CN113705528A - 一种时间预测方法、装置、存储介质及电子设备 - Google Patents

一种时间预测方法、装置、存储介质及电子设备 Download PDF

Info

Publication number
CN113705528A
CN113705528A CN202111049733.0A CN202111049733A CN113705528A CN 113705528 A CN113705528 A CN 113705528A CN 202111049733 A CN202111049733 A CN 202111049733A CN 113705528 A CN113705528 A CN 113705528A
Authority
CN
China
Prior art keywords
preset
image
video information
frame image
duration
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
CN202111049733.0A
Other languages
English (en)
Inventor
房建东
刘天舒
赵于东
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.)
Inner Mongolia University of Technology
Original Assignee
Inner Mongolia University of Technology
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 Inner Mongolia University of Technology filed Critical Inner Mongolia University of Technology
Priority to CN202111049733.0A priority Critical patent/CN113705528A/zh
Publication of CN113705528A publication Critical patent/CN113705528A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/048—Fuzzy inferencing
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Fuzzy Systems (AREA)
  • Evolutionary Computation (AREA)
  • Automation & Control Theory (AREA)
  • Image Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Operations Research (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Primary Health Care (AREA)
  • Game Theory and Decision Science (AREA)

Abstract

本公开提供了一种时间预测方法、装置、存储介质及电子设备，时间预测方法获取预设时间段内的目标区域的视频信息；利用预设算法对视频信息中的每个帧图像进行计算，确定每个帧图像中是否存在预设行为；基于存在预设行为的帧图像对应的时间点确定预设行为的存在时长；在存在时长大于预设时长的情况下，按照预先建立的模糊推理规则，对存在时长以及视频信息的采集时间进行推理，得到一预测时间点和/或预测时间段。本公开针对奶牛所处区域的视频信息确定其发情期，并基于发情期预测其配种时间，无需人为参与，避免了人为经验对结果的影响，提高了预测结果的准确性，并且，自动化程度和预测效率均较高。

