CN112587089B - 基于人工智能的妊娠检测方法、装置、计算机设备和介质 - Google Patents
基于人工智能的妊娠检测方法、装置、计算机设备和介质 Download PDFInfo
- Publication number
- CN112587089B CN112587089B CN202011303285.8A CN202011303285A CN112587089B CN 112587089 B CN112587089 B CN 112587089B CN 202011303285 A CN202011303285 A CN 202011303285A CN 112587089 B CN112587089 B CN 112587089B
- Authority
- CN
- China
- Prior art keywords
- pregnancy
- video stream
- detected
- classification model
- video
- 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
- 230000035935 pregnancy Effects 0.000 title claims abstract description 184
- 238000001514 detection method Methods 0.000 title claims abstract description 41
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 22
- 238000013145 classification model Methods 0.000 claims abstract description 92
- 244000144972 livestock Species 0.000 claims abstract description 58
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000009597 pregnancy test Methods 0.000 claims abstract description 18
- 238000003062 neural network model Methods 0.000 claims abstract description 14
- 238000003860 storage Methods 0.000 claims abstract description 12
- 210000001667 gestational sac Anatomy 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 20
- 230000015654 memory Effects 0.000 claims description 18
- 210000004291 uterus Anatomy 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 241000282887 Suidae Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000009395 breeding Methods 0.000 description 2
- 230000001488 breeding effect Effects 0.000 description 2
- 230000004660 morphological change Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 241000283690 Bos taurus Species 0.000 description 1
- 206010027146 Melanoderma Diseases 0.000 description 1
- 241000283973 Oryctolagus cuniculus Species 0.000 description 1
- 241001494479 Pecora Species 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000002775 capsule Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/43—Detecting, measuring or recording for evaluating the reproductive systems
- A61B5/4306—Detecting, measuring or recording for evaluating the reproductive systems for evaluating the female reproductive systems, e.g. gynaecological evaluations
- A61B5/4343—Pregnancy and labour monitoring, e.g. for labour onset detection
-
- 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
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- 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
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Environmental Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Animal Husbandry (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Pregnancy & Childbirth (AREA)
- Gynecology & Obstetrics (AREA)
- Reproductive Health (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种基于人工智能的妊娠检测方法、装置、计算机设备和存储介质。采用本申请能够缩短牲畜妊娠检测时间,提升妊娠检测准确度,从而提升妊娠检测效率。所述方法包括:通过采集牲畜预设部位的待检测视频流,将上述待检测视频流输入至预先构建的怀孕状态分类模型,以使该怀孕状态分类模型基于上述待检测视频流输出不同怀孕状态对应的概率值;该怀孕状态分类模型采用基于时序的神经网络模型;根据不同怀孕状态对应的概率值的相对大小,确定上述牲畜的孕检结果。
Description
技术领域
本申请涉及妊娠图像检测技术领域,特别是涉及一种基于人工智能的妊娠检测方法、装置、计算机设备和存储介质。
背景技术
在牲畜养殖领域,为提高生产效率,保障牲畜健康生产,需要对牲畜进行怀孕检测。目前的牲畜孕检都需要在牲畜怀孕达到一定阶段后才能采集孕囊的B超图像,然后由人工进行孕囊辨别,以母猪为例,一般母猪怀孕后需要至少28日孕龄以上,这时采集到的B超图像才能被人眼识别出孕囊形状。而小孕龄的牲畜由于孕检的B超图像上没有特别明显的孕囊形状,人眼辨别难度高,无法尽早辨别牲畜是否受孕,进而影响了养殖场的喂养策略,降低了生产效率。
发明内容
基于此,有必要针对上述技术问题,提供一种基于人工智能的妊娠检测方法、装置、计算机设备和存储介质。
一种基于人工智能的妊娠检测方法,应用于计算机设备,所述方法包括:
采集牲畜预设部位的待检测视频流;
将所述待检测视频流输入至预先构建的怀孕状态分类模型,以使所述怀孕状态分类模型基于所述待检测视频流输出不同怀孕状态对应的概率值;所述怀孕状态分类模型采用基于时序的神经网络模型;
根据所述不同怀孕状态对应的概率值的相对大小,确定所述牲畜的孕检结果。
在其中一个实施例中,所述采集牲畜预设部位的待检测视频流之前,还包括:
获取样本视频流;所述样本视频流包括怀孕样本视频流和空怀样本视频流;
利用所述怀孕样本视频流和空怀样本视频流对待训练怀孕状态分类模型进行调参训练,构建所述怀孕状态分类模型。
在其中一个实施例中,所述将所述待检测视频流输入至预先构建的怀孕状态分类模型,以使所述怀孕状态分类模型基于所述待检测视频流输出不同怀孕状态对应的概率值,包括:
通过所述怀孕状态分类模型以预设的频率采集所述待检测视频流中的多个视频帧,识别各个视频帧中的孕囊部位的图像,根据所述各个视频帧中的孕囊部位的图像计算所述各个视频帧中的孕囊的特征值,根据所述各个视频帧中的孕囊的特征值预测得到所述概率值。
在其中一个实施例中,所述通过所述怀孕状态分类模型以预设的频率采集所述待检测视频流中的多个视频帧之后,还包括:
通过所述怀孕状态分类模型中的滤波器对各个视频帧进行滤波处理得到降噪后的视频帧。
在其中一个实施例中,所述预设部位的待检测视频流,包括:在所述预设部位按照顺时针方向采集的视频流,或者,在所述预设部位按照逆时针方向采集的视频流。
在其中一个实施例中,所述怀孕状态分类模型包括前向传播模型和反向传播模型,所述将所述待检测视频流输入至预先构建的怀孕状态分类模型,以使所述怀孕状态分类模型基于所述待检测视频流输出不同怀孕状态对应的概率值,包括:
将所述顺时针方向的视频流输入所述前向传播模型,计算得到第一系数组;
将所述逆时针方向的视频流输入所述反向传播模型,计算得到第二系数组;
根据所述第一系数组和所述第二系数组,以及预设的权重计算得到所述牲畜不同怀孕状态对应的概率值。
在其中一个实施例中,所述采集牲畜预设部位的待检测视频流之后,所述方法还包括:
针对所述待检测视频流进行视频流预处理;所述视频流预处理包括对比度增强和/或抖动调节。
一种基于人工智能的妊娠检测装置,所述装置包括:
视频流采集模块,用于采集牲畜预设部位的待检测视频流;
概率值输出模块,用于将所述待检测视频流输入至预先构建的怀孕状态分类模型,以使所述怀孕状态分类模型基于所述待检测视频流输出不同怀孕状态对应的概率值;所述怀孕状态分类模型采用基于时序的神经网络模型;
孕检结果确定模块,用于根据所述不同怀孕状态对应的概率值的相对大小,确定所述牲畜的孕检结果。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如上述的基于人工智能的妊娠检测方法的步骤。
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上述的基于人工智能的妊娠检测方法的步骤。
上述基于人工智能的妊娠检测方法、装置、计算机设备和存储介质,通过采集牲畜预设部位的待检测视频流,将上述待检测视频流输入至预先构建的怀孕状态分类模型,以使该怀孕状态分类模型基于上述待检测视频流输出不同怀孕状态对应的概率值;该怀孕状态分类模型采用基于时序的神经网络模型;根据不同怀孕状态对应的概率值的相对大小,确定上述牲畜的孕检结果。该方法通过建立怀孕状态分类模型,并将采集到的牲畜预设部位的待检测视频流输入至怀孕状态分类模型中,通过计算分析得到不同怀孕状态的概率值,判断概率值的大小得到牲畜的孕检结果,相对于人工判断,结果更准确,提升了妊娠检测的效率和准确度。
附图说明
图1为一个实施例中基于人工智能的妊娠检测方法的应用环境图;
图2为一个实施例中基于人工智能的妊娠检测方法的流程示意图;
图3为一个实施例中怀孕状态分类模型计算概率值步骤的流程示意图;
图4为一个实施例中基于人工智能的妊娠检测装置的结构框图;
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的基于人工智能的妊娠检测方法,可以应用于如图1所示的应用环境中。其中,终端101通过网络与服务器102进行通信。其中,终端101为带有摄像装置的终端设备,可以但不限于是各种B超检测仪、彩超检测仪以及能够进行妊娠检测的设备,服务器102可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种基于人工智能的妊娠检测方法,以该方法应用于图1中的服务器102为例进行说明,包括以下步骤:
步骤S201,采集牲畜预设部位的待检测视频流。
其中,牲畜为养殖场中的牲畜,例如可以为猪、牛、羊、兔等,为简化说明,以下实施例均以猪为例进行说明。预设部位指的是牲畜子宫及其附近组织位置对应的部位,例如,对于母猪来说,上述预设部位指的是母猪腹部和后腿连接的无毛三角区。
具体地,首先有人工选定孕龄时间范围内的牲畜,以母猪为例,选取28日孕龄以上的母猪,通过图像采集设备101针对牲畜的子宫位置以一定的频率采集预定范围的图像帧,例如,以30赫兹的频率采集母猪子宫位置的B超图像持续10秒钟,则得到的视频流中包含的图像帧有300帧。
步骤S202,将待检测视频流输入至预先构建的怀孕状态分类模型,以使怀孕状态分类模型基于待检测视频流输出不同怀孕状态对应的概率值;怀孕状态分类模型采用基于时序的神经网络模型。
其中,怀孕状态分类模型为预先针对特定的待检测牲畜的孕囊或子宫形态进行深度学习后得到的能够识别妊娠图像的神经网络模型。孕囊为怀孕最初的形态。
具体地,服务器102将上述待检测视频流输入预先构建的怀孕状态分类模型,该预先构建的怀孕状态分类模型对上述待检测视频流中的视频帧进行自动检测,并进行对比分析计算,对待检测视频流进行怀孕状态和非怀孕状态的二分类,得到牲畜怀孕状态和非怀孕状态的概率值。其中的怀孕状态分类模型为基于时序的神经网络模型,例如,可以是LSTM(Long short-term memory,长短期记忆网络)。
步骤S203,根据不同怀孕状态对应的概率值的相对大小,确定牲畜的孕检结果。
具体地,针对上述对每一份待检测视频流,怀孕状态分类模型都会输出两个概率值,分别对应怀孕状态和非怀孕状态的概率值,服务器102还通过比较两个概率值的大小,概率大的即确定为孕检结果,例如针对同一只母猪,上述怀孕状态分类模型通过计算得到两个概率值,怀孕状态的概率值为33%,非怀孕状态的概率值为67%,则根据概率值较大的结果确定该母猪为非怀孕状态。最后,将上述妊检分类结果数据上传到养殖系统数据库,并以此调整喂养策略,以实现精准饲喂。
上述实施例,通过建立怀孕状态分类模型,并将采集到的牲畜预设部位的待检测视频流输入至怀孕状态分类模型中,通过计算分析得到不同怀孕状态的概率值,判断概率值的大小得到牲畜的孕检结果,相对于人工判断,结果更准确,且能够将孕检时间范围扩大,例如通过人眼只能针对孕龄在1个月以上的母猪进行判断,而通过上述神经网络模型可以针对孕龄在半个月以上的母猪进行检测,进一步提升了妊娠检测的效率和准确度。
在一个实施例中,上述步骤S201之前,还包括:获取样本视频流;样本视频流包括怀孕样本视频流和空怀样本视频流;利用怀孕样本视频流和空怀样本视频流对待训练怀孕状态分类模型进行调参训练,构建怀孕状态分类模型。
其中,空怀样本视频流是指事先在数据库中存储的被确定为非怀孕的牲畜预设部位的视频流。
具体地,利用数据库中存储的怀孕样本视频流和空怀样本视频流两种类别的数据针对待训练的怀孕状态分类模型进行调参训练,得到泛化能力较强的能够识别小孕龄牲畜妊娠检测图像的怀孕状态分类模型。
针对上述怀孕样本视频流和空怀样本视频流中的母猪,可以包括配种达18-30日龄母猪,由于配种达30日龄的母猪的妊娠判别准确率可达100%,因此可以收集母猪配种达到18日龄至30日龄之间的各阶段的样本视频流作为训练数据对上述怀孕状态分类模型进行调参训练,这样可得到一个可识别配种18日龄的母猪怀孕状态的分类模型。
上述实施例,通过数据库中存储的怀孕样本数据流和空怀样本数据流针对怀孕状态分类模型进行训练,由于小孕龄母猪子宫与非怀孕母猪子宫在顺时针或逆时针方向上的形态变化是存在差异的。基于时间序列的卷积神经网络不仅可以提取单张视频帧图像特征,还可以兼顾连续帧之间的关系,通过训练该网络可以学习到小孕龄母猪子宫与非怀孕母猪子宫在顺时针或逆时针方向上的形态变化差异,最终得到能够识别小孕龄牲畜妊娠检测图像的怀孕状态分类模型,为牲畜妊娠检测提供了数据基础。
在一实施例中,如图3所示,上述步骤S202,包括:
步骤S301,通过怀孕状态分类模型以预设的频率采集待检测视频流中的多个视频帧;
具体地,将待检测视频流输入已经训练好的怀孕状态分类模型后,该怀孕状态分类模型以一定的频率采集待检测视频流中的视频帧,例如待检测视频流的时间长度为10秒时,怀孕状态分类模型以30赫兹的频率对该待检测视频流进行采样,就会得到300帧视频帧。
步骤S302,怀孕状态分类模型识别各个视频帧中的孕囊部位的图像,根据各个视频帧中的孕囊部位的图像计算各个视频帧中的孕囊的特征值;
具体地,通过怀孕状态分类模型识别各个视频帧中的孕囊部位的图像,计算各个视频帧中的孕囊的特征值,例如以母猪为例,特征值可以为蜂窝状黑斑面积、胎体形状类型等特征值,当怀孕状态分类模型为LSTM模型时,由于该模型中每一刻的输出值都由该时刻的输入和上一时刻的输出值共同决定,因此,该模型可针对孕囊图像的不同方位的特征变化判断母猪是否怀孕。
步骤S303,怀孕状态分类模型根据各个视频帧中的孕囊的特征值预测得到概率值。
具体地,根据不同方位的视频帧中的孕囊的特征值计算得到母猪怀孕状态和空怀状态的概率值。
在一具体实施例中,上述通过怀孕状态分类模型以预设的频率采集待检测视频流中的多个视频帧之后,还包括:通过怀孕状态分类模型中的滤波器对各个视频帧进行滤波处理得到降噪后的视频帧,例如通过均值滤波器、中值滤波器、自适应维纳滤波器对视频帧进行降噪处理,然后针对降噪后的图像进行孕囊识别并计算特征值。
上述实施例,通过怀孕状态分类模型对视频帧进行降噪处理,计算孕囊不同方位的图像的特征值,并根据特征值得到牲畜怀孕和空怀的概率,减少了人眼判断带来的误判,提高了判断牲畜是否怀孕的准确性。
在一实施例中,上述预设部位的待检测视频流,包括:在所述预设部位按照顺时针方向采集的视频流,或者,在所述预设部位按照逆时针方向采集的视频流。
具体地,在母猪子宫位置顺时针连续采集预设时间的视频流,例如采集10秒的视频流,或者,在同样的位置逆时针连续采集同样时间的视频流。将上述顺时针连续采集的视频流输入预先构建的怀孕状态分类模型进行怀孕状态和空怀状态的二分类,最终确定孕检结果。其中的视频流也可以是在母猪子宫位置逆时针连续采集预设时间的视频流,由于怀孕状态的牲畜子宫和非怀孕状态的牲畜子宫在同一方向上的形态变化是存在差异的,因此,使用预先构建的基于时间序列的卷积神经网络,例如LSTM可识别这种差异变化,进而判断牲畜是怀孕状态还是非怀孕状态。
上述实施例,通过采集牲畜的子宫部位顺时针或逆时针方向上的视频序列,利用同一方向上连续帧之间的子宫形态变化差异对牲畜进行孕检,提高了孕检的准确性,缩短了孕检的时间,节省了人力成本,提高了孕检效率。
在一实施例中,上述怀孕状态分类模型包括前向传播模型和反向传播模型,上述步骤S202,包括:将顺时针方向的视频流输入前向传播模型,计算得到第一系数组;将逆时针方向的视频流输入反向传播模型,计算得到第二系数组;根据第一系数组和第二系数组,以及预设的权重计算得到牲畜不同怀孕状态对应的概率值。
其中,前向传播模型是指LSTM网络中输入的数据到最终的输出结果的过程中逐层产生误差的模型,而反向传播模型是指将输出层的误差反向传播给隐藏层,隐藏层根据误差更新参数再进行计算的模型。
具体地,分别采集母猪子宫部位顺时针方向的视频流和逆时针方向的视频流,分别将上述视频流输入LSTM的前向传播模型和反向传播模型,前向传播模型根据顺时针方向的视频帧上子宫的图像特征计算各个卷积层上的误差参数,作为第一系数组;反向传播模型根据逆时针方向的视频帧上子宫的图像特征计算各个卷积层上的误差参数,作为第二系数组,结合第一系数组和第二系数组,和预设的每个神经元上的权重,使用梯度下降算法计算得到牲畜不同怀孕状态对应的概率值。
上述实施例,通过前向传播模型和反向传播模型计算牲畜不同怀孕状态对应的概率值,加快了计算速度,节省了孕检时间。
在一实施例中,上述步骤S201之后,还包括:针对待检测视频流进行视频流预处理;视频流预处理包括对比度增强和/或抖动调节。
具体地,采集牲畜预设部位的视频流后,还可以对视频流进行对比度增强和/或抖动调节,得到预处理后的视频流,随后将预处理后的视频流输入怀孕状态分类模型中进行分类处理。
上述实施例,通过对视频流进行预处理,再进行识别和分类,可以得到更精确的孕检结果,提高妊娠检测的准确性。
应该理解的是,虽然图1-2的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1-2中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图4所示,提供了一种基于人工智能的妊娠检测装置400,包括:视频流采集模块401、概率值输出模块402和孕检结果确定模块403,其中:
视频流采集模块401,用于采集牲畜预设部位的待检测视频流;
概率值输出模块402,用于将所述待检测视频流输入至预先构建的怀孕状态分类模型,以使所述怀孕状态分类模型基于所述待检测视频流输出不同怀孕状态对应的概率值;所述怀孕状态分类模型采用基于时序的神经网络模型;
孕检结果确定模块403,用于根据所述不同怀孕状态对应的概率值的相对大小,确定所述牲畜的孕检结果。
在一实施例中,视频流采集模块401,还用于获取样本视频流;所述样本视频流包括怀孕样本视频流和空怀样本视频流;
概率值输出模块402,还用于利用所述怀孕样本视频流和空怀样本视频流对待训练怀孕状态分类模型进行调参训练,构建所述怀孕状态分类模型。
在一实施例中,上述概率值输出模块402,进一步用于通过所述怀孕状态分类模型以预设的频率采集所述待检测视频流中的多个视频帧,识别各个视频帧中的孕囊部位的图像,根据所述各个视频帧中的孕囊部位的图像计算所述各个视频帧中的孕囊的特征值,根据所述各个视频帧中的孕囊的特征值预测得到所述概率值。
在一实施例中,上述装置400,还包括:滤波处理单元,用于通过所述怀孕状态分类模型中的滤波器对各个视频帧进行滤波处理得到降噪后的视频帧。
在一实施例中,所述预设部位的待检测视频流,包括:在所述预设部位按照顺时针方向采集的视频流,或者,在所述预设部位按照逆时针方向采集的视频流。
在一实施例中,所述怀孕状态分类模型包括前向传播模型和反向传播模型,上述概率值输出模块402,还用于将所述顺时针方向的视频流输入所述前向传播模型,计算得到第一系数组;将所述逆时针方向的视频流输入所述反向传播模型,计算得到第二系数组;根据所述第一系数组和所述第二系数组,以及预设的权重计算得到所述牲畜不同怀孕状态对应的概率值。
在一实施例中,视频流采集模块401,还用于针对所述待检测视频流进行视频流预处理;所述视频流预处理包括对比度增强和/或抖动调节。
关于基于人工智能的妊娠检测装置的具体限定可以参见上文中对于基于人工智能的妊娠检测方法的限定,在此不再赘述。上述基于人工智能的妊娠检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储牲畜孕检结果数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于人工智能的妊娠检测方法。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
采集牲畜预设部位的待检测视频流;将所述待检测视频流输入至预先构建的怀孕状态分类模型,以使所述怀孕状态分类模型基于所述待检测视频流输出不同怀孕状态对应的概率值;所述怀孕状态分类模型采用基于时序的神经网络模型;根据所述不同怀孕状态对应的概率值的相对大小,确定所述牲畜的孕检结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取样本视频流;所述样本视频流包括怀孕样本视频流和空怀样本视频流;利用所述怀孕样本视频流和空怀样本视频流对待训练怀孕状态分类模型进行调参训练,构建所述怀孕状态分类模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
通过所述怀孕状态分类模型以预设的频率采集所述待检测视频流中的多个视频帧,识别各个视频帧中的孕囊部位的图像,根据所述各个视频帧中的孕囊部位的图像计算所述各个视频帧中的孕囊的特征值,根据所述各个视频帧中的孕囊的特征值预测得到所述概率值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
通过所述怀孕状态分类模型中的滤波器对各个视频帧进行滤波处理得到降噪后的视频帧。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
采集牲畜预设部位的待检测视频流,所述预设部位的待检测视频流包括:在所述预设部位按照顺时针方向采集的视频流,或者,在所述预设部位按照逆时针方向采集的视频流。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将所述顺时针方向的视频流输入所述前向传播模型,计算得到第一系数组;将所述逆时针方向的视频流输入所述反向传播模型,计算得到第二系数组;根据所述第一系数组和所述第二系数组,以及预设的权重计算得到所述牲畜不同怀孕状态对应的概率值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
针对所述待检测视频流进行视频流预处理;所述视频流预处理包括对比度增强和/或抖动调节。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于人工智能的妊娠检测方法,所述方法应用于服务器,其特征在于,所述方法包括:
采集牲畜预设部位的待检测视频流;其中,所述预设部位的待检测视频流包括:在所述预设部位按照顺时针方向采集的视频流,或者,在所述预设部位按照逆时针方向采集的视频流;
将所述待检测视频流输入至预先构建的怀孕状态分类模型,以使所述怀孕状态分类模型基于所述待检测视频流输出不同怀孕状态对应的概率值;所述怀孕状态分类模型采用基于时序的神经网络模型;所述怀孕状态分类模型为针对特定的待检测牲畜的孕囊或子宫形态进行深度学习后得到的能够识别妊娠图像的神经网络模型;
根据所述不同怀孕状态对应的概率值的相对大小,确定所述牲畜的孕检结果;
所述采集牲畜预设部位的待检测视频流之前,所述方法还包括:
获取样本视频流;所述样本视频流包括怀孕样本视频流和空怀样本视频流;
利用所述怀孕样本视频流和所述空怀样本视频流对待训练怀孕状态分类模型进行调参训练,通过所述调参训练得到所述怀孕样本视频流和所述空怀样本视频流在顺时针和逆时针方向的差异,构建所述怀孕状态分类模型。
2.根据权利要求1所述的方法,其特征在于,所述将所述待检测视频流输入至预先构建的怀孕状态分类模型,以使所述怀孕状态分类模型基于所述待检测视频流输出不同怀孕状态对应的概率值,包括:
通过所述怀孕状态分类模型以预设的频率采集所述待检测视频流中的多个视频帧,识别各个视频帧中的孕囊部位的图像,根据所述各个视频帧中的孕囊部位的图像计算所述各个视频帧中的孕囊的特征值,根据所述各个视频帧中的孕囊的特征值预测得到所述概率值。
3.根据权利要求2所述的方法,其特征在于,所述通过所述怀孕状态分类模型以预设的频率采集所述待检测视频流中的多个视频帧之后,还包括:
通过所述怀孕状态分类模型中的滤波器对各个视频帧进行滤波处理得到降噪后的视频帧。
4.根据权利要求1至3任一项所述的方法,其特征在于,所述采集牲畜预设部位的待检测视频流之后,所述方法还包括:
针对所述待检测视频流进行视频流预处理;所述视频流预处理包括对比度增强和/或抖动调节。
5.一种基于人工智能的妊娠检测装置,其特征在于,所述装置包括:
视频流采集模块,用于采集牲畜预设部位的待检测视频流;其中,所述预设部位的待检测视频流包括:在所述预设部位按照顺时针方向采集的视频流,或者,在所述预设部位按照逆时针方向采集的视频流;
概率值输出模块,用于将所述待检测视频流输入至预先构建的怀孕状态分类模型,以使所述怀孕状态分类模型基于所述待检测视频流输出不同怀孕状态对应的概率值;所述怀孕状态分类模型采用基于时序的神经网络模型;所述怀孕状态分类模型为针对特定的待检测牲畜的孕囊或子宫形态进行深度学习后得到的能够识别妊娠图像的神经网络模型;
孕检结果确定模块,用于根据所述不同怀孕状态对应的概率值的相对大小,确定所述牲畜的孕检结果;
所述视频流采集模块,还用于获取样本视频流;所述样本视频流包括怀孕样本视频流和空怀样本视频流;
所述概率值输出模块,还用于利用所述怀孕样本视频流和所述空怀样本视频流对待训练怀孕状态分类模型进行调参训练,通过所述调参训练得到所述怀孕样本视频流和所述空怀样本视频流在顺时针和逆时针方向的差异,构建所述怀孕状态分类模型。
6.根据权利要求5所述的装置,其特征在于,所述概率值输出模块进一步用于通过所述怀孕状态分类模型以预设的频率采集所述待检测视频流中的多个视频帧,识别各个视频帧中的孕囊部位的图像,根据所述各个视频帧中的孕囊部位的图像计算所述各个视频帧中的孕囊的特征值,根据所述各个视频帧中的孕囊的特征值预测得到所述概率值。
7.根据权利要求5所述的装置,其特征在于,所述装置还包括:
滤波处理单元,用于通过所述怀孕状态分类模型中的滤波器对各个视频帧进行滤波处理得到降噪后的视频帧。
8.根据权利要求5所述的装置,其特征在于,所述视频流采集模块还用于针对所述待检测视频流进行视频流预处理;所述视频流预处理包括对比度增强和/或抖动调节。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述的方法的步骤。
10.一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时实现权利要求1至4中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011303285.8A CN112587089B (zh) | 2020-11-19 | 2020-11-19 | 基于人工智能的妊娠检测方法、装置、计算机设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011303285.8A CN112587089B (zh) | 2020-11-19 | 2020-11-19 | 基于人工智能的妊娠检测方法、装置、计算机设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112587089A CN112587089A (zh) | 2021-04-02 |
CN112587089B true CN112587089B (zh) | 2023-04-21 |
Family
ID=75183146
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011303285.8A Active CN112587089B (zh) | 2020-11-19 | 2020-11-19 | 基于人工智能的妊娠检测方法、装置、计算机设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112587089B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107595249A (zh) * | 2017-09-30 | 2018-01-19 | 深圳前海全民健康科技有限公司 | 基于脉搏波的怀孕女性筛查方法 |
CN108052964A (zh) * | 2017-12-05 | 2018-05-18 | 翔创科技(北京)有限公司 | 牲畜状态检测方法、计算机程序、存储介质及电子设备 |
CN108171696A (zh) * | 2017-12-29 | 2018-06-15 | 深圳开立生物医疗科技股份有限公司 | 一种胎盘检测方法及装置 |
CN108537785A (zh) * | 2018-04-04 | 2018-09-14 | 北京大学人民医院 | 一种子宫超声微蠕动视频处理方法 |
CN108778287A (zh) * | 2016-02-16 | 2018-11-09 | 塔塔咨询服务有限公司 | 用于早产结果的早期风险评估的方法和系统 |
WO2019034546A1 (en) * | 2017-08-17 | 2019-02-21 | Koninklijke Philips N.V. | ULTRASONIC SYSTEM CAPABLE OF EXTRACTING IMAGE PLANS FROM IMAGE INTERACTION VOLUME DATA WITH AN IMAGE |
CN109544512A (zh) * | 2018-10-26 | 2019-03-29 | 浙江大学 | 一种基于多模态的胚胎妊娠结果预测装置 |
WO2019113643A1 (en) * | 2017-12-15 | 2019-06-20 | Virtus Innovations Pty Ltd | Systems and methods for estimating embryo viability |
CN110706810A (zh) * | 2019-09-29 | 2020-01-17 | 大连鸾实科技有限公司 | 孕产时间的估计方法、装置、计算机设备及存储介质 |
CN110808099A (zh) * | 2019-03-27 | 2020-02-18 | 北京大学第三医院(北京大学第三临床医学院) | 一种用于检测异位妊娠的系统和方法 |
CN110972994A (zh) * | 2019-11-28 | 2020-04-10 | 秒针信息技术有限公司 | 一种识别母猪怀孕的方法及装置 |
CN111096727A (zh) * | 2019-12-31 | 2020-05-05 | 上海市第十人民医院 | 妊高症的检测方法、系统、电子设备和存储介质 |
CN111528108A (zh) * | 2020-06-08 | 2020-08-14 | 西藏新好科技有限公司 | 一种楼房式养猪场及生产群配置方法 |
WO2020209614A1 (ko) * | 2019-04-08 | 2020-10-15 | 울산대학교 산학협력단 | 임신 1분기 초음파 이미지 분석 방법 및 장치 |
CN111785375A (zh) * | 2020-06-18 | 2020-10-16 | 武汉互创联合科技有限公司 | 胚胎分裂过程分析及妊娠率智能预测方法及系统 |
CN111933290A (zh) * | 2020-08-14 | 2020-11-13 | 苏州赫亚斯顿智能科技有限公司 | 一种以机器学习模型建置人工生殖受孕预测方法和装置 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102640876B (zh) * | 2012-05-22 | 2013-06-12 | 山东新希望六和集团有限公司 | 用于治疗鸭病毒性肝炎的饲料、注射液和制备方法 |
