CN115119766B - 一种基于深度学习和红外热成像的母猪发情检测方法 - Google Patents
一种基于深度学习和红外热成像的母猪发情检测方法 Download PDFInfo
- Publication number
- CN115119766B CN115119766B CN202210681179.6A CN202210681179A CN115119766B CN 115119766 B CN115119766 B CN 115119766B CN 202210681179 A CN202210681179 A CN 202210681179A CN 115119766 B CN115119766 B CN 115119766B
- Authority
- CN
- China
- Prior art keywords
- sow
- vulva
- oestrus
- skin temperature
- detection
- 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.)
- Active
Links
- 230000012173 estrus Effects 0.000 title claims abstract description 82
- 238000001514 detection method Methods 0.000 title claims abstract description 73
- 238000013135 deep learning Methods 0.000 title claims abstract description 13
- 238000001931 thermography Methods 0.000 title claims abstract description 13
- 210000003905 vulva Anatomy 0.000 claims abstract description 88
- 210000001217 buttock Anatomy 0.000 claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000013145 classification model Methods 0.000 claims abstract description 4
- 238000012795 verification Methods 0.000 claims description 12
- 108091006146 Channels Proteins 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000009395 breeding Methods 0.000 abstract description 7
- 230000001488 breeding effect Effects 0.000 abstract description 7
- 238000000034 method Methods 0.000 abstract description 6
- 230000000875 corresponding effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000009027 insemination Effects 0.000 description 3
- 230000002354 daily effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000016087 ovulation Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000035935 pregnancy Effects 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 230000001850 reproductive effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
- A01K29/00—Other apparatus for animal husbandry
- A01K29/005—Monitoring or measuring activity, e.g. detecting heat or mating
-
- 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
- Life Sciences & Earth Sciences (AREA)
- Environmental Sciences (AREA)
- Biophysics (AREA)
- Animal Husbandry (AREA)
