CN112801118B - 基于人工智能和大数据的肉猪出栏效益评估系统及方法 - Google Patents

基于人工智能和大数据的肉猪出栏效益评估系统及方法 Download PDF

Info

Publication number
CN112801118B
CN112801118B CN202110220811.2A CN202110220811A CN112801118B CN 112801118 B CN112801118 B CN 112801118B CN 202110220811 A CN202110220811 A CN 202110220811A CN 112801118 B CN112801118 B CN 112801118B
Authority
CN
China
Prior art keywords
pork
pig
pork pig
weight
model
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
CN202110220811.2A
Other languages
English (en)
Other versions
CN112801118A (zh
Inventor
潘志乐
潘磊
孙浩
成祖斌
孙静泉
梁士梅
孙德举
严曙光
顾伏路
丁东海
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202110220811.2A priority Critical patent/CN112801118B/zh
Publication of CN112801118A publication Critical patent/CN112801118A/zh
Application granted granted Critical
Publication of CN112801118B publication Critical patent/CN112801118B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Mining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Abstract

本发明涉及计算机视觉技术领域，尤其涉及一种基于人工智能和大数据的肉猪出栏效益评估系统及方法，包括姿态估计模块、数据分析模块、三维模型建立模块以及效益评估模块，解决了现有的养猪产业无法根据肉猪的生长状况实时、精准地判断最佳出栏时间，导致肉猪出栏效益较差的问题。本发明对猪舍内的多头肉猪进行综合分析，实现了以量化方式获取更精确的肉猪三维模型；本发明生成的肉猪三维模型能够实时、精准地掌握猪舍内肉猪的整体生长变化，从而保证了出栏时间预测的可靠性和准确性，同时显著提高了肉猪饲养的经济效益；本发明能够快速且准确的检测出最佳出栏时间，极大地提高了养猪场的自动化管理水平，适合于各种规模的养猪场。

Description

基于人工智能和大数据的肉猪出栏效益评估系统及方法
技术领域
本发明涉及计算机视觉技术领域，尤其涉及一种基于人工智能和大数据的肉猪出栏效益评估系统及方法。
背景技术
养猪业是我国现代农业中不可或缺的重要产业之一，其对保障肉食品安全供应有着非常重要的作用，且我国养猪业正由传统养猪业向现代养猪业转变。
但是，目前，我国养猪业的养殖模式、生产方式等仍然被传统模式的束缚，养猪中遇到的许多问题仍需要根据人为经验进行识别判定，尤其是针对肉猪的长势，大多通过人眼观察或者单猪称重的方式判断出栏时间，这些方式不仅会存在较大误差，而且仅通过单个养殖场或者小范围区域的经验认识评估肉猪的出栏效益不免过于局限，容易产生由于评估不准确而造成收益降低的风险。
发明内容
本发明提供一种基于人工智能和大数据的肉猪出栏效益评估系统及方法，解决的技术问题是，现有的养猪产业无法根据肉猪的生长状况实时、精准地判断最佳出栏时间，导致肉猪出栏效益较差。
为解决以上技术问题，本发明提供了一种基于人工智能和大数据的肉猪出栏效益评估系统，包括依次连接的姿态估计模块、数据分析模块、三维模型建立模块以及效益评估模块；
所述姿态估计模块，用于将采集到的原始图像输入第一神经网络，得到实例分割图，将所述实例分割图输入第二神经网络，得到姿态特征图；
所述数据分析模块，用于根据所述姿态特征图，获取任一肉猪各部位的关键点数量，以计算得到部位信息权重，同时连接任一部位检测到的关键点，得到封闭区域，并根据其质心与对应部位检测到的各关键点的间隔距离，得到区域半径，根据所述区域半径和所述部位信息权重，得到部位联合权重，对所述姿态特征图划分等分区域，根据任一肉猪在各所述等分区域的行数及等分权重，得到对应肉猪的比重值，根据所述比重值以及所述部位联合权重，得到肉猪的分配权重；
所述三维模型建立模块，用于根据各肉猪任意两类关键点距离及点对数量选取基准点，基于所述基准点，根据所有所述姿态特征图中任意两类直接连通的关键点距离和所述分配权重，得到其余关键点的相对位置，根据所述相对位置和所述基准点，建立肉猪三维模型；
所述效益评估模块，用于根据检测的所述肉猪三维模型的生长数据以及效益模型，得到最佳出栏时间。
进一步地，所述部位包括肉猪的猪头部位、猪身部位以及猪脚部位。
进一步地，部位信息权重为任一肉猪的任一部位检测到的关键点数量与此部位包含的所有关键点数量之比。
更进一步地，所述部位联合权重为：
式中，ra,b表示第a头肉猪的第b个部位的部位联合权重，Ea,b表示第a头肉猪的第b个部位的部位信息权重，da,b表示第a头肉猪的第b个部位的区域半径，dmax表示在对应的所述姿态特征图中，不同肉猪相同部位的最大区域半径。
进一步地，所述分配权重为：
式中，Fa表示第a头肉猪的分配权重，wa表示第a头肉猪的比重值，Qa,b表示第a头肉猪的第b个部位的局部权重，P表示肉猪的部位个数。
进一步地，所述根据各肉猪任意两类关键点距离及点对数量选取基准点，具体为：
根据所述姿态特征图，选取任一肉猪，将其检测到的任意两类关键点构成关键点对，依次获取所述姿态特征图中其余肉猪的关键点对，依次获取其余所述姿态特征图中各个肉猪的关键点对，将所有所述姿态特征图中所有肉猪相同的关键点对归为一类，得到类别点对集合，根据任一所述类别点对集合的所有点对距离以及点对数量，得到对应类别点对集合的可信度，根据所述可信度最大值对应的类别点对集合，选取基准点。
更进一步地，所述三维模型建立模块，还用于对所述肉猪三维模型进行参数修正。
进一步地，所述效益模型包括体重模型以及瘦肉率模型。
更进一步地，所述第一神经网络为实例分割网络；
所述第二神经网络为双分支卷积神经网络，包括关键点置信度预测网络以及关键点亲和度向量场预测网络。
一种基于人工智能和大数据的肉猪出栏效益评估方法，包括上述的一种基于人工智能和大数据的肉猪出栏效益评估系统。
本发明提供的一种基于人工智能和大数据的肉猪出栏效益评估系统及方法，通过神经网络以及相应的权重分配，建立了更精准的肉猪三维模型，解决了现有的养猪产业无法根据肉猪的生长状况实时、精准地判断最佳出栏时间，导致肉猪出栏效益较差的问题；本发明综合考虑猪舍内多头肉猪的关键点位置，使得生成的肉猪三维模型能够实时追踪猪舍内肉猪的整体生长变化，从而获取最合适的出栏时间，保证出栏效益的最大化；本发明提供的系统及方法，根据采集的图像即可估算出肉猪的最佳出栏时间，在减轻人工劳动强度的同时增加了养猪场的收益，提高了养殖智能化程度，节约了人力成本，且可靠性高。
附图说明
图1是本发明实施例提供的一种基于人工智能和大数据的肉猪出栏效益评估系统的结构框图；
图2是本发明实施例提供的肉猪关键点示意图；
图3是本发明实施例提供的等分区域示意图。
具体实施方式
下面结合附图具体阐明本发明的实施方式，实施例的给出仅仅是为了说明目的，并不能理解为对本发明的限定，包括附图仅供参考和说明使用，不构成对本发明专利保护范围的限制，因为在不脱离本发明精神和范围基础上，可以对本发明进行许多改变。
