CN115294185A - 猪只体重的估测方法以及相关设备 - Google Patents
猪只体重的估测方法以及相关设备 Download PDFInfo
- Publication number
- CN115294185A CN115294185A CN202210672967.9A CN202210672967A CN115294185A CN 115294185 A CN115294185 A CN 115294185A CN 202210672967 A CN202210672967 A CN 202210672967A CN 115294185 A CN115294185 A CN 115294185A
- Authority
- CN
- China
- Prior art keywords
- pig
- image data
- data
- back depth
- weight
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30204—Marker
-
- 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
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种猪只体重的估测方法以及相关设备。所述方法包括:获取目标区域内的猪只的背部深度图像数据;对背部深度图像数据进行关键点标注,得到完整猪只图像数据和残缺猪只图像数据;完整猪只图像数据标注有全部猪只关键点,残缺猪只图像数据标注有部分猪只关键点;将残缺猪只图像数据输入到预先构建的猪只图像补全模型,对残缺猪只图像数据进行填充,得到猪只修复图像数据,并对猪只修复图像数据进行关键点标注,得到猪只补全图像数据;猪只补全图像数据标注有全部猪只关键点;将完整猪只图像数据和猪只补全图像数据输入到预先构建的以猪只全图像面积为自变量的猪只体重估测模型,得到目标区域内的猪只数量及每个猪只的体重数据。
Description
技术领域
本申请涉及及畜牧信息化技术领域,尤其涉及一种猪只体重的估测方法以及相关设备。
背景技术
随着畜牧生产行业的发展,无人化的牲畜管控方法是畜牧生产研究中的重要关注点。以猪只为例,猪只的体重变化是饲养人员最关注的信息,获取准确的猪只体重信息不仅可以帮助饲养人员科学的饲喂、提高饲料的转化率、监测猪只的生长情况,还可以控制猪只出栏时体重的整齐度。传统的猪只体重测量通常是由饲养人员将猪放在体重秤上进行直接称重,尤其在非洲猪瘟可能常态化的背景下,人也是传播非瘟的主要途径之一,这种直接称重方式也是要严格禁止的,不利于猪场生物安全体系的建立。此外,由于猪只的挣扎,其测量结果往往有很大偏差,此外,猪只的应激反应可能误伤到饲喂人员,有一定危险性。现有技术中还有利用机器视觉技术来估测猪只体重的方法,但由于其计算逻辑复杂,准确率低。并且,对于紧密贴合或肢体部分有重叠的猪只,无法进行准确的区分,很难实现准确、快速、高效的猪只体重测量,难以大范围应用推广。因此采用非接触式的,基于人工智能的机器视觉技术并与算法模型结合起来,间接估测猪只的体重越来越受到养殖企业的重视,并且将猪只计数及体重估测结合起来,就会更加增强了生产管理的便捷,为“无人值守”的牧场管理的建设带来可能。
发明内容
有鉴于此,本申请的目的在于提出一种猪只体重的估测方法以及相关设备,以解决无人情况下对猪只体重测量的问题。
基于上述目的,本申请提供了一种猪只体重的估测方法,其特征在于,包括:
获取目标区域内的猪只的背部深度图像数据;
对所述背部深度图像数据进行关键点标注,得到完整猪只图像数据和残缺猪只图像数据;其中,所述完整猪只图像数据标注有全部猪只关键点,所述残缺猪只图像数据标注有部分猪只关键点;
将所述残缺猪只图像数据输入到预先构建的猪只图像补全模型,对所述残缺猪只图像数据进行填充,得到猪只修复图像数据,并对所述猪只修复图像数据进行关键点标注,得到猪只补全图像数据;其中,所述猪只补全图像数据标注有全部猪只关键点;
将所述完整猪只图像数据和所述猪只补全图像数据输入到预先构建的猪只体重估测模型,得到所述目标区域内的猪只的体重数据。
可选的,对所述背部深度图像数据进行关键点标注,之前还包括:
获取猪只标准站立姿势下的标准背部深度图像数据,根据所述标准背部深度图像数据得到第一训练数据集;其中,所述第一训练数据集包括:猪只头部关键点数据、猪只左前肢关键点数据、猪只右前肢关键点数据、猪只左后肢关键点数据以及猪只右后肢关键点数据;
根据所述第一训练数据集,拟合得到猪只关键点标注模型;
将所述背部深度图像数据输入到所述猪只关键点标注模型中,以对所述背部深度图像数据进行关键点标注。
可选的,所述方法还包括通过以下方式构建所述猪只图像补全模型:
获取猪只在预设时间段内的历史背部深度图像数据和历史猪只体重数据,将所述历史背部深度图像数据进行二值掩码转换,得到所述历史背部深度图像数据的第一掩码图像数据;
将所述标准背部深度图像数据进行二值掩码转换,得到所述标准背部深度图像数据的第二掩码图像数据;
根据所述第二掩码图像数据对所述第一掩码图像数据进行填充,得到第三掩码图像数据,根据所述第三掩码图像数据和所述历史猪只体重数据,拟合得到所述猪只图像补全模型。
可选的,所述方法还包括:
