CN114642422A - 基于机器视觉的奶牛步态的评分方法 - Google Patents

基于机器视觉的奶牛步态的评分方法 Download PDF

Info

Publication number
CN114642422A
CN114642422A CN202210226548.2A CN202210226548A CN114642422A CN 114642422 A CN114642422 A CN 114642422A CN 202210226548 A CN202210226548 A CN 202210226548A CN 114642422 A CN114642422 A CN 114642422A
Authority
CN
China
Prior art keywords
cow
gait
scoring
determining
value
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
CN202210226548.2A
Other languages
English (en)
Inventor
房建东
薛超引
赵于东
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.)
Inner Mongolia University of Technology
Original Assignee
Inner Mongolia University of Technology
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 Inner Mongolia University of Technology filed Critical Inner Mongolia University of Technology
Priority to CN202210226548.2A priority Critical patent/CN114642422A/zh
Publication of CN114642422A publication Critical patent/CN114642422A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/112—Gait analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1121—Determining geometric values, e.g. centre of rotation or angular range of movement
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1126—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique
    • A61B5/1128—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique using image analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2503/00—Evaluating a particular growth phase or type of persons or animals
    • A61B2503/40—Animals

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Dentistry (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Physiology (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明提供种基于机器视觉的奶牛步态的评分方法，属于畜牧领域。所述方法包括：获取奶牛的行走视频；提取所述奶牛的行走视频中每一帧图像内的特征部位以及确定所述特征部位对应的特征参数；基于所述特征部位对应的特征参数计算奶牛步态中每一评分项的判定参数值；根据所述奶牛步态中每一评分项的判定参数值，确定该评分项的判定状态；将所有评分项的判定状态，按照奶牛的步态评分细则中的评分条件进行评分，得到奶牛的步态评分。本发明综合多个评分项的判定状态，提高了奶牛评分的准确性。

