CN115457468A - 一种大型草场的智慧畜牧监测方法及系统 - Google Patents

一种大型草场的智慧畜牧监测方法及系统 Download PDF

Info

Publication number
CN115457468A
CN115457468A CN202211097522.9A CN202211097522A CN115457468A CN 115457468 A CN115457468 A CN 115457468A CN 202211097522 A CN202211097522 A CN 202211097522A CN 115457468 A CN115457468 A CN 115457468A
Authority
CN
China
Prior art keywords
livestock
poultry
grassland
information
image information
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
CN202211097522.9A
Other languages
English (en)
Inventor
张威
高路房
傅晟
林彦好
黄伟冰
苏木荣
石昱星
冯春
戴思璋
揭佳明
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.)
Shenzhen Evomotion Co ltd
Original Assignee
Shenzhen Evomotion Co ltd
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 Shenzhen Evomotion Co ltd filed Critical Shenzhen Evomotion Co ltd
Priority to CN202211097522.9A priority Critical patent/CN115457468A/zh
Publication of CN115457468A publication Critical patent/CN115457468A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
    • G06K17/0022—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device
    • G06K17/0029—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device the arrangement being specially adapted for wireless interrogation of grouped or bundled articles tagged with wireless record carriers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Mining
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/17—Terrestrial scenes taken from planes or by drones
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • 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
    • 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

Abstract

本申请公开了一种大型草场的智慧畜牧监测方法及系统，其涉及智慧草场技术领域，该方法包括如下步骤：获取目标草场的草场图像信息和目标草场中所有畜禽的芯片数据，芯片数据由畜禽身上所携带的电子芯片发出；基于草场图像信息获取目标草场中所有畜禽的标准图像信息；根据标准图像信息测算出所有畜禽的当日体重；从预设的体重数据库中调取所有畜禽的历史体重；结合当日体重和历史体重计算所有畜禽的体重差值；分别判断所有体重差值是否超出预设的差值阈值；若体重差值超出差值阈值，则结合草场图像信息和芯片数据分析得到对应目标畜禽的异常信息；基于异常信息进行报警。本申请具有草场管理人员可以及时获知草场中畜禽异常情况的效果。

Description

一种大型草场的智慧畜牧监测方法及系统
技术领域
本申请涉及智慧草场技术领域，尤其是涉及一种大型草场的智慧畜牧监测方法及系统。
背景技术
物联网、云计算、大数据和人工智能等为代表的新一代信息技术，正推动传统畜牧养殖向知识型、技术型、现代化的智慧畜牧养殖转变。在现有的智慧畜牧场中，通常会给畜禽佩戴耳标或项圈，在耳标或项圈上附带有存储有该畜禽各项信息的二维码，养殖人员只需要通过特定的终端设备扫描二维码即可获知该畜禽的各项情况，养殖人员还可以通过终端设备实时更新二维码中的信息，可实现对畜禽的智能化管理。
针对上述中的相关技术，发明人认为存在有以下缺陷：养殖人员若要获取畜禽的各项情况需要主动扫描畜禽所携带的二维码，而养殖人员通常只会在每天特定的时间（如畜禽出栏时候）对所有畜禽的二维码进行扫描，若部分畜禽在非特定时间段时出现健康异常情况养殖人员将难以及时获知。
发明内容
为了改善部分畜禽出现健康异常情况养殖人员难以及时获知的缺陷，本申请提供一种大型草场的智慧畜牧监测方法及系统。
第一方面，本申请提供一种大型草场的智慧畜牧监测方法，包括如下步骤：
获取目标草场的草场图像信息和所述目标草场中所有畜禽的芯片数据，所述芯片数据由所述畜禽身上所携带的电子芯片发出；
基于所述草场图像信息获取所述目标草场中所有畜禽的标准图像信息；
根据所述标准图像信息测算出所有所述畜禽的当日体重；
从预设的体重数据库中调取所有所述畜禽的历史体重；
结合所述当日体重和所述历史体重计算所有所述畜禽的体重差值；
分别判断所有所述体重差值是否超出预设的差值阈值；
若所述体重差值超出所述差值阈值，则结合所述草场图像信息和所述芯片数据分析得到对应目标畜禽的异常信息；
基于所述异常信息进行报警。
通过采用上述技术方案，通过畜禽所携带的电子芯片可以实时获取到对应畜禽相关的芯片数据，再通过获取到的草场图像信息截取出包含畜禽的标准图像信息，从而可以根据标准图像信息对畜禽进行估重，进而获知畜禽的体重变化，若体重变化异常则可以结合草场图像信息和芯片数据分析得到异常信息，并根据异常信息进行报警，使得草场的养殖人员可以通过报警及时获知对应畜禽的异常情况，以便养殖人员及时进行相应处理。
可选的，所述基于所述草场图像信息获取所述目标草场中所有畜禽的标准图像信息包括如下步骤：
基于模板匹配法构建用于识别畜禽的深度识别模型；
通过所述深度识别模型从所述草场图像信息中分离出包含所述畜禽的基础图像信息；
根据预设的特征识别算法识别所述基础图像信息中所有所述畜禽的特征数据集；
筛除所有所述特征数据集中重复和/或不完整的特殊特征数据集，并同时筛除所述特殊特征数据集所对应的基础图像信息；
将筛除后剩下的所有所述基础图像信息作为所有所述畜禽的标准图像信息。
通过采用上述技术方案，用基于模板匹配法构建的深度识别模型对草场图像信息中的畜禽进行识别，从而分离出包含畜禽的基础图像信息，再对基础图像信息中的畜禽进行特征识别，从而将包含重复或不完整的畜禽筛除掉，所保留下来的基础图像信息将作为标准图像信息。
可选的，所述根据所述标准图像信息测算出所有所述畜禽的当日体重包括如下步骤：
