CN113221776A - 一种基于人工智能对反刍动物一般行为识别的方法 - Google Patents
一种基于人工智能对反刍动物一般行为识别的方法 Download PDFInfo
- Publication number
- CN113221776A CN113221776A CN202110546204.5A CN202110546204A CN113221776A CN 113221776 A CN113221776 A CN 113221776A CN 202110546204 A CN202110546204 A CN 202110546204A CN 113221776 A CN113221776 A CN 113221776A
- Authority
- CN
- China
- Prior art keywords
- image data
- animal
- ruminant
- behavior
- 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.)
- Granted
Links
- 230000006399 behavior Effects 0.000 title claims abstract description 82
- 241000282849 Ruminantia Species 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 16
- 241001465754 Metazoa Species 0.000 claims abstract description 80
- 244000144972 livestock Species 0.000 claims abstract description 29
- 238000013145 classification model Methods 0.000 claims abstract description 15
- 230000009471 action Effects 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 5
- 210000000988 bone and bone Anatomy 0.000 claims description 4
- 230000008569 process Effects 0.000 description 7
- 206010000117 Abnormal behaviour Diseases 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000001488 breeding effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 210000003128 head Anatomy 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 230000000284 resting effect Effects 0.000 description 3
- 241000282412 Homo Species 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000035622 drinking Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 235000021050 feed intake Nutrition 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 208000003443 Unconsciousness Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000003975 animal breeding Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 210000001217 buttock Anatomy 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 239000002775 capsule Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011840 criminal investigation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000012173 estrus Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000013632 homeostatic process Effects 0.000 description 1
- 230000006651 lactation Effects 0.000 description 1
- 210000002414 leg Anatomy 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 235000003715 nutritional status Nutrition 0.000 description 1
