CN114821392A - 一种智能四害监控及防治系统 - Google Patents
一种智能四害监控及防治系统 Download PDFInfo
- Publication number
- CN114821392A CN114821392A CN202210288055.1A CN202210288055A CN114821392A CN 114821392 A CN114821392 A CN 114821392A CN 202210288055 A CN202210288055 A CN 202210288055A CN 114821392 A CN114821392 A CN 114821392A
- Authority
- CN
- China
- Prior art keywords
- cockroach
- mouse
- preset
- control box
- state
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 43
- 241001674044 Blattodea Species 0.000 claims abstract description 241
- 241000699666 Mus <mouse, genus> Species 0.000 claims abstract description 164
- 241000699670 Mus sp. Species 0.000 claims abstract description 30
- 230000002265 prevention Effects 0.000 claims abstract description 29
- 239000000575 pesticide Substances 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000001514 detection method Methods 0.000 claims description 75
- 238000012549 training Methods 0.000 claims description 18
- 238000000034 method Methods 0.000 claims description 14
- 241000607479 Yersinia pestis Species 0.000 claims description 13
- 238000002372 labelling Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 239000003814 drug Substances 0.000 description 36
- 230000000694 effects Effects 0.000 description 13
- 241000700159 Rattus Species 0.000 description 9
- 238000004891 communication Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000009792 diffusion process Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000857 drug effect Effects 0.000 description 2
- 239000002917 insecticide Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000000361 pesticidal effect Effects 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 206010008631 Cholera Diseases 0.000 description 1
- 208000035473 Communicable disease Diseases 0.000 description 1
- 208000032982 Hemorrhagic Fever with Renal Syndrome Diseases 0.000 description 1
- 206010019799 Hepatitis viral Diseases 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 206010024238 Leptospirosis Diseases 0.000 description 1
- 241001036422 Nosopsyllus fasciatus Species 0.000 description 1
- 206010035148 Plague Diseases 0.000 description 1
- 206010037742 Rabies Diseases 0.000 description 1
- 101100273275 Rattus norvegicus Casp3 gene Proteins 0.000 description 1
- 206010039085 Rhinitis allergic Diseases 0.000 description 1
- 208000037386 Typhoid Diseases 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 201000010105 allergic rhinitis Diseases 0.000 description 1
