CN113269109A - 基于视觉ai的猪只状态分析系统和方法 - Google Patents

基于视觉ai的猪只状态分析系统和方法 Download PDF

Info

Publication number
CN113269109A
CN113269109A CN202110620455.3A CN202110620455A CN113269109A CN 113269109 A CN113269109 A CN 113269109A CN 202110620455 A CN202110620455 A CN 202110620455A CN 113269109 A CN113269109 A CN 113269109A
Authority
CN
China
Prior art keywords
pig
image
edge information
pigs
current frame
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
Application number
CN202110620455.3A
Other languages
English (en)
Other versions
CN113269109B (zh
Inventor
龙定彪
王浩
杨飞云
徐顺来
蒲施桦
曾雅琼
朱佳明
简悦
朱萌钢
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.)
Chongqing Yuxin Micro Information Technology Co ltd
Chongqing Academy of Animal Sciences
Original Assignee
Chongqing Yuxin Micro Information Technology Co ltd
Chongqing Academy of Animal Sciences
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 Chongqing Yuxin Micro Information Technology Co ltd, Chongqing Academy of Animal Sciences filed Critical Chongqing Yuxin Micro Information Technology Co ltd
Priority to CN202110620455.3A priority Critical patent/CN113269109B/zh
Publication of CN113269109A publication Critical patent/CN113269109A/zh
Application granted granted Critical
Publication of CN113269109B publication Critical patent/CN113269109B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Environmental Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Human Computer Interaction (AREA)
  • Biophysics (AREA)
  • Animal Husbandry (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于视觉AI的猪只状态分析系统和方法。通过获取对猪圈进行图像采集得到的视频流格式的猪只图像；分别标引获取的各猪只图像的边缘信息和行为姿态信息，对分类器模型进行训练；利用训练的判别模型对待判别的当前帧猪只图像进行分析，判别出当前帧猪只图像的边缘信息和行为姿态信息；记录当前帧猪只图像的边缘信息，评估与上一帧每一猪只边缘信息的相似度，计算与上一帧每一猪只边缘信息质心的欧式距离，加权求和得到匹配分值，取最大分值处完成一猪只的匹配，循环该过程完成所有猪只的匹配，统计匹配对作为猪只总数。本发明能够远程实时统计猪只总数，分析猪只位姿状态，无需识别实例个体，具备更好的运行速度和识别准确率。

