CN114596448A - 一种肉鸭健康管理方法及其管理系统 - Google Patents

一种肉鸭健康管理方法及其管理系统 Download PDF

Info

Publication number
CN114596448A
CN114596448A CN202210223888.XA CN202210223888A CN114596448A CN 114596448 A CN114596448 A CN 114596448A CN 202210223888 A CN202210223888 A CN 202210223888A CN 114596448 A CN114596448 A CN 114596448A
Authority
CN
China
Prior art keywords
meat duck
sound
duck
meat
image data
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
CN202210223888.XA
Other languages
English (en)
Inventor
肖徳琴
谭祖杰
刘俊彬
黄一桂
刘又夫
曾瑞麟
潘永琪
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.)
South China Agricultural University
Original Assignee
South China Agricultural University
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 South China Agricultural University filed Critical South China Agricultural University
Priority to CN202210223888.XA priority Critical patent/CN114596448A/zh
Publication of CN114596448A publication Critical patent/CN114596448A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
    • G01J5/0022—Radiation pyrometry, e.g. infrared or optical thermometry for sensing the radiation of moving bodies
    • G01J5/0025—Living bodies
    • 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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
    • G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
    • G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
    • G10L25/66—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination for extracting parameters related to health condition
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P60/00—Technologies relating to agriculture, livestock or agroalimentary industries
    • Y02P60/80—Food processing, e.g. use of renewable energies or variable speed drives in handling, conveying or stacking
    • Y02P60/87—Re-use of by-products of food processing for fodder production

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Multimedia (AREA)
  • Acoustics & Sound (AREA)
  • Human Computer Interaction (AREA)
  • Signal Processing (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Business, Economics & Management (AREA)
  • Mining & Mineral Resources (AREA)
  • Human Resources & Organizations (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • Economics (AREA)
  • Agronomy & Crop Science (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)

Abstract

本发明公开了一种肉鸭健康管理方法及其管理系统，所述肉鸭健康管理方法包括：采集肉鸭的原始红外图像数据和原始声音数据；对所述原始红外图像数据进行图像数据分析处理，得到图像数据分析处理结果；对所述原始声音数据进行声音数据分析处理，得到声音数据分析处理结果；根据所述图像数据分析处理结果和所述声音数据分析处理结果，得到肉鸭的健康状况；当所述肉鸭的健康状况为异常时，进行警报。本发明所提供的肉鸭健康管理方法及其管理系统，能够减少人工成本的同时提升了肉鸭异常情况预警的响应速度。

