CN114973332A - 一种体重测量方法、装置、电子设备和活体牲畜测量系统 - Google Patents

一种体重测量方法、装置、电子设备和活体牲畜测量系统 Download PDF

Info

Publication number
CN114973332A
CN114973332A CN202210753996.8A CN202210753996A CN114973332A CN 114973332 A CN114973332 A CN 114973332A CN 202210753996 A CN202210753996 A CN 202210753996A CN 114973332 A CN114973332 A CN 114973332A
Authority
CN
China
Prior art keywords
livestock
image
weight
living
detected
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
CN202210753996.8A
Other languages
English (en)
Inventor
董连杰
王瑞红
孙东东
孙志滨
赵子琪
张旭
王虹
韩克元
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.)
Hebei Bochen Husbandry Technology Co ltd
Heibei Agricultural University
Original Assignee
Hebei Bochen Husbandry Technology Co ltd
Heibei 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 Hebei Bochen Husbandry Technology Co ltd, Heibei Agricultural University filed Critical Hebei Bochen Husbandry Technology Co ltd
Priority to CN202210753996.8A priority Critical patent/CN114973332A/zh
Publication of CN114973332A publication Critical patent/CN114973332A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01G—WEIGHING
    • G01G17/00—Apparatus for or methods of weighing material of special form or property
    • G01G17/08—Apparatus for or methods of weighing material of special form or property for weighing livestock
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/70—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in livestock or poultry

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种体重测量方法、装置、电子设备和活体牲畜测量系统，该方法应用于电子设备，用于对待测活体牲畜的体重进行测量，具体为获取待测活体牲畜的实时影像；对实时影像进行处理，得到待测活体牲畜的特征图像和酮体尺寸；基于动物品种模型对特征图像进行处理，得到待测活体牲畜的牲畜种类；基于与牲畜种类相匹配的生长模型对活体牲畜的生长时间和酮体尺寸进行处理，得到待测活体牲畜的体重。通过本方案在无需对待测活体牲畜逐个承重的情况下即可实现对其体重的测量，从而节省了人力物力。

Description

一种体重测量方法、装置、电子设备和活体牲畜测量系统
技术领域
本申请涉及畜牧设备技术领域，更具体地说，涉及一种活体牲畜的体重测量方法、装置、电子设备。
背景技术
一般在一个牧场或者其他养殖场所，会养殖大量的牲畜，为了及时掌握出栏时机以及在饲养过程中采取一定的干预措施，需要对牲畜的体重及时测量，以便根据体重采取措施或者确定是否达到出栏标准。但目前在称量牲畜时，需要采用称量设备如电子秤对牲畜逐个测量，测量过程需要耗费大量的人力物力。
发明内容
有鉴于此，本申请提供一种活体牲畜量的体重测量方法、装置、电子设备和活体牲畜测量系统，用于测量活体牲畜的体重，以节省人力物力。
为了实现上述目的，现提出的方案如下：
一种体重测量方法，应用于电子设备，用于对待测活体牲畜的体重进行测量，所述体重测量方法包括步骤：
获取所述待测活体牲畜的实时影像；
对所述实时影像进行处理，得到所述待测活体牲畜的特征图像和酮体尺寸；
基于动物品种模型对特征图像进行处理，得到所述待测活体牲畜的牲畜种类；
基于与所述牲畜种类相匹配的生长模型对所述酮体尺寸和待测活体牲畜的生长时间进行处理，得到所述待测活体牲畜的体重。
可选的，所述实时影像为红外实时影像，所述特征图像为头部图像。
可选的，还包括步骤：
构建第一样本集，所述第一样本集包括多种经过标定的活体牲畜的头部图像；
基于所述第一样本集对CNN卷积神经网络进行训练，得到所述动物品种模型。
可选的，还包括步骤：
基于每个动物品种构建第二样本集，所述第二样本集包括所述品种的动物的生长时间和酮体尺寸，以及与所述酮体尺寸对应的体重；
基于所述第二样本集对CNN卷积神经网络进行训练，得到所述生长模型。
一种体重测量装置，应用于电子设备，用于对待测活体牲畜的体重进行测量，所述体重测量装置包括：
影像采集模块，被配置为获取所述待测活体牲畜的实时影像；
影像处理模块，被配置为对所述实时影像进行处理，得到所述待测活体牲畜的特征图像和酮体尺寸；
第一识别模块，被配置为基于动物品种模型对特征图像进行处理，得到所述待测活体牲畜的牲畜种类；
第二识别模块，被配置为基于与所述牲畜种类相匹配的生长模型对所述酮体尺寸和待测活体牲畜的生长时间进行处理，得到所述待测活体牲畜的体重。
可选的，所述实时影像为红外实时影像，所述特征图像为头部图像。
可选的，还包括：
第一构建模块，被配置为构建第一样本集，所述第一样本集包括多种经过标定的活体牲畜的头部图像；
第一训练模块，被配置为基于所述第一样本集对CNN卷积神经网络进行训练，得到所述动物品种模型。
可选的，还包括：
第二构建模块，被配置为基于每个动物品种构建第二样本集，所述第二样本集包括所述品种的动物的生长时间和酮体尺寸，以及与所述酮体尺寸对应的体重；
第二训练模块，被配置为基于所述第二样本集对CNN卷积神经网络进行训练，得到所述生长模型。
一种电子设备，所述电子设备包括至少一个处理器和与所述处理器连接的存储器，其中：
所述存储器用于存储计算机程序或指令；
所述处理器用于执行所述计算机程序或指令，以使所述电子设备实现如上所述的体重测量方法。
一种活体牲畜测量系统，包括影像采集设备和电子设备，所述影像采集设备与电子设备连接，其中：
所述影像采集设备用于采集待测活体牲畜的实时影像；
所述电子设备用于对所述实时影像进行处理，即基于如上所述的体重测量方法对所述实时影像进行处理，得到并通过显示设备输出所述待测活体牲畜的体重。
从上述的技术方案可以看出，本申请公开了一种体重测量方法、装置、电子设备和活体牲畜测量系统，该方法应用于电子设备，用于对待测活体牲畜的体重进行测量，具体为获取待测活体牲畜的实时影像；对实时影像进行处理，得到待测活体牲畜的特征图像和酮体尺寸；基于动物品种模型对特征图像进行处理，得到待测活体牲畜的牲畜种类；基于与牲畜种类相匹配的生长模型对活体牲畜的生长时间和酮体尺寸进行处理，得到待测活体牲畜的体重。通过本方案在无需对待测活体牲畜逐个承重的情况下即可实现对其体重的测量，从而节省了人力物力。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例的一种体重测量方法的流程图；
图2为本申请实施例的一种体重测量装置的框图；
图3为本申请实施例的另一种体重测量装置的框图；
图4为本申请实施例的又一种体重测量装置的框图；
图5为本申请实施例的一种电子设备的框图；
图6为本申请实施例的一种活体牲畜测量系统的框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
实施例一
图1为本申请实施例的一种体重测量方法的流程图。
如图1所示，本实施例提供的体重测量方法应用于电子设备，用于对待测活体牲畜的体重进行实时测量，该电子设备可以理解为具有数据计算和信息处理能力的计算机或服务器。该体重测量方法具体包括如下步骤：
S1、获取待测活体牲畜的实时影像。
这里的实时影像由置于待测活体影像一定距离和一定角度的影像采集设备所采集的实时影像，并不需要将待测活体牲畜进行特定摆放或固定，例如可以将影像采集设备固定于圈室或通道的一定位置，待活体牲畜活动或通过时即可对特定的活体牲畜完成影像采集，从而得到实时影像，这里的实时影像可以为视频或图像。
在影像采集设备得到实时影像后，可以基于该电子设备从该影像采集设备中获取该实时影像。为了提高测量的精度，该实时影像可以为红外图像，此时该影像采集设备为红外摄影机或红外照相机，另外，还可以选用深度相机作为该影像采集设备，以便获得具有深度信息的实时影像。
S2、对实时影像进行处理，得到特征图像和酮体尺寸。
正在得到上述的实时影像后，基于预设的算法对该实时影像进行处理，得到该待测活体牲畜的特征图像和酮体尺寸。因为牲畜种类与牲畜的头部特征关联性较强，因此这里的特征图像为头部图像。该酮体尺寸可以基于该实时影像经过处理后得到，该处理方法在现有技术中有记载，这里不再赘述。
S3、对特征图像进行处理，得到牲畜种类。
即利用预先训练得到的动物品种模型对特征图像进行处理，得到该待测活体牲畜的牲畜种类。该牲畜种类的划分包括猪、牛、羊、驴、马、骡等，甚至可以具体到亚种，如绵羊、山羊，还可以具体到绵羊品种，如小尾寒羊、熊猫羊等。
S4、对酮体尺寸进行处理，得到待测活体牲畜的体重。
在得到该待测活体牲畜的牲畜种类后，从预先训练得到的多个生长模型中选取与牲畜种类相对应的生长模型，并用其对待测活体牲畜的生长时间和酮体尺寸进行处理，得到该待测活体牲畜的体重，从而实现了本申请的发明目的。
从上述方案可以看出，本实施例提供了一种体重测量方法，该方法应用于电子设备，用于对待测活体牲畜的体重进行测量，具体为获取待测活体牲畜的实时影像；对实时影像进行处理，得到待测活体牲畜的特征图像和酮体尺寸；基于动物品种模型对特征图像进行处理，得到待测活体牲畜的牲畜种类；基于与牲畜种类相匹配的生长模型对活体牲畜的生长时间和酮体尺寸进行处理，得到待测活体牲畜的体重。通过本方案在无需对待测活体牲畜逐个承重的情况下即可实现对其体重的测量，从而节省了人力物力。
另外，在本实施例的一个具体实施方式中，还包括如下步骤，以便得到动物品种模型：
首先，构建第一样本集。该第一样本集包括多种经过标定的活体牲畜的头部图像。每个头部图像是通过一个具有拍照功能的摄像头对每只活体牲畜从正面拍照，获取不同牲畜品种的头部图像。为了使训练出来的模型具有更好的泛化能力，需要获取每个品种的牲畜在不同生长时间阶段的，不同状态下的头部图片。总而言之，就是要考虑牲畜的不同姿态，尽量做到数据覆盖范围广泛。为了使训练出来的模型有更好的识别功能，每个品种的牲畜的头部图像的数量级最好能够达到万级。
在获得牲畜的头部图像后，可以基于专家知识库对每个头部图像进行标定，即标注出每个头部图像对应的牲畜品种。在标定每张头部图像的品种后，需要对数据进行划分，一部分分为训练集，用于训练CNN卷积神经网络的参数；一部分分为测试集，用于测试训练完的动物品种模型的精度。划分的方法我们可以对不同生长时间段的牲畜按比例8∶2(这个比例可以根据实际操作时做出调整)划分进行划分，其中占比8份的作为训练集，占比2份的作为测试集。
然后，基于上述的第一样本集对CNN卷积神经网络进行训练，从而得到该动物品种模型。具体过程为，将上述的训练集和测试集分别存储，然后通过Python语言以及Tensorflow等框架构建CNN卷积神经网络。卷积神经网络主要包括：输入层、卷积层、激活函数、池化层、全连接层、损失函数等组成。对于每一层的数量要求，以及函数的选取这些问题只有在训练模型的过程中才能确定，目前没有什么方法能够提前去评估出这些参数。
通过训练集将模型训练好以后，用测试集对模型的准确率进行评估，如果能够达到要求那模型就构建成功，任务完成。如果模型对训练集的测试准确率比较低，那需要对模型进行调整，直到达到满意的准确率。
还有，在本实施例的另一个具体实施例方式中，还包括如下步骤，以便得到每个品种的牲畜的生长模型。
首先，构建第二样本集，该第二样本集包括当前品种的牲畜的酮体尺寸和与该酮体尺寸对应的体重。在构建阶段，从不用品种的牲畜中挑选处于各个生长时间段的健康牲畜进行实际的测量，得到并记录酮体尺寸和对应的体重。由于每只活体牲畜的出生时间在一般都会有记录，所以牲畜的生长时间可以从农场主那直接获得。为了获取牲畜的酮体尺寸和体重，只能是对每只牲畜进行称量并记录结果。酮体尺寸主要是测量酮体的长度和宽度。长度即从头到尾的距离，度主要是腹部的宽度。
测量尺寸的的方式我们可以通过红外线成像进行快速测量。具体的方法如下，首先将红外摄像头固定在一定的高度，然后让单只牲畜暴露在红外线摄像头下并采集数据。需要采集的数据主要包括：一个是红外线摄像头到牲畜的头部和尾部的距离以及这两个距离线段的夹角，另一个是图片中牲畜的长度和宽度。得到这些数据后，我们可以根据红外摄像头到头部和尾部的距离以及这两条线段的夹角，通过数学中的三角函数余弦定理计算出牲畜的实际长度。然后根据图片中长度与宽度的比值，以及上一步中计算出的牲畜的长度和腹部宽度。
在数据采集阶段，可以逐个品种的进行。这里采集的数据需要覆盖范围广一些，即每个品种的牲畜的生长时间划分的细一些，尽量能够采集到不同月份的牲畜的数据。对于每个品种的不同生长时间段的牲畜进行采集数据的同时就对数据做出标定及划分，这里依然是划分为训练集和测试集。这里划分的比例可以参照7∶3来进行，其中7份是用于训练模型的数据，3份是用于检验训练好的模型精度的。
然后，基于上面得到的第二样本集对logisti回归网络进行训练。具体来说，将收集到的第二样本集按照训练集和测试集分别存储，然后通过Python语言编写logistic回归网络对每个品种的牲畜分别进行训练以确定模型参数。从而得到该生长模型。
在模型训练过程中，每次用训练集学习到模型的参数后，就用测试集进行模型精度测试，如果模型的精度达到了要求就停止训练，如果没有达到那就调整参数继续训练，直到达到满意的准确度为止。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，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，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言-诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言-诸如C语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)-连按到用户计算机，或者，可以连接到外部计算机。
实施例二
图2为本申请实施例的一种体重测量装置的框图。
如图2所示，本实施例提供的体重测量装置应用于电子设备，用于对待测活体牲畜的体重进行实时测量，该电子设备可以理解为具有数据计算和信息处理能力的计算机或服务器。该体重测量装置具体包括影像采集模块10、影像处理模块20、第一识别模块30和第二识别模块40。
影像采集模块用于获取待测活体牲畜的实时影像。
这里的实时影像由置于待测活体影像一定距离和一定角度的影像采集设备所采集的实时影像，并不需要将待测活体牲畜进行特定摆放或固定，例如可以将影像采集设备固定于圈室或通道的一定位置，待活体牲畜活动或通过时即可对特定的活体牲畜完成影像采集，从而得到实时影像，这里的实时影像可以为视频或图像。
在影像采集设备得到实时影像后，可以基于该电子设备从该影像采集设备中获取该实时影像。为了提高测量的精度，该实时影像可以为红外图像，此时该影像采集设备为红外摄影机或红外照相机，另外，还可以选用深度相机作为该影像采集设备，以便获得具有深度信息的实时影像。
影像处理模块用于对实时影像进行处理，得到特征图像和酮体尺寸。
正在得到上述的实时影像后，基于预设的算法对该实时影像进行处理，得到该待测活体牲畜的特征图像和酮体尺寸。因为牲畜种类与牲畜的头部特征关联性较强，因此这里的特征图像为头部图像。该酮体尺寸可以基于该实时影像经过处理后得到，该处理方法在现有技术中有记载，这里不再赘述。
第一识别模块用于对特征图像进行处理，得到牲畜种类。
即利用预先训练得到的动物品种模型对特征图像进行处理，得到该待测活体牲畜的牲畜种类。该牲畜种类的划分包括猪、牛、羊、驴、马、骡等，甚至可以具体到亚种，如绵羊、山羊，还可以具体到绵羊品种，如小尾寒羊、熊猫羊等。
第二识别模块用于对酮体尺寸进行处理，得到待测活体牲畜的体重。
在得到该待测活体牲畜的牲畜种类后，从预先训练得到的多个生长模型中选取与牲畜种类相对应的生长模型，并用其对待测活体牲畜的生长时间和酮体尺寸进行处理，得到该待测活体牲畜的体重，从而实现了本申请的发明目的。
从上述方案可以看出，本实施例提供了一种体重测量装置，该装置应用于电子设备，用于对待测活体牲畜的体重进行测量，具体为获取待测活体牲畜的实时影像；对实时影像进行处理，得到待测活体牲畜的特征图像和酮体尺寸；基于动物品种模型对特征图像进行处理，得到待测活体牲畜的牲畜种类；基于与牲畜种类相匹配的生长模型对活体牲畜的生长时间和酮体尺寸进行处理，得到待测活体牲畜的体重。通过本方案在无需对待测活体牲畜逐个承重的情况下即可实现对其体重的测量，从而节省了人力物力。
另外，如图3所示，在本实施例的一个具体实施方式中，还包括第一构建模块50和第一训练模块60，用于训练动物品种模型。
第一构建模块用于构建第一样本集。该第一样本集包括多种经过标定的活体牲畜的头部图像。每个头部图像是通过一个具有拍照功能的摄像头对每只活体牲畜从正面拍照，获取不同牲畜品种的头部图像。为了使训练出来的模型具有更好的泛化能力，需要获取每个品种的牲畜在不同生长时间阶段的，不同状态下的头部图片。总而言之，就是要考虑牲畜的不同姿态，尽量做到数据覆盖范围广泛。为了使训练出来的模型有更好的识别功能，每个品种的牲畜的头部图像的数量级最好能够达到万级。
在获得牲畜的头部图像后，可以基于专家知识库对每个头部图像进行标定，即标注出每个头部图像对应的牲畜品种。在标定每张头部图像的品种后，需要对数据进行划分，一部分分为训练集，用于训练CNN卷积神经网络的参数；一部分分为测试集，用于测试训练完的动物品种模型的精度。划分的方法我们可以对不同生长时间段的牲畜按比例8∶2(这个比例可以根据实际操作时做出调整)划分进行划分，其中占比8份的作为训练集，占比2份的作为测试集。
第二训练模块用于基于上述的第一样本集对CNN卷积神经网络进行训练，从而得到该动物品种模型。具体过程为，将上述的训练集和测试集分别存储，然后通过Python语言以及Tensorflow等框架构建CNN卷积神经网络。卷积神经网络主要包括：输入层、卷积层、激活函数、池化层、全连接层、损失函数等组成。对于每一层的数量要求，以及函数的选取这些问题只有在训练模型的过程中才能确定，目前没有什么方法能够提前去评估出这些参数。
通过训练集将模型训练好以后，用测试集对模型的准确率进行评估，如果能够达到要求那模型就构建成功，任务完成。如果模型对训练集的测试准确率比较低，那需要对模型进行调整，直到达到满意的准确率。
还有，如图4所示，在本实施例的另一个具体实施例方式中，还包括第二构建模块70和第二训练模块80，用于训练每个品种的牲畜的生长模型。
第二构建模块用于构建第二样本集，该第二样本集包括当前品种的牲畜的酮体尺寸和与该酮体尺寸对应的体重。在构建阶段，从不用品种的牲畜中挑选处于各个生长时间段的健康牲畜进行实际的测量，得到并记录酮体尺寸和对应的体重。由于每只活体牲畜的出生时间在一般都会有记录，所以牲畜的生长时间可以从农场主那直接获得。为了获取牲畜的酮体尺寸和体重，只能是对每只牲畜进行称量并记录结果。酮体尺寸主要是测量酮体的长度和宽度。长度即从头到尾的距离，度主要是腹部的宽度。
测量尺寸的的方式我们可以通过红外线成像进行快速测量。具体的方法如下，首先将红外摄像头固定在一定的高度，然后让单只牲畜暴露在红外线摄像头下并采集数据。需要采集的数据主要包括：一个是红外线摄像头到牲畜的头部和尾部的距离以及这两个距离线段的夹角，另一个是图片中牲畜的长度和宽度。得到这些数据后，我们可以根据红外摄像头到头部和尾部的距离以及这两条线段的夹角，通过数学中的三角函数余弦定理计算出牲畜的实际长度。然后根据图片中长度与宽度的比值，以及上一步中计算出的牲畜的长度和腹部宽度。
在数据采集阶段，可以逐个品种的进行。这里采集的数据需要覆盖范围广一些，即每个品种的牲畜的生长时间划分的细一些，尽量能够采集到不同月份的牲畜的数据。对于每个品种的不同生长时间段的牲畜进行采集数据的同时就对数据做出标定及划分，这里依然是划分为训练集和测试集。这里划分的比例可以参照7∶3来进行，其中7份是用于训练模型的数据，3份是用于检验训练好的模型精度的。
第二训练模块用于基于上面得到的第二样本集对logisti回归网络进行训练，从而得到该生长模型。具体来说，将收集到的第二样本集按照训练集和测试集分别存储，然后通过Python语言编写logistic回归网络对每个品种的牲畜分别进行训练以确定模型参数。
在模型训练过程中，每次用训练集学习到模型的参数后，就用测试集进行模型精度测试，如果模型的精度达到了要求就停止训练，如果没有达到那就调整参数继续训练，直到达到满意的准确度为止。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
实施例水泥
图5为本申请实施例的一种电子设备的框图。
参考图5所示，其示出了适于用来实现本公开实施例中的电子设备的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图5所示，电子设备可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置606加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置606；以及通信装置609。通信装置609可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
实施例四
图6为本申请实施例的一种活体牲畜测量系统的框图。
如图6所示，本实施例提供了一种活体牲畜测量系统，该系统包括影像采集设备100和电子设备200。该影像采集设备可以选用红外影像采集设备、深度相机等，用于采集待测活体牲畜的实时影像。
该电子设备与该影像采集设备连接，用于获取上述实时影像，并基于实施例一中的体重测量方法对实时影像进行处理，从而得到相应活体牲畜的体重。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后，还需要说明的是，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、物品或者终端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、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个......”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的技术方案进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种体重测量方法，应用于电子设备，用于对待测活体牲畜的体重进行测量，其特征在于，所述体重测量方法包括步骤：
获取所述待测活体牲畜的实时影像；
对所述实时影像进行处理，得到所述待测活体牲畜的特征图像和酮体尺寸；
基于动物品种模型对特征图像进行处理，得到所述待测活体牲畜的牲畜种类；
基于与所述牲畜种类相匹配的生长模型对所述酮体尺寸和待测活体牲畜的生长时间进行处理，得到所述待测活体牲畜的体重。
2.如权利要求1所述的体重测量方法，其特征在于，所述实时影像为红外实时影像，所述特征图像为头部图像。
3.如权利要求1或2所述的体重测量方法，其特征在于，还包括步骤：
构建第一样本集，所述第一样本集包括多种经过标定的活体牲畜的头部图像；
基于所述第一样本集对CNN卷积神经网络进行训练，得到所述动物品种模型。
4.如权利要求1或2所述的体重测量方法，其特征在于，还包括步骤：
基于每个动物品种构建第二样本集，所述第二样本集包括所述品种的动物的生长时间和酮体尺寸，以及与所述酮体尺寸对应的体重；
基于所述第二样本集对CNN卷积神经网络进行训练，得到所述生长模型。
5.一种体重测量装置，应用于电子设备，用于对待测活体牲畜的体重进行测量，其特征在于，所述体重测量装置包括：
影像采集模块，被配置为获取所述待测活体牲畜的实时影像；
影像处理模块，被配置为对所述实时影像进行处理，得到所述待测活体牲畜的特征图像和酮体尺寸；
第一识别模块，被配置为基于动物品种模型对特征图像进行处理，得到所述待测活体牲畜的牲畜种类；
第二识别模块，被配置为基于与所述牲畜种类相匹配的生长模型对所述酮体尺寸和待测活体牲畜的生长时间进行处理，得到所述待测活体牲畜的体重。
6.如权利要求5所述的体重测量装置，其特征在于，所述实时影像为红外实时影像，所述特征图像为头部图像。
7.如权利要求5或6所述的体重测量装置，其特征在于，还包括：
第一构建模块，被配置为构建第一样本集，所述第一样本集包括多种经过标定的活体牲畜的头部图像；
第一训练模块，被配置为基于所述第一样本集对CNN卷积神经网络进行训练，得到所述动物品种模型。
8.如权利要求5或6所述的体重测量装置，其特征在于，还包括：
第二构建模块，被配置为基于每个动物品种构建第二样本集，所述第二样本集包括所述品种的动物的生长时间和酮体尺寸，以及与所述酮体尺寸对应的体重；
第二训练模块，被配置为基于所述第二样本集对CNN卷积神经网络进行训练，得到所述生长模型。
9.一种电子设备，其特征在于，所述电子设备包括至少一个处理器和与所述处理器连接的存储器，其中：
所述存储器用于存储计算机程序或指令；
所述处理器用于执行所述计算机程序或指令，以使所述电子设备实现如权利要求1～4任一项所述的体重测量方法。
10.一种活体牲畜测量系统，其特征在于，包括影像采集设备和电子设备，所述影像采集设备与电子设备连接，其中：
所述影像采集设备用于采集待测活体牲畜的实时影像；
所述电子设备用于对所述实时影像进行处理，即基于如权利要求1～4任一项所述的体重测量方法对所述实时影像进行处理，得到并通过显示设备输出所述待测活体牲畜的体重。
CN202210753996.8A 2022-06-21 2022-06-21 一种体重测量方法、装置、电子设备和活体牲畜测量系统 Pending CN114973332A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210753996.8A CN114973332A (zh) 2022-06-21 2022-06-21 一种体重测量方法、装置、电子设备和活体牲畜测量系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210753996.8A CN114973332A (zh) 2022-06-21 2022-06-21 一种体重测量方法、装置、电子设备和活体牲畜测量系统

Publications (1)

Publication Number Publication Date
CN114973332A true CN114973332A (zh) 2022-08-30

Family

ID=82968072

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210753996.8A Pending CN114973332A (zh) 2022-06-21 2022-06-21 一种体重测量方法、装置、电子设备和活体牲畜测量系统

Country Status (1)

Country Link
CN (1) CN114973332A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108990831A (zh) * 2018-06-22 2018-12-14 成都睿畜电子科技有限公司 一种牲畜健康监控方法和系统
CN110296660A (zh) * 2019-06-26 2019-10-01 北京海益同展信息科技有限公司 牲畜体尺检测方法与装置
CN110672189A (zh) * 2019-09-27 2020-01-10 北京海益同展信息科技有限公司 体重估计方法、装置、系统和存储介质
CN111121932A (zh) * 2019-12-24 2020-05-08 秒针信息技术有限公司 测量牲畜体重的方法和装置
CN113887505A (zh) * 2021-10-22 2022-01-04 镇江宏祥自动化科技有限公司 牛图像分类方法、装置、电子设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108990831A (zh) * 2018-06-22 2018-12-14 成都睿畜电子科技有限公司 一种牲畜健康监控方法和系统
CN110296660A (zh) * 2019-06-26 2019-10-01 北京海益同展信息科技有限公司 牲畜体尺检测方法与装置
CN110672189A (zh) * 2019-09-27 2020-01-10 北京海益同展信息科技有限公司 体重估计方法、装置、系统和存储介质
CN111121932A (zh) * 2019-12-24 2020-05-08 秒针信息技术有限公司 测量牲畜体重的方法和装置
CN113887505A (zh) * 2021-10-22 2022-01-04 镇江宏祥自动化科技有限公司 牛图像分类方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
Alvarenga et al. Using a three-axis accelerometer to identify and classify sheep behaviour at pasture
CN109632059B (zh) 一种智能养猪方法、系统、电子设备及存储介质
George et al. Relationship among eye and muzzle temperatures measured using digital infrared thermal imaging and vaginal and rectal temperatures in hair sheep and cattle
Wang et al. Development and validation of an ensemble classifier for real-time recognition of cow behavior patterns from accelerometer data and location data
Stajnko et al. Estimation of bull live weight through thermographically measured body dimensions
Batanov et al. Non-contact methods of cattle conformation assessment using mobile measuring systems
CN110246135B (zh) 卵泡监测方法、装置、系统及存储介质
CN110738235A (zh) 肺结核判定方法、装置、计算机设备及存储介质
Debauche et al. Edge computing for cattle behavior analysis
EP2071339A3 (en) System for providing animal test information and method of providing animal test information
CN111402220A (zh) 用于获取信息的方法及装置
CN114973332A (zh) 一种体重测量方法、装置、电子设备和活体牲畜测量系统
CN114010180A (zh) 一种基于卷积神经网络的磁共振快速成像方法及装置
CN112115752A (zh) 品质检测模型的训练方法和装置以及品质检测方法和装置
CN113052075A (zh) 用于牧场的环境监测方法、装置、终端和介质
CN113918741A (zh) 数据处理方法、装置、系统、计算机设备和存储介质
Woods et al. Estimating animal location from non-overhead camera views
Bremer et al. Deep learning–based automated measurements of the scrotal circumference of Norwegian Red bulls from 3D images
CN110378936B (zh) 光流计算方法、装置及电子设备
Wang et al. Non-contact sensing of hog weights by machine vision
CN116778351A (zh) 基于高空间分辨率遥感影像的畜牧业牲畜监测提取方法
CN114937200A (zh) 基于深度学习的池塘死鱼检测方法、装置、设备及介质
CN105469116A (zh) 一种基于人机交互的幼儿识图及数据扩充方法
El Allali et al. Smartphone and a freely available application as a new tool to record locomotor activity rhythm in large mammals and humans
CN113813570A (zh) 一种体能测试方法、系统、电子设备及存储介质

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