CN112734736B - 一种基于计算机视觉的蜂群群势精准测算方法及装备 - Google Patents

一种基于计算机视觉的蜂群群势精准测算方法及装备 Download PDF

Info

Publication number
CN112734736B
CN112734736B CN202110056213.6A CN202110056213A CN112734736B CN 112734736 B CN112734736 B CN 112734736B CN 202110056213 A CN202110056213 A CN 202110056213A CN 112734736 B CN112734736 B CN 112734736B
Authority
CN
China
Prior art keywords
bee
colony
bees
honeycomb
calculating
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
Application number
CN202110056213.6A
Other languages
English (en)
Other versions
CN112734736A (zh
Inventor
王红芳
孙晓勇
韩金玉
胥保华
刘振国
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.)
Shandong Agricultural University
Original Assignee
Shandong Agricultural University
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 Shandong Agricultural University filed Critical Shandong Agricultural University
Priority to CN202110056213.6A priority Critical patent/CN112734736B/zh
Publication of CN112734736A publication Critical patent/CN112734736A/zh
Application granted granted Critical
Publication of CN112734736B publication Critical patent/CN112734736B/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
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30242—Counting objects in image

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)

Abstract

本公开提供了一种基于计算机视觉的蜂群群势精准测算方法及装备。其中，该方法包括以下步骤：步骤(1)：获取若干历史蜂脾图像，经过预处理后得到密度图；步骤(2)：将若干历史蜂脾图像与其相对应的密度图输入蜂群群势计数模型进行训练；步骤(3)：输出训练好的蜂群群势计数模型；步骤(4)：将待测的蜂脾图像输入训练好的蜂群群势计数模型，输出蜂群群势。

