CN114092378A - 动物健康检测的方法、装置、设备及存储介质 - Google Patents
动物健康检测的方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114092378A CN114092378A CN202010770999.3A CN202010770999A CN114092378A CN 114092378 A CN114092378 A CN 114092378A CN 202010770999 A CN202010770999 A CN 202010770999A CN 114092378 A CN114092378 A CN 114092378A
- Authority
- CN
- China
- Prior art keywords
- animal
- information
- target image
- image information
- image
- 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
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
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Genetics & Genomics (AREA)
- Geometry (AREA)
- Physiology (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种动物健康检测的方法、装置、设备及存储介质。通过获取第一目标图像,并提取第一目标图像中的动物排泄物图像信息,之后对动物排泄物图像信息进行形态和/或颜色识别,当识别所述动物排泄物图像信息得到的数据满足预设条件时,获取动物排泄物图像信息对应的动物标识信息,来对处于不健康状态的动物标识信息进行获取。本发明实施例解决了检测动物健康状况的过程中存在的检测效率低,适应性差的问题,提高了检测效率和检测适应性。
Description
技术领域
本发明涉及通信领域,尤其涉及一种动物健康检测的方法、装置、设备及存储介质。
背景技术
对于猪的健康状况的监测研究,长久以来都是生猪养殖业的热点、痛点。及时发现健康异常生猪,及时操作诊断、隔离扑杀疑似病猪等处理对控制传染病流行、促进猪场安全生产有重大意义。
现有的技术中,通常是通过人工巡检或者电子监测系统对猪场中猪的健康状况进行监测。
但是人工巡检因需要人工对猪进行信息化记录,大多是重复性劳动且费事较多,因此存在效率低下的问题。而电子监测系统涉及机器学习过程,由于我国养猪的各地区环境差异巨大,猪的各生理指标受环境差异的影响较为复杂,因此在机器学习的过程中,存在针对各猪场的特异性进行参数调优难度大,难以适应多种环境的问题。
因此,目前的技术方案中,存在检测效率低,适应性差的问题。
发明内容
本发明实施例提供了一种动物健康检测的方法、装置、设备及存储介质,解决了检测动物健康状况的过程中存在的检测效率低,适应性差的问题,提高了检测效率和检测适应性。
为了解决上述技术问题,本发明:
第一方面,提供了一种动物健康检测的方法,该方法包括:
获取第一目标图像;
提取第一目标图像中的动物排泄物图像信息;
对动物排泄物图像信息进行形态和/或颜色识别;
当识别动物排泄物图像信息得到的数据满足预设条件时,获取动物排泄物图像信息对应的动物标识信息。
在第一方面的一些实现方式中,提取第一目标图像中的动物排泄物图像信息,包括:
对第一目标图像进行预处理,生成第二目标图像;
根据第二目标图像,确定动物排泄物图像信息。
在第一方面的一些实现方式中,对第一目标图像进行预处理,生成第二目标图像,包括:
根据预设的图像窗口信息对第一目标图像的多个像素点进行滤波,生成第二目标图像。
在第一方面的一些实现方式中,根据第二目标图像,确定动物排泄物图像信息,包括:
获取第二目标图像中多个像素点的水平梯度值、垂直梯度值和方向信息;
根据多个像素点的梯度值和方向信息确定第二目标图像的边缘信息;
根据边缘信息确定动物排泄物图像信息。
在第一方面的一些实现方式中,根据边缘信息确定动物排泄物图像信息,包括:
根据边缘信息对滤波后的目标图像进行扫描;
根据每行中的白色像素点和非白像素点确定序列;
根据序列确定动物排泄物图像信息。
在第一方面的一些实现方式中,对动物排泄物图像信息进行形态识别,包括:
根据动物排泄物图像信息的尺寸信息,确定动物排泄物图像信息的圆心坐标;
根据圆心坐标和边缘信息,对动物排泄物图像信息进行形态识别。
第二方面,提供了一种动物健康检测的装置,该装置包括:
获取模块,用于获取第一目标图像;
处理模块,用于提取第一目标图像中的动物排泄物图像信息;
