CN113743261A - 一种猪体外伤的检测方法、装置和可读存储介质 - Google Patents
一种猪体外伤的检测方法、装置和可读存储介质 Download PDFInfo
- Publication number
- CN113743261A CN113743261A CN202110967599.6A CN202110967599A CN113743261A CN 113743261 A CN113743261 A CN 113743261A CN 202110967599 A CN202110967599 A CN 202110967599A CN 113743261 A CN113743261 A CN 113743261A
- Authority
- CN
- China
- Prior art keywords
- trauma
- detection result
- pig body
- detection
- pig
- 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
- 208000014674 injury Diseases 0.000 title claims abstract description 155
- 230000008733 trauma Effects 0.000 title claims abstract description 148
- 238000001514 detection method Methods 0.000 title claims abstract description 133
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000012216 screening Methods 0.000 claims abstract description 35
- 230000008447 perception Effects 0.000 claims abstract description 21
- 238000004519 manufacturing process Methods 0.000 claims abstract description 11
- 241000282898 Sus scrofa Species 0.000 claims description 105
- 238000013145 classification model Methods 0.000 claims description 9
- 230000001629 suppression Effects 0.000 claims description 7
- 238000009395 breeding Methods 0.000 abstract description 12
- 230000001488 breeding effect Effects 0.000 abstract description 12
- 230000004044 response Effects 0.000 abstract description 10
- 241000282887 Suidae Species 0.000 description 12
- 208000027418 Wounds and injury Diseases 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 230000006378 damage Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 244000144980 herd Species 0.000 description 5
- 230000010365 information processing Effects 0.000 description 5
- 239000003814 drug Substances 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 229940079593 drug Drugs 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 241000283690 Bos taurus Species 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000000474 nursing effect Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 208000007407 African swine fever Diseases 0.000 description 1
- 208000035473 Communicable disease Diseases 0.000 description 1
- 241000283086 Equidae Species 0.000 description 1
- 241000287828 Gallus gallus Species 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 241001494479 Pecora Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 238000009318 large scale farming Methods 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 244000144977 poultry Species 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种猪体外伤的检测方法、装置和可读存储介质,所述方法包括获取猪舍中的感知设备的感知信息;将所述感知信息输入猪体外伤检测模型并得到检测结果,所述检测结果包括猪体外伤的目标框、所述目标框对应的猪体外伤类别和置信度;对所述检测结果进行第一级筛选:判断所述检测结果中的目标框是否重叠或部分重叠,若是,去除其中冗余的检测结果;对第一级筛选后的检测结果进行第二级筛选:将所述置信度低于置信度阈值的检测结果去除,以便于得到最终猪体外伤检测结果。利用本发明的方案,可以自动检测出猪舍中的猪体的外伤,有利于加快饲养员的响应速度,以及提升养殖效率和扩展生产规模。
Description
技术领域
本发明涉及计算机视觉技术领域。具体地,本发明涉及一种猪体外伤的检测方法、装置和可读存储介质。
背景技术
在规模化养殖产业中,猪体外伤是衡量一个猪舍单元中的养猪效果的一个重要指标。对于在猪舍中养殖的猪群,轻度的体外伤或许不会直接导致猪只死亡,但是如果不及时进行处理,可能会导致轻度的体外伤进一步恶化,从而增加了感染的风险。轻度的体外伤也可能由于伤口的暴露,成为某些依赖血液传播的传染病(如非洲猪瘟等)的重要传播途径,增加了疫病爆发的风险。同时由于猪的嗜血性,在猪群中的外伤猪会被持续攻击,导致受伤程度加重。鉴于此,饲养员需要在猪群饲养过程中及时对猪群的状态进行观察,并根据经验对存在外伤的猪只进行护理,以减少猪群饲养过程中的损失。
目前传统的外伤猪护理依赖于饲养员的经验和饲养场的场段长、兽医的指导等。饲养员养殖过程中在发现猪舍单元中有外伤猪的时候,需要将外伤猪挑选出来单独护理,并根据兽医师的指导用药。有些严重的外伤猪需要单独分栏护理。有经验的饲养员会在猪群发生体外伤的初期就采取有效措施抑制外伤的增加和扩散,有的饲养员还可以辅助兽医决策用药,但是没有经验的饲养员往往会后知后觉,当猪群产生大量外伤的时候才意识到要人工干预处理,而现场反馈给兽医和兽医批药、指导用药的过程又要延误1-2天,已经错过了治疗的最佳时期。鉴于此,由于饲养员经验的不同,对同一批次的猪群在饲养过程中的处理方式也存在差异,而且不同饲养员的主观能动性也不尽相同,这就导致在不同饲养员饲养后的养殖成绩可能存在很大的差异,不利于生产效率的提升以及生产规模的扩大。
因此,如何实现自动对外伤猪的快速、准确地检测,并加快饲养员的响应速度,对提升养殖效率和扩展生产规模至关重要。
发明内容
为了至少解决上述背景技术部分所描述的技术问题,本发明提出了一种对猪舍中的猪群进行猪体外伤检测的方案。利用本发明的方案,可以在猪舍中快速、准确地确定猪体外伤情况,并对外伤类型进行有效判定,从而有助于饲养员根据外伤猪的情况进行及时处理,有效提升了养殖效率并且有助于扩大养殖规模。
在第一方面中,本发明提供了一种用于对猪体外伤进行检测的检测方法,包括:获取猪舍中的感知设备的感知信息;将所述感知信息输入猪体外伤检测模型并得到检测结果,所述检测结果包括猪体外伤的目标框、所述目标框对应的猪体外伤类别和置信度;对所述检测结果进行第一级筛选:判断所述检测结果中的目标框是否重叠或部分重叠,若是,去除其中冗余的检测结果;对第一级筛选后的检测结果进行第二级筛选:将所述置信度低于置信度阈值的检测结果去除,以便于得到最终猪体外伤检测结果。
在一个实施例中,还包括对所述感知信息筛选的步骤,包括:基于图像质量分类模型对感知信息进行筛选,以获取符合图像质量要求的感知信息。
在一个实施例中,所述第一级筛选包括:基于非极大值抑制算法计算重叠或部分重叠的两个目标框的交并比;以及若所述交并比高于第一阈值,则将所述重叠或部分重叠的两个目标框的其中之一去除或合并所述重叠或部分重叠的两个目标框,以得到新的矩形框。
在一个实施例中,所述第一级筛选还包括:判断重叠或部分重叠的两个目标框的置信度大小,并且保留最大的置信度作为新的矩形框的置信度。
在一个实施例中,所述第二级筛选包括:根据所述猪体外伤检测模型的准确率达到第二阈值时的置信度确定各类猪体外伤的置信度阈值;以及判断所述目标框的置信度是否大于对应猪体外伤类别的置信度阈值,若是,则保留所述目标框对应的检测结果,若否,则去除所述目标框对应的检测结果。
在一个实施例中,还包括:统计场区内各猪舍中各类猪体外伤的数量;计算各类猪体外伤的比例和变化趋势,以便于对生产现场进行指导。
在一个实施例中,所述外伤类别包括新体外伤、旧体外伤、新耳外伤、旧耳外伤、新尾外伤和旧尾猪舍外伤中的一种或多种。
在第二方面中,本发明还提供了一种用于对猪体外伤进行检测的检测装置,包括处理器和存储器;所述存储器存储有计算机指令,当所述计算机指令由所述处理器运行时,使得设备执行前述第一方面的多个实施例中的方法。
在一个实施例中,所述感知设备包括相机、和/或摄像机。
在第三方面中,本发明还提供了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用于对猪体外伤进行检测的计算机可读指令,该计算机可读指令被一个或多个处理器执行时实现前述第一发明的多个实施例中的方法。
利用本发明的上述方案,可以对猪舍中的猪只的外伤情况进行快速、准确地检测。具体来说,通过利用设置在猪舍处的感知设备获取感知信息,从而得到对应猪舍中猪只的情况,将感知信息输入到猪体外伤检测模型后,能够得到初步的检测结果,检测结果中的目标框可以对识别的外伤进行标记,从而确定外伤位置和对应的外伤类别。通过去除冗余的目标框和置信度低于置信度阈值的检测结果,实现了对外伤猪快速、准确地检测。由此,本发明地方案实现了对外伤猪的自动化检测标记,能够加快场区内各类人员的响应速度,缩短响应周期,从而有效提升猪群成活率,并进一步提升生猪养殖效率、促进生产规模地快速扩展。
附图说明
通过参考附图阅读下文的详细描述,本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本发明的若干实施方式,并且相同或对应的标号表示相同或对应的部分,其中:
图1是示意性示出其中应用本发明的用于对猪体外伤进行检测的检测方案的示例性场景的示意图;
图2是示意性示出根据本发明实施例的用于对猪体外伤进行检测的方法的流程图;
图3中是示意性示出根据本发明实施例的对猪体外伤自动检测的检测结果示意图;
图4是示意性示出根据本发明实施例的对检测结果进行第一级筛选的方法的流程图;
图5是示意性示出根据本发明实施例的第一级筛选中去除冗余的目标框的示意图;
图6是示意性示出根据本发明实施例的对检测结果进行第二级筛选的方法的流程图;
图7是示意性示出根据本发明实施例的对检测到的猪体外伤进行进一步分析的方法的流程图;
图8是示意性示出根据本发明实施例的猪体外伤的检测装置的组成示意图。
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。
应当理解,本发明的权利要求、说明书及附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象,而不是用于描述特定顺序。本发明的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的,而并不意在限定本发明。如在本发明说明书和权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。还应当进一步理解,在本发明说明书和权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
随着健康养猪、科学养猪理念的不断深入,饲养场智能化水平也不断提升,各饲养场逐渐致力于打造无人值守的智能化养猪新环境。计算机视觉技术在人脸识别、工业质检、医学影像辅助分析等领域得到了越发广泛地应用,将计算机视觉技术应用于饲养场能够有效推动产能和效率。鉴于此,本发明通过设计猪体外伤的检测方法,结合深度学习和图像处理算法实现了对猪体外伤的检测标记,在得到最终的检测结果后,将猪舍中的猪群的外伤情况直接推送给场段长、线兽医和饲养员,实现无差别、无纰漏的信息共享,加快场区内各个人员的响应速度,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。
下面结合附图来详细描述本发明的具体实施方式。
图1是示意性示出其中应用本发明的猪体外伤的检测方案的示例性场景100的示意图。前述的场景可以包括用于规模化养殖业的各类环境中,例如牲畜饲牧类的圈舍区(例如养猪场、养牛场等)、各类家禽饲养场(例如养鸡场)、经济兽类驯养场等。基于此,可以理解的是图1仅为了示例性的目的而将该场景示出为用于养殖猪群的猪舍。
如图1所示,根据本发明的方案,可以在猪舍中的每个圈舍101处设置用于拍摄猪群活动状态的感知设备102,例如在圈舍的上方位、侧方位或圈舍处的立柱上设置感知设备102,以便于获取猪舍中猪群的信息。在一个实施场景中,如图1中示出了一个猪舍的内部环境图,猪舍中设置有多个圈舍101,每个圈舍101中可以饲养若干只猪,从而实现猪群的规模化饲养。在每个圈舍101的栏位处都设置有一个立柱,可以将感知设备安装于该立柱上,从而方便对圈舍内的猪群的活动情况进行采集。在另一个实施场景中,还可以在猪舍中设置巡检设备对圈舍内的猪群的活动情况进行采集。例如将摄像头搭载在巡检小车上,并在移动过程中依次对圈舍内的情况进行拍摄。在自动化模式下,工作人员可以将感知设备设置成在指定时间对圈舍中猪群的情况进行采集。进一步地,也可以在人工模式下,采用人工在圈舍的走道中利用感知设备对圈舍内的猪群的信息进行采集。可以理解的是,前述猪舍的结构仅是示例性的而非限制性的,本领域技术人员还可以根据场区的分布方式、环境等因素采用其他形式的猪舍结构,例如全部猪舍单元都并列为一排。更进一步地,本实施例中的感知设备可以采用常见的可见光图片采集设备,包括相机、摄像机(图1中以远点示出)、监视器和/或手机等用于拍摄成像的电子设备,其主要目的是获取猪只的图像信息。
在对猪舍中的猪群的信息进行采集得到感知信息后,可以将获取的感知信息传输至本发明的信息处理中心103。在一个应用场景中,此处的信息处理中心103可以实施为计算单元或模块,并且用于执行信息的处理以及可选地对互联的各类设备进行主控操作,例如显示设备、报警设备等。在信息处理中心103的操作中,可以将前述获取的感知信息输入到猪体外伤检测模型并得到检测结果,并对检测结果进行两级筛选,从而得到猪舍中的猪只的外伤情况,以便于饲养员快速响应并做出处理。
以上结合图1对本发明的方案进行了简单的描述,可以理解的是上面的描述仅仅是示例性的而非限制性的,本领域技术人员根据本发明的教导可以对图1中所示场景进行改变而不脱离本发明的精神和实质。例如,可以利用本地计算机作为信息处理中心对前述感知信息进行处理。进一步地,也可以将信息处理中心布置于远端(例如远程服务器、云服务器等)。在该情况下,可以实现对猪舍内的猪群的情况的远程监控。
图2是示意性示出根据本发明实施例的猪体外伤的检测方法100的流程图。可以理解的是图2中所示出的方法流程可以在图1中所示出的示例性场景中实施,因此关于图1所描述内容(例如关于感知设备)也同样适用于图2。
如图2所示,首先,在步骤S101处,获取猪舍中的感知设备的感知信息。在一个应用场景中,利用前述的感知设备可以获取猪舍中猪群的活动信息。例如感知设备可以是设置在圈舍的侧方位的相机,在设定时间对圈舍内部进行拍照,以便于拍摄圈舍内猪群的图片信息。进一步地,为了使获取的感知信息能够还原现场的真实情况,避免使用感知设备的美颜、去噪等功能,否则有些图片与现场存在色差,或出现大范围模糊的情况,都会对识别结果造成一定的干扰,造成检测结果不够准确的问题。更进一步地,还可以对获取的感知信息进行筛选,例如可以对拍摄得到的图片进行筛选,以排除质量较差的信息对检测结果的干扰。
然后,在步骤S102处,将前述感知信息输入猪体外伤检测模型并得到检测结果,前述的检测结果包括猪体外伤的目标框、前述目标框对应的猪体外伤类别和置信度。在一个应用场景中,例如将拍摄到的图片信息输入猪体外伤检测模型所得到的检测结果可以是标记了检测结果的图片,每张图片上可以包括0条、1条或多条检测结果。前述检测结果中每个矩形框对应的信息例如可以按照以下形式给出:[中心点横坐标,中心点纵坐标,宽度,高度,外伤类别,置信度],即每条检测结果包括猪体外伤的目标框的坐标、前述目标框对应的猪体外伤类别和置信度。前述猪体外伤检测模型例如可以是利用外伤猪数据对目标检测模型进行训练得到。前述的猪体外伤类别可以包括新体外伤、旧体外伤、新耳外伤、旧耳外伤、新尾外伤和旧尾外伤中的一种或多种。在一个应用场景中,前述猪体外伤检测模型可以基于Scaled-YOLOv4开源项目,使用标注猪体外伤情况的弱差猪数据集进行训练,以得到可以识别外伤的Scaled-YOLOv4目标检测模型。进一步地,在操作中,此处用于识别外伤的算法也可使用包括但不限于SSD、YOLO系列、RCNN系列等多种开源项目在内的任意一种构建前述猪体外伤检测模型(目标检测算法或实例分割模型)。将拍摄到的图片送入该猪体外伤检测模型进行外伤识别,并输出所有的识别结果,每个识别结果包含目标的外接矩形框、外伤类别标签、可信度。
接着,在步骤S103处,对前述检测结果进行第一级筛选,即判断前述检测结果中的目标框是否重叠或部分重叠,若是,则去除其中冗余的检测结果。在操作时,可以利用相应的边缘检测算法对发生重叠的矩形框进行处理,以避免重复检测的问题。最后,在步骤S104处,对前述第一级筛选后的检测结果进行第二级筛选:例如可以根据所述猪体外伤检测模型的准确率达到第二阈值时的置信度将前述置信度低于置信度阈值的检测结果去除,以便于得到最终猪体外伤检测结果。
进一步地,为了保证检测结果的可靠性和鲁棒性,在将前述感知信息输入猪体外伤检测模型并计算检测结果之前,还可以先对前述感知信息进行筛选。在一个应用场景中,可以基于图像质量分类模型对前述的感知信息进行筛选,以获取符合质量要求的图像信息。此处所采用的图像分类模型可以通过ResNet开源项目,使用图像品质数据集进行模型训练,并得到可以判定图像质量的ResNet分类模型,即前述的图像质量分类模型。通过该图像质量分类模型可以预先对传输的图片(感知信息)进行筛选,以获取符合要求的图片。如果图片质量合格,则执行下一步骤,即将照片输入猪体外伤检测模型。进一步地,前述的图像质量分类模型可使用包括但不限于ResNet、EfficientNet、VGG等多种开源项目中在内的任意一种构建分类模型。以上对本发明的猪体外伤的检测方法进行了简单说明,接下来将结合一个应用示例说明本发明的实现过程。
图3中是示意性示出根据本发明实施例的对猪体外伤自动检测的检测结果示意图。
如图3所示,利用相机对猪舍内的某一圈舍内的猪群进行拍摄,得到对应的图像信息,即感知信息。将前述图像信息输入至预先建好的猪体外伤检测模型进行处理,从而输出对每个图片的检测结果。该检测结果包括在图片中的目标框(如图中的矩形框标记),该目标框是检测到的猪体外伤的外接矩形。在对每幅图像进行检测时,针对同一个伤口,有可能对应多个目标框,则需要对检测结果进行第一级筛选,以去除冗余的目标框。另外,还需要根据各个外伤类别对应的置信度阈值对前述第一级筛选后的检测结果进行进一步筛选,并认定置信度高于置信度阈值时才会被认定为可信任的结果。利用本发明中的方法对拍摄得到的多个图片进行处理后,图3的左上的图片中的矩形框标示出了猪只的旧耳外伤,右上图片中则识别出了旧体外伤,左下图片中识别出了新体外伤,右下图片中则识别出了新耳外伤。饲养员在获取上述图片中示出的信息后,则可以采用例如将前述的新体外伤和新耳外伤对应的猪只及时采取相应的护理措施,避免伤情的进一步恶化。
图4是示意性示出根据本发明实施例的对检测结果进行第一级筛选的方法S203的流程图。可以理解的是图4中所示出的方法流程可以在图1中所示出的示例性场景中实施,因此关于图1所描述内容(例如关于感知设备)也同样适用于图4。
如图4所示,前述第一级筛选主要目的是将检测结果中发生重叠的目标框进行处理,以避免重复检测造成的运算量大、检测效率低的问题。具体地,在步骤S301处,基于非极大值抑制算法计算发生重叠的两个目标框的交并比。在步骤S302处,若前述计算得到的交并比高于第一阈值,则将发生重叠的两个目标框的其中之一去除或合并发生重叠的两个目标框,以得到新的矩形框。
在利用前述猪体外伤检测模型对感知信息进行检测时,所输出的检测结果中可能会包括大量的目标框,这些目标框相互之间可能会有重叠,此时可以利用非极大值抑制算法确定最佳的目标边界框(目标框),并消除冗余的边界框。非极大值抑制算法可以将所有检测结果中交并比大于一定阈值的目标框进行合并或删除其中冗余的矩形框。其中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,以表示两个目标框的重叠程度。A区域(目标框A)和B区域(目标框B)的交并比(IOU)的计算公式如下:
交并比越大,说明A、B两个区域的重合度越高。所以当两个检测结果对应的目标框的交并比高于一定阈值时,该识别结果对应的外伤将被认定是同一个目标,因此进行检测结果的合并。前述合并方式可以采用两种不同的方式,一种可以是将两个目标框合成一个,另一种则可以是删除其中一个目标框。
在一个应用场景中,如图5所示,在对猪体外伤进行检测时,将前述拍摄到的图片输入猪体外伤检测模型后,在某一个疑似外伤处标示出了两个发生部分重叠的目标框,则需要根据前述的非极大值抑制算法去除其中的一个目标框,计算这两个目标框的交并比,例如可以根据重叠部分的面积占两个目标框重叠后的面积的百分比,若该值大于设定的阈值,则例如可以将其中置信度较小的一个目标框删除,将保留的一个目标框作为优选的检测结果。
进一步地,前述的两个发生重叠的目标框分别对应有置信度,在应用时可以判断两个目标框的置信度的大小,将其中置信度高的那一个外伤类别保留。在一个实现场景中,如图5所示,在利用前述的交并比和阈值比较,确定需要去除的冗余的检测结果后,可以进一步根据目标框的置信度选择需要去除的检测结果,以得到了一个优选的目标框。例如判断前述置信度为0.7的目标框和置信度为0.55的目标框进行计算得到的交并比大于第一阈值,则根据每个目标框对应的置信度大小,将置信度交低的0.55的目标框去除,从而保留置信度交高的目标框,则该处的外伤类别即为该置信度为0.7的目标框对应的外伤类别。通过前述方法,经过非极大值抑制算法处理后的检测结果基本解决了重复进行检测和多类别标签的问题,有效提升了检测结果的精度。
图6是示意性示出根据本发明实施例的对检测结果进行第二级筛选的方法S204的流程图。可以理解的是图6中所示出的方法流程可以在图1中所示出的示例性场景中实施,因此关于图1所描述内容(例如关于感知设备)也同样适用于图6。
在对前述检测结果进行第一级筛选后,还进一步进行第二级筛选。具体的,如图6所示,在步骤S401处,确定各类猪体外伤的置信度阈值。前述内容中说明了猪体外伤类别可以包括新体外伤、旧体外伤、新耳外伤、旧耳外伤、新尾外伤和旧尾外伤中的一种或多种。本实施例中针对前述多种外伤分别设置了对应的置信度阈值。一般来说,所采用的猪体外伤检测模型的检测效果越好,真实样本的置信度越高,因此适当降低阈值可以提高查全率,但是会降低模型准确率。因此需要选择合适的阈值来控制输出。在一个应用场景中,对于单个类别的置信度阈值的设置,可以在不明显损失准确率的基础上提高查全率的情况下进行设定,例如可以根据模型准确率为90%时各类别的置信度,将前述的对应新体外伤的置信度阈值设置为0.5、旧体外伤的置信度阈值设置为0.55、新耳外伤的置信度阈值设置为0.5、旧耳外伤的置信度阈值设置为0.55、新尾外伤的置信度阈值设置为0.7以及旧尾外伤的置信度阈值设置为0.65。
在步骤S402处,判断前述目标框的置信度是否大于对应猪体外伤类别的置信度阈值,若是,则保留目标框对应的检测结果,若否,则去除目标框对应的检测结果。通过前述对检测结果进行的第一级筛选和第二级筛选,有效保证了检测结果的准确性和鲁棒性。
图7是示意性示出根据本发明实施例的对检测到的猪体外伤进行进一步分析的方法S205的流程图。可以理解的是图7中所示出的方法流程可以在图1中所示出的示例性场景中实施,因此关于图1所描述内容(例如关于感知设备)也同样适用于图7。
如图7所示,在步骤S501处,统计场区内各猪舍中各类猪体外伤的数量。在步骤S502处,计算各类猪体外伤的比例和变化趋势,以便于对生产现场进行指导。在一个实施场景中,可以通过对前述得到的对猪舍中猪体外伤的检测结果进行汇总分析,从而得到场区内各猪舍中各类猪体外伤的数量、比例和变化趋势。并且前述计算可以将分析结果精确到每个圈舍的信息。在得到前述分析结果后,可以将分析结果输出并采用例如图表的方式进行可视化展示,从而为一线生产人员和后台决策人员等提供参考数据,并为生产现场提供改善建议。前述数据分析时可以采用例如BI(Business Intelligence,商业智能)分析软件或系统Tableau、Power BI、pyecharts等。进一步地,除了利用前述检测结果进行分析并给出建议之外,还可以在对前述最终的检测结果进行使用的过程中,收集检测结果的错误信息,并将该错误信息用于对前述猪体外伤检测模型算法的优化,从而进一步改善检测效果。对于前述收集检测结果的错误信息可以通过人工收集反馈,也可以利用系统进行收集反馈。
在本发明的另一个方面,本发明还提供了一种如图8所示的猪体外伤的检测装置10,该检测装置10包括处理器和存储器;此处的存储器存储有计算机指令,当计算机指令由前述处理器运行时,使得设备执行前述的方法。前述存储器中例如还可以用于存储利用前述感知设备获取的感知信息(图片、影像等)和检测后得到检测结果(例如检测后渲染的图片信息),还有检测出的例如外伤类别、位置信息、置信度等,均可以保存在存储其中对应的字段中,以便于后续进行分析和查阅。也可以将上述获取的感知信息和检测结果存储到数据库中,此处的数据库可使用例如Oracle、PostgreSQL等开源或非开源的数据库,为提高其扩展性能,亦可租用云数据库存储。进一步地,该装置中还可以包括显示器,该显示器与前述的处理器连接,以对猪体外伤情况进行显示。关于该装置所实现的方法,由于在前文中已经进行了详细的说明,故而在此也不再赘述。
在本发明的又一个方面,本发明还提供了一种计算机可读存储介质,其上存储有用于对猪体外伤进行检测的计算机可读指令,该计算机可读指令被一个或多个处理器执行时实现前述的方法。
尽管以猪体外伤的检测为例描述了本发明的方案,但本发明的方案不仅限于对猪体外伤的检测。根据本发明的公开和教导,本领域技术人员也能想到本发明的方案同样也可以适用于其他家畜外伤的检测,例如牛、羊或马等家畜的外伤检测。
在本发明中,前述的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。例如,计算机可读存储介质可以是任何适当的磁存储介质或者磁光存储介质,比如,阻变式存储器RRAM(ResistiveRandom Access Memory)、动态随机存取存储器DRAM(Dynamic Random Access Memory)、静态随机存取存储器SRAM(Static Random-Access Memory)、增强动态随机存取存储器EDRAM(Enhanced Dynamic Random Access Memory)、高带宽内存HBM(High-Bandwidth Memory)、混合存储立方HMC(Hybrid Memory Cube)等等,或者可以用于存储所需信息并且可以由应用程序、模块或两者访问的任何其他介质。任何这样的计算机存储介质可以是设备的一部分或可访问或可连接到设备。本发明描述的任何应用或模块可以使用可以由这样的计算机可读介质存储或以其他方式保持的计算机可读/可执行指令来实现。
如在本说明书和权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。虽然本发明的实施方式如上,但所述内容只是为便于理解本发明而采用的实施例,并非用以限定本发明的范围和应用场景。任何本发明所述技术领域内的技术人员,在不脱离本发明所揭露的精神和范围的前提下,可以在实施的形式上及细节上作任何的修改与变化,但本发明的专利保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (10)
1.一种用于对猪体外伤进行检测的检测方法,其特征在于,包括:
获取猪舍中的感知设备的感知信息;
将所述感知信息输入猪体外伤检测模型并得到检测结果,所述检测结果包括猪体外伤的目标框、所述目标框对应的猪体外伤类别和置信度;
对所述检测结果进行第一级筛选:判断所述检测结果中的目标框是否重叠或部分重叠,若是,去除其中冗余的检测结果;
对第一级筛选后的检测结果进行第二级筛选:将所述置信度低于置信度阈值的检测结果去除,以便于得到最终猪体外伤检测结果。
2.根据权利要求1所述的方法,其特征在于,还包括对所述感知信息筛选的步骤,包括:
基于图像质量分类模型对所述感知信息进行筛选,以获取符合图像质量要求的感知信息。
3.根据权利要求1所述的方法,其特征在于,所述第一级筛选包括:
基于非极大值抑制算法计算重叠或部分重叠的两个目标框的交并比;以及
若所述交并比高于第一阈值,则将所述重叠或部分重叠的两个目标框的其中之一去除或合并所述重叠或部分重叠的两个目标框,以得到新的矩形框。
4.根据权利要求3所述的方法,其特征在于,所述第一级筛选还包括:
判断所述重叠或部分重叠的两个目标框的置信度大小,并且保留最大的置信度作为新的矩形框的置信度。
5.根据权利要求4所述的方法,其特征在于,所述第二级筛选包括:
根据所述猪体外伤检测模型的准确率达到第二阈值时的置信度确定各类猪体外伤的置信度阈值;以及
判断所述目标框的置信度是否大于对应猪体外伤类别的置信度阈值,若是,则保留所述目标框对应的检测结果,若否,则去除所述目标框对应的检测结果。
6.根据权利要求1所述的方法,其特征在于,还包括:
统计场区内各猪舍中各类猪体外伤的数量;
计算各类猪体外伤的比例和变化趋势,以便于对生产现场进行指导。
7.根据权利要求1所述的方法,其特征在于,所述外伤类别包括新体外伤、旧体外伤、新耳外伤、旧耳外伤、新尾外伤和旧尾猪舍外伤中的一种或多种。
8.一种用于对猪体外伤进行检测的检测装置,其特征在于,包括处理器和存储器;所述存储器存储有计算机指令,当所述计算机指令由所述处理器运行时,使得设备执行根据权利要求1-7的任意一项所述的方法。
9.根据权利要求8所述的检测装置,其特征在于,所述感知设备包括相机和/或摄像机。
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用于对猪体外伤进行检测的计算机可读指令,该计算机可读指令被一个或多个处理器执行时实现如权利要求1-7的任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110967599.6A CN113743261A (zh) | 2021-08-23 | 2021-08-23 | 一种猪体外伤的检测方法、装置和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110967599.6A CN113743261A (zh) | 2021-08-23 | 2021-08-23 | 一种猪体外伤的检测方法、装置和可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113743261A true CN113743261A (zh) | 2021-12-03 |
Family
ID=78732258
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110967599.6A Pending CN113743261A (zh) | 2021-08-23 | 2021-08-23 | 一种猪体外伤的检测方法、装置和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113743261A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117274242A (zh) * | 2023-11-17 | 2023-12-22 | 简阳市人民医院 | 一种基于图像识别的创面检测方法和系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108960174A (zh) * | 2018-07-12 | 2018-12-07 | 广东工业大学 | 一种目标检测结果优化方法及装置 |
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 |
CN111368600A (zh) * | 2018-12-26 | 2020-07-03 | 北京眼神智能科技有限公司 | 遥感图像目标检测识别方法、装置、可读存储介质及设备 |
CN112613564A (zh) * | 2020-12-25 | 2021-04-06 | 桂林汉璟智能仪器有限公司 | 一种剔除重叠框的目标检测后处理方法 |
CN113283322A (zh) * | 2021-05-14 | 2021-08-20 | 柳城牧原农牧有限公司 | 一种牲畜外伤检测方法、装置、设备和存储介质 |
-
2021
- 2021-08-23 CN CN202110967599.6A patent/CN113743261A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108960174A (zh) * | 2018-07-12 | 2018-12-07 | 广东工业大学 | 一种目标检测结果优化方法及装置 |
CN111368600A (zh) * | 2018-12-26 | 2020-07-03 | 北京眼神智能科技有限公司 | 遥感图像目标检测识别方法、装置、可读存储介质及设备 |
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 |
CN112613564A (zh) * | 2020-12-25 | 2021-04-06 | 桂林汉璟智能仪器有限公司 | 一种剔除重叠框的目标检测后处理方法 |
CN113283322A (zh) * | 2021-05-14 | 2021-08-20 | 柳城牧原农牧有限公司 | 一种牲畜外伤检测方法、装置、设备和存储介质 |
Non-Patent Citations (1)
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》, no. 4, 15 April 2021 (2021-04-15), pages 5 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117274242A (zh) * | 2023-11-17 | 2023-12-22 | 简阳市人民医院 | 一种基于图像识别的创面检测方法和系统 |
CN117274242B (zh) * | 2023-11-17 | 2024-01-26 | 简阳市人民医院 | 一种基于图像识别的创面检测方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110147771B (zh) | 基于母猪关键部位与环境联合分区的母猪侧卧姿态实时检测系统 | |
Wang et al. | Real-time behavior detection and judgment of egg breeders based on YOLO v3 | |
Wang et al. | The research progress of vision-based artificial intelligence in smart pig farming | |
Dohmen et al. | Computer vision-based weight estimation of livestock: a systematic literature review | |
WO2019184139A1 (zh) | 牲畜保险理赔方法、装置、计算机设备和存储介质 | |
Subedi et al. | Tracking floor eggs with machine vision in cage-free hen houses | |
CN113095441A (zh) | 一种猪群扎堆检测方法、装置、设备及可读存储介质 | |
Wang et al. | Deep learning-based automatic dairy cow ocular surface temperature detection from thermal images | |
CN114155216A (zh) | 猪只温度检测方法及装置 | |
CA3230401A1 (en) | Systems and methods for the automated monitoring of animal physiological conditions and for the prediction of animal phenotypes and health outcomes | |
CN113743261A (zh) | 一种猪体外伤的检测方法、装置和可读存储介质 | |
Isa et al. | CNN transfer learning of shrimp detection for underwater vision system | |
Tonachella et al. | An affordable and easy-to-use tool for automatic fish length and weight estimation in mariculture | |
CN112926473B (zh) | 基于图像识别的蜂螨识别方法及设备 | |
CN113724250A (zh) | 一种基于双光相机的动物目标计数方法 | |
CN113628165A (zh) | 一种牲畜转栏盘点方法、装置及存储介质 | |
Volkmann et al. | Learn to train: Improving training data for a neural network to detect pecking injuries in turkeys | |
Sivamani et al. | Automatic posture detection of pigs on real-time using Yolo framework | |
CN116824626A (zh) | 一种动物异常状态人工智能识别的方法 | |
CN115147782A (zh) | 一种死亡动物识别方法及装置 | |
CN113989745A (zh) | 一种反刍动物饲养状况的非接触式监测方法 | |
WO2022113062A1 (en) | A system and method for tracing members of an animal population | |
Bastiaansen et al. | Continuous real-time cow identification by reading ear tags from live-stream video | |
Xu et al. | Posture identification for stall-housed sows around estrus using a robotic imaging system | |
Zu et al. | Joint Feature Target Detection Algorithm of Beak State Based on YOLOv5 |
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 |