对所述完整猪只图像数据和所述猪只补全图像数据进行汇总并求和,得到目标区域内的猪只数量信息。
可选的,所述方法还包括:
响应于对所述背部深度图像数据进行关键点标注失败,判定所述背部深度图像数据为异常数据,并将所述异常数据上传。
可选的,获取猪只在预设时间段内的历史背部深度图像数据,之后还包括:
响应于在预设时间段内的获取到的所述历史背部深度图像数据全部一致,判定所述历史背部深度图像数据为异常数据,并将所述异常数据上传。
可选的,得到目标区域内的猪只数量信息,之后还包括:
根据所述猪只数量信息对所述目标区域内的猪只的体重数据进行平均值计算,得到所述目标区域内的猪只的平均体重数据。
基于上述目的,本申请还提供了一种猪只体重的估测装置,其特征在于,包括:
第一数据获取模块,被配置为获取目标区域内的猪只的背部深度图像数据;
关键点标注模块,被配置为对所述背部深度图像数据进行关键点标注,得到完整猪只图像数据和残缺猪只图像数据;其中,所述完整猪只图像数据标注有全部猪只关键点,所述残缺猪只图像数据标注有部分猪只关键点;
图像补全模块,被配置为将所述残缺猪只图像数据输入到预先构建的猪只图像补全模型,对所述残缺猪只图像数据进行填充,得到猪只修复图像数据,并对所述猪只修复图像数据进行关键点标注,得到猪只补全图像数据;其中,所述猪只补全图像数据标注有全部猪只关键点;
体重估测模块,被配置为将所述完整猪只图像数据和所述猪只补全图像数据输入到预先构建的猪只体重估测模型,得到所述目标区域内的猪只的体重数据。
基于同一发明构思,本申请还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任意一项所述的猪只体重的估测方法。
基于同一发明构思,本发明实施例还提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行上述任意一项所述的猪只体重的估测方法。
从上面所述可以看出,本申请提供的一种猪只体重的估测方法以及相关设备,通过获取目标区域内的猪只的背部深度图像数据,将背部深度图像数据进行关键点标注,区分出可以标注全部猪只关键点的完整猪只图像数据和只能标注出部分猪只关键点的残缺猪只图像数据,对于残缺猪只图像数据,利用预先构建的猪只图像补全模型进行填充,得到猪只修复图像数据,以确保填充后得到的猪只修复图像数据在再次进行关键点标注时可以标注出全部猪只关键点,得到猪只补全图像数据,将直接得到的完整猪只图像数据和进行填充修复并再次进行全部关键点标注得到的猪只补全图像数据输入到预先构建的以猪只全图像面积为自变量的猪只体重估测模型,得到目标区域内的猪只数量及每个猪只的体重数据。。本申请提供的猪只体重的估测方法以及相关设备,可以在无人情况下,实现智能化猪只体重的估算,提高了猪只体重的估测效率,在整个估测过程中,利用关键点的标注,准确区分出紧密贴合或肢体部分有重叠的猪只,并且可以将残缺猪只图像数据进行补全,进一步提高了猪只体重估算过程中的准确性,避免了人工成本的浪费,大大提高了养殖效率。
附图说明
为了更清楚地说明本申请或相关技术中的技术方案,下面将对实施例或相关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为本申请实施例提供的猪只体重的估测方法的应用场景示意图示意图。
图2为本申请实施例提供的猪只体重的估测方法流程示意图。
图3为本申请实施例提供的猪只的背部深度图像数据示意图。
图4为本申请实施例提供的猪只关键点标注模型构建流程示意图;
图5为本申请实施例提供的猪只标准站立姿势下的标准背部深度图像数据示意图。
图6为本申请实施例提供的完整猪只图像数据和残缺猪只图像数据的示意图。
图7为本申请实施例提供的猪只图像补全模型构建流程示意图。
图8为本申请实施例提供的掩码图像数据示意图。
图9为本申请实施例提供的猪只体重的估测装置示意图。
图10为本申请实施例提供的电子设备示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本申请进一步详细说明。
需要说明的是,除非另外定义,本申请实施例使用的技术术语或者科学术语应当为本申请所属领域内具有一般技能的人士所理解的通常意义。本申请实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
如背景技术中所述,随着科学技术的发展,畜牧业养殖行业中对于获取猪只体重的准确性和高效性的要求也越来越高,为了使生产利益最大化,养殖场需要采用更加智能有效的方式获取猪只体重信息。
下面通过具体的实施例来对本申请实施例所提供的猪只体重的估测方法以及相关设备进行具体说明。
参考图1,为本申请实施例的猪只体重的估测方法的应用场景示意图示意图。
本申请实施例提供的猪只体重的估测方法可以应用于大、中或小型猪场,在猪场中设置有监控装置,监控装置可以设置于猪场的任意区域内,可以拍摄猪场内实时猪只图像或记录历史时刻猪只图像,其拍摄角度可以但不限于为俯视广角拍摄、斜视广角拍摄和俯视直拍等,在本申请实施例中,优先选择俯视广角拍摄,广角拍摄的视野范围宽广,既可以拍摄整个规定区域的画面,还可以拍摄出规定区域内所有猪只的状态。
参考图2,为本申请实施例的猪只体重的估测方法流程示意图。
步骤S201,获取目标区域内的猪只的背部深度图像数据。