处理模块,还用于对动物排泄物图像信息进行形态和/或颜色识别;
获取模块,还用于当识别动物排泄物图像信息得到的数据满足预设条件时,获取动物排泄物图像信息对应的动物标识信息。
在第二方面的一些实现方式中,处理模块,还用于对第一目标图像进行预处理,生成第二目标图像;
处理模块,还用于根据第二目标图像,确定动物排泄物图像信息。
在第二方面的一些实现方式中,处理模块,还用于根据预设的图像窗口信息对第一目标图像的多个像素点进行滤波,生成第二目标图像。
在第二方面的一些实现方式中,处理模块,还用于获取第二目标图像中多个像素点的水平梯度值、垂直梯度值和方向信息;
处理模块,还用于根据多个像素点的梯度值和方向信息确定第二目标图像的边缘信息;
处理模块,还用于根据边缘信息确定动物排泄物图像信息。
在第二方面的一些实现方式中,处理模块,还用于根据边缘信息对滤波后的目标图像进行扫描;
处理模块,还用于根据每行中的白色像素点和非白像素点确定序列;
处理模块,还用于根据序列确定动物排泄物图像信息。
在第二方面的一些实现方式中,处理模块,还用于根据动物排泄物图像信息的尺寸信息,确定动物排泄物图像信息的圆心坐标;
处理模块,还用于根据圆心坐标和边缘信息,对动物排泄物图像信息进行形态识别。
第三方面,提供了一种电子设备,该设备包括:处理器以及存储有计算机程序指令的存储器;
处理器执行计算机程序指令时实现第一方面,以及第一方面的一些实现方式中的动物健康检测的方法。
第四方面,提供了一种计算机存储介质,该计算机存储介质上存储有计算机程序指令,计算机程序指令被处理器执行时实现第一方面,以及第一方面的一些实现方式中的动物健康检测的方法。
本发明实施例提供了一种动物健康检测的方法、装置、设备及存储介质。通过获取第一目标图像,并提取第一目标图像中的动物排泄物图像信息,之后对动物排泄物图像信息进行形态和/或颜色识别,当识别所述动物排泄物图像信息得到的数据满足预设条件时,获取动物排泄物图像信息对应的动物标识信息,来对处于不健康状态的动物标识信息进行获取。因为是对动物排泄物图像信息进行识别,动物排泄物图像信息的检测具有直观快捷准确且随地域差异变化较小的优势,因此解决了检测动物健康过程中存在的效率低,适应性差的问题,提高了检测效率和检测适应性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单地介绍,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是本发明实施例提供的一种动物健康检测的方法的流程示意图;
图2是本发明实施例提供的一种动物健康检测的装置的结构示意图;
图3是本发明实施例提供的一种计算设备的硬件架构的结构图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例,为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细描述。应理解,此处所描述的具体实施例仅被配置为解释本发明,并不被配置为限定本发明。对于本领域技术人员来说,本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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……”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。
众所周知,生猪健康状况实时监测是猪场生物安全体系中非常重要一环,及时发现诊断健康异常的猪,并对其进行处置对整个猪场经济效益、安全生产具有重大意义。国外如大荷兰人等公司开发的生猪健康智能化监测管理体系设备复杂价格昂贵,与我国国情不太符合,本地化使用困难。我国猪健康监测现有大部分为人工巡检,受限于员工素质不均、检验不及时等因素,有较大安全生产隐患。对于猪健康的实时监测有较多信息化切入点——如叫声、体温、运动情况等,相较于其他监测指标,粪便形态监测具有直观快捷且准确的优势,正常健康猪的粪便外观稳定,为浅黄至黑灰色成型的固体。若猪出现健康异常,粪便往往第一时间会发生变化,通过颜色以及形状可快速判断猪健康问题,如腹泻,往往为猪瘟、细菌性胃肠炎、轮状病毒流行性腹泻等疾病的早期生理表现,如猪的粪便为发绿或红甚至褐色,多半出现肠胃或腹腔出血,需及时诊治处理。
现有的猪场生猪健康实时监测系统的实现需要部署大量复杂的配置,比如说在猪场需布置大规模的光电心率传感器、红外成像体温传感器、多轴运动传感器、血红蛋白传感器等。同时为了协调收集各项繁复的数据,还需搭建对应的无线网关、Zigbee模块,最终对猪健康判断还需搭建对应服务器建立数据库比对并进行调参优化阈值,该方法弊端在于设备复杂,投入成本高,运维难度较大,较难应用到我国广大的中小规模养猪场,而且我国各猪场环境复杂多变,因此难以适应我国相对复杂的生猪养殖场现状。