Description

一种肉鸭健康管理方法及其管理系统
技术领域
本发明涉及肉鸭养殖技术领域，具体涉及一种肉鸭健康管理方法及其管理系统。
背景技术
肉鸭产业是我国畜牧业的重要组成部分。2020年，我国肉鸭出栏量达到46.8亿只，占全球总出栏量80％以上，产量超过1050万吨，产值超过1250亿元。在肉鸭养殖中，肉鸭的健康是影响养殖效益的关键因素之一。当前，规模化、集约化、自动化养殖已经成为肉鸭养殖业的发展趋势。在大规模集约式的肉鸭养殖模式下，由于饲养密度大，容易引起鸭只的应激反应，发病率相对较高。通过对鸭只叫声和体温的记录监控来监测鸭只的健康状态具有重要意义。鸭只日常的声音、体温等信息与鸭场的实际环境有密切关联，通过监测此类信息对鸭场环境进行智能调控，可提高养殖效益；而鸭只异常声音的出现和体温的变化则往往伴随着疾病的发生，如能尽早识别出鸭只的异常声音和体温变化，对减少鸭只用药、提高鸭只福利起着重要的作用。目前，鸭只的体温和声音主要是以人工的方法进行采集，传统的采集方法需要耗费大量的时间和人力且效率低下，并且易使鸭只受到刺激，不利于鸭只成长。
此外，传统的针对鸭场监测鸭声的方法是人为蹲点监测，不仅人力成本高，而且无法保证较理想的识别率；且采用单一体温或单一声音数据源对于鸭子的是否健康状态的判断可信度较低，容易造成误判。
发明内容
本发明的目的在于提供一种肉鸭健康管理方法及其管理系统，以解决现有肉鸭健康管理方法耗费时间成本和人力成本的问题。
本发明解决上述技术问题的技术方案如下：
本发明提供一种肉鸭健康管理方法，所述肉鸭健康管理方法包括：
采集肉鸭的原始红外图像数据和原始声音数据；
对所述原始红外图像数据进行图像数据分析处理，得到图像数据分析处理结果；
对所述原始声音数据进行声音数据分析处理，得到声音数据分析处理结果；
根据所述图像数据分析处理结果和所述声音数据分析处理结果，得到肉鸭的健康状况；
当所述肉鸭的健康状况为异常时，进行警报。
可选择地，对所述原始红外图像数据进行图像数据分析处理包括：
基于所述原始红外图像数据构建肉鸭图像数据集；
利用Sobel算法对所述肉鸭图像数据集进行锐化处理，得到锐化处理后的肉鸭图像数据集；
利用鸭头提取算法定位所述锐化处理后的肉鸭图像数据集中的鸭头，得到肉鸭头部分割图像；
根据所述肉鸭头部分割图像和所述肉鸭头部区域的红外温度矩阵，得到肉鸭温度相关数据；
将所述肉鸭温度相关数据作为所述图像数据分析处理结果输出。
可选择地，所述利用鸭头提取算法定位所述锐化处理后的肉鸭图像数据集中的鸭头，得到肉鸭头部分割图像包括：
对所述锐化处理后的肉鸭图像数据集进行目标检测处理，得到若干肉鸭的目标检测框；
将若干所述肉鸭的目标检测框作为所述肉鸭头部分割图像输出；其中，每个所述肉鸭的目标检测框包括检测框左上角顶点的坐标、检测框的宽度和高度。
可选择地，所述根据所述肉鸭头部分割图像和所述肉鸭头部区域的红外温度矩阵，得到肉鸭温度相关数据包括：
根据所述检测框左上角顶点的坐标、目标检测框的宽度和高度，得到所述目标检测框每个顶点的实际坐标值；
获取预设红外图像的红外温度矩阵；
将所述预设红外图像的红外温度矩阵和所述目标检测框每个顶点的实际坐标值一一匹配，得到肉鸭头部区域的红外温度矩阵；
根据所述肉鸭头部区域的红外温度矩阵，得到所述肉鸭头部温度的平均值和最大值；
将所述肉鸭头部温度的平均值和最大值作为所述肉鸭温度相关数据输出。
可选择地，对所述原始声音数据进行声音数据分析处理包括：
基于所述原始声音数据构建肉鸭声音信号数据集；
利用去噪算法对所述肉鸭声音信号数据集进行去噪处理，得到去噪后的肉鸭声音信号数据集；
利用短时能量双门限检测算法，提取所述去噪后的肉鸭声音信号数据集中的有效声音信号；
将所述有效声音信号转化为梅尔图谱；
根据所述梅尔图谱，利用卷积神经网络，得到所述声音分析处理结果。
