CN112767435A - 一种圈养的目标动物检测和跟踪方法与装置 - Google Patents
一种圈养的目标动物检测和跟踪方法与装置 Download PDFInfo
- Publication number
- CN112767435A CN112767435A CN202110283960.3A CN202110283960A CN112767435A CN 112767435 A CN112767435 A CN 112767435A CN 202110283960 A CN202110283960 A CN 202110283960A CN 112767435 A CN112767435 A CN 112767435A
- Authority
- CN
- China
- Prior art keywords
- target animal
- tracking
- depth
- detection
- point
- 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.)
- Pending
Links
- 241001465754 Metazoa Species 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000001514 detection method Methods 0.000 claims abstract description 57
- 230000006399 behavior Effects 0.000 claims abstract description 23
- 238000004458 analytical method Methods 0.000 claims abstract description 21
- 244000144972 livestock Species 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 11
- 230000003068 static effect Effects 0.000 claims abstract description 7
- 230000011218 segmentation Effects 0.000 claims description 30
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000035622 drinking Effects 0.000 claims description 3
- 230000033001 locomotion Effects 0.000 claims description 3
- 230000000284 resting effect Effects 0.000 claims description 2
- 241000282887 Suidae Species 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 206010000117 Abnormal behaviour Diseases 0.000 abstract description 2
- 230000006806 disease prevention Effects 0.000 abstract description 2
- 230000003542 behavioural effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000011065 in-situ storage Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/215—Motion-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- 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
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
- G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种圈养的目标动物检测和跟踪方法与装置,所述方法包括安装深度相机,使用深度相机获取深度图;利用深度图信息检测家畜的位置;根据检测结果的前后帧关系进行跟踪;最后进行目标动物的行为分析,行为分析包含轨迹分析和目标动物的静止行为分类;所述装置包括深度相机和计算机,深度相机用于获取模板图B和深度图F;计算机用于接收获取的模板图B和深度图F,并对其进行分析处理,实现目标动物的行为分析。通过本发明提供的方法和装置,可实现在不做人工标记的情况下进行圈养动物的跟踪和行为分析,及时监测猪等动物的异常行为,做好疾病防控及生产管理,提高效率,增加经济效益。