将所述标准图像信息调整至预设的图像比例，并识别所述标准图像信息中对所述畜禽的拍摄角度；
基于所述标准图像信息中的特征数据集，计算得到对应畜禽的体型数据；
将所述图像比例、所述拍摄角度和所述体型数据代入预设的估重模型中，计算得到所述标准图像信息中所述畜禽的当日体重。
通过采用上述技术方案，将标准图像信息统一图像比例，并识别出对于畜禽的拍摄角度，通过特征数据集计算出畜禽的体型数据，最后将图像比例、拍摄角度和体型数据代入估重模型即可计算预估出对应畜禽的当日体重。
可选的，所述芯片数据包括运动轨迹数据，所述结合所述草场图像信息和所述芯片数据分析得到对应目标畜禽的异常信息包括如下步骤：
基于所述运动轨迹数据计算对应目标畜禽的运动量；
判断所述运动量是否超出了预设的运动量阈值；
若所述运动量超出所述运动量阈值，则根据所述草场图像信息分析得到所述目标畜禽的异常信息；
若所述运动量未超出所述运动量阈值，则判断所述芯片数据中是否包含RFID数据，所述RFID数据通过RFID接收器获取，所述RFID接收器设置于所述目标畜禽的饮水处；
若所述芯片数据中包含所述RFID数据，则将所述目标畜禽标记为重点监测畜禽；
若所述芯片数据中不包含是RFID数据，则分析得到第一异常信息，所述第一异常信息为所述目标畜禽身体异常。
通过采用上述技术方案，由于目标畜禽的体重出现异常，因此可以根据芯片数据中的运动轨迹数据计算目标畜禽的运动量，若目标畜禽的运动量低则说明目标畜禽身体可能较为虚弱，此时进一步通过饮水处的RFID接收器判断目标畜禽是否到达饮水处饮水，若未包含RFID数据，即目标畜禽未饮水，则分析得到目标畜禽身体异常的第一异常信息。
可选的，所述根据所述草场图像信息分析得到所述目标畜禽的异常信息包括如下步骤：
截去所述草场图像信息中的所述标准图像信息，保留剩余的草场图像信息作为草地图像信息；
对所述草地图像信息进行预处理，得到预处理图像；
将所述预处理图像由RGB通道转换为HSV通道；
结合threshold函数和blob分析识别并圈定出所述预处理图像中的泥土部分；
计算所述泥土部分在所述草场图像信息中的面积比例；
判断所述面积比例是否超出预设的比例阈值；
若所述面积比例超出所述比例阈值，则分析得到第二异常信息，所述第二异常信息为草场异常。
通过采用上述技术方案，通过预处理、通道转换、blob分析等图像处理方式对草地图像信息进行处理，从而可以识别出草地图像信息中的泥土部分，并计算出泥土部分所占的面积比例，若泥土部分面积比例超出了预设的比例阈值，则说明草场中草地较少，因此将分析得到草场异常的第二异常信息。
可选的，所述方法还包括如下步骤：
基于所有所述电子芯片和预设的网络终端构建无线传感器网络；
每隔预设的间隔时间，通过所述网络终端向所有所述电子芯片进行心跳检测；
判断所述电子芯片是否根据所述心跳检测反馈回应信号；
若所述电子芯片未反馈所述回应信号，则生成第三异常信息，所述第三异常信息为畜禽离群异常。
通过采用上述技术方案，将所有电子芯片和预设的网络终端构建出无线传感器网络，网络终端与电子芯片具有一定的信号传输距离，若超出传输距离，电子芯片将会与网络终端断开信号连接，因此可以通过网络终端对电子芯片进行心跳检测，若有电子芯片未反馈信号，则说明该电子芯片对应的畜禽可能超出了正常的活动范围，此时将生成畜禽离群异常的第三异常信息。
可选的，所述基于所述异常信息进行报警包括如下步骤：
判断所述异常信息为所述第一异常信息、所述第二异常信息或所述第三异常信息；
若所述异常信息为所述第一异常信息，则获取所述目标畜禽的定位信息；
结合所述第一异常信息和所述定位信息生成第一报警信息，并将所述第一报警信息发送至移动终端，所述移动终端由所述目标草场的管理人员所持；
若所述异常信息为所述第二异常信息，则从所述预处理图像中筛选出面积最大的目标泥土部分，并获取所述目标泥土部分中心点的中心坐标；