Description

基于机器视觉的奶牛步态的评分方法
技术领域
本发明涉及畜牧业领域，具体地涉及一种基于机器视觉的奶牛步态的评分方法。
背景技术
目前，对奶牛跛行的检测方法主要分为接触式和非接触式两种，通过分析奶牛行为特征对跛行进行检测，国内外学者对此进行了大量研究。以往的研究中通常以检测奶牛弓背为主，但是弓背特征存在个体差异性，不同奶牛体况对弓背影响较大；对于奶牛步态检测，腿部提取较为模糊，一些研究只能通过手动标记或与压力垫结合确定牛蹄着地位置，无法实现准确的自动定位。奶牛跛行主要是由蹄病引起的行为变化，奶牛行走时蹄部由于疼痛承重能力下降，奶牛步态变化以及相应的头颈部斜率变化、弓背程度可以直观反映跛行程度，可通过机器视觉技术检测跛行奶牛步态。由于牛蹄相对体积较小，形状特征不明显，故定位较困难。前人的研究多以手动标记为主，无法实现自动检测，而且在奶牛的跛行检测中，通常只根据弓背情况或跛行检测判断奶牛跛行与否。
现有技术中，比利时学者Poursaberi等人采用图像分析技术对奶牛跛行进行了早期识别。该研究考虑牛在摄像头面前的停顿及牛行走时的不统一性，对原始采集的数据进行了预处理，通过背景消除法对运动的奶牛粗略定位，同时基于二值灰度图统计分析的方法对移动的奶牛进行识别。为了把奶牛特征从背景中提取，前景放大法被用来分隔奶牛图像和背景，获得了奶牛站立和行走时背部的图像，通过与正常牛的背部样条曲线比较，跛行奶牛背部样条曲线有明显差异。因此，背部姿态信息可以检测奶牛跋行。为了研宄蹄病如何影响奶牛步态，Flower等人利用摄像机在长为40m的测量通道记录了48头高产荷斯坦奶牛的步态数据，通过运动分析软件提取6个运动学步态特征，绘制了健康奶牛与蹄部病变奶牛趾蹄时空关系分布图，通过分析发现，与患有蹄病奶牛相比，健康奶牛步行速度更快，步幅持续时间更短，步幅更长；奶牛通过同侧蹄和对侧蹄之间交替支撑来完成双趾支撑；在三趾支撑期间，健康奶牛仅在三趾上花费了步幅时间的18％，而蹄病奶牛为减轻患趾负荷，这一数据增加了一倍多，占步幅时间的42％。由此可知，蹄部病变的奶牛支撑持续时间和摆动持续时间具有差异，可以作为检测跛行指标。康熙等人利用计算机视觉技术对奶牛牛蹄位置进行自动定位，通过分析奶牛步行时的同侧牛蹄运动轨迹，对跛行进行了识别分类。宋怀波从奶牛序列图像中提取头部、颈部和背部连接的轮廓线，计算该线拟合直线斜率，对18头奶牛进行跛行识别分类，有94％的奶牛被正确分类。Jiang等人采用双正态分布模型获取目标奶牛像素区域，设计了背景统计模型确定奶牛跛行程度，结果表明该方法可以用于检测奶牛跛行。
自20世纪80年代以来，人们对测力传感器技术检测跛行进行了大量的研究，主要以测力板和压敏垫来开发奶牛跛行自动识别系统。Telezhenko首次描述奶牛足迹时空变量，以评估非跛行奶牛的步态模式。选取步幅长度、步长、步宽、跟踪距离、步角和步态不对称性等变量，通过比较各变量的变异系数发现，测量之间变异较小，表明奶牛至少在3周的时间内保持相同平均的步态模式。对32头奶牛时空特征进行进一步分析表明，步速与步幅长度、步长、跟踪距离均呈正相关。因此，奶牛在健康状态下，步态是相对稳定的，而发生跛行时，稳定性将被破坏，导致步态异常。Van De Gucht等人选取9头非跛行奶牛、11头轻度跛行奶牛和12头重度跛行奶牛，利用压敏垫测量奶牛趾蹄着地、负重和抬起相关的时间变量。对比不同评分下的各变量发现，跛行奶牛趾蹄着地和抬起时间比例较长，而完全负重时间比例较短，着地和抬起时间随跛行程度的增加而增加。这表明，奶牛为减轻趾蹄疼痛，会小心的将趾蹄放在地上，相应的趾蹄抬起速度也会变慢。因此，奶牛摆动阶段的步态特征可以作为检测跛行的依据。
基于机器视觉技术的奶牛跛行检测研究中，目前的研究对象较为单一，多为针对奶牛的摆头、弓背、跛行进行单一的检测分析，无法准确的判断奶牛的跛行状况，而且，检测结果通常为是否存在跛行行为，无法准确的评判奶牛的跛行程度。而基于测力传感器技术的奶牛跛行检测研究中，可以全面、直观的对奶牛蹄部进行采集，包括着地时间、受力分析等，但是该方案在实际使用过程中不易实现，仅限于实验室条件。基于测力传感器技术中的设备在使用过程中对实验环境要求严格，普通养殖场的环境无法达到实验室的标准；其中的设备价格性价比不高，且在养殖场部署该设备会对养殖场造成巨大的成本提高。
发明内容
本发明实施方式的目的是提供一种基于机器视觉的奶牛步态的评分方法，以至少解决上述奶牛评分在工程应用中准确性问题。
为了实现上述目的，本发明第一方面提供一种基于机器视觉的奶牛步态的评分方法，所述方法包括：
获取奶牛的行走视频；
提取所述奶牛的行走视频中每一帧图像内的特征部位以及确定所述特征部位对应的特征参数；
基于所述特征部位对应的特征参数计算奶牛步态中每一评分项的判定参数值；
根据所述奶牛步态中每一评分项的判定参数值，确定该评分项的判定状态；
将所有评分项的判定状态，按照奶牛的步态评分细则中的评分条件进行评分，得到奶牛的步态评分。
可选的，评分项的判定参数值包括：摆头情况的判定参数值；所述特征部位包括奶牛头骨和颈椎末端；
所述确定所述特征部位对应的特征参数，包括：
确定牛头骨和颈椎末端在每一帧图像内对应的坐标；
所述基于所述特征点对应的特征参数计算奶牛步态中每一评分项的判定参数值，包括：
根据牛头骨和颈椎末端在每一帧图像内对应的坐标，计算每一帧图像内牛头骨和颈椎末端之间的欧式距离；
将所有的帧图像内牛头骨和颈椎末端之间的欧式距离按照时间顺序排序，得到回归方程；
运用所述回归方程确定摆头情况的判定参数值。
可选的，评分项的判定参数值包括：弓背情况的判定参数值；所述特征部位包括颈部、背部和臀角；
所述确定所述特征部位对应的特征参数，包括：
确定颈部、背部和臀角在每一帧图像内对应的坐标；
所述基于所述特征点对应的特征参数计算奶牛步态中每一评分项的判定参数值，包括：
根据颈部、背部和臀角在每一帧图像内对应的坐标，计算每一帧图像内的颈椎弧度；所述颈椎弧度为颈部和臀角的坐标连线与背部和臀角的坐标连线之间的夹角；
将所有帧图像内的颈椎弧度按照时间顺序排序，确定颈椎弧度与时间的变化关系；
运用所述颈椎弧度与时间的变化关系确定弓背情况的判定参数值。
可选的，所述弓背情况的判定参数值包括脊椎弧度的极差值和脊椎弧度的平均值；
所述根据所述奶牛步态中每一评分项的判定参数值，确定该评分项的判定状态，包括：