Description
技术领域
本发明涉及数字视频图像处理领域,尤其涉及一种基于视频图像的圈养目标动物检测和跟踪方法与装置。
背景技术
近几年随着养殖规模化、集约化的不断发展以及养殖场养殖数量的增加,特别是在近几年疫情影响下更加体现检测动物的重要性。实时检测动物行为并及时做好分析,可以有效提高效率避免疾病发生,大大推进养殖产业的发展。
现在国内对于目标动物的检测,要进行人工标记种子像素,不能全自动检测,这一方法耗费人力物力。同时,目前通过视频图像检测再根据计算机处理并不能分辨和处理猪的扎堆现象,这降低了检测的精确性,大大增加了检测误差。
如今的行为分析方法中的关键点在于对猪的跟踪,目前普遍使用颜料进行人工标记,这耗费人力的同时且颜料具有不持久性。帧间差分法检测容易受到光照突然变化的影响导致检测不准。这一系列方法实施误差较大,结果不精确,同时增加生产成本。
发明内容
本发明的目的在于提供一种基于视频图像的圈养目标动物检测和跟踪方法与装置,以克服上述技术缺点或者至少解决部分上述问题;本发明通过使用深度相机获取深度图,利用深度图信息检测猪的位置,根据检测结果的前后帧关系进行跟踪,最后实现目标动物的行为分析。
本发明采取的技术方案如下:
一方面,本发明提供了一种圈养的目标动物检测和跟踪方法,其包括以下步骤:
步骤一、畜圈标定,通过相机采集一张畜圈图片,作为畜圈模板图B,图片中每个像素的距离值即为相机平面到畜圈地面平面的距离;
步骤二、检测目标动物,获取深度图F,F中每个像素值是该点到相机平面的距离值;
步骤三、将深度图F和模板图B的像素做比较,得到分割图G,其中对于相同位置的像素,如果深度图F中的像素小于模板图B,对应位置的分割图G中像素为1,否则为0;
步骤四、在分割图G上做边界跟踪算法,得到目标动物的轮廓;
步骤五、统计完整轮廓的个数,如果完整轮廓的个数小于目标动物真实的个数,则将模板图B所有像素减1,再重复步骤三和步骤四,直到轮廓个数等于目标动物真实个数;
步骤六、对检测后的结果进行跟踪;
步骤七、进行行为分析。
进一步的,所述步骤一和步骤二中,采用深度相机获取模板图B和深度图F。
进一步的,所述步骤四中,在得到分割图后,在分割图G上做边界跟踪算法,得到目标动物的轮廓,具体步骤如下:
(1)设置轮廓点集合C;
(2)按照从底向上,从左到右的顺序扫描分割图G,直到找到像素1,将这个点加入轮廓点集合C,并作为一个轮廓的起点;
(3)继续按照以下规则访问像素点,直到当前像素点回到起点;
(4)如果当前像素点为0,则访问右边的点,如果当前像素点为1,则访问左边的点,且将当前像素点加入轮廓点集合C;
(5)找完一个轮廓之后,将分割图G上该轮廓点及其内部的点都置为0。
进一步的,所述步骤六中,检测完成后对检测结果进行位置信息跟踪,位置信息跟踪算法如下:
(1)初始化跟踪:对当前检测结果D={D1,D2,D3,……}按照从左到右,从上到下的顺序依次赋予递增的ID,其中D1,D2,D3……是检测框的位置信息,并且将当前跟踪结果保存为T={T1,T2,T3,……},其中T1,T2,T3,……里面包含了每个检测框的位置信息及其ID;
(2)获取新的一帧的检测结果D’={D1’,D2’,D3’,……},求D’中的每个检测框到T中的每个检测框的欧式距离Dij=sqrt[(Xi-Xj)2+(Yi-Yj)2],其中(Xi,Yi)为D’中第i个检测框的中心点坐标,(Xj,Yj)为T中id为j的检测框的中心点坐标,求得最小的minDij,那么第i个检测框的id即为j,遍历D’中所有检测框,直到所有的检测框都能根据最小的minDij获得正确的id号;然后用本次的跟踪结果更新T;
(3)重复第(2)步。
进一步的,所述步骤七中,行为分析包括轨迹分析和目标动物的静止行为分类,具体方法如下:
轨迹分析:利用跟踪结果,可以得出每头猪的运动轨迹,从而得出每头猪一段时间内的走过的距离,在食槽停留的时间,在饮水槽的停留时间,原地停留时间;
目标动物的静止行为分类:目标动物静止时,对深度上的跟踪结果框内的所有像素进行求平均值其中Pij为第i行第j列的深度像素值,N为跟踪结果框内的点的个数;由于目标动物躺下和站立的高度不同,两种状态的Havg也会有明显差别,根据经验可以确定一个阈值Hr,Havg大于Hr时,目标动物为站立状态,Havg小于Hr时,目标动物为躺下状态。
另一方面,本发明还提供了一种圈养的目标动物检测和跟踪装置,其包括:
图像获取模块,用于获取模板图B和深度图F;
图像处理模块(计算机),用于接收获取的模板图B和深度图F,并对其进行分析处理,实现目标动物的行为分析。
进一步的,所述图像获取模块采用悬挂于畜圈中心点正上方的深度相机,深度相机的镜头垂直朝下,相机视野覆盖整个畜圈,相机图像通过有线或无线网络传输到图像处理模块。
进一步的,所述图像处理模块包括处理器和存储器,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行权利要求1-5任一项所述的步骤,所述计算机指令用于使所述处理器执行权利要求1-5任一项所述的方法。