现有的人工巡查进行信息化记录的方案,实施人员进行全场生猪的检查,逐头进行外貌观测,判断叫声,食欲测试,测量体温,观察粪便等,并在对应管理系统记录检查结果,标记可疑猪只。这种方法的好处在于检查全面完整,可以覆盖猪所有健康特征,检查结果可靠可验证,弊端在于费时较多,重复劳动,且极度依赖人员经验,无系统化高效解决方案。
因此,在目前检测动物健康过程中存在效率低,适应性差的问题。
为了解决目前的技术方案中存在的效率低,适应性差的问题,本发明实施例提供了一种动物健康检测的方法、装置、设备及存储介质。通过获取第一目标图像,并提取第一目标图像中的动物排泄物图像信息,之后对动物排泄物图像信息进行形态和/或颜色识别,当识别所述动物排泄物图像信息得到的数据满足预设条件时,获取动物排泄物图像信息对应的动物标识信息,来对处于不健康状态的动物标识信息进行获取。因为是对动物排泄物图像信息进行识别,动物排泄物图像信息(粪便信息)的形态和/或颜色检测具有直观快捷准确且随地域差异变化较小的优势,因此解决了检测动物健康过程中存在的效率低,适应性差的问题,提高了检测效率和检测适应性。
下面结合附图对本发明实施例提供的技术方案进行描述。
图1是本发明实施例提供的一种动物健康检测的方法的流程示意图。如图1所示,该方法的执行主体可以为终端设备。需要说明的是,该动物健康检测的方法可以针对猪的健康状况进行检测。
如图1所示,动物健康检测的方法可以包括:
S101:获取第一目标图像。
可选的,可以获取猪场圈舍中用于收集与记录生猪信息的互补金属氧化物半导体(Complementary Metal Oxide Semiconductor,CMOS)视频监控传感器获取的包括动物排泄物图像信息的视频图像信息,该视频图像信息可以称为第一目标图像。
S102:提取第一目标图像中的动物排泄物图像信息。
为了滤除第一目标图像中的噪声以防止由噪声引起的错误检测,可选的,在提取动物排泄物图像信息的过程中,可以使用基于软核处理器二代中央处理器Nios II(central processing unit,CPU)核心的现场可编程逻辑门阵列(Field ProgrammableGate Array,FPGA)模块构成的可编程片上系统SOPC对第一目标图像进行预处理,生成第二目标图像。之后再使用该SOPC系统根据第二目标图像,确定动物排泄物图像信息。
对第一目标图像进行预处理,生成第二目标图像的过程可以根据高斯滤波器核与预设的图像窗口信息对第一目标图像的多个像素点进行滤波,生成第二目标图像。
具体的,可以使用大小为(2k+1)x(2k+1)的高斯滤波器核以及一个行数与列数相等的矩阵作为预设的图像窗口信息来对第一目标图像进行滤波,此外,矩阵还可以根据实际情况进行调节,并不限于行数与列数相等的矩阵。
其中,(2k+1)x(2k+1)的高斯滤波器核的生成公式可以如公式(1)所示,通过公式(1)生成高斯卷积核。可选的,该行数与列数相等的矩阵可以为一个3x3的矩阵。使用大小为(2k+1)x(2k+1)的高斯滤波器核以及一个行数与列数相等的矩阵作为预设的图像窗口信息来对第一目标图像进行滤波的过程可以如公式(2)所示。
在公式(1)中,Hij表示(2k+1)x(2k+1)的高斯卷积核中第i行第j列的元素;σ为预设数值,可以根据实际情况进行调节。
在公式(2)中,e为第一目标图像中滤波的像素点;H为通过公式(1)生成的高斯卷积核;A为第一目标图像中的图像窗口信息,该图像窗口信息可以为第一目标图像中的一个3x3的矩阵;*为卷积符号;sum表示矩阵中所有元素相加求和。
可选的,在对第一目标图像的多个像素点进行滤波,生成第二目标图像之前,还可以对第一目标图像进行颜色空间转换,灰度化处理。因此,对第一目标图像的多个像素点进行滤波,生成第二目标图像的过程,也可以是对经过颜色空间转换,灰度化处理后的第一目标图像中的多个像素点进行滤波生成第二目标图像的过程。
又因为图像中的边缘信息可以理解为图像局部特性不连续性灰度突变、颜色突变等的反映,因此它标志着一个区域的终结和另一个区域的开始。为了分割第一目标图像中的生猪图像与粪便图像,可以对第二目标图像进行Canny边缘信息识别处理,将粪便图像信息分割出来,以识别猪的排便状况,该粪便图像信息又可以称为动物排泄物图像信息。
在对第二目标图像进行Canny边缘信息识别处理,将粪便图像信息分割出来的过程,具体可以通过使用索贝尔Sobel算子确定第二目标图像中多个像素点的水平梯度值Gx,垂直梯度值Gy。确定水平梯度值Gx的过程可以如公式(3)所示,确定梯度值Gy的过程可以如公式(4)所示。在确定水平梯度值Gx,垂直梯度值Gy之后,可以再通过公式(5)确定像素点的梯度G,通过公式(6)确定像素点的方向θ。
在公式(3)中,Sx为x方向,即,水平方向的Sobel算子;A为第一目标图像中的图像窗口信息;*为卷积符号;sum表示矩阵中所有元素相加求和。
在公式(4)中,Sy为y方向,即,垂直方向的Sobel算子;A为第一目标图像中的图像窗口信息;*为卷积符号;sum表示矩阵中所有元素相加求和。
θ=arc tan(Gy/Gx) (6)
在通过公式(5)和公式(6)确定出像素点的梯度G和像素点的方向θ之后,可以根据像素点的梯度G和像素点的方向θ,确定跨越梯度方向的两个相邻像素的差值,将该差值与预设阈值比较,保留高于该预设阈值的相邻像素,即,保留具有高梯度的边缘像素,来生成第二目标图像的边缘信息。其中,该预设阈值也可以根据实际情况进行调节。
之后,再根据第二目标图像的边缘信息,确定最大连通区域,并对该最大连通区域进行逐行扫描,根据扫描得到的每一行中连续的白色像素点与边缘其余像素点(非白像素点)组成一个序列,并将该序列作为一个团序列,标记该团序列的起点Ts、终点Te及其所在行数i。并对每行中的各团序列进行拼接,每行的总团序列长度可以如公式(8)所示。
其中,ΔTi为每行的总团序列长度,i表示行号,n表示总行数,Te为团序列的终点,Ts为团序列的起点。
根据公式(8)绘制ΔTi曲线,将ΔTi的长度突变的点作为拐点位置,并将该拐点位置的横坐标为分割行,将前部分总团序列长度大于前述分割行总团序列长度的部分进行区域分割,保留行号大于分割行行号的剩余部分作为包括粪便图像信息,即,动物排泄物图像信息。
在获取动物排泄物图像信息之后,可以对该动物排泄物图像信息进行识别以确定动物的健康状况,即,进入S103。
S103:对动物排泄物图像信息进行形态和/或颜色识别。
因为健康的动物粪便均为成型半固体状态,边缘近似为圆形或缺损的圆形,因此都包含有一定的圆弧,所以,对动物排泄物图像信息进行形态识别的过程,可以转为几何基元判断问题。几何基元的判断实质上可以是参数优化问题,遗传算法(Genetic Algorithm,GA)是针对该参数优化的是一种有效解决办法,基于SOPC系统的Verilog HDL语言编写遗传算法GA程序,综合了定向搜索和随机搜索的优点,可以实现高效率的判别粪便形态。其基本步骤可以包括编码、构造适应度函数、选择、交叉和变异。
具体的,步骤一,编码。
算法的搜索能力是影响本问题解决的重要因素,相对于浮点数编码,二进制编码的搜索能力更强,因此采用二进制编码。在本发明实施例中,可以根据图像尺寸,可以将圆心坐标x、y都定义为9位二进制,染色体是长度则可以定义长度为18的二进制串。
步骤二,构造适应度函数。
GA在进化搜索中仅以适应度函数为依据,利用种群个体的适应度值进行搜索。因此,适应度函数的选取直接影响算法的收敛速度及能否找到最优解。粪便图像中,圆心点的共同特征是统计该点到边缘各点的距离,其等距点最多,但以此等距点数作为适应度函数导向性差,难以得到最优解。
结合猪场中摄像机在拍摄距离(1~3m)内进行拍摄获得的图像进行分析,发现图像中成型粪便半径在30~60像素之间,因此可以定义30~60像素为成型粪便的约束半径的区间范围。其中,该约束半径也可以称为动物排泄物图像信息的尺寸信息。
动物排泄物图像信息的圆心点的特征是到动物排泄物图像信息的边缘点的约束半径数量最多,且这些约束半径的方差最小,因此,根据圆心点的特征构造如公式(9)所示的适应度函数,并根据该适应度函数确定动物排泄物图像信息的圆心坐标。
f=n/kVar (9)
其中,f为适应度函数的函数值,n为约束半径的个数,Var为约束半径的方差,k为调整系数。调整系数k的作用是若f在取值分布上差别很大,则得到的平均适应度不利于体现种群的优劣,会影响算法性能,因此,会根据实际情况系数k进行调整,以保证算法性能。
步骤三,选择。
在该过程中,可以采用按适应度比例分配的轮盘赌选择法,即利用个体的适应度比例的概率决定其后代的存留可能性。若个体i的适应度为fi,则其被选中的概率如公式(10)所示。
Pi=fi/Σfi (10)
其中,Pi为个体i被选中的概率,fi为个体i的适应度。显然,概率Pi越大,其基因结构被遗传到下一代的可能性就越大。
步骤四,交叉和变异。
交叉算子采用单点交叉方式,变异算子采用对染色体二进制位逻辑取反的方式。交叉概率Pc和变异概率Pm是影响GA性能的关键参数,将直接影响算法的收敛性。因此本发明实施例提出了一种自适应遗传算法,Pc和Pm将随适应度自动改变,可以取得比基本遗传算法(Pc和Pm为定值)更好的效果,但缺陷是容易使进化走向局部最优而非全局最优。为此,对其进行改进,改进后的Pc和Pm的计算式分别如公式(11)和公式(12)所示。
其中,Pcmax为交叉率的上限,Pcmin为交叉率的下限,fmax为种群中最大适应度值,f′为参与交叉的个体中较大的适应度值,favg为每代种群的平均适应度值,f为参与变异的个体适应度值。
为提高算法运行速度,对搜索范围进行限制。对求得的粪便轮廓图像进行区域标记,对各个区域在以下范围内进行圆心坐标x、y的搜索:
x∈[X1-Rmin,X2+Rmin]
y∈[Y2-Rmin,Y1+Rmin]
其中(X1,Y1)、(X2,Y2)分别为粪便轮廓图像外接矩形左上角与右下角的坐标,Rmin为约束半径的区间下限,如果上述搜索范围的计算值超出图像边界,则取图像边界,如图像最下方某轮廓的搜索范围计算中,坐标y超出图像下边界,取图像下边界为搜索范围下边界。
按上述遗传算法求取出粪便图像圆心点后,将该粪便图像圆心点到边缘各点距离取整,得到若干个整数距离值Li,统计与每个Li差值在两个像素以内的Li的个数,个数最多的Li作为半径值,根据该半径值与约束半径的关系,得出粪便是否成型。
可选的,本发明实施例还可以对动物排泄物图像信息的颜色进行识别,判断颜色是否异常。
S104:当识别动物排泄物图像信息得到的数据满足预设条件时,获取动物排泄物图像信息对应的动物标识信息。
具体的,当S103中确定的半径值处于约束半径的范围内时,则认为粪便为成型粪便,即健康粪便;当该半径值不处于约束半径的范围内时,则认为粪便为不成型粪便,即异常粪便。此时对应的猪的问题可能是腹泻,往往为猪瘟、细菌性胃肠炎、轮状病毒流行性腹泻等疾病的早期生理表现。
此外,当S103中如识别到猪的粪便为发绿或红甚至褐色,则也认为粪便为异常粪便。此时对应的猪的问题可能是肠胃或腹腔出血,需及时诊治处理。
在确定异常粪便之后,可选的,可以读取图像原始采集处信息采集设备网际互连协议(Internet Protocol,IP)信息等,调取对应圈栏读取耳标信息锁定疑似患病猪。读取耳标信息锁定疑似患病猪可以通过智能围栏读取对应的生猪耳标的射频识别(RadioFrequency Identification,RFID),如无此设备的猪场,该检测方案可替代为调取对应采集CMOS设备拍摄耳标文字进行读取识别生猪身份。
至此,一份粪便异常的疑似患病生猪列表产生出来。由于生猪排便时间周期均具有随机不确定性,基于SOPC系统的粪便识别监控系统无需人工值守观看监控,可24小时实时监测所有生猪排便即实现健康实时监测功能。另外,本系统还可通过自定义模块、自定义指令、C语言转换至硬件加速(C-to-Hardware,C2H)等方式提高性能增加其余功能。
还需要说明的是,上述S101至S104的动物健康检测的方法是基于粪便图像与猪图像之间相互分离的假设上实现的,但实际状态下会发生粪便不成型或多块粪便粘连在一起的情况,在图像上表现为动物排泄物图像信息与生猪图像信息邻接、重叠。为了解决该问题,可选的,本发明实施例可以采取多次运行GA,并依次转换目标轮廓点为背景点的方法处理以实现动物排泄物图像信息与生猪图像信息的分离。具体方法如下:
S201:求得粪便轮廓图像后,对轮廓图像进行区域标记。设定各个区域的搜索范围。
S202:在选定的搜索范围内对相同标记号的粪便轮廓图像实施GA算法,提取出圆心和半径。
S203:设提取出的半径为R,以提取出的圆心为圆心,以1.1R为半径画圆,将该圆范围内边缘点(白色)转换为背景色(黑色),将已经识别的目标轮廓点消去,实现重叠粪便的分割。
S204:在该搜索范围内根据剩余图像边缘点进行判断,设剩余同标号边缘点外接矩形的长边为a,如果a>Rmin,则认为该搜索范围内还有其他粪便,返回S202继续执行;否则,认为该搜索范围内无其他粪便,选择下一区域,从步骤S202开始执行。
通过S201至S204,可以实现第一目标图像中动物排泄物图像信息与生猪图像信息的分离,以进行动物排泄物图像信息的提取和识别。
本发明实施例提供的动物健康检测的方法,通过获取第一目标图像,并提取第一目标图像中的动物排泄物图像信息,之后对动物排泄物图像信息进行形态和/或颜色识别,当识别所述动物排泄物图像信息得到的数据满足预设条件时,获取动物排泄物图像信息对应的动物标识信息,来对处于不健康状态的动物标识信息进行获取。因为是对动物排泄物图像信息进行识别,动物排泄物图像信息(粪便信息)的形态和/或颜色检测具有直观快捷准确且随地域差异变化较小的优势,因此解决了检测动物健康过程中存在的效率低,适应性差的问题,提高了检测效率和检测适应性。
与图1中动物健康检测的方法的流程示意图相对应,本发明实施例还提供了一种动物健康检测的装置。
图2是本发明实施例提供的一种动物健康检测的装置的结构示意图。如图2所示,动物健康检测的装置可以包括:
获取模块301,可以用于获取第一目标图像。
处理模块302,可以用于提取第一目标图像中的动物排泄物图像信息。
处理模块302,还可以用于对动物排泄物图像信息进行形态和/或颜色识别。
获取模块301,还可以用于当识别动物排泄物图像信息得到的数据满足预设条件时,获取动物排泄物图像信息对应的动物标识信息。
在一个实施例中,处理模块302,还用于对第一目标图像进行预处理,生成第二目标图像;根据第二目标图像,确定动物排泄物图像信息。
在一个实施例中,处理模块302,还可以用于根据预设的图像窗口信息对第一目标图像的多个像素点进行滤波,生成第二目标图像。
在一个实施例中,处理模块302,还可以用于获取第二目标图像中多个像素点的水平梯度值、垂直梯度值和方向信息;根据多个像素点的梯度值和方向信息确定第二目标图像的边缘信息;再根据边缘信息确定动物排泄物图像信息。
在一个实施例中,处理模块302,还可以用于根据边缘信息对滤波后的目标图像进行扫描;并根据每行中的白色像素点和非白像素点确定序列;然后根据该序列确定动物排泄物图像信息。
在一个实施例中,处理模块302,还可以用于根据动物排泄物图像信息的尺寸信息,确定动物排泄物图像信息的圆心坐标;并根据圆心坐标和边缘信息,对动物排泄物图像信息进行形态识别。
可以理解的是,图2所示的动物健康检测的装置中的各个模块具有实现图1中各个步骤的功能,为简洁描述,在此不再赘述。
本发明实施例提供的动物健康检测的装置,通过获取第一目标图像,并提取第一目标图像中的动物排泄物图像信息,之后对动物排泄物图像信息进行形态和/或颜色识别,当识别所述动物排泄物图像信息得到的数据满足预设条件时,获取动物排泄物图像信息对应的动物标识信息,来对处于不健康状态的动物标识信息进行获取。因为是对动物排泄物图像信息进行识别,动物排泄物图像信息(粪便信息)的形态和/或颜色检测具有直观快捷准确且随地域差异变化较小的优势,因此解决了检测动物健康过程中存在的效率低,适应性差的问题,提高了检测效率和检测适应性。
图3是本发明实施例提供的一种计算设备的硬件架构的结构图。如图3所示,计算设备400包括输入设备401、输入接口402、中央处理器403、存储器404、输出接口405、以及输出设备406。其中,输入接口402、中央处理器403、存储器404、以及输出接口405通过总线410相互连接,输入设备401和输出设备406分别通过输入接口402和输出接口405与总线410连接,进而与计算设备400的其他组件连接。
具体地,输入设备401接收来自外部的输入信息,并通过输入接口402将输入信息传送到中央处理器403;中央处理器403基于存储器404中存储的计算机可执行指令对输入信息进行处理以生成输出信息,将输出信息临时或者永久地存储在存储器404中,然后通过输出接口405将输出信息传送到输出设备406;输出设备406将输出信息输出到计算设备400的外部供用户使用。
也就是说,图3所示的计算设备也可以被实现为动物健康检测的设备,该动物健康检测的设备可以包括:存储有计算机可执行指令的存储器;以及处理器,该处理器在执行计算机可执行指令时可以实现本发明实施例提供的动物健康检测的方法。
本发明实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现本发明实施例提供的动物健康检测的方法。
需要明确的是,本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本发明的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本发明的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本发明中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或系统。但是,本发明不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
上面参考根据本公开的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各方面。应当理解,流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器,以产生一种机器,使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解,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,也可以由执行指定的功能或动作的专用硬件来实现,或可由专用硬件和计算机指令的组合来实现。
以上所述,仅为本发明的具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的系统、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种动物健康检测的方法,其特征在于,所述方法包括:
获取第一目标图像;
提取第一目标图像中的动物排泄物图像信息;
对所述动物排泄物图像信息进行形态和/或颜色识别;
当识别所述动物排泄物图像信息得到的数据满足预设条件时,获取所述动物排泄物图像信息对应的动物标识信息。
2.根据权利要求1所述的方法,其特征在于,所述提取第一目标图像中的动物排泄物图像信息,包括:
对所述第一目标图像进行预处理,生成第二目标图像;
根据所述第二目标图像,确定所述动物排泄物图像信息。
3.根据权利要求2所述的方法,其特征在于,所述对所述第一目标图像进行预处理,生成第二目标图像,包括:
根据预设的图像窗口信息对所述第一目标图像的多个像素点进行滤波,生成所述第二目标图像。
4.根据权利要求3所述的方法,其特征在于,所述根据所述第二目标图像,确定所述动物排泄物图像信息,包括:
获取所述第二目标图像中多个像素点的水平梯度值、垂直梯度值和方向信息;
根据多个像素点的梯度值和方向信息确定所述第二目标图像的边缘信息;
根据所述边缘信息确定所述动物排泄物图像信息。
5.根据权利要求4所述的方法,其特征在于,所述根据所述边缘信息确定所述动物排泄物图像信息,包括:
根据所述边缘信息对滤波后的目标图像进行扫描;
根据每行中的白色像素点和非白像素点确定序列;
根据所述序列确定所述动物排泄物图像信息。
6.根据权利要求4或5所述的方法,其特征在于,对动物排泄物图像信息进行形态识别,包括:
根据动物排泄物图像信息的尺寸信息,确定动物排泄物图像信息的圆心坐标;
根据所述圆心坐标和所述边缘信息,对所述动物排泄物图像信息进行形态识别。
7.一种动物健康检测的装置,其特征在于,所述装置包括:
获取模块,用于获取第一目标图像;
处理模块,用于提取第一目标图像中的动物排泄物图像信息;
所述处理模块,还用于对所述动物排泄物图像信息进行形态和/或颜色识别;
所述获取模块,还用于当识别所述动物排泄物图像信息得到的数据满足预设条件时,获取所述动物排泄物图像信息对应的动物标识信息。
8.根据权利要求7所述的装置,其特征在于,
所述处理模块,还用于对所述第一目标图像进行预处理,生成第二目标图像;
所述处理模块,还用于根据所述第二目标图像,确定所述动物排泄物图像信息。
9.一种电子设备,其特征在于,所述电子设备包括:处理器以及存储有计算机程序指令的存储器;
所述处理器执行所述计算机程序指令时实现如权利要求1-6任意一项所述的动物健康检测的方法。
10.一种计算机存储介质,其特征在于,所述计算机存储介质上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现如权利要求1-6任意一项所述的动物健康检测的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010770999.3A CN114092378A (zh) | 2020-08-04 | 2020-08-04 | 动物健康检测的方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010770999.3A CN114092378A (zh) | 2020-08-04 | 2020-08-04 | 动物健康检测的方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114092378A true CN114092378A (zh) | 2022-02-25 |
Family
ID=80295172
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010770999.3A Pending CN114092378A (zh) | 2020-08-04 | 2020-08-04 | 动物健康检测的方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114092378A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116664960A (zh) * | 2023-07-28 | 2023-08-29 | 深圳弗瑞奇科技有限公司 | 一种基于图像处理的猫便识别方法 |
CN116682147A (zh) * | 2023-08-02 | 2023-09-01 | 北京市农林科学院智能装备技术研究中心 | 一种动物腹泻的识别装置 |
CN117373676A (zh) * | 2023-12-07 | 2024-01-09 | 成都大熊猫繁育研究基地 | 大熊猫健康评估方法、装置、系统、设备及存储介质 |
-
2020
- 2020-08-04 CN CN202010770999.3A patent/CN114092378A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116664960A (zh) * | 2023-07-28 | 2023-08-29 | 深圳弗瑞奇科技有限公司 | 一种基于图像处理的猫便识别方法 |
CN116682147A (zh) * | 2023-08-02 | 2023-09-01 | 北京市农林科学院智能装备技术研究中心 | 一种动物腹泻的识别装置 |
CN116682147B (zh) * | 2023-08-02 | 2023-10-31 | 北京市农林科学院智能装备技术研究中心 | 一种动物腹泻的识别装置 |
CN117373676A (zh) * | 2023-12-07 | 2024-01-09 | 成都大熊猫繁育研究基地 | 大熊猫健康评估方法、装置、系统、设备及存储介质 |
CN117373676B (zh) * | 2023-12-07 | 2024-02-13 | 成都大熊猫繁育研究基地 | 大熊猫健康评估方法、装置、系统、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ali et al. | Structural crack detection using deep convolutional neural networks | |
CN111178197B (zh) | 基于Mask R-CNN和Soft-NMS融合的群养粘连猪实例分割方法 | |
CN104992223B (zh) | 基于深度学习的密集人数估计方法 | |
CN108830144B (zh) | 一种基于改进Faster-R-CNN的哺乳母猪姿态识别方法 | |
CN114092378A (zh) | 动物健康检测的方法、装置、设备及存储介质 | |
CN112734731B (zh) | 一种牲畜温度检测方法、装置、设备和存储介质 | |
CN104657706B (zh) | 基于图像的高铁线路线杆断裂与联接结构体异常检测方法 | |
CN107622236B (zh) | 基于蜂群与梯度提升决策树算法农作物病害诊断预警方法 | |
Naga Srinivasu et al. | A comparative review of optimisation techniques in segmentation of brain MR images | |
CN109829916A (zh) | 一种基于cnn的变压器故障诊断方法 | |
CN110287902B (zh) | 畜禽存活检测方法、装置、设备及计算机程序产品 | |
CN114004866A (zh) | 一种基于图像相似度差异的蚊虫识别系统与方法 | |
CN111539293A (zh) | 一种果树病害诊断方法及系统 | |
CN115527234A (zh) | 一种基于改进YOLOv5模型的红外图像笼内死鸡识别方法 | |
CN110070024A (zh) | 一种皮肤压力性损伤热成像图像识别的方法、系统及手机 | |
CN114898405A (zh) | 基于边缘计算的便携式肉鸡异常监测系统 | |
CN113068657B (zh) | 一种智能化高效养猪方法及系统 | |
Pauzi et al. | A review on image processing for fish disease detection | |
CN110532926A (zh) | 基于深度学习的猪神经性疾病智能测报方法 | |
CN117253192A (zh) | 用于桑蚕养殖的智能系统及方法 | |
Wu et al. | A Dense Litchi Target Recognition Algorithm for Large Scenes | |
Zhang et al. | An approach for goose egg recognition for robot picking based on deep learning | |
Mishra et al. | Convolutional neural network method for effective plant disease prediction | |
CN114264378A (zh) | 一种牲畜智能管理系统及方法 | |
Guo et al. | Research on position recognition system of gantry hoisting based on machine 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 |