CN113532616A - 基于计算机视觉的体重估计方法、装置及系统 - Google Patents
基于计算机视觉的体重估计方法、装置及系统 Download PDFInfo
- Publication number
- CN113532616A CN113532616A CN202010297078.XA CN202010297078A CN113532616A CN 113532616 A CN113532616 A CN 113532616A CN 202010297078 A CN202010297078 A CN 202010297078A CN 113532616 A CN113532616 A CN 113532616A
- Authority
- CN
- China
- Prior art keywords
- target object
- weight
- target
- preset
- video stream
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000003709 image segmentation Methods 0.000 claims abstract description 31
- 238000004364 calculation method Methods 0.000 claims abstract description 23
- 230000000875 corresponding effect Effects 0.000 claims description 35
- 238000003307 slaughter Methods 0.000 claims description 28
- 238000009395 breeding Methods 0.000 claims description 18
- 230000001488 breeding effect Effects 0.000 claims description 18
- 230000011218 segmentation Effects 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 230000002596 correlated effect Effects 0.000 claims description 2
- 238000005303 weighing Methods 0.000 abstract description 5
- 241001465754 Metazoa Species 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 abstract description 4
- 244000144972 livestock Species 0.000 description 8
- 210000002414 leg Anatomy 0.000 description 6
- 241001494479 Pecora Species 0.000 description 5
- 230000037396 body weight Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 241000283690 Bos taurus Species 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 235000013372 meat Nutrition 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 241000009328 Perro Species 0.000 description 1
- 241000282898 Sus scrofa Species 0.000 description 1
- 210000001217 buttock Anatomy 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 235000013601 eggs Nutrition 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000008267 milk Substances 0.000 description 1
- 235000013336 milk Nutrition 0.000 description 1
- 210000004080 milk Anatomy 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01G—WEIGHING
- G01G23/00—Auxiliary devices for weighing apparatus
- G01G23/18—Indicating devices, e.g. for remote indication; Recording devices; Scales, e.g. graduated
- G01G23/35—Indicating the weight by photographic recording
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01G—WEIGHING
- G01G17/00—Apparatus for or methods of weighing material of special form or property
- G01G17/08—Apparatus for or methods of weighing material of special form or property for weighing livestock
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01G—WEIGHING
- G01G23/00—Auxiliary devices for weighing apparatus
- G01G23/18—Indicating devices, e.g. for remote indication; Recording devices; Scales, e.g. graduated
