CN112544491A - 一种识别圈养动物腹泻的方法及系统 - Google Patents
一种识别圈养动物腹泻的方法及系统 Download PDFInfo
- Publication number
- CN112544491A CN112544491A CN202011460873.2A CN202011460873A CN112544491A CN 112544491 A CN112544491 A CN 112544491A CN 202011460873 A CN202011460873 A CN 202011460873A CN 112544491 A CN112544491 A CN 112544491A
- Authority
- CN
- China
- Prior art keywords
- animal
- diarrhea
- identifying
- excrement
- animals
- 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.)
- Withdrawn
Links
- 241001465754 Metazoa Species 0.000 title claims abstract description 161
- 206010012735 Diarrhoea Diseases 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000001514 detection method Methods 0.000 claims abstract description 32
- 230000002159 abnormal effect Effects 0.000 claims abstract description 15
- 230000009471 action Effects 0.000 claims abstract description 13
- 230000029142 excretion Effects 0.000 claims abstract description 11
- 230000006399 behavior Effects 0.000 claims description 25
- 238000012544 monitoring process Methods 0.000 claims description 15
- 210000003608 fece Anatomy 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 6
- 208000023505 abnormal feces Diseases 0.000 claims description 5
- 238000003331 infrared imaging Methods 0.000 claims description 3
- 201000010099 disease Diseases 0.000 abstract description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 4
- 238000003745 diagnosis Methods 0.000 abstract description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 239000007788 liquid Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 239000010871 livestock manure Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000004297 night vision Effects 0.000 description 2
- 241000282887 Suidae Species 0.000 description 1
- 206010047700 Vomiting Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 230000027939 micturition Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 244000144977 poultry Species 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 210000002700 urine Anatomy 0.000 description 1
- 230000008673 vomiting 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Environmental Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Animal Husbandry (AREA)
- Housing For Livestock And Birds (AREA)
Abstract
本发明提供了一种识别圈养动物腹泻的方法，属于疾病诊断技术领域，包括以下步骤：识别动物在排泄区内产生的行为，其中所述行为包括：排泄动作以及非排泄动作；在所述动物完成排泄后，对所述动物排泄出的粪便进行评分，判断所述粪便是否为异常粪便；分别找出所述异常粪便与所有所述动物之间的空间距离的数值，并将所述数值与预设阈值进行对比，进而找出产生腹泻的所述动物的具体身份。本发明提供的一种识别圈养动物腹泻的方法，有效降低人工成本，能24h连续，定点进行监测，且检测效率高，可以在第一时间发现群养动物中的个体患病情况。本发明还提供一种识别圈养动物腹泻的系统。
Description
技术领域
本发明属于疾病诊断技术领域，更具体地说，是涉及一种识别圈养动物腹泻的方法及系统。
背景技术
养殖户在圈养动物时，经常会遇到各类问题。如当外部生长环境和饮食产生变化时，动物的免疫力下降，动物容易患病(如产生腹泻、呕吐等)，如果在动物患病的第一时间变能发现并采取积极的治疗措施，对减少养殖户的意外经济损失具有重要的意义。但在目前的养殖过程中，通常处于经济效益的考虑采用最多的为人工观察的手段来判断动物是否产生腹泻，但是传统的人工观察手段无法二十四小时连续不断、且定点的巡查圈养动物的身体情况，难以在第一时间发现动物中的患病个体。
发明内容
本发明的目的在于提供一种识别圈养动物腹泻的方法及系统，旨在解决现有技术中使用的人工观察手段无法二十四小时连续不断、且定点的巡查圈养动物的身体情况，难以在第一时间发现动物中的患病个体。
为实现上述目的，本发明采用的技术方案是：提供一种识别圈养动物腹泻的方法，包括以下步骤：
识别动物在排泄区内产生的行为，其中所述行为包括：排泄动作以及非排泄动作；
在所述动物完成排泄后，对所述动物排泄出的粪便进行评分，判断所述粪便是否为异常粪便；
分别找出所述异常粪便与所有所述动物之间的空间距离的数值，并将所述数值与预设阈值进行对比，进而找出产生腹泻的所述动物的具体身份。
进一步地，所述识别动物在排泄区内所产生的行为采用以下方式得到：
制作实验数据集；
根据所述实验数据集构建动物腹泻检测模型；
使用所述动物腹泻检测模型对所述动物在所述排泄区内产生的行为进行判定。
进一步地，使用所述动物腹泻检测模型对所述动物在所述排泄区内产生的行为进行判定采用以下方式得到：
按时间序列统计录制视频中用于表征所述动物的行为的姿态段；
使用所述动物腹泻检测模型评测所述姿态段，判断所述动物是否在进行排泄。
进一步地，找出所述异常粪便与所有所述动物之间的空间距离的数值通过以下方式得到：
根据所述动物的体型，确定所述动物的姿态包围框，进而确定所述姿态包围框的中心点；
确定所述异常粪便的中心点；
确定所述异常粪便的中心点与所述姿态包围框的中心点之间的距离，并用该距离与预设阈值进行对比看，进而找出产生腹泻的所述动物的具体身份。
进一步地，所述动物排泄出的粪便的评分依据包括：所述粪便的颜色及所述粪便的形态。
进一步地，确定产生腹泻的所述动物的具体身份后，持续监测该所述动物的在一定时间内的腹泻次数。
进一步地，在对所述动物排泄出的粪便进行评分时，先使用红外成像设备区分粪便的新鲜程度。
本发明还提供一种识别圈养动物腹泻的系统，包括：
动物监测组件，用于监测动物的行为及粪便的新鲜程度；
身份芯片，设有若干，分别设置在动物上；以及
控制平台，用于接收所述动物监测组件、所述身份芯片传输的信号，并得到动物是否健康的结果。
进一步地，还包括与所述控制平台电连接、且用于向用户发出警报的警示终端。
本发明提供的一种识别圈养动物腹泻的方法及系统的有益效果在于：与现有技术相比，本发明一种识别圈养动物腹泻的方法及系统有效降低人工成本，能24h连续，定点进行监测，且检测效率高，可以在第一时间发现群养动物中的个体患病情况。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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为本发明实施例提供的一种识别圈养动物腹泻的方法的流程框图一；
图2为本发明实施例提供的一种识别圈养动物腹泻的方法的流程框图二；
图3为本发明实施例提供的一种识别圈养动物腹泻的方法的流程框图三；
图4为本发明实施例提供的一种识别圈养动物腹泻的方法的流程框图四；
图5为本发明实施例提供的一种识别圈养动物腹泻的方法中使用到的动物腹泻检测模型的流程示意图；
图6为本发明实施例提供的一种识别圈养动物腹泻的系统的结构示意图。
图中：1、动物监测组件；2、身份芯片；3、控制平台；4、警示终端。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
请一并参阅图1至图5，现对本发明提供的一种识别圈养动物腹泻的方法及系统进行说明。所述一种识别圈养动物腹泻的方法，包括以下步骤：
S1、识别动物在排泄区内产生的行为，其中行为包括：排泄动作以及非排泄动作；
动物的种类包括家禽、家畜。
该方法可以同时对多只动物分别进行识别。
排泄区通过人为划分进行界定，通常根据动物的排泄习惯进行划分，且在排泄区的正上方安装红外夜视摄像设备，通过红外夜视摄像设备对动物在排泄区内的动作进行视频的录制。
本步骤具体的实现可以为：
S1.1、制作实验数据集；
本步骤具体的实现可以为：
从已经录制好的视频中截取动物在监控视频范围内活动的片段，且每隔2s从视频中提出1张图片，并进行保存；删除既无完整动物体又无异常粪便的无效图片，留下有效图片；对有效图片进行标注，并保存为文件，该文件记录有标注框的位置和目标类别；将所有的有效图片视为实验数据集。
S1.2、根据实验数据集构建动物腹泻检测模型；
本步骤具体的实现可以为：
将实验数据集分成若干份，其中一份作为测试集进行使用，其余用作训练基于深度卷积神经网络的动物腹泻检测模型，其中该动物腹泻检测模型的模型参数包含排泄区可能出现的各种情况，然后使用测试集测试得到的动物腹泻检测模型的预测性能；动物腹泻检测模型预测的结果与实际测试集包含的内容相同时，该动物腹泻检测模型可被使用。