本发明的有益效果是:根据本发明所提供的方法和装置,可实现在不做人工标记的情况下进行圈养动物的跟踪和行为分析,同时正确跟踪区分并处理猪等家畜动物的扎堆情况,减少检测误差,及时监测家畜的异常行为,做好疾病防控及生产管理,提高效率,增加经济效益。
附图说明
图1为本发明实例摄像头安装位置示意图;图中:1-深度相机,2-畜圈;
图2为本发明一个实例的背景图B;
图3为本发明一个实例的深度图F;
图4为本发明一个实例的分割图G;
图5为本发明另一个实例的深度图F;
图6为本发明另一个实例的分割图G;
图7为本发明另一个实例B图更新后的分割图G;
图8为具体实施中行为分析方法步骤。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
一种圈养的目标动物检测和跟踪方法和装置,包括以下步骤:
步骤一、装置安装;
步骤二、猪圈标定,即采集一张空猪圈图片,作为猪圈模板图B;
步骤三、深度图检测目标动物,获取深度图F。
步骤四、将F和B逐像素做比较,得到分割图;
步骤五、在分割图G上做边界跟踪算法,得到目标动物的轮廓;
步骤六、统计完整轮廓的个数,如果完整轮廓的个数小于目标动物真实的个数,则将B所有像素减1,再重复步骤五,直到轮廓个数等于目标动物真实个数。
步骤七、检测完成后对检测结果进行跟踪;
步骤八、进行行为分析
具体实施中,步骤一如图1,图1为摄像头安装位置示意图,深度相机悬挂于猪圈中心点正上方,镜头垂直朝下,相机视野覆盖整个猪圈。
具体实施中,步骤二在深度相机安装完毕后进行猪圈标定,即采集一张空猪圈图片,作为猪圈模板图片B,
如图2,图片中每个像素的距离值即为相机平面到猪圈地面平面的距离,实例中空猪圈每个像素距离值均为200。
具体实施中采用深度相机对养有猪的圈进行数据采集,如图3,通过采集获得深度图F,在实例图片中猪所在的位置每个像素的距离值小于200。
具体实施过程中,将F和B像素做比较,得到分割图G。将F和B像素做比较,对于相同位置的像素,如果F中的像素小于B,对应位置的分割图G中像素为1,否则为0。在实例中如图4,对于图2和图3之间的比较,在图3中150和160均小于图2中的200,因此在相应的分割图G上小于200的点标为1,其它点为0。
在得到分割图后,在分割图G上做边界跟踪算法,得到目标动物的轮廓。步骤如下:
(1)设置轮廓点集合C。
(2)按照从底向上,从左到右的顺序扫描分割图G,直到找到像素1。将这个点加入轮廓点集合C,并作为一个轮廓的起点。
(3)继续按照以下规则访问像素点,直到当前像素点回到起点。
(4)如果当前像素点为0,则访问右边的点,如果当前像素点为1,则访问左边的点,且将当前像素点加入轮廓点集合C。
(5)找完一个轮廓之后,将分割图G上该轮廓点及其内部的点都置为0。
具体实施过程中,会存在猪扎堆的现象,对于此现象本发明也有相应的解决方案。在分割图中统计完整轮廓的个数,如果完整轮廓的个数小于目标动物真实的个数,则将B所有像素减1,再根据更新的数据重新对深度图F和模板图B进行比较再得一个分割图,若完整轮廓数仍小于实际数,则重复上述过程直到轮廓个数等于目标动物真实个数。如图5、图6、图7所显示,由图5所得深度图与B图进行比较得到分割图6,之后根据分割图6中所显示,所得动物轮廓数小于实际动物数。此时对B进行每个像素减1处理,再重新与图5进行比较,得到一个新的分割图图7。如图7所示计算轮廓数,所得数目与实际动物数量相符。
具体实施过程中,检测完成后对检测结果进行位置信息跟踪,位置信息跟踪算法如下:
(1)初始化跟踪:对当前检测结果D={D1,D2,D3,……}按照从左到右,从上到下的顺序依次赋予递增的ID。其中D1,D2,D3……是检测框的位置信息。并且将当前跟踪结果保存为T={T1,T2,T3,……},其中T1,T2,T3,……里面包含了每个检测框的位置信息及其ID。
(2)获取新的一帧的检测结果D’={D1’,D2’,D3’,……},求D’中的每个检测框到T中的每个检测框的欧式距离Dij=sqrt[(Xi-Xj)2+(Yi-Yj)2],其中(Xi,Yi)为D’中第i个检测框的中心点坐标,(Xj,Yj)为T中id为j的检测框的中心点坐标。求得最小的minDij,那么第i个检测框的id即为j。遍历D’中所有检测框,直到所有的检测框都能根据最小的minDij获得正确的id号。用本次的跟踪结果更新T。
(3)重复上步骤(2)。
具体实施中,对检测结果进行行为分析下,行为分析包括轨迹分析和目标动物的静止行为分类。具体方法如下:
轨迹分析:利用上述跟踪结果,可以得出每头猪的运动轨迹,从而得出每头猪一段时间内的走过的距离,在食槽停留的时间,在饮水槽的停留时间,原地停留时间。
目标动物的静止行为分类。目标动物静止时,对深度上的跟踪结果框内的所有像素进行求平均值其中Pij为第i行第j列的深度像素值,N为跟踪结果框内的点的个数。由于目标动物躺下和站立的高度不同,两种状态的Havg也会有明显差别,根据经验可以确定一个阈值Hr,Havg大于Hr时,目标动物为站立状态,Havg小于Hr时,目标动物为躺下状态。