- 230000000384 rearing effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于人工智能对反刍动物一般行为识别的方法,包括以下步骤:S1.通过摄像头获取动物的图像数据;S2.根据图像数据对动物进行重识别并跟踪动物;S3.利用牲畜行为分类模型从接收到的图像数据中对每个动物的行为进行分类。本发明提供的基于人工智能对反刍动物一般行为识别的方法,能在网络环境较差的地区直观且高效地获得反刍动物一般行为数据,并且降低反刍动物行为识别的成本,从而大幅降低农户的经济负担。
Description
技术领域
本发明涉及反刍动物行为识别技术领域,尤其是涉及一种基于人工智能对反刍动物一般行为识别的方法。
背景技术
随着我国社会经济的发展,人们对保护动物的意识在不断地增强,有关提高动物福利的各种倡议也在不断地提出。动物福利通常被定义为动物的一种健康快乐的状态。在以往的研究中,在家畜的饲养过程中,保证动物的福利也同样非常重要。在这个过程中,动物福利水平与家畜能否健康成长息息相关,并且不同水平的动物福利还会影响最终农副产品的产量以及质量。
以反刍动物为例,动物的福利主要包括它对外部环境和对内部环境的应对能力。其中,外部环境包括畜舍的饲养环境,气候条件以及和其它家畜的相处;内在环境包括是否有特定的疾病,是否有身体上的不适,以及家畜的营养状态等等。
在较短的单位时间内,反刍动物的福利水平评估主要集中体现在当时的家畜的感受上,这包括其受到遗传基因的影响,家畜最近的生理感知,最近评估时的环境以及在饲养过程中的产生的特定事件(如饲料的更替)产生的影响。但是家畜的这种感受很难进衡量,评估会通过动物行为量化的参数进行衡量,以体现出在不同的环境中家畜不同的表现。
在较长的单位时间内,比如在反刍动物的整个生命周期内,福利水平的评估体现在动物与环境的和谐程度,并且包括遗传基因对其行为的影响。例如在反刍动物的哺乳期,疾病的患病率是否居高不下,在生长过程中是否实现了营养和能量供给充足以及体内平衡,同时保证充足的休息和运动。这些指标的评估同样也会通过动物行为量化的参数进行衡量,从而体现出每个生长阶段中动物的福利水平。
综上所述,量化的各种动物行为指标(例如饲料采食,饮水,运动,休息等)对动物的福利评估有着重要的作用。目前对各种对动物行为的采集主要通过人眼观察法或者是辅助的各种传感器设备来实现。
人眼观察法采集数据会受限于数据采集的总时长和观测家畜的头数,总时间越长,观测的头数越多,付出的人力会越多,同时对数据的分析与反馈具有滞后性,因此在面对大规模的数据采集和需要实时反馈时很难达成目标。
而通过各种技术实现的传感器辅助设备虽然在一定程度上解决了部分数据的采集的问题,但是其本身会以各种形式装载于动物身体上(如例:耳标,项圈,腿上的计步器,臀部尾部的发情检测器,服用型的胶囊传感器等),其本身就会对动物产生很大的负担,不利于动物的正常生长与发展,即这些传感器本身就会影响动物的福利。另外,例用这些传感器所得来的数据多是通过算法来对当前各种形式的数据与真正的动物行为进行拟合,准确率也不尽如人意,与此同时,传感器高昂的价格同样也会对农户造成巨大的经济负担。
因此,通过非接触型的技术/设备对反刍动物的行为进行识别监测,同时又能以比较低廉的价格在养殖场中方便地进行使用,这样的技术方案在养殖的可持续发展中显得尤为重要。
发明内容
为了解决上述问题,本发明提供一种基于人工智能对反刍动物一般行为识别的方法,能在网络环境较差的地区直观且高效地获得反刍动物一般行为数据,并且降低反刍动物行为识别的成本,从而大幅降低农户的经济负担。
本发明为了实现上述目的具体采用以下技术方案:
一种基于人工智能对反刍动物一般行为识别的方法,包括以下步骤:
S1.通过摄像头获取动物的图像数据;
S2.根据图像数据对动物进行重识别并跟踪动物;
S3.利用牲畜行为分类模型从接收到的图像数据中对每个动物的行为进行分类。
更进一步地,所述步骤S2中对动物行为进行分类后,将分类的反刍动物行为信息发送到移动终端。
更进一步地,所述步骤S2中从图像数据中提取动物的关键点并进行标记,利用关键点对动物进行重识别并跟踪动物。
更进一步地,所述步骤S2中采用RE-ID对动物进行重识别并跟踪动物,并将相应动物动作的关键点作为牲畜行为分类模型的输入,以对动物的行为进行分类。
更进一步地,所述步骤S2中采用姿态预测方法提取关键点。
更进一步地,所述牲畜行为分类模型为基于LSTM网络的牲畜行为分类模型,且采用如下方法建立牲畜行为分类模型:
以预定帧为单位剪辑每个动作的视频数据得到若干同一动作的图像数据,并针对每个动作的视频数据在剪辑得到的图像数据上标记该类动作的名称,得到图像数据集,以图像数据集作为训练数据;
从每个图像数据中提取表示动物骨骼节点的二维坐标信息作为特征数据;
将图像数据集内每个图像数据对应的特征数据依次输入LSTM网络,LSTM网络进行学习,构建牲畜行为分类模型。
更进一步地,所述LSTM网络包括N个平行堆叠的层,且前一层的输出作为后一层的输入,其中,1≤N≤10,且N为自然数。
一种基于人工智能CCTV对反刍动物一般行为识别的装置,包括摄像头、通信模块、处理器及存储模块,所述存储模块存储存有计算机程序,所述处理器利执行计算机程序时实现上述方法。
本发明的有益效果如下:
1.本发明的识别方法对设备与环境的依赖性低,在通讯效果较差的偏远农村,也可以进行使用,适用范围广;
2.可以对同一个畜舍的动物进行身份识别,并进行实时追踪,同时通过识别得出来的反刍动物关键点数据可以进行各种行为的定义,如行走(移动/活动量测定)、站立、躺卧、反刍动物群体之间的活动、进入饮水区、进入饲料采食区、进入挤奶区等行为,使农户更好地把握动物的生长情况;
3.比传统的方法能更加直观而且高效地获得反刍动物的一般行为数据,为农户在饲养的过程中提供反刍动物每时每刻的各种状态数据;并且通过身份识别功能可以在发现异常的第一时间赶到现场,对行为异常的反刍动物进行相对应的处理,从而最大幅度地减少了饲养过程中因观察不全面不周到造成的损失;
4.无需在动物身上佩戴传感器设备,不会对动物造成影响,即实现无痕监测,完全不会影响动物的福利;
5.成本低廉,布设简单,且人力物力消耗小,相对于传统方法而言,能有效减小农户的经济负担。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1是本实施例提供的方法的流程示意图;
图2是反刍动物关键点标识示例图;
图3是反刍动物的关键点的神经网络训练模型示意图;
图4是牲畜行为分类模型判断流程图;
图5是反刍动物休息行为示意图;
图6是反刍动物站立行为示意图;
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例
许多农场都建立在农村,而了农村的网络环境一般较差,在进行深度学习部署的时候,很难使用云端解决方案,这使得复杂的深度学习网络模型无法进行使用,也使得建立在农村的牧场难以有效对动物行为进行判断。
对此,请参见图1所示,本实施例提供一种基于人工智能对反刍动物一般行为识别的方法,包括以下步骤:
S1.通过摄像头获取动物的图像数据,即将摄像头布设在各个畜舍中,利用各个畜舍的摄像头对动物进行捕捉;
S2.根据图像数据对动物进行重识别并跟踪动物,即识别动物的身份信息,并在所有摄像头拍摄的图像中对其进行检索跟踪;
S3.利用牲畜行为分类模型从接收到的图像数据中对每个动物的行为进行分类。
在整个过程中,使用的模型并不复杂,需要的设备也不是类似于服务器的高端设备,一般的价格低廉、性能相对较弱的设备也可以实现,同时也不依赖于网络条件,在降低动物行为识别成本的同时,也解决了农村中农场面临的困难,适用性极广。当然在有条件的地方,还可以将步骤S3中得到的行为分类结果传递至移动终端,例如手机、电脑、平板等,以供管理员实时监控动物的状态,在动物出现异常行为时及时做出应对,提升动物养殖的效果,当然也可以一并将动物图像传递至移动终端供管理员查看。
具体来说,可以在移动终端上安装专用的应用程序,并且可以通过应用程序输出与反刍动物行为信息有关的信息,并可以预先录入一些反刍动物的异常行为信息,在移动终端接收到的行为分类结果与这些异常行为信息重合时,可以发出警报警示管理员。
而动物不像人类,其并没有直接的显著特点,因此对其进行重识别进而进行跟踪是十分困难的,在本实施例中,选择使用姿态预测的方法在图像数据中将动物的关键点提取出来并进行标记(如图2所示),其中,动物的关键点一般对应为骨骼关键点,这些关键点组合起来对动物具有极好的识别效果,例如动物的头、颈、腰背部、尾部等。
具体来说,步骤S2中,可以采用行人再识别(Person Re-identification,Re-ID)技术来对动物进行重识别与跟踪操作。其中,Re-ID是利用cv技术判断图像或者视频序列中是否存在特定行人的技术。它主要的目的是:利用计算机视觉技术对特定行人进行跨视域匹配和检索。所谓跨视域即是图片来自于不同的摄像头,这样可以用于智能视频监控(如无人超市)、刑侦(追捕嫌疑人)、交管(追踪车辆等)等等应用场景。通俗地讲就是以图搜图技术,先给定一张特定的行人图像,然后检索跨设备的图像和视频序列中特定行人是否存在。本实施例把RE-ID应用在反刍动物上,以追踪记录反刍动物的各种行为。
在反刍动物的RE-ID上,我们定义RE-ID是在给定多段原始的视频序列基础上进行的,Re-ID的基本流程分为两个步骤:物体检测与物体再识别。其中,不同于人,反刍动物没有明显的特征,很难使得深度学习网络提出特征值作为重识别的根据。我们提取动物的关键点作为特征值,并且使用机械学习(transformer)模型记忆各个关键点在不同视频角度和不同时间段的特征,进而进行重识别,以达到跟踪的目的。
本实施例采用这样的方式提取反刍动物的局部特征,使得局部特征具有数量丰富、特征之间的相关性小等特点,而反刍动物描述子可以通过融合多个局部特征的方法形成,因此在反刍动物的重识别中,我们可以选用注意力机制模型方法来进行。
因为大部分农村的网络环境交差,所以需要设备在不使用网络的情况下,进行反刍动物的重识别和行为。本实施例中,如图3所示,我们将步骤S2中标记的关键点作为LSTM网络输入,识别连续的特征值的变化进而识别行为。为了使得可以观察更长时间的特征值的变化,我们使用了N层LSTM网络的结果,这里N是代表着部署在农村的深度学习推理设备的计算能力。在训练过程中会自动生成1-10的连续LSTM,然后把他们一次性部署到设备中,并判断在目标设备上哪种结构中推理准确率和推理速度最平衡,从而确定N的取值。
在本发明中,选用已经针对每个要分类的行为进行标记的图像数据集作为训练集。具体来说,以预定帧(例如15帧)为单位剪辑每个动作的视频数据,并且针对每个动作的视频数据标记要分类的动作的名称形成图像数据集。且图像数据集中的图像按剪辑顺序排列,在随后用作训练数据进行训练时,按照剪辑的顺序以单个图像数据连续输入至LSTM网络,亦即输入的是针对每个动作剪辑的连续图像数据。
摄像头拍摄的图片一般是牲畜侧面的一部分区域,此时可以从该侧获取牲畜的解剖结构提取为特征数据(如图2所示),即从每个图像中提取牲畜的骨骼结构对应的关键点的二维坐标信息(X坐标,Y坐标)作为特征数据。
同时,LSTM网络通过依次输入的每个图像数据的特征数据来学习(如图4所示),从而构建了牲畜行为分类模型。即,如果表示牲畜的特定行为的图像数据是15帧图像,则将从单一动作视频中提取的15组特征数据和针对该特定行为的标记信息依次输入到LSTM网络,并且牲畜行为分类模型为内置的。