针对现有的固定电子围栏无法根据环境状况实时、精准地调整围栏范围，安全性较差，且成本较高的问题，本发明实施例提供了一种基于人工智能和大数据的肉猪出栏效益评估系统及方法，如图1所示，一种基于人工智能和大数据的肉猪出栏效益评估系统包括依次连接的姿态估计模块、数据分析模块、三维模型建立模块以及效益评估模块；
本发明实施例需预先在猪舍上方安装一工业RGB相机，用于每日在不同的预设时刻对猪舍内的若干头肉猪进行多次拍照，得到多张猪舍的原始图片；需要说明的是，肉猪的生命周期分为仔猪期、幼猪期和育肥期，本发明实施例是针对育肥后期的肉猪进行出栏效益的评估。
所述姿态估计模块将采集到的猪舍的原始图像输入第一神经网络，以对原始图像的多头肉猪进行分割，得到实例分割图，所述实例分割图包括每头肉猪的ROI参数和mask坐标，所述第一神经网络为实例分割网络，本实施例利用Mask R-CNN网络进行实例分割，其训练数据为采集到的含有多头肉猪的原始图像，同时对原始图像中的每头肉猪标注不同的标签，得到Mask R-CNN网络的标签数据，其中，属于同一头猪的标签一致。
将所述实例分割图输入第二神经网络，得到姿态特征图，所述第二神经网络包括为双分支卷积神经网络，其包括关键点置信度预测网络以及关键点亲和度向量场预测网络，本实施例将输入的所述实例分割图经过10层VGG-19网络，得到图像特征，然后将其通过双分支卷积神经网络，分别预测关键点置信度和关键点亲和度向量，根据所述关键点置信度以及所述关键点亲和度向量，得到姿态特征图，在姿态特征图中，通过连线连接的两类关键点为直接连通的两类关键点。
其中，如图2所示，本发明实施例共设置二十类关键点，具体包括猪头上、下、左、右四个中心点、四条猪腿的关节点及连带猪脚上各三类关键点、猪尾巴根处关键点和猪前腿、后腿所对应的背部最高点；需要说明的是，在实际应用中，由于遮挡、图像质量等因素的影响，并不能保证从图像中提取出每头肉猪的所有关键点。
本发明实施例将肉猪的骨架分为三个部位，依次为猪头部位、猪身部位以及猪脚部位，同时，按照各个部位反映体态信息的重要程度，对猪头部位、猪身部位以及猪脚部位设置不同的局部权重，分别为0.3、0.6、0.1；需要说明的是，不同肉猪相同部位的局部权重相同；
利用关键点对肉猪的部位进行划分，其中，所述猪头部位有四类关键点，包括关键点1、2、3、4；所述猪身部位有七类关键点，包括关键点10、11、12、17、18、19、20；所述猪腿部位有十二类关键点，包括关键点5、6、7、8、9、10、12、13、14、15、16、17。
所述数据分析模块首先选取所述姿态特征图中的任一肉猪，统计此肉猪各个部位检测到的关键点数量，然后，计算任一部位检测到关键点数量与此部位包含的关键点总数量之比，得到此部位的部位信息权重，比如：某一肉猪的猪身部位检测到5类关键点，分别为关键点10、11、12、19、20，此时，此肉猪的猪身部位的部位信息权重为
同时，将任一肉猪任一部位检测到的关键点依次进行连接，得到对应部位的封闭区域，并获取所述封闭区域的质心，计算所述质心与连接成此封闭区域的各类关键点的间隔距离的平均值，得到区域半径，根据所述区域半径和所述部位信息权重，得到部位联合权重，所述部位联合权重为：
式中，ra,b表示第a头肉猪的第b个部位的部位联合权重，Ea,b表示第a头肉猪的第b个部位的部位信息权重，da,b表示第a头肉猪的第b个部位的区域半径，dmax表示在对应的所述姿态特征图中，不同肉猪相同部位的最大区域半径。
需要说明的是，在所述姿态特征图中，对于任一肉猪，若某一部位检测到的关键点只有一类，则将其对应的区域半径设为0。
由于相机成像时，会出现近大远小的现象，而距离相机较近的肉猪，代表的信息更为准确，因此，为了使建立的肉猪三维模型更精确，本实施例需根据肉猪距离相机的远近设置不同的权重，如图3所示的相机视角，A点所在行距离相机最近，B点所在行距离相机最远，本实施例将AB所在行范围等分为五个等分区域，且由A到B，每个等分区域分配的等分权重依次为 本领域技术人员可根据具体实施情况调整等分权重，但需保证越靠近A的等分区域，其等分权重越大；
由此，以上述划分方法，对所述姿态特征图划分等分区域，根据每头肉猪在各等分区域的行数以及等分权重，得到对应肉猪的比重值，所述比重值的计算公式为：
式中，wa表示第a头肉猪的比重值，sj,a表示第a头肉猪在第j个等分区域所占的行数，Dj表示第j个等分区域的总行数，cj表示第j个等分区域的等分权重，J表示等分区域的个数，在本实施例中，J＝5。
根据所述比重值以及所述部位联合权重，得到肉猪的分配权重，具体为：
式中，Fa表示第a头肉猪的分配权重，Qa,b表示第a头肉猪的第b个部位的局部权重，P表示肉猪的部位个数，在本实施例中，P＝3。
至此，可得到某一姿态特征图中各个肉猪的分配权重，按照上述计算过程，依次计算其余姿态特征图中各个肉猪的分配权重；为了获取更准确有效的肉猪三维模型，本实施例还需利用分配权重阈值对所有姿态特征图中的肉猪进行筛选，将分配权重小于所述分配权重阈值的肉猪剔除，保留分配权重大于所述分配权重阈值的肉猪，然后将保留的肉猪利用所述三维模型建立模块，得到肉猪三维模型，本实施例优先将分配权重阈值设置为0.2。