Description

基于视觉AI的猪只状态分析系统和方法
技术领域
本发明涉及畜牧业领域，尤其是一种基于视觉AI的猪只状态分析系统和方法。
背景技术
一般生猪养殖方法包括室内圈养和室外散养，主要依靠人力养殖，人为干预过多，不仅无法避免细菌感染，导致肉类良品率不高，浪费了大量的劳动力，提高了养殖成本，且很难做到全时间段监测猪只活动状态，无法为猪场运营提供精确参考.在大规模集约化畜牧养殖场中，仍需要人工现场照看，无法避免猪只群体感染等问题，且在较大的养殖场中存在管理困难。
发明内容
本发明的发明目的在于：针对上述存在的问题，提供一种基于视觉AI的猪只状态分析系统和方法，以基于纯视觉分析方式，对猪只的位姿进行分析统计，减少人工干预。
本发明采用的技术方案如下：
一种基于视觉AI的猪只状态分析系统，包括源视频采集终端、图像数据库、数据标引模块、训练模块、判别模块和跟踪模块，其中：
所述源视频采集终端被配置为：采集猪圈中的猪只图像，将采集的图像数据以视频流方式逐帧传输给所属图像数据库存储；
所述数据标引模块被配置为：响应于标引动作，从图像数据库中获得猪只图像，并标记该猪只图像的边缘信息和行为姿态信息；
所述训练模块被配置为：采用分类器模型，以所述数据标引模块标引的大量猪只图像为训练数据进行训练，得到猪只姿态判别模型；
所述判别模块被配置为：从所述图像数据库中选择待判别的当前帧猪只图像，利用所述猪只姿态判别模型对该猪只图像进行分析，判别出当前帧猪只图像的边缘信息和行为姿态信息；
所述跟踪模块被配置为：记录当前帧猪只图像的边缘信息，循环执行跟踪流程，直至匹配完当前帧猪只图像所有的边缘信息，统计两帧猪只图像之间的猪只匹配对作为猪只总数，统计当前帧猪只图像中行为姿态信息对应为站立状态的数量为站立数量，统计当前帧猪只图像中行为姿态信息对应为躺卧状态的数量为躺卧数量；跟踪流程包括：评估当前帧猪只图像中所有猪只的边缘信息和上一帧猪只图像中所有猪只的边缘信息间两两的相似度，计算当前帧猪只图像中所有猪只的边缘信息质心和上一帧猪只图像中所有猪只的边缘信息质心间两两的的欧式距离，以1:1比例权重加权求和相似度和欧式距离，得到当前帧猪只图像中所有猪只的边缘信息和上一帧猪只图像中所有猪只的边缘信息间两两的匹配分值；取最大匹配分值对应的猪只对应关系完成两帧猪只图像之间一头猪只的匹配。
进一步的，所述源视频采集终端包括光学传感模块和畸变处理模块，所述光学传感模块对猪圈现场进行图像采集，所述畸变处理模块对所采集的数据进行畸变校正，得到猪只图像。
进一步的，还包括模型微调模块，所述模型微调模块被配置为：获取对所述图像数据库中，待判别的猪只图像所标引的边缘信息和行为姿态信息，利用所标引的猪只图像对已训练的猪只姿态判别模型继续训练。
进一步的，所述训练模块所采用的分类器模型，为实例分割算法模型。
进一步的，所述跟踪模块采用IOU算法评估当前帧猪只图像中所有猪只的边缘信息和上一帧猪只图像中所有猪只的边缘信息间两两的相似度。
一种基于视觉AI的猪只状态分析方法，包括：
获取对猪圈进行图像采集得到的视频流格式的猪只图像；
分别标引获取的各猪只图像的边缘信息和行为姿态信息，得到训练数据；
利用训练数据对分类器模型进行训练，得到猪只姿态判别模型；
利用所述猪只姿态判别模型对待判别的当前帧猪只图像进行分析，判别出当前帧猪只图像的边缘信息和行为姿态信息；
记录当前帧猪只图像的边缘信息，循环执行跟踪流程，直至匹配完当前帧猪只图像所有的边缘信息，统计两帧猪只图像之间的猪只匹配对作为猪只总数，统计当前帧猪只图像中行为姿态信息对应为站立状态的数量为站立数量，统计当前帧猪只图像中行为姿态信息对应为躺卧状态的数量为躺卧数量；跟踪流程包括：评估当前帧猪只图像中所有猪只的边缘信息和上一帧猪只图像中所有猪只的边缘信息间两两的相似度，计算当前帧猪只图像中所有猪只的边缘信息质心和上一帧猪只图像中所有猪只的边缘信息质心间两两的的欧式距离，以1:1比例权重加权求和相似度和欧式距离，得到当前帧猪只图像中所有猪只的边缘信息和上一帧猪只图像中所有猪只的边缘信息间两两的匹配分值；取最大匹配分值对应的猪只对应关系完成两帧猪只图像之间一头猪只的匹配。
进一步的，所述获取对猪圈进行图像采集得到的视频流格式的猪只图像，包括：
采集猪圈现场的图像数据，对采集的数据进行畸变校正，得到猪只图像；以采集的数据的顺序，将得到的猪只图像逐帧组合成视频流。
进一步的，在利用训练数据对分类器模型进行训练后，还包括：标引待判别的猪只图像的边缘信息和行为姿态信息，加入到训练数据对所述猪只姿态判别模型继续训练。
进一步的，所述分类器模型为实例分割算法模型。
进一步的，采用IOU算法评估当前帧猪只图像中所有猪只的边缘信息和上一帧猪只图像中所有猪只的边缘信息间两两的相似度。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
1、本发明使用远程图像采集装置对猪圈现场进行监控，无需太多的人工干预即可实现对猪只位姿状态的长时间监控和实时统计，减小人工监控误差，降低猪舍病菌感染风险。
2、本发明方案可以将实时监控视频画面提取到的猪只特征进行分类，并跟踪统计特定时间段内站立躺卧时长，提供活跃度分析和低活跃度预警，提高准确性的同时保证实时性。
3、本发明利用待判别的图像对判别模型进行校正，可以提高判别模型识别的准确性。
4、相较于现有检测方法，本发明训练的判别模型采用实例分割算法，该算法是一种one stage网络，内部不需识别实例个体位置，可以直接输出每个实例个体的具体边缘信息和姿态信息，具有更好的运行速度和识别准确率。
5、本发明可事实跟踪分析猪只位姿状态，提供给用户根据位姿维持的特定时间跨度对猪只健康状况进行参考。
附图说明
本发明将通过例子并参照附图的方式说明，其中：
图1是判别模型训练及校正流程示意图。
图2是判别模型的训练及应用实施例。
具体实施方式
本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。
本说明书(包括任何附加权利要求、摘要)中公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。
实施例一
参见附图1、2，本实施例中，猪只的位姿状态包括站立和躺卧两种状态，其他细分状态(如站立A、站立B)可通过同理定义边缘信息和行为位姿信息实现。