需要说明的是，该动物腹泻检测模型对动物的行为、粪便进行一体化分类，深度卷积神经网络的结构采用YOLOv3网络模型，在YOLOv3网络模型中采用类残差网络构造的DarkNet-53作为基础网络，使网络层数能够不断加深且不易造成梯度消失或训练退化的问题，从而加强对图像特征的学习，提高对动物的行为、异常病变等多类目标的识别精确度。另一方面，通过将低阶特征和高阶特征有机融合起来，提高对不同尺度目标的检测精度，适合同时进行动物的行为、异常粪便的两种目标的检测。
具体的是，在迭代该动物腹泻检测模型的过程中会优化损失函数，损失函数的定义为：
其中，s×s表示将整幅图片分成s×s个栅格，Losscoord、Lossiou和Losscls分别指定位误差、IOU误差、和分类误差。
式中，λcoord为定位误差项权重；B为每个栅格负责目标个数；
与目标标定坐标框IOU最大的边界框所在的栅格负责该目标坐标预测；xn，yn，
hn为标定坐标；
为预测坐标；n表示某一个栅格；λnoobj为不含目标边界框的权重；Cn、
置信度的标定值和预测值；pn、
为包含目标的栅格分类概率的标定值和预测值。
该动物腹泻检测模型的模型参数的设定：训练共迭代25000次；采用批处理值为64的mini-batch随机梯度下降法训练；输入图像宽和高数据为608像素×608像素；学习策略为步进型，学习率初始化为0.001，并在迭代次数为20000次时将学习率缩小为初始学习率的1/10，22000次时在之前基础上继续缩小为当前学习率的1/10，实现步进式学习。动量设为0.96，权值衰减速率设为0.0005，每一次迭代学习率衰减方式定义为：
其中，lrn为第n次迭代时的学习效率；lrinitial为学习率初始值。
S1.3、使用动物腹泻检测模型对动物在排泄区内产生的行为进行判定，得到动物是正在排泄还是非排泄的结果。
本步骤具体的实现可以为：
S1.3.1、按时间序列统计录制视频中用于表征动物的行为的姿态段；
姿态段：在一定时间(≥2s)内动物会保持同一类型的姿态。
姿态段的设置有助于降低视频内动物行为分析的难度，提高动物腹泻检测模型对视频中动物行为识别的准确性。
S1.3.2、使用动物腹泻检测模型评测姿态段，判断动物是否在进行排泄。
S2、在动物完成排泄后，对动物排泄出的粪便进行评分，判断粪便是否为异常粪便；
在本步骤中，在对动物排泄出的粪便进行评分时，先使用红外成像设备区分粪便的新鲜程度，提高该动物腹泻检测模型评测结果的准确率。
在本步骤中，动物排泄出的粪便的评分依据包括：粪便的颜色及粪便的形态。
异常粪便的包括以下几种情况：一、粪便松散，部分成形；二、半液体粪便，粪水未分离；三、水样粪，粪水分离。
S3、分别找出异常粪便与所有动物之间的空间距离的数值，并将数值与预设阈值进行对比，进而找出产生腹泻的动物的具体身份。
本步骤具体的实现可以为：
S3.1、根据动物的体型，确定动物的姿态包围框，进而确定姿态包围框的中心点；
姿态包围框为用于表示任一动物体型轮廓的框体。
S3.2、确定异常粪便的中心点；
S3.3、确定异常粪便的中心点与姿态包围框的中心点之间的距离，并用该距离与预设阈值进行对比看，进而找出产生腹泻的动物的具体身份。
S4、确定产生腹泻的动物的具体身份后，持续监测该动物的在一定时间内的腹泻次数。提高检测结果的可信度。
本发明提供的一种识别圈养动物腹泻的方法，与现有技术相比，有效降低人工成本，能24h连续，定点进行监测，且检测效率高，可以在第一时间发现群养动物中的个体患病情况。
以动物为小猪为例进行具体说明，经查阅资料可知小猪有靠近墙根排泄的习性，故以此确定排泄区的范围。然后根据实际情况对排泄动作和非排泄动作进行定义。其中排泄动作包括：显著排泄和疑似公猪排尿。显著排泄包括母猪排尿、母猪排粪、公猪排粪。非排泄动作包括站立、行走、躺卧、趴卧、爬跨、打闹、摔倒等情况。小猪的粪便分为：粪便较硬或呈颗粒状、正常粪便，松软成形、粪便松散，部分成形、半液体粪便，粪水未分离、水样粪，粪水分离五种情况，其中出现粪便松散，部分成形、半液体粪便，粪水未分离、水样粪，粪水分离这三种情况时小猪发生腹泻。需要说明的是，在制作实验数据集的过程中若试验猪舍中病便数量有限且形态单一，为扩充数据集中病便数量，满足训练数据量的需求，对其他猪舍以同样方式采集视频,获取包含病便的视频图像。然后再基于上文描述的方法构建用于小猪的动物腹泻检测模型，然后将该动物腹泻检测模型用于对小猪行为的监测。需要说明的是，用于小猪的动物腹泻检测模型还包含身份识别过程，当该动物腹泻检测模型检测出具体是哪头小猪产生腹泻后，身份识别过程启动，此时该动物腹泻检测模型会继续对图片中的小猪进行解析，通过提取并识别产生腹泻小猪身上的标记来识别是具体哪头小猪产生的腹泻。需要说明的是，各头小猪身上做的标记差异较大，方便该动物腹泻检测模型对标记的识别。
本发明还提供一种用于识别小猪具体身份的方法，包括如下步骤：在每个小猪体内分别嵌入能发射出坐标信号的身份芯2，发出的坐标信号被动物监测组件1收集，并隐含在视频片段内。该动物腹泻检测模型内嵌有识别模块，当通过使用动物腹泻检测模型检测出任一小猪产生腹泻后，动物腹泻检测模型内嵌的识别模块会启动，识别模块会基于姿态段的图片提取一个坐标图，然后将坐标信号与坐标图重合，然后查看坐标信号是否与姿态包围框的中心点近似重合即可。
本发明还提供一种识别圈养动物腹泻的系统，请一并参阅图1至图6，包括动物监测组件1、身份芯片2以及控制平台3，动物监测组件1用于监测动物的行为及粪便的新鲜程度；身份芯片2设有若干，且分别设置在动物上；以及控制平台3用于接收动物监测组件1、身份芯片2传输的信号，并得到动物是否健康的结果。该种识别圈养动物腹泻的系统用于执行上文所述的识别圈养动物腹泻的方法。
在本实施例中，该识别圈养动物腹泻的系统还包括与控制平台3电连接、且用于向用户发出警报的警示终端4。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种识别圈养动物腹泻的方法，其特征在于，包括以下步骤：
识别动物在排泄区内产生的行为，其中所述行为包括：排泄动作以及非排泄动作；
在所述动物完成排泄后，对所述动物排泄出的粪便进行评分，判断所述粪便是否为异常粪便；
分别找出所述异常粪便与所有所述动物之间的空间距离的数值，并将所述数值与预设阈值进行对比，进而找出产生腹泻的所述动物的具体身份。
2.如权利要求1所述的一种识别圈养动物腹泻的方法，其特征在于，所述识别动物在排泄区内所产生的行为采用以下方式得到：
制作实验数据集；
根据所述实验数据集构建动物腹泻检测模型；
使用所述动物腹泻检测模型对所述动物在所述排泄区内产生的行为进行判定。
3.如权利要求2所述的一种识别圈养动物腹泻的方法，其特征在于，使用所述动物腹泻检测模型对所述动物在所述排泄区内产生的行为进行判定采用以下方式得到：
按时间序列统计录制视频中用于表征所述动物的行为的姿态段；
使用所述动物腹泻检测模型评测所述姿态段，判断所述动物是否在进行排泄。
4.如权利要求3所述的一种识别圈养动物腹泻的方法，其特征在于，找出所述异常粪便与所有所述动物之间的空间距离的数值通过以下方式得到：
根据所述动物的体型，确定所述动物的姿态包围框，进而确定所述姿态包围框的中心点；
确定所述异常粪便的中心点；
确定所述异常粪便的中心点与所述姿态包围框的中心点之间的距离，并用该距离与预设阈值进行对比看，进而找出产生腹泻的所述动物的具体身份。
5.如权利要求4所述的一种识别圈养动物腹泻的方法，其特征在于，所述动物排泄出的粪便的评分依据包括：所述粪便的颜色及所述粪便的形态。
6.如权利要求1-5任一项所述的一种识别圈养动物腹泻的方法，其特征在于：确定产生腹泻的所述动物的具体身份后，持续监测该所述动物的在一定时间内的腹泻次数。
7.如权利要求1所述的一种识别圈养动物腹泻的方法，其特征在于：在对所述动物排泄出的粪便进行评分时，先使用红外成像设备区分粪便的新鲜程度。
8.一种识别圈养动物腹泻的系统，其特征在于，包括：
动物监测组件(1)，用于监测动物的行为及粪便的新鲜程度；
身份芯片(2)，设有若干，分别设置在动物上；以及
控制平台(3)，用于接收所述动物监测组件(1)、所述身份芯片(2)传输的信号，并得到动物是否健康的结果。
9.如权利要求8所述的一种识别圈养动物腹泻的系统，其特征在于，还包括与所述控制平台(3)电连接、且用于向用户发出警报的警示终端(4)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011460873.2A CN112544491A (zh) | 2020-12-11 | 2020-12-11 | 一种识别圈养动物腹泻的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011460873.2A CN112544491A (zh) | 2020-12-11 | 2020-12-11 | 一种识别圈养动物腹泻的方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112544491A true CN112544491A (zh) | 2021-03-26 |
Family
ID=75062497
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011460873.2A Withdrawn CN112544491A (zh) | 2020-12-11 | 2020-12-11 | 一种识别圈养动物腹泻的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112544491A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115471502A (zh) * | 2022-11-01 | 2022-12-13 | 山东土之素生物技术有限公司 | 基于计算机视觉的畜牧粪便快速检测方法 |
| CN116267695A (zh) * | 2023-05-10 | 2023-06-23 | 厦门农芯数字科技有限公司 | 基于大数据的母猪健康监控方法、系统及存储介质 |
| CN116682147A (zh) * | 2023-08-02 | 2023-09-01 | 北京市农林科学院智能装备技术研究中心 | 一种动物腹泻的识别装置 |
| CN117423042A (zh) * | 2023-12-15 | 2024-01-19 | 成都大熊猫繁育研究基地 | 一种基于大熊猫排泄物识别的大熊猫健康评估方法及系统 |
-
2020
- 2020-12-11 CN CN202011460873.2A patent/CN112544491A/zh not_active Withdrawn
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115471502A (zh) * | 2022-11-01 | 2022-12-13 | 山东土之素生物技术有限公司 | 基于计算机视觉的畜牧粪便快速检测方法 |
| CN116267695A (zh) * | 2023-05-10 | 2023-06-23 | 厦门农芯数字科技有限公司 | 基于大数据的母猪健康监控方法、系统及存储介质 |
| CN116267695B (zh) * | 2023-05-10 | 2023-08-15 | 厦门农芯数字科技有限公司 | 基于大数据的母猪健康监控方法、系统及存储介质 |
| CN116682147A (zh) * | 2023-08-02 | 2023-09-01 | 北京市农林科学院智能装备技术研究中心 | 一种动物腹泻的识别装置 |
| CN116682147B (zh) * | 2023-08-02 | 2023-10-31 | 北京市农林科学院智能装备技术研究中心 | 一种动物腹泻的识别装置 |
| CN117423042A (zh) * | 2023-12-15 | 2024-01-19 | 成都大熊猫繁育研究基地 | 一种基于大熊猫排泄物识别的大熊猫健康评估方法及系统 |
| CN117423042B (zh) * | 2023-12-15 | 2024-02-20 | 成都大熊猫繁育研究基地 | 一种基于大熊猫排泄物识别的大熊猫健康评估方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112544491A (zh) | 一种识别圈养动物腹泻的方法及系统 | |
| Zheng et al. | Automatic recognition of lactating sow postures from depth images by deep learning detector | |
| Wu et al. | Using a CNN-LSTM for basic behaviors detection of a single dairy cow in a complex environment | |
| CN110147771B (zh) | 基于母猪关键部位与环境联合分区的母猪侧卧姿态实时检测系统 | |
| Dorcas et al. | Innovative methods for studies of snake ecology and conservation | |
| Mollah et al. | Digital image analysis to estimate the live weight of broiler | |
| Mollet et al. | Fisheries-induced evolutionary changes in maturation reaction norms in North Sea sole Solea solea | |
| CN109508907A (zh) | 基于深度学习与远程视频的奶牛体况智能评分系统 | |
| CN114638536A (zh) | 基于人工智能的畜牧健康监测方法与系统 | |
| Ma et al. | Development of noncontact body temperature monitoring and prediction system for livestock cattle | |
| Tian et al. | Real-time behavioral recognition in dairy cows based on geomagnetism and acceleration information | |
| Huang et al. | Cow tail detection method for body condition score using Faster R-CNN | |
| CN115830490A (zh) | 一种群养生猪多目标跟踪及行为统计方法 | |
| Wang et al. | Towards re-identification for long-term tracking of group housed pigs | |
| CN113822185A (zh) | 一种群养生猪日常行为检测方法 | |
| CN114898405A (zh) | 基于边缘计算的便携式肉鸡异常监测系统 | |
| Xu et al. | Automatic quantification and assessment of grouped pig movement using the XGBoost and YOLOv5s models | |
| CN115471502B (zh) | 基于计算机视觉的畜牧粪便快速检测方法 | |
| Ojukwu et al. | Development of a computer vision system to detect inactivity in group-housed pigs | |
| CN116935439A (zh) | 一种孕羊分娩自动监测预警方法及自动监测预警系统 | |
| Gültepe | Analysis of Alburnus tarichi population by machine learning classification methods for sustainable fisheries | |
| CN116091962A (zh) | 一种基于多层次行为分析的大熊猫产期预测方法 | |
| Avanzato et al. | Dairy Cow Behavior Recognition Using Computer Vision Techniques and CNN Networks | |
| Fernández et al. | Habitat‐related heterogeneity in breeding in a metapopulation of the Iberian lynx | |
| Cai et al. | A night-time anomaly detection system of hog activities based on passive infrared detector |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210326 |