- G01G23/36—Indicating the weight by electrical means, e.g. using photoelectric cells
- G01G23/37—Indicating the weight by electrical means, e.g. using photoelectric cells involving digital counting
- G01G23/3728—Indicating the weight by electrical means, e.g. using photoelectric cells involving digital counting with wireless means
-
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Computer Networks & Wireless Communication (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于计算机视觉的体重估计方法、装置及系统,涉及计算机视觉领域,能够解决现有技术人工对动物称重效率低的问题。本发明的方法主要包括:检测视频流中的目标对象;对所述目标对象进行图像分割得到所述目标对象对应的图像数据信息;将所述图像数据信息输入到预设估重模型中进行计算,获得所述目标对象的体重;所述预设估重模型是通过对样本目标对象的实际体重和包含样本目标对象的图像进行模型训练而得。本发明主要适用于通过视频分析实现对动物估重的场景中。
Description
技术领域
本发明涉及计算机视觉领域,特别是涉及一种基于计算机视觉的体重估计方法、装置及系统。
背景技术
随着畜牧业的发展,广大农户饲养的牲畜量逐年大幅增加。农户通过将牲畜圈养,并采用喂养饲料、定期称重等方式,可以提高牲畜的管理效率和牲畜的质量。但是,目前无论是在养殖期间对牲畜称重,还是出售时对牲畜称重,均需要将牲畜放置到体重秤上进行人工测量,获取体重的效率极差。
发明内容
有鉴于此,本发明提供的基于计算机视觉的体重估计方法、装置及系统,其目的在于解决现有技术中人工对动物称重效率低的问题。
第一方面,本发明提供了一种基于计算机视觉的体重估计方法,所述方法包括:
检测视频流中的目标对象;
对所述目标对象进行图像分割得到所述目标对象对应的图像数据信息;
将所述图像数据信息输入到预设估重模型中进行计算,获得所述目标对象的体重;所述预设估重模型是通过对样本目标对象的实际体重和包含样本目标对象的图像进行模型训练而得。
可选的,所述对所述目标对象进行图像分割得到所述目标对象对应的图像数据信息包括:
当所述目标对象经过预设通行区域中的特定区域时,对所述目标对象进行图像分割得到所述目标对象对应的图像数据信息。
可选的,所述将所述图像数据信息输入到预设估重模型中进行计算,获得所述目标对象的体重包括:
根据所述图像数据信息确定所述目标对象的目标参数;所述目标参数为影响所述目标对象体重的参数;
将所述目标参数输入到所述预设估重模型中进行计算,获得所述目标对象的体重。
可选的,所述目标参数包括以下任意一项或多项的组合:
个体分割面积、个体周长、所述目标对象臀部最小外接圆半径、所述目标对象从后腿到屁股的椭圆参数和目标对象在图像中的位置信息。
可选的,所述检测视频流中的目标对象包括:
获取关于目标对象在预设通行区域进行活动的视频流;
检测所述视频流中的目标对象。
可选的,所述检测视频流中的目标对象包括:
识别所述视频流中目标图像上的目标对象;
在所述目标图像中标记包围目标对象的外接矩形框;
所述对所述目标对象进行图像分割得到所述目标对象对应的图像数据信息包括:
利用预设图像分割算法对所述外接矩形框所包围的区域进行图像分割,获得所述目标对象对应的像素信息;
和/或,确定所述外接矩形框在所述目标图像中的位置信息。
可选的,在检测视频流中的目标对象之后,所述方法还包括:
通过对所述视频流中的相邻帧进行关联,为所述目标对象添加唯一标识。
可选的,所述方法还包括:
为所述目标对象添加体重;
和/或,将所述唯一标识和所述体重进行关联记录。
可选的,若所述视频流是关于待屠宰目标对象的视频流,则所述方法还包括:
接收用户终端发送的目标屠宰重量;
基于对目标对象估计的体重,确定满足预设屠宰条件的目标对象;
从满足所述预设屠宰条件的目标对象中筛选出体重累加在误差允许范围内为所述目标屠宰重量的目标对象,并将筛选出的目标对象的唯一标识反馈给用户终端。
可选的,所述方法还包括:
将所述唯一标识和对应的体重添加到目标对象养殖管理档案中;
根据预设养殖管理策略对所述目标对象养殖管理档案进行分析,确定所述目标对象的生长情况是否正常。
可选的,在将所述图像数据信息输入到预设估重模型中进行计算,获得所述目标对象的体重之前,所述方法还包括:
获取关于样本对象在所述预设通行区域活动的视频流;
检测所述视频流中目标图像上的样本目标对象;
对所述样本目标对象进行图像分割得到所述样本目标对象对应的图像数据信息;
获取所述样本目标对象的实际体重;
通过将所述样本目标对象对应的图像数据信息和所述样本目标对象的实际体重进行模型训练,获得所述预设估重模型。
第二方面,本发明提供了一种基于计算机视觉的体重估计装置,所述装置包括:
检测单元,用于检测视频流中的目标对象;
分割单元,用于对所述目标对象进行图像分割得到所述目标对象对应的图像数据信息;
估重单元,用于将所述图像数据信息输入到预设估重模型中进行计算,获得所述目标对象的体重;所述预设估重模型是通过对样本目标对象的实际体重和包含样本目标对象的图像进行模型训练而得。
可选的,所述分割单元,用于当所述目标对象经过预设通行区域中的特定区域时,对所述目标对象进行图像分割得到所述目标对象对应的图像数据信息。
可选的,所述估重单元,包括:
确定模块,用于根据所述图像数据信息确定所述目标对象的目标参数;所述目标参数为影响所述目标对象体重的参数;
计算模块,用于将所述目标参数输入到所述预设估重模型中进行计算,获得所述目标对象的体重。
可选的,所述确定模块中确定的所述目标参数包括以下任意一项或多项的组合:
个体分割面积、个体周长、所述目标对象臀部最小外接圆半径、所述目标对象从后腿到屁股的椭圆参数和目标对象在图像中的位置信息。
可选的,所述检测单元,用于获取关于目标对象在预设通行区域进行活动的视频流;用于检测所述视频流中的目标对象。