结合所述第二异常信息和所述中心坐标生成第二报警信息，并将所述第二报警信息发送至所述移动终端；
若所述异常信息为所述第三异常信息，则获取未反馈所述回应信号的电子芯片所对应离群畜禽的运动轨迹数据；
基于所述离群畜禽的运动轨迹数据获取所述离群畜禽的最终定位坐标；
结合所述第三异常信息和所述最终定位坐标生成第三报警信息，并将所述第三报警信息发送至所述移动终端。
通过采用上述技术方案，为方便目标草场管理人员可以通过报警信息初步获取到具体的异常情况，可以根据不同的异常信息再获取定位信息、坐标信息或运动轨迹信息，并结合异常信息和获取到的其他信息生成报警信息。
第二方面，本申请还提供一种大型草场的智慧畜牧监测系统，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序，该程序能够被处理器加载执行时实现如第一方面中所述的一种大型草场的智慧畜牧监测方法。
通过采用上述技术方案，通过程序的调取，可以通过畜禽所携带的电子芯片可以实时获取到对应畜禽相关的芯片数据，再通过获取到的草场图像信息截取出包含畜禽的标准图像信息，从而可以根据标准图像信息对畜禽进行估重，进而获知畜禽的体重变化，若体重变化异常则可以结合草场图像信息和芯片数据分析得到异常信息，并根据异常信息进行报警，使得草场的养殖人员可以通过报警及时获知对应畜禽的异常情况，以便养殖人员及时进行相应处理。
综上所述，本申请包括以下有益技术效果：
通过畜禽所携带的电子芯片可以实时获取到对应畜禽相关的芯片数据，再通过获取到的草场图像信息截取出包含畜禽的标准图像信息，从而可以根据标准图像信息对畜禽进行估重，进而获知畜禽的体重变化，若体重变化异常则可以结合草场图像信息和芯片数据分析得到异常信息，并根据异常信息进行报警，使得草场的养殖人员可以通过报警及时获知对应畜禽的异常情况，以便养殖人员及时进行相应处理。
附图说明
图1是本申请其中一实施例的大型草场的智慧畜牧监测方法的流程示意图。
图2是本申请其中一实施例的基于草场图像信息获取目标草场所有畜禽的标准图像信息的流程示意图。
图3是本申请其中一实施例的根据标准图像信息测算畜禽当日体重的流程示意图。
图4是本申请其中一实施例的结合草场图像信息和芯片数据分析目标畜禽的异常信息的流程示意图。
图5是本申请其中一实施例的根据草场图像信息分析目标畜禽的异常信息的流程示意图。
图6是本申请其中一实施例的生成畜禽离群异常的异常信息的流程示意图。
图7是本申请其中一实施例的基于异常信息进行报警的流程示意图。
具体实施方式
以下结合附图1至7对本申请作进一步详细说明。
本申请实施例公开了一种大型草场的智慧畜牧监测方法。
参照图1，大型草场的智慧畜牧监测方法包括如下步骤：
S101.获取目标草场的草场图像信息和目标草场中所有畜禽的芯片数据。
其中，在目标草场的围栏处环设有多个高清摄像头，通过高清摄像头可以实时获取目标草场的草场图像信息，并且在目标草场中还配置有多个配备高清摄像头的无人机，无人机每天会在预设的时间点分组在目标草场上空飞过，并在飞行过程中从空中采集目标草场的草场图像信息。
目标草场中的所有畜禽均佩戴有项圈或耳标，项圈或耳标上安装有电子芯片，电子芯片通过设置在目标草场中的小型基站建立网络连接，芯片数据则由电子芯片发出。
S102.基于草场图像信息获取目标草场中所有畜禽的标准图像信息。
其中，通过图像识别技术从草场图像信息中获取所有畜禽单独的标准图像信息。
S103.根据标准图像信息测算出所有畜禽的当日体重。
其中，采用预设的估重模型估算出畜禽的当日体重。
S104.从预设的体重数据库中调取所有畜禽的历史体重。
其中，预设的体重数据库中存储有所有畜禽的历史体重，每个畜禽根据图像识别出的体型特征标记有不同的编号，在体重数据库中，畜禽、历史体重和编号一一对应，所调取的历史体重通常可以为历史十五天前至历史三十天前之间任意一天的历史体重。
S105.结合当日体重和历史体重计算所有畜禽的体重差值。
其中，将当日体重减去所调取的历史体重即可得到对应畜禽的体重差值。
S106.分别判断所有体重差值是否超出预设的差值阈值，若体重差值超出差值阈值，则执行步骤S107；
其中，在比对体重差值和差值阈值之前先需要判断体重差值是否为负数，若为负数则获取体重差值的绝对值并继续执行步骤S106，若体重差值不为负数，则不执行后续步骤。
若体重差值未超出差值阈值，则将当日体重存储于体重数据库中该畜禽对应的编号下。
S107.结合草场图像信息和芯片数据分析得到对应目标畜禽的异常信息。
其中，结合草场图像信息和芯片数据可以分析得到关于畜禽的多种情况下的异常信息。
S108.基于异常信息进行报警。
其中，可以根据不同的异常信息进行不同的报警。
本实施例的实施原理为：
通过畜禽所携带的电子芯片可以实时获取到对应畜禽相关的芯片数据，再通过获取到的草场图像信息截取出包含畜禽的标准图像信息，从而可以根据标准图像信息对畜禽进行估重，进而获知畜禽的体重变化，若体重变化异常则可以结合草场图像信息和芯片数据分析得到异常信息，并根据异常信息进行报警，使得草场的养殖人员可以通过报警及时获知对应畜禽的异常情况，以便养殖人员及时进行相应处理。
在图1所示实施例的步骤S102中，可以结合深度识别模型和特征识别算法对草场图像信息中的畜禽图像进行分离和筛选，并最终得到所有畜禽完整且不重复的标准图像信息。具体通过图2所示实施例进行详细说明。
参照图2，基于草场图像信息获取目标草场所有畜禽的标准图像信息包括如下步骤：
S201.基于模板匹配法构建用于识别畜禽的深度识别模型。
其中，根据畜禽的畜禽种类从互联网中搜索并获取畜禽多个角度的样本图片，结合模板匹配法和所有样本图片构建出用于识别畜禽的深度识别模型。
S202.通过深度识别模型从草场图像信息中分离出包含畜禽的基础图像信息。
其中，草场图像信息为多个草场照片，将多个草场图像信息全部输入至深度识别模型中进行模板匹配和特征匹配，并计算匹配相关度，若匹配相关度超出预设的相关度阈值，则将草场图像信息中相匹配的部分截取出来作为基础图像信息。
S203.根据预设的特征识别算法识别基础图像信息中所有畜禽的特征数据集。
其中，特征识别算法是架构于卷积神经网络中的识别算法，经过训练，特征识别算法可以识别基础图像信息中畜禽的所有关键特征点，如鼻子、眼睛、四肢、躯干等，并将所有识别到的关键特征点汇集成特征数据集。
S204.筛除所有特征数据集中重复和/或不完整的特殊特征数据集，并同时筛除特殊特征数据集所对应的基础图像信息。
其中，预先从互联网中搜集获取到畜禽完整身躯的样本图像，并通过特征识别算法识别出样本图像中畜禽的所有关键特征点，并根据所有关键特征点生成标准特征数据集。再通过特征识别算法获取到所有基础图像信息中畜禽的特征数据集之后，将获取到的特征数据集中关键特征点的个数和标准特征数据集中关键特征点的个数进行比对，若个数不相同，则对应的特征数据集为不完整的特殊特征数据集。筛除掉不完整的特殊特征数据集后，将剩余的特征数据集按照特征数据集内关键特征点的位置关系量化出特征量化值，再判断是否有特征量化值相同的特征数据集，若有，则将特征量化值相同的特征数据集筛除至只剩一个。
S205.将筛除后剩下的所有基础图像信息作为所有畜禽的标准图像信息。
本实施例的实施原理为：
用基于模板匹配法构建的深度识别模型对草场图像信息中的畜禽进行识别，从而分离出包含畜禽的基础图像信息，再对基础图像信息中的畜禽进行特征识别，从而将包含重复或不完整的畜禽筛除掉，所保留下来的基础图像信息将作为标准图像信息。
在图1所示实施例的步骤S103中。可以根据标准图像信息中对畜禽的拍摄角度、预设的图像比例和畜禽的体型数据估算出畜禽的当日体重。具体通过图3所示实施例进行详细说明。
参照图3，根据标准图像信息测算畜禽当日体重包括如下步骤：
S301.将标准图像信息调整至预设的图像比例，并识别标准图像信息中对畜禽的拍摄角度。
其中，根据预设的图像比例对标准图像信息进行放大或缩小以统一图像分辨率，再以标准图像信息中畜禽所处的地面作为基准面，识别出对畜禽的拍摄角度。
S302.基于标准图像信息中的特征数据集，计算得到对应畜禽的体型数据。
其中，通过特征数据集可以计算出对应畜禽的肩宽、臀宽、体高、体长等体型数据。
S303.将图像比例、拍摄角度和体型数据代入预设的估重模型中，计算得到标准图像信息中畜禽的当日体重。
其中，预设的估重模型基于回归模型构建，将体型数据代入估重模型中进行计算，并同时代入图像比例和拍摄角度对计算结果进行修正，最终计算得到畜禽的当日体重。
本实施例的实施原理为：
将标准图像信息统一图像比例，并识别出对于畜禽的拍摄角度，通过特征数据集计算出畜禽的体型数据，最后将图像比例、拍摄角度和体型数据代入估重模型即可计算预估出对应畜禽的当日体重。
在图1实施例的步骤S107中，芯片数据包括运动轨迹数据，芯片数据还可以包括RFID数据，可以根据运动轨迹数据分析目标畜禽运动量的多少，对运动量少的目标畜禽，可以进一步判断其是否饮水，从而具体分析出目标畜禽身体是否异常。具体通过图4所示实施例进行详细说明。
参照图4，结合草场图像信息和芯片数据分析目标畜禽的异常信息包括如下步骤：
S401.基于运动轨迹数据计算对应目标畜禽的运动量。
其中，电子芯片中可以安装小型定位装置，通过小型定位装置可以获取到目标畜禽的实时定位，还可以根据定位的变化绘制出运动轨迹数据，通过运动轨迹数据可以计算出目标畜禽的移动里程，再结合预设的每公里卡路里消耗量计算出目标畜禽的运动量。
S402.判断运动量是否超出了预设的运动量阈值，若运动量超出运动量阈值，则执行步骤S403；若运动量未超出运动量阈值，则执行步骤S404。
S403.根据草场图像信息分析得到目标畜禽的异常信息。
S404.判断芯片数据中是否包含RFID数据，若芯片数据中包含RFID数据，则执行步骤S405；若芯片数据中不包含RFID数据，则执行步骤S406。
其中，电子芯片中包含可被RFID接收器读取的RFID芯片，RFID芯片在被RFID接收器读取时RFID芯片将会生成RFID数据，RFID数据为RFID芯片被读取时的标志数据，RFID数据将会自动保存12小时，若RFID读取器未读取RFID芯片，则芯片数据中将不包含RFID数据。RFID接收器设置于目标畜禽的饮水处。
S405.将目标畜禽标记为重点监测畜禽。
S406.分析得到第一异常信息。
其中，第一异常信息为目标畜禽身体异常。
本实施例的实施原理为：
由于目标畜禽的体重出现异常，因此可以根据芯片数据中的运动轨迹数据计算目标畜禽的运动量，若目标畜禽的运动量低则说明目标畜禽身体可能较为虚弱，此时进一步通过饮水处的RFID接收器判断目标畜禽是否到达饮水处饮水，若未包含RFID数据，即目标畜禽未饮水，则分析得到目标畜禽身体异常的第一异常信息。
在图4所示实施例的步骤S403中，可以对草场图像信息进行相应的图像处理，从而分析出草场中泥土部分的占地面积，进而判断草场是否出现异常。具体通过图5所示实施例进行详细说明。
参照图5，根据草场图像信息分析目标畜禽的异常信息包括如下步骤：
S501.截去草场图像信息中的标准图像信息，保留剩余的草场图像信息作为草地图像信息。
S502.对草地图像信息进行预处理，得到预处理图像。
其中，预处理包括降噪处理、图像增强处理等，通过预处理消除草地图像信息中的无关信息，得到预处理图像。
S503.将预处理图像由RGB通道转换为HSV通道。
S504.结合threshold函数和blob分析识别并圈定出预处理图像中的泥土部分。