所述三维模型建立模块首先选取某一所述姿态特征图中的任一肉猪，将其检测到的所有关键点中的任意两类关键点构成关键点对，得到关键点对集合，将所述关键点对包含的两类关键点的距离作为点对距离，需要说明的是，构成关键点对的两类关键点不考虑在所述姿态特征图中是否直接连通；依次获取此姿态特征图中的其它肉猪的关键点对集合，依次获取其余姿态特征图中各个肉猪的关键点对集合，将所有关键点对集合中相同的关键点对归为一类，并将其提取出来，得到类别点对集合；在本实施例中，两个所述关键点对相同，说明其中一个关键点对包含的两类关键点在另一个关键点对中均存在，无关两类所述关键点的顺序，比如：在某一姿态特征图中，第a头肉猪的关键点对(1，2)与第u头肉猪的关键点对(2，1)相同；需要说明的是，相同关键点对对应的点对距离不一定相同；
统计任一所述类别点对集合中所有关键点对的数量以及各个关键点对对应的点对距离，以计算对应所述类别点对集合的可信度，具体为：
式中，τ表示某一类别点对集合的可信度，f表示对应类别点对集合中关键点对的数量，σ表示对应类别点对集合中所有点对距离的方差。
将所述可信度最大值对应的类别点对集合中的关键点对，作为最优关键点对，随机选取最优关键点对中的一类关键点，作为基准点；
将所述基准点作为固定关键点，选取在姿态特征图与所述固定关键点直接连通的关键点，将其作为待确定关键点，在本实施例中，若与所述固定关键点直接连通的关键点存在至少两个，则随机选取一类关键点作为待确定关键点；
遍历所有姿态特征图，筛选能够检测到待确定关键点和固定关键点的肉猪，统计这些肉猪的待确定关键点与固定关键点的距离，得到若干个配对距离，根据各个配对距离与对应姿态特征图中对应肉猪的分配权重，得到待确定关键点的相对位置，所述相对位置的计算公式为：
式中，G表示待确定关键点的相对位置，ha,i表示第i张姿态特征图中第a头肉猪的配对距离，Fa,i表示第i张姿态特征图中第a头肉猪的分配权重，M表示与各个配对距离对应的肉猪的分配权重之和，I为检测到配对距离的姿态特征图的数量，N为在第i张姿态特征图中，检测到配对距离的肉猪的数量。
本实施例计算得到待确定关键点的相对位置之后，将待确定关键点更新为固定关键点，按照上述方法，依次确定下一个待确定关键点的相对位置；
若所有待确定关键点的相对位置计算结束后，本实施例需统计二十类关键点的相对位置是否全部得到，若否，则增加拍摄的原始图像的数量，直至二十类关键点的相对位置全部确定。
至此，可得到二十类关键点的相对位置；需要说明的是，所有姿态特征图中关键点的连接向量均相同。
根据二十类关键点的相对位置，在大数据系统查找匹配的肉猪数据，将二十类关键点的相对位置以及匹配到的肉猪数据作为一套带有标注点和轮廓的肉猪图集，加载至SMALR三维模型中，得到肉猪三维模型，其中，SMALR三维模型的形状参数由实例分割图获取，动作参数由姿态特征图获取。
所述效益评估模块每隔一定周期对肉猪三维模型进行一次检测，本实施例将检测的周期设置为五天，当第一次检测到肉猪三维模型进入标准参数范围后，将检测的周期调整为一天，同时利用效益模型以及肉猪三维模型的生长数据，得到最佳出栏时间，其中，所述效益模型包括体重模型以及瘦肉率模型，所述生长数据包括肉猪体重以及肉猪瘦肉率，所述标准参数范围可通过大数据系统获取；
所述体重模型为：
mt＝m0·μ·eεt
所述瘦肉率模型为：
kt＝k0·(qt2+vt+z)
式中，mt表示进入标准范围内后第t天的肉猪体重，m0表示肉猪三维模型进入标准体重范围内的初始体重，kt表示进入标准范围内后第t天的肉猪瘦肉率，k0表示肉猪三维模型进入标准瘦肉率范围内的初始瘦肉率，其值可通过胴体瘦肉率直测仪进行测量得到，e为自然常数，μ、ε、q、v、z为超参数，本实施例利用通过大数据系统获取的历史体重以及历史瘦肉率拟合得到五个超参数；在本实施例中，t>0。
本实施例根据瘦肉率模型得到在标准瘦肉率范围对应的时间区间，根据时间区间计算体重模型中肉猪体重最大值对应的时间点，将此时间点作为最佳出栏时间，需要说明的是，本实施例不考虑肉猪在育肥期间的猪肉价格因素。
本发明实施例提供的一种基于人工智能和大数据的肉猪出栏效益评估系统及方法，包括依次连接的姿态估计模块、数据分析模块、三维模型建立模块以及效益评估模块，解决了现有的养猪产业无法根据肉猪的生长状况实时、精准地判断最佳出栏时间，导致肉猪出栏效益较差的问题；本实施例通过对多头肉猪关键点以及姿态信息等客观数据的综合分析，为实时获取肉猪的生长状况提供了更精确的数据，使得建立的肉猪三维模型更符合实体肉猪的生长状况，从而保证了肉猪出栏效益的最大化；与现有技术相比，本实施例提供的系统及方法，具有自动化程度高、可靠性强的特点，无需饲养员对猪舍中的肉猪实时监测，降低了人工依赖程度，节省了人力资源及成本，减少了人为误差；本实施例利用单个相机即可预测一猪舍的出栏时间，成本低、效率高、实用性强，具有显著的经济效益。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (9)

1.一种基于人工智能和大数据的肉猪出栏效益评估系统，其特征在于：包括依次连接的姿态估计模块、数据分析模块、三维模型建立模块以及效益评估模块；
所述姿态估计模块，用于将采集到的原始图像输入第一神经网络，得到实例分割图，将所述实例分割图输入第二神经网络，得到姿态特征图；
所述数据分析模块，用于根据所述姿态特征图，获取任一肉猪各部位的关键点数量，以计算得到部位信息权重，同时连接任一部位检测到的关键点，得到封闭区域，并根据其质心与对应部位检测到的各关键点的间隔距离，得到区域半径，根据所述区域半径和所述部位信息权重，得到部位联合权重，对所述姿态特征图划分等分区域，根据任一肉猪在各所述等分区域的行数及等分权重，得到对应肉猪的比重值，根据所述比重值以及所述部位联合权重，得到肉猪的分配权重；
所述三维模型建立模块，用于根据各肉猪任意两类关键点距离及点对数量选取基准点，基于所述基准点，根据所有所述姿态特征图中任意两类直接连通的关键点距离和所述分配权重，得到其余关键点的相对位置，根据所述相对位置和所述基准点，建立肉猪三维模型；
所述效益评估模块，用于根据检测的所述肉猪三维模型的生长数据以及效益模型，得到最佳出栏时间；
所述效益评估模块每隔预设周期对肉猪三维模型进行一次检测，当第一次检测到肉猪三维模型进入标准参数范围后，将检测的周期调整为一天，同时利用效益模型以及肉猪三维模型的生长数据，得到最佳出栏时间，其中，所述效益模型包括体重模型以及瘦肉率模型，所述生长数据包括肉猪体重以及肉猪瘦肉率，所述标准参数范围可通过大数据系统获取；
所述体重模型为：
mt＝m0·μ·eεt
所述瘦肉率模型为：
kt＝k0·(qt2+vt+z)
式中，mt表示进入标准范围内后第t天的肉猪体重，m0表示肉猪三维模型进入标准体重范围内的初始体重，kt表示进入标准范围内后第t天的肉猪瘦肉率，k0表示肉猪三维模型进入标准瘦肉率范围内的初始瘦肉率，其值可通过胴体瘦肉率直测仪进行测量得到，e为自然常数，μ、ε、q、v、z为超参数，通过大数据系统获取的历史体重以及历史瘦肉率拟合得到五个超参数；t>0。
2.如权利要求1所述的一种基于人工智能和大数据的肉猪出栏效益评估系统，其特征在于：所述部位包括肉猪的猪头部位、猪身部位以及猪脚部位。
3.如权利要求1所述的一种基于人工智能和大数据的肉猪出栏效益评估系统，其特征在于：部位信息权重为任一肉猪的任一部位检测到的关键点数量与此部位包含的所有关键点数量之比。
4.如权利要求3所述的一种基于人工智能和大数据的肉猪出栏效益评估系统，其特征在于，所述部位联合权重为：
式中，ra,b表示第a头肉猪的第b个部位的部位联合权重，Ea,b表示第a头肉猪的第b个部位的部位信息权重，da,b表示第a头肉猪的第b个部位的区域半径，dmax表示在对应的所述姿态特征图中，不同肉猪相同部位的最大区域半径。
5.如权利要求4所述的一种基于人工智能和大数据的肉猪出栏效益评估系统，其特征在于，所述分配权重为：
式中，Fa表示第a头肉猪的分配权重，wa表示第a头肉猪的比重值，Qa,b表示第a头肉猪的第b个部位的局部权重，P表示肉猪的部位个数。
6.如权利要求5所述的一种基于人工智能和大数据的肉猪出栏效益评估系统，其特征在于，所述根据各肉猪任意两类关键点距离及点对数量选取基准点，具体为：
根据所述姿态特征图，选取任一肉猪，将其检测到的任意两类关键点构成关键点对，依次获取所述姿态特征图中其余肉猪的关键点对，依次获取其余所述姿态特征图中各个肉猪的关键点对，将所有所述姿态特征图中所有肉猪相同的关键点对归为一类，得到类别点对集合，根据任一所述类别点对集合的所有点对距离以及点对数量，得到对应类别点对集合的可信度，根据所述可信度最大值对应的类别点对集合，选取基准点。
7.如权利要求1所述的一种基于人工智能和大数据的肉猪出栏效益评估系统，其特征在于：所述三维模型建立模块，还用于对所述肉猪三维模型进行参数修正。
8.如权利要求1所述的一种基于人工智能和大数据的肉猪出栏效益评估系统，其特征在于：所述第一神经网络为实例分割网络；
所述第二神经网络为双分支卷积神经网络，包括关键点置信度预测网络以及关键点亲和度向量场预测网络。
9.一种基于人工智能和大数据的肉猪出栏效益评估方法，其特征在于：所述方法包括如权利要求1至8任意一项权利要求所述的系统。
CN202110220811.2A 2021-02-26 2021-02-26 基于人工智能和大数据的肉猪出栏效益评估系统及方法 Active CN112801118B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110220811.2A CN112801118B (zh) 2021-02-26 2021-02-26 基于人工智能和大数据的肉猪出栏效益评估系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110220811.2A CN112801118B (zh) 2021-02-26 2021-02-26 基于人工智能和大数据的肉猪出栏效益评估系统及方法