根据所述脊椎弧度的极差值和所述脊椎弧度的平均值与相应阈值的比较关系，确定弓背情况的判定状态。
可选的，评分项的判定参数值包括：步态特征的判定参数值；所述特征部位包括奶牛的牛蹄；
所述确定所述特征部位对应的特征参数，包括：
确定每只牛蹄在每一帧图像内基于参考坐标系的对应坐标；所述坐标包括X轴坐标值和Z轴坐标值；所述Z轴坐标值为帧索引；所述X轴坐标值为牛蹄在帧图像中水平方向移动的距离；
所述基于所述特征点对应的特征参数计算奶牛步态中每一评分项的判定参数值，包括：
建立所有牛蹄的X轴坐标值与帧索引之间的对应关系图；
获取所有牛蹄的X轴坐标值与帧索引之间的对应关系图中的下降沿的时间差；根据所述下降沿的时间差确定奶牛的行走过程的脚步序列；
确定奶牛的行走过程的脚步序列正常时，根据所述对应关系图，确定每只牛蹄对应的每一步的步长，并根据每只牛蹄对应的每一步的步长，计算每只牛蹄在检测周期内的平均步长，得到所有牛蹄在检测周期内的平均步长；
确定所有牛蹄在检测周期内的平均步长中的最小值，计算所述最小值与所有牛蹄在检测周期内的平均步长之差，作为步态特征的判定参数值。
可选的，所述根据所述对应关系图，确定每只牛蹄对应的每一步的步长，包括：
获取每只牛蹄对应关系图中下降沿区间内对应的所有的X轴坐标值；
计算当前下降沿区间的上一相邻下降沿区间内对应的X轴坐标值的平均值，以及计算当前下降沿区间内对应的X轴坐标值的平均值；
将当前下降沿区间的上一相邻下降沿区间内对应的X轴坐标值的平均值与当前下降沿区间内对应的X轴坐标值的平均值的差，作为当前下降沿区间内对应的步长。
可选的，所述基于所述特征点对应的特征参数计算奶牛步态中每一评分项的判定参数值，还包括：
确定奶牛的行走过程的脚步序列正常时，根据所述对应关系图，确定每只牛蹄对应的每一步的所需时间；将所述最小值与所有牛蹄在检测周期内的平均步长之差或者每只牛蹄对应的每一步的所需时间作为步态特征的判定参数值。
可选的，所述根据所述对应关系图，确定每只牛蹄对应的每一步的所需时间，包括：
获取每只牛蹄对应关系图中每一步中后一下降沿对应的平均帧索引和前一下降沿对应的平均帧索引；
计算每一步中后一下降沿对应的平均帧索引与前一下降沿对应的平均帧索引之间的帧索引差；
将所述帧索引差与所述奶牛的行走视频的帧速率之积作为每只牛蹄对应的每一步的所需时间。
可选的，评分项的判定参数值包括：负重情况的判定参数值；所述特征部位包括奶牛的牛蹄；
所述确定所述特征部位对应的特征参数，包括：
确定每一牛蹄在每一帧图像内对应的Y轴坐标；所述Y轴坐标值为牛蹄在帧图像中竖直方向移动的距离；
所述基于所述特征点对应的特征参数计算奶牛步态中每一评分项的判定参数值，包括：
根据每一牛蹄在所有帧图像内对应的Y轴坐标，计算每一牛蹄的轴坐标的平均值；
比较所有牛蹄的轴坐标的平均值的大小；确定所有牛蹄的轴坐标的平均值中最小者作为第一参数，剩余牛蹄的轴坐标的平均值作为第二参数；
将所述第二参数与所述第一参数之差作为负重情况的判定参数值。
可选的，所述评分项的判定状态包括：摆头情况的判断结果状态、负重情况的判断结果状态、弓背情况的判断结果状态和步态特征的判断结果状态；
所述将所有评分项的判定状态，按照奶牛的步态评分细则中评分条件，得到奶牛的步态评分，包括：
根据头情况的判断结果状态和负重情况的判断结果状态得到奶牛的步态评分；或者
根据摆头情况的判断结果状态和步态特征的判断结果状态得到奶牛的步态评分；或者
根据摆头情况的判断结果状态、步态特征的判断结果状态和弓背情况的判断结果状态得到奶牛的步态评分。
本发明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指令，该指令用于使得机器执行上述的基于机器视觉的奶牛步态的评分方法。
通过上述技术方案，将所有评分项的判定状态，按照奶牛的步态评分细则中的评分条件进行评分，得到奶牛的步态评分；以及评分项的判定状态的判定通过计算奶牛步态中每一评分项的判定参数值，综合多个评分项的判定状态，提高了奶牛评分的准确性。
本发明实施方式的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施方式的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施方式，但并不构成对本发明实施方式的限制。在附图中：
图1是本发明实施方式提供的一种基于机器视觉的奶牛步态的评分方法流程示意图；
图2是本发明实施方式提供的一种运用具体评分条件评分的示意图；
图3是本发明实施方式提供的一种奶牛视频的采集布局示意图；
图4是本发明实施方式提供的一种奶牛摆头情况分析图；
图5是本发明实施方式提供的一种脊椎弧度变化图；
图6是本发明实施方式提供的一种奶牛蹄部运动轨迹立体图；
图7是本发明实施方式提供的一种奶牛蹄部的x值与帧索引的关系图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
如图1所示，本发明实施方式提供为了实现上述目的，本发明第一方面提供一种基于机器视觉的奶牛步态的评分方法，所述方法包括：
获取奶牛的行走视频；提取所述奶牛的行走视频中每一帧图像内的特征部位以及确定所述特征部位对应的特征参数；基于所述特征部位对应的特征参数计算奶牛步态中每一评分项的判定参数值；根据所述奶牛步态中每一评分项的判定参数值，确定该评分项的判定状态；将所有评分项的判定状态，按照奶牛的步态评分细则中的评分条件进行评分，得到奶牛的步态评分。
使用摄像头对奶牛的行走过程，进行视频采集，采集方式如图3所示。优选的，采集奶牛在前往挤奶厅的行走视频，该路段路面坚硬且不易打滑，能够很好的采集到奶牛的行走视频，表现出奶牛的正常步态。通过加装围栏，每次只允许单只奶牛通过，保证摄像头采集区域内只有单只奶牛通过。使用深度学习算法对奶牛的特征点：头部、颈部、背部、尾部、胫骨、膝盖、蹄部进行识别，将视频中各帧内特征点的坐标记录，分析奶牛在行走过程的各个特征点坐标的变化情况，反应奶牛在行走过程中的摆头、弓背、步态特征的变化情况，使用奶牛养殖业中广泛使用的五分制评分与各个特征点进行对应，给出步态评分。
