVM分类器进行图像分类，判 断出图像对应的食槽内饲料是否充足，进入步骤S5)；
S4)对采集的液面图像进行图像分割，计算食槽液面的位置，进而将食槽液 面位置与预设标准线进行比较，当食槽液面位置高于预设标准线时则判定为对应 食槽内饲料充足，否则则判定为对应食槽内饲料不足，进入步骤S5)；
S5)如果当前食槽内饲料不足，控制出料孔打开以自动补充饲料；如果当前 食槽内饲料充足，则返回步骤S2)进行图像采集工作。
优选的，所述步骤S2)中饲料的种类包括粘稠类饲料和高流动类饲料。
进一步优选的，所述步骤S2)中根据不同颜色范围分割图像并获取区域面 积时，采用去除小面积连通区域的方法修正部分饲料粘在检测区域上带来的检测 结果偏差。
进一步优选的，所述步骤S4)进行图像分割后，进行液面曲线矫正，包括： 对相邻的边缘点，依次连接并比较斜率，若相邻直线的斜率相差较大，则舍弃当 前边缘点，和下一个边缘点连接，直至形成完整轮廓。
进一步优选的，所述步骤S3)对输入图像进行预处理，并使用SVM分类器 进行图像分类，具体包括：对粘稠类饲料的输入图像进行预处理后，进行图像轮 廓边缘特征提取，进而使用SVM分类器预测该图像对应的食槽内饲料是否充足。
优选的，所述可受控启闭的出料孔包括出料孔以及与其适配的控制其打开和 闭合的阀门模块；所述阀门模块与摄像头与控制系统电性连接或通信连接。
作为优选的，所述控制系统的系统硬件为树莓派。
进一步优选的，所述步骤S2)为：通过摄像头采集禽畜食槽的液面图像， 进而根据不同颜色范围分割图像，并获取区域面积，以此判断检测区域是否出现 了禽畜遮挡以及当前饲料的种类；如判断检测区域被遮挡，则继续通过摄像头采 集禽畜食槽的液面图像并重复上述判断直至检测区域不被遮挡；如判断检测区域 未被遮挡，当判断当前饲料种类为粘稠类饲料时，进入步骤S3)，否则当判断当 前饲料种类为高流动类饲料时，进入步骤S4)。
进一步优选的，所述食槽包括一倾斜侧壁；所述倾斜侧壁上包括一块与检测 区域相对应的、自上往下延伸的条状白色内壁。
进一步优选的，所述检测区域与所述条状白色内壁的外轮廓重叠。
有益效果：本发明提供的一种用于禽畜食槽的饲料自动检测及补充方法，通 过图像处理和机器学习技术对进食过程中的禽畜食槽图像进行处理，结合标准线 的设置，判断当前食槽(也可称为料槽)是否需要添加饲料，以达到智能饲喂 的目的，一方面相比于传感器检测，具有更高的准确率，另一方面大幅提高了生 猪等禽畜养殖过程的自动化水平，实现了料槽智能饲喂的自动化管理，减少了人 力资源和饲料的浪费，从而大幅降低了养殖成本，提高了养殖效率。
同时本发明中所需的硬件为摄像头、阀门模块和树莓派，可通过树莓派控制 多个摄像头同时进行检测，进一步提高了检测效率，降低了检测成本；并通过软 硬件结合的方式，可使用和/或监测禽畜养殖过程中各项数据进行过程控制，进 一步有效提升了养殖业的数字化和高自动化。
附图说明
图1为实施例中提供的一种用于禽畜食槽的饲料自动检测及补充方法的 流程框图；
图2为实施例中基于SVM的图像分类流程图。
具体实施方式
下面结合实施例和附图对本发明做进一步的详细说明，以下实施列对本发明 不构成限定。
本实施例提供的一种用于禽畜食槽的饲料自动检测及补充方法，如图1所示， 该方法包括如下步骤：
S1)在禽畜食槽上方搭建摄像头，在禽畜食槽上设置可受控启闭的出料孔；
S2)通过摄像头采集禽畜食槽的液面图像，进而在检测区域内根据不同颜色 范围分割图像(也可以说是提取区域颜色特征的方法或颜色特征提取方法)，并 获取区域面积，以此判断检测区域是否出现了禽畜遮挡以及当前饲料的种类，其 中饲料的种类包括粘稠类饲料和高流动类饲料；如判断检测区域被遮挡，则继续 通过摄像头采集禽畜食槽的液面图像并重复上述判断(即判断是否出现了禽畜遮 挡)直至检测区域不被遮挡；如判断检测区域未被遮挡，当判断当前饲料种类为 粘稠类饲料时，进入步骤S3)，否则当判断当前饲料种类为高流动类饲料时，进 入步骤S4)；
S3)对采集得到的液面图像进行预处理，并使用SVM分类器进行图像分类， 判断出图像对应的食槽内饲料是否充足，进入步骤S5)；
S4)对采集得到的液面图像进行图像分割，计算食槽液面的位置，进而将食 槽液面位置与预设标准线进行比较，当食槽液面位置高于预设标准线时则判定为 对应食槽内饲料充足，否则则判定为对应食槽内饲料不足，进入步骤S5)；所述 预设标准线可根据实际应用场景进行灵活设定；
S5)如果步骤S3)或步骤S4)得到的判定结果为当前食槽内饲料不足，控 制出料孔打开以自动补充饲料；如果当前食槽内饲料充足，则返回步骤S2)进 行图像采集工作。
本实施例中，上述食槽包括一倾斜侧壁；所述倾斜侧壁上包括一块与检测区 域相对应的、自上往下延伸的条状白色内壁。具体在本实施例中，所述检测区域 与该条状白色内壁的外轮廓重叠。具体在实际应用场景中，所述倾斜侧壁可以是 上开口尺寸大于底部尺寸的食槽侧壁，也可以是食槽的其中一个/一块/一部分自 上往下逐渐倾斜的侧壁。上述条状白色内壁可以是方形或长方形条状白色内壁， 也可以是贴有条状白色贴纸的内壁，其可以是食槽上拼接的一块，也可以是一体 式食槽的一部分。文中上述检测区域与该条状白色内壁相对应，也即将所采集的 图像中与该条状白色内壁相对应的区域作为检测区域。也可以说是：所述检测区 域为采集的图像中与该条状白色内壁相对应的区域。
本实施例中，上述步骤S2)中根据不同颜色范围分割图像并获取区域面积 时，采用去除小面积连通区域的方法修正部分饲料粘在检测区域上带来的检测结 果(也可说是判断结果)偏差，从而有效减小部分饲料粘在检测区域上对检测结 果造成的影响，也即有效降低是否出现禽畜遮挡的判断/检测结果偏差和/或当前 饲料种类的判断/检测结果偏差，使检测结果更加精准。
本实施例中，上述步骤S2)中判断检测区域是否出现了禽畜遮挡，以猪为 例，根据主料和辅料的不同，饲料颜色是有区别的，大多是黄色和黑色，而动物 如猪的颜色与红色相近，根据不同颜色区域的面积来判定这时候猪是否在检测区 域内并占据多大空间，从而判断检测区域是否出现了禽畜遮挡如被猪遮挡。
某些实施例所提供的用于禽畜食槽的饲料自动检测及补充方法中，在上述 步骤S4)进行图像分割后，计算食槽液面的位置前，如图1所示，还进行液面曲 线矫正，其包括：对相邻的边缘点，依次连接并比较斜率，若相邻直线的斜率相 差较大，则舍弃当前边缘点，和下一个边缘点连接，直至形成完整轮廓。
本实施例中，上述步骤S3)对输入图像进行预处理，并使用SVM分类器进 行图像分类，如图1所示，具体包括：对粘稠类饲料的输入图像进行预处理后， 进行图像轮廓边缘特征提取，进而使用SVM分类器预测/判断该图像对应的食槽 内饲料是否充足。
文中所述SVM分类器，其包括图像处理模块和SVM分类器模块，其基于 SVM的图像分类流程如图2所示，首先在图像处理模块中对图像样本数据库中 的样本图像进行预处理和特征提取，进而进行图像特征分类、统计和去除冗余， 从而得到图像特征数据；进而在SVM分类器模块确定核函数后，根据提取的图 像特征数据确定SVM分类器类型，进行图像特征样本学习和训练，以及图像特 征样本测试和决策分类，输出图像。
本实施例中，其中可受控启闭的出料孔包括出料孔以及与其适配的控制其打 开和闭合(也可称为关闭)的阀门模块，也可以说是其中可受控启闭的出料孔为 设有阀门模块的出料孔；所述阀门模块与摄像头与控制系统电性连接。在某些实 施例中，所述阀门模块与摄像头与控制系统通信连接，如无线连接。
在实际应用场景中，上述步骤S5)中控制出料孔打开以自动补充饲料时， 可通过控制系统控制出料孔打开的时间长度，如：出料孔打开至预设加料时长时， 关闭出料孔。上述预设加料时长可根据实际应用场景中的料槽大小、出料孔大小、 饲料种类和/或标准线的位置来灵活设定。
其中本实施例中控制系统的系统硬件为树莓派。
文中所述粘稠类饲料为密度大的液体，也可以说是密度大于预设密度阈值的 液体；文中所述高流动类饲料，为流动性强的液体，也即密度小的液体，也可以 说是密度小于等于密度阈值的液体。文中所述密度阈值可根据实际应用场景进行 设定。文中所述禽畜为包括猪、鸭等家禽家畜在内的动物。文中所述食槽，也可 称为料槽。
具体使用时，以上述实施例提供的用于禽畜食槽的饲料自动检测及补充方法 用于猪食槽时为例，来阐述其工作原理及流程：首先根据猪食槽的位置，在猪食 槽上方搭建好摄像头，并对猪食槽上的出料孔设置好阀门模块，以便于通过树莓 派控制系统控制出料孔的启闭(也即打开与关闭)；然后通过摄像头采集猪食槽 的液面图像，并将图像传输到系统中，系统根据不同颜色范围分割图像，并获取 区域面积，以此判断检测区域是否被猪遮挡以及当前料槽中饲料的种类，其中饲 料的种类包括粘稠类饲料和高流动类饲料，并对不同饲料使用不同的检测方法； 紧接着，如前述步骤判断当前饲料种类为粘稠类饲料时，使用SVM分类器对输 入图像进行预处理，并使用SVM分类器进行图像分类判断出图像对应的食槽内 饲料是否充足，如前述步骤判断当前饲料种类为高流动类饲料时，则进行图像分割，计算食槽液面的准确位置，再将液面准确位置与事先设定好的预设标准线进 行比较，从而判断食槽液面位置是否高于预设标准线位置，当食槽液面位置高于 预设标准线时则判定为对应食槽内饲料充足，否则则判定为对应食槽内饲料不足； 如果前述步骤输出的判定结果为当前食槽内饲料不足，则通过控制系统控制阀门 模块使得出料孔打开以自动补充饲料，如果前述步骤输出的判定结果为当前食槽 内饲料充足，则返回前面步骤继续重复进行图像采集工作。综上所述，本发明通 过结合图像处理和机器学习(SVM)对进食过程中的猪食槽图像进行检测，判 断当前料槽是否需要添加饲料，同时在添加饲料过程中可以通过标准线的位置控 制添加饲料的量，以达到智能饲喂的目的，对猪食槽进行检测，判断是否需要自 动补充饲料，本发明极大程度上提高生猪养殖过程的自动化水平，而通过软硬件结合监测养猪过程中各项数据将使养猪业实现数字化，实现料槽的自动化管理， 减少人力资源和饲料的浪费，降低养殖成本以及提高养殖效率。
本发明通过图像处理和机器学习(SVM)技术对进食过程中的禽畜食槽图 像进行处理，结合标准线的设置，判断当前食槽/料槽是否需要添加饲料，以达 到智能饲喂的目的，一方面相比于传感器检测，具有更高的准确率，另一方面大 幅提高了生猪等禽畜养殖过程的自动化水平，减少了人力资源和饲料的浪费，从 而大幅降低了养殖成本，提高了养殖效率。同时本发明中可通过树莓派控制多个 摄像头同时进行检测，并通过软硬件结合的方式，可使用和/或监测禽畜养殖过 程中各项数据进行过程控制，进一步提高了检测效率，降低了检测成本，可进一 步有效提升养殖业的数字化和高自动化。
以上仅是本发明的优选实施方式，应当指出以上实施列对本发明不构成限定， 相关工作人员在不偏离本发明技术思想的范围内，所进行的多样变化和修改，均 落在本发明的保护范围内。

Claims (10)

1.一种用于禽畜食槽的饲料自动检测及补充方法，其特征在于该方法包括如下步骤：
S1)在禽畜食槽上方搭建摄像头，在禽畜食槽上设置可受控启闭的出料孔；
S2)通过摄像头采集禽畜食槽的液面图像，进而在检测区域内根据不同颜色范围分割图像，并获取区域面积，以此判断检测区域是否出现了禽畜遮挡以及当前饲料的种类，当判断当前饲料种类为粘稠类饲料时，进入步骤S3)，否则当判断当前饲料种类为高流动类饲料时，进入步骤S4)；
S3)对采集的液面图像进行预处理，并使用SVM分类器进行图像分类，判断出图像对应的食槽内饲料是否充足，进入步骤S5)；
S4)对采集的液面图像进行图像分割，计算食槽液面的位置，进而将食槽液面位置与预设标准线进行比较，当食槽液面位置高于预设标准线时则判定为对应食槽内饲料充足，否则则判定为对应食槽内饲料不足，进入步骤S5)；
S5)如果当前食槽内饲料不足，控制出料孔打开以自动补充饲料；如果当前食槽内饲料充足，则返回步骤S2)进行图像采集工作。
2.根据权利要求1所述的用于禽畜食槽的饲料自动检测及补充方法，其特征在于：所述步骤S2)中饲料的种类包括粘稠类饲料和高流动类饲料。
3.根据权利要求1所述的用于禽畜食槽的饲料自动检测及补充方法，其特征在于：所述步骤S2)中根据不同颜色范围分割图像并获取区域面积时，采用去除小面积连通区域的方法修正部分饲料粘在检测区域上带来的检测结果偏差。
4.根据权利要求1所述的用于禽畜食槽的饲料自动检测及补充方法，其特征在于：所述步骤S4)进行图像分割后，进行液面曲线矫正，包括：对相邻的边缘点，依次连接并比较斜率，若相邻直线的斜率相差较大，则舍弃当前边缘点，和下一个边缘点连接，直至形成完整轮廓。
5.根据权利要求1所述的用于禽畜食槽的饲料自动检测及补充方法，其特征在于：所述步骤S3)对输入图像进行预处理，并使用SVM分类器进行图像分类，具体包括：对粘稠类饲料的输入图像进行预处理后，进行图像轮廓边缘特征提取，进而使用SVM分类器预测该图像对应的食槽内饲料是否充足。
6.根据权利要求1所述的用于禽畜食槽的饲料自动检测及补充方法，其特征在于：所述可受控启闭的出料孔包括出料孔以及与其适配的控制其打开和闭合的阀门模块；所述阀门模块与摄像头与控制系统电性连接或通信连接。
7.根据权利要求6所述的用于禽畜食槽的饲料自动检测及补充方法，其特征在于：所述控制系统的系统硬件为树莓派。
8.根据权利要求1所述的用于禽畜食槽的饲料自动检测及补充方法，其特征在于：所述步骤S2)为：通过摄像头采集禽畜食槽的液面图像，进而根据不同颜色范围分割图像，并获取区域面积，以此判断检测区域是否出现了禽畜遮挡以及当前饲料的种类；如判断检测区域被遮挡，则继续通过摄像头采集禽畜食槽的液面图像并重复上述判断直至检测区域不被遮挡；如判断检测区域未被遮挡，当判断当前饲料种类为粘稠类饲料时，进入步骤S3)，否则当判断当前饲料种类为高流动类饲料时，进入步骤S4)。
9.根据权利要求1所述的用于禽畜食槽的饲料自动检测及补充方法，其特征在于：所述食槽包括一倾斜侧壁；所述倾斜侧壁上包括一块与检测区域相对应的、自上往下延伸的条状白色内壁。
10.根据权利要求9所述的用于禽畜食槽的饲料自动检测及补充方法，其特征在于：所述检测区域与所述条状白色内壁的外轮廓重叠。
CN202011346228.8A 2020-11-25 2020-11-25 一种用于禽畜食槽的饲料自动检测及补充方法 Active CN112465833B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011346228.8A CN112465833B (zh) 2020-11-25 2020-11-25 一种用于禽畜食槽的饲料自动检测及补充方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011346228.8A CN112465833B (zh) 2020-11-25 2020-11-25 一种用于禽畜食槽的饲料自动检测及补充方法

Publications (2)

Publication Number Publication Date
CN112465833A true CN112465833A (zh) 2021-03-09
CN112465833B CN112465833B (zh) 2022-11-11

Family

ID=74808557

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011346228.8A Active CN112465833B (zh) 2020-11-25 2020-11-25 一种用于禽畜食槽的饲料自动检测及补充方法

Country Status (1)

Country Link
CN (1) CN112465833B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100111383A1 (en) * 2008-09-05 2010-05-06 Purdue Research Foundation Dietary Assessment System and Method
CN103674857A (zh) * 2013-12-23 2014-03-26 中国科学院自动化研究所 基于机器视觉的牧草饲料检测系统和方法
CN205180024U (zh) * 2015-10-10 2016-04-27 中国农业科学院农业信息研究所 一种饲料智能投放装置
CN106525113A (zh) * 2016-11-02 2017-03-22 百奥森（江苏）食品安全科技有限公司 一种牧草饲料检测方法
CN108651302A (zh) * 2018-03-28 2018-10-16 柳州市环树生态养殖园 一种畜禽养殖用饲料搅拌机
CN109062160A (zh) * 2018-08-22 2018-12-21 中国农业科学院农业信息研究所 一种智能畜禽养殖管理系统及方法
CN109711346A (zh) * 2018-12-27 2019-05-03 南京林业大学 一种禽类异常识别方法及装置
CN110547210A (zh) * 2019-09-04 2019-12-10 北京海益同展信息科技有限公司 饲料供给方法及系统、计算机系统、存储介质
CN110956608A (zh) * 2019-10-10 2020-04-03 北京海益同展信息科技有限公司 一种剩余食料检测方法、装置、电子设备及存储介质
CN111176181A (zh) * 2020-01-06 2020-05-19 金陵科技学院 一种基于物联网的家禽饲料管理系统的方法
CN111436380A (zh) * 2020-05-18 2020-07-24 上海明略人工智能(集团)有限公司 饲喂方法和装置、饲养用栏位装置
CN111985472A (zh) * 2020-08-20 2020-11-24 徐源 基于人工智能和主动球机的食槽干草温度图像处理方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100111383A1 (en) * 2008-09-05 2010-05-06 Purdue Research Foundation Dietary Assessment System and Method
CN103674857A (zh) * 2013-12-23 2014-03-26 中国科学院自动化研究所 基于机器视觉的牧草饲料检测系统和方法
CN205180024U (zh) * 2015-10-10 2016-04-27 中国农业科学院农业信息研究所 一种饲料智能投放装置
CN106525113A (zh) * 2016-11-02 2017-03-22 百奥森（江苏）食品安全科技有限公司 一种牧草饲料检测方法
CN108651302A (zh) * 2018-03-28 2018-10-16 柳州市环树生态养殖园 一种畜禽养殖用饲料搅拌机
CN109062160A (zh) * 2018-08-22 2018-12-21 中国农业科学院农业信息研究所 一种智能畜禽养殖管理系统及方法
CN109711346A (zh) * 2018-12-27 2019-05-03 南京林业大学 一种禽类异常识别方法及装置
CN110547210A (zh) * 2019-09-04 2019-12-10 北京海益同展信息科技有限公司 饲料供给方法及系统、计算机系统、存储介质
CN110956608A (zh) * 2019-10-10 2020-04-03 北京海益同展信息科技有限公司 一种剩余食料检测方法、装置、电子设备及存储介质
CN111176181A (zh) * 2020-01-06 2020-05-19 金陵科技学院 一种基于物联网的家禽饲料管理系统的方法
CN111436380A (zh) * 2020-05-18 2020-07-24 上海明略人工智能(集团)有限公司 饲喂方法和装置、饲养用栏位装置
CN111985472A (zh) * 2020-08-20 2020-11-24 徐源 基于人工智能和主动球机的食槽干草温度图像处理方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
WEN-CHUAN WU等: "A remote pet feeder control system via MQTT protocol", 《2018 IEEE INTERNATIONAL CONFERENCE ON APPLIED SYSTEM INVENTION (ICASI)》 *
周雅婷: "肉牛采食行为识别与采食量模型研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》 *
张伏等: "仔猪自动精细饲喂系统设计与试验", 《农业机械学报》 *

Also Published As

Publication number Publication date
CN112465833B (zh) 2022-11-11

Similar Documents

Publication Publication Date Title
US11523590B2 (en) Method and system for monitoring egg-laying performance of caged laying-hens at laying-hen positions
CN105574899B (zh) 笼养鸡的粪便监测方法及系统
Lee et al. Research Article The Use of Vision in a Sustainable Aquaculture Feeding System
CN108990862B (zh) 一种基于机器视觉的科学确定河蟹投饵量的方法
Subedi et al. Tracking pecking behaviors and damages of cage-free laying hens with machine vision technologies
CN105806751A (zh) 一种联合收割机粮箱中谷物破碎在线监测系统及方法
CN112861734A (zh) 一种料槽余食监测方法及系统
CN110942045A (zh) 一种基于机器视觉的智能鱼缸投食系统
Bergamini et al. Extracting accurate long-term behavior changes from a large pig dataset
Mahirah et al. Monitoring harvested paddy during combine harvesting using a machine vision-Double lighting system
Huang et al. The prototype of a smart underwater surveillance system for shrimp farming
Tscharke et al. Review of methods to determine weight and size of livestock from images
CN112465833B (zh) 一种用于禽畜食槽的饲料自动检测及补充方法
KR102172347B1 (ko) 농장 가축 상태 평가 방법 및 시스템
CN115739671A (zh) 一种渔获物分拣系统及方法
Bresolin et al. Assessing optimal frequency for image acquisition in computer vision systems developed to monitor feeding behavior of group-housed Holstein heifers
CN114998892A (zh) 一种提高动物采食效率的方法及装置
CN115619823A (zh) 一种物体投放方法、装置、终端及计算机可读存储介质
CN115914560A (zh) 一种母猪智能精准饲喂方法、装置、电子设备和存储介质
CN115266752A (zh) 一种鸡胸肉白色条纹等级判定的方法及装置
CN109242219B (zh) 蛋鸡采食行为的预测方法及蛋鸡采食行为的预测装置
Gu et al. A two-stage recognition method based on deep learning for sheep behavior
CN111567427A (zh) 一种基于猪脸识别技术的自动投食器、系统及方法
Pouria et al. DeepCount: in-field automatic quantification of wheat spikes using simple linear iterative clustering and deep convolutional neural networks
CN113545296B (zh) 一种封闭式畜舍用地下刮粪及自动清粪系统

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