可选的,所述检测单元,用于识别所述视频流中目标图像上的目标对象;在所述目标图像中标记包围目标对象的外接矩形框;
所述分割单元,用于利用预设图像分割算法对所述外接矩形框所包围的区域进行图像分割,获得所述目标对象对应的像素信息;和/或,确定所述外接矩形框在所述目标图像中的位置信息。
可选的,所述装置还包括:
第一添加单元,用于在检测所述视频流中的目标对象之后,通过对所述视频流中的相邻帧进行关联,为所述目标对象添加唯一标识。
可选的,所述装置还包括:第二添加单元和/或记录单元;
所述第二添加单元,为所述目标对象添加体重;
所述记录单元,用于将所述唯一标识和所述体重进行关联记录。
可选的,所述装置还包括:
接收单元,用于若所述视频流是关于待屠宰目标对象的视频流,则接收用户终端发送的目标屠宰重量;
确定单元,用于基于对目标对象估计的体重,确定满足预设屠宰条件的目标对象;
筛选单元,用于从满足所述预设屠宰条件的目标对象中筛选出体重累加在误差允许范围内为所述目标屠宰重量的目标对象;
反馈单元,用于将筛选出的目标对象的唯一标识反馈给用户终端。
可选的,所述装置还包括:
第三添加单元,用于将所述唯一标识和对应的体重添加到目标对象养殖管理档案中;
分析单元,用于根据预设养殖管理策略对所述目标对象养殖管理档案进行分析,确定所述目标对象的生长情况是否正常。
可选的,所述装置还包括训练单元;
所述训练单元包括:
获取模块,用于在将所述图像数据信息输入到预设估重模型中进行计算,获得所述目标对象的体重之前,获取关于样本对象在预设通行区域活动的视频流;
检测模块,还用于检测所述视频流中目标图像上的样本目标对象;
分割模块,还用于对所述样本目标对象进行图像分割得到所述样本目标对象对应的图像数据信息;
所述获取模块,还用于获取所述样本目标对象的实际体重;
训练模块,用于通过将所述样本目标对象对应的图像数据信息和所述样本目标对象的实际体重进行模型训练,获得所述预设估重模型。
第三方面,本发明提供了一种存储介质,所述存储介质存储有多条指令,所述指令适用于由处理器加载并执行如第一方面所述的方法。
第四方面,本发明提供了一种电子设备,所述电子设备包括存储介质和处理器;
所述处理器,适于实现各指令;
所述存储介质,适于存储多条指令;
所述指令适于由所述处理器加载并执行如第一方面所述的方法。
第五方面,本发明提供了一种基于计算机视觉的体重估计系统,所述系统包括摄像装置和云端;
所述摄像装置,用于拍摄关于目标对象在预设通行区域进行活动的视频流,并将所述视频流发送给所述云端;
所述云端,用于执行第一方面所述的方法。
可选的,所述系统还包括用户终端;所述用户终端用于接收并输出所述云端发送的估重信息。
借由上述技术方案,本发明提供的基于计算机视觉的体重估计方法、装置及系统,能够预先根据对样本目标对象的实际体重和包含样本目标对象的图像进行模型训练得到一个用于估重的预设估重模型,当需要对目标对象进行估重时,通过对包含目标对象的视频流进行分析,从中获取目标对象对应的图像数据信息,将所述图像数据信息输入到预设估重模型中即可输出目标对象的体重,其整个过程不但无需人工参与,大大提高了获取体重的效率,而且由于预设估重模型是根据包括目标对象的实际体重和包含目标对象的图像的大量样本进行训练而得的,所以使用该预设估重模型估计出的目标对象的体重是接近或者等于其实际体重的,因而估重的准确率也是能够保证的。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明实施例提供的一种基于计算机视觉的体重估计方法的流程图;
图2示出了本发明实施例提供的一种标记目标对象的示例图;
图3示出了本发明实施例提供的一种对估重后的视频流进行展示的示例图;
图4示出了本发明实施例提供的一种基于计算机视觉的体重估计系统内部交互图;
图5示出了本发明实施例提供的一种基于计算机视觉的体重估计装置的组成框图;
图6示出了本发明实施例提供的另一种基于计算机视觉的体重估计装置的组成框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
计算机视觉是一门研究如何使机器"看"的科学,更进一步的说,就是指用摄影机和计算机代替人眼对目标进行识别、跟踪和测量等机器视觉,并进一步做图形处理,使计算机处理成为更适合人眼观察或传送给仪器检测的图像。为了提高对目标对象估重的效率,本发明实施例运用计算机视觉技术,在目标对象的预设通行区域附近安装了一个摄像装置,用于拍摄预设通行区域内目标对象的活动情况,然后将该摄像装置与云端进行远程连接,以便摄像装置将拍摄的视频流发送给云端,由云端通过对视频流进行分析实现对目标对象的估重。下面对基于计算机视觉的体重估计方法进行详细介绍:
如图1所示,所述方法可以应用于云端,具体包括:
101、检测视频流中的目标对象。
其中,目标对象包括牲畜或者其他生物,例如目标对象为猪、牛、羊、狗等。
为了实现对目标对象的监控和管理,可以在预设通行区域的附近(例如正上方)安装至少一个摄像装置,以实时监控目标对象的动态,并将拍摄的目标对象在该预设通行区域活动的视频流上传到云端,供云端分析。其中,预设通行区域是为了便于对目标对象养殖以及监控而建造的通道,该预设同行区域可以是一个环形通道,也可以是一个圆形通道,其具体形状根据实际需求而定。
云端获取到视频流后,可以利用计算机视觉技术,对视频流中的每帧图像进行分析,从中识别目标对象,并在所述图像中标记包围目标对象的外接矩形框。如图2所示,可以先识别出图像中的羊(以识别其中一只羊为例),然后在图像中标记出包围该羊的外接矩形框。
102、对所述目标对象进行图像分割得到所述目标对象对应的图像数据信息。
在检测出每帧图像中的目标对象后,可以对图像进行分割,提取目标对象对应的图像数据信息,以便根据目标对象对应的图像数据信息,对目标对象的重量进行估计。具体的,当步骤101标记出包含目标对象的外接矩形框后,可以直接利用预设图像分割算法对所述外接矩形框所包围的区域进行图像分割,获得所述目标对象对应的像素信息,和/或,确定所述外接矩形框在所述目标图像中的位置信息。例如,可以使用maskrcnn算法对所述外接矩形框所包围的区域进行二次定位和像素点分类,获得目标对象的图像数据信息;可以建立目标图像的坐标系,计算所述外接矩形框在所述目标图像中的坐标。
103、将所述图像数据信息输入到预设估重模型中进行计算,获得所述目标对象的体重。
所述预设估重模型是通过对样本目标对象的实际体重和包含样本目标对象的图像进行模型训练而得。具体的,可以获取关于样本对象在所述预设通行区域活动的视频流;检测所述视频流中目标图像上的样本目标对象;对所述样本目标对象进行图像分割得到所述样本目标对象的图像数据信息;获取所述样本目标对象的实际体重;通过将所述样本目标对象的图像数据信息和所述样本目标对象的实际体重进行模型训练,获得所述预设估重模型。其中,样本目标对象的实际体重是通过体重秤对样本目标对象进行称量而得的。目标图像可以是每一帧图像,也可以是满足预设条件的图像,例如按照一定间隔抽选出的图像(每隔一个图像抽选出一个图像)。在具体实施时,可以根据视频流中目标对象的移动速度、移动频率,确定目标图像。例如,目标对象移动越快,使用的图像越多,训练的样本相对来说就越准确,而目标对象移动非常缓慢,则每隔N个图像抽取一个图像作为样本,不仅可以满足准确度需求,还能够提高训练效率。N为正整数。
由于一般情况下,目标对象的面积越大,臀部、腿部等越粗,其体重越大,所以在通过将所述样本目标对象的图像数据信息和所述样本目标对象的实际体重进行模型训练时,可以先将图像数据信息转换为可能与样本目标对象体重相关的参数,然后将各个参数单独与目标建模,得到参数与体重相关系的相关系数值(如可以用一个0~1之间数值表示),根据该相关性来评估相应参数在体重方面的重要性,最后从这些参数中筛选出相关性较强的参数,作为最终参与模型训练的目标参数。其中,所述目标参数包括以下任意一项或多项的组合:个体分割面积、个体周长、所述目标对象臀部最小外接圆半径、所述目标对象从后腿到屁股的椭圆参数和目标对象在图像中的位置信息。其中,个体分割面积、个体周长、所述目标对象臀部最小外接圆半径、所述目标对象从后腿到屁股的椭圆参数可以基于图像数据中的像素信息计算得到;所述位置信息可以基于图像数据信息中目标对象的外接矩形框在所述目标图像中的位置信息确定。
相应的,将所述图像数据信息输入到预设估重模型中进行计算,获得所述目标对象的体重的具体实现过程可以为:根据所述图像数据信息确定所述目标对象的目标参数;所述目标参数为影响所述目标对象体重的参数;将所述目标参数输入到所述预设估重模型中进行计算,获得所述目标对象的体重。
在实际应用中,预设估重模型可以是一种回归模型,具体的回归算法可以为随机森林算法、多项式拟合(搭配L2正则)算法、支持向量机(Support Vector Machine,简称SVM)算法、光梯度提升机(Light Gradient Boosting Machine,简称lightGBM)算法。
本发明实施例提供的基于计算机视觉的体重估计方法,能够预先根据对样本目标对象的实际体重和包含样本目标对象的图像进行模型训练得到一个用于估重的预设估重模型,当需要对目标对象进行估重时,通过对包含目标对象的视频流进行分析,从中获取目标对象的图像数据信息,将所述图像数据信息输入到预设估重模型中即可输出目标对象的体重,其整个过程不但无需人工参与,大大提高了获取体重的效率,而且由于预设估重模型是根据包括目标对象的实际体重和包含目标对象的图像的大量样本进行训练而得的,所以使用该预设估重模型估计出的目标对象的体重是接近或者等于其实际体重的,因而估重的准确率也是能够保证的。
可选的,根据上述实施例可知,在利用预设估重模型进行估重时,需要先获取目标对象在图像中的个体分割面积、个体周长等目标参数。而摄像装置与目标对象的距离不同时,所拍摄的同一个目标对象在图像中的大小是不同的,直接对图像中的每个目标对象进行估重是存在误差的。为了提高估重的准确率,可以设置统一的估重标准,避免摄像装置与目标对象的距离的影响。具体的,可以当所述目标对象经过所述预设通行区域中的特定区域时,才对所述目标对象进行图像分割得到所述目标对象的图像数据信息。也就是说,只有当目标对象在特定区域时,才对目标对象进行估重,而在其他区域时,则不会对目标对象估重,从而使得每个目标对象与摄像装置距离相同时,才对目标对象进行估重,进而排除了距离产生的误差影响。
其中,该特定区域可以为一个二维区域,也可以为一个一维线条。可以先设置几种特定区域,然后通过实验再验证哪个特定区域产生的误差最小,就在实际应用中使用哪个特定区域。摄像装置可以只拍摄包含特定区域的一部分预设通行区域,而不是拍摄所有的预设通行区域。
此外,上述实施例中提及图像数据信息可以包括像素信息和/或位置信息。其中,位置信息也是一种用于提高提高估重准确率的方法。在进行模型训练时,训练样本除了包含目标对象的像素信息和实际体重外,还可以包含目标对象在图像中的位置信息,通过对这三种参数进行模型训练,得到一个更精确的预设估重模型。在后续进行估重时,除了获取待估重目标对象的像素信息外,还要获取目标对象在图像中的位置信息,然后将像素信息和位置信息输入到预设估重模型中进行计算,获得所述目标对象的体重。
可选的,为了便于对目标对象的数量进行统计,以及为了便于对目标对象的相关信息进行提取,可以在检测所述视频流中的目标对象之后,通过对所述视频流中的相邻帧进行关联,为所述目标对象添加唯一标识。
为了使得农户能够直观看到预设通行区域中各个目标对象的体重信息,可以为所述目标对象添加体重,如在图像中目标对象位置处添加体重,然后将添加体重和/或唯一标识的视频流反馈给用户终端进行输出,以便农户直接通过用户终端展示的视频可以直观看出每个目标对象的体重信息。如图3所示,用户终端的视频中每只羊上都描述有其唯一标识(ID)和体重。
云端还可以将所述唯一标识和所述体重进行关联记录,将添加唯一标识的视频流和该关联记录反馈给用户终端,以便农户在视频流中选中某个目标对象时,可以提取该目标对象的唯一标识,然后从该关联记录中查找对应的体重,并将体重输出供农户查看。用户终端也可以直接输出唯一标识和体重的映射关系表供农户查看。
当将上述实施例应用于屠宰场景时,可以设置一个用于监控即将被屠宰的目标对象在预设通行区域活动的摄像装置,然后将摄像装置拍摄的视频流上传给云端,云端通过上述估重方法可以对视频流中监控到的每个目标对象进行估重,然后将满足预设屠宰条件的体重进行累加,得到待屠宰的总重量,并将总重量反馈给用户终端,以便屠宰场的管理人员向买家展示能够屠宰的总肉量。其中,预设屠宰条件可以为一个体重范围,例如大于第一体重阈值,或者,大于第一体重阈值且小于第二体重阈值。