具体的，本发明技术路线图如图2所示，系统的输入为通过摄像头采集的奶牛行走视频，经过预训练的DeepLabCut深度卷积网络，提取奶牛的关键点包括头部、颈部、背部、尾部、蹄部，得到每一帧内各个关键的坐标值以及置信度。通过计算头部与颈部的连线长度进行回归分析来反应奶牛的摆头情况，通过颈部、背部以及尾部三点夹角在范围时间内的变化幅度来反应奶牛的弓背情况，通过奶牛的蹄部x坐标在范围时间内的变化情况，来反映奶牛的运动情况，通过奶牛蹄部y坐标在范围时间内的大小关系反应奶牛的负重情况。对上述的四种情况依据奶牛的步态评分细则进行综合评判，得到奶牛的步态评分。
视频的关键点提取使用DeepLabCut深度卷积网络实现。该网络模型是来自EPEL洛桑理工Mackenzie Mathis开发的用于姿态估计开源软件包，可用少量的数据标注(50-200张图片)得到较为准确的性能。模型训练选取无遮挡的奶牛行走视频，要求拍摄的视频能够肉眼清楚的识别以上提到的关键点，每段视频使用kemeans算法提取20帧(依训练视频数量而定，保证最后提取帧数约为200帧)，之后对抽取的20帧图像进行人工筛选，保证每一帧中的关键点清晰可见，不符合要求的图片更换为相邻帧图片；使用模型提供的数据标注软件对选取的图片内的特征点标注，标注信息包含特征点的名称以及位置；按比例随机划分训练集与测试集，进行第一次模型训练；训练后得到的模型进行测试，对检测不准确的特征点进行重新标记、训练，最终得到准确的模型。使用训练好的模型对视频进行检测，将检测信息导出，得到关于帧索引的各个特征点(也即是特征部位，本实施例中，优选特征部位的中心点作为特征点)和特征部位对应的特征参数；其中，特征部位对应的特征参数包括坐标信息以及置信度；坐标信息以及置信度通过训练好的DeepLabCut深度卷积网络得到。特征点的坐标(各个特征点的坐标值来源于在视频图像中在每一帧中各个关键点所处位置)包括特征点在帧图像中X轴方向移动的距离、特征点在帧图像中Y轴方向移动的距离(竖直方式移动的距离)和Z轴与时间属性相关(优选通过帧索引进行标定)。上述置信度用于表示该点坐标值的可靠程度，对置信度低的点不予采用。
可选的，评分项的判定参数值包括：摆头情况的判定参数值；所述特征部位包括奶牛头骨和颈椎末端；
所述确定所述特征部位对应的特征参数，包括：
确定牛头骨和颈椎末端在每一帧图像内对应的坐标；
所述基于所述特征点对应的特征参数计算奶牛步态中每一评分项的判定参数值，包括：
根据牛头骨和颈椎末端在每一帧图像内对应的坐标，计算每一帧图像内牛头骨和颈椎末端之间的欧式距离；
将所有的帧图像内牛头骨和颈椎末端之间的欧式距离按照时间顺序排序，得到回归方程；
运用所述回归方程确定摆头情况的判定参数值。
具体的，过程中头部的晃动。奶牛的摆头情况最明显的特征为在行走过程中牛头部有节奏的上下晃动，可以通过对牛头部的运动轨迹进行分析。在奶牛行走过程中，头部的运动可分为x轴水平向前运动以及y轴上的竖直上下运动，在x轴上的运动轨迹呈现直线，无法准确判断出奶牛头部的运动状态，在y轴上的运动轨迹可以近似有规律的波形，在奶牛的正常行走过程中，牛头部的高度也会有微小的上下运动轨迹，因此也无法通过牛头部在y轴上的运动轨迹判断。
因此提出通过奶牛头部与颈部连线的长短变化来反映出奶牛摆头情况。将奶牛头部与颈部连线的长度定义为两点间的欧式距离，计算公式如公式(1)所示。欧式距离Dis的计算公式为：
Figure BDA0003539413420000111
其中xh与yh表示奶牛头部的x、y坐标，xn与yn表示奶牛颈部的x、y坐标。通过对得到的距离分析可以发现，正常奶牛在行走过程中的距离不会随奶牛的行走而发生大幅度的变化，而跛行奶牛则在行走过程中距离随行走发生规律性的变化，且变化幅度较大，通过时间序列可以预测与分析奶牛Dis的变化趋势。
定义帧索引为坐标y，欧式距离Dis为x，使用最小二乘法求回归方程：
Figure BDA0003539413420000112
其中，
Figure BDA0003539413420000113
Figure BDA0003539413420000114
正常奶牛在行走过程中距离较为稳定，变化幅度不大，得到的趋势线较平缓，即计算得到的b值趋近于0，而跛行奶牛在行走过程中距离变化较大，呈增大的趋势，计算得到的b值较大，设定阈值
Figure BDA0003539413420000121
b值(也即是摆头情况的判定参数值)大于阈值
Figure BDA0003539413420000122
判定存在摆头的情况，反之则不存在摆头的情况。
如图4所示，虚线为奶牛在运动过程中的头颈部连线长度与帧索引的关系，直线为头颈部连线长度的变化趋势。该头奶牛为正常奶牛，可以看出奶牛在行走过程中头颈部连线长度变化趋势呈水平趋势，计算得到的b值(也即是摆头情况的判定参数值)约等于0.0053，表明该奶牛在行走过程中的头颈部长度变化趋于稳定，因此可以推断出奶牛在行走过程中未出现摆头的情况。
可选的，评分项的判定参数值包括：弓背情况的判定参数值；所述特征部位包括颈部、背部和臀角；
所述确定所述特征部位对应的特征参数，包括：
确定颈部、背部和臀角在每一帧图像内对应的坐标；
所述基于所述特征点对应的特征参数计算奶牛步态中每一评分项的判定参数值，包括：
根据颈部、背部和臀角在每一帧图像内对应的坐标，计算每一帧图像内的颈椎弧度；所述颈椎弧度为颈部和臀角的坐标连线与背部和臀角的坐标连线之间的夹角；
将所有帧图像内的颈椎弧度按照时间顺序排序，确定颈椎弧度与时间的变化关系；
运用所述颈椎弧度与时间的变化关系确定弓背情况的判定参数值。
具体的，奶牛弓背情况通过颈椎弧度来体现，将脊椎弧度定义为颈部、背部与臀角三点间连线夹角，夹角角度θ的余弦值可通过公式(4)求得；
Figure BDA0003539413420000123
其中，xn与yn表示颈部的x、y坐标，xb与yb表示背部的x、y坐标，xt与yt表示臀角的x、y坐标，通过夹角的余弦值可以得到夹角的角度，图5(a)为正常奶牛在行走过程中脊椎弧度变化情况，图5(b)为跛行奶牛在行走过程中的脊椎弧度变化情况。图中横坐标为帧索引，纵坐标为脊椎弧度，可以看出脊椎弧度随奶牛的行走而时刻变化，正常奶牛脊椎弧度变化相对较小，且弧度较大，而跛行奶牛的脊椎弧度变化较大，且弧度低于正常奶牛。
可选的，所述弓背情况的判定参数值包括脊椎弧度的极差值和脊椎弧度的平均值；
所述根据所述奶牛步态中每一评分项的判定参数值，确定该评分项的判定状态，包括：
根据所述脊椎弧度的极差值和所述脊椎弧度的平均值与相应阈值的比较关系，确定弓背情况的判定状态。
具体的，奶牛的弓背情况判断定义为奶牛脊椎弧度的极差值与脊椎弧度的平均值综合评判。首先计算奶牛的脊椎弧度的极差值，计算公式如公式5所示：
Figure BDA0003539413420000131
其中range为极差值，由脊椎弧度最大的三个值的和减去脊椎弧度最小的三个值得和处以三得到，用极差值来反应奶牛在行走过程中脊椎弧度的变化幅度，变化幅度越大，表明奶牛在行走过程中的弓背情况越严重。
奶牛的脊椎弧度的平均值计算如公式6所示：
Figure BDA0003539413420000132
正常奶牛的脊椎弧度平均值相较于跛行奶牛的脊椎弧度的平均值较大，因此可以通过结合奶牛的脊椎弧度平均值来加以判断，奶牛弓背越严重，奶牛的跛行情况越严重，所反应出来的脊椎弧度平均值越小，结合奶牛在行走过程中的脊柱弧度极差值，能够很好的反应奶牛在行走以及静止过程中所反应出的背部特征，从而判断出奶牛的弓背情况。上述根据所述脊椎弧度的极差值和所述脊椎弧度的平均值与相应阈值的比较关系，确定弓背情况的判定状态，包括：奶牛的脊椎弧度极差值大于阈值，同时平均值低于阈值，则可以判断奶牛出现弓背情况。显然，当奶牛的脊椎弧度极差值小于等于阈值，或者平均值高于等于阈值，则可以判断奶牛未出现弓背情况。
可选的，评分项的判定参数值包括：步态特征的判定参数值；所述特征部位包括奶牛的牛蹄；
所述确定所述特征部位对应的特征参数，包括：
确定每只牛蹄在每一帧图像内基于参考坐标系的对应坐标；所述坐标包括X轴坐标值(在每帧图像中水平移动的距离)和Z轴坐标值(时间参考量)；所述Z轴坐标值为帧索引；
所述基于所述特征点对应的特征参数计算奶牛步态中每一评分项的判定参数值，包括：
建立所有牛蹄的X轴坐标值与帧索引之间的对应关系图；所述X轴坐标值为牛蹄在帧图像中水平方向移动的距离；
获取所有牛蹄的X轴坐标值与帧索引之间的对应关系图中的下降沿的时间差；根据所述下降沿的时间差确定奶牛的行走过程的脚步序列；
确定奶牛的行走过程的脚步序列正常时，根据所述对应关系图，确定每只牛蹄对应的每一步的步长，并根据每只牛蹄对应的每一步的步长，计算每只牛蹄在检测周期内的平均步长，得到所有牛蹄在检测周期内的平均步长；
确定所有牛蹄在检测周期内的平均步长中的最小值，计算所述最小值与所有牛蹄在检测周期内的平均步长之差，作为步态特征的判定参数值。
具体的，奶牛的运动为一个连续性的过程，过程包括对象、对象随时间的位置变化情况，而位置又包含x坐标与y坐标，通过三维坐标可以表示为对象的x坐标与y坐标关于时间t变化的情况。奶牛蹄部的位置随时间变化的关系，如图6所示，图中x轴为奶牛蹄部x坐标，y轴为奶牛蹄部y坐标，z轴为帧索引。奶牛运动的三维坐标虽然能直观的反应出奶牛蹄部的整个运动过程，但是不利于后续的数据分析，因此提出降维的分析方法，将奶牛的运动过程分为x坐标与时间的关系以及y坐标与时间的关系，以此来更直观、准确的对奶牛的运动情况进行分析。
奶牛的运动情况包括奶牛的步幅、步态、步频三种特征。正常奶牛在行走过程中，脚步顺序为LH-LF-RH-RF(其中L，R，H，F分别表示左，右，后和前)，步幅较大，步频稳定且较快，而跛行奶牛在行走过程中会发生不同程度的改变，例如某一只蹄步幅变小、步频变缓。通过对奶牛的蹄部运动轨迹提取如图7所示，是奶牛蹄部的x值与帧索引的关系图，图中横坐标为帧索引序列，纵轴为X轴坐标值，lff-x-data、lbf-x-data、rff-x-data和rbf-x-data、分别表示奶牛的右后脚、左后脚、右前脚与左前角。奶牛在行走过程中x坐标关于帧索引的曲线近似为阶梯波，以图中灰色线条为例，该线条表示奶牛的左后腿在运动过程中的运动轨迹，图中的每一次下降沿表示奶牛向前走了一步，图中共有四个下降沿，表示奶牛在该段视频中走了四步，轨迹平直部分表示奶牛在牛走过程中，该只牛蹄处于着地阶段，当前阶段牛蹄未发生位移变化。通过四个牛蹄的下降沿的时间差可以判断奶牛的在行走过程的脚步序列。
首先，寻找图中第一个出现的第一个下降沿，出现的第一个下降沿为灰色线条的下降沿，为左后蹄，紧随其后的第二个下降沿为左前蹄，之后为右后蹄，最后为右前蹄，可以得到奶牛一次运动运动过程中的脚步序列为左后-左前-右后-右前，与奶牛正常行走序列相吻合，可以判断奶牛在行走过程中脚步序列正常。
可选的，所述根据所述对应关系图，确定每只牛蹄对应的每一步的步长，包括：
获取每只牛蹄对应关系图中下降沿区间内对应的所有的X轴坐标值；
计算当前下降沿区间的上一相邻下降沿区间内对应的X轴坐标值的平均值，以及计算当前下降沿区间内对应的X轴坐标值的平均值；
将当前下降沿区间的上一相邻下降沿区间内对应的X轴坐标值的平均值与当前下降沿区间内对应的X轴坐标值的平均值的差，作为当前下降沿区间内对应的步长。
可选的，所述基于所述特征点对应的特征参数计算奶牛步态中每一评分项的判定参数值，还包括：
确定奶牛的行走过程的脚步序列正常时，根据所述对应关系图，确定每只牛蹄对应的每一步的所需时间；将所述最小值与所有牛蹄在检测周期内的平均步长之差或者每只牛蹄对应的每一步的所需时间作为步态特征的判定参数值。
优选的，所述根据所述对应关系图，确定每只牛蹄对应的每一步的所需时间，包括：
获取每只牛蹄对应关系图中每一步中后一下降沿对应的平均帧索引和前一下降沿对应的平均帧索引；
计算每一步中后一下降沿对应的平均帧索引与前一下降沿对应的平均帧索引之间的帧索引差；
将所述帧索引差与所述奶牛的行走视频的帧速率之积作为每只牛蹄对应的每一步的所需时间。
具体的，奶牛的步长定义为一只蹄在每行走一步所产生的距离，在图中可等于一个下降沿到下一个下降沿的X轴坐标值，计算公式见公式7，X轴坐标值的差值dis等于上一个区间的X轴坐标值的平均值减去下一个区间内X轴坐标值的平均值。
Figure BDA0003539413420000171
其中xi为上一周期中每一帧的X轴坐标值，yi为下一周期中每一帧的X轴坐标值，n、m分别为对应周期中的帧。正常奶牛在行走过程中，每一只蹄的行走步长一致，而跛行奶牛在行走过程中出现跛行的腿步幅变短，计算奶牛每一只蹄在整个行走过程中的步长和，计算在行走过程中的平均值：
Figure BDA0003539413420000172