在具体实施中,通过监控装置获取到猪只的实时状态图,将猪只的实时状态图转换为猪只的背部深度图像数据。
参考图3,为本申请实施例提供的猪只的背部深度图像数据示意图。
进一步地,根据实际需求,可以预设一个目标区域,通过预先设置的深度图像提取参数,对猪只的背部深度图像数据进行处理,得到只保留了猪只背部轮廓,并对轮廓内部进行灰度填充,去掉了猪场中地面、栏杆和铁网等无关背景的目标区域内的猪只的背部深度图像数据。
步骤S202,对所述背部深度图像数据进行关键点标注,得到完整猪只图像数据和残缺猪只图像数据;其中,所述完整猪只图像数据标注有全部猪只关键点,所述残缺猪只图像数据标注有部分猪只关键点。
在具体实施中,可以预先建立一个猪只关键点标注模型。
参考图4,为本申请实施例提供的猪只关键点标注模型构建流程示意图。
步骤S401,获取猪只标准站立姿势下的标准背部深度图像数据,根据所述标准背部深度图像数据得到第一训练数据集;其中,所述第一训练数据集包括:猪只头部关键点数据、猪只左前肢关键点数据、猪只右前肢关键点数据、猪只左后肢关键点数据以及猪只右后肢关键点数据。
步骤S402,根据所述第一训练数据集,拟合得到猪只关键点标注模型。
步骤S403,将所述背部深度图像数据输入到所述猪只关键点标注模型中,以对所述背部深度图像数据进行关键点标注。
下面,将进一步阐述步骤S401至步骤S403的详细内容:
首先,获取猪只标准站立姿势下的标准背部深度图像数据,参考图5,为本申请实施例提供的猪只标准站立姿势下的标准背部深度图像数据示意图。
进一步地,通过标准背部深度图像数据得到第一训练集,第一训练集可以但不限于包括猪只头部关键点数据1、猪只左前肢关键点数据2、猪只右前肢关键点数据3、猪只左后肢关键点数据4以及猪只右后肢关键点数据5等。
需要说明的是,可以根据实际情况对猪只身体部位的关键点进行选取,猪只关键点至少选择4个可以确定出猪只整体背部轮廓的部位进行定位,也可以将猪只轮廓进行间距定位,以定位点作为关键点,在本申请实施例中,优先选择猪只头部关键点数据1、猪只左前肢关键点数据2、猪只右前肢关键点数据3、猪只左后肢关键点数据4以及猪只右后肢关键点数据5作为第一训练集中的关键点,可以准确定位出猪只背部轮廓。
进一步地,可以运用包括但不限于Keypoint-RCNN网络提取第一训练数据集中猪只的关键点,拟合得到猪只关键点标注模型。
众所诸知,对于一个狭小区域内,由于猪与猪之间的互动,两只猪可能紧紧的贴在一起,或者在冬季寒冷天气下,猪群中的猪可能靠在一起取暖,此时猪只并不是标准站立姿势,举例来说,当两只猪在猪圈周边紧密靠近时,由于猪只之间姿势重叠或拍摄角度的问题,将拍不到完整的猪只背部图像,参考图3中正方形区域所指范围内,目标猪只1号、目标猪只2号和目标猪只3号并不是标准站立姿势,并没有呈现出完整的背部图像。
因此,需要利用上述所提到的预先构建的猪只关键点标注模型,对背部深度图像数据进行关键点标注,以区分出可以标注全部猪只关键点的完整猪只图像数据和只能标注出部分猪只关键点的残缺猪只图像数据。
作为一个可选的实施例,响应于对背部深度图像数据进行关键点标注失败,此时可能出现标注模型出现误差,或者需要进行标注的猪只逃离等情况,可以判定该标注失败的背部深度图像数据为异常数据,并将所述异常数据上传,以使饲喂人员及时处理。
参考图6,为本申请实施例提供的完整猪只图像数据和残缺猪只图像数据的示意图。
图中方框内的猪只由于紧密靠近或者拍摄角度问题,无法标注出全部关键点,则可以判定为残缺猪只图像数据,方框外的图像则可以判定为完整猪只图像数据。
步骤S203,将所述残缺猪只图像数据输入到预先构建的猪只图像补全模型,对所述残缺猪只图像数据进行填充,得到猪只修复图像数据,并对所述猪只修复图像数据进行关键点标注,得到猪只补全图像数据;其中,所述猪只补全图像数据标注有全部猪只关键点。
在具体实施中,可以预先建立一个猪只图像补全模型。
参考图7,为本申请实施例提供的猪只图像补全模型构建流程示意图。
步骤S701,获取猪只在预设时间段内的历史背部深度图像数据和历史猪只体重数据,将所述历史背部深度图像数据进行二值掩码转换,得到所述历史背部深度图像数据的第一掩码图像数据。
步骤S702,将所述标准背部深度图像数据进行二值掩码转换,得到所述标准背部深度图像数据的第二掩码图像数据。
步骤S703,根据所述第二掩码图像数据对所述第一掩码图像数据进行填充,得到第三掩码图像数据,根据所述第三掩码图像数据和所述历史猪只体重数据,拟合得到所述猪只图像补全模型。
下面,将进一步阐述步骤S701至步骤S703的详细内容:
首先可以获取猪只在预设时间段内的历史背部深度图像数据和历史猪只体重数据,举例来说,以目标区域内体型和体重最标准的猪只作为取样样本,预设时间段可以设置为一天中的24个时间节点,选取1时、2时、3时、4时、5时、6时、7时、8时、9时、10时、11时、12时、13时、14时、15时、16时、17时、18时、19时、20时、21时、22时、23时以及24时作为采样时间点,并相应测量该猪只在以上采样时间点的体重数据,将获取到的历史背部深度图像数据进行二值掩码转换。
掩码先验(Attention Mechanism)是从直觉中得到,它是人类利用有限的注意力资源从大量信息中快速筛选出高价值信息的手段。深度学习中的掩码先验借鉴了人类的注意力思维方式,被广泛的应用在自然语言处理(Nature Language Processing,NLP)、图像分类及语音识别等各种不同类型的深度学习任务中,并取得了显著的成果。
参考图8,为本申请实施例提供的掩码图像数据示意图。
进一步地,将获取到的历史背部深度图像数据进行二值掩码转换后,可以得到历史背部深度图像数据的第一掩码图像数据,将标准背部深度图像数据进行二值掩码转换,得到标准背部深度图像数据的第二掩码图像数据,其中,历史背部深度图像数据可以是猪只在标准站立姿势下得到的,也可以是猪只在侧卧或爬伏姿势下得到的,进一步地,由于标准背部深度图像数据包括全部猪只关键点,并且其轮廓既明显又完整,所以,可以根据标准背部深度图像数据的第二掩码图像数据对历史背部深度图像数据的第一掩码图像数据进行填充,得到填充后的第三掩码图像数据,每一个采样时间点都可以得到相应的第三掩码图像数据,再结合上述得到的历史猪只体重数据,可以拟合得到猪只图像补全模型。
进一步地,将残缺猪只图像数据输入到预先构建的猪只图像补全模型,对残缺猪只图像数据进行填充,得到猪只修复图像数据。此时的猪只修复图像数据包括有猪只全部关键点。
进一步地,再次利用猪只关键点标注模型对猪只修复图像数据进行关键点标注,得到猪只补全图像数据。
作为一个可选的实施例,可以设定一个固定时间段,例如,以3小时为一个采样时间段,则响应于在该预设的3小时内的获取到的猪只的历史背部深度图像数据全部一致,那么可能出现摄像头损坏或者猪只死亡的情况,则可以判定该段时间内的历史背部深度图像数据为异常数据,并将异常数据上传,以使饲喂人员及时处理。
有上述可知,对猪只的背部深度图像数据进行关键点标注,得到完整猪只图像数据和残缺猪只图像数据,对残缺猪只图像数据进行补全修复后,得到猪只补全图像数据,此时的完整猪只图像数据和猪只补全图像数据就是目标区域内的猪只对应的标注有全部猪只关键点的背部深度图像数据。
作为一个可选的实施例,可以对完整猪只图像数据和猪只补全图像数据进行汇总并求和,即可得到目标区域内的猪只数量信息。
步骤S204,将所述完整猪只图像数据和所述猪只补全图像数据输入到预先构建的猪只体重估测模型,得到所述目标区域内的猪只的体重数据。
其中,猪只体重估测模型可以根据猪只标准站立姿势下的标准背部深度图像数据和猪只标准体重拟合得到,可以分为两种,完整猪只图像数据应用的第一猪只体重估测模型和猪只补全图像数据应用的第二猪只体重估测模型。
第一猪只体重估测模型表示为:
BW1=3.76×10-4comAREA+4.05
其中,BW1表示猪只体重估测结果,单位为kg,3.76×10-4为体重系数,comAREA为完整猪只图像数据对应的猪只全图像面积,单位为mm2,4.05为修正系数。
作为一个可选的实施例,若完整猪只图像数据对应的猪只全图像面积为200000mm2,则其体重估测结果BW1为79.25kg。
第二猪只体重估测模型表示为:
BW2=3.8×10-4uncomAREA+4.83
其中,BW2表示猪只体重估测结果,单位为kg,3.8×10-4为体重系数,uncomAREA为猪只补全图像数据对应的猪只图像面积,单位为mm2,4.83为修正系数。
作为一个可选的实施例,若猪只补全图像数据的猪只图像面积为250000mm2,则其体重估测结果BW1为99.83kg。
需要说明的是,上述所提到的猪只图像面积是根据猪只补全图像数据计算得到的,猪只补全图像数据可以包括猪只背部深度图像的关键点的坐标数据,具体来说,猪只图像面积的计算公式如下:
其中,AREA表示猪只图像面积,单位为mm2,i表示关键点顺序,n表示关键点数量,(ai,bi)表示第一个关键点的坐标,(ai+1,bi+1)表示下一个关键点的坐标。
需要说明的是,本申请实施例中所提到的第一猪只体重估测模型以及第二猪只体重估测模型中所涉及的体重系数以及修正系数主要针对我国的杜长大三元杂交猪只,对于其它品种的三元杂交或者二元杂交猪只品种,其体重系数以及修正系数可以根据实际情况进行调整。
作为一个可选的实施例,可以根据上述步骤S203得到的猪只数量信息对得到的目标区域内的猪只体重数据进行平均值计算,得到目标区域内的猪只的平均体重数据。
由此可见,本申请提供的一种猪只体重的估测方法,通过获取目标区域内的猪只的背部深度图像数据,将背部深度图像数据进行关键点标注,区分出可以标注全部猪只关键点的完整猪只图像数据和只能标注出部分猪只关键点的残缺猪只图像数据,对于残缺猪只图像数据,利用预先构建的猪只图像补全模型进行填充,得到猪只修复图像数据,以确保填充后得到的猪只修复图像数据在再次进行关键点标注时可以标注出全部猪只关键点,得到猪只补全图像数据,将直接得到的完整猪只图像数据和进行填充修复并再次进行全部关键点标注得到的猪只补全图像数据输入到预先构建的以猪只全图像面积为自变量的猪只体重估测模型,得到目标区域内的猪只数量及每个猪只的体重数据。。本申请提供的猪只体重的估测方法以及相关设备,可以在无人情况下,实现智能化猪只体重的估算,提高了猪只体重的估测效率,在整个估测过程中,利用关键点的标注,准确区分出紧密贴合或肢体部分有重叠的猪只,并且可以将残缺猪只图像数据进行补全,进一步提高了猪只体重估算过程中的准确性,避免了人工成本的浪费,大大提高了养殖效率。