源视频采集终端包括光学传感模块和畸变处理模块，光学传感模块以1280*720分辨率顺序对猪圈现场进行图像采集，采集的每一帧数据均传输给畸变处理模块进行畸变处理。畸变处理模块采用围棋棋盘图像线性畸变校正算法对输入的每一帧进行解畸变操作，再以帧率25FPS，经过h264格式编码为实时视频流，传输到图像数据库存储。
对于判别模型初步训练过程，数据标引模块接收人工的点击、选择、滑动等动作，从图像数据库中选出被选择的猪只图像，并根据人工动作标记该猪只图像的边缘信息和行为姿态信息。即初步训练的训练数据为人为标引的数据。一幅猪只图像中包含若干猪只，每一猪只均有对应的边缘信息和行为姿态信息，边缘信息即轮廓标签，行为姿态信息即姿态(如站立、躺卧)标签，所有猪只的标签集合为猪只图像的边缘信息和行为姿态信息。
训练模块配置实例分割算法作为基本的分类器模型，采用数据标引模块所标引的猪只图像的边缘信息和行为位姿信息为标签，训练该分类器模型，训练出猪只姿态判别模型。优选的，本实施例还采用了变训练边标注的模块，即先使用数据标引模块标引的猪只图像训练分类器模型，之后使用现有分类器对图像数据库中待判别的猪只图像(即未使用人工标引的猪只图像)进行预测，得到对应的边缘信息和行为姿态信息，经过人为校正后，将预测结构加入到训练数据中继续训练判别模型，从而提高判别模型的分类准确率。
判别模块则使用训练好的判别模型，对待判别的猪只图像进行分析，判别出当前猪只图像的边缘信息和行为姿态信息。
本发明还设计了跟踪模块，该跟踪模块记录当前帧猪只图像的边缘信息，循环执行跟踪流程，直至匹配完当前帧猪只图像所有的边缘信息。跟踪流程包括：评估当前帧猪只图像中所有猪只的边缘信息和上一帧猪只图像中所有猪只的边缘信息间两两的相似度，例如采用IOU算法评估当前帧猪只图像中所有猪只的边缘信息和上一帧猪只图像中所有猪只的边缘信息间两两的相似度。计算当前帧猪只图像中所有猪只的边缘信息质心和上一帧猪只图像中所有猪只的边缘信息质心间两两的的欧式距离。以1:1比例权重加权求和相似度和欧式距离(猪只对应关系相同)，得到当前帧猪只图像中所有猪只的边缘信息和上一帧猪只图像中所有猪只的边缘信息间两两的匹配分值；取最大匹配分值对应的猪只对应关系完成两帧猪只图像之间一头猪只的匹配，至此，一次跟踪流程结束。跟踪模块统计两帧猪只图像之间的猪只匹配对作为猪只总数，统计行为姿态信息对应为站立状态的数量为站立数量，统计行为姿态信息对应为躺卧状态的数量为躺卧数量。
以猪场有5头猪只为例，跟踪流程评估相邻帧猪只图像相似度的步骤，会产生5*5＝25组数据，计算相邻帧猪只图像欧氏距离的步骤，同样会产生5*5＝25组数据，加权求和的过程，得到25组匹配分值，取最大匹配分值所对应的关系完成第一头猪只的匹配。匹配完成一头猪只后，下一次跟踪流程，则会产生4*4＝16组匹配分值，同样取最大匹配分值所对应的关系完成第二头猪只的匹配，以此类推，最终匹配完相邻帧猪只图像中的所有猪只。
跟踪模块的设计将前后帧之间的检测结果联系起来，能够有效避免由于误检测带来的统计结果波动。经试验，初步训练的判别模型在训练数据相同的场景下，点数准确率可达90％以上，站立和躺卧位姿识别准确率可达88％以上；经过校正后，可提高输出准确率3～5％，点数准确率可达95％以上，站立、躺卧位姿识别准确率可达91％以上。
实施例二
如图1、2所示，本实施例公开了一种基于视觉AI的猪只状态分析方法，包括：
获取对猪圈进行图像采集得到的视频流格式的猪只图像。之所以要求视频流格式，是为了逐帧对猪只图像进行跟踪分析，便于实时了解猪只位姿变化的情况。视频流格式的猪只图像的采集过程包括：采集猪圈现场的图像数据，对采集的数据进行畸变校正，得到猪只图像；以采集的数据的顺序，将得到的猪只图像逐帧组合成视频流。其中，猪圈现场的图像数据通过光学传感模块以1280*720分辨率顺序采集得到，畸变校正过程采用围棋棋盘图像线性畸变校正算法对采集的每一帧图像数据进行解畸变操作，再以帧率25FPS，经过h264格式编码为实时视频流。
分别标引获取的各猪只图像的边缘信息和行为姿态信息，得到训练数据。此过程为人工标引过程。人工选择采集的猪只图像，对应标引出边缘信息和行为位姿信息。
利用训练数据对基础分类器模型进行训练，得到猪只姿态判别模型。分类器模型为选择或设计的卷积神经网络，其具有学习的能力，分类器模型以训练数据中，猪只图像的边缘信息和行为姿态信息为标签进行学习，学习出能够识别猪只图像的边缘信息和行为姿态信息的判别模型。在一些实施例中，使用模型选择受理分割算法对训练数据进行学习，学习后，输入猪只图像，模型输出每一个猪只实例个体的边缘信息和行为姿态信息，相较于现有分类器，对猪只行为姿态识别有着更好的准确率。
进一步的，本发明采用了边训练变标注的模式，即对已训练的判别模型进行进一步训练，提高判别模型准确性。在一些实施方式中，在利用训练数据对分类器模型进行训练后，还包括：标引待判别的猪只图像的边缘信息和行为姿态信息，加入到训练数据对所述猪只姿态判别模型继续训练，以对判别模型参数进行修正。
利用训练好的猪只姿态判别模型对待判别的当前帧猪只图像进行分析，识别出当前帧猪只图像的边缘信息和行为姿态信息。
记录当前帧猪只图像的边缘信息，循环执行跟踪流程，直至匹配完当前帧猪只图像所有的边缘信息，统计两帧猪只图像之间的猪只匹配对作为猪只总数，统计当前帧猪只图像中行为姿态信息对应为站立状态的数量为站立数量，统计当前帧猪只图像中行为姿态信息对应为躺卧状态的数量为躺卧数量；跟踪流程包括：评估当前帧猪只图像中所有猪只的边缘信息和上一帧猪只图像中所有猪只的边缘信息间两两的相似度，计算当前帧猪只图像中所有猪只的边缘信息质心和上一帧猪只图像中所有猪只的边缘信息质心间两两的的欧式距离，以1:1比例权重加权求和相似度和欧式距离，得到当前帧猪只图像中所有猪只的边缘信息和上一帧猪只图像中所有猪只的边缘信息间两两的匹配分值；取最大匹配分值对应的猪只对应关系完成两帧猪只图像之间一头猪只的匹配。经试验，初步训练的判别模型在训练数据相同的场景下，点数准确率可达90％以上，站立和躺卧位姿识别准确率可达88％以上；经过校正后，可提高输出准确率3～5％，点数准确率可达95％以上，站立、躺卧位姿识别准确率可达91％以上。
本发明中，所谓的当前帧猪只图像、上一帧猪只图像，与文中视频流格式的猪只图像的帧序相对应。
本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合，以及披露的任一新的方法或过程的步骤或任何新的组合。