其中disLH、disLF、disRH、disRF分别代表在周期内行走的步长。之后，计算平均步长最短的蹄与avgdis进行比较，如果差值小于阈值Φ，则不存在跛行，如果大于阈值ΦTrue，则存在跛行的风险，计算见公式9。
Figure BDA0003539413420000173
进一步的，在奶牛的步频分析中，奶牛的步长时间定义为在奶牛每走一步所需的时间间隔，计算如下：
ti＝(avgti+1-avgti)×fps·i＝1，…，m (10)
其中，avgti+1为下一周期中奶牛蹄从抬起到落下的平均帧索引avgti为当前周期奶牛牛蹄从抬起到落下的平均帧索引，通过帧索引的差值乘以视频的帧速率，即可得到奶牛从抬脚到一次抬脚的时间。如果奶牛行走正常，奶牛在行走过程中触底果断，表现出来移动速度快且干脆，如果奶牛在移动过程中步速较缓，可能存在跛行的风险，通过设定阈值，步速如果低于阈值即判定存在跛行风险。
可选的，评分项的判定参数值包括：负重情况的判定参数值；所述特征部位包括奶牛的牛蹄；
所述确定所述特征部位对应的特征参数，包括：
确定每一牛蹄在每一帧图像内对应的Y轴坐标；所述Y轴坐标值为牛蹄在帧图像中竖直方向移动的距离；
所述基于所述特征点对应的特征参数计算奶牛步态中每一评分项的判定参数值，包括：
根据每一牛蹄在所有帧图像内对应的Y轴坐标，计算每一牛蹄的轴坐标的平均值；
比较所有牛蹄的轴坐标的平均值的大小；确定所有牛蹄的轴坐标的平均值中最小者作为第一参数，剩余牛蹄的轴坐标的平均值作为第二参数；
将所述第二参数与所述第一参数之差作为负重情况的判定参数值。
具体的，严重跛行的奶牛在行走过程中表现出来与其他奶牛不同的是不愿意行走，喜欢静卧，在行走过程中由于蹄部严重问题而导致无法负重着地，反映在数据上就是跛行的脚的y坐标的平均值在要高于其他正常脚的y坐标的平均值。详细计算过程如下：
Figure BDA0003539413420000181
公式11中，n为视频中的帧数，yi为每一帧中的y坐标值，分别计算奶牛四只蹄的y坐标的平均值。之后，取avg值最小的记为miny，除miny外，计算其他三只蹄的avg值的平均值avgy，见公式10
Figure BDA0003539413420000182
用平均值avgy减去miny的得到值m，如果m的值小于阈值Φ，可以确定奶牛四只蹄均可以着地，反之则存在一只蹄不可以着地。
可选的，所述评分项的判定状态包括：摆头情况的判断结果状态、负重情况的判断结果状态、弓背情况的判断结果状态和步态特征的判断结果状态；
所述将所有评分项的判定状态，按照奶牛的步态评分细则中评分条件，得到奶牛的步态评分，包括：
根据头情况的判断结果状态和负重情况的判断结果状态得到奶牛的步态评分；或者
根据摆头情况的判断结果状态和步态特征的判断结果状态得到奶牛的步态评分；或者
根据摆头情况的判断结果状态、步态特征的判断结果状态和弓背情况的判断结果状态得到奶牛的步态评分。
具体的，如图2所示，实际生产过程中的奶牛5分制评分遵循表1(其中背部表现为通过弓背情况表现，行走状态通过对称型、步幅步频表示；头部通过摆头情况，负重情况通过y坐标与帧索引)，步态评分1分的奶牛为正常奶牛，奶牛在站立和行走时背部平直，两趾蹄间没有不均匀负重的迹象，走路时没有头部摆动现象，步态正常；步态评分2的奶牛表现为轻度跛行，行走时几乎正常，奶牛在站立时背部是平直的，而行走时则表现出弓背，走路时没有头部摆动现象，步态可能有轻微的不均匀，部分奶牛表现出短步幅行走，但没有明显的跛行迹象；评分3分的奶牛表现为中度跛行，表现出来单肢或多肢步幅变短，奶牛在站立及行走过程中弓背，行走时头部无摆动迹象；评分4分的跛行奶牛有一条或多条肢蹄是跛行的，站立行走弓背且走路时头摇摆明显；评分5分的严重跛行奶牛在4分的基础上表现出来不愿意在患病肢蹄上负重。
表1奶牛行走状态分值表
Figure BDA0003539413420000201
根据该体系以及分析得到的结果，根据如下评分流程，可以完成奶牛步态5分制评分。
首先，判断奶牛是否有摆头现象，如果奶牛在行走过程中出现摆头想象，奶牛的步态评分为4分以上，之后通过是否能负重判断。如何可勉强负重，则为4分，如果一只牛蹄不能着地，则为5分。如果奶牛没有出现摆头现象，则通过步态特征判断(如果奶牛没有出现摆头现象，则通过步态特征进行判断，步态特征包含步态对称性以及行走步长、步频，当对称性发生改变或者单只蹄的步长、步频发生改变时，即判断该头奶牛运动情况发生改变，可判断奶牛步态评分为3分。)，如果步态不对称，则为3分，最后，通过是否弓背判断，如果出现弓背则为2分，否则则为1分。
本申请基于摄像头拍摄视频实现奶牛的五分制评分，节约成本的同时更全面的分析奶牛可能存在的问题；兼顾的了奶牛的摆头、弓背、步态分析，与人工评分流程相一致，即能给出评分，同时也能够提供评分依据。节约成本的同时更全面对奶牛进行评价。其中，将奶牛在三维空间的运动拆分为为二维空间内的x坐标与时间t的关系和y坐标与时间t的关系进行分析，更直观的分析奶牛在运动过程中的轨迹情况，提高评分系统的可操作。
本发明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指令，该指令用于使得机器执行上述的基于机器视觉的奶牛步态的评分方法。
本领域技术人员可以理解实现上述实施方式的方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得单片机、芯片或处理器(processor)执行本发明各个实施方式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。
以上结合附图详细描述了本发明的可选实施方式，但是，本发明实施方式并不限于上述实施方式中的具体细节，在本发明实施方式的技术构思范围内，可以对本发明实施方式的技术方案进行多种简单变型，这些简单变型均属于本发明实施方式的保护范围。另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施方式对各种可能的组合方式不再另行说明。
此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施方式的思想，其同样应当视为本发明实施方式所公开的内容。

Claims (11)

1.一种基于机器视觉的奶牛步态的评分方法，其特征在于，所述方法包括：
获取奶牛的行走视频；
提取所述奶牛的行走视频中每一帧图像内的特征部位以及确定所述特征部位对应的特征参数；
基于所述特征部位对应的特征参数计算奶牛步态中每一评分项的判定参数值；
根据所述奶牛步态中每一评分项的判定参数值，确定该评分项的判定状态；
将所有评分项的判定状态，按照奶牛的步态评分细则中的评分条件进行评分，得到奶牛的步态评分。
2.根据权利要求1所述的基于机器视觉的奶牛步态的评分方法，其特征在于，评分项的判定参数值包括：摆头情况的判定参数值；所述特征部位包括奶牛头骨和颈椎末端；
所述确定所述特征部位对应的特征参数，包括：
确定牛头骨和颈椎末端在每一帧图像内对应的坐标；
所述基于所述特征点对应的特征参数计算奶牛步态中每一评分项的判定参数值，包括：
根据牛头骨和颈椎末端在每一帧图像内对应的坐标，计算每一帧图像内牛头骨和颈椎末端之间的欧式距离；
将所有的帧图像内牛头骨和颈椎末端之间的欧式距离按照时间顺序排序，得到回归方程；
运用所述回归方程确定摆头情况的判定参数值。
3.根据权利要求1所述的基于机器视觉的奶牛步态的评分方法，其特征在于，评分项的判定参数值包括：弓背情况的判定参数值；所述特征部位包括：颈部、背部和臀角；
所述确定所述特征部位对应的特征参数，包括：
确定颈部、背部和臀角在每一帧图像内对应的坐标；
所述基于所述特征点对应的特征参数计算奶牛步态中每一评分项的判定参数值，包括：
根据颈部、背部和臀角在每一帧图像内对应的坐标，计算每一帧图像内的颈椎弧度；所述颈椎弧度为颈部和臀角的坐标连线与背部和臀角的坐标连线之间的夹角；
将所有帧图像内的颈椎弧度按照时间顺序排序，确定颈椎弧度与时间的变化关系；
运用所述颈椎弧度与时间的变化关系确定弓背情况的判定参数值。
4.根据权利要求3所述的基于机器视觉的奶牛步态的评分方法，其特征在于，所述弓背情况的判定参数值包括脊椎弧度的极差值和脊椎弧度的平均值；
所述根据所述奶牛步态中每一评分项的判定参数值，确定该评分项的判定状态，包括：
根据所述脊椎弧度的极差值和所述脊椎弧度的平均值与相应阈值的比较关系，确定弓背情况的判定状态。
5.根据权利要求1所述的基于机器视觉的奶牛步态的评分方法，其特征在于，评分项的判定参数值包括：步态特征的判定参数值；所述特征部位包括奶牛的牛蹄；
所述确定所述特征部位对应的特征参数，包括：
确定每只牛蹄在每一帧图像内基于参考坐标系的对应坐标；所述坐标包括X轴坐标值和Z轴坐标值；所述Z轴坐标值为帧索引；所述X轴坐标值为牛蹄在帧图像中水平方向移动的距离；
所述基于所述特征点对应的特征参数计算奶牛步态中每一评分项的判定参数值，包括：
建立所有牛蹄的X轴坐标值与帧索引之间的对应关系图；
获取所有牛蹄的X轴坐标值与帧索引之间的对应关系图中的下降沿的时间差；根据所述下降沿的时间差确定奶牛的行走过程的脚步序列；
确定奶牛的行走过程的脚步序列正常时，根据所述对应关系图，确定每只牛蹄对应的每一步的步长，并根据每只牛蹄对应的每一步的步长，计算每只牛蹄在检测周期内的平均步长，得到所有牛蹄在检测周期内的平均步长；
确定所有牛蹄在检测周期内的平均步长中的最小值，计算所述最小值与所有牛蹄在检测周期内的平均步长之差，作为步态特征的判定参数值。
6.根据权利要求5所述的基于机器视觉的奶牛步态的评分方法，其特征在于，所述根据所述对应关系图，确定每只牛蹄对应的每一步的步长，包括：
获取每只牛蹄对应关系图中下降沿区间内对应的所有的X轴坐标值；
计算当前下降沿区间的上一相邻下降沿区间内对应的X轴坐标值的平均值，以及计算当前下降沿区间内对应的X轴坐标值的平均值；
将当前下降沿区间的上一相邻下降沿区间内对应的X轴坐标值的平均值与当前下降沿区间内对应的X轴坐标值的平均值的差，作为当前下降沿区间内对应的步长。
7.根据权利要求5或6所述的基于机器视觉的奶牛步态的评分方法，其特征在于，所述基于所述特征点对应的特征参数计算奶牛步态中每一评分项的判定参数值，还包括：
确定奶牛的行走过程的脚步序列正常时，根据所述对应关系图，确定每只牛蹄对应的每一步的所需时间；将所述最小值与所有牛蹄在检测周期内的平均步长之差或者每只牛蹄对应的每一步的所需时间作为步态特征的判定参数值。
8.根据权利要求7所述的基于机器视觉的奶牛步态的评分方法，其特征在于，所述根据所述对应关系图，确定每只牛蹄对应的每一步的所需时间，包括：
获取每只牛蹄对应关系图中每一步中后一下降沿对应的平均帧索引和前一下降沿对应的平均帧索引；
计算每一步中后一下降沿对应的平均帧索引与前一下降沿对应的平均帧索引之间的帧索引差；
将所述帧索引差与所述奶牛的行走视频的帧速率之积作为每只牛蹄对应的每一步的所需时间。
9.根据权利要求1所述的基于机器视觉的奶牛步态的评分方法，其特征在于，评分项的判定参数值包括：负重情况的判定参数值；所述特征部位包括奶牛的牛蹄；
所述确定所述特征部位对应的特征参数，包括：
确定每一牛蹄在每一帧图像内对应的Y轴坐标；所述Y轴坐标为牛蹄在帧图像中竖直方向移动的距离；
所述基于所述特征点对应的特征参数计算奶牛步态中每一评分项的判定参数值，包括：
根据每一牛蹄在所有帧图像内对应的Y轴坐标，计算每一牛蹄的轴坐标的平均值；
比较所有牛蹄的轴坐标的平均值的大小；确定所有牛蹄的轴坐标的平均值中最小者作为第一参数，剩余牛蹄的轴坐标的平均值作为第二参数；
将所述第二参数与所述第一参数之差作为负重情况的判定参数值。
10.根据权利要求1所述的基于机器视觉的奶牛步态的评分方法，其特征在于，所述评分项的判定状态包括：摆头情况的判断结果状态、负重情况的判断结果状态、弓背情况的判断结果状态和步态特征的判断结果状态；
所述将所有评分项的判定状态，按照奶牛的步态评分细则中评分条件，得到奶牛的步态评分，包括：
根据头情况的判断结果状态和负重情况的判断结果状态得到奶牛的步态评分；或者
根据摆头情况的判断结果状态和步态特征的判断结果状态得到奶牛的步态评分；或者
根据摆头情况的判断结果状态、步态特征的判断结果状态和弓背情况的判断结果状态得到奶牛的步态评分。
11.一种计算机可读存储介质，该计算机可读存储介质上存储有指令，该指令用于使得机器执行权利要求1-10中任一项权利要求所述的基于机器视觉的奶牛步态的评分方法。
CN202210226548.2A 2022-03-09 2022-03-09 基于机器视觉的奶牛步态的评分方法 Pending CN114642422A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210226548.2A CN114642422A (zh) 2022-03-09 2022-03-09 基于机器视觉的奶牛步态的评分方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210226548.2A CN114642422A (zh) 2022-03-09 2022-03-09 基于机器视觉的奶牛步态的评分方法

Publications (1)

Publication Number Publication Date
CN114642422A true CN114642422A (zh) 2022-06-21

Family

ID=81993390

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210226548.2A Pending CN114642422A (zh) 2022-03-09 2022-03-09 基于机器视觉的奶牛步态的评分方法

Country Status (1)

Country Link
CN (1) CN114642422A (zh)

Similar Documents

Publication Publication Date Title
Nasirahmadi et al. Implementation of machine vision for detecting behaviour of cattle and pigs
JP7336691B2 (ja) 遠隔から生体標本を特徴付ける方法と装置
JP5519693B2 (ja) 動物の身体の状態のスコアを決定するための装置及び方法
US11983950B2 (en) Entity identification using machine learning
Aydin Development of an early detection system for lameness of broilers using computer vision
Wang et al. ASAS-NANP SYMPOSIUM: Applications of machine learning for livestock body weight prediction from digital images
Jabbar et al. Early and non-intrusive lameness detection in dairy cows using 3-dimensional video
CA2949768C (en) Non-invasive multimodal biometrical identification system of animals
JP6777948B2 (ja) 健康状態推定装置
Jia et al. Segmentation of body parts of cows in RGB-depth images based on template matching
Juyal et al. Detecting the infectious area along with disease using deep learning in tomato plant leaves
CN114299616A (zh) 一种基于机器视觉的奶牛步态评分方法和系统
CN113057598B (zh) 一种面向动物活体无屠宰的肉质品质分级方法与系统
CN114642422A (zh) 基于机器视觉的奶牛步态的评分方法
CN112434577B (zh) 奶牛跛行检测方法及奶牛跛行检测装置
CN116157835A (zh) 信息处理方法、程序以及信息处理装置
JP2021178224A (ja) マット及び検出システム
CN112528772A (zh) 基于热红外的奶牛跛行运动特征检测方法及装置
WO2018038604A1 (en) Method and device to detect lameness of a cow
Kingetsu et al. Video-based fall risk detection system for the elderly
JP2020106422A (ja) 体重推定装置、体重推定方法及びプログラム
Evans et al. Automatic high fidelity foot contact location and timing for elite sprinting
CN113288125B (zh) 一种基于奶牛身体关键点运动轨迹的跛行检测方法
CN110781791B (zh) 一种基于重心对齐的步态能量图优化合成方法
Russello et al. Video-based automatic lameness detection of dairy cows using pose estimation and multiple locomotion traits

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