需要说明的是,本申请实施例的方法可以由单个设备执行,例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下,由多台设备相互配合来完成。在这种分布式场景的情况下,这多台设备中的一台设备可以只执行本申请实施例的方法中的某一个或多个步骤,这多台设备相互之间会进行交互以完成所述的方法。
需要说明的是,上述对本申请的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
基于同一发明构思,与上述任意实施例方法相对应的,本申请还提供了一种猪只体重的估测装置,包括:第一数据获取模块901、关键点标注模块902、图像补全模块903以及体重估测模块904。
参考图9,为本申请实施例提供的猪只体重的估测装置示意图。
第一数据获取模块901,被配置为获取目标区域内的猪只的背部深度图像数据;
关键点标注模块902,被配置为对所述背部深度图像数据进行关键点标注,得到完整猪只图像数据和残缺猪只图像数据;其中,所述完整猪只图像数据标注有全部猪只关键点,所述残缺猪只图像数据标注有部分猪只关键点;
图像补全模块903,被配置为将所述残缺猪只图像数据输入到预先构建的猪只图像补全模型,对所述残缺猪只图像数据进行填充,得到猪只修复图像数据,并对所述猪只修复图像数据进行关键点标注,得到猪只补全图像数据;其中,所述猪只补全图像数据标注有全部猪只关键点;
体重估测模块904,被配置为将所述完整猪只图像数据和所述猪只补全图像数据输入到预先构建的猪只体重估测模型,得到所述目标区域内的猪只的体重数据。
为了描述的方便,描述以上设备时以功能分为各种模块分别描述。当然,在实施本申请实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的设备用于实现前述实施例中相应的猪只体重的估测方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
基于同一构思,与上述任意实施例方法相对应的,本申请还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上任意一实施例所述的猪只体重的估测方法。
图10示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图,该设备可以包括:处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit,中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory,只读存储器)、RAM(Random AccessMemory,随机存取存储器)、静态存储设备,动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器1020中,并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块,以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出),也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等,输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出),以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路,在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是,尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050,但是在具体实施过程中,该设备还可以包括实现正常运行所必需的其他组件。此外,本领域的技术人员可以理解的是,上述设备中也可以仅包含实现本说明书实施例方案所必需的组件,而不必包含图中所示的全部组件。
上述实施例的电子设备用于实现前述任一实施例中相应的猪只体重的估测方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
基于同一构思,与上述任意实施例方法相对应的,本申请还提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行如上任一实施例所述的猪只体重的估测方法。
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的猪只体重的估测方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本申请的范围(包括权利要求)被限于这些例子;在本申请的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本申请实施例的不同方面的许多其它变化,为了简明它们没有在细节中提供。
另外,为简化说明和讨论,并且为了不会使本申请实施例难以理解,在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外,可以以框图的形式示出装置,以便避免使本申请实施例难以理解,并且这也考虑了以下事实,即关于这些框图装置的实施方式的细节是高度取决于将要实施本申请实施例的平台的(即,这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如,电路)以描述本申请的示例性实施例的情况下,对本领域技术人员来说显而易见的是,可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本申请实施例。因此,这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本申请的具体实施例对本申请进行了描述,但是根据前面的描述,这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如,其它存储器架构(例如,动态RAM(DRAM))可以使用所讨论的实施例。
本申请实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本申请实施例的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种猪只体重的估测方法,其特征在于,包括:
获取目标区域内的猪只的背部深度图像数据;
对所述背部深度图像数据进行关键点标注,得到完整猪只图像数据和残缺猪只图像数据;其中,所述完整猪只图像数据标注有全部猪只关键点,所述残缺猪只图像数据标注有部分猪只关键点;
将所述残缺猪只图像数据输入到预先构建的猪只图像补全模型,对所述残缺猪只图像数据进行填充,得到猪只修复图像数据,并对所述猪只修复图像数据进行关键点标注,得到猪只补全图像数据;其中,所述猪只补全图像数据标注有全部猪只关键点;
将所述完整猪只图像数据和所述猪只补全图像数据输入到预先构建的猪只体重估测模型,得到所述目标区域内的猪只的体重数据。
2.根据权利要求1所述的方法,其特征在于,对所述背部深度图像数据进行关键点标注,之前还包括:
获取猪只标准站立姿势下的标准背部深度图像数据,根据所述标准背部深度图像数据得到第一训练数据集;其中,所述第一训练数据集包括:猪只头部关键点数据、猪只左前肢关键点数据、猪只右前肢关键点数据、猪只左后肢关键点数据以及猪只右后肢关键点数据;
根据所述第一训练数据集,拟合得到猪只关键点标注模型;
将所述背部深度图像数据输入到所述猪只关键点标注模型中,以对所述背部深度图像数据进行关键点标注。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括通过以下方式构建所述猪只图像补全模型:
获取猪只在预设时间段内的历史背部深度图像数据和历史猪只体重数据,将所述历史背部深度图像数据进行二值掩码转换,得到所述历史背部深度图像数据的第一掩码图像数据;
将所述标准背部深度图像数据进行二值掩码转换,得到所述标准背部深度图像数据的第二掩码图像数据;
根据所述第二掩码图像数据对所述第一掩码图像数据进行填充,得到第三掩码图像数据,根据所述第三掩码图像数据和所述历史猪只体重数据,拟合得到所述猪只图像补全模型。
4.根据权利要求1所述的方法,其特征在于,还包括:
对所述完整猪只图像数据和所述猪只补全图像数据进行汇总并求和,得到目标区域内的猪只数量信息。
5.根据权利要求1所述的方法,其特征在于,还包括:
响应于对所述背部深度图像数据进行关键点标注失败,判定所述背部深度图像数据为异常数据,并将所述异常数据上传。
6.根据权利要求3所述的方法,其特征在于,获取猪只在预设时间段内的历史背部深度图像数据,之后还包括:
响应于在预设时间段内的获取到的所述历史背部深度图像数据全部一致,判定所述历史背部深度图像数据为异常数据,并将所述异常数据上传。
7.根据权利要求4所述的方法,其特征在于,得到目标区域内的猪只数量信息,之后还包括:
根据所述猪只数量信息对所述目标区域内的猪只的体重数据进行平均值计算,得到所述目标区域内的猪只的平均体重数据。
8.一种猪只体重的估测装置,其特征在于,包括:
第一数据获取模块,被配置为获取目标区域内的猪只的背部深度图像数据;
关键点标注模块,被配置为对所述背部深度图像数据进行关键点标注,得到完整猪只图像数据和残缺猪只图像数据;其中,所述完整猪只图像数据标注有全部猪只关键点,所述残缺猪只图像数据标注有部分猪只关键点;
图像补全模块,被配置为将所述残缺猪只图像数据输入到预先构建的猪只图像补全模型,对所述残缺猪只图像数据进行填充,得到猪只修复图像数据,并对所述猪只修复图像数据进行关键点标注,得到猪只补全图像数据;其中,所述猪只补全图像数据标注有全部猪只关键点;
体重估测模块,被配置为将所述完整猪只图像数据和所述猪只补全图像数据输入到预先构建的猪只体重估测模型,得到所述目标区域内的猪只的体重数据。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任意一项所述的方法。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行权利要求1至7任一所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210672967.9A CN115294185B (zh) | 2022-06-14 | 2022-06-14 | 猪只体重的估测方法以及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210672967.9A CN115294185B (zh) | 2022-06-14 | 2022-06-14 | 猪只体重的估测方法以及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115294185A true CN115294185A (zh) | 2022-11-04 |
CN115294185B CN115294185B (zh) | 2023-10-03 |
Family
ID=83820392
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210672967.9A Active CN115294185B (zh) | 2022-06-14 | 2022-06-14 | 猪只体重的估测方法以及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115294185B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116206342A (zh) * | 2023-04-27 | 2023-06-02 | 广东省农业科学院动物科学研究所 | 一种猪只体重检测方法、装置、设备及存储介质 |
CN116705336A (zh) * | 2023-07-19 | 2023-09-05 | 北京云数智康医疗科技有限公司 | 一种基于影像分析的智能化植发评估系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107730457A (zh) * | 2017-08-28 | 2018-02-23 | 广东数相智能科技有限公司 | 一种图像补全方法、装置、电子设备及存储介质 |
JP2020106422A (ja) * | 2018-12-27 | 2020-07-09 | Nttテクノクロス株式会社 | 体重推定装置、体重推定方法及びプログラム |
CN112102200A (zh) * | 2020-09-21 | 2020-12-18 | 腾讯科技(深圳)有限公司 | 图像补全模型初始化方法、训练方法和图像补全方法 |
CN112686816A (zh) * | 2020-12-25 | 2021-04-20 | 天津中科智能识别产业技术研究院有限公司 | 一种基于内容注意力机制和掩码先验的图像补全方法 |
CN112784713A (zh) * | 2021-01-08 | 2021-05-11 | 深圳喜为智慧科技有限公司 | 一种基于图像的猪体重估测方法、系统、设备及存储介质 |
CN113537175A (zh) * | 2021-09-16 | 2021-10-22 | 长沙鹏阳信息技术有限公司 | 一种基于计算机视觉的同栏猪群平均体重估算方法 |
CN113920453A (zh) * | 2021-10-13 | 2022-01-11 | 华南农业大学 | 一种基于深度学习的猪只体尺体重估测方法 |
CN113947734A (zh) * | 2021-09-03 | 2022-01-18 | 北京市农林科学院智能装备技术研究中心 | 一种猪只体征信息采集方法及系统 |
KR102403791B1 (ko) * | 2021-12-06 | 2022-05-30 | 주식회사 일루베이션 | 가축 촬영 장치를 이용한 체중 측정 시스템 |
-
2022
- 2022-06-14 CN CN202210672967.9A patent/CN115294185B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107730457A (zh) * | 2017-08-28 | 2018-02-23 | 广东数相智能科技有限公司 | 一种图像补全方法、装置、电子设备及存储介质 |
JP2020106422A (ja) * | 2018-12-27 | 2020-07-09 | Nttテクノクロス株式会社 | 体重推定装置、体重推定方法及びプログラム |
CN112102200A (zh) * | 2020-09-21 | 2020-12-18 | 腾讯科技(深圳)有限公司 | 图像补全模型初始化方法、训练方法和图像补全方法 |
CN112686816A (zh) * | 2020-12-25 | 2021-04-20 | 天津中科智能识别产业技术研究院有限公司 | 一种基于内容注意力机制和掩码先验的图像补全方法 |
CN112784713A (zh) * | 2021-01-08 | 2021-05-11 | 深圳喜为智慧科技有限公司 | 一种基于图像的猪体重估测方法、系统、设备及存储介质 |
CN113947734A (zh) * | 2021-09-03 | 2022-01-18 | 北京市农林科学院智能装备技术研究中心 | 一种猪只体征信息采集方法及系统 |
CN113537175A (zh) * | 2021-09-16 | 2021-10-22 | 长沙鹏阳信息技术有限公司 | 一种基于计算机视觉的同栏猪群平均体重估算方法 |
CN113920453A (zh) * | 2021-10-13 | 2022-01-11 | 华南农业大学 | 一种基于深度学习的猪只体尺体重估测方法 |
KR102403791B1 (ko) * | 2021-12-06 | 2022-05-30 | 주식회사 일루베이션 | 가축 촬영 장치를 이용한 체중 측정 시스템 |
Non-Patent Citations (1)
Title |
---|
李卓 等: "基于深度图像的猪体尺检测系统", 猪业观察, no. 04, pages 28 - 35 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116206342A (zh) * | 2023-04-27 | 2023-06-02 | 广东省农业科学院动物科学研究所 | 一种猪只体重检测方法、装置、设备及存储介质 |
CN116705336A (zh) * | 2023-07-19 | 2023-09-05 | 北京云数智康医疗科技有限公司 | 一种基于影像分析的智能化植发评估系统 |
CN116705336B (zh) * | 2023-07-19 | 2024-02-09 | 北京云数智康医疗科技有限公司 | 一种基于影像分析的智能化植发评估系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115294185B (zh) | 2023-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2019101786A4 (en) | Intelligent pig group rearing weighing method and apparatus, electronic device and storage medium | |
CN115294185B (zh) | 猪只体重的估测方法以及相关设备 | |
CN107180438B (zh) | 估计牦牛体尺、体重的方法和相应的便携式计算机装置 | |
CN110426112B (zh) | 一种生猪体重测量方法及装置 | |
CN108922622B (zh) | 一种动物健康监测方法、装置及计算机可读存储介质 | |
CN109255297B (zh) | 动物状态监测方法、终端设备、存储介质及电子设备 | |
CN107680080B (zh) | 牲畜的样本库建立方法和清点方法、存储介质和电子设备 | |
CN110547210B (zh) | 饲料供给方法及系统、计算机系统、存储介质 | |
Lu et al. | An automatic splitting method for the adhesive piglets’ gray scale image based on the ellipse shape feature | |
CN110991222A (zh) | 一种物体状态监测、母猪发情监测方法、装置及系统 | |
CN112184791A (zh) | 一种基于cnn-lstm神经网络的牦牛体重预测方法 | |
WO2023041904A1 (en) | Systems and methods for the automated monitoring of animal physiological conditions and for the prediction of animal phenotypes and health outcomes | |
CN117250994B (zh) | 基于无人机追踪昆虫迁飞轨迹的方法及系统 | |
CN110136841A (zh) | 疾病发病预测方法、装置及计算机可读存储介质 | |
CN111950479A (zh) | 一种基于神经网络模型的猪跛脚检测方法和检测系统 | |
CN113673318B (zh) | 一种动作检测方法、装置、计算机设备和存储介质 | |
高云 et al. | High-density pig counting net based on multi-scale aware | |
KR102624925B1 (ko) | 머신러닝 기반의 가축 무게 예측 방법 및 장치 | |
KR102297317B1 (ko) | 3d 이미지 처리를 통한 가축 중량 측정 장치 및 방법 | |
CN116486097B (zh) | 应用于啮齿动物喂食场景下的远程自动投喂方法及系统 | |
US9317782B2 (en) | Incremental category embedding for categorization | |
CN111507432A (zh) | 农险理赔智能称重方法、系统、电子设备和存储介质 | |
CN112132064A (zh) | 基于人工智能的识别孕囊数量的方法、装置、设备和介质 | |
Wang et al. | Vision-based measuring method for individual cow feed intake using depth images and a Siamese network | |
CN116206342B (zh) | 一种猪只体重检测方法、装置、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |