CN113273179B - 用于管理养殖场环境的装置 - Google Patents
用于管理养殖场环境的装置 Download PDFInfo
- Publication number
- CN113273179B CN113273179B CN202080007962.3A CN202080007962A CN113273179B CN 113273179 B CN113273179 B CN 113273179B CN 202080007962 A CN202080007962 A CN 202080007962A CN 113273179 B CN113273179 B CN 113273179B
- Authority
- CN
- China
- Prior art keywords
- region
- farm
- unit
- image
- temperature
- 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
Links
- 238000001514 detection method Methods 0.000 claims abstract description 70
- 238000003384 imaging method Methods 0.000 claims abstract description 47
- 230000002159 abnormal effect Effects 0.000 claims abstract description 43
- 238000001914 filtration Methods 0.000 claims abstract description 16
- 239000000284 extract Substances 0.000 claims description 16
- 210000003746 feather Anatomy 0.000 claims description 7
- 238000007726 management method Methods 0.000 description 64
- 230000033001 locomotion Effects 0.000 description 28
- 238000004891 communication Methods 0.000 description 27
- 238000004378 air conditioning Methods 0.000 description 20
- 241001465754 Metazoa Species 0.000 description 17
- 238000010586 diagram Methods 0.000 description 17
- 244000144972 livestock Species 0.000 description 13
- 230000006870 function Effects 0.000 description 10
- 238000000034 method Methods 0.000 description 10
- 230000003287 optical effect Effects 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 8
- 230000007613 environmental effect Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 238000001931 thermography Methods 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 241000287828 Gallus gallus Species 0.000 description 3
- 235000013330 chicken meat Nutrition 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 244000144977 poultry Species 0.000 description 3
- 238000009374 poultry farming Methods 0.000 description 3
- 235000013594 poultry meat Nutrition 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 208000035473 Communicable disease Diseases 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000272517 Anseriformes Species 0.000 description 1
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 241000283690 Bos taurus Species 0.000 description 1
- 208000007212 Foot-and-Mouth Disease Diseases 0.000 description 1
- 241000710198 Foot-and-mouth disease virus Species 0.000 description 1
- 208000002979 Influenza in Birds Diseases 0.000 description 1
- 241000282887 Suidae Species 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 206010064097 avian influenza Diseases 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 230000035935 pregnancy Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/143—Sensing or illuminating at different wavelengths
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N5/00—Details of television systems
- H04N5/30—Transforming light or analogous information into electric information
- H04N5/33—Transforming infrared radiation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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]
Abstract
根据本发明的实施方式提供了一种用于管理养殖场环境的装置,该装置包括:成像单元,该成像单元用于捕获养殖场内部的热图像;对象检测单元,该对象检测单元用于从捕获的图像中检测对象;区域划分单元,该区域划分单元用于将捕获的图像划分成多个区域;过滤单元,该过滤单元用于从划分的区域中提取除了检测到对象的第一区域之外的第二区域;以及控制单元,该控制单元用于将第二区域的温度与参照温度进行比较以检测异常情况。
Description
技术领域
本公开涉及用于管理养殖场环境的装置。
背景技术
在狭窄的养殖场内成群饲养的牲畜非常容易受到可传染疾病的传播。例如,诸如口蹄疫和禽流感等的法定传染病是通过空气传输的,所以一旦发生爆发,预防流行病和阻断传输的社会成本非常高,并且关于食物的社会焦虑必定会迅速地传播。当在养殖场中检测到异常迹象时,尽可能快地隔离生病动物以防止疾病的传播是重要的。
在养殖场中快速且准确地检测疾病需要保持用于疾病检测的适当环境。然而,还没有用于系统地管理养殖场的环境以判定用于检测异常对象的适宜性的方法,并且执行养殖场中的环境控制仅是为了判定牲畜的生长环境。
公开内容
技术问题
由本公开要解决的技术问题是提供一种用于判定养殖场内部家禽养殖环境的适宜性的养殖场环境管理装置。
技术解决方案
根据本公开的实施方式,提供了一种管理养殖场的环境的装置,该装置包括:成像单元,该成像单元捕获养殖场中的热图像;对象检测单元,该对象检测单元从捕获的图像中检测对象;区域划分单元,该区域划分单元将捕获的图像划分成多个区域;过滤单元,该过滤单元从划分的区域中提取除了检测到对象的第一区域之外的第二区域;以及控制单元,该控制单元通过将第二区域的温度与参照温度进行比较来检测异常情况。
对象检测单元可以通过使用热图像的温度值来检测对象。
成像单元可以捕获养殖场中的RGB图像。
对象检测单元可以从RGB图像中检测对象。
控制单元可以通过使用热图像和RGB图像来计算对象的面积和重量中的至少一者。
控制单元可以通过使用RGB图像来计算对象的整个面积,并且通过使用热图像来计算对象的不包括羽毛的身体面积。
控制单元可以通过使用对象的身体面积来计算该对象的重量。
区域划分单元可以根据对象的面积来调节用于划分的目标区域的尺寸。
区域划分单元可以随着对象的面积的增加而将用于划分的目标区域的尺寸调节成更小。
区域划分单元可以根据对象的计算出的面积和重量中的至少一者来调节用于划分的目标区域的尺寸。
控制单元可以通过将第二区域的温度与参照温度进行比较来控制空气调节装置。
当由第二区域在整个图像中所占的尺寸比等于或大于参照比值时,控制单元可以计算第二区域的平均温度作为第二区域的温度。
对象检测单元可以通过检测捕获的图像中的运动来检测对象。
有利效果
根据本公开的养殖场环境管理装置可以判定养殖场内部家禽养殖环境的适宜性。
另外,可以控制养殖场内部环境以适合于家禽养殖。
另外,还可以掌握家禽的生长程度。
附图说明
图1是根据本公开的实施方式的异常对象检测系统的框图。
图2是根据本公开的实施方式的用于对异常对象进行检测的学习系统的框图。
图3是根据本公开的实施方式的养殖场环境管理装置的概念图。
图4是根据本公开的实施方式的养殖场环境管理装置的框图。
图5是图示了根据本公开的实施方式的成像单元的操作的图。
图6是图示了根据本公开的实施方式的成像单元的配置的图。
图7是图示了根据本公开的实施方式的过滤单元的操作的图。
图8是图示了根据本公开的实施方式的区域划分单元的操作的图。
图9至图11是根据本公开的实施方式的养殖场环境管理方法的流程图。
具体实施方式
本公开可以具有有着若干个修改方案的各种实施方式,并且将参照附图对特定的实施方式进行描述。然而,这不意在将本公开限制为特定的实施方式,并且应当理解的是,所有的修改方案、等同方案和替代方案都被包括在本公开的主题和范围内。
诸如第一、第二等的表述可以指示各种元件而不管所述元件的顺序和/或重要性,并且仅用于将一个元件与其他元件区分开。例如,在不背离本公开的范围的情况下,第一元件可以被称为第二元件,并且类似地,第二元件也可以被称为第一元件。术语“和/或”包括多个列举的项目中的任一项目或任何组合。
当提到某个元件“与另一元件联接/联接至另一元件”或“与另一元件连接/连接至另一元件”时,应当理解的是,该元件直接地或经由任何其他元件联接或连接至另一元件。另一方面,当提到某个元件“直接地与另一元件联接/直接地联接至另一元件”或“直接地与另一元件连接/直接地连接至另一元件”时,将被理解的是,不设置插置在两个元件之间的元件。
本公开中使用的术语仅用于描述某些实施方式并非意在限制本公开的范围。除非上下文另有明确地规定,否则单数表述可以包括复数表述。在本公开中,诸如“包含”、“包括”和“具有”等的术语表示所述元件、部件、操作、功能、特征等的存在,但不排除其他元件、部件、操作、功能、特征等中的一者或更多者的存在或可能添加。
本文中使用的包括技术术语或科学术语的术语可以具有与本领域中普通技术人员通常理解的含义相同的含义。在本文中使用的术语中,通用词典中限定的术语可以被解释为具有与相关技术的上下文含义相同或相似的含义,并且除非在本文中明确地限定,否则不能被解释为理想的或过于正式的含义。在一些情况下,即使在本文中限定的术语也不被解释为排除本公开的实施方式。
在下文中,将参照附图对实施方式进行详细描述。相同的或对应的部件被赋予相同的附图标记,并且将省略其重复的描述。
图1是根据本公开的实施方式的养殖场环境管理系统的框图,图2是根据本公开的实施方式的养殖场环境管理系统的框图,以及图3是根据本公开的实施方式的养殖场环境管理装置的概念图。
参照图1至图3,根据本公开的实施方式的养殖场环境管理系统1000包括养殖场环境管理装置100、管理者终端200、空气调节装置300以及学习服务器400。
根据本公开的实施方式的养殖场环境管理系统1000包括学习服务器400和多个养殖场环境管理装置100。此处,多个养殖场环境管理装置100可以被安装在一个养殖场或多个养殖场中。
养殖场环境管理装置100可以检测养殖场10中的环境并且将该环境传输至管理器终端200和空气调节装置300中的至少一者。此处,养殖场10表示饲养牲畜的牲畜棚。牲畜可以是在牲畜棚中成群饲养的各种动物、比如包括鸡和鸭的家禽、牛、猪等。
如图3的(a)中所示,可以为每个养殖场10设置养殖场环境管理装置100。养殖场环境管理装置100可以包括多个成像单元111,所述多个成像单元111可以设置在养殖场10中的各个位置处。例如,多个成像单元111可以设置在养殖场10的上部部分和侧部部分上。养殖场环境管理装置100可以收集由多个成像单元111所获得的多个图像数据并且从图像数据中提取环境数据。
替代性地,如图3的(b)中所示,可以在一个养殖场10中设置多个养殖场环境管理装置100。多个养殖场环境管理装置100可以设置在养殖场10中的各个位置处,并且每个养殖场环境管理装置100可以通过使用由每个成像单元111所获得的每个图像数据来提取环境数据。养殖场环境管理装置100可以通过有线或无线方式与管理者终端200和空气调节装置300通信。此处,尽管养殖场环境管理装置100被图示为与管理者终端200和空气调节装置300中的每一者通信,但是不限于此。养殖场环境管理装置100可以与管理者终端200通信,并且管理者终端200可以与空气调节装置300通信。
管理器终端200可以是个人计算机(PC)、平板PC、移动终端等,并且可以与管理服务器互换地使用。当养殖场环境管理装置100将养殖场10中的环境数据和异常情况信息传输至管理者终端200时,管理者可以通过向管理者终端200输出的屏幕来识别养殖场10中的环境数据和异常情况信息中的至少一者。例如,当养殖场环境管理装置100捕获到养殖场10中的异常情况并且将异常情况传输至管理者终端200时,管理者可以通过向管理者终端200输出的屏幕识别出养殖场10中已经发生异常情况并且然后可以在早期阶段处对异常情况进行响应。在实施方式中,环境数据例如可以是养殖场10中的牲畜的生长信息、以及特定分子的湿度、温度和浓度信息。在实施方式中,异常情况例如可以是养殖场10中发生患病牲畜、牲畜怀孕、或者牲畜生长期中、牲畜生长信息中、或特定分子的湿度、温度、浓度中发生异常等。