US11534104B2 (en) * | 2014-10-29 | 2022-12-27 | Bloom Technologies NV | Systems and methods for contraction monitoring and labor detection |
US10165974B2 (en) * | 2015-11-10 | 2019-01-01 | Elwha Llc | Pregnancy monitoring devices, systems, and related methods |
KR102627714B1 (ko) * | 2016-12-07 | 2024-01-19 | 베이마토브 피티와이 엘티디. | 임신 또는 진통 모니터링 장치 |
US11551064B2 (en) * | 2018-02-08 | 2023-01-10 | Western Digital Technologies, Inc. | Systolic neural network engine capable of forward propagation |
CN109214375B (zh) * | 2018-11-07 | 2020-11-24 | 浙江大学 | 一种基于分段采样视频特征的胚胎妊娠结果预测装置 |
CN109645996B (zh) * | 2019-02-21 | 2022-04-08 | 广州爱听贝科技有限公司 | 一种子宫收缩乏力监测方法、系统、智能终端和存储介质 |
CN110288460A (zh) * | 2019-04-24 | 2019-09-27 | 武汉众邦银行股份有限公司 | 基于前向传播的催收预测方法、装置、设备及存储介质 |
US20200356809A1 (en) * | 2019-05-07 | 2020-11-12 | Vathys, Inc. | Flexible pipelined backpropagation |
CN110827922B (zh) * | 2019-11-06 | 2021-04-16 | 吉林大学 | 基于循环神经网络的羊水蛋白质的预测方法 |
CN110969616B (zh) * | 2019-12-13 | 2020-10-27 | 北京推想科技有限公司 | 评价卵母细胞质量的方法及装置 |
-
2020
- 2020-11-19 CN CN202011303285.8A patent/CN112587089B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108778287A (zh) * | 2016-02-16 | 2018-11-09 | 塔塔咨询服务有限公司 | 用于早产结果的早期风险评估的方法和系统 |
WO2019034546A1 (en) * | 2017-08-17 | 2019-02-21 | Koninklijke Philips N.V. | ULTRASONIC SYSTEM CAPABLE OF EXTRACTING IMAGE PLANS FROM IMAGE INTERACTION VOLUME DATA WITH AN IMAGE |
CN107595249A (zh) * | 2017-09-30 | 2018-01-19 | 深圳前海全民健康科技有限公司 | 基于脉搏波的怀孕女性筛查方法 |
CN108052964A (zh) * | 2017-12-05 | 2018-05-18 | 翔创科技(北京)有限公司 | 牲畜状态检测方法、计算机程序、存储介质及电子设备 |
WO2019113643A1 (en) * | 2017-12-15 | 2019-06-20 | Virtus Innovations Pty Ltd | Systems and methods for estimating embryo viability |
CN108171696A (zh) * | 2017-12-29 | 2018-06-15 | 深圳开立生物医疗科技股份有限公司 | 一种胎盘检测方法及装置 |
CN108537785A (zh) * | 2018-04-04 | 2018-09-14 | 北京大学人民医院 | 一种子宫超声微蠕动视频处理方法 |
CN109544512A (zh) * | 2018-10-26 | 2019-03-29 | 浙江大学 | 一种基于多模态的胚胎妊娠结果预测装置 |
CN110808099A (zh) * | 2019-03-27 | 2020-02-18 | 北京大学第三医院(北京大学第三临床医学院) | 一种用于检测异位妊娠的系统和方法 |
WO2020209614A1 (ko) * | 2019-04-08 | 2020-10-15 | 울산대학교 산학협력단 | 임신 1분기 초음파 이미지 분석 방법 및 장치 |
CN110706810A (zh) * | 2019-09-29 | 2020-01-17 | 大连鸾实科技有限公司 | 孕产时间的估计方法、装置、计算机设备及存储介质 |
CN110972994A (zh) * | 2019-11-28 | 2020-04-10 | 秒针信息技术有限公司 | 一种识别母猪怀孕的方法及装置 |
CN111096727A (zh) * | 2019-12-31 | 2020-05-05 | 上海市第十人民医院 | 妊高症的检测方法、系统、电子设备和存储介质 |
CN111528108A (zh) * | 2020-06-08 | 2020-08-14 | 西藏新好科技有限公司 | 一种楼房式养猪场及生产群配置方法 |