可选择地，所述利用去噪算法对所述肉鸭声音信号数据集进行去噪处理，得到去噪后的肉鸭声音信号数据集包括：
利用预设小波基函数将所述肉鸭声音信号数据集分解为若干个目标大小的频率区间；
计算每个所述频率区间的信息熵，得到对应的熵值；
将所述熵值最大的区间视为噪声；
利用软阈值进行去噪处理，得到小波包分解系数；
根据所述小波包分解系数重构声音信号，得到去噪后的肉鸭声音信号数据集。
可选择地，所述根据所述梅尔图谱，利用卷积神经网络，得到所述声音分析处理结果包括：
将所述梅尔图谱作为所述卷积神经网络的特征对所述卷积神经网络进行训练，得到训练好的卷积神经网络；
识别去噪后的鸭群声音信号数据集中的特征提取参数；
根据所述特征提取参数，利用所述训练好的卷积神经网络，得到所述去噪后的鸭群声音信号数据集的分类标签；
获取所述分类标签中的异常情况；
将所述异常情况作为所述声音分析处理结果输出。
可选择地，所述根据所述原始声音数据和所述原始红外图像数据，得到异常肉鸭包括：
获取所述声音分析处理结果和所述图像数据分析处理结果；
根据所述声音分析处理结果和所述图像数据分析处理结果，得到异常肉鸭的位置；
获取所述异常肉鸭的体温温度；
判断所述异常肉鸭的体温温度是否大于预设阈值，若是，输出所述肉鸭的健康状况为异常，否则为正常。
本发明还提供一种根据上述的肉鸭健康管理方法的肉鸭健康管理系统，所述肉鸭健康管理系统包括：
红外图像获取模块，所述红外图像获取设备用于获取所述原始红外图像数据；
声音获取模块，所述声音获取设备用于获取所述原始声音数据；
数据处理模块，所述数据处理模块用于对所述原始红外图像数据和/或所述原始声音数据进行分析处理，得到图像数据分析处理结果和/或声音数据分析处理结果；
健康监测模块，所述健康监测模块用于获取所述肉鸭的健康状况；
警报模块，所述警报模块用于获取所述肉鸭的健康状况，并对所述肉鸭的健康状况为异常的进行警报。
本发明具有以下有益效果：
本发明所提供的肉鸭健康管理方法及其管理系统，通过上述技术方案，具有以下技术效果：
1.本发明以肉鸭声音信号的梅尔谱图为特征，利用卷积神经网络来构建肉鸭叫声的分类模型，通过计算机视觉的方法来转化解决问题的角度，从声音的特征识别转化为对于图像的特征的识别，能够提高特征的识别的准确性和相关的精度；
2.本发明使用了基于深度卷积网络的目标检测器YOLOv4改进策略的方法，降低原特征提取网络的复杂度，提高了网络模型的运行性能，增强了模型在农业场景相关的可适应性和稳定性；
3.本发明能够自动获取肉鸭的健康状况，并根据健康状况进行警报，和传统方法的人工视检的方法相比，减少人工成本的同时提升了肉鸭异常情况预警的响应速度。
附图说明
图1为本发明所提供的肉鸭健康管理方法的流程图；
图2为本发明所提供的MobileNetV3网络的结构示意图；
图3为本发明所提供的VGG16模型的卷积神经网络的结构示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
实施例
本发明提供一种肉鸭健康管理方法，参考图1所示，所述肉鸭健康管理方法包括：
S1：采集肉鸭的原始红外图像数据和原始声音数据；
在本发明中，将红外装置在俯视下获取到的视频作为原始红外图像数据。
S2：对所述原始红外图像数据进行图像数据分析处理，得到图像数据分析处理结果；
这里，具体包括：
基于所述原始红外图像数据构建肉鸭图像数据集；
利用Sobel算法对所述肉鸭图像数据集进行锐化处理，得到锐化处理后的肉鸭图像数据集；
这样，锐化处理后的肉鸭图像数据集能够降低红外图像本身模糊、对比度低的特性，从而能够突出肉鸭轮廓，便于后续图像数据的处理。
利用鸭头提取算法定位所述锐化处理后的肉鸭图像数据集中的鸭头，得到肉鸭头部分割图像；
在本发明中，采用基于深度卷积网络的目标检测器YOLOv4改进策略的方法，以针对检测肉鸭头部区域这一目标做出优化。YOLO(You only look once)是一种一阶段的目标检测器，将目标检测问题转换为回归问题，具有检测速度快的特点。YOLOv4经过改进使用CSPDarknet53作为骨干网络，其中引入了大量堆叠的残差结构，直接影响了其在提取特征过程中的时间性能。因此本专利的优化策略是使用去掉分类以及输出层的MobileNetV3网络的网络结构来替换原本的特征提取网络CSPDarknet53。
MobileNetV3网络的具体结构参考图2所示，其包括：MobileNetV3卷积模块、SPP模块、PAN模块、第一Yolo head模块、第二Yolo head模块和第三Yolo head模块；所述MobileNetV3卷积模块包括起始部分、中间部分和最后部分，所述起始部分包括1个卷积层，通过3×3卷积提取特征，所述中间部分包括多个卷积层，用于对特征在多尺度下的提取，所述最后部分通过两个1×1的卷积层代替全连接层，以用于输出类别；所述SPP模块连接所述MobileNetV3卷积模块的最后部分，以用于解决输入图像尺寸不统一的问题，此外，SPP模块中不同大小特征的融合，有利于待检测图像中目标大小差异较大的情况，尤其是对于yolov4一般针对的复杂多目标图像。所述PAN模块包括第一卷积层、第一上采样子模块、第二卷积层、第二上采样子模块、批量数据标准化卷积层、第三卷积层、第一下采样子模块、第四卷积层和第二下采样子模块，所述SPP模块的输出连接所述批量数据标准化卷积层的输入，所述批量数据标准化卷积层的输出同时连接所述第二上采样子模块的输入和所述第三卷积层的输入，所述最后部分的输出通过卷积运算作为所述第二卷积层的输入，并且所述上采样模块的输出连接所述第二卷积层的输入，所述第二卷积层的输出同时连接所述第一上采样子模块和所述第四卷积层的输入，所述第一上采样子模块的输出连接所述第一卷积层，并且所述起始部分的输出通过卷积运算作为所述第一卷积层的输入，所述第一卷积层的输出同时连接所述第二下采样子模块的输入和所述第一Yolo head模块，所述第二下采样子模块的输出和所述第二卷积层的输出同时连接所述第四卷积层的输入，所述第四卷积层的输出同时连接所述第二Yolo head模块和所述第一下采样子模块的输入，所述第一下采样子模块的输出连接所述第三卷积层的输入，所述第三卷积层的输出连接所述第三Yolohead模块；Yolo head模块通过两层卷积输出预测结果，并转化到对应的格式，在本发明中，第一Yolo head模块、第二Yolo head模块和第三Yolo head模块输入的三种不同尺度的特征图，其尺度通过上采样子模块和/或下采样子模块操作后从大到小，分别对应检测物体的不同大小。
具体地，所述利用鸭头提取算法定位所述锐化处理后的肉鸭图像数据集中的鸭头，得到肉鸭头部分割图像包括：
对所述锐化处理后的肉鸭图像数据集进行目标检测处理，得到若干肉鸭的目标检测框；
即将锐化处理后的肉鸭图像数据集记为P，则，本发明将P输入到改进后的YOLOv4目标检测模型，即可的得到若干肉鸭的目标检测框。
将若干所述肉鸭的目标检测框作为所述肉鸭头部分割图像输出；其中，每个所述肉鸭的目标检测框包括检测框左上角顶点的坐标、检测框的宽度和高度，即(x，y，w，h)。
根据所述肉鸭头部分割图像和所述肉鸭头部区域的红外温度矩阵，得到肉鸭温度相关数据；
具体包括：
根据所述检测框左上角顶点的坐标、目标检测框的宽度和高度，得到所述目标检测框每个顶点的实际坐标值；
即，四个顶点的实际坐标值分别为：(x'左上，y'左上)、(x'右上，y'右上)、(x'左下，y'左下)(x'右下，y'右下)。
获取预设红外图像的红外温度矩阵；
设初始红外图像红外温度矩阵为M。
将所述预设红外图像的红外温度矩阵和所述目标检测框每个顶点的实际坐标值一一匹配，得到肉鸭头部区域的红外温度矩阵；
这里，由于通过红外摄像头的拍摄的原始红外图像和红外温度矩阵的分辨率相同，即温度矩阵上的数值的点可以对应到红外图像同样拍摄位置的坐标，因此，使用拍摄到的红外图像进行目标识别，将识别到的肉鸭头部的矩阵四个角的坐标一一对应到温度矩阵上的相关值，并从中获取肉鸭头部的相关温度。
根据所述肉鸭头部区域的红外温度矩阵，得到所述肉鸭头部温度的平均值和最大值；
将所述肉鸭头部温度的平均值和最大值作为所述肉鸭温度相关数据输出。
将所述肉鸭温度相关数据作为所述图像数据分析处理结果输出。
S3：对所述原始声音数据进行声音数据分析处理，得到声音数据分析处理结果；
具体包括：
基于所述原始声音数据构建肉鸭声音信号数据集；
由于肉鸭声音信号数据集中包括肉鸭声音和环境噪音，且两者存在相互叠加的情况，因此，本发明利用去噪算法对所述肉鸭声音信号数据集进行去噪处理，得到去噪后的肉鸭声音信号数据集；
这里，具体的操作步骤为：
利用预设小波基函数将所述肉鸭声音信号数据集分解为若干个目标大小的频率区间；
本发明采用与肉鸭声音相近声音的db10作为小波基函数，根据对肉鸭声音的特征分析，将频率响度的分解尺度分为5的小波包变换，根据其响声分布主要集中在0～900Hz内。得到频率范围为300Hz的单位等分间隔为[0，300]Hz，(300，600]Hz，…，(8 700，9 000]Hz，共30个频率区间。
计算每个所述频率区间的信息熵，得到对应的熵值；
使用软阈值计算公式结合信息熵公式计算每个区间的信息熵。
将所述熵值最大的区间视为噪声；
利用软阈值进行去噪处理，得到小波包分解系数；
根据所述小波包分解系数重构声音信号，得到去噪后的肉鸭声音信号数据集。
这里，分别对小波包变换、软阈值计算和信息熵作以具体说明：
(1)小波包变换：
使用Mallet算法对小波系数进行分解：设第j个尺度的分解系数为Cj＝{Cj,k},k＝1,2,…,2j，则得到第j+1尺度的分解系数为：
Figure BDA0003534862280000101
Figure BDA0003534862280000102
其中式(1)、(2)中，h、g分别表示低通、高通滤波器。对分解以后的小波系数，利用阈值去噪法去除由噪声产生的小波系数，u表示的是时间的序列，k表示的是信号所在的位置参数，j表示的是信号的尺度参数，Cj,k表示的是小波包变换的系数矩阵。
(2)软阈值计算：
软阈值计算是对于大于阈值的分解系数进行收缩处理，从而得到分解系数的软阈值估计值
Figure BDA0003534862280000103
公式为：
Figure BDA0003534862280000104
其中，阈值λ的计算公式为：
Figure BDA0003534862280000105
其中，σn指代噪声的方差，为信号样本数量，Sign(x)为符号函数，即当x>0时为1，当x<0时为-1。
(3)信息熵：
信息熵表示信号内含有信息量的单位，是通过信息熵的数值反映概率概率分布下的均匀程度。设E＝{Ek}为小波包变换的系数矩阵Cj,k所表示的能量，其中k＝1,2,…2j，依据能量熵方法的相关定义：
Figure BDA0003534862280000106
可得总能量Esum在第j下的累计和，公式为：
Figure BDA0003534862280000107
再将得出的信息熵转变成一个概率分布序列，得出的概率函数为：
Figure BDA0003534862280000111
由公式说明，pk值越大，表示其信号的分布越均匀，其中p值为最大区间的内的小波包分解系数则标记为噪声。此时可计算得出其方差，公式为：
Figure BDA0003534862280000112
再依据每个区间计算得到的信息熵，从中选取熵值最大的区间判定为噪声，再以此计算相关阈值，通过软阈值去噪算法，得到了近似的小波包分解系数，以此重构声音的信号。