Description

一种基于计算机视觉的蜂群群势精准测算方法及装备
技术领域
本公开属于蜜蜂养殖技术领域，具体涉及一种基于计算机视觉的蜂群群势精准测算方法及装备。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
蜜蜂蜂群的基本组成包括蜂王(核心)、工蜂(主体)和雄蜂(少量或无)。所谓蜂群的群势主要是指工蜂的数量，蜂群的强弱直接影响蜂产品的产量和蜂群的抗逆性，强群具有高产、抗病力强、温度调节能力强的特点。此外，蜂群的群势还可以间接反应蜂王的繁殖性能以及饲养管理水平。例如，测算每21天(以意大利蜜蜂为例)蜂群群势的增量，可用于评价蜂王的产卵量；测算越冬前后蜂群群势的变化，可反映蜂群的越冬性能和越冬期的饲养管理水平。总之，蜂群群势的测算是养蜂生产和科学研究过程中必不可少的一项实用技术。但目前在实际的蜜蜂养殖过程中对蜂群群势的评价依然采用的是估算的方式。饲养管理中的一项基本要求是要做到蜂、脾相称(即每张巢脾有2500-3000只蜜蜂)，因此，生产中评价蜂群群势最常用的手段是记录每群蜂的巢脾数，此方法粗放，精度差，且高度依赖养蜂员的管理水平(能否严格做到蜂、脾相称)。科研中为了获取更高精度的数据，会采用称重的方法，即将蜂群内所有蜜蜂转移至空的容器内进行称重，然后随机取样获取单只蜜蜂的平均重量，计算求得蜜蜂数目。该方法操作复杂，在转移蜜蜂过程中经常出现大量蜜蜂飞逃造成数据不准确或者蜜蜂受惊蜇人等现象。因此，目前养蜂生产和科研中都缺少一种高效、精准、操作简单的测算蜂群群势的方法。
发明内容
本公开为了解决上述问题，提出了一种基于计算机视觉的蜂群群势精准测算方法及装备，本公开通过使用计算机视觉计数，构建蜜蜂计数模型，对蜜蜂数量进行计数，对蜂群群势进行估算，具有能够更加智能、更加高效、更加精准且操作简单的优点。
为了实现上述目的，本公开采用如下技术方案：
本公开的第一个方面提供一种基于计算机视觉的蜂群群势精准测算方法。
一种基于计算机视觉的蜂群群势精准测算方法,包括以下步骤：
步骤(1)：获取若干历史蜂脾图像，经过预处理后得到密度图；
步骤(2)：将若干历史蜂脾图像与其相对应的密度图输入蜂群群势计数模型进行训练；
步骤(3)：输出训练好的蜂群群势计数模型；
步骤(4)：将待测的蜂脾图像输入训练好的蜂群群势计数模型，输出蜂群群势。
本公开的第二个方面提供一种基于计算机视觉的蜂群群势精准测算装备。
一种基于计算机视觉的蜂群群势精准测算装备，包括：
预处理装置，其被配置为：获取若干历史蜂脾图像，经过预处理后得到密度图；
蜂群群势计数模型训练装置，其被配置为：将若干历史蜂脾图像与其相对应的密度图输入蜂群群势计数模型进行训练；
蜂群群势计数模型生成装置，其被配置为：输出训练好的蜂群群势计数模型；
蜂群群势计算装置，其被配置为：将待测的蜂脾图像输入训练好的蜂群群势计数模型，输出蜂群群势；
蜜蜂年龄结构计算装置，其被配置为：计算每个蜜蜂体积大小，估算不同体积的蜜蜂个数，计算整体蜜蜂年龄结构；
蜂箱定位装置，其被配置为：计算出的每个蜂箱中的蜜蜂个数，绑定各个蜂箱及其地理位置，统筹比较不同蜂箱蜜蜂数目的差异。
本公开的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的基于计算机视觉的蜂群群势精准测算方法中的步骤。
本公开的第四个方面提供一种计算机设备。
一种计算机设备，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，处理器执行所述程序时实现如上述所述的基于计算机视觉的蜂群群势精准测算方法中的步骤。
与现有技术相比，本公开的有益效果为：
1、本公开通过计算机视觉技术对整个蜂箱中蜜蜂进行计数，能够准确的计算出蜂箱内蜂群的群势。
2、本公开通过计算每只蜜蜂大小，估算不同大小的蜜蜂个数，计算每个蜂群蜜蜂的平均大小和年龄结构，绑定各个蜂箱及其地理位置，用于评估不同蜂群蜜蜂体况和年龄结构的差异。
3、本公开可以跟踪记录蜂群群势的变化，分析群势变化与所绑定的蜜粉源环境、蜂种、育王手段、蜂王交尾方式、蜂王年龄、蜂产品产量、气候特点等信息之间的相关性，进行可视化处理，为蜜蜂养殖、育种、科学研究提供指征。
4、本公开能够计算出每个蜂群中蜜蜂的平均大小，绑定各个蜂箱及其地理位置，将数据进行可视化处理，用于比较同一蜂场内不同蜂群或者不同蜂场蜜蜂的体况。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1是本公开实施例的基于计算机视觉的蜂群群势精准测算方法流程图；
图2是本公开实施例的深度学习算法处理图；
图3是本公开实施例的深度学习蜜蜂计数算法图。
具体实施方式：
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
如图1所示，本实施例提供了一种基于计算机视觉的蜂群群势精准测算方法，包括以下步骤：
步骤(1)：获取若干历史蜂脾图像，经过预处理后得到密度图；具体地，获取若干历史蜂脾图像，经过标注后进行高斯卷积处理，得到密度图。
步骤(2)：将若干历史蜂脾图像与其相对应的密度图输入蜂群群势计数模型进行训练；具体地，如图3所示，包括以下具体过程：
步骤(2-1)：将蜂脾图像与其相对应的密度图输入卷积神经网络，输出多层进行卷积计算后的密度图；其中，卷积神经网络包括多层残差结构，残差结构内卷积核分别为1x1，3x3，1x1，去掉原网络结构的全连接层，改为直接输出卷积计算结果，即蜂脾图像密度图。
步骤(2-2)：将步骤(2-1)得到的多层进行卷积计算后的密度图用于计算蜜蜂的数量；
步骤(2-3)：将步骤(2-2)得出的蜜蜂数量与历史数据进行比较，若两者之间差值的绝对值小于设定的阈值，则进入步骤(3)，否则，调整参数，重复步骤(2-1)至步骤(2-3)。
步骤(3)：输出训练好的蜂群群势计数模型；
步骤(4)：将待测的蜂脾图像输入训练好的蜂群群势计数模型，输出蜂群群势，具体的，在对蜜蜂进行计数时，采用统计计数统计蜜蜂头、尾、全身数目，最终取平均值的方法，以减少蜜蜂重叠带来的误差。
步骤(5)计算每个蜜蜂体积大小，估算不同体积的蜜蜂个数，计算整体蜜蜂年龄结构。具体地，估算出不同体积的蜜蜂个数后可通过直方图等形式可视化，最终用于估算蜜蜂整体的年龄度。示例的，可以通过直方图表示幼年蜂和成年蜂的组成比例。
步骤(6)：计算出的每个蜂箱中的蜜蜂个数，绑定各个蜂箱及其地理位置，统筹比较不同蜂箱蜜蜂数目以及评估不同蜂群蜜蜂体况的差异。
示例的，计算机视觉技术为深度学习计数技术，相应的卷积神经网络是对ResNet101的改进，输入数据为蜂框图像与对应的标注后进行高斯卷积处理后的密度图，输出为多层进行卷积计算后的密度图。
本实施例可以通过估算蜂群群势，分析与其绑定的地理环境、蜂品种、蜂箱结构等信息，获取进一步的养殖信息。
实施例二
本实施例提供了一种基于计算机视觉的蜂群群势精准测算装备，包括：
预处理装置，其被配置为：获取若干历史蜂脾图像，经过预处理后得到密度图；
蜂群群势计数模型训练装置，其被配置为：将若干历史蜂脾图像与其相对应的密度图输入蜂群群势计数模型进行训练；
蜂群群势计数模型生成装置，其被配置为：输出训练好的蜂群群势计数模型；
蜂群群势计算装置，其被配置为：将待测的蜂脾图像输入训练好的蜂群群势计数模型，输出蜂群群势；
蜜蜂年龄结构计算装置，其被配置为：计算每个蜜蜂体积大小，估算不同体积的蜜蜂个数，计算整体蜜蜂年龄结构；
蜂箱定位装置，其被配置为：计算出的每个蜂箱中的蜜蜂个数，绑定各个蜂箱及其地理位置，统筹比较不同蜂箱蜜蜂数目的差异。
示例的，如图2所示，本实施例可以通过手机应用对蜂脾进行拍照，得到蜂脾图像，将蜂脾图像输入到搭载了深度学习算法的服务器中，进行存储和分析，并将分析结果传送到数据中心。
实施例三
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的基于计算机视觉的蜂群群势精准测算方法中的步骤。
实施例四
本实施例提供了一种计算机设备，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，处理器执行所述程序时实现如上述所述的基于计算机视觉的蜂群群势精准测算方法中的步骤。
本领域内的技术人员应明白，本公开的实施例可提供为方法、装备、或计算机程序产品。因此，本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
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，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于计算机视觉的蜂群群势精准测算方法，其特征在于，包括以下步骤：
步骤(1)：获取若干历史蜂脾图像，经过预处理后得到密度图；
步骤(2)：将若干历史蜂脾图像与其相对应的密度图输入蜂群群势计数模型进行训练；
步骤(3)：输出训练好的蜂群群势计数模型；
步骤(4)：将待测的蜂脾图像输入训练好的蜂群群势计数模型，输出蜂群群势，在对蜜蜂进行计数时，采用统计计数统计蜜蜂头、尾、全身数目，最终取平均值的方法，以减少蜜蜂重叠带来的误差；
步骤(5)：计算每个蜜蜂体积大小，估算不同体积的蜜蜂个数，计算整体蜜蜂年龄结构；
步骤(6)：计算出的每个蜂箱中的蜜蜂个数，绑定各个蜂箱及其地理位置，统筹比较不同蜂箱蜜蜂数目以及评估不同蜂群蜜蜂体况的差异。
2.根据权利要求1所述的基于计算机视觉的蜂群群势精准测算方法，其特征在于，所述步骤(1)具体包括，获取若干历史蜂脾图像，经过标注后进行高斯卷积处理，得到密度图。
3.根据权利要求1所述的基于计算机视觉的蜂群群势精准测算方法，其特征在于，所述步骤(2)具体包括：
步骤(2-1)：将蜂脾图像与其相对应的密度图输入卷积神经网络，输出多层进行卷积计算后的密度图；
步骤(2-2)：将步骤(2-1)得到的多层进行卷积计算后的密度图用于计算蜜蜂的数量；
步骤(2-3)：将步骤(2-2)得出的蜜蜂数量与历史数据进行比较，若两者之间差值的绝对值小于设定的阈值，则进入步骤(3)，否则，调整参数，重复步骤(2-1)至步骤(2-3)。
4.根据权利要求3所述的基于计算机视觉的蜂群群势精准测算方法，其特征在于，所述卷积神经网络包括多层残差结构，残差结构内卷积核分别为1x1，3x3，1x1，去掉原网络结构的全连接层，改为直接输出卷积计算结果，即蜂脾图像密度图。
5.一种基于计算机视觉的蜂群群势精准测算装备，其特征在于，包括：
预处理装置，其被配置为：获取若干历史蜂脾图像，经过预处理后得到密度图；
蜂群群势计数模型训练装置，其被配置为：将若干历史蜂脾图像与其相对应的密度图输入蜂群群势计数模型进行训练；
蜂群群势计数模型生成装置，其被配置为：输出训练好的蜂群群势计数模型；
蜂群群势计算装置，其被配置为：将待测的蜂脾图像输入训练好的蜂群群势计数模型，输出蜂群群势；
蜜蜂年龄结构计算装置，其被配置为：计算每个蜜蜂体积大小，估算不同体积的蜜蜂个数，计算整体蜜蜂年龄结构；
蜂箱定位装置，其被配置为：计算出的每个蜂箱中的蜜蜂个数，绑定各个蜂箱及其地理位置，统筹比较不同蜂箱蜜蜂数目的差异；
在对蜜蜂进行计数时，采用统计计数统计蜜蜂头、尾、全身数目，最终取平均值的方法，以减少蜜蜂重叠带来的误差。
6.一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，该程序被处理器执行时实现如权利要求1-4中任一项所述的基于计算机视觉的蜂群群势精准测算方法中的步骤。
7.一种计算机设备，其特征在于，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，处理器执行所述程序时实现如权利要求1-4中任一项所述的基于计算机视觉的蜂群群势精准测算方法中的步骤。
CN202110056213.6A 2021-01-15 2021-01-15 一种基于计算机视觉的蜂群群势精准测算方法及装备 Active CN112734736B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110056213.6A CN112734736B (zh) 2021-01-15 2021-01-15 一种基于计算机视觉的蜂群群势精准测算方法及装备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110056213.6A CN112734736B (zh) 2021-01-15 2021-01-15 一种基于计算机视觉的蜂群群势精准测算方法及装备