- Biodiversity & Conservation Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习和红外热成像的母猪发情检测方法，包括以下步骤：通过红外热像仪拍摄母猪的臀部图像训练出母猪臀部和外阴检测模型，准确快速的获取母猪的外阴皮肤温度；通过母猪臀部和外阴检测模型定时获取发情母猪和非发情母猪连续的外阴皮肤温度，作为训练样本对基于LSTM的时间序列分类模型，得到母猪发情预警模型；当需要对母猪进行发情检测时，将每日定时拍摄的母猪臀部图像，输入到母猪臀部和外阴检测模型中得到母猪每日外阴皮肤温度，然后将母猪连续的外阴皮肤温度输入到母猪发情预警模型中，判断母猪是否发情。本发明能够实现母猪发情检测的自动化，减轻养殖人员的劳动强度，提高母猪发情检测的准确率和效率。
Description
技术领域
本发明涉及智能检测技术领域，尤其涉及一种基于深度学习和红外热成像的母猪发情检测方法。
背景技术
发情检测是母猪繁殖管理中的关键环节，对规划最佳授精时间和提高母猪的妊娠率有重要意义。目前，我国的生猪养殖业从传统的散养模式过渡到规模化、集约化养殖模式，但是大部分养殖场仍依靠传统的人工监测方法来判断母猪是否发情，如观察爬跨行为、外阴肿胀程度和背压测试等。这种方法全凭养殖人员经验和母猪发情表现强度进行鉴定，其劳动强度大且准确率低，尤其在大规模的母猪养殖场中很容易因为漏检和发情时间鉴别不准而错过母猪的最佳配种时间和损害母猪的繁殖性能，直接影响猪场的经济效益。
近年来，通过热红外相机监测发情期间母猪外阴皮肤温度发现，母猪外阴皮肤温度会出现先升高后降低的明显变化，且温度的下降与母猪的排卵时间高度相关。说明通过监测外阴皮肤温度的变化能够客观的对母猪进行发情检测，还有助于母猪排卵时间的预测，从而找到最佳的授精时间。然而，目前该方法仍然需要人工从热红外图像中提取母猪连续几天的外阴温度来判断母猪是否发情，消耗大量的时间和精力，并且操作人员的技术水平会影响温度提取的结果。
因此，如何自动提取母猪的外阴皮肤温度和判断母猪是否发情，是亟需解决的问题。
发明内容
针对上述问题，本发明提出一种基于深度学习和红外热成像的母猪发情检测方法，能够自动的提取母猪的外阴皮肤温度和对连续的温度进行分析，减轻劳动强度，同时提高发情检测的准确率，找到最佳授精时间。
为实现上述目的，本发明采用以下技术方案：
一种基于深度学习和红外热成像的母猪发情检测方法，包括以下步骤：
步骤S1，通过红外热像仪，对母猪的臀部进行拍摄，得到伪彩色图像和温度矩阵；将伪彩色图像中母猪的臀部和外阴部位进行标注后构成母猪臀部和外阴图像数据集，然后输入到目标检测模型中进行训练和验证，得到母猪臀部和外阴检测模型；
步骤S2，利用步骤S1中获得的母猪臀部和外阴检测模型，对发情母猪和非发情母猪的臀部图像进行检测，识别出母猪的外阴部位以及外阴部位在母猪臀部所处的位置，如果识别出的外阴部位处于母猪臀部的中间位置，则将该外阴部位的坐标值与对应温度矩阵相映射得到母猪的外阴皮肤温度；然后将得到的每只母猪连续的外阴皮肤温度分段后构成母猪外阴皮肤温度时间序列数据集，输入到基于长短时记忆神经网络的时间序列分类模型中进行训练和验证，得到母猪发情预警模型；
步骤S3，当需要对母猪进行发情检测时，通过红外热像仪拍摄母猪的臀部图像，输入到母猪臀部和外阴检测模型中，识别出母猪的外阴部位以及外阴部位在母猪臀部所处的位置，如果识别出的外阴部位处于母猪臀部的中间位置，则将该外阴部位的坐标值与对应温度矩阵相映射得到母猪的外阴皮肤温度；然后将母猪连续的外阴皮肤温度输入到母猪发情预警模型，通过母猪发情预警模型判断母猪是否发情。
优选地，所述步骤S1中，母猪臀部和外阴图像数据集在输入到模型中训练之前，根据猪舍的不同将其划分为训练集、验证集和测试集，以此保证各数据集的独立性。
优选地，所述步骤S1中，基于改进YOLOv5的目标检测模型得到母猪臀部和外阴检测模型，包括输入层、Backbone Network、Neck Network和Detector四个模块；
所述输入层用于对输入的图像进行预处理；
所述Backbone Network由Focus、C3、PSA、DwConv和SPP模块组成；
所述DwConv是将原Backbone Network中用于下采样的Conv模块中3×3普通卷积核替换为深度可分离卷积核，再利用1×1卷积打乱特征图的通道顺序，促进通道间的信息交互；
所述PSA是一个高效的金字塔注意力分割模块，将其添加在最后一个C3模块的后面，用于强化网络对通道间依赖关系的学习和提取更细粒度的多尺度空间信息，进一步加强Backbone Network的特征提取能力；
所述Neck Network包括特征金字塔网络FPN和路径聚合网络PAN，FPN将高层特征进行上采样和低层特征进行自顶向下的融合，增强语义信息的获取；PAN将低层特征进行下采样和高层特征进行自底向上的融合，增强位置信息的获取；
所述Detector包括模型检测头的Detect模块和不同长宽比的初始Anchor box；
所述检测头为中等目标检测头和大目标检测头，删除了小目标检测头；
所述Detect模块用于返回目标检测框的位置、置信度和类别信息；
所述初始Anchor box是通过K-Means++聚类算法与遗传算法对母猪臀部和外阴图像数据集中标注信息进行匹配，最后得到6个不同长宽比的先验框。
优选地，所述步骤S2中构建母猪外阴皮肤温度时间序列数据集的具体步骤包括：
步骤S21，将母猪连续的外阴皮肤温度按照时间顺序分段，连续的6个外阴皮肤温度作为一个时间序列样本；
步骤S22，根据母猪的状态为每个时间序列样本添加标签，包括发情和非发情；
步骤S23，将处理好的母猪外阴皮肤温度时间序列数据集划分为训练集和验证集，比例为8：2。
优选的，所述步骤S2中，构建的母猪发情预警模型由2个LSTM层、2个Dropout层、1个全连接层和1个Softmax层组成；
所述2个LSTM层各包含20个LSTM单元；
所述2个Dropout层的Dropout rate为0.3；
所述全连接层的作用是对提取到的母猪外阴皮肤温度时间序列特征加权求和；
所述Softmax层的作用是将全连接层的结果映射为概率。
优选地，所述步骤S3中，通过母猪发情预警模型判断母猪是否发情时，输入的母猪连续的外阴皮肤温度的时间序列的长度需等于6。
本发明的有益效果如下：
本发明提出一种基于深度学习和红外热成像的母猪发情检测方法，利用基于改进YOLOv5的母猪臀部和外阴检测模型对母猪的臀部和外阴进行自动检测来准确的提取母猪外阴皮肤温度，并使用基于LSTM的母猪发情预警模型判断母猪是否发情，实现母猪发情检测的自动化，从而减轻养殖人员的劳动强度，提高母猪发情检测的准确率和效率，可用于规模化养猪场中母猪发情的快速准确识别。
附图说明
图1为本发明的方法流程图；
图2为本发明中基于改进YOLOv5的母猪臀部和外阴检测模型的结构示意图；
图3为本发明中基于LSTM的母猪发情预警模型的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点能够更加明显易懂，下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。
参照图1，本实施例公开了一种基于深度学习和红外热成像的母猪发情检测方法，包括以下步骤：
步骤S1，通过Fotric红外热像仪，对各个猪舍内的母猪的臀部进行拍摄(拍摄的母猪臀部能够看到外阴部位，外阴部位位于母猪臀部的中间部位)，每次拍摄可以得到一张伪彩色图像和一个温度矩阵。将伪彩色图像中母猪的臀部和外阴部位进行标注后构成母猪臀部和外阴图像数据集，然后输入到基于改进YOLOv5的目标检测模型中进行训练和验证，得到母猪臀部和外阴检测模型。
其中，在本步骤中使用LabelImg软件对拍摄图像中母猪臀部和外阴部位进行标注，构成母猪臀部和外阴图像数据集，并且该数据集在输入到模型中训练之前，根据猪舍的不同将其划分为训练集、验证集和测试集，以此保证各数据集的独立性。在本实施例中，Fotric红外热像仪安装在移动机器人上，以便对站立母猪的臀部进行比较全面的拍摄。
步骤S2，采用步骤S1中获得的母猪臀部和外阴检测模型，对发情母猪和非发情母猪连续几天定时拍摄的臀部图像进行快速检测，并与相应的温度矩阵相映射得到母猪外阴皮肤温度。
将每只母猪连续的外阴皮肤温度分段后构成母猪外阴皮肤温度时间序列数据集，然后输入到基于长短时记忆神经网络(LSTM)的时间序列分类模型中进行训练和验证，得到母猪发情预警模型。
其中，在本步骤中，使用母猪臀部和外阴检测模型对母猪臀部和外阴部位进行检测时，需要根据臀部检测框和外阴检测框的相对位置判断母猪的站立姿态是否端正，如果外阴检测框位于臀部检测框的中间位置，则将外阴检测框的坐标值与对应温度矩阵相映射来获取母猪的外阴皮肤温度；如果外阴检测框的位置不在臀部检测框的中间，则舍弃该图像，这样操作能够确保获得的外阴温度是完整的。
另外，具体的讲，所述母猪外阴皮肤温度时间序列数据集的构建包括以下步骤：首先将母猪连续的外阴皮肤温度按照时间顺序分段，连续的6个外阴皮肤温度作为一个时间序列样本；然后根据母猪的状态为每个时间序列样本添加标签，包括发情和非发情；最后将处理好的母猪外阴皮肤温度时间序列数据集划分为训练集和验证集，比例为8：2。
步骤S3，当需要对母猪进行发情检测时，通过Fotric红外热像仪每日定时拍摄母猪的臀部图像，输入到母猪臀部和外阴检测模型中得到母猪每日外阴皮肤温度，然后将母猪连续的外阴皮肤温度输入到母猪发情预警模型，通过母猪发情预警模型判断母猪是否发情。其中，在本步骤中每日定时拍摄的时间点为6：00、14：00和22：00；并且通过母猪发情预警模型判断母猪是否发情时，输入的母猪连续的外阴皮肤温度的时间序列的长度需等于6。
在本实施例中，步骤S1中基于改进YOLOv5的母猪臀部和外阴检测模型的结构如图2所示：该模型包括输入层、Backbone Network、Neck Network和Detector四个模块。