Claims (10)

1.一种基于视觉AI的猪只状态分析系统，其特征在于，包括源视频采集终端、图像数据库、数据标引模块、训练模块、判别模块和跟踪模块，其中：
所述源视频采集终端被配置为：采集猪圈中的猪只图像，将采集的图像数据以视频流方式逐帧传输给所属图像数据库存储；
所述数据标引模块被配置为：响应于标引动作，从图像数据库中获得猪只图像，并标记该猪只图像的边缘信息和行为姿态信息；
所述训练模块被配置为：采用分类器模型，以所述数据标引模块标引的大量猪只图像为训练数据进行训练，得到猪只姿态判别模型；
所述判别模块被配置为：从所述图像数据库中选择待判别的当前帧猪只图像，利用所述猪只姿态判别模型对该猪只图像进行分析，判别出当前帧猪只图像的边缘信息和行为姿态信息；
所述跟踪模块被配置为：记录当前帧猪只图像的边缘信息，循环执行跟踪流程，直至匹配完当前帧猪只图像所有的边缘信息，统计两帧猪只图像之间的猪只匹配对作为猪只总数，统计当前帧猪只图像中行为姿态信息对应为站立状态的数量为站立数量，统计当前帧猪只图像中行为姿态信息对应为躺卧状态的数量为躺卧数量；跟踪流程包括：评估当前帧猪只图像中所有猪只的边缘信息和上一帧猪只图像中所有猪只的边缘信息间两两的相似度，计算当前帧猪只图像中所有猪只的边缘信息质心和上一帧猪只图像中所有猪只的边缘信息质心间两两的的欧式距离，以1:1比例权重加权求和相似度和欧式距离，得到当前帧猪只图像中所有猪只的边缘信息和上一帧猪只图像中所有猪只的边缘信息间两两的匹配分值；取最大匹配分值对应的猪只对应关系完成两帧猪只图像之间一头猪只的匹配。
2.如权利要求1所述的基于视觉AI的猪只状态分析系统，其特征在于，所述源视频采集终端包括光学传感模块和畸变处理模块，所述光学传感模块对猪圈现场进行图像采集，所述畸变处理模块对所采集的数据进行畸变校正，得到猪只图像。
3.如权利要求1所述的基于视觉AI的猪只状态分析系统，其特征在于，还包括模型微调模块，所述模型微调模块被配置为：获取对所述图像数据库中，待判别的猪只图像所标引的边缘信息和行为姿态信息，利用所标引的猪只图像对已训练的猪只姿态判别模型继续训练。
4.如权利要求1所述的基于视觉AI的猪只状态分析系统，其特征在于，所述训练模块所采用的分类器模型，为实例分割算法模型。
5.如权利要求1所述的基于视觉AI的猪只状态分析系统，其特征在于，所述跟踪模块采用IOU算法评估当前帧猪只图像中所有猪只的边缘信息和上一帧猪只图像中所有猪只的边缘信息间两两的相似度。
6.一种基于视觉AI的猪只状态分析方法，其特征在于，包括：
获取对猪圈进行图像采集得到的视频流格式的猪只图像；
分别标引获取的各猪只图像的边缘信息和行为姿态信息，得到训练数据；
利用训练数据对分类器模型进行训练，得到猪只姿态判别模型；
利用所述猪只姿态判别模型对待判别的当前帧猪只图像进行分析，判别出当前帧猪只图像的边缘信息和行为姿态信息；
记录当前帧猪只图像的边缘信息，循环执行跟踪流程，直至匹配完当前帧猪只图像所有的边缘信息，统计两帧猪只图像之间的猪只匹配对作为猪只总数，统计当前帧猪只图像中行为姿态信息对应为站立状态的数量为站立数量，统计当前帧猪只图像中行为姿态信息对应为躺卧状态的数量为躺卧数量；跟踪流程包括：评估当前帧猪只图像中所有猪只的边缘信息和上一帧猪只图像中所有猪只的边缘信息间两两的相似度，计算当前帧猪只图像中所有猪只的边缘信息质心和上一帧猪只图像中所有猪只的边缘信息质心间两两的的欧式距离，以1:1比例权重加权求和相似度和欧式距离，得到当前帧猪只图像中所有猪只的边缘信息和上一帧猪只图像中所有猪只的边缘信息间两两的匹配分值；取最大匹配分值对应的猪只对应关系完成两帧猪只图像之间一头猪只的匹配。
7.如权利要求6所述的基于视觉AI的猪只状态分析方法，其特征在于，所述获取对猪圈进行图像采集得到的视频流格式的猪只图像，包括：
采集猪圈现场的图像数据，对采集的数据进行畸变校正，得到猪只图像；以采集的数据的顺序，将得到的猪只图像逐帧组合成视频流。
8.如权利要求6所述的基于视觉AI的猪只状态分析方法，其特征在于，在利用训练数据对分类器模型进行训练后，还包括：标引待判别的猪只图像的边缘信息和行为姿态信息，加入到训练数据对所述猪只姿态判别模型继续训练。
9.如权利要求6所述的基于视觉AI的猪只状态分析方法，其特征在于，所述分类器模型为实例分割算法模型。
10.如权利要求6所述的基于视觉AI的猪只状态分析方法，其特征在于，采用IOU算法评估当前帧猪只图像中所有猪只的边缘信息和上一帧猪只图像中所有猪只的边缘信息间两两的相似度。
CN202110620455.3A 2021-06-03 2021-06-03 基于视觉ai的猪只状态分析系统和方法 Active CN113269109B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110620455.3A CN113269109B (zh) 2021-06-03 2021-06-03 基于视觉ai的猪只状态分析系统和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110620455.3A CN113269109B (zh) 2021-06-03 2021-06-03 基于视觉ai的猪只状态分析系统和方法

Publications (2)

Publication Number Publication Date
CN113269109A true CN113269109A (zh) 2021-08-17
CN113269109B CN113269109B (zh) 2023-12-05

Family

ID=77234185

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110620455.3A Active CN113269109B (zh) 2021-06-03 2021-06-03 基于视觉ai的猪只状态分析系统和方法

Country Status (1)

Country Link
CN (1) CN113269109B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2642427A2 (en) * 2012-03-21 2013-09-25 Intellectual Ventures Fund 83 LLC Video concept classification using temporally-correlated grouplets
CN103679181A (zh) * 2013-11-25 2014-03-26 浙江大学 基于机器视觉的猪舍内猪只标记识别方法
CN106127807A (zh) * 2016-06-21 2016-11-16 中国石油大学(华东) 一种实时的视频多类多目标跟踪方法
CN109684953A (zh) * 2018-12-13 2019-04-26 北京小龙潜行科技有限公司 基于目标检测和粒子滤波算法进行猪只跟踪的方法及装置
CN110163103A (zh) * 2019-04-18 2019-08-23 中国农业大学 一种基于视频图像的生猪行为识别方法和装置
CN110348349A (zh) * 2019-07-01 2019-10-18 河南牧业经济学院 一种收集、分析猪行为视频数据的方法和系统
CN111709287A (zh) * 2020-05-15 2020-09-25 南京农业大学 基于深度学习的断奶仔猪目标跟踪方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2642427A2 (en) * 2012-03-21 2013-09-25 Intellectual Ventures Fund 83 LLC Video concept classification using temporally-correlated grouplets
CN103679181A (zh) * 2013-11-25 2014-03-26 浙江大学 基于机器视觉的猪舍内猪只标记识别方法
CN106127807A (zh) * 2016-06-21 2016-11-16 中国石油大学(华东) 一种实时的视频多类多目标跟踪方法
CN109684953A (zh) * 2018-12-13 2019-04-26 北京小龙潜行科技有限公司 基于目标检测和粒子滤波算法进行猪只跟踪的方法及装置
CN110163103A (zh) * 2019-04-18 2019-08-23 中国农业大学 一种基于视频图像的生猪行为识别方法和装置
CN110348349A (zh) * 2019-07-01 2019-10-18 河南牧业经济学院 一种收集、分析猪行为视频数据的方法和系统
CN111709287A (zh) * 2020-05-15 2020-09-25 南京农业大学 基于深度学习的断奶仔猪目标跟踪方法

Also Published As

Publication number Publication date
CN113269109B (zh) 2023-12-05

Similar Documents

Publication Publication Date Title
Liu et al. A computer vision-based method for spatial-temporal action recognition of tail-biting behaviour in group-housed pigs
CN109145032B (zh) 一种蜜蜂养殖智能监测方法与系统
CN110826538B (zh) 一种用于电力营业厅的异常离岗识别系统
CN112131927B (zh) 基于妊娠后期姿态转化特性的母猪分娩时间预测系统
CN103324937A (zh) 标注目标的方法和装置
CN107133611B (zh) 一种课堂学生点头率识别与统计方法及装置
CN112580552A (zh) 一种鼠类行为分析方法及装置
Pranav et al. A day on campus-an anomaly detection dataset for events in a single camera
CN109784200B (zh) 基于双目视觉的奶牛行为图像获取与体况智能监测系统
CN111860203B (zh) 基于图像和音频混合的异常猪只识别装置、系统和方法
CN114581948A (zh) 一种畜脸识别方法
CN115410277A (zh) 一种基于双注意力机制的牛只行为识别方法
CN115830490A (zh) 一种群养生猪多目标跟踪及行为统计方法
CN114980011B (zh) 穿戴式传感器与红外相机协同的畜禽体温监测方法
CN112580671A (zh) 一种基于深度学习的稻穗多发育期自动检测方法及系统
CN114299551A (zh) 模型训练方法、动物行为识别方法、装置、设备
CN113724250A (zh) 一种基于双光相机的动物目标计数方法
CN113269109A (zh) 基于视觉ai的猪只状态分析系统和方法
CN115830078B (zh) 生猪多目标跟踪及行为识别方法、计算机设备与存储介质
CN115359050B (zh) 家畜采食量异常检测方法及装置
CN116824626A (zh) 一种动物异常状态人工智能识别的方法
CN111160422A (zh) 一种采用卷积神经网络和长短期记忆检测群养猪攻击行为的分析方法
CN115918571A (zh) 一种栅栏过道式牛体健康数据提取装置及其智能提取方法
CN113068657B (zh) 一种智能化高效养猪方法及系统
CN112419288B (zh) 一种基于计算机视觉的无人化蔬菜大棚种植方法

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