Publications (2)

Publication Number Publication Date
CN112801118A CN112801118A (zh) 2021-05-14
CN112801118B true CN112801118B (zh) 2024-02-02

Family

ID=75816078

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110220811.2A Active CN112801118B (zh) 2021-02-26 2021-02-26 基于人工智能和大数据的肉猪出栏效益评估系统及方法

Country Status (1)

Country Link
CN (1) CN112801118B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104573188A (zh) * 2014-12-12 2015-04-29 中国农业大学 一种基于大数据猪行为方式分析的育肥猪舍设计方法
WO2016192853A1 (de) * 2015-06-03 2016-12-08 Wuggl Gmbh Verfahren und vorrichtung zur bestimmung biometrischer eigenschaften von wirbeltieren, insbesondere des gewichtes von schweinen
WO2018223102A1 (en) * 2017-06-02 2018-12-06 Performance Livestock Analytics, Inc. Adaptive livestock growth modeling using machine learning approaches to predict growth and recommend livestock management operations and activities
CN109636826A (zh) * 2018-11-13 2019-04-16 平安科技（深圳）有限公司 生猪重量量测方法、服务器及计算机可读存储介质
CN110426112A (zh) * 2019-07-04 2019-11-08 平安科技（深圳）有限公司 一种生猪体重测量方法及装置
CN111243005A (zh) * 2020-01-07 2020-06-05 洛阳语音云创新研究院 牲畜估重方法、装置、设备以及计算机可读存储介质
CN111294565A (zh) * 2020-03-10 2020-06-16 福建农业职业技术学院 一种智能化养猪监测方法和管理端

