CN113283322A - 一种牲畜外伤检测方法、装置、设备和存储介质 - Google Patents

一种牲畜外伤检测方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN113283322A
CN113283322A CN202110527746.8A CN202110527746A CN113283322A CN 113283322 A CN113283322 A CN 113283322A CN 202110527746 A CN202110527746 A CN 202110527746A CN 113283322 A CN113283322 A CN 113283322A
Authority
CN
China
Prior art keywords
trauma
livestock
contour
detection
suspected
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110527746.8A
Other languages
English (en)
Inventor
张玉良
陶江辉
黄煜
冯英豪
彭佳勇
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.)
Liucheng Animal Disease Prevention And Control Center
Liuzhou Animal Epidemic Disease Prevention Control Center
Liucheng Muyuan Agriculture And Animal Husbandry Co ltd
Guangxi University
Muyuan Foods Co Ltd
Original Assignee
Liucheng Animal Disease Prevention And Control Center
Liuzhou Animal Epidemic Disease Prevention Control Center
Liucheng Muyuan Agriculture And Animal Husbandry Co ltd
Guangxi University
Muyuan Foods Co Ltd
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 Liucheng Animal Disease Prevention And Control Center, Liuzhou Animal Epidemic Disease Prevention Control Center, Liucheng Muyuan Agriculture And Animal Husbandry Co ltd, Guangxi University, Muyuan Foods Co Ltd filed Critical Liucheng Animal Disease Prevention And Control Center
Priority to CN202110527746.8A priority Critical patent/CN113283322A/zh
Publication of CN113283322A publication Critical patent/CN113283322A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • 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
    • 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
    • G06V10/56—Extraction of image or video features relating to colour

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种牲畜外伤检测方法，包括获取拍照指令，采集牲畜的可见光图像；利用目标检测模型从所述可见光图像中识别出目标牲畜；对所述目标牲畜进行轮廓检测，确定出疑似外伤轮廓；对所述疑似外伤轮廓进行颜色检测，判断所述疑似外伤轮廓是否为真实外伤轮廓；当结果为是时，发出牲畜外伤警告。本申请还公开了一种牲畜外伤检测装置、设备和计算机存储介质，利用上述方法、装置、设备和计算机存储介质，能够提前对存在外伤的牲畜进行预警，降低人工成本，并且降低生物安全风险。

Description

一种牲畜外伤检测方法、装置、设备和存储介质
技术领域
本发明属于畜牧养殖技术领域，特别是涉及一种牲畜外伤检测方法、装置、设备和存储介质。
背景技术
众所周知，牲畜养殖是一个劳动密集型的行业，现有技术中，当需要对牲畜外伤进行检测时，一种是人工方式，比较费时费力，依赖于操作人员的个人素质，而且由于受到各种因素的影响，也不容易将所有具有外伤的牲畜都找出来，还有一种是依赖于自动化技术来检测牲畜的外伤，自动化技术采用的目标检测方法包含两种，一种是通过传统opencv进行边缘检测获取目标轮廓，但是该方法较难适应复杂场景目标检测的需求，另外一种是深度学习的方法，但其主要针对的是行人、车辆等照片，并且准确率较低，也不适合应用在牲畜外伤检测的领域中。
发明内容
为解决上述问题，本发明提供了一种牲畜外伤检测方法、装置、设备和存储介质，能够提前对存在外伤的牲畜进行预警，降低人工成本，并且降低生物安全风险。
本发明提供的一种牲畜外伤检测方法包括：
获取拍照指令，采集牲畜的可见光图像；
利用目标检测模型从所述可见光图像中识别出目标牲畜；
对所述目标牲畜进行轮廓检测，确定出疑似外伤轮廓；
对所述疑似外伤轮廓进行颜色检测，判断所述疑似外伤轮廓是否为真实外伤轮廓；
当结果为是时，发出牲畜外伤警告。
优选的，在上述牲畜外伤检测方法中，在所述获取拍照指令之前，还包括对所述目标检测模型进行训练，包括：
利用数据增强方式对所述可见光图像进行扩充，得到模型训练样本集；
将所述模型训练样本集中的图片调整到相同的大小，获取真实的mask位置信息；
通过mrcnn模型得到预测的BBox信息，将真实的BBox位置信息与所述预测的BBox信息进行对比；
将分类loss、confidence loss、location loss、iou loss之和做为最终的loss，利用反向传播算法更新权重，直到模型收敛或者满足迭代终止条件。
优选的，在上述牲畜外伤检测方法中，利用安装在巡检小车上的红外热像仪采用牲畜的可见光图像。
优选的，在上述牲畜外伤检测方法中，所述对所述目标牲畜进行轮廓检测，确定出疑似外伤轮廓包括：
对所述目标牲畜进行canny轮廓检测，并将轮廓与椭圆对比，将与椭圆度相似度高于预设阈值的轮廓确定为疑似外伤轮廓。
优选的，在上述牲畜外伤检测方法中，所述对所述疑似外伤轮廓进行颜色检测，判断所述疑似外伤轮廓是否为真实外伤轮廓包括：
判断所述疑似外伤轮廓的颜色的hsv值是否大于预设hsv值，当结果为是时，确定所述疑似外伤轮廓为真实外伤轮廓。
本发明提供的一种牲畜外伤检测装置中包括：
图像采集部件，用于获取拍照指令，采集牲畜的可见光图像；
目标牲畜识别部件，用于利用目标检测模型从所述可见光图像中识别出目标牲畜；
疑似外伤轮廓检测部件，用于对所述目标牲畜进行轮廓检测，确定出疑似外伤轮廓；
真实外伤轮廓确定部件，用于对所述疑似外伤轮廓进行颜色检测，判断所述疑似外伤轮廓是否为真实外伤轮廓；
警告部件，用于当结果为是时，发出牲畜外伤警告。
优选的，在上述牲畜外伤检测装置中，还包括用于对所述目标检测模型进行训练的训练部件，具体用于利用数据增强方式对所述可见光图像进行扩充，得到模型训练样本集；将所述模型训练样本集中的图片调整到相同的大小，获取真实的mask位置信息；通过mrcnn模型得到预测的BBox信息，将真实的BBox位置信息与所述预测的BBox信息进行对比；将分类loss、confidence loss、location loss、iou loss之和做为最终的loss，利用反向传播算法更新权重，直到模型收敛或者满足迭代终止条件。
优选的，在上述牲畜外伤检测装置中，所述图像采集部件为安装在巡检小车上的红外热像仪。
本发明提供的一种计算机设备包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上面任一项所述牲畜外伤检测方法的步骤。
本发明提供的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上面任一项所述牲畜外伤检测方法的步骤。
通过上述描述可知，本发明提供的上述牲畜外伤检测方法，由于包括先获取拍照指令，采集牲畜的可见光图像；然后利用目标检测模型从所述可见光图像中识别出目标牲畜；再对所述目标牲畜进行轮廓检测，确定出疑似外伤轮廓；然后对所述疑似外伤轮廓进行颜色检测，判断所述疑似外伤轮廓是否为真实外伤轮廓；最后当结果为是时，发出牲畜外伤警告，可见这就无需人工的参与，就能够提前对存在外伤的牲畜进行预警，降低人工成本，并且无需人员接触牲畜，从而能够降低生物安全风险。本发明提供的上述牲畜外伤检测装置、设备和存储介质具有与上述方法相同的优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本发明提供的一种牲畜外伤检测方法的实施例的示意图；
图2为本发明提供的一种牲畜外伤检测装置的实施例的示意图；
图3为本发明提供的一种计算机设备的实施例的示意图。
具体实施方式
本发明的核心是提供一种牲畜外伤检测方法、装置、设备和存储介质，能够提前对存在外伤的牲畜进行预警，降低人工成本，并且降低生物安全风险。
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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。
本发明提供的一种牲畜外伤检测方法的实施例如图1所示，图1为本发明提供的一种牲畜外伤检测方法的实施例的示意图，该方法包括如下步骤：
S1：获取拍照指令，采集牲畜的可见光图像；
具体的，可以使用可见光摄像头采集可见光数据，通过数据采集和数据增强技术，获取模型的初始样本集。
S2：利用目标检测模型从可见光图像中识别出目标牲畜；
也就是说，可见光图像中会有许多事物，因此需要从这些事物中识别出每个目标牲畜，从而才能够对这些牲畜身上的伤进行检测。
S3：对目标牲畜进行轮廓检测，确定出疑似外伤轮廓；
需要说明的是，目标牲畜的外伤轮廓一般是椭圆形的，因此可以根据预先训练出来的模型来检测，确定出疑似外伤轮廓，留待后续步骤中继续判断。
S4：对疑似外伤轮廓进行颜色检测，判断疑似外伤轮廓是否为真实外伤轮廓；
需要说明的是，外伤的颜色会与其他没有外伤的部位颜色不同，因此可以利用颜色的区别来判断是否存在真实外伤，这都是可以通过预先训练过的模型进行判断的。
S5：当结果为是时，发出牲畜外伤警告。
也就是说，当轮廓和颜色都符合外伤的特征时，则判断这是真实外伤，从而提醒相关人员存在有外伤的牲畜，以便做出及时处理，避免出现更糟糕的情况。
利用上述实施例，能够全天候监测牲畜的健康状态，更方便检测出牲畜身上的外伤，及时进行异常预警，通知饲养员及时进行干预，减少牲畜的损伤，这样能够减少人工成本，通过对栏位外伤情况进行分析，结合环控设备，对栏位进行精准的小环境控制，让牲畜生活的环境更舒适，生长的更健康。
通过上述描述可知，本发明提供的上述牲畜外伤检测方法的实施例中，由于包括先获取拍照指令，采集牲畜的可见光图像；然后利用目标检测模型从可见光图像中识别出目标牲畜；再对目标牲畜进行轮廓检测，确定出疑似外伤轮廓；然后对疑似外伤轮廓进行颜色检测，判断疑似外伤轮廓是否为真实外伤轮廓；最后当结果为是时，发出牲畜外伤警告，可见这就无需人工的参与，就能够提前对存在外伤的牲畜进行预警，降低人工成本，并且无需人员接触牲畜，从而能够降低生物安全风险。
在上述牲畜外伤检测方法的一个具体实施例中，在获取拍照指令之前，还包括对目标检测模型进行训练，包括：
利用数据增强方式对可见光图像进行扩充，得到模型训练样本集；
将模型训练样本集中的图片调整到相同的大小，获取真实的mask位置信息；
通过mrcnn模型得到预测的BBox信息，将真实的BBox位置信息与预测的BBox信息进行对比；
将分类loss、confidence loss、location loss、iou loss之和做为最终的loss，利用反向传播算法更新权重，直到模型收敛或者满足迭代终止条件。
具体的，在模型训练阶段首先通过可见光摄像头采集牲畜的可见光数据，挑选角度正常、栏内有猪的数据，并使用数据标注工具进行标注获得初始训练集，接下来使用翻转、平移、随机裁剪、添加随机噪音数据等增强技术获得多样化数据集，然后使用深度学习目标检测模型进行训练得到目标检测模型，将训练集中的图片resize到相同的大小并获取其真实的mask位置信息，通过mrcnn模型得到预测到的BBox信息，将真实的BBox位置信息与预测的BBox信息进行对比，将分类loss、confidence loss、location loss、iou loss之和做为最终的loss，利用反向传播算法不断更新权重，直到模型收敛或者满足迭代终止条件。这种训练过程并不是每次外伤检测都需要的，而是训练出来以后可以一直用这个模型来进行外伤检测，无需每次检测之前都需要训练模型。
在上述牲畜外伤检测方法的另一个具体实施例中，利用安装在巡检小车上的红外热像仪采用牲畜的可见光图像。需要说明的是在，这种小车可以安装在搭建在养殖场过道正上方的直轨上，在这种情况下，采用巡检小车在直轨上进行自动化巡栏，能够代替人工巡栏，防止疾病传播。
在上述牲畜外伤检测方法的又一个具体实施例中，对目标牲畜进行轮廓检测，确定出疑似外伤轮廓可以包括：
对目标牲畜进行canny轮廓检测，并将轮廓与椭圆对比，将与椭圆度相似度高于预设阈值的轮廓确定为疑似外伤轮廓。也就是说，与椭圆相似度越高，则越容易判定为外伤区域，再根据外伤位于牲畜身上的位置，判断牲畜是否存在外伤轮廓，这种Canny轮廓检测是一系列方法综合的结果，其中主要包含以下步骤：使用高斯滤波器，平滑图像，滤除噪声；计算图像中每个像素点的梯度强度和方向；应用非极大值抑制(NMS：Non-MaximumSuppression)，以消除边缘检测带来的杂散相应；应用双阈值(Double-Threshold)检测来确定真实和潜在的边缘；通过抑制孤立的弱边缘最终完成边缘检测。
进一步的实施例中，上述对疑似外伤轮廓进行颜色检测，判断疑似外伤轮廓是否为真实外伤轮廓可以包括：
判断疑似外伤轮廓的颜色的hsv值是否大于预设hsv值，当结果为是时，确定疑似外伤轮廓为真实外伤轮廓。需要说明的是，hsv中颜色的参数分别是色调(H)、饱和度(S)和明度(V)，色调H用角度度量，取值范围为0°～360°，从红色开始按逆时针方向计算，红色为0°，绿色为120°，蓝色为240°，它们的补色是:黄色为60°，青色为180°,紫色为300°；饱和度S表示颜色接近光谱色的程度，一种颜色可以看成是某种光谱色与白色混合的结果，其中光谱色所占的比例愈大，颜色接近光谱色的程度就愈高，颜色的饱和度也就愈高，饱和度高，颜色则深而艳，光谱色的白光成分为0，饱和度达到最高，通常取值范围为0％～100％，值越大，颜色越饱和；明度V表示颜色明亮的程度，对于光源色，明度值与发光体的光亮度有关，对于物体色，此值和物体的透射比或反射比有关，通常取值范围为0％(黑)到100％(白)。这里通过设置不同的预设hsv值，将非外伤颜色的疑似外伤轮廓过滤掉，只留下符合颜色要求的作为真实外伤轮廓。
综上所述，利用上述实施例提供的方法进行牲畜外伤检测时，先发出一个巡栏指令，巡检小车就可以到达栏位，利用摄像头拍摄图片，上传至服务器，服务器调用相关算法进行识别，识别出具有外伤的牲畜，记录在案并且进行报警，通知饲养员、段长和场长，及时进行相关的处理。
本发明提供的一种牲畜外伤检测装置的实施例如图2所示，图2为本发明提供的一种牲畜外伤检测装置的实施例的示意图，该装置中可以包括：
图像采集部件201，用于获取拍照指令，采集牲畜的可见光图像，具体的，可以使用可见光摄像头采集可见光数据，通过数据采集和数据增强技术，获取模型的初始样本集；
目标牲畜识别部件202，用于利用目标检测模型从可见光图像中识别出目标牲畜，也就是说，可见光图像中会有许多事物，因此需要从这些事物中识别出每个目标牲畜，从而才能够对这些牲畜身上的伤进行检测；
疑似外伤轮廓检测部件203，用于对目标牲畜进行轮廓检测，确定出疑似外伤轮廓，需要说明的是，目标牲畜的外伤轮廓一般是椭圆形的，因此可以根据预先训练出来的模型来检测，确定出疑似外伤轮廓；
真实外伤轮廓确定部件204，用于对疑似外伤轮廓进行颜色检测，判断疑似外伤轮廓是否为真实外伤轮廓，需要说明的是，外伤的颜色会与其他没有外伤的部位颜色不同，因此可以利用颜色的区别来判断是否存在真实外伤，这都是可以通过预先训练过的模型进行判断的；
警告部件205，用于当结果为是时，发出牲畜外伤警告，也就是说，当轮廓和颜色都符合外伤的特征时，则判断这是真实外伤，从而提醒相关人员存在有外伤的牲畜，以便做出及时处理，避免出现更糟糕的情况。
利用上述实施例，能够全天候监测牲畜的健康状态，更方便检测出牲畜身上的外伤，及时进行异常预警，通知饲养员及时进行干预，减少牲畜的损伤，这样能够减少人工成本，通过对栏位外伤情况进行分析，结合环控设备，对栏位进行精准的小环境控制，让牲畜生活的环境更舒适，生长的更健康。
在上述牲畜外伤检测装置的一个具体实施例中，还可以包括用于对目标检测模型进行训练的训练部件，具体用于利用数据增强方式对可见光图像进行扩充，得到模型训练样本集；将模型训练样本集中的图片调整到相同的大小，获取真实的mask位置信息；通过mrcnn模型得到预测的BBox信息，将真实的BBox位置信息与预测的BBox信息进行对比；将分类loss、confidence loss、location loss、iou loss之和做为最终的loss，利用反向传播算法更新权重，直到模型收敛或者满足迭代终止条件。
具体的，在模型训练阶段首先通过可见光摄像头采集牲畜的可见光数据，挑选角度正常、栏内有猪的数据，并使用数据标注工具进行标注获得初始训练集，接下来使用翻转、平移、随机裁剪、添加随机噪音数据等增强技术获得多样化数据集，然后使用深度学习目标检测模型进行训练得到目标检测模型，将训练集中的图片resize到相同的大小并获取其真实的mask位置信息，通过mrcnn模型得到预测到的BBox信息，将真实的BBox位置信息与预测的BBox信息进行对比，将分类loss、confidence loss、location loss、iou loss之和做为最终的loss，利用反向传播算法不断更新权重，直到模型收敛或者满足迭代终止条件。这种训练过程并不是每次外伤检测都需要的，而是训练出来以后可以一直用这个模型来进行外伤检测，无需每次检测之前都需要训练模型。
在上述牲畜外伤检测装置的另一个具体实施例中，图像采集部件可以为安装在巡检小车上的红外热像仪。需要说明的是在，这种小车可以安装在搭建在养殖场过道正上方的直轨上，在这种情况下，采用巡检小车在直轨上进行自动化巡栏，能够代替人工巡栏，防止疾病传播。
综上所述，利用上述实施例提供的装置进行牲畜外伤检测时，先发出一个巡栏指令，巡检小车就可以到达栏位，利用摄像头拍摄图片，上传至服务器，服务器调用相关算法进行识别，识别出具有外伤的牲畜，记录在案并且进行报警，通知饲养员、段长和场长，及时进行相关的处理。
本发明提供的一种计算机设备的实施例如图3所示，图3为本发明提供的一种计算机设备的实施例的示意图，该设备包括：
存储器301，用于存储计算机程序；
处理器302，用于执行计算机程序时实现如上面任一项牲畜外伤检测方法的步骤。
本发明提供的一种计算机可读存储介质的实施例中，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上面任一项牲畜外伤检测方法的步骤。
利用上述装置、设备和存储介质，无需人工的参与，就能够提前对存在外伤的牲畜进行预警，降低人工成本，并且无需人员接触牲畜，从而能够降低生物安全风险。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种牲畜外伤检测方法，其特征在于，包括：
获取拍照指令，采集牲畜的可见光图像；
利用目标检测模型从所述可见光图像中识别出目标牲畜；
对所述目标牲畜进行轮廓检测，确定出疑似外伤轮廓；
对所述疑似外伤轮廓进行颜色检测，判断所述疑似外伤轮廓是否为真实外伤轮廓；
当结果为是时，发出牲畜外伤警告。
2.根据权利要求1所述的牲畜外伤检测方法，其特征在于，在所述获取拍照指令之前，还包括对所述目标检测模型进行训练，包括：
利用数据增强方式对所述可见光图像进行扩充，得到模型训练样本集；
将所述模型训练样本集中的图片调整到相同的大小，获取真实的mask位置信息；
通过mrcnn模型得到预测的BBox信息，将真实的BBox位置信息与所述预测的BBox信息进行对比；
将分类loss、confidence loss、location loss、iou loss之和做为最终的loss，利用反向传播算法更新权重，直到模型收敛或者满足迭代终止条件。
3.根据权利要求1所述的牲畜外伤检测方法，其特征在于，利用安装在巡检小车上的红外热像仪采用牲畜的可见光图像。
4.根据权利要求1所述的牲畜外伤检测方法，其特征在于，所述对所述目标牲畜进行轮廓检测，确定出疑似外伤轮廓包括：
对所述目标牲畜进行canny轮廓检测，并将轮廓与椭圆对比，将与椭圆度相似度高于预设阈值的轮廓确定为疑似外伤轮廓。
5.根据权利要求1所述的牲畜外伤检测方法，其特征在于，所述对所述疑似外伤轮廓进行颜色检测，判断所述疑似外伤轮廓是否为真实外伤轮廓包括：
判断所述疑似外伤轮廓的颜色的hsv值是否大于预设hsv值，当结果为是时，确定所述疑似外伤轮廓为真实外伤轮廓。
6.一种牲畜外伤检测装置，其特征在于，包括：
图像采集部件，用于获取拍照指令，采集牲畜的可见光图像；
目标牲畜识别部件，用于利用目标检测模型从所述可见光图像中识别出目标牲畜；
疑似外伤轮廓检测部件，用于对所述目标牲畜进行轮廓检测，确定出疑似外伤轮廓；
真实外伤轮廓确定部件，用于对所述疑似外伤轮廓进行颜色检测，判断所述疑似外伤轮廓是否为真实外伤轮廓；
警告部件，用于当结果为是时，发出牲畜外伤警告。
7.根据权利要求6所述的牲畜外伤检测装置，其特征在于，还包括用于对所述目标检测模型进行训练的训练部件，具体用于利用数据增强方式对所述可见光图像进行扩充，得到模型训练样本集；将所述模型训练样本集中的图片调整到相同的大小，获取真实的mask位置信息；通过mrcnn模型得到预测的BBox信息，将真实的BBox位置信息与所述预测的BBox信息进行对比；将分类loss、confidenceloss、locationloss、iouloss之和做为最终的loss，利用反向传播算法更新权重，直到模型收敛或者满足迭代终止条件。
8.根据权利要求6所述的牲畜外伤检测装置，其特征在于，所述图像采集部件为安装在巡检小车上的红外热像仪。
9.一种计算机设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至5任一项所述牲畜外伤检测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述牲畜外伤检测方法的步骤。
CN202110527746.8A 2021-05-14 2021-05-14 一种牲畜外伤检测方法、装置、设备和存储介质 Pending CN113283322A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110527746.8A CN113283322A (zh) 2021-05-14 2021-05-14 一种牲畜外伤检测方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110527746.8A CN113283322A (zh) 2021-05-14 2021-05-14 一种牲畜外伤检测方法、装置、设备和存储介质

Publications (1)

Publication Number Publication Date
CN113283322A true CN113283322A (zh) 2021-08-20

Family

ID=77279225

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110527746.8A Pending CN113283322A (zh) 2021-05-14 2021-05-14 一种牲畜外伤检测方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN113283322A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113743261A (zh) * 2021-08-23 2021-12-03 河南牧原智能科技有限公司 一种猪体外伤的检测方法、装置和可读存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105488941A (zh) * 2016-01-15 2016-04-13 中林信达（北京）科技信息有限责任公司 基于红外-可见光图像的双光谱森林火情监测方法及装置
CN110434090A (zh) * 2019-08-23 2019-11-12 中山德著智能科技有限公司 一种胡萝卜表面瑕疵检测方法
CN110705447A (zh) * 2019-09-27 2020-01-17 北京交通大学 手部图像的检测方法、装置及电子设备
CN111067531A (zh) * 2019-12-11 2020-04-28 中南大学湘雅医院 一种伤口测量的方法及装置、存储介质
CN111222506A (zh) * 2019-12-25 2020-06-02 深圳市优必选科技股份有限公司 颜色识别方法、设备及计算机可读存储介质
CN111311608A (zh) * 2020-02-05 2020-06-19 方军 评估伤口的方法、设备和计算机可读存储介质
CN111444976A (zh) * 2020-04-02 2020-07-24 Oppo广东移动通信有限公司 目标检测方法、装置、电子设备和可读存储介质
CN112005312A (zh) * 2018-02-02 2020-11-27 莫勒库莱特股份有限公司 伤口成像和分析
CN112270330A (zh) * 2020-11-05 2021-01-26 国网甘肃省电力公司电力科学研究院 一种基于Mask R-CNN神经网络被关注目标的智能检测方法
CN112734730A (zh) * 2021-01-11 2021-04-30 牧原食品股份有限公司 一种牲畜数量识别方法、装置、设备和存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105488941A (zh) * 2016-01-15 2016-04-13 中林信达（北京）科技信息有限责任公司 基于红外-可见光图像的双光谱森林火情监测方法及装置
CN112005312A (zh) * 2018-02-02 2020-11-27 莫勒库莱特股份有限公司 伤口成像和分析
CN110434090A (zh) * 2019-08-23 2019-11-12 中山德著智能科技有限公司 一种胡萝卜表面瑕疵检测方法
CN110705447A (zh) * 2019-09-27 2020-01-17 北京交通大学 手部图像的检测方法、装置及电子设备
CN111067531A (zh) * 2019-12-11 2020-04-28 中南大学湘雅医院 一种伤口测量的方法及装置、存储介质
CN111222506A (zh) * 2019-12-25 2020-06-02 深圳市优必选科技股份有限公司 颜色识别方法、设备及计算机可读存储介质
CN111311608A (zh) * 2020-02-05 2020-06-19 方军 评估伤口的方法、设备和计算机可读存储介质
CN111444976A (zh) * 2020-04-02 2020-07-24 Oppo广东移动通信有限公司 目标检测方法、装置、电子设备和可读存储介质
CN112270330A (zh) * 2020-11-05 2021-01-26 国网甘肃省电力公司电力科学研究院 一种基于Mask R-CNN神经网络被关注目标的智能检测方法
CN112734730A (zh) * 2021-01-11 2021-04-30 牧原食品股份有限公司 一种牲畜数量识别方法、装置、设备和存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113743261A (zh) * 2021-08-23 2021-12-03 河南牧原智能科技有限公司 一种猪体外伤的检测方法、装置和可读存储介质

Similar Documents

Publication Publication Date Title
Bercovich et al. Development of an automatic cow body condition scoring using body shape signature and Fourier descriptors
CN105184787B (zh) 一种自动对人像进行抠图的证照相机及方法
TWI645339B (zh) 動物用非侵入式多模態生物特徵辨識系統
CN107133604A (zh) 一种基于椭圆拟合和预测性神经网络的猪步态异常检测方法
KR101743270B1 (ko) 다수의 플랑크톤이 응집 혹은 산재해 있는 현미경 영상에서 딥러닝을 이용하여 개개 플랑크톤을 분리 및 인식하는 방법
CN108491807B (zh) 一种奶牛发情行为实时监测方法及系统
CN108960185A (zh) 基于YOLOv2的车辆目标检测方法及系统
CN116935327B (zh) 基于ai视觉的水产养殖监控方法、装置、设备及存储介质
CN113662530A (zh) 一种猪只生理生长状态监测预警方法
CN116386120B (zh) 一种用于智慧校园宿舍的无感监控管理系统
CN107576660B (zh) 一种基于距离等高线的双黄鸭蛋自动视觉检测方法
CN113283322A (zh) 一种牲畜外伤检测方法、装置、设备和存储介质
Jaddoa et al. Automatic eyes localization in thermal images for temperature measurement in cattle
CN114926620A (zh) 一种红外光照下瞳孔直径测量方法及系统
Malathi et al. A survey on plant leaf disease detection using image processing techniques
CN113255802A (zh) 一种基于红外激光的智能嫩肤系统
CN117253192A (zh) 用于桑蚕养殖的智能系统及方法
CN110889326A (zh) 基于人体检测的插队行为监测警告系统、方法、装置和存储介质
CN108960181A (zh) 基于多尺度分块lbp和隐马尔科夫模型的黑烟车检测方法
CN111652084B (zh) 一种异常蛋鸡识别方法及装置
Reza et al. Automatic detection of optic disc in fundus images by curve operator
Cao et al. Leaf vein extraction and angle measurement using hue information and line detection
CN116309307A (zh) 焊缝缺陷检测方法、装置、可读存储介质及电子设备
CN115661800A (zh) 基于视线方向时间关系学习的危险驾驶行为检测方法
Di et al. The research on the feature extraction of sunflower leaf rust characteristics based on color and texture feature

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