去噪完成后得到消除背景噪音的鸭的叫声数据，但经过去操后处理的鸭场声音中存在空白声音片段，为了获取连续声音段中的有效片段，需要提取其中的有效片段。通过使用短时能量双门限检测算法，提取出连续声音中的有效片段。
即：利用短时能量双门限检测算法，提取所述去噪后的肉鸭声音信号数据集中的有效声音信号；
将所述有效声音信号转化为梅尔图谱；
转化方法为：获取包含异常声音的的一个发生周期，使用梅尔滤波器对肉鸭声音进行滤波，得到包含鸭子异常声音的梅尔谱图。
根据所述梅尔图谱，利用卷积神经网络，得到所述声音分析处理结果。
这里的卷积神经网络为VGG16模型的卷积神经网络，参考图3所示，其结构包括依次连接的第一3×3卷积模块、第二3×3卷积模块、第一池化层、第三3×3卷积模块、第四3×3卷积模块、第二池化层、第五3×3卷积模块、第六3×3卷积模块、第七3×3卷积模块、第三池化层、第八3×3卷积模块、第九3×3卷积模块、第十3×3卷积模块、第四池化层、第十一3×3卷积模块、第十二3×3卷积模块、第十三3×3卷积模块、第五池化层和全连接模块。
具体包括：
将所述梅尔图谱作为所述卷积神经网络的特征对所述卷积神经网络进行训练，得到训练好的卷积神经网络；
识别去噪后的鸭群声音信号数据集中的特征提取参数；
根据所述特征提取参数，利用所述训练好的卷积神经网络，得到所述去噪后的鸭群声音信号数据集的分类标签；
获取所述分类标签中的异常情况；
将所述异常情况作为所述声音分析处理结果输出。
本发明基于卷积操作提取梅尔谱图的局部特征的模块，该模块由卷积层、批归一化层，指数现行单元激活函数和池化层构成。本领域人员能够想到的是，需要将梅尔图谱输入进卷积层进行特供学习。接着使用批归一化层对每批卷积层的输出进行归一化处理，以提高深度网络的性能和稳定性。
S4：根据所述图像数据分析处理结果和所述图像数据分析处理结果，得到肉鸭的健康状况；
具体包括：
获取所述声音分析处理结果和所述图像数据分析处理结果；
根据所述声音分析处理结果和所述图像数据分析处理结果，得到异常肉鸭的位置；
获取所述异常肉鸭的体温温度；
判断所述异常肉鸭的体温温度是否大于预设阈值，若是，输出所述肉鸭的健康状况为异常，否则为正常。
S5：当所述肉鸭的健康状况为异常时，进行警报。
本发明还提供一种根据上述的肉鸭健康管理方法的肉鸭健康管理系统，所述肉鸭健康管理系统包括：
红外图像获取模块，所述红外图像获取设备用于获取所述原始红外图像数据；
声音获取模块，所述声音获取设备用于获取所述原始声音数据；
数据处理模块，所述数据处理模块用于对所述原始红外图像数据和/或所述原始声音数据进行分析处理，得到图像数据分析处理结果和/或声音数据分析处理结果；
健康监测模块，所述健康监测模块用于获取所述肉鸭的健康状况；
警报模块，所述警报模块用于获取所述肉鸭的健康状况，并对所述肉鸭的健康状况为异常的进行警报。
本发明所提供的肉鸭健康管理方法及其管理系统，通过上述技术方案，具有以下技术效果：
1.本发明以肉鸭声音信号的梅尔谱图为特征，利用卷积神经网络来构建肉鸭叫声的分类模型，通过计算机视觉的方法来转化解决问题的角度，从声音的特征识别转化为对于图像的特征的识别，能够提高特征的识别的准确性和相关的精度；
2.本发明使用了基于深度卷积网络的目标检测器YOLOv4改进策略的方法，降低原特征提取网络的复杂度，提高了网络模型的运行性能，增强了模型在农业场景相关的可适应性和稳定性；
3.本发明能够自动获取肉鸭的健康状况，并根据健康状况进行警报，和传统方法的人工视检的方法相比，减少人工成本的同时提升了肉鸭异常情况预警的响应速度。
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 (9)