此外,在实际应用中,买家有购买肉量的固定需求。为了避免屠宰多余的目标对象,而导致无法快速卖出去,从而影响养殖户的收益,在将视频流上传给云端时,用户终端还可以将买家需求的目标屠宰量发送给云端,从而使得云端在预估中每个目标对象的体重,以及对每个目标对象添加唯一标识后,可以基于对目标对象估计的体重,确定满足预设屠宰条件的目标对象,从满足所述预设屠宰条件的目标对象中筛选出体重累加在误差允许范围内为所述目标屠宰重量的目标对象,并将筛选出的目标对象的唯一标识反馈给用户终端,以便供屠宰人员获知,将哪些目标对象进行屠宰就可以满足买家需求。
在实际应用中,养殖牲畜等目标对象的目的大多除了要进行屠宰变卖外,还有的需要获取目标对象生产的东西,例如需要获取奶牛生产的牛奶,需要获取母鸡下的鸡蛋等,因此,实时观测每个目标对象的生长情况是否正常,以便及时发现其中的问题进行及时解决,避免造成较大损失,也是十分关键的。为了解决该技术问题,在为所述目标对象添加唯一标识,为所述目标对象添加体重后,可以将所述唯一标识和对应的体重添加到目标对象养殖管理档案中,根据预设养殖管理策略对所述目标对象养殖管理档案进行分析,确定所述目标对象的生长情况是否正常,以便将生长情况反馈给用户终端,供养殖人员及时获知每个目标对象的生长情况。
进一步的,本发明的另一个实施例还提供了基于计算机视觉的体重估计系统,所述系统包括摄像装置和云端;
所述摄像装置,用于拍摄关于目标对象在预设通行区域进行活动的视频流,并将所述视频流发送给所述云端;所述云端,用于执行上述方法。其中摄像装置包括摄像头。
可选的,所述系统还包括用户终端;所述用户终端用于接收并输出所述云端发送的估重信息。其中,用户终端输出估重信息时,可以在视频中输出,例如在视频中每个目标对象上输出估重和唯一标识,也可以单独输出,例如输出唯一标识和体重的映射关系表。
示例性的,摄像装置、云端和用户终端所组成的系统的一种交互过程可以如图4所示,包括:
201、摄像装置拍摄关于目标对象在预设通行区域进行活动的视频流;
202、摄像装置将视频流发送给云端;
203、云端接收视频流;
204、云端检测所述视频流中每帧图像上的目标对象;
205、云端通过对所述视频流中的相邻帧进行关联,为所述目标对象添加唯一标识;
206、当所述目标对象经过所述预设通行区域中的特定区域时,云端对所述目标对象进行图像分割得到所述目标对象的图像数据信息;
207、云端将所述图像数据信息输入到预设估重模型中进行计算,获得所述目标对象的体重;
208、云端为所述目标对象添加体重;
209、云端将处理后的视频流发送给用户终端;
210、用户终端接收并输出视频流,供用户从视频中直观查看每个目标对象的体重。
本发明实施例提供的基于计算机视觉的体重估计系统,能够预先根据对样本目标对象的实际体重和包含样本目标对象的图像进行模型训练得到一个用于估重的预设估重模型,当需要对目标对象进行估重时,通过对包含目标对象的视频流进行分析,从中获取目标对象的图像数据信息,将所述图像数据信息输入到预设估重模型中即可输出目标对象的体重,其整个过程不但无需人工参与,大大提高了获取体重的效率,而且由于预设估重模型是根据包括目标对象的实际体重和包含目标对象的图像的大量样本进行训练而得的,所以使用该预设估重模型估计出的目标对象的体重是接近或者等于其实际体重的,因而估重的准确率也是能够保证的。
进一步的,依据上述方法实施例,本发明的另一个实施例还提供了一种基于计算机视觉的体重估计装置,如图5所示,所述装置包括:
检测单元31,用于检测视频流中的目标对象;
分割单元32,用于对所述目标对象进行图像分割得到所述目标对象的图像数据信息;
估重单元33,用于将所述图像数据信息输入到预设估重模型中进行计算,获得所述目标对象的体重;所述预设估重模型是通过对样本目标对象的实际体重和包含样本目标对象的图像进行模型训练而得。
可选的,所述分割单元32,用于当所述目标对象经过预设通行区域中的特定区域时,对所述目标对象进行图像分割得到所述目标对象的图像数据信息。
可选的,如图6所示,所述估重单元33,包括:
确定模块331,用于根据所述图像数据信息确定所述目标对象的目标参数;所述目标参数为影响所述目标对象体重的参数;
计算模块332,用于将所述目标参数输入到所述预设估重模型中进行计算,获得所述目标对象的体重。
可选的,所述确定模块331中确定的所述目标参数包括以下任意一项或多项的组合:
个体分割面积、个体周长、所述目标对象臀部最小外接圆半径、所述目标对象从后腿到屁股的椭圆参数和目标对象在图像中的位置信息。
可选的,所述检测单元31,用于获取关于目标对象在预设通行区域进行活动的视频流;检测所述视频流中的目标对象。
可选的,所述检测单元31,用于识别所述视频流中目标图像上的目标对象;在所述目标图像中标记包围目标对象的外接矩形框;
所述分割单元32,用于利用预设图像分割算法对所述外接矩形框所包围的区域进行图像分割,获得所述目标对象对应的像素信息;和/或,确定所述外接矩形框在所述目标图像中的位置信息。
可选的,如图6所示,所述装置还包括:
第一添加单元34,用于在检测所述视频流中的目标对象之后,通过对所述视频流中的相邻帧进行关联,为所述目标对象添加唯一标识。
可选的,所述装置还包括:第二添加单元35和/或记录单元36;
所述第二添加单元35,为所述目标对象添加体重;
所述记录单元36,用于将所述唯一标识和所述体重进行关联记录。
可选的,如图6所示,所述装置还包括:
接收单元37,用于若所述视频流是关于待屠宰目标对象的视频流,则接收用户终端发送的目标屠宰重量;
确定单元38,用于基于对目标对象估计的体重,确定满足预设屠宰条件的目标对象;
筛选单元39,用于从满足所述预设屠宰条件的目标对象中筛选出体重累加在误差允许范围内为所述目标屠宰重量的目标对象;
反馈单元310,用于将筛选出的目标对象的唯一标识反馈给用户终端。
可选的,所述装置还包括:
第三添加单元311,用于将所述唯一标识和对应的体重添加到目标对象养殖管理档案中;
分析单元312,用于根据预设养殖管理策略对所述目标对象养殖管理档案进行分析,确定所述目标对象的生长情况是否正常。
可选的,如图6所示,所述装置还包括训练单元313;
所述训练单元313包括:
获取模块3131,用于在将所述图像数据信息输入到预设估重模型中进行计算,获得所述目标对象的体重之前,获取关于样本对象在所述预设通行区域活动的视频流;
检测模块3132,还用于检测所述视频流中目标图像上的样本目标对象;
分割模块3133,还用于对所述样本目标对象进行图像分割得到所述样本目标对象对应的图像数据信息;
所述获取模块3131,还用于获取所述样本目标对象的实际体重;
训练模块3134,用于通过将所述样本目标对象的图像数据信息和所述样本目标对象的实际体重进行模型训练,获得所述预设估重模型。
本发明实施例提供的基于计算机视觉的体重估计装置,能够预先根据对样本目标对象的实际体重和包含样本目标对象的图像进行模型训练得到一个用于估重的预设估重模型,当需要对目标对象进行估重时,通过对包含目标对象的视频流进行分析,从中获取目标对象的图像数据信息,将所述图像数据信息输入到预设估重模型中即可输出目标对象的体重,其整个过程不但无需人工参与,大大提高了获取体重的效率,而且由于预设估重模型是根据包括目标对象的实际体重和包含目标对象的图像的大量样本进行训练而得的,所以使用该预设估重模型估计出的目标对象的体重是接近或者等于其实际体重的,因而估重的准确率也是能够保证的。
进一步的,本发明的另一个实施例还提供了一种存储介质,所述存储介质存储有多条指令,所述指令适用于由处理器加载并执行如上所述的方法。
本发明实施例提供的存储介质中存储的程序被执行时,能够预先根据对样本目标对象的实际体重和包含样本目标对象的图像进行模型训练得到一个用于估重的预设估重模型,当需要对目标对象进行估重时,通过对包含目标对象的视频流进行分析,从中获取目标对象的图像数据信息,将所述图像数据信息输入到预设估重模型中即可输出目标对象的体重,其整个过程不但无需人工参与,大大提高了获取体重的效率,而且由于预设估重模型是根据包括目标对象的实际体重和包含目标对象的图像的大量样本进行训练而得的,所以使用该预设估重模型估计出的目标对象的体重是接近或者等于其实际体重的,因而估重的准确率也是能够保证的。
进一步的,本发明的另一个实施例还提供了一种电子设备,所述电子设备包括存储介质和处理器;
所述处理器,适于实现各指令;
所述存储介质,适于存储多条指令;
所述指令适于由所述处理器加载并执行如上所述的方法。
本发明实施例提供的电子设备,能够预先根据对样本目标对象的实际体重和包含样本目标对象的图像进行模型训练得到一个用于估重的预设估重模型,当需要对目标对象进行估重时,通过对包含目标对象的视频流进行分析,从中获取目标对象的图像数据信息,将所述图像数据信息输入到预设估重模型中即可输出目标对象的体重,其整个过程不但无需人工参与,大大提高了获取体重的效率,而且由于预设估重模型是根据包括目标对象的实际体重和包含目标对象的图像的大量样本进行训练而得的,所以使用该预设估重模型估计出的目标对象的体重是接近或者等于其实际体重的,因而估重的准确率也是能够保证的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
可以理解的是,上述方法及装置中的相关特征可以相互参考。另外,上述实施例中的“第一”、“第二”等是用于区分各实施例,而并不代表各实施例的优劣。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的一种实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的基于计算机视觉的体重估计方法、装置及系统中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (16)
1.一种基于计算机视觉的体重估计方法,其特征在于,所述方法包括:
检测视频流中的目标对象;
对所述目标对象进行图像分割得到所述目标对象对应的图像数据信息;
将所述图像数据信息输入到预设估重模型中进行计算,获得所述目标对象的体重;所述预设估重模型是通过对样本目标对象的实际体重和包含样本目标对象的图像进行模型训练而得。
2.根据权利要求1所述的方法,其特征在于,所述对所述目标对象进行图像分割得到所述目标对象对应的图像数据信息包括:
当所述目标对象经过预设通行区域中的特定区域时,对所述目标对象进行图像分割得到所述目标对象对应的图像数据信息。
3.根据权利要求1所述的方法,其特征在于,所述将所述图像数据信息输入到预设估重模型中进行计算,获得所述目标对象的体重包括:
根据所述图像数据信息确定所述目标对象的目标参数;所述目标参数为影响所述目标对象体重的参数;
将所述目标参数输入到所述预设估重模型中进行计算,获得所述目标对象的体重。
4.根据权利要求3所述的方法,其特征在于,所述目标参数包括以下任意一项或多项的组合:
个体分割面积、个体周长、所述目标对象臀部最小外接圆半径、所述目标对象从后腿到屁股的椭圆参数和目标对象在图像中的位置信息。
5.根据权利要求1所述的方法,其特征在于,所述检测视频流中的目标对象包括:
获取关于目标对象在预设通行区域进行活动的视频流;
检测所述视频流中的目标对象。
6.根据权利要求1所述的方法,其特征在于,所述检测视频流中的目标对象包括:
识别所述视频流中目标图像上的目标对象;
在所述目标图像中标记包围目标对象的外接矩形框;
所述对所述目标对象进行图像分割得到所述目标对象对应的图像数据信息包括:
利用预设图像分割算法对所述外接矩形框所包围的区域进行图像分割,获得所述目标对象对应的像素信息;
和/或,确定所述外接矩形框在所述目标图像中的位置信息。
7.根据权利要求1所述的方法,其特征在于,在检测视频流中的目标对象之后,所述方法还包括:
通过对所述视频流中的相邻帧进行关联,为所述目标对象添加唯一标识。
8.根据权利要求7所述的方法,其特征在于,所述方法还包括:
为所述目标对象添加体重;
和/或,将所述唯一标识和所述体重进行关联记录。
9.根据权利要求8所述的方法,其特征在于,若所述视频流是关于待屠宰目标对象的视频流,则所述方法还包括:
接收用户终端发送的目标屠宰重量;
基于对目标对象估计的体重,确定满足预设屠宰条件的目标对象;
从满足所述预设屠宰条件的目标对象中筛选出体重累加在误差允许范围内为所述目标屠宰重量的目标对象,并将筛选出的目标对象的唯一标识反馈给用户终端。
10.根据权利要求8所述的方法,其特征在于,所述方法还包括:
将所述唯一标识和对应的体重添加到目标对象养殖管理档案中;
根据预设养殖管理策略对所述目标对象养殖管理档案进行分析,确定所述目标对象的生长情况是否正常。
11.根据权利要求1-10中任一项所述的方法,其特征在于,在将所述图像数据信息输入到预设估重模型中进行计算,获得所述目标对象的体重之前,所述方法还包括:
获取关于样本对象在预设通行区域活动的视频流;
检测所述视频流中目标图像上的样本目标对象;
对所述样本目标对象进行图像分割得到所述样本目标对象对应的图像数据信息;
获取所述样本目标对象的实际体重;
通过将所述样本目标对象对应的图像数据信息和所述样本目标对象的实际体重进行模型训练,获得所述预设估重模型。
12.一种基于计算机视觉的体重估计装置,其特征在于,所述装置包括:
检测单元,用于检测视频流中的目标对象;
分割单元,用于对所述目标对象进行图像分割得到所述目标对象对应的图像数据信息;
估重单元,用于将所述图像数据信息输入到预设估重模型中进行计算,获得所述目标对象的体重;所述预设估重模型是通过对样本目标对象的实际体重和包含样本目标对象的图像进行模型训练而得。
13.一种存储介质,其特征在于,所述存储介质存储有多条指令,所述指令适用于由处理器加载并执行如权利要求1至11中任一项所述的方法。
14.一种电子设备,其特征在于,所述电子设备包括存储介质和处理器;
所述处理器,适于实现各指令;
所述存储介质,适于存储多条指令;
所述指令适于由所述处理器加载并执行如权利要求1至11中任意一项所述的方法。
15.一种基于计算机视觉的体重估计系统,其特征在于,所述系统包括摄像装置和云端;
所述摄像装置,用于拍摄关于目标对象在预设通行区域进行活动的视频流,并将所述视频流发送给所述云端;
所述云端,用于执行权利要求1-11中任一项所述的方法。
16.根据权利要求15所述的系统,其特征在于,所述系统还包括用户终端;所述用户终端用于接收并输出所述云端发送的估重信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010297078.XA CN113532616A (zh) | 2020-04-15 | 2020-04-15 | 基于计算机视觉的体重估计方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010297078.XA CN113532616A (zh) | 2020-04-15 | 2020-04-15 | 基于计算机视觉的体重估计方法、装置及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113532616A true CN113532616A (zh) | 2021-10-22 |
Family
ID=78088309
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010297078.XA Pending CN113532616A (zh) | 2020-04-15 | 2020-04-15 | 基于计算机视觉的体重估计方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113532616A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120275659A1 (en) * | 2011-04-27 | 2012-11-01 | Steve Gomas | Apparatus and method for estimation of livestock weight |
CN104008367A (zh) * | 2014-05-08 | 2014-08-27 | 中国农业大学 | 基于计算机视觉的育肥猪的自动行为分析系统及方法 |
CN105784083A (zh) * | 2016-04-05 | 2016-07-20 | 北京农业信息技术研究中心 | 基于立体视觉技术的奶牛体型测量方法和系统 |
CN106529006A (zh) * | 2016-11-04 | 2017-03-22 | 北京农业信息技术研究中心 | 基于深度图像的肉鸡生长模型拟合方法及装置 |
CN109459119A (zh) * | 2018-10-17 | 2019-03-12 | 北京京东金融科技控股有限公司 | 一种体重测量方法、设备和计算机可读存储介质 |
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 |
CN110672189A (zh) * | 2019-09-27 | 2020-01-10 | 北京海益同展信息科技有限公司 | 体重估计方法、装置、系统和存储介质 |
CN111008560A (zh) * | 2019-10-31 | 2020-04-14 | 重庆小雨点小额贷款有限公司 | 一种牲畜的重量确定方法、装置、终端及计算机存储介质 |
-
2020
- 2020-04-15 CN CN202010297078.XA patent/CN113532616A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120275659A1 (en) * | 2011-04-27 | 2012-11-01 | Steve Gomas | Apparatus and method for estimation of livestock weight |
CN104008367A (zh) * | 2014-05-08 | 2014-08-27 | 中国农业大学 | 基于计算机视觉的育肥猪的自动行为分析系统及方法 |
CN105784083A (zh) * | 2016-04-05 | 2016-07-20 | 北京农业信息技术研究中心 | 基于立体视觉技术的奶牛体型测量方法和系统 |
CN106529006A (zh) * | 2016-11-04 | 2017-03-22 | 北京农业信息技术研究中心 | 基于深度图像的肉鸡生长模型拟合方法及装置 |
CN109459119A (zh) * | 2018-10-17 | 2019-03-12 | 北京京东金融科技控股有限公司 | 一种体重测量方法、设备和计算机可读存储介质 |
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 |
CN110672189A (zh) * | 2019-09-27 | 2020-01-10 | 北京海益同展信息科技有限公司 | 体重估计方法、装置、系统和存储介质 |
CN111008560A (zh) * | 2019-10-31 | 2020-04-14 | 重庆小雨点小额贷款有限公司 | 一种牲畜的重量确定方法、装置、终端及计算机存储介质 |
Non-Patent Citations (2)
Title |
---|
吴常信: "藏鸡高原低氧适应生理与遗传基础", 北京:中国农业大学出版社, pages: 3 - 5 * |
张凯等: "基于计算机视觉技术育肥猪体重分析研究", 《农机化研究》, no. 05, 1 May 2017 (2017-05-01), pages 32 - 36 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yukun et al. | Automatic monitoring system for individual dairy cows based on a deep learning framework that provides identification via body parts and estimation of body condition score | |
US11627726B2 (en) | System and method of estimating livestock weight | |
Le Cozler et al. | High-precision scanning system for complete 3D cow body shape imaging and analysis of morphological traits | |
Wang et al. | ASAS-NANP SYMPOSIUM: Applications of machine learning for livestock body weight prediction from digital images | |
Halachmi et al. | Automatic assessment of dairy cattle body condition score using thermal imaging | |
Tullo et al. | Validation of a commercial system for the continuous and automated monitoring of dairy cow activity | |
US11568541B2 (en) | System for high performance, AI-based dairy herd management and disease detection | |
Zhang et al. | Development and validation of a visual image analysis for monitoring the body size of sheep | |
Bhoj et al. | Image processing strategies for pig liveweight measurement: Updates and challenges | |
CA3230401A1 (en) | Systems and methods for the automated monitoring of animal physiological conditions and for the prediction of animal phenotypes and health outcomes | |
CN116019023A (zh) | 一种电子信息管理系统及管理方法 | |
Kongsro | Development of a computer vision system to monitor pig locomotion. | |
Hansen et al. | Non-intrusive automated measurement of dairy cow body condition using 3D video | |
US20210022322A1 (en) | Method and system for extraction of statistical sample of moving objects | |
Guo et al. | Detecting broiler chickens on litter floor with the YOLOv5-CBAM deep learning model | |
Los et al. | Estimating body dimensions and weight of cattle on pasture with 3D models from UAV imagery | |
CN113516139A (zh) | 数据处理方法、装置、设备和存储介质 | |
Ojukwu et al. | Development of a computer vision system to detect inactivity in group-housed pigs | |
Xiong et al. | Estimating body weight and body condition score of mature beef cows using depth images | |
CN113532616A (zh) | 基于计算机视觉的体重估计方法、装置及系统 | |
CN112116647B (zh) | 估重方法和估重装置 | |
RU2693731C2 (ru) | Устройство и способ оценки соблюдения требований благосостояния животного в отношении животного для убоя | |
Boyle et al. | Image-based estimation of oat panicle development using local texture patterns | |
Rueß et al. | Equine welfare assessment: Horse motion evaluation and comparison to manual pain measurements | |
EP3606349A1 (en) | Method and system for classifying animal carcass |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40060945 Country of ref document: HK |