Description

一种时间预测方法、装置、存储介质及电子设备
技术领域
本公开涉及预测技术领域，特别涉及一种时间预测方法、装置、存储介质及电子设备。
背景技术
在畜牧业不断发展的过程中，对于如何突破繁殖经济的瓶颈成为亟待解决的问题。例如，奶牛养殖行业中，为了最大程度提高奶牛生产效益，需要较为准确地计算奶牛的发情期和配种期。其中，人工鉴定奶牛发情的方法是通过人工观察、触摸等方式，主要有外部观察法、试情法和直肠检查法，还有一些基于奶牛爬跨行为的尾部蜡笔涂色法、尾根处摩擦激活探测器法等。但，上述方法都存在费时费力的缺点，监测准确率也受到观察者专业素质的制约，而且效率不高。之后大多学者通过体温测量来判断奶牛发情，利用温度传感器和信息技术测温突破了手动测温的局限性，实现了奶牛体温自动测量的突破，但是利用电子传感设备检测奶牛发情体征多数为接触式测量，牛体无毛部位较少，无法牢固固定各类传感器设备，在监测的同时存在接触设备在奶牛活动中易损坏，难以推广，不利于养殖的精准化和自动化。配种期则是直接利用经验进行推算，同样不存在不准确地问题。
因此，亟需一种较为准确的时间预测方法来确定奶牛以及其他动物的发情期和配种期。
发明内容
有鉴于此，本公开实施例的目的在于提供一种时间预测方法、装置、存储介质及电子设备，用于解决现有技术中奶牛以及其他动物的发情期和配种期不准确的问题。
第一方面，本公开实施例提供了一种时间预测方法，其中，包括：
获取预设时间段内的目标区域的视频信息；
利用预设算法对所述视频信息中的每个帧图像进行计算，确定每个所述帧图像中是否存在预设行为；
基于存在所述预设行为的帧图像对应的时间点确定所述预设行为的存在时长；
在所述存在时长大于预设时长的情况下，按照预先建立的模糊推理规则，对所述存在时长以及所述视频信息的采集时间进行推理，得到一预测时间点和/或预测时间段。
在一种可能的实施方式中，所述利用预设算法对所述视频信息中的每个帧图像进行计算，确定每个所述帧图像中是否存在预设行为，包括：
针对每个所述帧图像进行去噪处理，得到第一图像；
对所述第一图像中的对象及背景进行区分，得到第二图像；
根据预设形状，识别所述第二图像中是否存在所述预设行为。
在一种可能的实施方式中，所述对所述第一图像中的对象及背景进行区分，得到第二图像，包括：
利用高斯混合模型对所述第一图像进行背景建模，以提取所述对象；
对所述对象进行填充以及连通域去除，得到第二图像。
在一种可能的实施方式中，所述根据预设形状，识别所述第二图像中是否存在所述预设行为，包括：
在所述第二图像中标注出每个所述对象对应的子图像；
根据所述预设形状，利用体征提取算法提取每个所述子图像的几何特征；其中，所述几何特征包括周长、圆形度、长宽比以及质心坐标；
基于所述周长、所述圆形度、所述长宽比以及所述质心坐标，确定所述子图像中是否存在所述预设行为。
第二方面，本公开实施例还提供了一种时间预测装置，其包括：
获取模块，其配置为获取预设时间段内的目标区域的视频信息；
第一确定模块，其配置为利用预设算法对所述视频信息中的每个帧图像进行计算，确定每个所述帧图像中是否存在预设行为；
第二确定模块，其配置为基于存在所述预设行为的帧图像对应的时间点确定所述预设行为的存在时长；
推理模块，其配置为在所述存在时长大于预设时长的情况下，按照预先建立的模糊推理规则，对所述存在时长以及所述视频信息的采集时间进行推理，得到一预测时间点和/或预测时间段。
在一种可能的实施方式中，所述第一确定模块包括：
处理单元，其配置为针对每个所述帧图像进行去噪处理，得到第一图像；
区分单元，其配置为对所述第一图像中的对象及背景进行区分，得到第二图像；
识别单元，其配置为根据预设形状，识别所述第二图像中是否存在所述预设行为。
在一种可能的实施方式中，所述区分单元具体配置为：
利用高斯混合模型对所述第一图像进行背景建模，以提取所述对象；
对所述对象进行填充以及连通域去除，得到第二图像。
在一种可能的实施方式中，所述识别单元具体配置为：
在所述第二图像中标注出每个所述对象对应的子图像；
根据所述预设形状，利用体征提取算法提取每个所述子图像的几何特征；其中，所述几何特征包括周长、圆形度、长宽比以及质心坐标；
基于所述周长、所述圆形度、所述长宽比以及所述质心坐标，确定所述子图像中是否存在所述预设行为。
第三方面，本公开实施例还提供了一种存储介质，其中，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如下步骤：
获取预设时间段内的目标区域的视频信息；
利用预设算法对所述视频信息中的每个帧图像进行计算，确定每个所述帧图像中是否存在预设行为；
基于存在所述预设行为的帧图像对应的时间点确定所述预设行为的存在时长；
在所述存在时长大于预设时长的情况下，按照预先建立的模糊推理规则，对所述存在时长以及所述视频信息的采集时间进行推理，得到一预测时间点和/或预测时间段。
第四方面，本公开还提供了一种电子设备，其中，包括：处理器和存储器，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如下步骤：
获取预设时间段内的目标区域的视频信息；
利用预设算法对所述视频信息中的每个帧图像进行计算，确定每个所述帧图像中是否存在预设行为；
基于存在所述预设行为的帧图像对应的时间点确定所述预设行为的存在时长；
在所述存在时长大于预设时长的情况下，按照预先建立的模糊推理规则，对所述存在时长以及所述视频信息的采集时间进行推理，得到一预测时间点和/或预测时间段。
本公开实施例通过对监控对象得到的视频信息进行计算，以确定视频信息中是否存在预设行为，并在确定存在预设行为且存在时长大于预设时长的情况下，按照预先建立的模糊推理规则，以确定对象的预测时间点和/或预测时间段，也即针对奶牛所处区域的视频信息确定其发情期，并基于发情期预测其配种时间，无需人为参与，避免了人为经验对结果的影响，提高了预测结果的准确性，并且，自动化程度和预测效率均较高。
为使本公开的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本公开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公开中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1示出了本公开所提供的时间预测方法的流程图；
图2示出了本公开所提供的时间预测方法中确定每个帧图像中是否存在预设行为的流程图；
图3示出了本公开所提供的时间预测方法中对第一图像中的对象及背景进行区分，得到第二图像的流程图；
图4示出了本公开所提供的时间预测方法中识别第二图像中是否存在预设行为的流程图；
图5示出了本公开所提供的时间预测装置的结构示意图；
图6示出了本公开所提供的电子设备的结构示意图。
具体实施方式
此处参考附图描述本公开的各种方案以及特征。
应理解的是，可以对此处申请的实施例做出各种修改。因此，上述说明书不应该视为限制，而仅是作为实施例的范例。本领域的技术人员将想到在本公开的范围和精神内的其他修改。
包含在说明书中并构成说明书的一部分的附图示出了本公开的实施例，并且与上面给出的对本公开的大致描述以及下面给出的对实施例的详细描述一起用于解释本公开的原理。
通过下面参照附图对给定为非限制性实例的实施例的优选形式的描述，本公开的这些和其它特性将会变得显而易见。
还应当理解，尽管已经参照一些具体实例对本公开进行了描述，但本领域技术人员能够确定地实现本公开的很多其它等效形式，它们具有如权利要求所述的特征并因此都位于借此所限定的保护范围内。
当结合附图时，鉴于以下详细说明，本公开的上述和其他方面、特征和优势将变得更为显而易见。
此后参照附图描述本公开的具体实施例；然而，应当理解，所申请的实施例仅仅是本公开的实例，其可采用多种方式实施。熟知和/或重复的功能和结构并未详细描述以避免不必要或多余的细节使得本公开模糊不清。因此，本文所申请的具体的结构性和功能性细节并非意在限定，而是仅仅作为权利要求的基础和代表性基础用于教导本领域技术人员以实质上任意合适的详细结构多样地使用本公开。
本说明书可使用词组“在一种实施例中”、“在另一个实施例中”、“在又一实施例中”或“在其他实施例中”，其均可指代根据本公开的相同或不同实施例中的一个或多个。
第一方面，为便于对本公开进行理解，首先对本公开所提供的一种时间预测方法进行详细介绍。如图1所示，为本公开实施例提供的时间预测方法具体包括以下步骤：
S101，获取预设时间段内的目标区域的视频信息。
这里，目标区域为对象所在的区域，如奶牛所在的牛场，为了便于监测对象的行为、状态等，在目标区域内设置一个或多个监测设备，如摄像头等，以通过监测设备实时记录目标区域内每个对象的行为、状态等，以得到目标区域内的视频信息。
该预设时间段可以为监测设备进行记录的全部时间段，也可以是其中一个或多个时间段，优选地，在进行计算时，为了减少单次计算的运算量，可以截取全部时间段的视频信息中的一部分作为预设时间段的视频信息以进行单次计算。
S102，利用预设算法对视频信息中的每个帧图像进行计算，确定每个帧图像中是否存在预设行为。
在具体实施中，该预设算法可以为预先训练好的模型，也可以是一系列预先设置的计算步骤计算规则等。
视频信息中包含视频图像、视频图像的大小、视频图像的时长、帧图像、每帧图像对应的采集时间点等，从视频信息中提取帧图像，利用预设算法对视频信息中的每个帧图像进行计算，以确定每个帧图像中是否存在预设行为。其中，帧图像可以是视频中包含的每一个帧图像，还可以是基于筛选规则从视频图像中筛选出的部分帧图像。
对每一个帧图像进行计算，相较于对部分帧图像进行计算，得到预设行为的存在时长这一计算结果会更加准确；对部分帧图像进行计算，相较于对每一个帧图像进行计算，其计算效率较高。在实际应用中，可以根据实际需求确定帧图像以通过计算确定预设行为的存在时长，本申请实施例对此不做具体限定。
S103，基于存在预设行为的帧图像对应的时间点确定预设行为的存在时长。
在确定出每个帧图像中是否存在预设行为之后，查看每个存在预设行为的帧图像对应的时间点，该时间点即为采集到该帧图像的采集时间点。
优选地，将视频信息中第一个帧图像对应的时间点作为基准时间点，从多个时间点中查找与基准时间点之间的时间间隔最短的第一时间点，以及从多个时间点中查找与基准时间点之间的时间间隔最长的第二时间点，计算第一时间点和第二时间点之间产生的时长，该时长即为预设行为的存在时长。
S104，在存在时长大于预设时长的情况下，按照预先建立的模糊推理规则，对存在时长以及视频信息的采集时间进行推理，得到一预测时间点和/或预测时间段。
在本申请实施例中，若确定存在时长小于或等于预设时长，则确定对象处于第一状态，若确定存在时长大于预设时长，则确定对象处于第二状态，以对象为奶牛为例，该预设行为为爬跨行为，若确定存在时长小于或等于预设时长，则确定奶牛处于间情期，若确定存在时长大于预设时长，则确定奶牛处于发情期。值得说明的是，本申请实施例是以奶牛为例进行具体阐述的，但本领域技术人员应知晓地是，其他存在爬跨行为的动物均适用于本申请的方案。
进一步地，在确定存在时长大于预设时长的情况下，也即奶牛处于发情期的情况下，按照预先建立的模糊推理规则，对存在时长以及视频信息的采集时间进行推理，得到一预测时间点和/或预测时间段，其中，在得到该预测时间点和/或预测时间段可以自动调节目标区域内的温度、面积等，以促使对象能够产生相应地行为。
这里，视频信息的采集时间即为产生预设行为的时间点，也即奶牛产生爬跨行为的时间点。利用模糊推理规则对存在时长和采集时间进行计算买得到针对产生预设行为的对象的预测时间。
其中，在进行模糊推理规则的构建时，根据对象的预设行为产生的时间点与存在时长的特性，也即奶牛产生爬跨行为的时间点以及爬跨行为的时长特性，在应用模糊经验知识库建立模糊推理规则时应遵循如下原则：
(1)如果爬跨时长小于第一阈值，且行为产生时间在早间，则无需配种。
(2)如果爬跨时长小于第一阈值，且行为产生时间在午间，则无需配种。
(3)如果爬跨时长小于第一阈值，且行为产生时间在晚间，则无需配种。
(4)如果爬跨时长大于第一阈值且小于第二阈值，且行为产生时间在早间，则在午间进行配种。
(5)如果爬跨时长大于第一阈值且小于第二阈值，且行为产生时间在午间，则在晚间进行配种。
(6)如果爬跨时长大于第一阈值且小于第二阈值，且行为产生时间在晚间，则在早间进行配种。
(7)如果爬跨时长大于第二阈值，且行为产生时间在早间，则在午间进行配种。
(8)如果爬跨时长大于第二阈值，且行为产生时间在午间，则在晚间进行配种。
(9)如果爬跨时长大于第二阈值，且行为产生时间在晚间，则在早间进行配种。
上述记载的第一阈值小于第二阈值，该模糊推理规则的基本属性设定为：“与”运算采用极小运算，“或”运算采用极大运算，蕴涵运算采用极小运算，模糊规则的综合运算采用极大运算，隶属度函数均选择高斯隶属函数，去模糊化采用面积重心法。
当然，还可以基于模糊推理规则建立一个预测模型，并基于大量训练样本对预测模型进行训练，在应用时，将存在时长和采集时间输入至预测模型，预测模型输出预测时间。
具体地，按照图2示出了确定每个帧图像中是否存在预设行为的方法流程图，具体步骤包括S201-S203。
S201，针对每个帧图像进行去噪处理，得到第一图像。
S202，对第一图像中的对象及背景进行区分，得到第二图像。
S203，根据预设形状，识别第二图像中是否存在预设行为。
优选地，在提取到所有的帧图像之后，针对每个帧图像进行去噪处理，得到第一图像，去噪处理可以包括高斯滤波去噪和加权自适应伽马变换增强处理等，当然，还可以包括其他方式，只要能够对帧图像进行噪音去除使得帧图像的信息更加清晰即可。
在得到第一图像之后，对第一图像中的对象及背景进行区分，得到第二图像，具体地，按照图3示出的流程图来对第一图像中的对象及背景进行区分，得到第二图像，具体步骤包括S301和S302。
S301，利用高斯混合模型对第一图像进行背景建模，以提取对象。
S302，对对象进行填充以及连通域去除，得到第二图像。
这里，需要对第一图像进行背景建模和阈值分割及形态学处理，首先以高斯混合模型进行背景建模，以提取对象，该对象即为奶牛；之后，对对象进行填充以及连通域去除，得到第二图像，具体地，对干扰噪声进行大津法(OTSU)阈值分割和两次开闭形态学运算以填充目标空洞，也即将去除掉的属于对象的像素区域进行填充，以确保对象的完整，例如在对帧图像进行去噪处理的过程中以及对第一图像进行背景对象分离(也即提取对象)的过程中，将奶牛的边缘也去除掉了，此时，奶牛不完整，因此需要对对奶牛进行填充以确保奶牛的完整。
同时，还需要对填充之后的第一图像进行连通域去除，具体为基于处理后的视频进行连通域连接及小面积连通域的剔除，设定阈值如5000以下像素连通域进行剔除，例如在进行填充之后可能将水槽、围栏等作为对象进行了填充，因此，需要将面积较小的区域去除，也即将不属于对象的区域去除，以确保第二图像中仅存在对象。
进一步地，根据预设形状，识别第二图像中是否存在预设行为，具体地，按照图4示出的流程图来识别第二图像中是否存在预设行为，具体步骤包括S401-S403。
S401，在第二图像中标注出每个对象对应的子图像。
S402，根据预设形状，利用体征提取算法提取每个子图像的几何特征；其中，几何特征包括周长、圆形度、长宽比以及质心坐标。
S403，基于周长、圆形度、长宽比以及质心坐标，确定子图像中是否存在预设行为。
优选地，采用Canny边缘检测算子进行目标轮廓检测，以对第二图像中的每个对象进行标注，以确定出每个对象对应的子图像。
根据预设形状，利用体征提取算法提取每个子图像的几何特征，其中，几何特征包括周长、圆形度、长宽比以及质心坐标。由于奶牛产生爬跨行为时，也即两头奶牛产生黏连现象，导致两头奶牛形成的预设形状周长相较于一头奶牛形成的形状周长增加，且最小外接矩形更接近于正方形，也即圆形度接近1，而一头奶牛形成的形状为矩形，所以两头奶牛形成的预设形状的长宽比和质心坐标比均会突变，将以上四个特征也即周长、圆形度、长宽比以及质心坐标输入预训练好的支持向量机(SVM)分类器中，以确定子图像中是否存在预设行为，也即确定该子图像中的奶牛是否产生爬跨行为。
其中，本申请实施例设定的预设形状为正方形。
本公开实施例通过对监控对象得到的视频信息进行计算，以确定视频信息中是否存在预设行为，并在确定存在预设行为且存在时长大于预设时长的情况下，按照预先建立的模糊推理规则，以确定对象的预测时间，也即针对奶牛所处区域的视频信息确定其发情期，并基于发情期预测其配种时间，无需人为参与，避免了人为经验对结果的影响，提高了预测结果的准确性，并且，自动化程度和预测效率均较高。
基于同一发明构思，本公开的第二方面还提供了一种与时间预测方法对应的时间预测装置，由于本公开中的装置解决问题的原理与本公开上述时间预测方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
参见图5所示，时间预测装置包括：
获取模块501，其配置为获取预设时间段内的目标区域的视频信息；
第一确定模块502，其配置为利用预设算法对所述视频信息中的每个帧图像进行计算，确定每个所述帧图像中是否存在预设行为；
第二确定模块503，其配置为基于存在所述预设行为的帧图像对应的时间点确定所述预设行为的存在时长；
推理模块504，其配置为在所述存在时长大于预设时长的情况下，按照预先建立的模糊推理规则，对所述存在时长以及所述视频信息的采集时间进行推理，得到一预测时间点和/或预测时间段。
在另一实施例中，所述第一确定模块502包括：
处理单元，其配置为针对每个所述帧图像进行去噪处理，得到第一图像；
区分单元，其配置为对所述第一图像中的对象及背景进行区分，得到第二图像；
识别单元，其配置为根据预设形状，识别所述第二图像中是否存在所述预设行为。
在另一实施例中，所述区分单元具体配置为：
利用高斯混合模型对所述第一图像进行背景建模，以提取所述对象；
对所述对象进行填充以及连通域去除，得到第二图像。
在另一实施例中，所述识别单元具体配置为：
在所述第二图像中标注出每个所述对象对应的子图像；
根据所述预设形状，利用体征提取算法提取每个所述子图像的几何特征；其中，所述几何特征包括周长、圆形度、长宽比以及质心坐标；
基于所述周长、所述圆形度、所述长宽比以及所述质心坐标，确定所述子图像中是否存在所述预设行为。
本公开实施例通过对监控对象得到的视频信息进行计算，以确定视频信息中是否存在预设行为，并在确定存在预设行为且存在时长大于预设时长的情况下，按照预先建立的模糊推理规则，以确定对象的预测时间，也即针对奶牛所处区域的视频信息确定其发情期，并基于发情期预测其配种时间，无需人为参与，避免了人为经验对结果的影响，提高了预测结果的准确性，并且，自动化程度和预测效率均较高。
本公开的第三方面还提供了一种存储介质，该存储介质为计算机可读介质，存储有计算机程序，该计算机程序被处理器执行时实现本公开任意实施例提供的方法，包括如下步骤：
S11，获取预设时间段内的目标区域的视频信息；
S12，利用预设算法对所述视频信息中的每个帧图像进行计算，确定每个所述帧图像中是否存在预设行为；
S13，基于存在所述预设行为的帧图像对应的时间点确定所述预设行为的存在时长；
S14，在所述存在时长大于预设时长的情况下，按照预先建立的模糊推理规则，对所述存在时长以及所述视频信息的采集时间进行推理，得到一预测时间点和/或预测时间段。
计算机程序被处理器执行利用预设算法对所述视频信息中的每个帧图像进行计算，确定每个所述帧图像中是否存在预设行为时，还具体被处理器执行如下步骤：针对每个所述帧图像进行去噪处理，得到第一图像；对所述第一图像中的对象及背景进行区分，得到第二图像；根据预设形状，识别所述第二图像中是否存在所述预设行为。
计算机程序被处理器执行对所述第一图像中的对象及背景进行区分，得到第二图像时，具体被处理器执行如下步骤：利用高斯混合模型对所述第一图像进行背景建模，以提取所述对象；对所述对象进行填充以及连通域去除，得到第二图像。
计算机程序被处理器执行根据预设形状，识别所述第二图像中是否存在所述预设行为时，还被处理器执行如下步骤：在所述第二图像中标注出每个所述对象对应的子图像；根据所述预设形状，利用体征提取算法提取每个所述子图像的几何特征；其中，所述几何特征包括周长、圆形度、长宽比以及质心坐标；基于所述周长、所述圆形度、所述长宽比以及所述质心坐标，确定所述子图像中是否存在所述预设行为。
本公开实施例通过对监控对象得到的视频信息进行计算，以确定视频信息中是否存在预设行为，并在确定存在预设行为且存在时长大于预设时长的情况下，按照预先建立的模糊推理规则，以确定对象的预测时间，也即针对奶牛所处区域的视频信息确定其发情期，并基于发情期预测其配种时间，无需人为参与，避免了人为经验对结果的影响，提高了预测结果的准确性，并且，自动化程度和预测效率均较高。
需要说明的是，本公开上述的存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何存储介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
本公开的第四方面还提供了一种电子设备，如图6所示，该电子设备至少包括存储器601和处理器602，存储器601上存储有计算机程序，处理器602在执行存储器601上的计算机程序时实现本公开任意实施例提供的方法。示例性的，电子设备计算机程序执行的方法如下：
S21，获取预设时间段内的目标区域的视频信息；
S22，利用预设算法对所述视频信息中的每个帧图像进行计算，确定每个所述帧图像中是否存在预设行为；
S23，基于存在所述预设行为的帧图像对应的时间点确定所述预设行为的存在时长；
S24，在所述存在时长大于预设时长的情况下，按照预先建立的模糊推理规则，对所述存在时长以及所述视频信息的采集时间进行推理，得到一预测时间点和/或预测时间段。
处理器在执行存储器上存储的利用预设算法对所述视频信息中的每个帧图像进行计算，确定每个所述帧图像中是否存在预设行为时，还执行如下计算机程序：针对每个所述帧图像进行去噪处理，得到第一图像；对所述第一图像中的对象及背景进行区分，得到第二图像；根据预设形状，识别所述第二图像中是否存在所述预设行为。
处理器在执行存储器上存储的对所述第一图像中的对象及背景进行区分，得到第二图像时，还执行如下计算机程序：利用高斯混合模型对所述第一图像进行背景建模，以提取所述对象；对所述对象进行填充以及连通域去除，得到第二图像。
处理器在执行存储器上存储的根据预设形状，识别所述第二图像中是否存在所述预设行为时，还执行如下计算机程序：在所述第二图像中标注出每个所述对象对应的子图像；根据所述预设形状，利用体征提取算法提取每个所述子图像的几何特征；其中，所述几何特征包括周长、圆形度、长宽比以及质心坐标；基于所述周长、所述圆形度、所述长宽比以及所述质心坐标，确定所述子图像中是否存在所述预设行为。
本公开实施例通过对监控对象得到的视频信息进行计算，以确定视频信息中是否存在预设行为，并在确定存在预设行为且存在时长大于预设时长的情况下，按照预先建立的模糊推理规则，以确定对象的预测时间，也即针对奶牛所处区域的视频信息确定其发情期，并基于发情期预测其配种时间，无需人为参与，避免了人为经验对结果的影响，提高了预测结果的准确性，并且，自动化程度和预测效率均较高。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本邻域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
以上对本公开多个实施例进行了详细说明，但本公开不限于这些具体的实施例，本邻域技术人员在本公开构思的基础上，能够做出多种变型和修改实施例，这些变型和修改都应落入本公开所要求保护的范围之内。

Claims (10)

1.一种时间预测方法，其特征在于，包括：
获取预设时间段内的目标区域的视频信息；
利用预设算法对所述视频信息中的每个帧图像进行计算，确定每个所述帧图像中是否存在预设行为；
基于存在所述预设行为的帧图像对应的时间点确定所述预设行为的存在时长；
在所述存在时长大于预设时长的情况下，按照预先建立的模糊推理规则，对所述存在时长以及所述视频信息的采集时间进行推理，得到一预测时间点和/或预测时间段。
2.根据权利要求1所述的时间预测方法，其特征在于，所述利用预设算法对所述视频信息中的每个帧图像进行计算，确定每个所述帧图像中是否存在预设行为，包括：
针对每个所述帧图像进行去噪处理，得到第一图像；
对所述第一图像中的对象及背景进行区分，得到第二图像；
根据预设形状，识别所述第二图像中是否存在所述预设行为。
3.根据权利要求2所述的时间预测方法，其特征在于，所述对所述第一图像中的对象及背景进行区分，得到第二图像，包括：
利用高斯混合模型对所述第一图像进行背景建模，以提取所述对象；
对所述对象进行填充以及连通域去除，得到第二图像。
4.根据权利要求2所述的时间预测方法，其特征在于，所述根据预设形状，识别所述第二图像中是否存在所述预设行为，包括：
在所述第二图像中标注出每个所述对象对应的子图像；
根据所述预设形状，利用体征提取算法提取每个所述子图像的几何特征；其中，所述几何特征包括周长、圆形度、长宽比以及质心坐标；
基于所述周长、所述圆形度、所述长宽比以及所述质心坐标，确定所述子图像中是否存在所述预设行为。
5.一种时间预测装置，其特征在于，包括：
获取模块，其配置为获取预设时间段内的目标区域的视频信息；
第一确定模块，其配置为利用预设算法对所述视频信息中的每个帧图像进行计算，确定每个所述帧图像中是否存在预设行为；
第二确定模块，其配置为基于存在所述预设行为的帧图像对应的时间点确定所述预设行为的存在时长；
推理模块，其配置为在所述存在时长大于预设时长的情况下，按照预先建立的模糊推理规则，对所述存在时长以及所述视频信息的采集时间进行推理，得到一预测时间点和/或预测时间段。
6.根据权利要求5所述的时间预测装置，其特征在于，所述第一确定模块包括：
处理单元，其配置为针对每个所述帧图像进行去噪处理，得到第一图像；
区分单元，其配置为对所述第一图像中的对象及背景进行区分，得到第二图像；
识别单元，其配置为根据预设形状，识别所述第二图像中是否存在所述预设行为。
7.根据权利要求6所述的时间预测装置，其特征在于，所述区分单元具体配置为：
利用高斯混合模型对所述第一图像进行背景建模，以提取所述对象；
对所述对象进行填充以及连通域去除，得到第二图像。
8.根据权利要求5所述的时间预测装置，其特征在于，所述识别单元具体配置为：
在所述第二图像中标注出每个所述对象对应的子图像；
根据所述预设形状，利用体征提取算法提取每个所述子图像的几何特征；其中，所述几何特征包括周长、圆形度、长宽比以及质心坐标；
基于所述周长、所述圆形度、所述长宽比以及所述质心坐标，确定所述子图像中是否存在所述预设行为。
9.一种存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如下步骤：
获取预设时间段内的目标区域的视频信息；
利用预设算法对所述视频信息中的每个帧图像进行计算，确定每个所述帧图像中是否存在预设行为；
基于存在所述预设行为的帧图像对应的时间点确定所述预设行为的存在时长；
在所述存在时长大于预设时长的情况下，按照预先建立的模糊推理规则，对所述存在时长以及所述视频信息的采集时间进行推理，得到一预测时间点和/或预测时间段。
10.一种电子设备，其特征在于，包括：处理器和存储器，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如下步骤：
获取预设时间段内的目标区域的视频信息；
利用预设算法对所述视频信息中的每个帧图像进行计算，确定每个所述帧图像中是否存在预设行为；
基于存在所述预设行为的帧图像对应的时间点确定所述预设行为的存在时长；
在所述存在时长大于预设时长的情况下，按照预先建立的模糊推理规则，对所述存在时长以及所述视频信息的采集时间进行推理，得到一预测时间点和/或预测时间段。
CN202111049733.0A 2021-09-08 2021-09-08 一种时间预测方法、装置、存储介质及电子设备 Pending CN113705528A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111049733.0A CN113705528A (zh) 2021-09-08 2021-09-08 一种时间预测方法、装置、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111049733.0A CN113705528A (zh) 2021-09-08 2021-09-08 一种时间预测方法、装置、存储介质及电子设备

Publications (1)

Publication Number Publication Date
CN113705528A true CN113705528A (zh) 2021-11-26

Family

ID=78659222

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111049733.0A Pending CN113705528A (zh) 2021-09-08 2021-09-08 一种时间预测方法、装置、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN113705528A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN201684043U (zh) * 2010-05-21 2010-12-29 澳枫(上海)控制技术有限公司 乳牛最佳人工授精时间自动监测设备
CN104320618A (zh) * 2014-10-23 2015-01-28 西北农林科技大学 一种基于行为特征谱联动的犊牛状态监测的装置和方法
CN106818532A (zh) * 2017-01-23 2017-06-13 中国农业大学 一种奶牛发情鉴定系统及鉴定方法
US20180263220A1 (en) * 2014-02-24 2018-09-20 Equus Global Holdings Llc Mobile Animal Surveillance and Distress Monitoring
CN110059781A (zh) * 2019-04-11 2019-07-26 北京信诺必成科技有限公司 奶牛数字化行为识别装置
CN111685060A (zh) * 2020-06-10 2020-09-22 彭东乔 一种基于人工智能对反刍动物发情行为识别的方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN201684043U (zh) * 2010-05-21 2010-12-29 澳枫(上海)控制技术有限公司 乳牛最佳人工授精时间自动监测设备
US20180263220A1 (en) * 2014-02-24 2018-09-20 Equus Global Holdings Llc Mobile Animal Surveillance and Distress Monitoring
CN104320618A (zh) * 2014-10-23 2015-01-28 西北农林科技大学 一种基于行为特征谱联动的犊牛状态监测的装置和方法
CN106818532A (zh) * 2017-01-23 2017-06-13 中国农业大学 一种奶牛发情鉴定系统及鉴定方法
CN110059781A (zh) * 2019-04-11 2019-07-26 北京信诺必成科技有限公司 奶牛数字化行为识别装置
CN111685060A (zh) * 2020-06-10 2020-09-22 彭东乔 一种基于人工智能对反刍动物发情行为识别的方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
DU-MING TSAI等: "A motion and image analysis method for automatic detection of estrus and mating bahavior in cattle", 《COMPUTERS AND ELECTRONICS IN AGRICULTURE》, vol. 104, pages 25 - 31, XP055448272, DOI: 10.1016/j.compag.2014.03.003 *
王凯等: "基于MFO-LSTM的母猪发情行为识别", 《农业工程学报》, vol. 36, no. 14, pages 211 - 219 *
谢忠红等: "基于时序运动特征的奶牛爬跨行为识别研究", 《南京农业大学学报》, vol. 44, no. 01, pages 194 - 200 *

Similar Documents

Publication Publication Date Title
EP3506158A1 (en) Method, apparatus, and device for determining lane line on road
CN109871730A (zh) 一种目标识别方法、装置及监控设备
CN110135231B (zh) 动物面部识别方法、装置、计算机设备和存储介质
CN114494837B (zh) 一种渔业资源的密度智能识别方法及系统
CN111222526B (zh) 一种渔船实时捕捞行为识别方法、装置、设备及存储介质
CN110533950A (zh) 车位使用状况的检测方法、装置、电子设备及存储介质
CN115100512A (zh) 一种海洋经济物种的监测识别捕捞方法、系统及存储介质
CN111950812B (zh) 一种自动识别与预测雨量的方法及其装置
CN113420673B (zh) 垃圾分类方法、装置、设备及存储介质
CN112926541A (zh) 一种睡岗检测方法、装置及相关设备
CN113435355A (zh) 多目标奶牛身份识别方法及系统
Noe et al. Automatic detection and tracking of mounting behavior in cattle using a deep learning-based instance segmentation model
CN116778309A (zh) 残饵监测方法、装置、系统和存储介质
Isa et al. CNN transfer learning of shrimp detection for underwater vision system
CN111325181A (zh) 一种状态监测方法、装置、电子设备及存储介质
CN111178381A (zh) 一种禽蛋估重、图像处理方法及装置
Guo et al. Detecting broiler chickens on litter floor with the YOLOv5-CBAM deep learning model
CN113705528A (zh) 一种时间预测方法、装置、存储介质及电子设备
CN110123484B (zh) 一种牲畜分娩检测方法和装置
CN110363153B (zh) 涉水检测方法、装置、服务器及计算机可读存储介质
CN110738208A (zh) 一种高效的尺度规范化目标检测训练方法
JP6893812B2 (ja) 物体検出装置
CN113376160A (zh) 一种扫地机器人针对动物排泄物的识别及处理方法和装置
CN114742993A (zh) 基于视觉实现COVID-19Ag抗原检测结果识别的方法、装置、处理器及其存储介质
CN111122582B (zh) 一种禽蛋检测方法、图像处理方法及装置

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