1.一种肉鸭健康管理方法，其特征在于，所述肉鸭健康管理方法包括：
采集肉鸭的原始红外图像数据和原始声音数据；
对所述原始红外图像数据进行图像数据分析处理，得到图像数据分析处理结果；
对所述原始声音数据进行声音数据分析处理，得到声音数据分析处理结果；
根据所述图像数据分析处理结果和所述声音数据分析处理结果，得到肉鸭的健康状况；
当所述肉鸭的健康状况为异常时，进行警报。
2.根据权利要求1所述的肉鸭健康管理方法，其特征在于，对所述原始红外图像数据进行图像数据分析处理包括：
基于所述原始红外图像数据构建肉鸭图像数据集；
利用Sobel算法对所述肉鸭图像数据集进行锐化处理，得到锐化处理后的肉鸭图像数据集；
利用鸭头提取算法定位所述锐化处理后的肉鸭图像数据集中的鸭头，得到肉鸭头部分割图像；
根据所述肉鸭头部分割图像和肉鸭头部区域的红外温度矩阵，得到肉鸭温度相关数据；
将所述肉鸭温度相关数据作为所述图像数据分析处理结果输出。
3.根据权利要求2所述的肉鸭健康管理方法，其特征在于，所述利用鸭头提取算法定位所述锐化处理后的肉鸭图像数据集中的鸭头，得到肉鸭头部分割图像包括：
对所述锐化处理后的肉鸭图像数据集进行目标检测处理，得到若干肉鸭的目标检测框；
将若干所述肉鸭的目标检测框作为所述肉鸭头部分割图像输出；其中，每个所述肉鸭的目标检测框包括检测框左上角顶点的坐标、检测框的宽度和高度。
4.根据权利要求3所述的肉鸭健康管理方法，其特征在于，所述根据所述肉鸭头部分割图像和所述肉鸭头部区域的红外温度矩阵，得到肉鸭温度相关数据包括：
根据所述检测框左上角顶点的坐标、目标检测框的宽度和高度，得到所述目标检测框每个顶点的实际坐标值；
获取预设红外图像的红外温度矩阵；
将所述预设红外图像的红外温度矩阵和所述目标检测框每个顶点的实际坐标值一一匹配，得到肉鸭头部区域的红外温度矩阵；
根据所述肉鸭头部区域的红外温度矩阵，得到所述肉鸭头部温度的平均值和最大值；
将所述肉鸭头部温度的平均值和最大值作为所述肉鸭温度相关数据输出。
5.根据权利要求1所述的肉鸭健康管理方法，其特征在于，对所述原始声音数据进行声音数据分析处理包括：
基于所述原始声音数据构建肉鸭声音信号数据集；
利用去噪算法对所述肉鸭声音信号数据集进行去噪处理，得到去噪后的肉鸭声音信号数据集；
利用短时能量双门限检测算法，提取所述去噪后的肉鸭声音信号数据集中的有效声音信号；
将所述有效声音信号转化为梅尔图谱；
根据所述梅尔图谱，利用卷积神经网络，得到所述声音分析处理结果。
6.根据权利要求5所述的肉鸭健康管理方法，其特征在于，所述利用去噪算法对所述肉鸭声音信号数据集进行去噪处理，得到去噪后的肉鸭声音信号数据集包括：
利用预设小波基函数将所述肉鸭声音信号数据集分解为若干个目标大小的频率区间；
计算每个所述频率区间的信息熵，得到对应的熵值；
将所述熵值最大的区间视为噪声；
利用软阈值进行去噪处理，得到小波包分解系数；
根据所述小波包分解系数重构声音信号，得到去噪后的肉鸭声音信号数据集。
7.根据权利要求5所述的肉鸭健康管理方法，其特征在于，所述根据所述梅尔图谱，利用卷积神经网络，得到所述声音分析处理结果包括：
将所述梅尔图谱作为所述卷积神经网络的特征对所述卷积神经网络进行训练，得到训练好的卷积神经网络；
识别去噪后的鸭群声音信号数据集中的特征提取参数；
根据所述特征提取参数，利用所述训练好的卷积神经网络，得到所述去噪后的鸭群声音信号数据集的分类标签；
获取所述分类标签中的异常情况；
将所述异常情况作为所述声音分析处理结果输出。
8.根据权利要求1-7所述的鸭群健康监测方法，其特征在于，根据所述图像数据分析处理结果和所述声音数据分析处理结果，得到肉鸭的健康状况包括：
获取所述声音分析处理结果和所述图像数据分析处理结果；
根据所述声音分析处理结果和所述图像数据分析处理结果，得到异常肉鸭的位置；
获取所述异常肉鸭的体温温度；
判断所述异常肉鸭的体温温度是否大于预设阈值，若是，输出所述肉鸭的健康状况为异常，否则为正常。
9.一种根据权利要求1-8中任意一项所述的肉鸭健康管理方法的肉鸭健康管理系统，其特征在于，所述肉鸭健康管理系统包括：
红外图像获取模块，所述红外图像获取设备用于获取所述原始红外图像数据；
声音获取模块，所述声音获取设备用于获取所述原始声音数据；
数据处理模块，所述数据处理模块用于对所述原始红外图像数据和/或所述原始声音数据进行分析处理，得到图像数据分析处理结果和/或声音数据分析处理结果；
健康监测模块，所述健康监测模块用于获取所述肉鸭的健康状况；
警报模块，所述警报模块用于获取所述肉鸭的健康状况，并对所述肉鸭的健康状况为异常的进行警报。
CN202210223888.XA 2022-03-07 2022-03-07 一种肉鸭健康管理方法及其管理系统 Pending CN114596448A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210223888.XA CN114596448A (zh) 2022-03-07 2022-03-07 一种肉鸭健康管理方法及其管理系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210223888.XA CN114596448A (zh) 2022-03-07 2022-03-07 一种肉鸭健康管理方法及其管理系统

Publications (1)

Publication Number Publication Date
CN114596448A true CN114596448A (zh) 2022-06-07

Family

ID=81815256

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210223888.XA Pending CN114596448A (zh) 2022-03-07 2022-03-07 一种肉鸭健康管理方法及其管理系统

Country Status (1)

Country Link
CN (1) CN114596448A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115410711B (zh) * 2022-08-29 2023-04-07 黑龙江大学 基于声音信号特征和随机森林的白羽肉鸡健康监测方法
CN116227790A (zh) * 2023-04-25 2023-06-06 宏景科技股份有限公司 智慧养殖智能管理方法、装置、电子设备及智能管理系统
CN116912260A (zh) * 2023-09-15 2023-10-20 沂水友邦养殖服务有限公司 基于人工智能的肉鸡养殖健康状态检测方法
CN117016430A (zh) * 2023-09-22 2023-11-10 江苏省家禽科学研究所 一种基于智能监测的肉鸡养殖系统
CN117470380A (zh) * 2023-12-26 2024-01-30 西安艺琳农业发展有限公司 一种智慧养猪多传感器监测及预警系统
CN118261492A (zh) * 2024-05-30 2024-06-28 绵阳梓兴食品科技有限公司 一种鲜猪肉综合品质无损检测方法与系统

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115410711B (zh) * 2022-08-29 2023-04-07 黑龙江大学 基于声音信号特征和随机森林的白羽肉鸡健康监测方法
CN116227790A (zh) * 2023-04-25 2023-06-06 宏景科技股份有限公司 智慧养殖智能管理方法、装置、电子设备及智能管理系统
CN116227790B (zh) * 2023-04-25 2024-04-09 宏景科技股份有限公司 智慧养殖智能管理方法、装置、电子设备及智能管理系统
CN116912260A (zh) * 2023-09-15 2023-10-20 沂水友邦养殖服务有限公司 基于人工智能的肉鸡养殖健康状态检测方法
CN116912260B (zh) * 2023-09-15 2023-11-28 沂水友邦养殖服务有限公司 基于人工智能的肉鸡养殖健康状态检测方法
CN117016430A (zh) * 2023-09-22 2023-11-10 江苏省家禽科学研究所 一种基于智能监测的肉鸡养殖系统
CN117470380A (zh) * 2023-12-26 2024-01-30 西安艺琳农业发展有限公司 一种智慧养猪多传感器监测及预警系统
CN117470380B (zh) * 2023-12-26 2024-03-22 西安艺琳农业发展有限公司 一种智慧养猪多传感器监测及预警系统
CN118261492A (zh) * 2024-05-30 2024-06-28 绵阳梓兴食品科技有限公司 一种鲜猪肉综合品质无损检测方法与系统

Similar Documents

Publication Publication Date Title
CN114596448A (zh) 一种肉鸭健康管理方法及其管理系统
Zhou et al. Evaluation of fish feeding intensity in aquaculture using a convolutional neural network and machine vision
CN111178197B (zh) 基于Mask R-CNN和Soft-NMS融合的群养粘连猪实例分割方法
CN103854292B (zh) 一种人数及人群运动方向的计算方法及装置
CN109034092A (zh) 用于监控系统的异常事件检测方法
CN112907519A (zh) 一种基于深度学习的金属曲面缺陷分析系统及方法
CN101179713A (zh) 复杂背景下单个运动目标的检测方法
CN111914685B (zh) 母猪发情检测方法、装置、电子设备及存储介质
CN112465905A (zh) 基于深度学习的磁共振成像数据的特征脑区定位方法
CN114093501A (zh) 基于同步视频与脑电的儿童运动性癫痫智能辅助分析方法
CN111680587B (zh) 一种基于多目标跟踪的鸡群活动量实时估算方法及系统
CN116912025A (zh) 基于云边协同的畜牧养殖信息综合管理方法及系统
CN116977937A (zh) 一种行人重识别的方法及系统
CN115170942A (zh) 一种声音与视觉多级融合的鱼类行为识别方法
CN112862749A (zh) 一种骨龄图像数字化处理后自动识别方法
CN110532926A (zh) 基于深度学习的猪神经性疾病智能测报方法
CN114170686A (zh) 一种基于人体关键点的屈肘行为检测方法
CN117253192A (zh) 用于桑蚕养殖的智能系统及方法
CN110008881B (zh) 多运动目标的奶牛行为的识别方法及装置
CN114022831A (zh) 一种基于双目视觉的牲畜体况监测方法及系统
CN114882230A (zh) 一种基于视觉注意力的鼠患检测方法及装置
CN111753640A (zh) 一种采用卷积神经网络和长短期记忆检测群养猪玩耍行为的分析方法
CN109002791A (zh) 一种基于视频自动跟踪奶牛反刍行为的系统及方法
CN116869516A (zh) 一种基于多源异构数据的综合运动评估方法及系统
Sawant et al. Integrated Plant Health Monitoring System

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