CN113724250A - 一种基于双光相机的动物目标计数方法 - Google Patents
一种基于双光相机的动物目标计数方法 Download PDFInfo
- Publication number
- CN113724250A CN113724250A CN202111127058.9A CN202111127058A CN113724250A CN 113724250 A CN113724250 A CN 113724250A CN 202111127058 A CN202111127058 A CN 202111127058A CN 113724250 A CN113724250 A CN 113724250A
- Authority
- CN
- China
- Prior art keywords
- image
- detected
- counting
- column
- model
- 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
- 241001465754 Metazoa Species 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000003062 neural network model Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 5
- 238000001931 thermography Methods 0.000 claims description 28
- 238000001514 detection method Methods 0.000 claims description 22
- 238000012937 correction Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000012986 modification Methods 0.000 claims description 2
- 230000004048 modification Effects 0.000 claims description 2
- 238000002715 modification method Methods 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 241000282898 Sus scrofa Species 0.000 description 21
- 238000012545 processing Methods 0.000 description 5
- 241000282887 Suidae Species 0.000 description 4
- 238000009395 breeding Methods 0.000 description 4
- 230000001488 breeding effect Effects 0.000 description 4
- 230000002354 daily effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000000052 comparative effect Effects 0.000 description 3
- 230000003203 everyday effect Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000003307 slaughter Methods 0.000 description 2
- 208000007407 African swine fever Diseases 0.000 description 1
- 235000005809 Carpobrotus aequilaterus Nutrition 0.000 description 1
- 244000187801 Carpobrotus edulis Species 0.000 description 1
- 235000004550 Disphyma australe Nutrition 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 244000144980 herd Species 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000004279 orbit Anatomy 0.000 description 1
- 238000004091 panning Methods 0.000 description 1
- 230000005622 photoelectricity Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000035935 pregnancy Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30242—Counting objects in image
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
本发明公开了一种基于双光相机的动物目标计数方法，具体为：获取动物栏位图像构建样本库；构建计数模型，计数模型包括用于动物识别的神经网络模型；将样本库输入到神经网络模型中进行训练，得到训练好的神经网络模型；依次获取各栏位的待测图像，每个栏位对应一个待测图像组，每个待测图像组包括n张待测图像；依次将每个栏位对应的2n张待测图像，输入至构建好的计数模型中，得出每个栏位的最终识别结果，统计所有栏位的最终识别结果得到动物目标数量。本发明的有益效果是：本发明特别适用于规模化猪场中的限位栏饲养环境，能够实现更加精准的非接触式规模化舍内猪只盘点。
Description
技术领域
本发明涉及养殖技术领域，特别涉及一种基于双光相机的动物目标计数方法。
背景技术
在生猪养殖过程中，就猪只盘点而言，从产房到妊娠舍，从保育到出栏各个阶段都需要实时统计圈舍内动物数量，便于规模化养殖场跟踪生产信息，调整生产策略，但是传统作业方式为人为统计舍内猪只数量，不仅费时耗力，且猪只数量每天都在变动，有死淘猪，有转舍、转栏猪群，人工记录容易出错。
近年来，随着人工智能技术在养殖行业的兴起，越来越多的企业开始利用物联网、人工智能、大数据等技术来提升生产效率，应用场景包括猪脸识别、疾病检测、猪群行为分析等。而猪只盘点是其中的一项非常有价值的工作，目前常用的非接触式猪只盘点方式为轨道式机器人，通过可见光相机来实时抓拍圈栏猪只，以实现记数目的。但是存在诸多问题，例如：轨道需要在建设猪场时提前规划铺设，这对已建场改造方案提出了巨大挑战；可见光相机受外界光环境影响很大，易造成漏判或误判，这对圈舍盘点动物数量的准确性有较大影响，动物数量统计的不准确将直接关联最后的经济效益。
红外热成像测量技术已被广泛地应用于军事和民用等领域，发挥着不可替代的重要作用，目前市面上常见的热成像设备已具备较高像素清晰度，测温误差±0.5℃，可实现目标检测、记数功能。当前，迫切需要一种可信度高的动物记数方法，获取真实、可靠、可追溯的各项数据，以满足常规生产场景下的应用。
发明内容
为了能够更加精准地对圈舍动物进行目标计数，本发明提供了一种基于双光相机的动物目标计数方法。
为了实现上述发明目的，本发明提供了一种基于双光相机的动物目标计数方法，所述方法包括以下步骤：
步骤S1：获取动物栏位图像构建样本库，以存在动物面部的栏位图像为正样本，以不存在动物面部的栏位图像作为负样本；
步骤S2：构建计数模型，所述计数模型包括用于动物识别的神经网络模型；
步骤S3：将样本库输入到神经网络模型中进行训练，得到训练好的神经网络模型；
步骤S4：依次获取各栏位的待测图像，每个栏位对应一个待测图像组，每个待测图像组包括n张待测图像；
步骤S5：依次将每个栏位对应的2n张待测图像，输入至构建好的计数模型中，得出每个栏位的最终识别结果，统计所有栏位的最终识别结果得到动物目标数量。
其中，所述计数模型还包括连接于所述神经网络模型后端的修正模型，所述修正模型用于修正每个栏位的识别结果并统计出所有栏位的最终识别结果得到动物目标数量；
所述步骤S1获取的样本库包括两个子样本库，分别为可见光图像样本库和热成像图像样本库；
所述步骤S4获取的各栏位对应的待测图像组包括两个子图像组，分别为可见光图像组和热成像图像组，可见光图像组和热成像图像组均包括n张待测图像；
所述步骤S4，同一栏位的待测图像组的所有待测图像均在同一时间段(该时间段优选为1-2s)内获取；且，每个栏位获取待测图像组的时间长度相同。其中，n＜10，优选地，n为2、4或5。
所述计数模型包括两个神经网络模型，分别用于对可见光图像和热成像图像进行识别。
其中，所述步骤S5具体为：
步骤S501：依次将获取的每个栏位对应的待测图像输入至计数模型中，由两个子神经网络模型得出每张待测图像的初检结果，将存在动物面部的待测图像计为1，将不存在动物面部的待测图像计为0；其中，
步骤S502：将同一待测图像组的所有初检结果输入到修正模型中，得到该栏位的最终识别结果；
步骤S503：统计所有栏位的最终识别结果得到动物目标数量。
其中，所述步骤S502中的修正模型通过如下公式(1)实现修正方法，
式中，Pj为第j个栏位的最终识别结果；第j个栏位对应的同一可见光图像组中第i张待测图像的初检结果为Ci；第j个栏位对应的同一红外光图像组中第i张待测图像的初检结果为Ti；β为置信度，β大于0.6且小于神经网络图像算法检测率。
所述步骤S503具体为，通过如下公式(2)实现：
P＝∑Pjj＝1,2,3,...,m 公式(2)。
其中，两个所述子神经网络模型均为YOLOv4神经网络。
优选地，可见光图像样本库和热成像图像样本库、以及待测可见光图像组和热成像图像组，分别是采用可见光相机RealSense D435、红外热成像相机艾睿光电AT600来获取。
优选地，所述步骤S4获取各栏位的待测图像时，可利用智能巡栏车作为载体；且巡栏方法/方式为：从第1纵列横向前进、走S型路线从起点到终点，按照拍摄时间来控制智能巡栏车在栏位前的停止时间。
本发明的有益效果是：本发明特别适用于规模化猪场中的限位栏饲养环境，本发明能够实现更加精准的非接触式规模化舍内猪只盘点，尤其在当下非洲猪瘟盛行严防严控的情况下，非接触式自动测量技术更显得尤为重要，阻断了病毒传播途径，同时本发明为栏舍动物的自动化监控、管理提供了一种新的研究方向。
附图说明
图1为本发明实施例3中智能巡栏车行走路线示意图。
图2为可见光图像中猪头目标检测示意图。
图3为热成像图像中猪头目标检测示意图。
图4为实施例4的流程示意图。
具体实施方式
为能清楚说明本方案的技术特点，下面通过具体实施方式，对本方案进行阐述。
实施例1
本发明实施例提供了一种基于双光相机的动物目标计数方法，具体包括以下步骤：
步骤S1：获取动物栏位图像构建样本库，以存在动物面部或头部的栏位图像为正样本，以不存在动物面部的栏位图像作为负样本；其中，所获取的样本库包括两个子样本库，分别为可见光图像样本库和热成像图像样本库。
步骤S2：构建计数模型，所述计数模型包括两个用于动物识别的神经网络模型，分别用于对可见光图像和热成像图像进行识别，两个神经网络结构模型可优先为YOLOv4神经网络；此外，该计数模型还包括连接于两个所述神经网络模型后端的修正模型，所述修正模型用于修正每个栏位的识别结果并统计出所有栏位的最终识别结果得到动物目标数量；
步骤S3：将样本库输入到神经网络模型中进行训练，得到训练好的神经网络模型；
步骤S4：依次获取各栏位的待测图像，每个栏位对应一个待测图像组，每个待测图像组包括n张待测图像；所获取的各栏位对应的待测图像组包括两个子图像组，分别为可见光图像组和热成像图像组，可见光图像组和热成像图像组均包括n张待测图像；此外，同一栏位的待测图像组的所有待测图像(包括可见光图像和热成像图像)均在同一时间段内获取；且，每个栏位获取待测图像组的时间长度相同；本实施例同一栏位的待测图像组是在1s内连续拍摄得到的。
步骤S5：依次将每个栏位对应的2n张待测图像，输入至构建好的计数模型中，得出每个栏位的最终识别结果，统计所有栏位的最终识别结果得到动物目标数量；其中，该步骤S5具体为：
步骤S501：依次将获取的每个栏位对应的待测图像输入至计数模型中，由两个子神经网络模型得出每张待测图像的初检结果，将存在动物面部的待测图像计为1，将不存在动物面部的待测图像计为0；其中，
步骤S502：将同一待测图像组的所有初检结果输入到修正模型中，得到该栏位的最终识别结果；
所述步骤S502中的修正模型通过如下公式(1)实现修正方法，
式中，Pj为第j个栏位的最终识别结果；第j个栏位对应的同一可见光图像组中第i张待测图像的初检结果为Ci；第j个栏位对应的同一红外光图像组中第i张待测图像的初检结果为Ti；β为置信度，β大于0.6且小于神经网络图像算法检测率；
步骤S503：通过公式(2)统计所有栏位的最终识别结果得到动物目标数量，
P＝∑Pjj＝1,2,3,...,m 公式(2)。
实施例2
在实施例1的基础上，可见光图像样本库和热成像图像样本库、以及待测可见光图像组和热成像图像组，分别是采用可见光相机RealSense D435、红外热成像相机艾睿光电AT600来获取。
实施例3
在实施例1或2的基础上，在实施例1中步骤S4获取各栏位的待测图像时，可利用智能巡栏车(智能巡栏车为现有技术，在此不再赘述)作为载体；且巡栏方法/方式为：从第1纵列横向前进、走S型路线从起点到终点，按照拍摄时间来控制智能巡栏车在栏位前的停止时间。
参见图1，给出了一个具体方案；图1中，栏位分4纵列，每1纵列横向有100个测点(即100个栏位)，智能巡栏车从第1纵列横向前进，走S型路线从起点到终点，每1纵列各测点的猪只图像可见光图像和热成像图像各拍摄至少2张(即可见光图像和红外图像各一张)，每天巡栏1次，智能巡检车可以控制相机每次与猪只之间的拍摄距离一致，拍摄后的图像传输至中控平台对其进行算法层面上的实时处理，将自动生成数据结果报表存储传输至本地电脑端用于进一步分析。
实施例4
在实施例1-3任一项的基础上，本实施例还可采用热成像相机(艾睿光电AT600)，同时捕获动物目标的温度点数据，该本实施例的目标检测算法可在实施例1的基础上，采用基于Windows/Ubuntu+Tensorflow+YOLO4框架，以实现动物头部的精准定位，进一步从定位框中快速捕捉感兴趣的温度特征点(例如：眼眶、耳部、鼻根部的温度)，如图2和图3所示(图2为可见光图像中猪头目标检测示意图，左为原图、右为处理分析的图像；图3为热成像图像中猪头目标检测示意图，左为原图、右为处理分析的图像)。其中，智能巡栏车同时可配备集成的多合一传感器，同步记录栏位测点的环境温度、湿度、风速、二氧化碳等，同动物个体数量、温度情况进行每日、每月的动物日常报表汇总；该动物日常报表的用途之一为分析对应栏位的猪只死淘的诱因。此外，因疾病引起的猪只早期体温上升现象也能通过动物日常报表分析出来，并由专业管理人员做出快速响应，整个操作流程可见图4，该流程主要分为参数初始化、栏位判断、图像获取、图像处理、图像显示，生成数据报表等，其中图像处理流程中的功能主要包括：图像预处理(筛选有效、轮廓清晰图像，图像去噪、增强等)、目标检测(以猪体为例)、提取猪只轮廓特征、参数输出等。数据报表中包括测点环境温度、湿度、风速等参数，还包括当天每次、每日、每周、每月巡检测量的温度数据。通过汇总每日、每月的环境、生理参数等指标可实现自动测量、自动汇总，且关联到每一个个体，可追溯历史数据，真正实现了精准养殖。
测试试验
选取一猪群数量为1000头的栋舍，即m＝1000作为测试目标。
以单一相机、单张拍照来作为唯一待测图像、利用训练好的单一神经网络模型来识别，作为对比例；
以本发明方法作为实施例，具体的：
基于Windows/Ubuntu+Tensorflow+YOLO4框架，搭建计算模型并训练成熟；其中，两个训练好的神经网络模型(分别对应可见光图像识别和热成像图像识别)的识别率达到0.85(即：检测到一只猪存在的概率为85％、15％为误判概率)，后接的修正模型置信度β设为0.7(即：满足大于0.6小于0.85的条件)。
其中，对比例和实施例均可利用同时设有可见光相机(RealSense D435)和红外热成像相机(艾睿光电AT600)的智能巡栏车，实现进行前端图像采集；当对比例采集待测图像时，可仅开启可见光相机或红外热成像相机。
经过多次测试，得出目标计数结果(参见表1)。
表1各测试方法目标计数结果对照表
由表1能够看出，以单一相机、单张拍照来作为唯一待测图像的对比例，其识别率仅在85％左右，考虑原因在于，不仅仅是识别模型自身的算法问题，还在于栏位猪只由于拍摄角度不同，当猪只出现吃食、饮水等不同状态时，会出现猪只头部或面部隐藏或偏斜的情况，因而不能被计数，从而出现误检。而采用本发明的方法，特别是当n为2、4及5以上时(n是指在1s内获取的可见光图像或热成像图像的数量，同一栏位的待测图像总数计为2n)，识别率均高于对比例的方法。此外，考虑计算机的GPU计算能力，不可能拍摄无上限数量的待测图片。结合计算机计算能力及识别率，n优选为2、4或5。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于双光相机的动物目标计数方法，其特征在于，所述方法为：
步骤S1：获取动物栏位图像构建样本库，以存在动物面部的栏位图像为正样本，以不存在动物面部的栏位图像作为负样本；
步骤S2：构建计数模型，所述计数模型包括用于动物识别的神经网络模型；
步骤S3：将样本库输入到神经网络模型中进行训练，得到训练好的神经网络模型；
步骤S4：依次获取各栏位的待测图像，每个栏位对应一个待测图像组，每个待测图像组包括n张待测图像；
步骤S5：依次将每个栏位对应的2n张待测图像，输入至构建好的计数模型中，得出每个栏位的最终识别结果，统计所有栏位的最终识别结果得到动物目标数量。
2.根据权利要求1所述的方法，其特征在于，所述计数模型还包括连接于所述神经网络模型后端的修正模型，所述修正模型用于修正每个栏位的识别结果并统计出所有栏位的最终识别结果得到动物目标数量。
3.根据权利要求1或2所述的方法，其特征在于，所述步骤S1获取的样本库包括两个子样本库，分别为可见光图像样本库和热成像图像样本库。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述步骤S4获取的各栏位对应的待测图像组包括两个子图像组，分别为可见光图像组和热成像图像组，可见光图像组和热成像图像组均包括n张待测图像。
5.根据权利要求4所述的方法，其特征在于，所述步骤S4，同一栏位的待测图像组的所有待测图像均在同一时间段内获取；且，每个栏位获取待测图像组的时间长度相同。
6.根据权利要求1-5任一项所述的方法，其特征在于，所述计数模型包括两个神经网络模型，分别用于对可见光图像和热成像图像进行识别。
7.根据权利要求1-6任一项所述的方法，其特征在于，所述步骤S5具体为：
步骤S501：依次将获取的每个栏位对应的待测图像输入至计数模型中，由两个子神经网络模型得出每张待测图像的初检结果，将存在动物面部的待测图像计为1，将不存在动物面部的待测图像计为0；其中，
步骤S502：将同一待测图像组的所有初检结果输入到修正模型中，得到该栏位的最终识别结果；
步骤S503：统计所有栏位的最终识别结果得到动物目标数量。
8.根据权利要求7所述的方法，其特征在于，所述步骤S502中的修正模型通过如下公式(1)实现修正方法，
式中，Pj为第j个栏位的最终识别结果；第j个栏位对应的同一可见光图像组中第i张待测图像的初检结果为Ci；第j个栏位对应的同一红外光图像组中第i张待测图像的初检结果为Ti；β为置信度，β大于0.6且小于神经网络图像算法检测率。
9.根据权利要求7或8所述的方法，其特征在于，所述步骤S503具体为，通过如下公式(2)实现：
P＝∑Pjj＝1,2,3,...,m 公式(2)。
10.根据权利要求1所述的方法，其特征在于，两个所述子神经网络模型均为YOLOv4神经网络。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111127058.9A CN113724250A (zh) | 2021-09-26 | 2021-09-26 | 一种基于双光相机的动物目标计数方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111127058.9A CN113724250A (zh) | 2021-09-26 | 2021-09-26 | 一种基于双光相机的动物目标计数方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113724250A true CN113724250A (zh) | 2021-11-30 |
Family
ID=78684858
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111127058.9A Pending CN113724250A (zh) | 2021-09-26 | 2021-09-26 | 一种基于双光相机的动物目标计数方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113724250A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115641458A (zh) * | 2022-10-14 | 2023-01-24 | 吉林鑫兰软件科技有限公司 | 用于待统计目标养殖的ai识别系统及银行风控应用 |
| CN115937791A (zh) * | 2023-01-10 | 2023-04-07 | 华南农业大学 | 一种适用于多种养殖模式的家禽计数方法及其计数装置 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109376584A (zh) * | 2018-09-04 | 2019-02-22 | 湖南大学 | 一种用于畜牧业的禽畜数量统计系统和方法 |
| CN111191482A (zh) * | 2018-11-14 | 2020-05-22 | 杭州海康威视数字技术股份有限公司 | 一种刹车灯识别方法、装置及电子设备 |
| WO2020151489A1 (zh) * | 2019-01-25 | 2020-07-30 | 杭州海康威视数字技术股份有限公司 | 基于面部识别的活体检测的方法、电子设备和存储介质 |
| CN111611905A (zh) * | 2020-05-18 | 2020-09-01 | 沈阳理工大学 | 一种可见光与红外融合的目标识别方法 |
| US20200334450A1 (en) * | 2018-01-04 | 2020-10-22 | Hangzhou Hikvision Digital Technology Co., Ltd. | Face liveness detection based on neural network model |
| CN111860390A (zh) * | 2020-07-27 | 2020-10-30 | 西安建筑科技大学 | 一种电梯候梯人数检测统计方法、装置、设备及介质 |
| CN111898581A (zh) * | 2020-08-12 | 2020-11-06 | 成都佳华物链云科技有限公司 | 动物检测方法、装置、电子设备及可读存储介质 |
| CN111986240A (zh) * | 2020-09-01 | 2020-11-24 | 交通运输部水运科学研究所 | 基于可见光和热成像数据融合的落水人员检测方法及系统 |
| CN112163483A (zh) * | 2020-09-16 | 2021-01-01 | 浙江大学 | 一种目标数量检测系统 |
| CN112215070A (zh) * | 2020-09-10 | 2021-01-12 | 佛山聚卓科技有限公司 | 无人机航拍视频车流量统计方法、主机及系统 |
| CN113128481A (zh) * | 2021-05-19 | 2021-07-16 | 济南博观智能科技有限公司 | 一种人脸活体检测方法、装置、设备及存储介质 |
-
2021
- 2021-09-26 CN CN202111127058.9A patent/CN113724250A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200334450A1 (en) * | 2018-01-04 | 2020-10-22 | Hangzhou Hikvision Digital Technology Co., Ltd. | Face liveness detection based on neural network model |
| CN109376584A (zh) * | 2018-09-04 | 2019-02-22 | 湖南大学 | 一种用于畜牧业的禽畜数量统计系统和方法 |
| CN111191482A (zh) * | 2018-11-14 | 2020-05-22 | 杭州海康威视数字技术股份有限公司 | 一种刹车灯识别方法、装置及电子设备 |
| WO2020151489A1 (zh) * | 2019-01-25 | 2020-07-30 | 杭州海康威视数字技术股份有限公司 | 基于面部识别的活体检测的方法、电子设备和存储介质 |
| CN111611905A (zh) * | 2020-05-18 | 2020-09-01 | 沈阳理工大学 | 一种可见光与红外融合的目标识别方法 |
| CN111860390A (zh) * | 2020-07-27 | 2020-10-30 | 西安建筑科技大学 | 一种电梯候梯人数检测统计方法、装置、设备及介质 |
| CN111898581A (zh) * | 2020-08-12 | 2020-11-06 | 成都佳华物链云科技有限公司 | 动物检测方法、装置、电子设备及可读存储介质 |
| CN111986240A (zh) * | 2020-09-01 | 2020-11-24 | 交通运输部水运科学研究所 | 基于可见光和热成像数据融合的落水人员检测方法及系统 |
| CN112215070A (zh) * | 2020-09-10 | 2021-01-12 | 佛山聚卓科技有限公司 | 无人机航拍视频车流量统计方法、主机及系统 |
| CN112163483A (zh) * | 2020-09-16 | 2021-01-01 | 浙江大学 | 一种目标数量检测系统 |
| CN113128481A (zh) * | 2021-05-19 | 2021-07-16 | 济南博观智能科技有限公司 | 一种人脸活体检测方法、装置、设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| GUANGDI ZHENG; XINJIAN WU; YUANYUAN HU; XIAOFEI LIU: ""Object Detection for Low-resolution Infrared Image in Land Battlefield Based on Deep Learning"", 《2019 CHINESE CONTROL CONFERENCE (CCC)》, 17 October 2019 (2019-10-17) * |
| 韩永赛;马时平;何林远;李承昊;朱明明: ""改进YOLOv3的快速遥感机场区域目标检测"", 《西安电子科技大学学报》, 31 August 2021 (2021-08-31) * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115641458A (zh) * | 2022-10-14 | 2023-01-24 | 吉林鑫兰软件科技有限公司 | 用于待统计目标养殖的ai识别系统及银行风控应用 |
| CN115641458B (zh) * | 2022-10-14 | 2023-06-20 | 吉林鑫兰软件科技有限公司 | 用于待统计目标养殖的ai识别系统及银行风控应用方法 |
| CN115937791A (zh) * | 2023-01-10 | 2023-04-07 | 华南农业大学 | 一种适用于多种养殖模式的家禽计数方法及其计数装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107667903B (zh) | 基于物联网的畜牧养殖活体体重监测方法 | |
| CN113724250A (zh) | 一种基于双光相机的动物目标计数方法 | |
| CN208188853U (zh) | 一种奶牛面部识别装置 | |
| CN112580552A (zh) | 一种鼠类行为分析方法及装置 | |
| CN110991222B (zh) | 一种物体状态监测、母猪发情监测方法、装置及系统 | |
| CN114898238B (zh) | 一种野生动物遥感识别方法及装置 | |
| Noe et al. | Automatic detection and tracking of mounting behavior in cattle using a deep learning-based instance segmentation model | |
| CN113743273A (zh) | 基于视频图像目标检测的实时跳绳计数方法、装置和设备 | |
| CN111797831A (zh) | 基于bim和人工智能的家禽进食并行异常检测方法 | |
| CN114898405B (zh) | 基于边缘计算的便携式肉鸡异常监测系统 | |
| CN116824626A (zh) | 一种动物异常状态人工智能识别的方法 | |
| Tonachella et al. | An affordable and easy-to-use tool for automatic fish length and weight estimation in mariculture | |
| CN114581948A (zh) | 一种畜脸识别方法 | |
| CN116563758A (zh) | 狮头鹅监控方法、装置、设备及存储介质 | |
| CN111178172A (zh) | 实验鼠嗅探动作识别方法、模块及系统 | |
| CN112945395A (zh) | 一种基于目标检测的畜禽动物体温评估方法 | |
| CN117029904A (zh) | 一种智能化笼养家禽巡检系统 | |
| CN115661717A (zh) | 牲畜爬跨行为标注方法、装置、电子设备及存储介质 | |
| CN115147782A (zh) | 一种死亡动物识别方法及装置 | |
| CN114022831A (zh) | 一种基于双目视觉的牲畜体况监测方法及系统 | |
| Deng et al. | A real-time sheep counting detection system based on machine learning. | |
| CN107306885A (zh) | 一种大鲵行为的监测方法 | |
| Kawano et al. | Toward building a data-driven system for detecting mounting actions of black beef cattle | |
| Zia et al. | Cvb: A video dataset of cattle visual behaviors | |
| CN114765658B (zh) | 牛蹄病实时监测方法、装置、电子设备和可读存储介质 |
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 |