- 208000006673 asthma Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 208000001848 dysentery Diseases 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000030603 inherited susceptibility to asthma Diseases 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 244000045947 parasite Species 0.000 description 1
- 230000003071 parasitic effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 210000003296 saliva Anatomy 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 201000008297 typhoid fever Diseases 0.000 description 1
- 201000001862 viral hepatitis Diseases 0.000 description 1
- 230000000007 visual 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Catching Or Destruction (AREA)
Abstract
本发明涉及四害防治的技术领域，尤其是涉及一种智能四害监控及防治系统，其包括：多个防治盒，多个防治盒分设于指定区域内的各预设点位位置，所述防治盒具有包括蟑螂药剂分盒和老鼠药剂分盒；控制模块，用于控制所述防治盒在第一状态和第二状态之间转换；监控模块，所述监控模块包括用于获取指定区域内的视频流数据，并用于根据所述视频流数据分析得到是否存在蟑螂；以及，用于根据所述视频流数据分析得到是否存在老鼠；所述各预设点位位置对应于所述指定区域内的视频流数据的图像中的预设点位；以及，处理模块。本申请具有的效果。
Description
技术领域
本发明涉及四害防治的技术领域，尤其是涉及一种智能四害监控及防治系统。
背景技术
老鼠在四害中为害最为严重，它有三大害处：传播疾病、毁坏财物、消耗粮食，老鼠通过寄生在其身体表面的鼠蚤、鼠虱等寄生虫、唾液及排泄物传播鼠疫、恙虫病、流行性出血热、狂犬病、钩端螺旋体病等十多种传染病，给人类造成很大的危害；蟑螂身上也带着大量的细菌、病毒和寄生虫卵，在偷吃食物时污染了食物，人吃了这些被污染的食物就会生病，它可以传播伤寒、霍乱、痢疾、病毒性肝炎等疾病，还会引起过敏性鼻炎、支气管哮喘。
然而，目前各种场所对于老鼠和蟑螂的防治主要采用在频繁出入位置防治药剂等方式进行防治，药剂等长期暴露在空气中，并不能较为持久地持续药效，作用有限。
发明内容
为了延长药剂药效，本申请提供一种智能四害监控及防治系统。
本申请的上述发明目的一是通过以下技术方案得以实现的：
一种智能四害监控及防治系统，包括：
多个防治盒，多个防治盒分设于指定区域内的各预设点位位置，所述防治盒具有包括蟑螂药剂分盒和老鼠药剂分盒；
控制模块，用于控制所述防治盒在第一状态和第二状态之间转换，当所述防治盒处于第一状态时，所述蟑螂药剂分盒开启，所述老鼠药剂分盒关闭；当所述防治盒处于第二状态时，所述蟑螂药剂分盒关闭，所述老鼠药剂分盒开启；
监控模块，所述监控模块包括用于获取指定区域内的视频流数据，并用于根据所述视频流数据分析得到是否存在蟑螂；以及，用于根据所述视频流数据分析得到是否存在老鼠；所述各预设点位位置对应于所述指定区域内的视频流数据的图像中的预设点位；
处理模块，当所述监控模块分析得到存在蟑螂的情况下，所述处理模块执行如下步骤：
从所述视频流数据中获取多帧蟑螂检测图像；
计算多帧蟑螂检测图像中各帧蟑螂检测图像中蟑螂运动点位的点数；
将多帧蟑螂检测图像中间隔预设帧的两帧图像作为一组蟑螂观测图像；
获取每组蟑螂观测图像的所有蟑螂运动点位中，每两个蟑螂运动点位之间的像素距离小于第一预设值的第一组数；
计算第一组数的最大值与蟑螂运动点位的点数的最大值的差值得到蟑螂数量大阈值；
将蟑螂运动点位的点数的最大值作为蟑螂数量小阈值；
根据蟑螂运动点位的点数的最大值所对应的蟑螂检测图像中蟑螂运动点位，以及蟑螂数量大阈值和蟑螂数量小阈值推理得到多条蟑螂运动轨迹；
根据多条蟑螂运动轨迹通过所述控制模块控制指定区域内的满足第一预设条件的所述防治盒转换为第一状态。
通过采用上述技术方案，在需要防治的指定区域内放置多个防治盒，每个防治盒均设有蟑螂药剂分盒和老鼠药剂分盒，第一状态和第二状态使得蟑螂药剂分盒和老鼠药剂分盒仅可开其一，通过监控模块对指定区域进行监控视频流数据的获取，并对视频流数据进行分析，当分析到存在老鼠时，通过处理模块分析得到多条蟑螂运动轨迹，然后多条蟑螂运动轨迹通过所述控制模块控制指定区域内的满足第一预设条件的所述防治盒转换为第一状态，进而实现根据实际活动情况转换状态，蟑螂药剂分盒和老鼠药剂分盒二者仅有一个分盒直接暴露，进而延长药剂药效。
本申请在一较佳示例中可以进一步配置为：根据多条蟑螂运动轨迹通过所述控制模块控制指定区域内的满足第一预设条件的所述防治盒转换为第一状态，包括：
当所述防治盒所在预设点位位置至任一条蟑螂运动轨迹的最小距离小于第一预设距离，则将该防治盒标记为第一待转换状态；
根据各蟑螂运动轨迹、被标记为第一待转换状态的防治盒所在预设点位位置，以及预设蟑螂速度值生成各被标记为第一待转换状态的防治盒开启序列，各被标记为第一待转换状态的防治盒开启序列中的每个防治盒具有第一开启时间戳。
通过采用上述技术方案，根据各蟑螂运动轨迹，生成一序列，然后按照该序列结合预设蟑螂速度值依次开启序列中的每个防治盒，进而能够提高蟑螂防治的效果。
本申请在一较佳示例中可以进一步配置为：当所述监控模块分析得到存在老鼠的情况下， 所述处理模块执行如下步骤：
从所述视频流数据中获取多帧老鼠检测图像；
计算多帧老鼠检测图像中各帧老鼠检测图像中老鼠运动点位的点数；
将多帧老鼠检测图像中间隔预设帧的两帧图像作为一组老鼠观测图像；
获取每组老鼠观测图像的所有老鼠运动点位中，每两个老鼠运动点位之间的像素距离小于第二预设值的第二组数；
计算第二组数的最大值与老鼠运动点位的点数的最大值的差值得到老鼠数量大阈值；
将老鼠运动点位的点数的最大值作为老鼠数量小阈值；
根据点数的最大值所对应的老鼠检测图像中老鼠运动点位，以及老鼠数量大阈值和老鼠数量小阈值推理得到多条老鼠运动轨迹；
根据多条老鼠运动轨迹通过所述控制模块控制指定区域内的满足第二预设条件的所述防治盒转换为第二状态。
通过采用上述技术方案，当分析到存在老鼠时，通过处理模块分析得到多条蟑螂运动轨迹，然后多条蟑螂运动轨迹通过所述控制模块控制指定区域内的满足第二预设条件的所述防治盒转换为第二状态，进而实现根据实际活动情况转换状态，蟑螂药剂分盒和老鼠药剂分盒二者仅有一个分盒直接暴露，进而延长药剂药效，可以同时兼容于老鼠和蟑螂肆虐的场所。
本申请在一较佳示例中可以进一步配置为：根据多条老鼠运动轨迹通过所述控制模块控制指定区域内的满足第二预设条件的所述防治盒转换为第二状态，包括：
当所述防治盒所在预设点位至任一条老鼠运动轨迹的最小距离小于第二预设距离，则将该防治盒标记为第二待转换状态；
根据各老鼠运动轨迹、被标记为第二待转换状态的防治盒所在预设点位，以及预设老鼠速度值生成各被标记为第二待转换状态的防治盒开启序列，各被标记为第二待转换状态的防治盒开启序列中的每个防治盒具有第二开启时间戳。
通过采用上述技术方案，根据各老鼠运动轨迹，生成一序列，然后按照该序列结合预设老鼠速度值依次开启序列中的每个防治盒，进而能够提高老鼠防治的效果，减少纰漏的情况发生。
本申请在一较佳示例中可以进一步配置为：当所述防治盒的第一开启时间戳和第二开启时间戳所对应的时间节点相同时，根据该防治盒第一开启时间戳在各被标记为第一待转换状态的防治盒开启序列中的序号，以及该防治盒第二开启时间戳在各被标记为第二待转换状态的防治盒开启序列中的序号二者的大小，在该时间节点将该防治盒转换为第一待转换状态或第二待转换状态。
通过采用上述技术方案，当防治盒的第一开启时间戳和第二开启时间戳产生冲突时，根据该防治盒第一开启时间戳在各被标记为第一待转换状态的防治盒开启序列中的序号大小，来判断是转换为第一待转换状态或第二待转换状态，在同时存在蟑螂和老鼠时，二者防治效果较为均衡。
本申请在一较佳示例中可以进一步配置为：各预设点位是通过以下方式得到的：
从过往预设时间段内指定区域内的视频流数据中获取多帧检测图像样本；
获取多帧检测图像样本中的蟑螂和老鼠的分布点位；
当仅具有两个分布点位之间的距离小于基准距离时，将该两个分布点位之间的中间点位作为第一预设点位；
当具有至少三个分布点位，其中每两个分布点位之间的距离小于√3倍基准距离时，将该至少三个分布点位组成的面积最大的几何图形的中心点位作为第二预设点位；
将第一预设点位和第二预设点位对应的指定区域内的位置作为预设点位位置。
通过采用上述技术方案，能够尽可能地节约防治盒的使用数量，最大化防治盒的辐射范围。
本申请在一较佳示例中可以进一步配置为：所述根据所述视频流数据分析得到是否存在蟑螂，包括：
将所述视频流数据中的每帧图像输入预先训练好的蟑螂识别模型进行推理，得到是否存在蟑螂；
所述蟑螂识别模型通过以下方式训练得到：
对图像样本训练集中的每个图像样本进行标注处理，以标注出每个图像样本中是否存在蟑螂，是否存在蟑螂与图像样本中的全部或部分信息相关联；以及通过经过标注处理的图像样本训练集，对神经网络进行训练，以得到蟑螂识别模型。
本申请在一较佳示例中可以进一步配置为：计算多帧蟑螂检测图像中各帧蟑螂检测图像中蟑螂运动点位的点数，包括：
通过所述蟑螂识别模型对多帧蟑螂检测图像进行分析；
当分析到存在蟑螂时，标记框选出分析到的蟑螂对应的像素位置，将像素位置作为运动点位；
统计各帧蟑螂检测图像中运动点位的数量作为各帧蟑螂检测图像中蟑螂运动点位的点数。
综上所述，本申请包括以下至少一种有益技术效果：
1、在需要防治的指定区域内放置多个防治盒，每个防治盒均设有蟑螂药剂分盒和老鼠药剂分盒，第一状态和第二状态使得蟑螂药剂分盒和老鼠药剂分盒仅可开其一，通过监控模块对指定区域进行监控视频流数据的获取，并对视频流数据进行分析，当分析到存在老鼠时，通过处理模块分析得到多条蟑螂运动轨迹，然后多条蟑螂运动轨迹通过所述控制模块控制指定区域内的满足第一预设条件的所述防治盒转换为第一状态，进而实现根据实际活动情况转换状态，蟑螂药剂分盒和老鼠药剂分盒二者仅有一个分盒直接暴露，进而延长药剂药效；
2、当分析到存在老鼠时，通过处理模块分析得到多条蟑螂运动轨迹，然后多条蟑螂运动轨迹通过所述控制模块控制指定区域内的满足第二预设条件的所述防治盒转换为第二状态，进而实现根据实际活动情况转换状态，蟑螂药剂分盒和老鼠药剂分盒二者仅有一个分盒直接暴露，进而延长药剂药效，可以同时兼容于老鼠和蟑螂肆虐的场所；
3、当防治盒的第一开启时间戳和第二开启时间戳产生冲突时，根据该防治盒第一开启时间戳在各被标记为第一待转换状态的防治盒开启序列中的序号大小，来判断是转换为第一待转换状态或第二待转换状态，在同时存在蟑螂和老鼠时，二者防治效果较为均衡。
附图说明
图1是本申请一实施例中智能四害监控及防治系统各模块的连接示意图；
图2是本申请一实施例中智能四害监控及防治系统中处理模块执行的部分流程图；
图3是本申请一实施例中智能四害监控及防治系统中实现步骤S12的实现流程图；
图4是本申请一实施例中智能四害监控及防治系统中实现步骤S18的实现流程图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
需要说明的是，本发明中的术语“第一”、“第二”等是用于区别类似的对象，而不必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，以便这里描述的本公开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。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。
另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，如无特殊说明，一般表示前后关联对象是一种“或”的关系。
下面参考附图描述本申请的智能四害监控及防治系统。该四害监控及防治系统包括多个防治盒，每个防治盒具有包括蟑螂药剂分盒和老鼠药剂分盒；每个防治盒中的蟑螂药剂分盒和老鼠药剂分盒均具有进出口，并且共用一扇启闭门，该启闭门仅能够关闭蟑螂药剂分盒和老鼠药剂分盒其中任一分盒。
参照图1，该四害监控及防治系统还包括控制模块，该控制模块用于控制防治盒在第一状态和第二状态之间转换，具体地，控制模块通过控制启闭门实现在第一状态和第二状态之间转换；启闭门的方式可以通过滑移或者是转动的方式，实现切换以关闭蟑螂药剂分盒和老鼠药剂分盒其中任一分盒。
具体地，当防治盒处于第一状态时，蟑螂药剂分盒开启，老鼠药剂分盒关闭；当防治盒处于第二状态时，蟑螂药剂分盒关闭，老鼠药剂分盒开启。
监控模块，监控模块包括监控后台和监控摄像头，监控后台和监控摄像头通讯连接，监控摄像头安装于指定区域内或指定区域外，其用于获取指定区域内的视频流数据，监控后台用于接收来自监控摄像头传输来的视频流数据，并根据视频流数据分析得到是否存在蟑螂；以及，用于根据视频流数据分析得到是否存在老鼠；
值得说明的是，上述的根据视频流数据分析得到是否存在蟑螂，包括：
将视频流数据中的每帧图像输入预先训练好的蟑螂识别模型进行推理，得到是否存在蟑螂；
其中，蟑螂识别模型通过以下方式训练得到：
对图像样本训练集中的每个图像样本进行标注处理，以标注出每个图像样本中是否存在蟑螂，是否存在蟑螂与图像样本中的全部或部分信息相关联；以及通过经过标注处理的图像样本训练集，对神经网络进行训练，以得到蟑螂识别模型。
同样地，上述的根据视频流数据分析得到是否存在老鼠，包括：
将视频流数据中的每帧图像输入预先训练好的老鼠识别模型进行推理，得到是否存在老鼠；
其中，老鼠识别模型通过以下方式训练得到：
对图像样本训练集中的每个图像样本进行标注处理，以标注出每个图像样本中是否存在老鼠，是否存在老鼠与图像样本中的全部或部分信息相关联；以及通过经过标注处理的图像样本训练集，对神经网络进行训练，以得到老鼠识别模型。
上述的多个防治盒分设于指定区域内的各预设点位位置，各预设点位位置对应于指定区域内的视频流数据的图像中的预设点位；各预设点位是通过以下方式得到的：
从过往预设时间段内指定区域内的视频流数据中获取多帧检测图像样本；
获取多帧检测图像样本中的蟑螂和老鼠的分布点位；
当仅具有两个分布点位之间的距离小于基准距离时，将该两个分布点位之间的中间点位作为第一预设点位；
当具有至少三个分布点位，其中每两个分布点位之间的距离小于倍基准距离时，将该至少三个分布点位组成的面积最大的几何图形的中心点位作为第二预设点位；
将第一预设点位和第二预设点位对应的指定区域内的位置作为预设点位位置。
其中，获取多帧检测图像样本中的蟑螂和老鼠的分布点位，是通过上述的蟑螂识别模型和老鼠识别模型先进行分析，然后分析到存在蟑螂时，标记框选出分析到的蟑螂对应的像素位置，将像素位置作为分布点位，分析到存在老鼠时，标记框选出分析到的老鼠对应的像素位置，将像素位置作为分布点位；
例如，在过往1年的时间段的视频流数据中，每隔预设帧或者预设时间跨度摘取一帧检测图像样本，进而得到多帧检测图像样本；然后分别通过蟑螂识别模型和老鼠识别模型，在多帧检测图像样本中分析到各蟑螂和老鼠的分布点位，然后，在检测图像样本中，检测各分布点位之间的距离，该距离指的是像素距离，当仅有两个分布点位，二者之间的距离小于预设的基准距离时，将该两个分布点位之间的中间点位作为第一预设点位；当具有三个以上的分布点位，多者之间的两两距离均小于倍预设的基准距离，则将该三个以上的分布点位作为顶点组成的面积最大的几何图形的中心点位作为第二预设点位。得到了这些点位后，将第一预设点位和第二预设点位对应的指定区域内的位置作为预设点位位置，从而用于放置防治盒。其中的基准距离，是根据蟑螂药剂的散发范围或者影响范围，以及老鼠药剂的散发范围或者影响范围而定的，取其中较为较小的范围的半径作为基准距离。
可以理解的是，药剂的不同其影响范围或者散发范围不同，因此相应的基准距离也有所变化。进而，通过上述方式来获取各预设点位位置，能够根据以往的老鼠和蟑螂的活动轨迹，最大幅度的覆盖各轨迹路线，提高防治效果。
参照图2，智能四害监控及防治系统还包括处理模块，当上述的监控模块分析得到存在蟑螂的情况下，处理模块执行如下步骤：
S11、从视频流数据中获取多帧蟑螂检测图像；
S12、计算多帧蟑螂检测图像中各帧蟑螂检测图像中蟑螂运动点位的点数；
S13、将多帧蟑螂检测图像中间隔预设帧的两帧图像作为一组蟑螂观测图像；
S14、获取每组蟑螂观测图像的所有蟑螂运动点位中，每两个蟑螂运动点位之间的像素距离小于第一预设值的第一组数；
S15、计算第一组数的最大值与蟑螂运动点位的点数的最大值的差值得到蟑螂数量大阈值；
S16、将蟑螂运动点位的点数的最大值作为蟑螂数量小阈值；
S17、根据蟑螂运动点位的点数的最大值所对应的蟑螂检测图像中蟑螂运动点位，以及蟑螂数量大阈值和蟑螂数量小阈值推理得到多条蟑螂运动轨迹；
S18、根据多条蟑螂运动轨迹通过控制模块控制指定区域内的满足第一预设条件的防治盒转换为第一状态。
参照图3，其中，计算多帧蟑螂检测图像中各帧蟑螂检测图像中蟑螂运动点位的点数，通过以下方式计算得到：
S121、通过蟑螂识别模型对多帧蟑螂检测图像进行分析；
S122、当分析到存在蟑螂时，标记框选出分析到的蟑螂对应的像素位置，将像素位置作为运动点位；
S123、统计各帧蟑螂检测图像中运动点位的数量作为各帧蟑螂检测图像中蟑螂运动点位的点数。
因指定区域内的蟑螂可能处于运动或者静止状态，因此通过多帧蟑螂检测图像来得到各帧蟑螂检测图像中蟑螂运动点位的点数，上述对于预设帧的限定，是预先设定的值，将多帧蟑螂检测图像中间隔预设帧的两帧图像作为一组蟑螂观测图像，然后将每组蟑螂观测图像中的两帧图像叠加，使得两帧图像中的蟑螂运动点位均位于叠加后的图像中，然后获取每组蟑螂观测图像的所有蟑螂运动点位中，每两个蟑螂运动点位之间的像素距离小于第一预设值的第一组数；也可以不得两帧图像进行叠加，直接比较两帧图像中的所有运动点位的像素坐标之间的像素距离，然后得到每两个蟑螂运动点位之间的像素距离小于第一预设值的第一组数。
接着，通过上述方式得到蟑螂数量小阈值和蟑螂数量大阈值，然后根据蟑螂运动点位的点数的最大值所对应的蟑螂检测图像中蟑螂运动点位，以及蟑螂数量大阈值和蟑螂数量小阈值推理得到多条蟑螂运动轨迹；在一实施例中，采用模型推理的方式得到多条蟑螂运动轨迹。模型采用蟑螂运动轨迹推理模型，该蟑螂运动轨迹推理模型是通过多组样本数据训练得到的：
其中，每组样本数据均包括轨迹推理图像样本、蟑螂数量，以及蟑螂运动轨迹，轨迹推理图像样本中标注有至少一个蟑螂运动点位，然后通过多组样本数据对神经网络进行训练得到蟑螂运动轨迹推理模型。
例如，当获取到蟑螂数量小阈值为6，蟑螂数量大阈值为8，则相应地，将蟑螂数量6，蟑螂数量6所对应的蟑螂检测图像中蟑螂运动点位输入蟑螂运动轨迹推理模型进行推理，得到蟑螂数量小阈值为6所对应的多条蟑螂运动轨迹；
当获取到蟑螂数量小阈值为7，蟑螂数量大阈值为7，则相应地，将蟑螂数量7，蟑螂数量6所对应的蟑螂检测图像中蟑螂运动点位输入蟑螂运动轨迹推理模型进行推理，得到蟑螂数量7所对应的多条蟑螂运动轨迹；
当获取到蟑螂数量小阈值为8，蟑螂数量大阈值为8，则相应地，将蟑螂数量8，蟑螂数量6所对应的蟑螂检测图像中蟑螂运动点位输入蟑螂运动轨迹推理模型进行推理，得到蟑螂数量8所对应的多条蟑螂运动轨迹；
进而，综合上述的各蟑螂数量所对应的多条蟑螂运动轨迹可以得到蟑螂数量小阈值和蟑螂数量大阈值之间的多条蟑螂运动轨迹。
参照图4，根据多条蟑螂运动轨迹，然后通过控制模块控制指定区域内的满足第一预设条件的防治盒转换为第一状态；具体地，包括：
S181、当防治盒所在预设点位位置至任一条蟑螂运动轨迹的最小距离小于第一预设距离，则将该防治盒标记为第一待转换状态；
S182、根据各蟑螂运动轨迹、被标记为第一待转换状态的防治盒所在预设点位位置，以及预设蟑螂速度值生成各被标记为第一待转换状态的防治盒开启序列；
S183、按照各被标记为第一待转换状态的防治盒开启序列将防治盒转换为第一状态。
值得说明的是，第一预设距离是根据蟑螂药剂的散发范围或者影响范围而定的，一般来说，第一预设距离不大于蟑螂药剂的散发范围或者影响范围的半径。
在一实施例中，当监控模块分析得到存在老鼠的情况下， 处理模块执行如下步骤：
S21、从视频流数据中获取多帧老鼠检测图像；
S22、计算多帧老鼠检测图像中各帧老鼠检测图像中老鼠运动点位的点数；
S23、将多帧老鼠检测图像中间隔预设帧的两帧图像作为一组老鼠观测图像；
S24、获取每组老鼠观测图像的所有老鼠运动点位中，每两个老鼠运动点位之间的像素距离小于第二预设值的第二组数；
S25、计算第二组数的最大值与老鼠运动点位的点数的最大值的差值得到老鼠数量大阈值；
S26、将老鼠运动点位的点数的最大值作为老鼠数量小阈值；
S27、根据点数的最大值所对应的老鼠检测图像中老鼠运动点位，以及老鼠数量大阈值和老鼠数量小阈值推理得到多条老鼠运动轨迹；
S28、根据多条老鼠运动轨迹通过控制模块控制指定区域内的满足第二预设条件的防治盒转换为第二状态。
其中，计算多帧老鼠检测图像中各帧老鼠检测图像中老鼠运动点位的点数，通过以下方式计算得到：
S221、通过老鼠识别模型对多帧老鼠检测图像进行分析；
S222、当分析到存在老鼠时，标记框选出分析到的老鼠对应的像素位置，将像素位置作为运动点位；
S223、统计各帧老鼠检测图像中运动点位的数量作为各帧老鼠检测图像中老鼠运动点位的点数。
因指定区域内的老鼠可能处于运动或者静止状态，因此通过多帧老鼠检测图像来得到各帧老鼠检测图像中老鼠运动点位的点数，上述对于预设帧的限定，是预先设定的值，将多帧老鼠检测图像中间隔预设帧的两帧图像作为一组老鼠观测图像，然后将每组老鼠观测图像中的两帧图像叠加，使得两帧图像中的老鼠运动点位均位于叠加后的图像中，然后获取每组老鼠观测图像的所有老鼠运动点位中，每两个老鼠运动点位之间的像素距离小于第一预设值的第一组数；也可以不得两帧图像进行叠加，直接比较两帧图像中的所有运动点位的像素坐标之间的像素距离，然后得到每两个老鼠运动点位之间的像素距离小于第一预设值的第一组数。
接着，通过上述方式得到老鼠数量小阈值和老鼠数量大阈值，然后根据老鼠运动点位的点数的最大值所对应的老鼠检测图像中老鼠运动点位，以及老鼠数量大阈值和老鼠数量小阈值推理得到多条老鼠运动轨迹；在一实施例中，采用模型推理的方式得到多条老鼠运动轨迹。模型采用老鼠运动轨迹推理模型，该老鼠运动轨迹推理模型是通过多组样本数据训练得到的：
其中，每组样本数据均包括轨迹推理图像样本、老鼠数量，以及老鼠运动轨迹，轨迹推理图像样本中标注有至少一个老鼠运动点位，然后通过多组样本数据对神经网络进行训练得到老鼠运动轨迹推理模型。
例如，当获取到老鼠数量小阈值为3，老鼠数量大阈值为5，则相应地，将老鼠数量3，老鼠数量3所对应的老鼠检测图像中老鼠运动点位输入老鼠运动轨迹推理模型进行推理，得到老鼠数量小阈值为3所对应的多条老鼠运动轨迹；
当获取到老鼠数量小阈值为4，老鼠数量大阈值为4，则相应地，将老鼠数量4，老鼠数量3所对应的老鼠检测图像中老鼠运动点位输入老鼠运动轨迹推理模型进行推理，得到老鼠数量4所对应的多条老鼠运动轨迹；
当获取到老鼠数量小阈值为5，老鼠数量大阈值为5，则相应地，将老鼠数量5，老鼠数量3所对应的老鼠检测图像中老鼠运动点位输入老鼠运动轨迹推理模型进行推理，得到老鼠数量5所对应的多条老鼠运动轨迹；
进而，综合上述的各老鼠数量所对应的多条老鼠运动轨迹可以得到老鼠数量小阈值和老鼠数量大阈值之间的多条老鼠运动轨迹。
其中，S28、根据多条老鼠运动轨迹通过控制模块控制指定区域内的满足第二预设条件的防治盒转换为第二状态，包括：
S281、当防治盒所在预设点位至任一条老鼠运动轨迹的最小距离小于第二预设距离，则将该防治盒标记为第二待转换状态；
S282、根据各老鼠运动轨迹、被标记为第二待转换状态的防治盒所在预设点位，以及预设老鼠速度值生成各被标记为第二待转换状态的防治盒开启序列；
S283、按照各被标记为第二待转换状态的防治盒开启序列将防治盒转换为第二状态。
各被标记为第二待转换状态的防治盒开启序列中的每个防治盒具有第二开启时间戳。
其中，第二预设距离是根据老鼠药剂的散发范围或者影响范围而定的，其不大于老鼠药剂的散发范围或者影响范围的半径。
在又一实施例中，各被标记为第一待转换状态的防治盒开启序列中的每个防治盒具有第一开启时间戳；各被标记为第二待转换状态的防治盒开启序列中的每个防治盒具有第二开启时间戳；当防治盒的第一开启时间戳和第二开启时间戳所对应的时间节点相同时，根据该防治盒第一开启时间戳在各被标记为第一待转换状态的防治盒开启序列中的序号，以及该防治盒第二开启时间戳在各被标记为第二待转换状态的防治盒开启序列中的序号二者的大小，在该时间节点将该防治盒转换为第一待转换状态或第二待转换状态。
例如，当一防治盒的第一开启时间戳和第二开启时间戳均在16:11分开启时，则根据各自在其所在的开启序列中的序号大小来判断，转换为第一待转换状态还是第二待转换状态。选用其中较小的序号所对应的开启序列所对应的待转换状态进行转换，即第一开启时间戳在其所在的开启序列中的序号为8，第二开启时间戳在其所在的开启序列中的序号为4，则16:11分的时间节点将该防治盒转换为第二待转换状态。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC（专用集成电路）、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序（也称作程序、软件、软件应用、或者代码）包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置（例如，磁盘、光盘、存储器、可编程逻辑装置（PLD）），包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置（例如，CRT（阴极射线管）或者LCD（液晶显示器）监视器）；以及键盘和指向装置（例如，鼠标或者轨迹球），用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈（例如，视觉反馈、听觉反馈、或者触觉反馈）；并且可以用任何形式（包括声输入、语音输入或者、触觉输入）来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统（例如，作为数据服务器）、或者包括中间件部件的计算系统（例如，应用服务器）、或者包括前端部件的计算系统（例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互）、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信（例如，通信网络）来将系统的部件相互连接。通信网络的示例包括：局域网（LAN）、广域网（WAN）和互联网。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。
Claims (8)
1.一种智能四害监控及防治系统，其特征在于，包括：
多个防治盒，多个防治盒分设于指定区域内的各预设点位位置，所述防治盒具有包括蟑螂药剂分盒和老鼠药剂分盒；
控制模块，用于控制所述防治盒在第一状态和第二状态之间转换，当所述防治盒处于第一状态时，所述蟑螂药剂分盒开启，所述老鼠药剂分盒关闭；当所述防治盒处于第二状态时，所述蟑螂药剂分盒关闭，所述老鼠药剂分盒开启；
监控模块，所述监控模块包括用于获取指定区域内的视频流数据，并用于根据所述视频流数据分析得到是否存在蟑螂；以及，用于根据所述视频流数据分析得到是否存在老鼠；所述各预设点位位置对应于所述指定区域内的视频流数据的图像中的预设点位；
处理模块，当所述监控模块分析得到存在蟑螂的情况下，所述处理模块执行如下步骤：
从所述视频流数据中获取多帧蟑螂检测图像；
计算多帧蟑螂检测图像中各帧蟑螂检测图像中蟑螂运动点位的点数；
将多帧蟑螂检测图像中间隔预设帧的两帧图像作为一组蟑螂观测图像；
获取每组蟑螂观测图像的所有蟑螂运动点位中，每两个蟑螂运动点位之间的像素距离小于第一预设值的第一组数；
计算第一组数的最大值与蟑螂运动点位的点数的最大值的差值得到蟑螂数量大阈值；
将蟑螂运动点位的点数的最大值作为蟑螂数量小阈值；
根据蟑螂运动点位的点数的最大值所对应的蟑螂检测图像中蟑螂运动点位，以及蟑螂数量大阈值和蟑螂数量小阈值推理得到多条蟑螂运动轨迹；
根据多条蟑螂运动轨迹通过所述控制模块控制指定区域内的满足第一预设条件的所述防治盒转换为第一状态。
2.根据权利要求1所述的智能四害监控及防治系统，其特征在于，
根据多条蟑螂运动轨迹通过所述控制模块控制指定区域内的满足第一预设条件的所述防治盒转换为第一状态，包括：
当所述防治盒所在预设点位位置至任一条蟑螂运动轨迹的最小距离小于第一预设距离，则将该防治盒标记为第一待转换状态；
根据各蟑螂运动轨迹、被标记为第一待转换状态的防治盒所在预设点位位置，以及预设蟑螂速度值生成各被标记为第一待转换状态的防治盒开启序列，各被标记为第一待转换状态的防治盒开启序列中的每个防治盒具有第一开启时间戳。
3.根据权利要求2所述的智能四害监控及防治系统，其特征在于，当所述监控模块分析得到存在老鼠的情况下， 所述处理模块执行如下步骤：
从所述视频流数据中获取多帧老鼠检测图像；
计算多帧老鼠检测图像中各帧老鼠检测图像中老鼠运动点位的点数；
将多帧老鼠检测图像中间隔预设帧的两帧图像作为一组老鼠观测图像；
获取每组老鼠观测图像的所有老鼠运动点位中，每两个老鼠运动点位之间的像素距离小于第二预设值的第二组数；
计算第二组数的最大值与老鼠运动点位的点数的最大值的差值得到老鼠数量大阈值；
将老鼠运动点位的点数的最大值作为老鼠数量小阈值；
根据点数的最大值所对应的老鼠检测图像中老鼠运动点位，以及老鼠数量大阈值和老鼠数量小阈值推理得到多条老鼠运动轨迹；
根据多条老鼠运动轨迹通过所述控制模块控制指定区域内的满足第二预设条件的所述防治盒转换为第二状态。
4.根据权利要求3所述的智能四害监控及防治系统，其特征在于，根据多条老鼠运动轨迹通过所述控制模块控制指定区域内的满足第二预设条件的所述防治盒转换为第二状态，包括：
当所述防治盒所在预设点位至任一条老鼠运动轨迹的最小距离小于第二预设距离，则将该防治盒标记为第二待转换状态；
根据各老鼠运动轨迹、被标记为第二待转换状态的防治盒所在预设点位，以及预设老鼠速度值生成各被标记为第二待转换状态的防治盒开启序列，各被标记为第二待转换状态的防治盒开启序列中的每个防治盒具有第二开启时间戳。
5.根据权利要求4所述的智能四害监控及防治系统，其特征在于，当所述防治盒的第一开启时间戳和第二开启时间戳所对应的时间节点相同时，根据该防治盒第一开启时间戳在各被标记为第一待转换状态的防治盒开启序列中的序号，以及该防治盒第二开启时间戳在各被标记为第二待转换状态的防治盒开启序列中的序号二者的大小，在该时间节点将该防治盒转换为第一待转换状态或第二待转换状态。
6.根据权利要求5所述的智能四害监控及防治系统，其特征在于，各预设点位是通过以下方式得到的：
从过往预设时间段内指定区域内的视频流数据中获取多帧检测图像样本；
获取多帧检测图像样本中的蟑螂和老鼠的分布点位；
当仅具有两个分布点位之间的距离小于基准距离时，将该两个分布点位之间的中间点位作为第一预设点位；
当具有至少三个分布点位，其中每两个分布点位之间的距离小于倍基准距离时，将该至少三个分布点位组成的面积最大的几何图形的中心点位作为第二预设点位；
将第一预设点位和第二预设点位对应的指定区域内的位置作为预设点位位置。
7.根据权利要求6所述的智能四害监控及防治系统，其特征在于，所述根据所述视频流数据分析得到是否存在蟑螂，包括：
将所述视频流数据中的每帧图像输入预先训练好的蟑螂识别模型进行推理，得到是否存在蟑螂；
所述蟑螂识别模型通过以下方式训练得到：
对图像样本训练集中的每个图像样本进行标注处理，以标注出每个图像样本中是否存在蟑螂，是否存在蟑螂与图像样本中的全部或部分信息相关联；以及通过经过标注处理的图像样本训练集，对神经网络进行训练，以得到蟑螂识别模型。
8.根据权利要求7所述的智能四害监控及防治系统，其特征在于，计算多帧蟑螂检测图像中各帧蟑螂检测图像中蟑螂运动点位的点数，包括：
通过所述蟑螂识别模型对多帧蟑螂检测图像进行分析；
当分析到存在蟑螂时，标记框选出分析到的蟑螂对应的像素位置，将像素位置作为运动点位；
统计各帧蟑螂检测图像中运动点位的数量作为各帧蟑螂检测图像中蟑螂运动点位的点数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210288055.1A CN114821392A (zh) | 2022-03-23 | 2022-03-23 | 一种智能四害监控及防治系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210288055.1A CN114821392A (zh) | 2022-03-23 | 2022-03-23 | 一种智能四害监控及防治系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114821392A true CN114821392A (zh) | 2022-07-29 |
Family
ID=82529937
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210288055.1A Pending CN114821392A (zh) | 2022-03-23 | 2022-03-23 | 一种智能四害监控及防治系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114821392A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN206866469U (zh) * | 2017-07-10 | 2018-01-12 | 象山兑鹏电子科技有限公司 | 智能灭虫清扫装置 |
| KR101924393B1 (ko) * | 2017-10-30 | 2018-12-03 | 주식회사 엑스티엘 | 이미지 분석을 통한 해충 동정과 정보 모니터링 시스템 및 이를 이용한 모니터링 방법 |
| WO2020151083A1 (zh) * | 2019-01-24 | 2020-07-30 | 北京明略软件系统有限公司 | 区域确定方法、装置、存储介质和处理器 |
| CN112883788A (zh) * | 2021-01-14 | 2021-06-01 | 广州云从鼎望科技有限公司 | 一种对象监控方法、系统、设备及介质 |
-
2022
- 2022-03-23 CN CN202210288055.1A patent/CN114821392A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN206866469U (zh) * | 2017-07-10 | 2018-01-12 | 象山兑鹏电子科技有限公司 | 智能灭虫清扫装置 |
| KR101924393B1 (ko) * | 2017-10-30 | 2018-12-03 | 주식회사 엑스티엘 | 이미지 분석을 통한 해충 동정과 정보 모니터링 시스템 및 이를 이용한 모니터링 방법 |
| WO2020151083A1 (zh) * | 2019-01-24 | 2020-07-30 | 北京明略软件系统有限公司 | 区域确定方法、装置、存储介质和处理器 |
| CN112883788A (zh) * | 2021-01-14 | 2021-06-01 | 广州云从鼎望科技有限公司 | 一种对象监控方法、系统、设备及介质 |
Non-Patent Citations (2)
| Title |
|---|
| 徐涌霞;: "基于深度学习的实验鼠行为识别关键技术研究", 佳木斯大学学报(自然科学版), no. 02, 15 March 2020 (2020-03-15) * |
| 黄清臻;贾瑞忠;田志博;朱庆伟;梅燕莉;: "基于物联网的鼠情智能远程监测系统的研制与应用", 中华卫生杀虫药械, no. 06, 20 December 2019 (2019-12-20) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tapu et al. | DEEP-SEE: Joint object detection, tracking and recognition with application to visually impaired navigational assistance | |
| Ramirez-Amaro et al. | Transferring skills to humanoid robots by extracting semantic representations from observations of human activities | |
| Tsardoulias et al. | Towards an integrated robotics architecture for social inclusion–The RAPP paradigm | |
| Schallner et al. | Effect of superpixel aggregation on explanations in lime–a case study with biological data | |
| DiSalvo | The irony of drones for foraging: Exploring the work of speculative interventions | |
| Nolfi | Emergence of communication in embodied agents: co-adapting communicative and non-communicative behaviours | |
| Barfoot et al. | Making sense of the robotized pandemic response: a comparison of global and canadian robot deployments and success factors | |
| Baxter et al. | Human behaviour recognition in data-scarce domains | |
| Rathnayake et al. | Labeled multi-Bernoulli track-before-detect for multi-target tracking in video | |
| CN109977238A (zh) | 生成绘本的系统、方法和装置 | |
| Liu et al. | LEBP--Language Expectation & Binding Policy: A Two-Stream Framework for Embodied Vision-and-Language Interaction Task Learning Agents | |
| Teixidó et al. | Secured perimeter with electromagnetic detection and tracking with drone embedded and static cameras | |
| CN114821392A (zh) | 一种智能四害监控及防治系统 | |
| Labeeshan et al. | iretina: An intelligent mobile application for the visually impaired in an indoor environment | |
| Pratl | Processing and symbolization of ambient sensor data | |
| Roy et al. | A fog computing-based IoT framework for prediction of crop disease using big data analytics | |
| RU2729532C1 (ru) | Система автоматического мониторинга птиц и относящийся к ней способ использования | |
| NL2020685B1 (en) | Adaptive artificial intelligence system for event categorizing by switching between different states. | |
| Bredeche et al. | A meta-learning approach to ground symbols from visual percepts | |
| Arias et al. | How do predators generalize warning signals in simple and complex prey communities? Insights from a videogame | |
| Welsh et al. | Automated surveillance of lepidopteran pests with smart optoelectronic sensor traps | |
| DiSalvo et al. | Drones for foraging | |
| Azevedo et al. | Cognitive and robotic systems: Speeding up integration and results | |
| US10970858B2 (en) | Augmented reality for monitoring objects to decrease cross contamination between different regions | |
| Topp | Human-robot interaction and mapping with a service robot: Human augmented mapping |
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 |