以上实施例子仅用于说明本发明,而非对本发明的限制。尽管参照实施例对本发明进行了详细说明,但本领域的技术人员应当理解,若本领域的人员对本发明进行的各种改动和变形并不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变形属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变形在内。
Claims (8)
1.一种圈养的目标动物检测和跟踪方法,其特征在于包括以下步骤:
步骤一、畜圈标定,采集一张空畜圈图片,作为畜圈模板图B;
步骤二、检测目标动物,获取深度图F;
步骤三、将深度图F和模板图B的像素做比较,得到分割图G,其中对于相同位置的像素,如果深度图F中的像素小于模板图B,对应位置的分割图G中像素为1,否则为0;
步骤四、在分割图G上做边界跟踪算法,得到目标动物的轮廓;
步骤五、统计完整轮廓的个数,如果完整轮廓的个数小于目标动物真实的个数,则将模板图B所有像素减1,再重复步骤三和步骤四,直到轮廓个数等于目标动物真实个数;
步骤六、对检测后的结果进行跟踪;
步骤七、进行行为分析。
2.根据权利要求1所述的一种圈养的目标动物检测和跟踪方法,其特征在于,所述步骤一和步骤二中,采用深度相机获取模板图B和深度图F。
3.根据权利要求1所述的一种圈养的目标动物检测和跟踪方法,其特征在于,所述步骤四中,在得到分割图后,在分割图G上做边界跟踪算法,得到目标动物的轮廓,具体步骤如下:
(1)设置轮廓点集合C;
(2)按照从底向上,从左到右的顺序扫描分割图G,直到找到像素1,将这个点加入轮廓点集合C,并作为一个轮廓的起点;
(3)继续按照以下规则访问像素点,直到当前像素点回到起点;
(4)如果当前像素点为0,则访问右边的点,如果当前像素点为1,则访问左边的点,且将当前像素点加入轮廓点集合C;
(5)找完一个轮廓之后,将分割图G上该轮廓点及其内部的点都置为0。
4.根据权利要求1所述的一种圈养的目标动物检测和跟踪方法,其特征在于,所述步骤六中,检测完成后对检测结果进行位置信息跟踪,位置信息跟踪算法如下:
(1)初始化跟踪:对当前检测结果D={D1,D2,D3,……}按照从左到右,从上到下的顺序依次赋予递增的ID,其中D1,D2,D3……是检测框的位置信息,并且将当前跟踪结果保存为T={T1,T2,T3,……},其中T1,T2,T3,……里面包含了每个检测框的位置信息及其ID;
(2)获取新的一帧的检测结果D’={D1’,D2’,D3’,……},求D’中的每个检测框到T中的每个检测框的欧式距离Dij=sqrt[(Xi-Xj)2+(Yi-Yj)2],其中(Xi,Yi)为D’中第i个检测框的中心点坐标,(Xj,Yj)为T中id为j的检测框的中心点坐标,求得最小的minDij,那么第i个检测框的id即为j,遍历D’中所有检测框,直到所有的检测框都能根据最小的minDij获得正确的id号;然后用本次的跟踪结果更新T;
(3)重复第(2)步。
5.根据权利要求1所述的一种圈养的目标动物检测和跟踪方法,其特征在于,所述步骤七中,行为分析包括轨迹分析和目标动物的静止行为分类,具体方法如下:
轨迹分析:利用跟踪结果,可以得出每头动物的运动轨迹,从而得出每头动物一段时间内的走过的距离,在食槽停留的时间,在饮水槽的停留时间,原地停留时间;
6.一种圈养的目标动物检测和跟踪装置,其特征在于包括:
图像获取模块,用于获取模板图B和深度图F;
图像处理模块,用于接收获取的模板图B和深度图F,并对其进行分析处理,实现目标动物的行为分析。
7.根据权利要求6所述一种圈养的目标动物检测和跟踪装置,其特征在于,所述图像获取模块采用悬挂于畜圈中心点正上方的深度相机,深度相机的镜头垂直朝下,相机视野覆盖整个畜圈,相机图像通过有线或无线网络传输到图像处理模块。
8.根据权利要求6所述一种圈养的目标动物检测和跟踪装置,其特征在于,所述图像处理模块包括处理器和存储器,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行权利要求1-5任一项所述的步骤,所述计算机指令用于使所述处理器执行权利要求1-5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110283960.3A CN112767435A (zh) | 2021-03-17 | 2021-03-17 | 一种圈养的目标动物检测和跟踪方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110283960.3A CN112767435A (zh) | 2021-03-17 | 2021-03-17 | 一种圈养的目标动物检测和跟踪方法与装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112767435A true CN112767435A (zh) | 2021-05-07 |
