CN113537064A - 一种弱差猪自动检测标记方法和系统 - Google Patents

一种弱差猪自动检测标记方法和系统 Download PDF

Info

Publication number
CN113537064A
CN113537064A CN202110806700.XA CN202110806700A CN113537064A CN 113537064 A CN113537064 A CN 113537064A CN 202110806700 A CN202110806700 A CN 202110806700A CN 113537064 A CN113537064 A CN 113537064A
Authority
CN
China
Prior art keywords
pig
weak
pigs
difference
identification
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
CN202110806700.XA
Other languages
English (en)
Inventor
张玉良
高杰临
陶江辉
彭佳勇
黄煜
王宏建
冯英豪
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.)
Henan Muyuan Intelligent Technology Co Ltd
Original Assignee
Henan Muyuan Intelligent Technology 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 Henan Muyuan Intelligent Technology Co Ltd filed Critical Henan Muyuan Intelligent Technology Co Ltd
Priority to CN202110806700.XA priority Critical patent/CN113537064A/zh
Publication of CN113537064A publication Critical patent/CN113537064A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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]
    • 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
    • G06T2207/30168—Image quality inspection

Landscapes

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

Abstract

本发明公开了一种弱差猪自动检测标记方法和系统，方法包括:S1，对指定栏位的猪只进行拍照并获得猪只照片；S2，对猪只图片通过图像质量判定模型进行质量筛选，获得质量合格照片；S3，采用目标检测模型对质量合格照片进行弱差猪识别，并输出识别结果，识别结果包含目标的外接矩形框、弱差猪类别标签、可信度；S4，根据对各类弱差猪的识别效果可信度设定的对应的阈值，对目标检测模型计算出的各类弱差猪识别结果进行筛选，并在剔除各类低于各自阈值的弱差猪识别结果后，将筛选后的识别结果中交并比大于一定阈值的识别结果进行合并，将两个弱差猪类别标签和两个可信度连接在一起，经过交并比操作后的识别结果为最终识别结果并输出。

Description

一种弱差猪自动检测标记方法和系统
技术领域
本发明涉及养殖技术领域，特别是涉及一种弱差猪自动检测标记方法和系统。
背景技术
随着社会对肉类的需求的不断增加，使得相关进口量和养殖规模在不断扩大。而对于国内养殖人员来说，如何高效养殖，如何实现养殖动物的快速健康生长是其养殖的重要因素。
在我国由于草原面积相对较少，人口基数较少，而且猪的生长速度与其它动物相比较相对较快，使得养猪成为我国主要肉食来源。在生猪的养殖过程中，猪只的存活率以及生长速度很大程度决定了养殖的效率和收益。但是可能会由于一些遗传因素等原因，猪群中会出现一些弱差猪，其身体素质一般较其猪群较差，生长速度较慢，会大大增加养殖投入以及产出，因而猪群中的弱差猪会在很大程度上影响整个猪群的此两项指标。是否可以提前并准确的发现弱差猪，并挑选出来进行单独护理对于猪群的健康成长尤为重要。但是，弱差猪的挑选在传统的纯人工养殖过程中非常依赖于饲养员的经验水平，同一批次的猪群在不同饲养员饲养后的养殖成绩可能存在天差地别。
因此，如何快速、高效、准确的对弱差猪进行标记，是本领域技术人员的工作重点之一。
发明内容
本发明的目的是提供了一种弱差猪自动检测标记方法和系统，实现自动化的弱差猪检测、标记和护理建议，降低饲养过程中对人工和经验的要求。。
为解决上述技术问题，本发明实施例提供了一种弱差猪自动检测标记方法，包括:
S1，对指定栏位的猪只进行拍照并获得猪只照片；
S2，对所述猪只图片通过图像质量判定模型进行质量筛选，获得质量合格照片；
S3，采用目标检测模型对所述质量合格照片进行弱差猪识别，并输出识别结果，所述识别结果包含目标的外接矩形框、弱差猪类别标签、可信度；
S4，根据对各类所述弱差猪的识别效果可信度设定的对应的阈值，对所述目标检测模型计算出的各类弱差猪识别结果进行筛选，并在剔除各类低于各自阈值的弱差猪识别结果后，将筛选后的识别结果中交并比大于一定阈值的识别结果进行合并，将两个弱差猪类别标签和两个可信度连接在一起，经过交并比操作后的识别结果为最终识别结果并输出。
其中，所述S1包括：
在人工模式下收到使用者通过交互设备发送的拍照信号或在自动化模式下摄像头到达指定时间点或位置点时，拍照设备对指定栏位的猪只进行拍照，并获得猪只照片。
其中，所述S2包括：
所述图像质量判定模型为采用ResNet、EfficientNet、VGG中任意一种构建分类模型。
其中，所述目标检测模型为采用SSD、YOLO系列、RCNN系列在内的任意一种构建的目标检测或实例分割模型。
其中，在所述S4之后，还包括：
对检测出的所述弱差猪根据所述最终识别结果进行不同颜色的物理标记。
其中，在所述S4之后，还包括：
获取所述最终识别结果对应所述弱差猪所在的栏位信息以及所述弱差猪对应的个体信息，匹配数据库中同一栏位或同一猪只的历史数据，并将当前所述最终识别结果与历史数据进行对比分析获得猪群健康状况趋势结果；
根据所述猪群健康状况趋势结果以及所述最终识别结果对应的弱差猪类型形成猪群管理建议输出。
其中，在所述S4之后，还包括：
采用可视化设备显示所述弱差猪的物理标记、所述猪群健康趋势以及所述猪群管理建议。
除此之外，本申请实施例还提供了一种弱差猪自动检测标记系统，包括：
感知模块，用于对指定栏位的猪只进行拍照并获得猪只照片；
计算模块，用于在接收所述猪只照片后对所述猪只图片进行质量筛选，获得质量合格照片，采用目标检测模型对所述质量合格照片进行弱差猪识别，并输出识别结果，所述识别结果包含目标的外接矩形框、弱差猪类别标签、可信度，根据对各类所述弱差猪的识别效果可信度设定的对应的阈值，对所述目标检测模型计算出的各类弱差猪识别结果进行筛选，并在剔除各类低于各自阈值的弱差猪识别结果后，将筛选后的识别结果中交并比大于一定阈值的识别结果进行合并，将两个弱差猪类别标签和两个可信度连接在一起，经过交并比操作后的识别结果为最终识别结果并输出。
其中，还包括与所述计算模块连接的执行模块、分析模块以及可视化模块，所述执行模块采用标记工具依据所述最终识别结果对所述弱差猪进行不同颜色的物理标记，所述分析模用于分析所述最终识别结果，根据所述最终识别结果对应所述弱差猪所在的栏位信息以及所述弱差猪对应的个体信息，匹配数据库中同一栏位或同一猪只的历史数据，并将当前所述最终识别结果与历史数据进行对比分析获得猪群健康状况趋势结果，并根据所述猪群健康状况趋势结果以及所述最终识别结果对应的弱差猪类型形成猪群管理建议输出，所述可视化模块用于采用可视化设备显示所述弱差猪的物理标记、所述猪群健康趋势以及所述猪群管理建议。
本发明实施例所提供的弱差猪自动检测标记方法和系统，与现有技术相比，具有以下优点：
本发明实施例提供的弱差猪自动检测标记方法和系统，通过在对指定栏位的猪只进行拍照并获得猪只照片后，采用图像质量判定模型进行质量筛选，获得质量合格照片；采用目标检测模型对所述质量合格照片进行弱差猪识别，并输出识别结果，对所述目标检测模型计算出的各类弱差猪识别结果进行筛选，并在剔除各类低于各自阈值的弱差猪识别结果后，将筛选后的识别结果中交并比大于一定阈值的识别结果进行合并，将两个弱差猪类别标签和两个可信度连接在一起，经过交并比操作后的识别结果为最终识别结果并输出，实现自动化的弱差猪检测、标记和护理建议，降低饲养过程中对人工和经验的要求。
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，下面描述中的附图是本发明的一些实施例，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，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的弱差猪自动检测标记方法的一种具体实施方式的步骤流程示意图；
图2为本发明实施例提供的弱差猪自动检测标记方法的一种具体实施方式的结构示意图。
具体实施方式
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。
请参考图1-2，图1为本发明实施例提供的弱差猪自动检测标记方法的一种具体实施方式的步骤流程示意图；图2为本发明实施例提供的弱差猪自动检测标记方法的一种具体实施方式的结构示意图。
在一种具体实施方式中，所述弱差猪自动检测标记方法，包括:
S1，对指定栏位的猪只进行拍照并获得猪只照片；
S2，对所述猪只图片通过图像质量判定模型进行质量筛选，获得质量合格照片；
S3，采用目标检测模型对所述质量合格照片进行弱差猪识别，并输出识别结果，所述识别结果包含目标的外接矩形框、弱差猪类别标签、可信度；
S4，根据对各类所述弱差猪的识别效果可信度设定的对应的阈值，对所述目标检测模型计算出的各类弱差猪识别结果进行筛选，并在剔除各类低于各自阈值的弱差猪识别结果后，将筛选后的识别结果中交并比大于一定阈值的识别结果进行合并，将两个弱差猪类别标签和两个可信度连接在一起，经过交并比操作后的识别结果为最终识别结果并输出。
通过实现自动化的弱差猪检测、标记和护理建议，降低饲养过程中对人工和经验的要。
本申请中对于获得猪只照片的方式不做限定，一个实施例中，所述S1包括：
在人工模式下收到使用者通过交互设备发送的拍照信号或在自动化模式下摄像头到达指定时间点或位置点时，拍照设备对指定栏位的猪只进行拍照，并获得猪只照片。
本申请实现自动化的弱差猪检测标记。可识别猪只生长过程中出现的各种情况，包括精神沉郁、离群独卧、消瘦、掉队、弓背、发白、发红、皮炎、毛耸、猪丹毒、蓝耳、发绀、死猪、疝气、精神异常。并形成相应的处理意见，不再依赖于饲养员的经验，提升猪群成活率、生猪养殖效率并且有利于生产规模的快速扩展。
此外，本发明可适用于多种角度拍摄的图片，包括上方位、侧方位，以及多种拍摄设备，包括摄像头、手机、相机。为使用者提供更好的鲁棒性和普适性。自动化的弱差猪检测标记，不再依赖于饲养员的经验，提升猪群成活率、生猪养殖效率并且有利于生产规模的快速扩展。并且减少饲养员进入饲养单元的次数，保障生物安全。
掉队：猪群中的猪只体型明显小于猪群整体平均体型。
弓背：猪只的脊背明显变型，背部弓起。
毛耸：猪只的体毛变长遮挡体表。
皮炎：猪只患有皮肤病。
离群独卧：远离猪群独卧，不与大群在一起，精神状态与卧姿差。
精神沉郁：眼睛无神，眼睑脏。耳朵靠颈部竖立向后成一条直线或耳朵耷拉，无精打采。用于观测主群的整体活跃度。
发绀：是指血液中去氧血红蛋白增多使皮肤和粘膜呈青紫色改变的一种表现。
猪丹毒：由猪丹毒丝菌(E.rhusiopathiae)引起的一种急性、热性人畜共患传染病。
蓝耳：症状特征耳朵发绀。
本申请中在获得猪只照片后进行初步筛选，如图片出现模糊、伪影等严重影响图片的问题，说明无效，需要让使用者重新拍照。如照片合格，则会将照片送入检测模型进行弱差猪识别。
本申请中采用图像质量判定模型进行照片质量判断，对于模型的构建以及训练方式不做限定，所述S2包括：
所述图像质量判定模型为采用ResNet、EfficientNet、VGG中任意一种构建分类模型。
一个实施例中，此处筛选算法基于Resnet开源项目，使用内部标注的图像品质数据集进行训练所得到可以判定图像质量的Resnet分类模型。
本申请采用目标检测模型进行目标筛选，对于模型的构建以及检测方式以及对应的阈值不做限定，所述目标检测模型为采用SSD、YOLO系列、RCNN系列在内的任意一种构建的目标检测或实例分割模型。
在一个实施例中，基于Scaled-YOLOv4开源项目，使用内部标注的弱差猪数据集进行训练所得到可以识别弱差猪的的Scaled-YOLOv4目标检测模型。根据系统测试期间对各类弱差猪的识别效果可信度设定各类对应的阈值，使用此阈值通过可信度对模型计算出的各类弱差猪识别结果进行筛选，剔除各类低于各自阈值的弱差猪识别结果。并将筛选后的识别结果中交并比大于一定阈值的识别结果进行合并。交并比的含义为两个区域的交集与此两个区域的并集的比值，交并比公式如下：
Figure BDA0003166623240000071
交并比IOU越大，说明此A、B两个区域的重合度越高。所以当两个识别结果的交并比高于一定阈值时，说明该识别结果对应的弱差猪出现了一种以上造成弱差的原因，因此进行识别结果的合并，合并方式为两个目标外接矩形框合成一个、两个弱差猪类别标签和两个可信度连接在一起。经过交并比操作后的识别结果为最终识别结果。
本申请在完成弱差猪检测之后，为了方便管理，在一个实施例中，在所述S4之后，还包括：
对检测出的所述弱差猪根据所述最终识别结果进行不同颜色的物理标记。
本申请采用喷枪或其他标记工具进行颜色标记，而且标记位置可以在耳朵、臀部、颈部等部位，本申请对此不作限定。
为了进一步提高管理效率，在一个实施例中，在所述S4之后，还包括：
获取所述最终识别结果对应所述弱差猪所在的栏位信息以及所述弱差猪对应的个体信息，匹配数据库中同一栏位或同一猪只的历史数据，并将当前所述最终识别结果与历史数据进行对比分析获得猪群健康状况趋势结果；
根据所述猪群健康状况趋势结果以及所述最终识别结果对应的弱差猪类型形成猪群管理建议输出。
如是在自动化模式下，则根据当前的位置点、时间点以及拍摄角度，自动匹配数据库中的历史数据，进行猪群健康状况趋势分析。此外，根据弱差猪识别结果，在图片中标记出图中弱差猪个体。并根据趋势分析结果以及弱差猪类型形成猪群管理建议。
比如，1)出现大量消瘦弱差猪说明饲料供给出现问题，将提示饲养员及时补料。2)出现大量精神沉郁弱差猪和少量发红弱差猪，说明该栏位可能存在疫病风险，将提示饲养员及时进行药物控制并进行栏位隔离。3)猪群中出现掉队弱差猪，将提示饲养员从猪群中挑出该弱差猪进行单独护理。将趋势分析结果、猪群管理建议和标记后的图片发送控制台。
本申请中对猪群整体的健康状况以及趋势进行分析，包括某一时间范围内弱差猪的数量、类型分布、栏位分布的情况，形成报表，同时针对不同种类的弱差猪形成相应的处理建议。将分析处理结果报表、标记后的图像以及处理建议输出，能够根据这些数据获得更精准的操作，提高养殖效率。
更进一步，在所述S4之后，还包括：
采用可视化设备显示所述弱差猪的物理标记、所述猪群健康趋势以及所述猪群管理建议。
通过采用可视化设备进行显示，提高了管理效率，可以采用大型显示屏、监控器等进行显示。
除此之外，本申请实施例还提供了一种弱差猪自动检测标记系统，包括：
感知模块10，用于对指定栏位的猪只进行拍照并获得猪只照片；
计算模块20，用于在接收所述猪只照片后对所述猪只图片进行质量筛选，获得质量合格照片，采用目标检测模型对所述质量合格照片进行弱差猪识别，并输出识别结果，所述识别结果包含目标的外接矩形框、弱差猪类别标签、可信度，根据对各类所述弱差猪的识别效果可信度设定的对应的阈值，对所述目标检测模型计算出的各类弱差猪识别结果进行筛选，并在剔除各类低于各自阈值的弱差猪识别结果后，将筛选后的识别结果中交并比大于一定阈值的识别结果进行合并，将两个弱差猪类别标签和两个可信度连接在一起，经过交并比操作后的识别结果为最终识别结果并输出。
由于所述弱差猪自动检测标记系统为上述的弱差猪自动检测标记方法对应的系统，具有相同的有益效果，本申请对此不作赘述。
为了进一步提高管理效率，在一个实施例中，所述弱差猪自动检测标记系统还包括与所述计算模块20连接的执行模块、分析模块以及可视化模块，所述执行模块采用标记工具依据所述最终识别结果对所述弱差猪进行不同颜色的物理标记，所述分析模用于分析所述最终识别结果，根据所述最终识别结果对应所述弱差猪所在的栏位信息以及所述弱差猪对应的个体信息，匹配数据库中同一栏位或同一猪只的历史数据，并将当前所述最终识别结果与历史数据进行对比分析获得猪群健康状况趋势结果，并根据所述猪群健康状况趋势结果以及所述最终识别结果对应的弱差猪类型形成猪群管理建议输出，所述可视化模块用于采用可视化设备显示所述弱差猪的物理标记、所述猪群健康趋势以及所述猪群管理建议。
通过执行模块、分析模块以及可视化模块，可以是更加方便的对弱差猪识别和管理，并对相关猪群的的养殖提供更好的建议，并进行相关的养殖流程修改，提高了养殖效率。
综上所述，本发明实施例提供的弱差猪自动检测标记方法和系统，通过在对指定栏位的猪只进行拍照并获得猪只照片后，采用图像质量判定模型进行质量筛选，获得质量合格照片；采用目标检测模型对所述质量合格照片进行弱差猪识别，并输出识别结果，对所述目标检测模型计算出的各类弱差猪识别结果进行筛选，并在剔除各类低于各自阈值的弱差猪识别结果后，将筛选后的识别结果中交并比大于一定阈值的识别结果进行合并，将两个弱差猪类别标签和两个可信度连接在一起，经过交并比操作后的识别结果为最终识别结果并输出，实现自动化的弱差猪检测、标记和护理建议，降低饲养过程中对人工和经验的要求。
以上对本发明所提供的弱差猪自动检测标记方法和系统进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (9)

1.一种弱差猪自动检测标记方法，其特征在于，包括:
S1，对指定栏位的猪只进行拍照并获得猪只照片；
S2，对所述猪只图片通过图像质量判定模型进行质量筛选，获得质量合格照片；
S3，采用目标检测模型对所述质量合格照片进行弱差猪识别，并输出识别结果，所述识别结果包含目标的外接矩形框、弱差猪类别标签、可信度；
S4，根据对各类所述弱差猪的识别效果可信度设定的对应的阈值，对所述目标检测模型计算出的各类弱差猪识别结果进行筛选，并在剔除各类低于各自阈值的弱差猪识别结果后，将筛选后的识别结果中交并比大于一定阈值的识别结果进行合并，将两个弱差猪类别标签和两个可信度连接在一起，经过交并比操作后的识别结果为最终识别结果并输出。
2.如权利要求1所述弱差猪自动检测标记方法和系统，其特征在于，所述S1包括：
在人工模式下收到使用者通过交互设备发送的拍照信号或在自动化模式下摄像头到达指定时间点或位置点时，拍照设备对指定栏位的猪只进行拍照，并获得猪只照片。
3.如权利要求2所述弱差猪自动检测标记方法，其特征在于，所述S2包括：
所述图像质量判定模型为采用ResNet、EfficientNet、VGG中任意一种构建分类模型。
4.如权利要求3所述弱差猪自动检测标记方法，其特征在于，所述目标检测模型为采用SSD、YOLO系列、RCNN系列在内的任意一种构建的目标检测或实例分割模型。
5.如权利要求4所述弱差猪自动检测标记方法，其特征在于，在所述S4之后，还包括：
对检测出的所述弱差猪根据所述最终识别结果进行不同颜色的物理标记。
6.如权利要求5所述弱差猪自动检测标记方法，其特征在于，在所述S4之后，还包括：
获取所述最终识别结果对应所述弱差猪所在的栏位信息以及所述弱差猪对应的个体信息，匹配数据库中同一栏位或同一猪只的历史数据，并将当前所述最终识别结果与历史数据进行对比分析获得猪群健康状况趋势结果；
根据所述猪群健康状况趋势结果以及所述最终识别结果对应的弱差猪类型形成猪群管理建议输出。
7.如权利要求6所述弱差猪自动检测标记方法，其特征在于，在所述S4之后，还包括：
采用可视化设备显示所述弱差猪的物理标记、所述猪群健康趋势以及所述猪群管理建议。
8.一种弱差猪自动检测标记系统，其特征在于，包括：
感知模块，用于对指定栏位的猪只进行拍照并获得猪只照片；
计算模块，用于在接收所述猪只照片后对所述猪只图片进行质量筛选，获得质量合格照片，采用目标检测模型对所述质量合格照片进行弱差猪识别，并输出识别结果，所述识别结果包含目标的外接矩形框、弱差猪类别标签、可信度，根据对各类所述弱差猪的识别效果可信度设定的对应的阈值，对所述目标检测模型计算出的各类弱差猪识别结果进行筛选，并在剔除各类低于各自阈值的弱差猪识别结果后，将筛选后的识别结果中交并比大于一定阈值的识别结果进行合并，将两个弱差猪类别标签和两个可信度连接在一起，经过交并比操作后的识别结果为最终识别结果并输出。
9.如权利要求8所述弱差猪自动检测标记方法，其特征在于，还包括与所述计算模块连接的执行模块、分析模块以及可视化模块，所述执行模块采用标记工具依据所述最终识别结果对所述弱差猪进行不同颜色的物理标记，所述分析模用于分析所述最终识别结果，根据所述最终识别结果对应所述弱差猪所在的栏位信息以及所述弱差猪对应的个体信息，匹配数据库中同一栏位或同一猪只的历史数据，并将当前所述最终识别结果与历史数据进行对比分析获得猪群健康状况趋势结果，并根据所述猪群健康状况趋势结果以及所述最终识别结果对应的弱差猪类型形成猪群管理建议输出，所述可视化模块用于采用可视化设备显示所述弱差猪的物理标记、所述猪群健康趋势以及所述猪群管理建议。
CN202110806700.XA 2021-07-16 2021-07-16 一种弱差猪自动检测标记方法和系统 Pending CN113537064A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110806700.XA CN113537064A (zh) 2021-07-16 2021-07-16 一种弱差猪自动检测标记方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110806700.XA CN113537064A (zh) 2021-07-16 2021-07-16 一种弱差猪自动检测标记方法和系统

Publications (1)

Publication Number Publication Date
CN113537064A true CN113537064A (zh) 2021-10-22

Family

ID=78128459

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110806700.XA Pending CN113537064A (zh) 2021-07-16 2021-07-16 一种弱差猪自动检测标记方法和系统

Country Status (1)

Country Link
CN (1) CN113537064A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114543674A (zh) * 2022-02-22 2022-05-27 成都睿畜电子科技有限公司 一种基于图像识别的检测方法及系统
CN117011804A (zh) * 2023-09-28 2023-11-07 厦门农芯数字科技有限公司 高精度猪场栋舍盘估方法、系统、设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110532985A (zh) * 2019-09-02 2019-12-03 北京迈格威科技有限公司 目标检测方法、装置及系统
CN110688994A (zh) * 2019-12-10 2020-01-14 南京甄视智能科技有限公司 基于交并比的多模型融合的人脸检测方法、装置与计算机可读取存储介质
CN111860203A (zh) * 2020-06-28 2020-10-30 北京小龙潜行科技有限公司 基于图像和音频混合的异常猪只识别装置、系统和方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110532985A (zh) * 2019-09-02 2019-12-03 北京迈格威科技有限公司 目标检测方法、装置及系统
CN110688994A (zh) * 2019-12-10 2020-01-14 南京甄视智能科技有限公司 基于交并比的多模型融合的人脸检测方法、装置与计算机可读取存储介质
CN111860203A (zh) * 2020-06-28 2020-10-30 北京小龙潜行科技有限公司 基于图像和音频混合的异常猪只识别装置、系统和方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王默宣: "面向智慧养殖的物联网云平台的设计与实现", 《中国优秀硕士学位论文全文数据库 (农业科技辑)》, 15 April 2021 (2021-04-15), pages 5 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114543674A (zh) * 2022-02-22 2022-05-27 成都睿畜电子科技有限公司 一种基于图像识别的检测方法及系统
CN114543674B (zh) * 2022-02-22 2023-02-07 成都睿畜电子科技有限公司 一种基于图像识别的检测方法及系统
CN117011804A (zh) * 2023-09-28 2023-11-07 厦门农芯数字科技有限公司 高精度猪场栋舍盘估方法、系统、设备及存储介质
CN117011804B (zh) * 2023-09-28 2023-12-26 厦门农芯数字科技有限公司 高精度猪场栋舍盘估方法、系统、设备及存储介质

Similar Documents

Publication Publication Date Title
CN110839557B (zh) 母猪发情监测方法、装置、系统、电子设备及存储介质
CN109255297B (zh) 动物状态监测方法、终端设备、存储介质及电子设备
CN110598658B (zh) 一种母猪哺乳行为的卷积网络识别方法
CN113537064A (zh) 一种弱差猪自动检测标记方法和系统
CN108198167B (zh) 一种基于机器视觉的烧伤智能检测识别装置及方法
WO2021104007A1 (zh) 一种动物状态监测方法、装置、电子设备及存储介质
WO2020133560A1 (zh) 基于大数据技术的家畜智能化养殖管理系统及方法
CN107992903A (zh) 牲畜身份识别方法、装置、存储介质和电子设备
WO2021208407A1 (zh) 目标物检测方法、装置和图像采集方法、装置
CN112288793B (zh) 畜类个体背膘检测方法、装置、电子设备及存储介质
Gan et al. Automated detection and analysis of piglet suckling behaviour using high-accuracy amodal instance segmentation
CN116778430A (zh) 肉牛养殖的疾病监测系统及其方法
CN114898405B (zh) 基于边缘计算的便携式肉鸡异常监测系统
CN110456050B (zh) 便携式智能数字化寄生虫体外诊断仪
CN116295022A (zh) 一种基于深度学习多参数融合的猪只体尺测量方法
CN109949272B (zh) 识别皮肤病种类采集人体皮肤图片的数据采集方法及系统
Luo et al. Detection and quantification of cotton trichomes by deep learning algorithm
CN111062929B (zh) 一种软件设计畜禽疾病图片的智能分析诊断系统
CN117351404A (zh) 一种奶牛分娩应激程度判识方法及系统
CN117029673A (zh) 一种基于人工智能实现的鱼类体表多尺寸测量方法
Hu et al. Parallel channel and position attention-guided feature pyramid for pig face posture detection.
Zhou et al. Detection of abnormal chicken droppings based on improved Faster R-CNN
CN116543462A (zh) 基于视频骨骼的奶牛行为识别判断奶牛健康状况的方法
CN111077153A (zh) 一种多功能精子质量分析系统
Wang et al. Automatic identification and analysis of multi-object cattle rumination based on computer vision

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20211022