所述输入层用于对输入的图像进行预处理，包括将输入图像的大小自适应缩放为320*320、加入Mosaic数据增强等；
所述Backbone Network由Focus、C3、PSA、DwConv和SPP模块组成；Focus模块将输入图像进行切片操作，即每隔一个像素拿到一个值，然后再将切片拼接，与传统的卷积下采样相比，Focus模块可以保留更多的图像信息；DwConv模块是将原Backbone Network中用于下采样的Conv模块中3×3普通卷积核替换为深度可分离卷积核，再利用1×1卷积打乱特征图的通道顺序，促进通道间的信息交互；C3模块包含残差结构，由多个的Resunit模块组成，是Backbone Network特征提取的主要模块；PSA模块是一个高效的金字塔注意力分割模块，将其添加在最后一个C3模块的后面，用于强化网络对通道间依赖关系的学习和提取更细粒度的多尺度空间信息，进一步加强Backbone Network的特征提取能力；SPP模块对输入执行三种不同尺寸的池化操作，通过融合不同尺寸的特征，有助于待检测图像中目标大小差异较大的情况。
所述Neck Network包括特征金字塔网络(FPN)和路径聚合网络(PAN)，FPN将高层特征进行上采样和低层特征进行自顶向下的融合，增强语义信息的获取；PAN将低层特征进行下采样和高层特征进行自底向上的融合，增强位置信息的获取。其中Conv模块是基本卷积单元，包括卷积层(Conv)、归一化层(BN)和激活层(SiLU)；所述Dtector包括模型检测头的Detect模块和不同长宽比的初始Anchor box，Detect模块用于返回目标检测框的位置、置信度和类别信息。初始的Anchor box是通过K-Means++聚类算法与遗传算法对母猪臀部和外阴图像数据集中标注信息进行匹配获得。在本实施例中，由于待检测图像中的外阴和臀部属于中型和大型目标，因此删除FPN和PAN网络中的小目标特征融合层和小目标检测头，初始的Anchor box设置为6个，降低模型的计算复杂度，进一步加快模型的推理速度。
在本实施例中，步骤S2中基于LSTM的母猪发情预警模型的结构如图3所示：该模型包括第一LSTM层、第一Dropout层、第二LSTM层、第二Dropout层、全连接层和Softmax层，第一LSTM层和第二LSTM层各包含20个LSTM单元，用于提取母猪外阴皮肤温度时间序列的特征，第一Dropout层和第二Dropout层的Dropout rate为0.3，用于在训练时对模型随机剪枝，防止模型过拟合；母猪外阴皮肤温度时间序列经过第一LSTM层、第一Dropout层、第二LSTM层、第二Dropout层后，全连接层将提取到的母猪外阴皮肤温度时间序列特征加权求和得到母猪发情和非发情的分数，然后将全连接层的输出输入到Softmax层进行分类，将分数映射为[0,1]之间的概率，从而判断母猪是否发情。
以上仅是本发明的优选实施方式，但本发明的实施方式并不受上述实施例的限制，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。
Claims (5)
1.一种基于深度学习和红外热成像的母猪发情检测方法，其特征在于，包括以下步骤：
步骤S1，通过红外热像仪，对母猪的臀部进行拍摄，得到伪彩色图像和温度矩阵；将伪彩色图像中母猪的臀部和外阴部位进行标注后构成母猪臀部和外阴图像数据集，然后输入到基于改进YOLOv5的目标检测模型中进行训练和验证，得到母猪臀部和外阴检测模型；
所述的基于改进YOLOv5的目标检测模型，包括输入层、Backbone Network、NeckNetwork和Detector四个模块；
所述输入层用于对输入的图像进行预处理；
所述Backbone Network由Focus、C3、PSA、DwConv和SPP模块组成；
所述DwConv是将原Backbone Network中用于下采样的Conv模块中3×3普通卷积核替换为深度可分离卷积核，再利用1×1卷积打乱特征图的通道顺序，促进通道间的信息交互；
所述PSA是一个高效的金字塔注意力分割模块，将其添加在最后一个C3模块的后面，用于强化网络对通道间依赖关系的学习和提取更细粒度的多尺度空间信息，进一步加强Backbone Network的特征提取能力；
所述Neck Network包括特征金字塔网络FPN和路径聚合网络PAN，FPN将高层特征进行上采样和低层特征进行自顶向下的融合，增强语义信息的获取；PAN将低层特征进行下采样和高层特征进行自底向上的融合，增强位置信息的获取；
所述Detector包括模型检测头的Detect模块和不同长宽比的初始Anchor box；
所述检测头为中等目标检测头和大目标检测头，删除了小目标检测头；
所述Detect模块用于返回目标检测框的位置、置信度和类别信息；
所述初始Anchor box是通过K-Means++聚类算法与遗传算法对母猪臀部和外阴图像数据集中标注信息进行匹配，最后得到6个不同长宽比的先验框；
步骤S2，利用步骤S1中获得的母猪臀部和外阴检测模型，对发情母猪和非发情母猪的臀部图像进行检测，识别出母猪的外阴部位以及外阴部位在母猪臀部所处的位置，如果识别出的外阴部位处于母猪臀部的中间位置，则将该外阴部位的坐标值与对应温度矩阵相映射得到母猪的外阴皮肤温度；然后将得到的每只母猪连续的外阴皮肤温度分段后构成母猪外阴皮肤温度时间序列数据集，输入到基于长短时记忆神经网络的时间序列分类模型中进行训练和验证，得到母猪发情预警模型；
步骤S3，当需要对母猪进行发情检测时，通过红外热像仪拍摄母猪的臀部图像，输入到母猪臀部和外阴检测模型中，识别出母猪的外阴部位以及外阴部位在母猪臀部所处的位置，如果识别出的外阴部位处于母猪臀部的中间位置，则将该外阴部位的坐标值与对应温度矩阵相映射得到母猪的外阴皮肤温度；然后将母猪连续的外阴皮肤温度输入到母猪发情预警模型，通过母猪发情预警模型判断母猪是否发情。
2.根据权利要求1所述的基于深度学习和红外热成像的母猪发情检测方法，其特征在于：所述步骤S1中，母猪臀部和外阴图像数据集在输入到模型中训练之前，将其划分为训练集、验证集和测试集。
3.根据权利要求1所述的基于深度学习和红外热成像的母猪发情检测方法，其特征在于：所述步骤S2中构建母猪外阴皮肤温度时间序列数据集的具体步骤包括：
步骤S21，将母猪连续的外阴皮肤温度按照时间顺序分段，连续的6个外阴皮肤温度作为一个时间序列样本；
步骤S22，根据母猪的状态为每个时间序列样本添加标签，包括发情和非发情；
步骤S23，将处理好的母猪外阴皮肤温度时间序列数据集划分为训练集和验证集，比例为8：2。
4.根据权利要求1所述的基于深度学习和红外热成像的母猪发情检测方法，其特征在于：所述步骤S2中，构建的母猪发情预警模型由2个LSTM层、2个Dropout层、1个全连接层和1个Softmax层组成；
所述2个LSTM层各包含20个LSTM单元；
所述2个Dropout层的Dropout rate为0.3；
所述全连接层用于对提取到的母猪外阴皮肤温度时间序列特征加权求和；
所述Softmax层用于将全连接层的结果映射为概率。
5.根据权利要求1所述的基于深度学习和红外热成像的母猪发情检测方法，其特征在于：所述步骤S3中，通过母猪发情预警模型判断母猪是否发情时，输入的母猪连续的外阴皮肤温度的时间序列的长度需等于6。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210681179.6A CN115119766B (zh) | 2022-06-16 | 2022-06-16 | 一种基于深度学习和红外热成像的母猪发情检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210681179.6A CN115119766B (zh) | 2022-06-16 | 2022-06-16 | 一种基于深度学习和红外热成像的母猪发情检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115119766A CN115119766A (zh) | 2022-09-30 |
| CN115119766B true CN115119766B (zh) | 2023-08-18 |
Family
ID=83377400
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210681179.6A Active CN115119766B (zh) | 2022-06-16 | 2022-06-16 | 一种基于深度学习和红外热成像的母猪发情检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115119766B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116439158B (zh) * | 2023-06-20 | 2023-09-12 | 厦门农芯数字科技有限公司 | 基于红外识别的母猪查情方法、系统、设备及存储介质 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005204750A (ja) * | 2004-01-20 | 2005-08-04 | Japan Science & Technology Agency | 哺乳類（雌）の発情時期のスクリーニング方法 |
| CN110839557A (zh) * | 2019-10-16 | 2020-02-28 | 北京海益同展信息科技有限公司 | 母猪发情监测方法、装置、系统、电子设备及存储介质 |
| CN110897756A (zh) * | 2018-09-17 | 2020-03-24 | 阿里巴巴集团控股有限公司 | 一种预测目标对象发情状态的方法及系统 |
| CN111626985A (zh) * | 2020-04-20 | 2020-09-04 | 北京农业信息技术研究中心 | 基于图像融合的家禽体温检测方法及禽舍巡检系统 |