Family
ID=75691081
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110283960.3A Pending CN112767435A (zh) | 2021-03-17 | 2021-03-17 | 一种圈养的目标动物检测和跟踪方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112767435A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113963298A (zh) * | 2021-10-25 | 2022-01-21 | 东北林业大学 | 基于计算机视觉的野生动物识别跟踪与行为检测系统、方法、设备及存储介质 |
CN114694186A (zh) * | 2022-06-01 | 2022-07-01 | 南京优牧大数据服务有限公司 | 牛脸识别数据处理方法及装置 |
CN115272954A (zh) * | 2022-06-29 | 2022-11-01 | 珠海视熙科技有限公司 | 一种客流统计装置及智能终端 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120056982A1 (en) * | 2010-09-08 | 2012-03-08 | Microsoft Corporation | Depth camera based on structured light and stereo vision |
CN104268506A (zh) * | 2014-09-15 | 2015-01-07 | 郑州天迈科技股份有限公司 | 基于深度图像的客流计数检测方法 |
US20150287215A1 (en) * | 2012-10-22 | 2015-10-08 | Sony Computer Entertainment Inc. | Image processor and image processing method |
CN110197130A (zh) * | 2019-05-09 | 2019-09-03 | 广州番禺职业技术学院 | 一种生猪步态异常检测设备及系统 |
CN110633671A (zh) * | 2019-09-16 | 2019-12-31 | 天津通卡智能网络科技股份有限公司 | 基于深度图像的公交车客流实时统计方法 |
CN111145205A (zh) * | 2019-12-24 | 2020-05-12 | 天津农学院 | 基于红外图像的多猪只场景下猪体温检测方法 |
CN111354003A (zh) * | 2020-02-25 | 2020-06-30 | 华南农业大学 | 基于深度图像的猪只分割方法 |
CN111360851A (zh) * | 2020-02-19 | 2020-07-03 | 哈尔滨工业大学 | 一种融合触觉和视觉的机器人混合伺服控制装置及方法 |
-
2021
- 2021-03-17 CN CN202110283960.3A patent/CN112767435A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120056982A1 (en) * | 2010-09-08 | 2012-03-08 | Microsoft Corporation | Depth camera based on structured light and stereo vision |
US20150287215A1 (en) * | 2012-10-22 | 2015-10-08 | Sony Computer Entertainment Inc. | Image processor and image processing method |
CN104268506A (zh) * | 2014-09-15 | 2015-01-07 | 郑州天迈科技股份有限公司 | 基于深度图像的客流计数检测方法 |
CN110197130A (zh) * | 2019-05-09 | 2019-09-03 | 广州番禺职业技术学院 | 一种生猪步态异常检测设备及系统 |
CN110633671A (zh) * | 2019-09-16 | 2019-12-31 | 天津通卡智能网络科技股份有限公司 | 基于深度图像的公交车客流实时统计方法 |
CN111145205A (zh) * | 2019-12-24 | 2020-05-12 | 天津农学院 | 基于红外图像的多猪只场景下猪体温检测方法 |
CN111360851A (zh) * | 2020-02-19 | 2020-07-03 | 哈尔滨工业大学 | 一种融合触觉和视觉的机器人混合伺服控制装置及方法 |
CN111354003A (zh) * | 2020-02-25 | 2020-06-30 | 华南农业大学 | 基于深度图像的猪只分割方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113963298A (zh) * | 2021-10-25 | 2022-01-21 | 东北林业大学 | 基于计算机视觉的野生动物识别跟踪与行为检测系统、方法、设备及存储介质 |
CN114694186A (zh) * | 2022-06-01 | 2022-07-01 | 南京优牧大数据服务有限公司 | 牛脸识别数据处理方法及装置 |
CN115272954A (zh) * | 2022-06-29 | 2022-11-01 | 珠海视熙科技有限公司 | 一种客流统计装置及智能终端 |
CN115272954B (zh) * | 2022-06-29 | 2023-07-07 | 珠海视熙科技有限公司 | 一种客流统计装置及智能终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112767435A (zh) | 一种圈养的目标动物检测和跟踪方法与装置 | |
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 | |
CN111178197B (zh) | 基于Mask R-CNN和Soft-NMS融合的群养粘连猪实例分割方法 | |
CN110490161B (zh) | 一种基于深度学习的圈养动物行为分析方法 | |
CN109492535B (zh) | 一种计算机视觉的母猪哺乳行为识别方法 | |
CN108133471B (zh) | 一种基于人工蜂群算法的机器人导航路径提取方法及装置 | |
CN116957207B (zh) | 一种实时数据采集的草地生态健康监测方法 | |
CN111797831A (zh) | 基于bim和人工智能的家禽进食并行异常检测方法 | |
CN112069985A (zh) | 基于深度学习的高分辨率大田图像稻穗检测与计数方法 | |
CN111767794A (zh) | 基于机器视觉的笼养家禽异常行为检测方法及检测系统 | |
CN112883915A (zh) | 一种基于迁移学习的麦穗自动识别方法和系统 | |
CN113781526A (zh) | 一种家畜计数识别系统 | |
CN114511718A (zh) | 一种建筑施工用物料智能管理方法及系统 | |
CN108460370A (zh) | 一种固定式家禽生命信息报警装置 | |
CN115272956A (zh) | 一种基于改进的YOLOv5的鸡只健康度监测方法 | |
CN113706512A (zh) | 一种基于深度学习和深度相机的生猪体重测量方法 | |
CN112907546A (zh) | 肉牛体尺非接触测量装置及方法 | |
CN116434066B (zh) | 基于深度学习的大豆豆荚考种方法、系统及装置 | |
CN108967246B (zh) | 虾苗定位方法 | |
CN115984959A (zh) | 基于神经网络与质心跟踪的牛类异常行为检测方法及系统 | |
CN114550069B (zh) | 一种基于深度学习的仔猪乳头计数方法 | |
CN114677614A (zh) | 基于计算机视觉的单次母猪哺乳时长计算方法 | |
CN114049390A (zh) | 一种基于机器视觉的小麦麦苗种植密度测量装置及方法 | |
CN112861664A (zh) | 一种基于深度学习的家禽姿态检测方法和系统 | |
CN116681876B (zh) | 一种用于诊断动物肠胃健康的粪便状态评分装置 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220411 Address after: No.1 building and No.2 building, No.333, Haiyang 1st Road, Lingang New District, China (Shanghai) pilot Free Trade Zone, Pudong New Area, Shanghai, 200120 Applicant after: Shanghai Yuanxiang Technology Co.,Ltd. Address before: 518054 b1-701-04, building B, Kexing Science Park, 15 Keyuan Road, Science Park community, Yuehai street, Nanshan District, Shenzhen City, Guangdong Province Applicant before: Shenzhen Guiwei Technology Co.,Ltd. |
|
TA01 | Transfer of patent application right |