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA3084664A1 (en) * 2017-11-06 2019-05-09 Dairy Tech, Inc. System and method of estimating livestock weight

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104573188A (zh) * 2014-12-12 2015-04-29 中国农业大学 一种基于大数据猪行为方式分析的育肥猪舍设计方法
WO2016192853A1 (de) * 2015-06-03 2016-12-08 Wuggl Gmbh Verfahren und vorrichtung zur bestimmung biometrischer eigenschaften von wirbeltieren, insbesondere des gewichtes von schweinen
WO2018223102A1 (en) * 2017-06-02 2018-12-06 Performance Livestock Analytics, Inc. Adaptive livestock growth modeling using machine learning approaches to predict growth and recommend livestock management operations and activities
CN109636826A (zh) * 2018-11-13 2019-04-16 平安科技（深圳）有限公司 生猪重量量测方法、服务器及计算机可读存储介质
CN110426112A (zh) * 2019-07-04 2019-11-08 平安科技（深圳）有限公司 一种生猪体重测量方法及装置
CN111243005A (zh) * 2020-01-07 2020-06-05 洛阳语音云创新研究院 牲畜估重方法、装置、设备以及计算机可读存储介质
CN111294565A (zh) * 2020-03-10 2020-06-16 福建农业职业技术学院 一种智能化养猪监测方法和管理端

Also Published As

Publication number Publication date
CN112801118A (zh) 2021-05-14

Similar Documents

Publication Publication Date Title
Song et al. Automated body weight prediction of dairy cows using 3-dimensional vision
CN111243005B (zh) 牲畜估重方法、装置、设备以及计算机可读存储介质
CN109141248B (zh) 基于图像的猪体重测算方法及系统
Wang et al. ASAS-NANP SYMPOSIUM: Applications of machine learning for livestock body weight prediction from digital images
Salau et al. Feasibility of automated body trait determination using the SR4K time-of-flight camera in cow barns
CN109635875A (zh) 一种基于深度学习的端到端网口检测方法
CN111696139B (zh) 基于rgb图像的白羽种鸡群体体重估测系统和方法
McPhee et al. Live animal assessments of rump fat and muscle score in Angus cows and steers using 3-dimensional imaging
CN110264444A (zh) 基于弱分割的损伤检测方法及装置
Huang et al. Cow tail detection method for body condition score using Faster R-CNN
CN112288793B (zh) 畜类个体背膘检测方法、装置、电子设备及存储介质
Bhoj et al. Image processing strategies for pig liveweight measurement: Updates and challenges
CN109559342B (zh) 动物体长的测量方法和装置
CN110307903A (zh) 一种家禽特定部位无接触温度动态测量的方法
CN115752683A (zh) 一种基于深度相机的体重预估方法、系统及终端
CN110136192A (zh) 一种基于深度学习和特征部位检测的牛体尺算法
CN109978937A (zh) 一种基于深度学习和特征部位检测的牛体尺测量系统
Lassen et al. Repeatabilities of individual measures of feed intake and body weight on in-house commercial dairy cattle using a 3-dimensional camera system
CN112801118B (zh) 基于人工智能和大数据的肉猪出栏效益评估系统及方法
CN1239406A (zh) 用光学图象处理评估半边屠宰动物的方法
CN110414369B (zh) 一种牛脸的训练方法及装置
CN108990833A (zh) 一种基于位置信息的动物运动行为判别方法及装置
Weales et al. A robust machine vision system for body measurements of beef calves
CN116543462A (zh) 基于视频骨骼的奶牛行为识别判断奶牛健康状况的方法
Tao et al. Development and implementation of a training dataset to ensure clear boundary value of body condition score classification of dairy cows in automatic system

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