CN111785375A (zh) * | 2020-06-18 | 2020-10-16 | 武汉互创联合科技有限公司 | 胚胎分裂过程分析及妊娠率智能预测方法及系统 |
CN111933290A (zh) * | 2020-08-14 | 2020-11-13 | 苏州赫亚斯顿智能科技有限公司 | 一种以机器学习模型建置人工生殖受孕预测方法和装置 |
Non-Patent Citations (6)
Title |
---|
Wang, Wen-Juan;Zhang, Lin;Zhang, Dan-Li.Exploring Fetal Sex Dimorphism in the Risk Factors of Gestational Diabetes Mellitus-A Prospective Cohort Study.《FRONTIERS IN ENDOCRINOLOGY》.2019,第10卷全文. * |
何丹.在异位妊娠破裂患者手术室护理中应用针对性急救护理干预的效果观察.《中国社区医师》.2019,第35卷(第11期),全文. * |
吴清,唐荣,陈刚.阴道超声联合腹部超声在异位妊娠的诊断价值分析.《河北医学》.2020,第26卷(第10期),全文. * |
宋晨波.基于深度学习的母猪行为检测方法研究.CNKI.2019,全文. * |
欧建平,王辉田,李涛..人工智能应用于生殖医学的新进展.《中华男科学杂志》.2019,第25卷(第4期),全文. * |
邢妍妍,杨丰,唐宇姣,张利云..融合型UNet++网络的超声胎儿头部边缘检测.《中国图象图形学报》.2020,第25卷(第02期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN112587089A (zh) | 2021-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11914677B2 (en) | Image processing method and apparatus, terminal, and storage medium | |
CN111259982B (zh) | 一种基于注意力机制的早产儿视网膜图像分类方法和装置 | |
CN110426112B (zh) | 一种生猪体重测量方法及装置 | |
CN110120040B (zh) | 切片图像处理方法、装置、计算机设备和存储介质 | |
KR101879207B1 (ko) | 약한 지도 학습 방식의 객체 인식 방법 및 장치 | |
US11170209B1 (en) | Systems and methods for fish volume estimation, weight estimation, and analytic value generation | |
WO2022033150A1 (zh) | 图像识别方法、装置、电子设备及存储介质 | |
Adriman et al. | Performance evaluation of binary classification of diabetic retinopathy through deep learning techniques using texture feature | |
CN111340195B (zh) | 网络模型的训练方法及装置、图像处理方法及存储介质 | |
WO2021085313A1 (ja) | 疾患予測システム、保険料算出システム及び疾患予測方法 | |
US20230085605A1 (en) | Face image processing method, apparatus, device, and storage medium | |
JPWO2019208703A1 (ja) | 情報処理装置 | |
KR20190120489A (ko) | 영상 인식 장치 및 방법 | |
CN111028218A (zh) | 眼底图像质量判定模型训练方法、装置和计算机设备 | |
CN112257608A (zh) | 一种牦牛养殖健康状态监测方法 | |
CN115797929A (zh) | 基于双注意力机制的小型农田图像分割方法、装置 | |
CN112587089B (zh) | 基于人工智能的妊娠检测方法、装置、计算机设备和介质 | |
Yang et al. | A defencing algorithm based on deep learning improves the detection accuracy of caged chickens | |
CN110532854B (zh) | 一种生猪爬跨行为检测方法及系统 | |
KR102540175B1 (ko) | 인공지능기반 돼지 질병 관리 시스템 | |
US20220384035A1 (en) | Automatic condition diagnosis using an attention-guided framework | |
CN114821176A (zh) | 一种儿童脑部mr图像病毒性脑炎分类系统 | |
Jia et al. | Adjacent age classification algorithm of yellow-feathered chickens based on multi-scale feature fusion | |
CN116863298B (zh) | 训练、预警发送方法、系统、装置、设备和介质 | |
Sun et al. | Basic behavior recognition of yaks based on improved SlowFast network |
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 |