Publications (2)

Publication Number Publication Date
CN112734736A CN112734736A (zh) 2021-04-30
CN112734736B true CN112734736B (zh) 2022-10-04

Family

ID=75591701

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110056213.6A Active CN112734736B (zh) 2021-01-15 2021-01-15 一种基于计算机视觉的蜂群群势精准测算方法及装备

Country Status (1)

Country Link
CN (1) CN112734736B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108876774A (zh) * 2018-06-07 2018-11-23 浙江大学 一种基于卷积神经网络的人群计数方法
CN110210603A (zh) * 2019-06-10 2019-09-06 长沙理工大学 人群的计数模型构建方法、计数方法和装置
CN111011329A (zh) * 2019-11-28 2020-04-17 云南本季生物技术有限公司 一种蜂箱蜂群计数、入侵识别消灭系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104050505A (zh) * 2013-03-11 2014-09-17 江南大学 一种基于带学习因子蜂群算法的多层感知器训练方法
CA3128751A1 (en) * 2019-02-01 2020-08-06 The Bee Corp Systems and methods for measuring beehive strength
CN110135325B (zh) * 2019-05-10 2020-12-08 山东大学 基于尺度自适应网络的人群人数计数方法及系统
CN110610143B (zh) * 2019-08-27 2023-05-12 汇纳科技股份有限公司 多任务联合训练的人群计数网络方法、系统、介质及终端
CN111833342A (zh) * 2020-07-23 2020-10-27 江西省养蜂研究所(江西省蜂业技术推广站) 一种基于机器视觉的蜜蜂蜂群结构组成及健康状况测定方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108876774A (zh) * 2018-06-07 2018-11-23 浙江大学 一种基于卷积神经网络的人群计数方法
CN110210603A (zh) * 2019-06-10 2019-09-06 长沙理工大学 人群的计数模型构建方法、计数方法和装置
CN111011329A (zh) * 2019-11-28 2020-04-17 云南本季生物技术有限公司 一种蜂箱蜂群计数、入侵识别消灭系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于多尺度多列卷积神经网络的密集人群计数模型;陆金刚，张莉;《计算机应用》;20191210;3445-3449 *

Also Published As

Publication number Publication date
CN112734736A (zh) 2021-04-30

Similar Documents

Publication Publication Date Title
Allen et al. Fish population dynamics: mortality, growth, and recruitment
Weber et al. Prediction of Girolando cattle weight by means of body measurements extracted from images
Knapp et al. Comparative assessment of the reproductive status of female Atlantic bluefin tuna from the Gulf of Mexico and the Mediterranean Sea
CA3176420A1 (en) Analysis and sorting in aquaculture
Græsbøll et al. Models to estimate lactation curves of milk yield and somatic cell count in dairy cows at the herd level for the use in simulations and predictive models
CN110169375B (zh) 一种奶牛采食行为与采食量的监测方法及装置
CN112348695A (zh) 一种基于层次分析法的电力数据质量评价模型构建方法
Meise et al. Applicability of single-camera photogrammetry to determine body dimensions of pinnipeds: Galapagos sea lions as an example
Zhang et al. Implementing a multispecies size-spectrum model in a data-poor ecosystem
CN112184791A (zh) 一种基于cnn-lstm神经网络的牦牛体重预测方法
CN114493680B (zh) 一种基于流刺网调查的渔业资源统计方法及系统
Tonachella et al. An affordable and easy-to-use tool for automatic fish length and weight estimation in mariculture
Postma et al. Age-related reproductive variation in a wild marine mammal population
CN112734736B (zh) 一种基于计算机视觉的蜂群群势精准测算方法及装备
Mott et al. Assessment of digital image analyses for use in wildlife research
Petukhova Preliminary assessment of the stock status of Atlantic bonito (Sarda sarda) in the northeastern part of the Atlantic Ocean
Lee et al. Prediction of average daily gain of swine based on machine learning
Græsbøll et al. A robust statistical model to predict the future value of the milk production of dairy cows using herd recording data
KR20220123235A (ko) 결합된 예측 모델링을 통한 이미지의 효율적인 인공 지능 분석
Gorssen et al. A promising resilience parameter for breeding: the use of weight and feed trajectories in growing pigs
Yoshioka et al. Impulsive fishery resource transporting strategies based on an open‐ended stochastic growth model having a latent variable
CN116579508B (zh) 一种鱼类预测方法、装置、设备及存储介质
Winiarski et al. Effects of photo and genotype-based misidentification error on estimates of survival, detection and state transition using multistate survival models
Van der Waaij et al. Cow feed intake prediction with machine learning
Schueller et al. Comparison of ages determined by using an Eberbach projector and a microscope to read scales from Atlantic menhaden (Brevoortia tyrannus) and Gulf menhaden (B. patronus)

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