而LSTM网络包括平行堆叠的多个层,现以三层为例来进行说明,输入到第一层的数据用于通过LSTM模型构建学习模型,由于LSTM模型的特性,重要特征被用于存储,而无关紧要的特征被遗忘,接下来,将第一层的输出传输到第二层,在第二层中,第二层选择性地存储反刍动物的行为状态并记录重要事项,第二层的输出传输到第三层,第三层根据从前两层获得的结果输出对反刍动物行为进行分类的结果。以这种方式,当长时间使用多个层次结构时,关于牲畜的行为状态的判断连续地重叠,从而能够进行更准确的分类。
本发明使用的反刍动物一般行为识别的方法,可以识别反刍动物所有个体,并使用输入图像数据对牲畜的行为进行分类。即,当采集到多个摄像头拍摄到的图片数据时,通过对输入的图像进行分析,提取图像中的牲畜的关键点作为特征数据,对动物行为进行分类。
在一种可能的实施方式中,上述方法可以采用如下装置来实现,具体来说,该装置包括摄像头、通信模块、处理器及存储模块。
摄像头设置有多个,且布设在各个畜舍内,用于采集动物的图像数据,各种类型的摄像头都可以使用,例如闭环回路摄像头(CCTV);通信模块进行数据传输,可以为局域网、因特网、广域网、无线网等;处理器通常控制整个装置的完整操作;存储模块则储存各种类型的数据以支撑装置工作,例如接收摄像头的图像数据,搭载计算机程序等,其可以为PROM、EEPROM等常见设备,具体来说,摄像头采集到的图像通过通信模块传输到存储模块,处理器调用存储模块上搭载的计算机程序来对反刍动物的行为进行识别。
本发明的装置还可以以包括计算机可执行指令的记录介质的形式来实现,例如由计算机执行的程序模块,搭载该程序模块的可读介质是可以由计算机访问的任何计算机可读介质,它可以是可溶介质,包括易失性和非易失性介质,可移动和不可移动介质。此外,计算机可读介质可以包括计算机存储介质,计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据之类的信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。
尽管已经结合特定实施例描述了本发明的方法和系统,但是它们的一些或全部组件或操作还可以使用具有通用硬件体系结构的计算机系统来实现。
试验例
在牧场A、牧场B、牧场C三个牧场中安装本发明的装置,并在正常饲养的条件下对动物的站立及休息行为进行识别,其中,在当天上午的9:00-10:00、下午的13:00-14:00、16:00-17:00采用本发明的方法与人眼观察法同时进行识别,行为识别结果如下表所示:
类别 | 牧场A | 牧场B | 牧场C |
休息行为识别率(%) | 86% | 85% | 88% |
站立行为识别率(%) | 82% | 84% | 85% |
其中,识别率为在单位时间内本方法识别的次数与人眼观察到的次数之比,其中本发明的单位时间为1h。
由上表可以看出,本发明的方法对于反刍动物的行为有极高的识别率,能较好地对农场中的反刍动物行为进行识别,提升反刍动物的养殖效果。
以上所述,仅为本发明的较佳实施例,并不用以限制本发明,本发明的专利保护范围以权利要求书为准,凡是运用本发明的说明书及附图内容所作的等同结构变化,同理均应包含在本发明的保护范围内。
Claims (8)
1.一种基于人工智能对反刍动物一般行为识别的方法,其特征在于,包括以下步骤:
S1.通过摄像头获取动物的图像数据;
S2.根据图像数据对动物进行重识别并跟踪动物;
S3.利用牲畜行为分类模型从接收到的图像数据中对每个动物的行为进行分类。
2.根据权利要求1所述的基于人工智能对反刍动物一般行为识别的方法,其特征在于,所述步骤S2中对动物行为进行分类后,将分类的反刍动物行为信息发送到移动终端。
3.根据权利要求1所述的基于人工智能对反刍动物一般行为识别的方法,其特征在于,所述步骤S2中从图像数据中提取动物的关键点并进行标记,利用关键点对动物进行重识别并跟踪动物。
4.根据权利要求3所述的基于人工智能对反刍动物一般行为识别的方法,其特征在于,所述步骤S2中采用姿态预测方法提取关键点。
5.根据权利要求4所述的基于人工智能对反刍动物一般行为识别的方法,其特征在于,所述步骤S2中采用RE-ID对动物进行重识别并跟踪动物,并将得到的相应动物的图像数据中的关键点作为牲畜行为分类模型的输入,以对动物的行为进行分类。
6.根据权利要求5所述的基于人工智能对反刍动物一般行为识别的方法,其特征在于,所述牲畜行为分类模型为基于LSTM网络的牲畜行为分类模型,且采用如下方法建立牲畜行为分类模型:
以预定帧为单位剪辑每个动作的视频数据得到若干同一动作的图像数据,并针在剪辑得到的图像数据上标记该类动作的名称,得到图像数据集,以图像数据集作为训练数据;
从每个图像数据中提取表示动物骨骼结构的关键点的二维坐标信息作为特征数据;
将图像数据集内每个图像数据对应的特征数据依次输入LSTM网络,LSTM网络进行学习,构建牲畜行为分类模型。
7.根据权利要求6所述的基于人工智能对反刍动物一般行为识别的方法,其特征在于,所述LSTM网络包括N个平行堆叠的层,且前一层的输出作为后一层的输入,其中,1≤N≤10,且N为自然数。
8.一种基于人工智能CCTV对反刍动物一般行为识别的装置,其特征在于,该装置包括摄像头、通信模块、处理器及存储模块,所述存储模块储存有计算机程序,所述处理器利执行计算机程序时实现权利要求1-7任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110546204.5A CN113221776B (zh) | 2021-05-19 | 2021-05-19 | 一种基于人工智能对反刍动物一般行为识别的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110546204.5A CN113221776B (zh) | 2021-05-19 | 2021-05-19 | 一种基于人工智能对反刍动物一般行为识别的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113221776A true CN113221776A (zh) | 2021-08-06 |
CN113221776B CN113221776B (zh) | 2024-05-28 |
Family
ID=77093094
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110546204.5A Active CN113221776B (zh) | 2021-05-19 | 2021-05-19 | 一种基于人工智能对反刍动物一般行为识别的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113221776B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114091548A (zh) * | 2021-09-23 | 2022-02-25 | 昆明理工大学 | 一种基于关键点和图匹配的车辆跨域重识别方法 |
CN115035594A (zh) * | 2022-05-31 | 2022-09-09 | 南京工业大学 | 基于Gated Transformer网络的野生哺乳动物行为识别方法 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2048619A1 (en) * | 2007-10-13 | 2009-04-15 | Toyota Motor Europe NV | Methods and systems for processing of video data |
CN105307482A (zh) * | 2013-04-10 | 2016-02-03 | 维京遗传学Fmba | 用于确定至少一个动物的饲料消耗量的系统 |
CN108537136A (zh) * | 2018-03-19 | 2018-09-14 | 复旦大学 | 基于姿态归一化图像生成的行人重识别方法 |
CN110008913A (zh) * | 2019-04-08 | 2019-07-12 | 南京工业大学 | 基于姿态估计与视点机制融合的行人再识别方法 |
US20190294881A1 (en) * | 2018-03-22 | 2019-09-26 | Viisights Solutions Ltd. | Behavior recognition |
CN110991340A (zh) * | 2019-12-03 | 2020-04-10 | 郑州大学 | 一种基于图像压缩的人体动作分析方法 |
CN111310720A (zh) * | 2020-03-11 | 2020-06-19 | 广东工业大学 | 基于图度量学习的行人重识别方法及系统 |
CN111598067A (zh) * | 2020-07-24 | 2020-08-28 | 浙江大华技术股份有限公司 | 视频中重识别训练方法、重识别方法及存储装置 |
CN111680551A (zh) * | 2020-04-28 | 2020-09-18 | 平安国际智慧城市科技股份有限公司 | 监控牲畜数量的方法、装置、计算机设备及存储介质 |
CN111797813A (zh) * | 2020-07-21 | 2020-10-20 | 天津理工大学 | 基于可见感知纹理语义对齐的部分行人重识别方法 |
CN112287959A (zh) * | 2020-06-01 | 2021-01-29 | 北京沃东天骏信息技术有限公司 | 目标重识别模型的训练方法以及目标重识别方法和装置 |
CN112395977A (zh) * | 2020-11-17 | 2021-02-23 | 南京林业大学 | 基于身体轮廓和腿部关节骨架的哺乳动物姿态识别方法 |
CN112488057A (zh) * | 2020-12-17 | 2021-03-12 | 北京航空航天大学 | 一种利用人头点定位和关节点信息的单相机多目标跟踪方法 |
US20210082128A1 (en) * | 2019-09-13 | 2021-03-18 | Panasonic Intellectual Property Corporation Of America | Object tracking method and recording medium |
CN112800967A (zh) * | 2021-01-29 | 2021-05-14 | 重庆邮电大学 | 一种姿态驱动的遮挡行人重识别方法 |
CN112800816A (zh) * | 2019-11-13 | 2021-05-14 | 北京卡尔斯通科技有限公司 | 一种基于多模型的视频动作识别检测方法 |
-
2021
- 2021-05-19 CN CN202110546204.5A patent/CN113221776B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2048619A1 (en) * | 2007-10-13 | 2009-04-15 | Toyota Motor Europe NV | Methods and systems for processing of video data |
CN105307482A (zh) * | 2013-04-10 | 2016-02-03 | 维京遗传学Fmba | 用于确定至少一个动物的饲料消耗量的系统 |
CN108537136A (zh) * | 2018-03-19 | 2018-09-14 | 复旦大学 | 基于姿态归一化图像生成的行人重识别方法 |
US20190294881A1 (en) * | 2018-03-22 | 2019-09-26 | Viisights Solutions Ltd. | Behavior recognition |
CN110008913A (zh) * | 2019-04-08 | 2019-07-12 | 南京工业大学 | 基于姿态估计与视点机制融合的行人再识别方法 |
US20210082128A1 (en) * | 2019-09-13 | 2021-03-18 | Panasonic Intellectual Property Corporation Of America | Object tracking method and recording medium |
CN112800816A (zh) * | 2019-11-13 | 2021-05-14 | 北京卡尔斯通科技有限公司 | 一种基于多模型的视频动作识别检测方法 |
CN110991340A (zh) * | 2019-12-03 | 2020-04-10 | 郑州大学 | 一种基于图像压缩的人体动作分析方法 |
CN111310720A (zh) * | 2020-03-11 | 2020-06-19 | 广东工业大学 | 基于图度量学习的行人重识别方法及系统 |
CN111680551A (zh) * | 2020-04-28 | 2020-09-18 | 平安国际智慧城市科技股份有限公司 | 监控牲畜数量的方法、装置、计算机设备及存储介质 |
CN112287959A (zh) * | 2020-06-01 | 2021-01-29 | 北京沃东天骏信息技术有限公司 | 目标重识别模型的训练方法以及目标重识别方法和装置 |
CN111797813A (zh) * | 2020-07-21 | 2020-10-20 | 天津理工大学 | 基于可见感知纹理语义对齐的部分行人重识别方法 |
CN111598067A (zh) * | 2020-07-24 | 2020-08-28 | 浙江大华技术股份有限公司 | 视频中重识别训练方法、重识别方法及存储装置 |
CN112395977A (zh) * | 2020-11-17 | 2021-02-23 | 南京林业大学 | 基于身体轮廓和腿部关节骨架的哺乳动物姿态识别方法 |
CN112488057A (zh) * | 2020-12-17 | 2021-03-12 | 北京航空航天大学 | 一种利用人头点定位和关节点信息的单相机多目标跟踪方法 |
CN112800967A (zh) * | 2021-01-29 | 2021-05-14 | 重庆邮电大学 | 一种姿态驱动的遮挡行人重识别方法 |
Non-Patent Citations (6)
Title |
---|
DIHUA WU等: "Using a CNN-LSTM for basic behaviors detection of a single dairy cow in a complex environment", 《COMPUTERS AND ELECTRONICS IN AGRICULTURE》, vol. 182, 8 February 2021 (2021-02-08), pages 1 - 12 * |
JIANING LI等: "Pose-guided representation learning for person re-identification", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》, vol. 44, no. 02, 16 July 2019 (2019-07-16), pages 622 - 635 * |
SHUTING HE等: "TransReID:Transformer-based object re-identification", 《ARXIV》, 26 March 2021 (2021-03-26), pages 1 - 13 * |
XIANGYUAN LI等: "Deep cascaded convolutional models for cattle pose estimation", 《COMPUTERS AND ELECTRONICS IN AGRICULTURE》, vol. 164, 22 July 2019 (2019-07-22), pages 1 - 11, XP085776391, DOI: 10.1016/j.compag.2019.104885 * |
刘玉杰等: "基于增强特征融合网络的行人重识别方法", 《计算机辅助设计与图形学学报》, vol. 33, no. 02, 31 December 2020 (2020-12-31), pages 232 - 240 * |
陈红颖: "视频人体行为识别深度学习算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, vol. 2021, no. 05, 15 May 2021 (2021-05-15), pages 138 - 1008 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114091548A (zh) * | 2021-09-23 | 2022-02-25 | 昆明理工大学 | 一种基于关键点和图匹配的车辆跨域重识别方法 |
CN115035594A (zh) * | 2022-05-31 | 2022-09-09 | 南京工业大学 | 基于Gated Transformer网络的野生哺乳动物行为识别方法 |
CN115035594B (zh) * | 2022-05-31 | 2024-09-20 | 南京工业大学 | 基于Gated Transformer网络的野生哺乳动物行为识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113221776B (zh) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | Using a CNN-LSTM for basic behaviors detection of a single dairy cow in a complex environment | |
Mahmud et al. | A systematic literature review on deep learning applications for precision cattle farming | |
KR101984983B1 (ko) | 야생동물 모니터링 시스템 및 그 방법 | |
Jingqiu et al. | Cow behavior recognition based on image analysis and activities | |
KR102341715B1 (ko) | 가축 모니터링 장치 및 방법 | |
CN113221776B (zh) | 一种基于人工智能对反刍动物一般行为识别的方法 | |
CN106295558A (zh) | 一种猪只行为节律分析方法 | |
KR102315991B1 (ko) | 인공지능 기반 원격 가축 관리 장치 및 시스템 | |
CN112101259A (zh) | 一种基于堆叠沙漏网络的单只猪体姿态识别系统及方法 | |
WO2019138329A1 (en) | Method and system, based on the use of deep learning techniques, for the univocal biometric identification of an animal | |
Gan et al. | Automated detection and analysis of piglet suckling behaviour using high-accuracy amodal instance segmentation | |
KR102584357B1 (ko) | 반문 이미지를 기반으로 한 축산 동물의 개체 식별 장치 및 영상을 기반으로 한 가축 행동 패턴 분류 시스템 및 가축 행동 패턴 분류 방법 | |
Kuan et al. | An imaging system based on deep learning for monitoring the feeding behavior of dairy cows | |
Bello et al. | Deep belief network approach for recognition of cow using cow nose image pattern | |
CN116563758A (zh) | 狮头鹅监控方法、装置、设备及存储介质 | |
Bello et al. | Mask YOLOv7-based drone vision system for automated cattle detection and counting | |
Xu et al. | Automatic quantification and assessment of grouped pig movement using the XGBoost and YOLOv5s models | |
Sun et al. | Behavior recognition and maternal ability evaluation for sows based on triaxial acceleration and video sensors | |
Avanzato et al. | Dairy cow behavior recognition using computer vision techniques and CNN networks | |
Sun et al. | Basic behavior recognition of yaks based on improved SlowFast network | |
Zhang et al. | Research on cow behavior recognition based on improved SlowFast with 3DCBAM | |
Samhitha et al. | Dwarf Mongoose Optimization with Transfer Learning-Based Fish Behavior Classification Model | |
KR102332252B1 (ko) | 영상 분석 기반의 반추 동물의 발정행동패턴 분석 장치 및 방법 | |
Mon et al. | Video-based automatic cattle identification system | |
Gao et al. | Adaptive cow movement detection using evolving spiking neural network models |
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 |