空气调节装置300是用于控制养殖场10的温度的设备。当养殖场环境管理装置100捕获到养殖场10中的异常温度并且将异常温度传输至管理者终端200时,管理者可以通过向管理者终端200输出的屏幕识别到养殖场10中已经发生异常温度,并且然后可以通过控制空气调节装置300使养殖场10中的温度正常化。替代性地,当养殖场环境管理装置100检测到养殖场10中的异常温度并且将异常温度直接地传输至空气调节装置300,空气调节装置300可以直接地使养殖场10中的温度正常化。例如,当养殖场10中的温度比适合牲畜生存的温度更低或更高时,牲畜的运动趋于减慢。因此,养殖场环境管理装置100、管理者终端200或空气调节装置300可以检测养殖场10中的异常温度并且使养殖场10中的温度正常化。
空气调节装置300可以调节养殖场10的湿度。当养殖场10中的湿度发生异常时,养殖场环境管理装置100可以控制空气调节装置300以使养殖场10中的湿度正常化。
养殖场环境管理装置100将用于学习的数据传输至远程学习服务器400,并且通过将从学习服务器400接收的参数应用于养殖场环境管理所用的算法来控制养殖场的环境。
根据本公开的实施方式,学习服务器400从多个养殖场环境管理装置100接收用于学习的数据,并且通过对用于学习的数据进行重新训练来提取参数。学习服务器400可以通过使用例如深度学习技术来学习用于学习的数据,但不限于此。学习服务器400可以通过使用各种技术来学习用于学习的数据并且提取参数。
此处,养殖场环境管理装置100可以被称为本地机器,并且学习服务器400可以收集来自安装在多个养殖场中的多个养殖场环境管理装置的用于学习的数据。
根据本公开的实施方式的养殖场环境管理装置100对图像数据进行预处理,选择用于学习的数据,并且仅将所选择的用于学习的数据传输至学习服务器400。这可以减少养殖场环境管理装置100与学习服务器400之间的通信流量,并且还减少了学习服务器400的计算量。
图4是根据本公开的实施方式的养殖场环境管理装置的框图。
参照图1至图4,养殖场环境管理装置100包括成像单元111、对象检测单元112、区域划分单元113、过滤单元114、控制单元115、通信单元116、显示单元117、用户界面单元118、编码单元119、数据库120、光源单元121以及云台单元122。然而,根据本公开的实施方式,成像单元111、显示单元117、用户界面单元118、光源单元121以及云台单元122中的至少一者可以被省略。此处,控制单元111和编码单元119可以利用计算机处理器或芯片来实现,数据库120可以被称为存储器,并且通信单元116可以被称为天线或通信处理器。
养殖场环境管理装置100可以以单独模块的形式被制造并且被包括在数据收集装置(未示出)或管理服务器200中。替代性地,养殖场环境管理装置100可以以单独装置的形式被实现为独立产品。当养殖场环境管理装置100被应用为与成像单元分开的模块或装置时,养殖场环境管理装置100可以通过通信单元116接收来自成像单元111的图像数据。此外,对象检测单元112可以被包括在控制单元115中并且被实现为单个处理器。在本公开的实施方式中,为了便于描述,将分别地描述对象检测单元112和控制单元115的功能。
另外,当多个养殖场环境管理装置100设置在养殖场中时,除了一个养殖场环境管理装置100之外的其余装置可以配置成仅执行养殖场环境管理装置100的一些功能。也就是说,一个养殖场环境管理装置100被设定为主装置,收集由其他养殖场环境管理装置100捕获的图像数据,检测环境数据,并且执行与管理者终端通信的功能。另一方面,另一养殖场环境管理装置100可以配置成仅执行将通过成像单元111捕获的图像数据传输至主装置的功能。
成像单元111可以捕获养殖场内部的热图像。成像单元可以包括热成像相机模块,该热成像相机模块能够检测从对象辐射的红外线、测量温度并且从视觉上显示该温度。
另外,成像单元111可以捕获养殖场内部的RGB图像。成像单元111可以包括图像传感器,该图像传感器通过使用互补金属氧化物半导体(CMOS)模块或电荷耦合器件(CCD)模块来捕获对象。在这种情况下,输入图像帧通过透镜被提供给成像单元111中的CMOS模块或CCD模块,并且CMOS模块或CCD模块将对象的穿过透镜的光信号转换成电信号(图像数据)并且将电信号输出。
也就是说,成像单元111可以由能够捕获RGB图像的图像传感器和能够捕获热图像的热成像相机模块构成。
成像单元111可以通过捕获包含多个对象的图像来生成图像数据。在本公开的实施方式中,多个对象可以是指在养殖场中所饲养的家禽。在本公开的实施方式中,由成像单元111生成的图像数据可以被称为原始数据、原始图像、捕获的图像等。
成像单元111可以通过使用顺序地捕获的多个图像来生成多个图像数据。例如,成像单元111可以通过捕获包含多个对象的第一图像来生成第一图像数据,并且可以通过捕获包含多个对象的第二图像来生成第二图像数据。第一图像和第二图像中的每一者可以是在时间上连续捕获的图像,并且一个图像数据可以是指单个帧。成像单元111可以通过使用顺序捕获的第一图像和第二图像来生成第一图像数据和第二图像数据。
成像单元111可以包括具有宽视角的鱼眼透镜或广角透镜。因此,一个成像单元111可以捕获养殖场内部的整个空间。
此外,成像单元111可以是深度相机。成像单元111可以以各种深度识别方案中的任一者而被驱动,并且由成像单元111捕获的图像可以包含深度信息。成像单元111例如可以是Kinect传感器。作为结构光投影型深度相机的Kinect传感器可以通过使用投影仪或激光来投射限定的图案图像并且通过相机获取图案投射的图像来获取场景的三维信息。该Kinect传感器包括:红外发射器,该红外发射器通过使用红外激光照射图案;以及红外相机,该红外相机捕获红外图像。在红外发射器与红外相机之间安置有功能类似于普通网络相机的RGB相机。另外,Kinect传感器还可以包括用于对相机和麦克风布置结构的角度进行调节的云台单元122。
Kinect传感器的基本原理是,当从红外发射器照射的激光图案投射到对象上并且从对象反射时,使用图案在反射点处的位置和尺寸来获得对于对象表面的距离。根据该原理,成像单元111可以通过将激光图案照射到养殖场内的空间中并且感测从对象反射的激光图案来生成包括用于每个对象的深度信息的图像数据。
在实施方式中,热图像和RGB图像可以是由N×M个像素组成的图像数据。
图5是图示根据本公开的实施方式的成像单元的操作的图。
参照图5,捕获范围较窄的区域表示热成像相机的视角,并且捕获范围较宽的区域表示RGB相机的视角。在实施方式中,为了校正相机之间的视角差异,RGB相机的水平视角和竖向视角分别被设定成152度和80度,并且热成像相机的水平视角和竖向视角分别被设定成48度和37度。替代性地,每个相机的视角可以根据环境条件被不同地设定。
图6是图示根据本公开的实施方式的成像单元111的配置的图。参照图6的(a),热成像相机模块1111和RGB相机模块1112可以通过一个处理装置来实现。参照图6的(b),热成像相机模块1111可以被单独地设置。
返回参照图1至图4,对象检测单元112可以从捕获的图像中检测对象。
例如,对象检测单元112可以通过使用热图像的温度值来检测对象。如果对象是鸡,鸡的体温是约41度,该体温高于养殖场内部的地面温度。因此,对象检测单元112可以通过热图像检测到在具有比预定阈值温度高的温度的像素中存在有对象。在这种情况下,可以考虑对象的通常体温和养殖场的内部环境的温度来预定阈值。
此外,例如,对象检测单元112可以从RGB图像中检测对象。对象检测单元112可以从图像数据中检测对象的轮廓,将检测到的轮廓与动物对象的提前存储在数据库120中的外部外观进行比较,并且由此将具有与动物对象的所存储的外部外观相匹配的轮廓对象检测为动物对象。在这种情况下,动物对象的存储在数据库120中的外部外观可以是至少一个或更多个动物对象的外部外观,并且对象检测单元112可以将具有匹配轮廓的对象检测为如以上所述的动物对象并且还判定动物对象的类型。
此外,例如,对象检测单元112可以提取图像数据中对象的特征点,并且当所提取的特征点以大于或等于阈值的接近度与动物对象的提前存储在数据库120中的特征点匹配时,将图像数据中的对象检测为动物对象。在这种情况下,对象检测单元112可以从待比较的两个对象的图像中提取特征点,并且使用SIFT(尺度不变特征变换)或SURF(加速健壮特征)算法来匹配两个对象的所提取的特征描述符。
此外,例如,对象检测单元112可以基于图像数据中对象的轮廓来检测动物对象。特别地,对象检测单元112可以通过检测图像数据中的对象的轮廓来生成边缘图像,通过从前景图像数据——前景图像数据为养殖场的提前存储在数据库120中的背景图像——中检测轮廓来生成背景边缘图像,并且从通过从边缘图像中减去背景边缘图像所获得的不同图像中检测动物对象。在这种情况下,使用图像数据帧的梯度信息,对象检测单元112通过将对象的出现在帧中的轮廓检测为边缘来生成边缘图像。此处,梯度信息是由帧中的预定像素中的相邻像素之间的差值生成的值并且是指差异的绝对值之和,并且边缘是指使用梯度信息的对象之间的边界线。
此外,对象检测单元112可以通过从先前捕获的养殖场中前景的图像数据中检测对象的与背景对应的边缘来生成背景边缘图像。在这种情况下,背景边缘图像可以是通过将对象在预定区域中的轮廓检测为背景边缘所获得的图像,或者也可以是通过比较养殖场中前景的多个图像数据帧并且将对象轮廓检测为背景边缘所获得的图像,该对象轮廓重复出现超过预定次数。
此外,对象检测单元112可以通过使用对象检测分类器从图像数据中检测对象。在这种情况下,对象检测分类器通过从动物对象的利用先前捕获的不同外部环境或动物对象姿势的图像中构建训练DB来学习。对象检测分类器通过包括SVM(支持向量机)、神经网络和AdaBoost算法的各种学习算法来生成动物对象的DB。特别地,对象检测单元112从先前捕获的养殖场中的背景的图像数据中检测与前景对应的对象边缘,应用从图像数据中检测到的前景对象的边缘,将对象检测分类器应用于图像数据的前景对象的边缘所应用的区域,并且由此检测动物对象。例如,对象检测单元112可以通过检测捕获的图像中的运动来检测对象。在这种情况下,对象检测单元112可以通过检测热图像或RGB图像中的运动来检测对象。对象检测单元112可以使用单个图像数据或多个连续图像数据来检测分布图上的特定点、特定对象或特定像素处的运动。
对象检测单元112可以通过使用密集光流方案对移动对象的运动进行检测。对象检测单元112可以通过计算图像数据上的所有像素的运动向量来检测每个像素的运动。在密集光流方案的情况下,由于计算了所有像素的运动向量,因此提高了检测精度,但计算量相对增加。因此,密集光流方案可以应用于要求非常高的检测精度的特定区域、比如怀疑具有异常情况的养殖场或具有非常多的数目的对象的养殖场。
替代性地,对象检测单元112可以通过使用稀疏光流方案对运动对象的运动进行检测。对象检测单元112可以通过对易于追踪运动的仅一些特征像素、比如图像中的边缘计算运动向量来对运动进行检测。尽管稀疏光流方案减少了计算量,但稀疏光流方案可能仅获得有限数目的像素的结果。因此,稀疏光流方案可以应用于具有少数目的对象的养殖场或不出现重叠对象的特定区域。
替代性地,对象检测单元112可以通过使用块匹配方案来对运动对象的运动进行检测。对象检测单元112可以通过均等地或不均等地划分图像并且计算划分区域的运动向量来对运动进行检测。块匹配方案由于计算了每个划分区域的运动向量因此减少了计算量,但是由于计算运动向量的结果是针对每个分割区域获得的,所以检测精度可能相对较低。因此,块匹配方案可以应用于具有少数目的对象的养殖场或不出现重叠对象的特定区域。
替代性地,对象检测单元112可以通过使用连续帧差方案来对移动对象的运动进行检测。对象检测单元112可以比较每个像素的连续图像帧,计算与差对应的值,并且由此对运动进行检测。由于连续帧差方案通过使用帧之间的差值对运动进行检测,因此减少了整体的计算量,但是对于体积较大的对象或重叠对象的检测精度可能相对较低。另外,连续帧差方案无法在背景图像与非移动对象之间进行区分,因此精度可能相对较低。因此,连续帧差方案可以应用于具有较少数目的对象的养殖场或不出现重叠对象的特定区域。
替代性地,对象检测单元112可以通过使用背景减法方案对运动对象的运动进行检测。对象检测单元112可以在初始学习的背景图像的状态下比较每个像素的连续的图像帧,计算与差对应的值,并且由此对运动进行检测。因为背景减法方案预先学习了背景图像,所以背景减法方案可以将背景图像与非移动对象区分开来。因此,因为对背景图像进行单独的过滤处理而增加了计算量,但提高了精度。因此,背景减法方案适用于要求非常高的检测精度的特定区域、比如怀疑具有异常情况的养殖场或具有非常多的数目的对象的养殖场。在背景减法方案中,背景图像可以连续不断地更新。
此外,对象检测单元112可以训练成从捕获的图像中对对象进行检测。对象检测单元112可以包括计算机可读程序。该程序可以存储在能够由计算机执行的记录介质或存储装置中。计算机中的处理器可以读取存储在记录介质或存储装置中的程序,执行该程序、即学习模型,以计算输入信息并输出运算结果。
对象检测单元112的输入可以是通过捕获养殖场的内部获得的一个或多个图像数据,并且对象检测单元112的输出可以是检测到的对象中的图像数据。
对象检测单元112可以包括第一神经网络,该第一神经网络通过使用养殖场内部的图像作为输入层并且使检测到的对象的图像数据成为输出层来学习养殖场内部的图像与对象存在的概率之间的相关性。
第一神经网络是设计成显示图像数据上的检测到的对象的深度学习算法的示例。第一神经网络可以是基于卷积网络将图像数据输入至学习机器并且然后将指示对象所位于的区域的数据输出以便进行区分的算法。在这种情况下,通过捕获养殖场内部获得的图像数据成为第一神经网络的输入层,并且第一神经网络可以学习与养殖场内部的图像数据中存在的对象的相关性。另外,第一神经网络的输出层可以是图像数据,在该图像数据中,针对每个区域指示从养殖场内部的图像数据检测到的对象。
对象检测单元112可以通过根据养殖场中的环境和外部设定使用适当的方案来对分布图上的运动进行检测。
区域划分单元113可以将捕获的图像划分成多个区域。每个区域可以包括至少一个像素,并且各个区域可以具有相同的尺寸或不同的尺寸。
区域划分单元113可以根据对象的面积来调节用于划分的目标区域的尺寸。随着对象生长,对象在图像中所占的面积增加。因此,区域划分单元113可以随着对象面积的增加而减小用于划分的目标区域的尺寸。也就是说,通过随着对象生长而执行减小用于划分的目标区域的尺寸的预处理过程,可以更清楚和准确地区分对象存在的区域和对象不存在的区域。
图8是图示了根据本公开的实施方式的区域划分单元的操作的图。参照图8的(a),例如,区域划分单元113可以从将对象放置在养殖场中时的初始阶段至两周后将用于划分的目标区域的尺寸调节成10x10(像素)。参照图8的(b)和(c),区域划分单元可以从三周龄至装运之前将用于划分的目标区域的尺寸调节成比之前的小的5x5(像素)。
区域划分单元113可以根据计算出的对象的面积和重量中的至少一者来调节用于划分的目标区域的尺寸。区域划分单元113可以基于由控制单元115计算出的对象的面积和重量中的至少一者来主动地调节用于划分的目标区域的尺寸。在这种情况下,用于划分的目标区域的尺寸可以根据对象的生长情况和图像中所占的实际面积的尺寸以可变的方式调节。
过滤单元114可以从划分的区域中提取除了检测到对象的第一区域之外的第二区域。图7是图示了根据本公开的实施方式的过滤单元114的操作的图。参照图7,过滤单元可以提取除了检测到对象的第一区域之外的第二区域,以仅提取养殖场内部的地面的图像。在判定养殖场内部的地面的温度时,对象的温度会变成干扰并且可能在判定过程中带来误差。因此,过滤单元114可以在排除检测到的对象所在的所有区域的状态下检测养殖场内部的地面温度,并且执行用于判定养殖场内部环境的预处理过程。
控制单元115可以通过将第二区域的温度与参照温度进行比较来检测异常情况。参照温度可以是指养殖场内部用于养殖对象的合适温度的范围,并且在实施方式中,养殖环境的合适性可以使用养殖场的地面温度来判定。
当第二区域的温度在参照温度的范围之外时,控制单元115可以判定发生异常情况。控制单元115可以将每个第二区域的温度与参照温度范围进行比较,并且由此判定在每个第二区域中是否发生异常情况。替代性地,控制单元115可以计算第二区域的温度平均值,并且控制单元115将该温度平均值与参照温度范围进行比较,并且由此判定在整个养殖场中是否发生异常情况。替代性地,控制单元115可以将每个第二区域的温度与相邻的第二区域的温度进行比较,并且判定在临界范围之外的第二区域中发生异常情况。
在这种情况下,控制单元115可以根据第二区域在整个图像中所占的尺寸比来计算第二区域的温度。例如,当第二区域在整个图像中所占的尺寸比等于或大于参照比值时,控制单元115可以计算第二区域的平均温度作为第二区域的温度。在实施方式中,参照比值可以是15%。
控制单元115可以通过将第二区域的温度与参照温度进行比较来控制空气调节装置。控制单元115可以输出命令以控制空气调节装置,使得第二区域的温度在参照温度范围内。在这种情况下,参照温度范围可以根据诸如对象的生长程度、季节以及其他外部环境的各种因素进行设定,并且参照温度范围也可以参照数据库120中积累的养殖场地面的温度进行设定。
例如,控制单元115可以设定参照温度范围,使得养殖场中的温度在第一个周的期间保持处于32℃至35℃,在接下来的一个周的期间降低约3℃,并且在21日龄至24日龄时达到最终温度21℃至22℃。在这种情况下,控制单元115可以控制空气调节装置,使得地面以上的几厘米的温度在参照温度范围内。
控制单元115可以控制空气调节装置,使得相对湿度与温度一起保持在70%与80%之间。
此外,控制单元115可以通过使用热图像和RGB图像来计算对象的面积和重量中的至少一者。
控制单元115可以通过使用RGB图像来计算对象的整个面积,并且控制单元115可以通过使用热图像来计算对象的除羽毛之外的身体面积。控制单元115可以通过使用对象的身体面积来计算对象的重量。使用RGB图像可以区分对象的整体外观,包括羽毛。但是,当计算对象的重量时不考虑羽毛。因此,控制单元115可以通过使用热图像仅计算出对象的除羽毛之外的身体面积,并且通过使用计算出的身体面积准确计算出对象的重量。使用计算出的对象的重量,控制单元115可以判定对象的生长程度并且判定装运时间。例如,控制单元115可以对计算出的对象的重量求平均值,并且选择平均重量超过目标值的情况作为装运时间。
替代性地,控制单元115可以通过使用机器学习方法计算养殖场的环境数据。控制单元115可以根据作为训练集的图像数据的区域划分数据和对象检测数据来学习计算环境数据的结果,并且然后通过分析稍后输入的图像数据的区域划分数据和对象检测数据来计算环境数据。在实施方式中,环境数据可以包括第二区域的温度、判定是否发生异常情况的结果以及用于空气调节装置的控制命令中的至少一者。
控制单元115可以训练成通过使用区域划分数据和对象检测数据来生成环境数据。控制单元115可以包括计算机可读程序。该程序可以存储在能够由计算机执行的记录介质或存储装置中。计算机中的处理器可以读取存储在记录介质或存储装置中的程序,执行该程序、即学习模型,以计算输入信息并输出运算结果。
控制单元114的输入可以是已经执行了包括对象检测和区域划分的预处理过程的热图像数据。控制单元114的输出可以是环境数据,该环境数据包括第二区域的温度、判定是否发生异常情况的结果以及用于空气调节装置的控制命令中的至少一者。
控制单元115可以包括第二神经网络,该第二神经网络通过使用预处理的热图像数据作为输入层并且使环境数据成为输出层来学习预处理的热图像数据与第二区域的温度、判定是否发生异常情况的结果以及用于空气调节装置的控制命令中的至少一者之间的相关性。
控制单元115可以总体上控制养殖场环境管理装置100。控制单元115可以通过例如执行存储在用户界面单元118或数据库120中的命令来执行养殖场环境管理装置100的操作。
替代性地,控制单元115可以通过使用从管理者终端接收的命令来控制养殖场环境管理装置100的各种操作。
控制单元115可以控制养殖场环境管理装置100的云台单元122以执行追踪捕获。云台单元122可以通过驱动两个马达控制成像单元111的捕获区域,即平移(水平方向)和倾斜(竖向方向)。云台单元122可以调节成像单元111的取向方向以在控制单元115的控制下捕获特定区域。此外,云台单元122可以调节成像单元111的取向方向以在控制单元115的控制下追踪特定对象。
通信单元116可以与其他养殖场环境管理装置、管理者终端或学习服务器中的至少一者进行数据通信。例如,通信单元116可以通过使用诸如无线局域网(WLAN)、Wi-Fi、无线宽带(Wibro)、微波存取全球互通(Wimax)、高速下行链路分组接入(HSDPA)、IEEE802.16、长期演进(LTE)、无线移动宽带服务(WMBS)等电信技术来执行数据通信。
替代性地,通信单元116可以通过使用诸如蓝牙、射频识别(RFID)、红外数据协会(IrDA)、超宽带(UWB)、紫蜂(ZigBee)、近场通信(NFC)等短程通信技术来执行数据通信。另外,通信单元116可以通过使用诸如USB通信、以太网、串行通信、光/同轴电缆等有线通信技术来执行数据通信。
例如,通信单元116可以通过使用短程通信技术执行与其他养殖场环境管理装置的数据通信,并且通信单元116通过使用电信技术执行与管理者终端或学习服务器的数据通信,然而,不限于此,并且考虑到养殖场的各种情况可以使用各种通信技术。
通信单元116可以将通过成像单元111捕获的图像数据发送至管理者终端、将通过控制单元115计算的环境数据发送至管理者终端、或者将图像数据与环境数据的匹配结果发送至管理者终端。当控制单元115检测到异常情况发生时,通信单元116可以将该信息作为警报发送至管理者终端。
通过通信单元116发送的数据可以是通过编码单元119编码的压缩数据。
显示单元117可以包括液晶显示器(LCD)、薄膜晶体管-液晶显示器(TFT-LCD)、有机发光二极管(OLED)、柔性显示器、3D显示器以及电子墨水显示器中的至少一者。
显示单元117可以将通过成像单元111捕获的图像数据输出至屏幕,或者将图像数据和环境数据的检测结果输出至屏幕。
此外,显示单元117可以在屏幕上输出各种用户界面或图形用户界面。
用户界面单元118产生用于控制养殖场环境管理装置100的操作的输入数据。用户界面单元118可以包括键盘、圆顶开关、触摸板、滚轮、拨动开关等。当显示单元117和触摸板形成用于触摸屏的分层结构时,除了输出装置之外,显示单元117还可以用作输入装置。
用户界面单元118可以接收用于养殖场环境管理装置的操作的各种命令。
编码单元119将通过成像单元111捕获的图像数据或通过控制单元115处理的经处理的图像数据编码成数字信号。例如,编码单元119可以根据H.264、H.265、运动图像专家组(MPEG)以及运动联合图像专家组(M-JPEG)标准对这样的图像数据进行编码。
数据库120可以包括下述中的至少一种存储介质:闪存类型、硬盘类型、多媒体卡微型类型、卡类型存储器(例如SD或XD存储器等)、磁存储器、磁盘、光盘、随机存取存储器(RAM)、静态随机存取存储器(SRAM)、只读存储器(ROM)、电可擦可编程只读存储器(EEPROM)以及可编程只读存储器(PROM)。此外,养殖场环境管理装置100可以操作在因特网上执行数据库120的存储功能的网页存储,或者养殖场环境管理装置100可以结合网页存储进行操作。
数据库120可以存储由成像单元111捕获的图像数据并且可以存储过去的预定时间段的图像数据。
另外,数据库120可以存储用于操作养殖场环境管理装置100所必需的数据和程序,并且存储控制单元115提取环境数据所必需的算法和应用于该算法的参数。
此外,数据库120可以存储各种用户界面(UI)或图形用户界面(GUI)。
光源单元121可以沿在控制单元115的控制下定向的方向照射光。例如,光源单元121可以包括至少一个激光二极管(LD)和至少一个发光二极管(LED)。光源单元121可以在控制单元115的控制下发射处于各种波长的光。
例如,光源单元121可以照射处于用于夜间捕获的红外波段的光。替代性地,光源单元121可以照射处于紫外波段的光,以用于对养殖场中的牲畜进行光化学治疗。
图9是根据本公开的实施方式的养殖场环境管理方法的流程图。
首先,在S901处,成像单元捕获养殖场内部的热图像。
接下来,在S902处,对象检测单元对捕获的图像中的对象进行检测。对象检测单元通过使用热图像的温度值对该对象进行检测。替代性地,对象检测单元通过检测捕获的热图像中的运动对该对象进行检测。
接下来,在S903处,区域划分单元将捕获的图像划分成多个区域。此时,区域划分单元随着对象的面积的增加而将用于划分的目标区域的尺寸调节成更小。每个区域可以包括至少一个像素,并且各个区域可以具有相同的尺寸或不同的尺寸。
接下来,在S904处,过滤单元从划分的区域中提取除了检测到对象的第一区域之外的第二区域。过滤单元提取除了检测到对象的第一区域之外的第二区域,以仅对养殖场内部的地面的图像进行提取。
接下来,在S905处,控制单元通过将第二区域的温度与参照温度进行比较来对异常情况进行检测。控制单元将每个第二区域的温度与参照温度范围进行比较,并且由此判定每个第二区域中是否发生异常情况。替代性地,控制单元计算第二区域的温度平均值,将该平均值与参照温度范围进行比较,并且由此判定整个养殖场中是否发生异常情况。替代性地,控制单元将每个第二区域的温度与相邻的第二区域的温度进行比较,并且判定在临界范围之外的第二区域中发生异常情况。
图10是根据本公开的实施方式的养殖场环境管理方法的流程图。
首先,在S1001处和S1002处,成像单元捕获养殖场内部的热图像和RGB图像。
接下来,在S1003处,对象检测单元对捕获的图像中的对象进行检测。对象检测单元根据对象检测算法从RGB图像对对象进行检测。替代性地,对象检测单元通过检测捕获的热图像中的运动来对该对象进行检测。在这种情况下,对象检测单元通过检测热图像或RGB图像中的运动来对该对象进行检测。
接下来,在S1004处,区域划分单元将捕获的图像划分成多个区域。此时,区域划分单元随着对象面积的增加而将用于划分的目标区域的尺寸调节成更小。每个区域可以包括至少一个像素,并且各个区域可以具有相同的尺寸或不同的尺寸。
接下来,在S1005处,过滤单元从划分的区域中提取除了检测到对象的第一区域之外的第二区域。过滤单元提取除了检测到对象的第一区域之外的第二区域,以仅对养殖场内部的地面的图像进行提取。
接下来,在S1006处,控制单元通过将第二区域的温度与参照温度进行比较来对异常情况进行检测。控制单元将每个第二区域的温度与参照温度范围进行比较,并且由此判定每个第二区域中是否发生异常情况。替代性地,控制单元计算第二区域的温度平均值,将该平均值与参照温度范围进行比较,并且由此判定整个养殖场是否发生异常情况。替代性地,控制单元将每个第二区域的温度与相邻的第二区域的温度进行比较,并且判定在临界范围之外的第二区域中发生异常情况。
图11是根据本公开的实施方式的养殖场环境管理方法的流程图。
首先,在S1101处和S1102处,成像单元捕获养殖场内部的热图像和RGB图像。
接下来,在S1103处,对象检测单元对捕获的图像中的对象进行检测。
在S1104处,控制单元通过使用热图像和RGB图像来计算对象的面积和重量。控制单元通过使用RGB图像来计算对象的整个面积,并且通过使用热图像来计算对象的除羽毛之外的身体面积。
在这种情况下,在S1105处,控制单元可以通过使用对象的面积和重量来判定装运时间。
接下来,在S1106处,区域划分单元将捕获的图像划分成多个区域。此时,区域划分单元根据计算出的对象的面积和重量中的至少一者来调节用于划分的目标区域的尺寸。区域划分单元基于通过控制单元计算出的对象的面积和重量中的至少一者主动地调节用于划分的目标区域的尺寸。
接下来,在S1107处,过滤单元从划分的区域中提取除了检测到对象的第一区域之外的第二区域。过滤单元提取除了检测到对象的第一区域之外的第二区域,以仅对养殖场内部的地面的图像进行提取。
接下来,在S1108处,控制单元通过将第二区域的温度与参照温度进行比较来对异常情况进行检测。控制单元将每个第二区域的温度与参照温度范围进行比较,并且由此判定每个第二区域中是否发生异常情况。替代性地,控制单元计算第二区域的温度平均值,将该平均值与参照温度范围进行比较,并且由此判定整个养殖场中是否发生异常情况。替代性地,控制单元将每个第二区域的温度与相邻的第二区域的温度进行比较,并且判定在临界范围之外的第二区域中发生异常情况。
如本实施方式中所使用的术语“单元”可以是指执行某些任务的软件部件或硬件部件,比如现场可编程门阵列(FPGA)或专用集成电路(ASIC)。单元可以配置成驻留在可寻址的存储介质上,并且可以配置成在一个或更多个处理器执行。因此,作为示例,模块或单元可以包括诸如软件部件、面向对象的软件部件、类部件和任务部件的部件、进程、函数、属性、过程、子例程、程序代码段、驱动器、固件、微代码、电路、数据、数据库、数据结构、表、阵列和变量。部件和单元中所提供的功能可以被组合成更少的部件和单元或者另外被分开成附加的部件和模块。另外,部件和单元可以实现成操作装置或安全的多媒体卡中的一个或更多个中央处理单元(CPU)。
尽管已经参照本公开的示例性实施方式具体示出并描述了本公开,但是本领域技术人员将理解的是,在不背离如由所附权利要求限定的本公开的范围的情况下,可以在本公开中做出形式和细节上的各种改变。
Claims (10)
1.一种用于管理养殖场环境的装置,所述装置包括:
成像单元,所述成像单元捕获养殖场中的热图像;
对象检测单元,所述对象检测单元从捕获的所述热图像中检测对象;
区域划分单元,所述区域划分单元将捕获的所述热图像划分成多个区域;
过滤单元,所述过滤单元从划分的所述区域中提取除了检测到所述对象的第一区域之外的第二区域;以及
控制单元,所述控制单元在所述第二区域在整个热图像中所占的尺寸比等于或大于参照比值时计算所述第二区域的平均温度作为所述第二区域的温度,并且所述控制单元通过将所述第二区域的温度与参照温度进行比较来检测异常情况。
2.根据权利要求1所述的装置,其中,所述对象检测单元通过使用所述热图像的温度值来检测所述对象。
3.根据权利要求1所述的装置,其中,所述成像单元还捕获所述养殖场中的RGB图像。
4.根据权利要求3所述的装置,其中,所述对象检测单元还从所述RGB图像中检测所述对象。
5.根据权利要求3所述的装置,其中,所述控制单元通过使用所述热图像和所述RGB图像来计算所述对象的面积和重量中的至少一者。
6.根据权利要求5所述的装置,其中,所述控制单元通过使用所述RGB图像来计算所述对象的整个面积,并且通过使用所述热图像来计算所述对象的不包括羽毛的身体面积。
7.根据权利要求6所述的装置,其中,所述控制单元通过使用所述对象的所述身体面积来计算所述对象的所述重量。
8.根据权利要求1所述的装置,其中,所述区域划分单元根据所述对象的面积调节用于划分的目标区域的尺寸。
9.根据权利要求8所述的装置,其中,所述区域划分单元随着所述对象的所述面积的增加而将用于划分的所述目标区域的所述尺寸调节成更小。
10.根据权利要求5至7中的任一项所述的装置,其中,所述区域划分单元根据所述对象的计算出的所述面积和所述重量中的至少一者来调节用于划分的目标区域的尺寸。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR10-2019-0000227 | 2019-01-02 | ||
KR1020190000227A KR20200084164A (ko) | 2019-01-02 | 2019-01-02 | 사육장 환경 관리 장치 |
PCT/KR2020/000031 WO2020141888A1 (ko) | 2019-01-02 | 2020-01-02 | 사육장 환경 관리 장치 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113273179A CN113273179A (zh) | 2021-08-17 |
CN113273179B true CN113273179B (zh) | 2024-02-13 |
Family
ID=71407342
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080007962.3A Active CN113273179B (zh) | 2019-01-02 | 2020-01-02 | 用于管理养殖场环境的装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20220067377A1 (zh) |
KR (1) | KR20200084164A (zh) |
CN (1) | CN113273179B (zh) |
WO (1) | WO2020141888A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112586824A (zh) * | 2020-12-28 | 2021-04-02 | 浙江大学 | 一种用于畜禽养殖场的巡检头盔及巡检方法 |
KR102642931B1 (ko) * | 2021-03-12 | 2024-03-12 | 농업회사법인 주식회사 뽕을품은누에 | 스마트 양잠 농업 빅데이터 구축 시스템 |
CN116019058B (zh) * | 2023-02-21 | 2023-10-13 | 凤集食品集团有限公司 | 一种蛋鸡养殖的间歇性补光方法及间歇性补光终端 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06117836A (ja) * | 1992-08-21 | 1994-04-28 | Matsushita Electric Ind Co Ltd | 画像処理装置と空気調和機の制御装置と画像処理装置を用いた応用機器 |
KR20160044835A (ko) * | 2014-10-16 | 2016-04-26 | 렉스젠(주) | 가축 관리 시스템 및 그 방법 |
CN106097330A (zh) * | 2016-06-08 | 2016-11-09 | 深圳市金立通信设备有限公司 | 一种基于拍照获取温度信息的方法及终端 |
JP6101878B1 (ja) * | 2016-08-05 | 2017-03-22 | 株式会社オプティム | 診断装置 |
KR101749860B1 (ko) * | 2016-03-04 | 2017-06-23 | 김승균 | 축사 환경 관리 방법 및 시스템 |
KR101831928B1 (ko) * | 2016-10-13 | 2018-02-27 | 원광대학교산학협력단 | 맞춤형 실험동물 사육 시스템 |
CN108885021A (zh) * | 2016-04-05 | 2018-11-23 | 三菱电机株式会社 | 空调装置的室内机 |
CN108917845A (zh) * | 2018-07-25 | 2018-11-30 | 浙江工商大学 | 利用红外测温测距的自动追踪加热系统及方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS54156243A (en) * | 1978-05-31 | 1979-12-10 | Toshiba Corp | Phase type heating unit |
KR100187198B1 (ko) * | 1996-08-23 | 1999-05-01 | 김광호 | 냉장고의 고내온도 제어방법 |
KR101213825B1 (ko) * | 2010-07-16 | 2012-12-18 | 서울대학교산학협력단 | 세린을 유효성분으로 함유하는 지방간 질환의 예방 및 치료용 조성물 |
JP2013206015A (ja) * | 2012-03-28 | 2013-10-07 | Sony Corp | 画像処理装置および方法、並びにプログラム |
JP6303332B2 (ja) * | 2013-08-28 | 2018-04-04 | 富士通株式会社 | 画像処理装置、画像処理方法および画像処理プログラム |
US9245196B2 (en) * | 2014-05-09 | 2016-01-26 | Mitsubishi Electric Research Laboratories, Inc. | Method and system for tracking people in indoor environments using a visible light camera and a low-frame-rate infrared sensor |
KR20170024303A (ko) * | 2015-08-25 | 2017-03-07 | 영남대학교 산학협력단 | 얼굴의 특징점 검출 시스템 및 방법 |
KR101859949B1 (ko) * | 2016-09-26 | 2018-05-21 | 주식회사트레디오 | 가축의 전염병 발견 방법 |
RU2697627C1 (ru) * | 2018-08-01 | 2019-08-15 | Самсунг Электроникс Ко., Лтд. | Способ корректировки освещенности объекта на изображении в последовательности изображений и вычислительное устройство пользователя, реализующее упомянутый способ |
CN110147706B (zh) * | 2018-10-24 | 2022-04-12 | 腾讯科技(深圳)有限公司 | 障碍物的识别方法和装置、存储介质、电子装置 |
-
2019
- 2019-01-02 KR KR1020190000227A patent/KR20200084164A/ko not_active Application Discontinuation
-
2020
- 2020-01-02 WO PCT/KR2020/000031 patent/WO2020141888A1/ko active Application Filing
- 2020-01-02 CN CN202080007962.3A patent/CN113273179B/zh active Active
- 2020-01-02 US US17/420,324 patent/US20220067377A1/en active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06117836A (ja) * | 1992-08-21 | 1994-04-28 | Matsushita Electric Ind Co Ltd | 画像処理装置と空気調和機の制御装置と画像処理装置を用いた応用機器 |
KR20160044835A (ko) * | 2014-10-16 | 2016-04-26 | 렉스젠(주) | 가축 관리 시스템 및 그 방법 |
KR101749860B1 (ko) * | 2016-03-04 | 2017-06-23 | 김승균 | 축사 환경 관리 방법 및 시스템 |
CN108885021A (zh) * | 2016-04-05 | 2018-11-23 | 三菱电机株式会社 | 空调装置的室内机 |
CN106097330A (zh) * | 2016-06-08 | 2016-11-09 | 深圳市金立通信设备有限公司 | 一种基于拍照获取温度信息的方法及终端 |
JP6101878B1 (ja) * | 2016-08-05 | 2017-03-22 | 株式会社オプティム | 診断装置 |
KR101831928B1 (ko) * | 2016-10-13 | 2018-02-27 | 원광대학교산학협력단 | 맞춤형 실험동물 사육 시스템 |
CN108917845A (zh) * | 2018-07-25 | 2018-11-30 | 浙江工商大学 | 利用红外测温测距的自动追踪加热系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
US20220067377A1 (en) | 2022-03-03 |
WO2020141888A1 (ko) | 2020-07-09 |
KR20200084164A (ko) | 2020-07-10 |
CN113273179A (zh) | 2021-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210227126A1 (en) | Deep learning inference systems and methods for imaging systems | |
CN113273179B (zh) | 用于管理养殖场环境的装置 | |
US11350610B2 (en) | Rearing place management device and method | |
US9965865B1 (en) | Image data segmentation using depth data | |
US9396400B1 (en) | Computer-vision based security system using a depth camera | |
US20190188524A1 (en) | Method and system for classifying an object-of-interest using an artificial neural network | |
IL261696A (en) | System and method for training a classified object through computational learning | |
KR102615986B1 (ko) | 이상 개체 판단 장치 및 방법 | |
EP3499414A1 (en) | Lightweight 3d vision camera with intelligent segmentation engine for machine vision and auto identification | |
KR101944374B1 (ko) | 이상 개체 검출 장치 및 방법, 이를 포함하는 촬상 장치 | |
WO2009152509A1 (en) | Method and system for crowd segmentation | |
KR20200002314A (ko) | 사육장 환경 관리 시스템, 단말 및 그 방법 | |
KR20200002315A (ko) | 사육장 환경 관리 시스템, 단말 및 그 방법 | |
CN114359014A (zh) | 用于卷帘式快门传感器的动态驱动器机构以获取结构光图案 | |
KR20200139616A (ko) | 이상 개체 검출 장치 및 방법 | |
KR20190103510A (ko) | 촬상 장치, 이를 포함하는 가금류 관리 시스템 및 방법 | |
CN115797666A (zh) | 用于使用卷积技术来加速散斑图像块匹配 | |
CN115222782A (zh) | 对单目相机立体系统中的结构光投射器的安装校准 | |
KR20200009530A (ko) | 이상 개체 검출 시스템 및 방법 | |
US11605220B2 (en) | Systems and methods for video surveillance | |
KR102505691B1 (ko) | 이상 개체 검출 장치 및 방법, 이를 포함하는 촬상 장치 | |
US10990859B2 (en) | Method and system to allow object detection in visual images by trainable classifiers utilizing a computer-readable storage medium and processing unit | |
KR102606062B1 (ko) | 이상 개체 검출 장치 및 방법, 이를 포함하는 촬상 장치 | |
KR102307609B1 (ko) | 이상 개체 검출 장치 및 방법, 이를 포함하는 촬상 장치 | |
KR20190113360A (ko) | 이상 개체 검출 장치 및 방법, 이를 포함하는 촬상 장치 |
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 |