| KR20210153545A (ko) * | 2020-06-10 | 2021-12-17 | 주식회사 유라이크코리아 | 질병 관리 방법 및 이를 수행하기 위한 장치들 |
| CN114004892A (zh) * | 2021-12-13 | 2022-02-01 | 王建强 | 一种猪屠宰生产线上肛门部位扣取及消毒方法及装置 |
| CN114022907A (zh) * | 2021-12-27 | 2022-02-08 | 东北农业大学 | 一种基于深度学习的猪只体表测温装置及方法 |
| CN114037552A (zh) * | 2022-01-06 | 2022-02-11 | 华南农业大学 | 一种肉鸭生理生长信息巡检方法及系统 |
| CN114155216A (zh) * | 2021-11-26 | 2022-03-08 | 北京小龙潜行科技有限公司 | 猪只温度检测方法及装置 |
| CN114403044A (zh) * | 2022-01-10 | 2022-04-29 | 厦门智瞳科技有限公司 | 一种母猪查情方法及查情机器人 |
| CN114565942A (zh) * | 2022-02-26 | 2022-05-31 | 南京理工大学 | 基于压缩YOLOv5的生猪面部检测的方法 |
| CN114627502A (zh) * | 2022-03-10 | 2022-06-14 | 安徽农业大学 | 一种基于改进YOLOv5的目标识别检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9955672B2 (en) * | 2014-06-16 | 2018-05-01 | Nigel Cook | Infrared thermography and behaviour information for identification of biologically important states in animals |
-
2022
- 2022-06-16 CN CN202210681179.6A patent/CN115119766B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005204750A (ja) * | 2004-01-20 | 2005-08-04 | Japan Science & Technology Agency | 哺乳類（雌）の発情時期のスクリーニング方法 |
| CN110897756A (zh) * | 2018-09-17 | 2020-03-24 | 阿里巴巴集团控股有限公司 | 一种预测目标对象发情状态的方法及系统 |
| CN110839557A (zh) * | 2019-10-16 | 2020-02-28 | 北京海益同展信息科技有限公司 | 母猪发情监测方法、装置、系统、电子设备及存储介质 |
| CN111626985A (zh) * | 2020-04-20 | 2020-09-04 | 北京农业信息技术研究中心 | 基于图像融合的家禽体温检测方法及禽舍巡检系统 |
| KR20210153545A (ko) * | 2020-06-10 | 2021-12-17 | 주식회사 유라이크코리아 | 질병 관리 방법 및 이를 수행하기 위한 장치들 |
| CN114155216A (zh) * | 2021-11-26 | 2022-03-08 | 北京小龙潜行科技有限公司 | 猪只温度检测方法及装置 |
| CN114004892A (zh) * | 2021-12-13 | 2022-02-01 | 王建强 | 一种猪屠宰生产线上肛门部位扣取及消毒方法及装置 |
| CN114022907A (zh) * | 2021-12-27 | 2022-02-08 | 东北农业大学 | 一种基于深度学习的猪只体表测温装置及方法 |
| CN114037552A (zh) * | 2022-01-06 | 2022-02-11 | 华南农业大学 | 一种肉鸭生理生长信息巡检方法及系统 |
| CN114403044A (zh) * | 2022-01-10 | 2022-04-29 | 厦门智瞳科技有限公司 | 一种母猪查情方法及查情机器人 |
| CN114565942A (zh) * | 2022-02-26 | 2022-05-31 | 南京理工大学 | 基于压缩YOLOv5的生猪面部检测的方法 |
| CN114627502A (zh) * | 2022-03-10 | 2022-06-14 | 安徽农业大学 | 一种基于改进YOLOv5的目标识别检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| Vulvar skin temperature changes significantly during estrus in swine as determined by digital infrared thermography;Saara C. Scolari et al.;Journal of Swine Health and Production;第19卷(第3期);第151-155页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115119766A (zh) | 2022-09-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhou et al. | Evaluation of fish feeding intensity in aquaculture using a convolutional neural network and machine vision | |
| US12039733B2 (en) | Method for identifying individuals of oplegnathus punctatus based on convolutional neural network | |
| KR102296501B1 (ko) | 깊이 영상카메라 및 소리 센서를 활용한 모돈의 발정기 및 수정적기 판단 시스템 | |
| CN115527234A (zh) | 一种基于改进YOLOv5模型的红外图像笼内死鸡识别方法 | |
| CN115119766B (zh) | 一种基于深度学习和红外热成像的母猪发情检测方法 | |
| CN116295022A (zh) | 一种基于深度学习多参数融合的猪只体尺测量方法 | |
| CN114898405B (zh) | 基于边缘计算的便携式肉鸡异常监测系统 | |
| CN116563758A (zh) | 狮头鹅监控方法、装置、设备及存储介质 | |
| CN112613428A (zh) | 基于平衡损失的Resnet-3D卷积牛视频目标检测方法 | |
| CN116824626A (zh) | 一种动物异常状态人工智能识别的方法 | |
| Guo et al. | Pigeon cleaning behavior detection algorithm based on light-weight network | |
| CN113221776B (zh) | 一种基于人工智能对反刍动物一般行为识别的方法 | |
| CN114511801A (zh) | 一种虫害识别模型训练方法、虫害监测方法和电子设备 | |
| CN113887413A (zh) | 一种梅花鹿行为识别和健康预警的方法及系统 | |
| CN112966780A (zh) | 一种动物行为识别方法及系统 | |
| Avanzato et al. | Dairy cow behavior recognition using computer vision techniques and CNN networks | |
| Zheng et al. | Automatic detection of sow estrus using a lightweight real-time detector and thermal images | |
| CN115359418A (zh) | 基于clip模型的牲畜分娩监测预警系统与方法 | |
| CN115908843A (zh) | 过热度识别模型训练方法、识别方法、设备及存储介质 | |
| CN114022831A (zh) | 一种基于双目视觉的牲畜体况监测方法及系统 | |
| Meena et al. | Aerial imaging based sea lion count using modified U-net architecture | |
| Bandara et al. | Machine Learning and Image Processing Based Approach for Improving Milk Production and Cattle Livestock Management | |
| CN117292305B (zh) | 鱼类受精卵胎动次数确定方法、系统、电子设备及介质 | |
| Kawano et al. | Toward building a data-driven system for detecting mounting actions of black beef cattle | |
| Wang et al. | Deep learning method for rapidly estimating pig body size |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |