CN113947734A - 一种猪只体征信息采集方法及系统 - Google Patents

一种猪只体征信息采集方法及系统 Download PDF

Info

Publication number
CN113947734A
CN113947734A CN202111032758.XA CN202111032758A CN113947734A CN 113947734 A CN113947734 A CN 113947734A CN 202111032758 A CN202111032758 A CN 202111032758A CN 113947734 A CN113947734 A CN 113947734A
Authority
CN
China
Prior art keywords
pig
image
information
target
sign information
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
CN202111032758.XA
Other languages
English (en)
Inventor
李斌
赵宇亮
曾繁国
朱君
王海峰
徐蔚
郎冲冲
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.)
Intelligent Equipment Technology Research Center of Beijing Academy of Agricultural and Forestry Sciences
Original Assignee
Intelligent Equipment Technology Research Center of Beijing Academy of Agricultural and Forestry Sciences
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 Intelligent Equipment Technology Research Center of Beijing Academy of Agricultural and Forestry Sciences filed Critical Intelligent Equipment Technology Research Center of Beijing Academy of Agricultural and Forestry Sciences
Priority to CN202111032758.XA priority Critical patent/CN113947734A/zh
Publication of CN113947734A publication Critical patent/CN113947734A/zh
Pending legal-status Critical Current

Links

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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种猪只体征信息采集方法及系统，包括：基于目标检测算法对猪群背部深度图像进行图像分割，获取任一猪只的背部深度子图像；根据背部深度子图像，获取猪只的背部关键点信息，用以确定猪只的身份标识；对背部深度子图像进行图像识别，获取猪只的体征信息；将身份标识与体征信息绑定输出。本发明提供的猪只体征信息采集方法及系统，通过对深感相机所获取猪群背部深度图像进行目标跟踪识别，能自动获取每头猪只的身份标识；且能通过对每头猪只的背部深度子图像进行图像处理，获取每头猪只的体征信息；在整个信息采集的过程中不与猪只接触，避免了猪只检测时因环境变化引起的应激反应，同时还有效地减少了劳动力，节约了养殖成本。

Description

一种猪只体征信息采集方法及系统
技术领域
本发明涉及农业信息技术领域，尤其涉及一种猪只体征信息采集方法及系统。
背景技术
养猪的生产链条很长，通常来说一头猪从出生到出栏要半年多的时间，在这期间猪只往往会遇上各式各样的问题，问题严重甚至会导致猪的群体死亡，所以对于猪只信息的及时、准确获取至关重要。
传统的猪只信息获取方式以目测为主，部分辅以手掌按压进行评分判别。对于规模较小的猪场，传统的猪只信息的获取方式尚且需要大量人力，对于大型规模化猪场而言，传统的猪只信息获取方式显得力不从心。
在现有的猪场养殖设施中，对猪只信息的获取均存在不准确性，并且在测量的过程中，会使得猪只受到惊吓而产生应激反应，这不利于群猪养殖，也容易导致养殖户无法准确获取正确的猪只信息，导致不能提供及时的管理措施。
因此，寻找到一种高效、准确的猪只信息获取方法，实现对猪只的生产、管理、防疫等方面进行全面监控、预警并能及给出操作指导，以提供一个良好的养殖环境，并提高猪场的生产效益，是当前养猪行业急需解决的问题。
发明内容
本发明提供一种猪只体征信息采集方法及系统，用以解决现有技术中人工采集猪只信息所存在的费时费力、精确性低的缺陷，实现猪只体征信息的全自动化采集。
第一方面，本发明提供一种猪只体征信息采集方法，包括：
基于目标检测算法对猪群背部深度图像进行图像分割，获取任一目标猪只的背部深度子图像；
根据所述背部深度子图像，获取所述目标猪只的背部关键点信息，用以确定所述目标猪只的身份标识；
对所述背部深度子图像进行图像识别，获取所述目标猪只的体征信息；
将所述身份标识与所述体征信息绑定输出。
根据本发明提供的一种猪只体征信息采集方法，所述体征信息包括体长信息、体高信息、体宽信息和背膘信息；
所述对所述背部深度子图像进行图像识别，获取所述目标猪只的体征信息，包括：
根据所述背部深度子图像，确定所述目标猪只的两耳根位置点、尾根位置点、髻甲顶点，并确定所述目标猪只的质心；
将所述两耳根位置点的连线中点与所述尾根位置点的连线长度，作为所述体长信息；
将所述髻甲顶点至地面的垂直距离，作为所述体高信息；
确定所述质心向每个耳根位置点的投影，并将两个所述投影的长度和作为所述体宽信息；
对所述背部深度子图像进行旋转归一化后，获取所述目标猪只的臀部外形三维图像；将所述臀部外形三维图像与预先构建的臀部外形与背膘厚度映射表进行匹配，获取所述背膘信息。
根据本发明提供的一种猪只体征信息采集方法，所述体征信息，还包括：体重信息；
所述对所述背部深度子图像进行图像识别，获取所述目标猪只的体征信息，包括：
将所述背部深度子图像输入至体重预测模型，并根据所述体重预测模型的输出结果，获取与所述背部深度子图像对应的所述体重信息；
其中，所述体重预测模型是根据带有体重信息标签的背部深度图像样本进行训练后获得的。
根据本发明提供的一种猪只体征信息采集方法，还包括：
获取猪群热红外图像；
将所述猪群热红外图像映射至所述猪群背部深度图像；
获取与所述目标猪只的背部深度子图像相对应的猪只热红外子图像；
将所述猪只热红外子图像中所有像素点的最高温度，作为所述目标猪只的温度信息；
将所述温度信息、所述身份标识与所述体征信息绑定输出。
根据本发明提供的一种猪只体征信息采集方法，还包括：
采集猪群声音信号；
将所述猪群声音信号输入至情绪分类模型，获取与所述猪群声音信号相对应的情绪信息；
其中，所述情绪分类模型，是根据特征参数的权重系数组合以及高斯混合数目对识别率的影响，对高斯混合模型进行参数优化后获取的；
所述特征参数包括过零率、共振峰和梅尔频率倒谱系数。
根据本发明提供的一种猪只体征信息采集方法，还包括：
获取猪群近红外视频；
从所述猪群近红外视频提取出包含所述目标猪只的近红外图像序列；
对所述近红外图像序列中的每帧近红外图像进行特征点检测，获取猪只感兴趣区域序列；
计算所述猪只感兴趣区域序列中每一个猪只感兴趣区域的像素均值，获取单通道像素均值时间序列；
对所述单通道像素均值时间序列进行时间延迟处理，获取动态嵌入矩阵；
基于盲源分离方法，对所述动态嵌入矩阵进行独立成分分析，获取多个独立分量；
分别对每个所述独立分量进行功率谱分析，获取包含心率信息的目标独立分量；
根据所述目标独立分量的最大幅值所对应的频率，确定所述目标猪只的心率信息。
根据本发明提供的一种猪只体征信息采集方法，所述根据所述背部深度子图像，获取所述目标猪只的背部关键点信息，用以确定所述目标猪只的身份标识，包括：
结合目标猪只的体征变化曲线，利用等距特征映射流形学习算法对所述背部关键点信息进行特征融合优化；所述体征变化曲线是基于马尔科夫链模型构建的；
将特征融合优化后生成的形状特征信息输入至混合核函数支持向量机，生成所述目标猪只的身份标识。
第二方面，本发明还提供一种猪只体征信息采集系统，包括：图像分割单元，用于基于目标检测算法对猪群背部深度图像进行图像分割，获取任一目标猪只的背部深度子图像；
身份识别单元，用于根据所述背部深度子图像，获取所述目标猪只的背部关键点信息，用以确定所述目标猪只的身份标识；
信息分析单元，用于对所述背部深度子图像进行图像识别，获取所述目标猪只的体征信息；
信息输出单元，用于将所述身份标识与所述体征信息绑定输出。
第三方面，本发明提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述猪只体征信息采集方法的步骤。
第四方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述猪只体征信息采集方法的步骤。
本发明提供的猪只体征信息采集方法及系统，通过对深感相机所获取猪群背部深度图像进行目标跟踪识别，能自动获取每头猪只的身份标识；且能通过对每头猪只的背部深度子图像进行图像处理，获取每头猪只的体征信息；在整个信息采集的过程中不与猪只接触，避免了猪只检测时因环境变化引起的应激反应，同时还有效地减少了劳动力，节约了养殖成本。
附图说明
为了更清楚地说明本发明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一简单地介绍，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是本发明提供的猪只体征信息采集方法的流程示意图；
图2是本发明提供的一种猪只体征信息采集装置的结构示意图；
图3是本发明提供的一种猪只体征信息采集装置的工作流程示意图；
图4是本发明提供的一种目标猪只的背部关键点的分布示意图；
图5是本发明提供的猪只体征信息采集系统的结构示意图；
图6是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明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，本领域普通技术人员在没有作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。
需要说明的是，在本发明实施例的描述中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的系统或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。
目前，许多猪场普遍使用传统的目测方式来进行猪只体征信息采集，这种方法依赖于检测人员的经验和责任心，主观性强、效率低，判定结果会因检测人员的不同而产生不同的测量结果，且容易被自然环境影响，造成测定结果错误而误导养殖管理，且非常费时间和劳力。
为克服人为目测猪只体征信息所存在的诸多缺陷，有部分猪场会使用超声波来检测猪只体征信息。但采用超声波检测方法会因猪只的不同姿势对测定结果产生影响，使测量结果不准确。
考虑到现有规模化猪场所配置的猪只体征信息采集方法及系统，无法全面、准确的采集猪只体征信息，且实际操作复杂，下面结合图1-图6介绍本发明所提供的猪只体征信息采集方法和系统。
图1是本发明提供的猪只体征信息采集方法的流程示意图，如图1所示，包括但不限于以下步骤：
步骤101：基于目标检测算法对猪群背部深度图像进行图像分割，获取任一目标猪只的背部深度子图像。
图2是本发明提供的一种猪只体征信息采集装置的结构示意图，如图2所示，主要包括：采集单元和吊装单元。
在猪场的上方平行布设有多条滑轨，吊装单元主要包括电机和电动滑轮。在电机驱动下，能使得电动滑轮于上述滑轨中运行。电动滑轮与采集单元相连接，故在电动滑轮于上述滑轨中运行的过程中，则能够带动采集单元在猪场的上方进行循环往复运动。
其中，采集单元主要包括深感相机和边缘计算单元，在采集单元在猪场的上方运行的过程中，能持续采集获取猪群背部深度图像；边缘计算单元能够通过目标检测算法，对所采集的猪群背部深度图像识别，从中划分出每头猪只所在的背部深度子图像。
可选地，所采用的目标检测算法，可以是采用Region-CNN网络模型实现目标检测的一种算法，即可以将任一帧猪群背部深度图像输入至预先训练好的Region-CNN网络模型，获取其输出的检测目标在彩色图像中的位置坐标。深感相机已提供将彩色图像与深度图像对齐程序，故能够将这一位置坐标映射至深度图像中，则能获取到这一猪群背部深度图像中所包含的每头猪只的背部深度子图像。
需要说明的是，目标猪只是指这一猪群背部深度图像中所包含的所有猪只中的任一头，在本发明中没有特指的含义。
另外，上述猪只体征信息采集装置，还可以包括：电池以及设置在滑轨上为电池补充电量的充电站，电池主要为上述电机以及边缘计算机供电。其中，深感相机连接至边缘计算机上预留的USB接口，以实现两者之间的数据交互。
图3是本发明提供的一种猪只体征信息采集装置的工作流程示意图，如图3所示，猪只体征信息采集装置开始投入使用之后，首先读取相关配置参数，包括如确定往复循环运动的速度、猪群背部深度图像的采集频率、电量阈值、巡检点(主要是指进行猪群背部深度图像采集的位置)的位置、充电站的位置等；然后进行电量自检，在确定当前电量达到预先设置的电量阈值之后，继续执行往复循环巡检任务，直至抵达巡检点。
在抵达巡检点之后，由深度相机拍摄猪群背部深度图像，并将采集的猪群背部深度图像传送至边缘计算机，以分析出这一猪群背部深度图像中所包括的每头猪只的体征信息。
在对整个猪场中设置了多个巡检点的情况下，每执行对上一巡检点所对应的猪只的体征信息采集工作之后，则重新进行电量自检，并继续运行至下一巡检点，并继续执行上述体征信息采集工作，直至遍历所有采样点或者接收到停止信号后停止工作。
另外，在整个往复循环巡检任务的过程中，若自检电量不充足(即小于电量阈值)，则判断其当前位置是否位于充电站。若刚好位于充点电，则利用充电站对电池进行充电；若并不位于充电站，则控制电动滑轮，以返回至充电站。
步骤102：根据所述背部深度子图像，获取所述目标猪只的背部关键点信息，用以确定所述目标猪只的身份标识。
为实现对单头猪只的体征信息采集，现有解决方案多为单栏单猪，通过射频识别(Radio Frequency Identification，RFID)或WiFi站点信号识别猪只身份信息(IdentityDocument，ID)。
采用单栏单猪不符合实际养殖的需求，采用RFID或WiFi站点信号识别ID，会因为设置在猪体的标识的脱落影响猪只身份识别。考虑到上述不足，本发明直接利用计算机视觉技术对背部深度子图像进行识别，解析猪只背部特征信息，获取背部关键点信息，以为每头猪只绑定特定的ID，实现猪只个体识别。
本发明提供了一种根据目标猪只的背部关键点信息，确定目标猪只的身份标识的方法：
前期通过在在每头猪只个体的背部用记号笔涂条形码，或在猪只身体部位涂简单图形的排列组合(比如三角形、圆形、正方形之列的图形组合，类似于摩斯密码)以区分每头猪只的ID。
考虑到记号笔所涂的痕迹会很快脱落，所以在前期能够通过计算机视觉中图像二值化、条形码识别技术进行ID的检测，并同时记录该ID的深度图像信息，并将每头猪只的ID与其深度图像进行绑定。
由于个体深度信息特征在时间序列中无法发生突变，例如编号001号猪在预设时长内(如相邻两天)的体尺不会发生太大变化，但001号猪和002号猪间的体尺还是存在差异的，因此在后续记号笔所作的痕迹脱落也不太影响猪只ID的识别。因此，本发明基于计算机视觉方法，通过对每头猪只的背部深度子图像进行图像识别，从背部深度子图像提取能区分不同个体的背部关键点信息，以根据目标猪只与其它猪只的背部关键点信息存在差异的特点，实现识别目标猪只ID的目的。
图4是本发明提供的一种目标猪只的背部关键点的分布示意图，如图4所示，将其中的点B、m、n、F、L1、L2、R1、R2、E1、E2等设置为背部关键点，并采集点L1与点R1之间的距离、点L2与点R2之间的距离、点B与点F之间的距离、点m与点n之间的距离、点E1与点F之间的距离、点E2与点F之间的距离等作为目标猪只的背部关键点信息。
步骤103：对所述背部深度子图像进行图像识别，获取所述目标猪只的体征信息。
本发明通过对深感相机拍摄的猪群背部深度图像进行图像分割，从中分割出每头目标猪只的背部深度子图像，然后根据对每帧背部深度子图像的图像分析结果，能够采集到目标猪只的体征信息。
其中，体征信息主要是用于通过对目标猪只的体形以及体形尺寸进行分析后获取的相关信息，例如：体长信息、体宽信息、体高信息、体重信息、背膘等。
步骤104：将所述身份标识与所述体征信息绑定输出。
本发明通过对采集到的猪群背部深度图像进行分析，能获取到该图像中所涉及的每头猪只的ID，且能够同时获取到每头猪只的体征信息，通过采集猪场中不同位置处的猪群背部深度图像，最终能够根据猪场中每头猪只ID输出对应的体征信息，输出给猪场管理者。
本发明提供的猪只体征信息采集方法，通过对深感相机所获取猪群背部深度图像进行目标跟踪识别，能自动获取每头猪只的身份标识；且能通过对每头猪只的背部深度子图像进行图像处理，获取每头猪只的体征信息；在整个信息采集的过程中不与猪只接触，避免了猪只检测时因环境变化引起的应激反应，同时还有效地减少了劳动力，节约了养殖成本。
基于上述实施例的内容，作为一种可选实施例，所述体征信息包括体长信息、体高信息、体宽信息和背膘信息；
所述对所述背部深度子图像进行图像识别，获取所述目标猪只的体征信息，包括：
根据所述背部深度子图像，确定所述目标猪只的两耳根位置点、尾根位置点、髻甲顶点，并确定所述目标猪只的质心；
将所述两耳根位置点的连线中点与所述尾根位置点的连线长度，作为所述体长信息；
将所述髻甲顶点至地面的垂直距离，作为所述体高信息；
确定所述质心向每个耳根位置点的投影，并将两个所述投影的长度和作为所述体宽信息；
对所述背部深度子图像进行旋转归一化后，获取所述目标猪只的臀部外形三维图像；将所述臀部外形三维图像与预先构建的臀部外形与背膘厚度映射表进行匹配，获取所述背膘信息。
在本发明提供的猪只体征信息采集方法中，针对任一目标猪只，通过对由猪群背部深度图像进行图像中分割出来的该目标猪只的背部深度子图像的识别，能够获取到其相关的体征信息，具体包括体长信息、体宽信息、体高信息、体重信息、以及背膘信息等。
猪只的体长信息、体宽信息以及体高信息的获取主要依赖于深感相机所获取到的背部深度子图像。
通过背部深度子图像能获取目标猪只背部的立体图形，通过对目标猪只的立体图形进行图形处理，如：将目标猪只调整至水平位置；然后，从俯视的角度，获得目标猪只两耳根位置点和尾根位置点，其中两耳根位置点的中点(如图4中的F点)与尾根位置点(如图4中的B点)的连线(即连线BF)的长度，即为目标猪只的体长信息。
进一步地，从水平的角度，获取目标猪只髻甲顶点(如图4中的n点)至地面的垂直距离，将其作为目标猪只的体高信息。
进一步地，获取目标猪只的背部深度子图像，并确定该图像的质心所在的位置，获取质心所在的位置至各耳根位置点的投影的长度之和，作为目标猪只的体宽信息。
进一步地，在获取目标猪只的背膘信息时，由于所采集的目标猪只的背部深度子图像既包括目标猪只的背部深度数据，还包括目标猪只的背部彩色图像，将其背部深度子图像进行旋转归一化，使得图像中的目标猪只的个体方向处于水平状态，以方便在统一角度下，进行体型对比。
从旋转归一化后获取到背部深度子图像，截取出臀部外形三维图像，然后将获取到的目标猪只的臀部外形三维图像与预先构建的臀部外形背膘厚度映射表进行匹配，获取到背膘信息。
其中，臀部外形背膘厚度映射表是预先根据各不同体型猪只的体型特征(主要是臀部外形)与背膘厚度的关系构建的，能够根据臀部外形三维图像所对应的臀部外形数据，从中查询到对应的背膘厚度。
本发明提供的猪只体征信息采集方法，能够全面采集猪场内各猪只的体征信息，方便对猪群进行整体生长状态进行把握，而且能在不接触猪只的情况下获取各猪只的体征信息，防止猪只在测量过程中被外界环境刺激产生害怕、恐慌等应激反应，同时有效地减少了劳动力、节约了养殖成本。
基于上述实施例的内容，作为一种可选实施例，所述体征信息，还包括：体重信息；
所述对所述背部深度子图像进行图像识别，获取所述目标猪只的体征信息，包括：
将所述背部深度子图像输入至体重预测模型，并根据所述体重预测模型的输出结果，获取与所述背部深度子图像对应的所述体重信息；
其中，所述体重预测模型是根据带有体重信息标签的背部深度图像样本进行训练后获得的。
本发明提供的猪只体征信息采集方法，在获取任一目标猪只的体重信息时，预先构建用于对输入的背部深度子图像进行识别的体重预测模型。其中，体重预测模型是基于深度学习网络模型构建的。
可选地，在构建体重预测模型的前期，通过在猪场的圈舍内摆放电子秤，在圈舍的顶部安装深感相机。
在采集到任一目标猪只的体重信息的情况下，利用采集猪群背部深度图像，并从中确定出目标猪只所对应的背部深度子图像。将采集到的背部深度子图像作为训练样本(也可以是背部深度子图像对应的深度数据)，将同时采集的体重信息作为对应的训练标签，构建训练集。
利用上述训练集对预先构建的猪只深度数据和体重间的模型进行预训练，获取所述体重预测模型。
在体重预测模型训练好后，则可以脱离电子秤，通过对深感相机所获取到的猪群背部深度图像进行图像分割，能够获取到每头猪只的背部深度子图像，将其输入至体重预测模型中，则能够获取由该模型输出的各猪只的体重信息。
本发明提供的猪只体征信息采集方法，采用深度学习方法，通过对采集的深度图像的识别，实现了对猪只体重信息的自动采集，对猪只的测量是无接触、无应激的，避免了猪只因环境变化导致的害怕与恐慌，且测量精度高。
基于上述实施例的内容，作为一种可选实施例，本发明提供的猪只体征信息采集方法，还包括：
获取猪群热红外图像；
将所述猪群热红外图像映射至所述猪群背部深度图像；
获取与所述目标猪只的背部深度子图像相对应的猪只热红外子图像；
将所述猪只热红外子图像中所有像素点的最高温度，作为所述目标猪只的温度信息；
将所述温度信息、所述身份标识与所述体征信息绑定输出。
本发明通过在上述实施例中所提供的猪只体征信息采集装置上增设热红外传感器，在深感相机采集某一区域的猪群背部深度图像的同时，由热红外传感器采集该区域内的猪群热红外图像。
需要说明的是，在根据猪群热红外图像确定目标猪只的体温时，需要结合目标检测算法来实现，例如：首先通过坐标转换的方式，根据热红外传感器与深度相机的位置关系和各自的参数设置，将猪群热红外图像映射至猪群背部深度图像。
在根据目标检测算法从背部深度子图像中确定出目标猪只的情况下，则能够相应地从猪群热红外图像中分割出目标猪只所对应的猪只热红外子图像。
然后，从猪只热红外子图像中找出最高温度的像素点，则可以将这一最高温度作为目标猪只的温度信息。
可选地，也可以获取到猪只热红外子图像中所有像素点的温度平均值，并将这一平均值作为目标猪只的温度信息。
最后，由于之前已经确定了目标猪只的ID以及体征信息，在本实施例中，将获取到的温度信息与ID以及体征信息进行绑定输出给猪场管理者，以供其根据目标猪只的体温信息，判断其健康状态。
基于上述实施例的内容，作为一种可选实施例，本发明提供的猪只体征信息采集方法，还包括：
采集猪群声音信号；
将所述猪群声音信号输入至情绪分类模型，获取与所述猪群声音信号相对应的情绪信息；
其中，所述情绪分类模型，是根据特征参数的权重系数组合以及高斯混合数目对识别率的影响，对高斯混合模型进行参数优化后获取的。
所述特征参数包括过零率(Zero Crossing Rate，ZCR)、共振峰和梅尔频率倒谱系数(Mel-Frequency Cepstral Coefficients，MFCCs)。
针对动物的情绪识别问题，可以通过在上述实施例中所提供的猪只体征信息采集装置上增设声音采集器，能够按照预设采样频率采集猪场圈舍内的猪群声音信号，提出了基于高斯混合模型在动物声音情绪识别上的应用，结合语音信号处理与机器学习技术，分析对动物声音信号进行特征提取的过零率、共振峰、梅尔频率倒谱系数等3种描述动物情绪的特征参数，输出动物声音情绪，包含焦躁情绪、饥饿情绪、生病低落情绪等。
其中，过零率，是指在每帧中，语音信号通过零点(从正变为负或从负变为正)的次数。这个特征已在语音识别和音乐信息检索领域得到广泛使用，是对敲击的声音的分类的关键特征。
共振峰，是指在声音的频谱中能量相对集中的一些区域，共振峰不但是音质的决定因素，而且反映了声道(共振腔)的物理特征。在语音声学中，共振峰决定着元音的音质，而在计算机音乐中，它们是决定音色和音质的重要参数。
梅尔频率倒谱系数，是组成梅尔频率倒谱的系数。它衍生自音讯片段的倒频谱(Cepstrum)。倒谱和梅尔频率倒谱的区别在于，梅尔频率倒谱的频带划分是在梅尔刻度上等距划分的，它比用于正常的对数倒频谱中的线性间隔的频带更能近似人类的听觉系统。这样的非线性表示，可以在多个领域中使声音信号有更好的表示。
具体来说，本发明在高斯混合模型的基础上构建用于进行情绪信息采集的情绪分类模型，在模型构建的初期，还包括以下步骤：
采用待训练的高斯混合模型，对采集到的动物声音信号训练样本进行聚类分析，计算测试样本后验概率，实现动物情绪的自动识别。
其中，在训练的过程中，主要是通过分析上述三个特征参数的权重系数组合、高斯混合数目等对识别率的影响来择选最优参数。经参数优化后的高斯混合模型，能够反演动物声音情绪，包含焦躁情绪、饥饿情绪、生病低落情绪等，故将训练后的高斯混合模型作为情绪分类模型。
本发明提供的猪只体征信息采集方法，通过采集圈舍内的所有猪只所发出的猪群声音信号，并借助高斯混合模型对动物声音信号进行聚类分析，能够有效地获取到圈舍内所有猪只的情绪，为猪舍管理者进行猪场环境调控及运维提供数据参考。
基于上述实施例的内容，作为一种可选实施例，本发明提供的猪只体征信息采集方法，还包括：
获取猪群近红外视频；
从所述猪群近红外视频提取出包含所述目标猪只的近红外图像序列；
对所述近红外图像序列中的每帧近红外图像进行特征点检测，获取猪只感兴趣区域序列；
计算所述猪只感兴趣区域序列中每一个猪只感兴趣区域的像素均值，获取单通道像素均值时间序列；
对所述单通道像素均值时间序列进行时间延迟处理，获取动态嵌入矩阵；
基于盲源分离方法，对所述动态嵌入矩阵进行独立成分分析，获取多个独立分量；
分别对每个所述独立分量进行功率谱分析，获取包含心率信息的目标独立分量；
根据所述目标独立分量的最大幅值所对应的频率，确定所述目标猪只的心率信息。
心率作为畜牧一项主要的生命体征，是指单位时间内心脏搏动的次数，一般是每分钟心脏搏动的次数，是评价畜牧心血管功能的一项重要指标，对畜牧慢性疾病的诊断、治疗和监护等具有重要意义。
本发明采用基于近红外视频的非接触心率测量方法，通过在上述实施例提供的猪只体征信息采集装置上增设心率传感器，用于获取猪群近红外视频。
首先，对近红外视频中采样出包含猪只个体的近红外图像序列，对近红外图像序列中的每帧近红外图像进行特征点检测，获取猪只感兴趣区域序列。
然后，分别计算猪只感兴趣区域序列中每一个猪只感兴趣区域的像素均值，获取单通道像素均值时间序列。
每一个猪只感兴趣区域所对应的图像，主要由三通道组成(即R层、G层、B层等三层)，分别计算每一层的每个像素点数字都是在(0～255)之间的整数，对其每一层(R层、G层、B层求和)除以该图像的面积(长*宽)，即为各通道的像素均值。
进一步地，对经过预处理的单通道像素均值时间序列进行时间延迟得到动态嵌入矩阵，之后对动态嵌入矩阵采用盲源分离(Blind Source Separation)方法进行独立成分分析得到多个独立分量。
最后，对这些独立分量进行功率谱分析，确认包含心率信息的独立分量并得到心率检测值。
其中，盲源分离技术，是研究在未知系统的传递函数、源信号的混合系数及其概率分布的情况下，仅利用源信号之间相互独立这一微弱已知条件，从一组传感器测量所得的混合信号中分离出独立源信号的技术。功率谱分析可以采用现有的计算方法，本发明不作赘述。
本发明提供的猪只体征信息采集方法，通过采集圈舍内猪群的近红外视频，以通过近红外视频的非接触心率测量方法，在不接触猪只的情况下完成对各猪只心率信息的采集，采集精度高，为猪场管理者监控每头猪只的健康状态提供了数据支持，自动化程度高，同时有效减少了劳动力，节约了养殖成本。
基于上述实施例的内容，作为一种可选实施例，所述根据所述背部深度子图像，获取所述目标猪只的背部关键点信息，用以确定所述目标猪只的身份标识，包括：
结合目标猪只的体征变化曲线，利用等距特征映射流形学习算法对所述背部关键点信息进行特征融合优化；所述体征变化曲线是基于马尔科夫链模型构建的；
将特征融合优化后生成的形状特征信息输入至混合核函数支持向量机，生成所述目标猪只的身份标识。
马尔可夫链是一组具有马尔可夫性质的离散随机变量的集合。具体地，对概率空间内以一维可数集为指数集的随机变量集合X＝{Xn:n>0}，若随机变量的取值都在可数集内：X＝si,si∈s，且随机变量的条件概率满足如下关系：
p(Xt+1|Xt,…,X1)＝p(Xt+1|Xt)
其中，X被称为马尔可夫链，t为中间参数。
等距特征映射是一个非线性降维方法，被广泛使用的低维嵌入方法之一，它被用来计算准等距的高维数据到低维的嵌入方法。等距特征映射是通过将每个数据点和临近的数据点连接构成图，用图论中的Dijkstra距离来估计流形的测地距离，故等距特征映射可以广泛的应用到各种来源和维数不同的数据。
本发明所提供的猪只体征信息采集方法，为避免现有猪只ID信息采集所存在的缺陷(标识易脱落)，通过综合判断目标猪只的各体征信息变化情况，采用马尔科夫链模型，构建猪只体征变化曲线。然后，结合当前获取到的目标猪只的背部关键点所包含的背部关键点信息(也反映除了其体型特征)，利用等距特征映射流形学习算法进行特征融合优化，并使用混合核函数支持向量机算法，实现目标猪只的个体识别，生成其独特的ID。
最后，将其ID与识别出的体征信息等进行绑定，输出给猪场管理者，便于后期的精准饲喂与综合管理。
基于上述实施例的内容，作为一种可选实施例，本发明提供的猪只体征信息采集方法，还可以通过识别目标猪只的背部深度子图像中的关键点(如图4所示)，并结合Bag ofFeature方法进行特征融合处理后，对时域动态信息进行整合与利用。
其中，Bag of Feature方法是一种图像特征提取方法，它借鉴了文本分类算法中词袋模型(Bag of Words)的思路，从图像中抽象出很多具有代表性的关键词，形成一个字典，再统计每张图片中出现的关键词数量，最终得到图片的特征向量。
本发明通过Bag of Feature方法，实现对目标猪只的身份验证，包括：
针对背部深度子图像，通过对目标猪只的上一帧分析出的ID，对比当前帧的关键区域与上一帧的关键区域的相似性进行身份跟踪，能够实现在连续视频中对目标猪只的追踪。
本发明提供的猪只体征信息采集方法，采用Bag of Feature方法对连续多帧猪群背部深度图像中的每头猪只进行目标跟踪，有效地提高了信息采集的运算速度，且一定程度上提高了信息采集的效率。
作为另一可选实施例，本发明还利用行为识别网络模型(如StNet网络模型)作为分类器，通过对输入的背部深度子图像进行识别，实现对目标猪只的进食、饮水、站立、伏卧、侧躺、坐立、打斗等行为的识别。
其中，StNet网络模型在识别的过程中，通过将N个连续的视频帧堆叠成具有3N个通道的超级图像，并对超级图像进行2D卷积以捕捉局部时空关系。
为了模拟全局时空关系，StNet网络模型对局部时空特征地图进行时间卷积。具体地说，它在视频的特征序列上采用单独的通道和时间卷积。
本发明提供的猪只体征信息采集方法，采用，StNet网络模型可识别各猪只的行为，如进食、饮水、站立、伏卧、侧躺、坐立、打斗等行为，并能够根据不同行为做出相应决策，或者向终端发出提示信息或警报。
本发明提供的猪只体征信息采集方法，是利用深感相机对目标猪群采用视频记录方式来追踪运动，若采用现有的视频图像解析方法，需要研究人员费时费力地分别手动标记每一帧图像中的所有目标猪只，或者在每头目标猪只身上(身体的预定点)设置标记物，但由于标记物可能干扰研究目标的行为，而且一般只适合有限类型的运动，而手动标记又费时费力。针对这一问题，本发明采用DeepLabCut算法来实现对每一目标猪只的行为追踪。
首先，利用开源的包含猪只图像的图像数据库对预先构建的DeepLabCut网络模型进行预训练，之后再利用小规模的训练样本(手动标注了标签信息的样本图像，如仅需200张)再次对其进行训练，即可以获取到训练好的DeepLabCut网络模型。
利用训练好的DeepLabCut网络模型，能够在无需标记物的情况下，自动对深感相机拍摄的视频进行分析，以追踪任一目标猪只在各种行为期间的任意身体部位运动，以及实现任一目标猪只的轨迹跟踪。
图5是本发明提供的猪只体征信息采集系统的结构示意图，如图5所示，主要包括但不限于图像分割单元51、身份识别单元52、信息分析单元53和信息输出单元54，其中：
图像分割单元51，主要用于基于目标检测算法对猪群背部深度图像进行图像分割，获取任一目标猪只的背部深度子图像；
身份识别单元52，主要用于根据所述背部深度子图像，获取所述目标猪只的背部关键点信息，用以确定所述目标猪只的身份标识；
信息分析单元53，主要用于对所述背部深度子图像进行图像识别，获取所述目标猪只的体征信息；
信息输出单元54，主要用于将所述身份标识与所述体征信息绑定输出。
本发明提供的猪只体征信息采集系统，通过对深感相机所获取猪群背部深度图像进行目标跟踪识别，能自动获取每头猪只的身份标识；且能通过对每头猪只的背部深度子图像进行图像处理，获取每头猪只的体征信息；在整个信息采集的过程中不与猪只接触，避免了猪只检测时因环境变化引起的应激反应，同时还有效地减少了劳动力，节约了养殖成本。
需要说明的是，本发明实施例提供的猪只体征信息采集系统，在具体运行时，可以执行上述任一实施例所述的猪只体征信息采集方法，对此本实施例不作赘述。
图6是本发明提供的电子设备的结构示意图，如图6所示，该电子设备可以包括：处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，以执行猪只体征信息采集方法，该方法包括：基于目标检测算法对猪群背部深度图像进行图像分割，获取任一目标猪只的背部深度子图像；根据所述背部深度子图像，获取所述目标猪只的背部关键点信息，用以确定所述目标猪只的身份标识；对所述背部深度子图像进行图像识别，获取所述目标猪只的体征信息；将所述身份标识与所述体征信息绑定输出。
此外，上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的猪只体征信息采集方法，该方法包括：基于目标检测算法对猪群背部深度图像进行图像分割，获取任一目标猪只的背部深度子图像；根据所述背部深度子图像，获取所述目标猪只的背部关键点信息，用以确定所述目标猪只的身份标识；对所述背部深度子图像进行图像识别，获取所述目标猪只的体征信息；将所述身份标识与所述体征信息绑定输出。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的猪只体征信息采集方法，该方法包括：基于目标检测算法对猪群背部深度图像进行图像分割，获取任一目标猪只的背部深度子图像；根据所述背部深度子图像，获取所述目标猪只的背部关键点信息，用以确定所述目标猪只的身份标识；对所述背部深度子图像进行图像识别，获取所述目标猪只的体征信息；将所述身份标识与所述体征信息绑定输出。
以上所描述的系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种猪只体征信息采集方法，其特征在于，包括：
基于目标检测算法对猪群背部深度图像进行图像分割，获取任一目标猪只的背部深度子图像；
根据所述背部深度子图像，获取所述目标猪只的背部关键点信息，用以确定所述目标猪只的身份标识；
对所述背部深度子图像进行图像识别，获取所述目标猪只的体征信息；
将所述身份标识与所述体征信息绑定输出。
2.根据权利要求1所述的猪只体征信息采集方法，其特征在于，所述体征信息包括体长信息、体高信息、体宽信息和背膘信息；
所述对所述背部深度子图像进行图像识别，获取所述目标猪只的体征信息，包括：
根据所述背部深度子图像，确定所述目标猪只的两耳根位置点、尾根位置点、髻甲顶点，并确定所述目标猪只的质心；
将所述两耳根位置点的连线中点与所述尾根位置点的连线长度，作为所述体长信息；
将所述髻甲顶点至地面的垂直距离，作为所述体高信息；
确定所述质心向每个耳根位置点的投影，并将两个所述投影的长度和作为所述体宽信息；
对所述背部深度子图像进行旋转归一化后，获取所述目标猪只的臀部外形三维图像；将所述臀部外形三维图像与预先构建的臀部外形与背膘厚度映射表进行匹配，获取所述背膘信息。
3.根据权利要求1所述的猪只体征信息采集方法，其特征在于，所述体征信息，还包括：体重信息；
所述对所述背部深度子图像进行图像识别，获取所述目标猪只的体征信息，包括：
将所述背部深度子图像输入至体重预测模型，并根据所述体重预测模型的输出结果，获取与所述背部深度子图像对应的所述体重信息；
其中，所述体重预测模型是根据带有体重信息标签的背部深度图像样本进行训练后获得的。
4.根据权利要求1所述的猪只体征信息采集方法，其特征在于，还包括：
获取猪群热红外图像；
将所述猪群热红外图像映射至所述猪群背部深度图像；
获取与所述目标猪只的背部深度子图像相对应的猪只热红外子图像；
将所述猪只热红外子图像中所有像素点的最高温度，作为所述目标猪只的温度信息；
将所述温度信息、所述身份标识与所述体征信息绑定输出。
5.根据权利要求1所述的猪只体征信息采集方法，其特征在于，还包括：
采集猪群声音信号；
将所述猪群声音信号输入至情绪分类模型，获取与所述猪群声音信号相对应的情绪信息；
其中，所述情绪分类模型，是根据特征参数的权重系数组合以及高斯混合数目对识别率的影响，对高斯混合模型进行参数优化后获取的；
所述特征参数包括过零率、共振峰和梅尔频率倒谱系数。
6.根据权利要求1所述的猪只体征信息采集方法，其特征在于，还包括：
获取猪群近红外视频；
从所述猪群近红外视频提取出包含所述目标猪只的近红外图像序列；
对所述近红外图像序列中的每帧近红外图像进行特征点检测，获取猪只感兴趣区域序列；
计算所述猪只感兴趣区域序列中每一个猪只感兴趣区域的像素均值，获取单通道像素均值时间序列；
对所述单通道像素均值时间序列进行时间延迟处理，获取动态嵌入矩阵；
基于盲源分离方法，对所述动态嵌入矩阵进行独立成分分析，获取多个独立分量；
分别对每个所述独立分量进行功率谱分析，获取包含心率信息的目标独立分量；
根据所述目标独立分量的最大幅值所对应的频率，确定所述目标猪只的心率信息。
7.根据权利要求1所述的猪只体征信息采集方法，其特征在于，所述根据所述背部深度子图像，获取所述目标猪只的背部关键点信息，用以确定所述目标猪只的身份标识，包括：
结合目标猪只的体征变化曲线，利用等距特征映射流形学习算法对所述背部关键点信息进行特征融合优化；所述体征变化曲线是基于马尔科夫链模型构建的；
将特征融合优化后生成的形状特征信息输入至混合核函数支持向量机，生成所述目标猪只的身份标识。
8.一种猪只体征信息采集系统，其特征在于，包括：
图像分割单元，用于基于目标检测算法对猪群背部深度图像进行图像分割，获取任一目标猪只的背部深度子图像；
身份识别单元，用于根据所述背部深度子图像，获取所述目标猪只的背部关键点信息，用以确定所述目标猪只的身份标识；
信息分析单元，用于对所述背部深度子图像进行图像识别，获取所述目标猪只的体征信息；
信息输出单元，用于将所述身份标识与所述体征信息绑定输出。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述猪只体征信息采集方法步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述猪只体征信息采集方法步骤。
CN202111032758.XA 2021-09-03 2021-09-03 一种猪只体征信息采集方法及系统 Pending CN113947734A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111032758.XA CN113947734A (zh) 2021-09-03 2021-09-03 一种猪只体征信息采集方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111032758.XA CN113947734A (zh) 2021-09-03 2021-09-03 一种猪只体征信息采集方法及系统

Publications (1)

Publication Number Publication Date
CN113947734A true CN113947734A (zh) 2022-01-18

Family

ID=79327853

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111032758.XA Pending CN113947734A (zh) 2021-09-03 2021-09-03 一种猪只体征信息采集方法及系统

Country Status (1)

Country Link
CN (1) CN113947734A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114877979A (zh) * 2022-03-23 2022-08-09 成都爱记科技有限公司 一种基于人工智能的动物体重测量系统
CN115035041A (zh) * 2022-05-18 2022-09-09 深圳职业技术学院 一种肉牛体型的测算方法、装置、终端设备及存储介质
CN115294185A (zh) * 2022-06-14 2022-11-04 中国农业科学院北京畜牧兽医研究所 猪只体重的估测方法以及相关设备
CN116363141A (zh) * 2023-06-02 2023-06-30 四川省畜牧科学研究院 一种妊娠母猪智能体型评价装置及系统
CN116687386A (zh) * 2023-08-07 2023-09-05 青岛市畜牧工作站(青岛市畜牧兽医研究所) 牛体形数据综合校准的雷达探测系统及方法
CN116763295A (zh) * 2023-08-11 2023-09-19 北京市农林科学院智能装备技术研究中心 牲畜体尺测量方法、电子设备及存储介质

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114877979A (zh) * 2022-03-23 2022-08-09 成都爱记科技有限公司 一种基于人工智能的动物体重测量系统
CN115035041A (zh) * 2022-05-18 2022-09-09 深圳职业技术学院 一种肉牛体型的测算方法、装置、终端设备及存储介质
CN115294185A (zh) * 2022-06-14 2022-11-04 中国农业科学院北京畜牧兽医研究所 猪只体重的估测方法以及相关设备
CN115294185B (zh) * 2022-06-14 2023-10-03 中国农业科学院北京畜牧兽医研究所 猪只体重的估测方法以及相关设备
CN116363141A (zh) * 2023-06-02 2023-06-30 四川省畜牧科学研究院 一种妊娠母猪智能体型评价装置及系统
CN116363141B (zh) * 2023-06-02 2023-08-18 四川省畜牧科学研究院 一种妊娠母猪智能体型评价装置及系统
CN116687386A (zh) * 2023-08-07 2023-09-05 青岛市畜牧工作站(青岛市畜牧兽医研究所) 牛体形数据综合校准的雷达探测系统及方法
CN116687386B (zh) * 2023-08-07 2023-10-31 青岛市畜牧工作站(青岛市畜牧兽医研究所) 牛体形数据综合校准的雷达探测系统及方法
CN116763295A (zh) * 2023-08-11 2023-09-19 北京市农林科学院智能装备技术研究中心 牲畜体尺测量方法、电子设备及存储介质
CN116763295B (zh) * 2023-08-11 2024-02-06 北京市农林科学院智能装备技术研究中心 牲畜体尺测量方法、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN113947734A (zh) 一种猪只体征信息采集方法及系统
Bao et al. Artificial intelligence in animal farming: A systematic literature review
RU2714709C2 (ru) Усовершенствованный способ и аппарат для определения балльной оценки упитанности, живого веса и индекса фертильности
Jung et al. Deep learning-based cattle vocal classification model and real-time livestock monitoring system with noise filtering
CN108961330B (zh) 基于图像的猪体长测算方法及系统
CN109141248B (zh) 基于图像的猪体重测算方法及系统
CN109785337A (zh) 一种基于实例分割算法的栏内哺乳动物清点方法
CN112580552B (zh) 一种鼠类行为分析方法及装置
CN109886928A (zh) 一种目标细胞标记方法、装置、存储介质及终端设备
CN106580272A (zh) 一种活体动物生理数据采集装置
CN114299551A (zh) 模型训练方法、动物行为识别方法、装置、设备
KR20210126953A (ko) 영상데이터를 활용한 비 접촉 돼지 체중/체형 측정기 및 방법
CN112288793A (zh) 畜类个体背膘检测方法、装置、电子设备及存储介质
CN204860479U (zh) 一种用于商品猪体重智能分群的系统
Yurochka et al. Technology of automatic evaluation of dairy herd fatness
US10638667B2 (en) Augmented-human field inspection tools for automated phenotyping systems and agronomy tools
CN117745036A (zh) 一种基于特征识别及近场通信的牲畜信息管理方法及系统
CN113989538A (zh) 基于深度图像的鸡群均匀度估测方法、装置、系统及介质
CN117765329A (zh) 一种基于目标检测网络模型YOLOv8的非接触式牛体重测量方法
CN109633113B (zh) 基于青鳉鱼逐级行为模型的水质监测预警方法及系统
CN100490736C (zh) 热板试验自动检测方法
CN115147736A (zh) 一种基于视觉识别的奶牛全周期健康检测系统
Bastiaansen et al. Continuous real-time cow identification by reading ear tags from live-stream video
CN112419288B (zh) 一种基于计算机视觉的无人化蔬菜大棚种植方法
CN113989745A (zh) 一种反刍动物饲养状况的非接触式监测方法

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