其中，通过threshold函数设定泥土相关颜色的颜色阈值，再通过blob分析识别并圈定出预处理图像中的泥土部分。
S505.计算泥土部分在草场图像信息中的面积比例。
其中，先计算出所圈定出的泥土部分的泥土面积，再计算出草场图像信息中所呈现出的所有草场的总面积，再将泥土面积除以总面积即可得到面积比例。
S506.判断面积比例是否超出预设的比例阈值，若面积比例超出预设的比例阈值，则执行步骤S507。
其中，若面积比例未超出比例阈值，则不生成异常信息。
S507.分析得到第二异常信息。
其中，第二异常信息为草场异常。
本实施例的实施原理为：
通过预处理、通道转换、blob分析等图像处理方式对草地图像信息进行处理，从而可以识别出草地图像信息中的泥土部分，并计算出泥土部分所占的面积比例，若泥土部分面积比例超出了预设的比例阈值，则说明草场中草地较少，因此将分析得到草场异常的第二异常信息。
在本申请的另一实施例中，可以根据畜禽所携带的电子芯片和预设的网络终端构建出无线传感器网络，再利用电子芯片与网络终端的信号传输距离对畜禽是否离群进行分析判断。具体通过图6所示实施例进行详细说明。
参照图6，生成畜禽离群异常的异常信息包括如下步骤：
S601.基于所有电子芯片和预设的网络终端构建无线传感器网络。
其中，网络终端可以为小型网络基站，所构建的无线传感器网络是以网络终端为连接核心，全部电子芯片和网络终端两两互联的无线网络。
S602.每隔预设的间隔时间，通过网络终端向所有电子芯片进行心跳检测。
其中，进行心跳检测时由网络终端向电子芯片的中央处理系统发送心跳检测包，当中央处理系统接收到心跳检测包后将会自动回复预设的回应包，即反馈回应信号。
在另一实施例中，当多个电子芯片之间的间隔距离均小于预设的第一距离阈值，且多个电子芯片与网络终端的距离均超出了预设的第二距离阈值时，任意选取多个电子芯片中的一个电子芯片作为主芯片，再由主芯片向其他所有电子芯片进行心跳检测，并由主芯片将心跳检测的检测结果反馈至网络终端。
S603.判断电子芯片是否根据心跳检测反馈回应信号，若电子芯片未反馈回应信号，则执行步骤S604。
其中，若电子芯片反馈回应信号，则继续根据间隔时间持续向电子芯片进行心跳检测。
S604.生成第三异常信息。
其中，第三异常信息为畜禽离群异常。
本实施例的实施原理为：
将所有电子芯片和预设的网络终端构建出无线传感器网络，网络终端与电子芯片具有一定的信号传输距离，若超出传输距离，电子芯片将会与网络终端断开信号连接，因此可以通过网络终端对电子芯片进行心跳检测，若有电子芯片未反馈信号，则说明该电子芯片对应的畜禽可能超出了正常的活动范围，此时将生成畜禽离群异常的第三异常信息。
在图1所示实施例的步骤S108中，根据不同的异常信息生成不同的报警信息，以使目标草场的管理人员可以通过报警信息预先获取异常的情况和原因。具体通过图7所示实施例进行详细说明。
参照图7，基于异常信息进行报警包括如下步骤：
S701.判断异常信息为第一异常信息、第二异常信息或第三异常信息，若异常信息为第一异常信息，则执行步骤S702；若异常信息为第二异常信息，则执行步骤S704；若异常信息为第三异常信息，则执行步骤S706。
S702.获取目标畜禽的定位信息。
其中，可以通过目标畜禽所携带的电子芯片中的定位装置获取到目标畜禽的定位信息。
S703.结合第一异常信息和定位信息生成第一报警信息，并将第一报警信息发送至移动终端。
其中，移动终端可以为智能手机或其他智能设备，移动终端由目标草场的管理人员所持。第一报警信息中包含第一异常信息的文字描述和目标畜禽的定位信息。
S704.从预处理图像中筛选出面积最大的目标泥土部分，并获取目标泥土部分中心点的中心坐标。
S705.结合第二异常信息和中心坐标生成第二报警信息，并将第二报警信息发送至移动终端。
其中，第二报警信息中包含第二异常信息的文字描述和中心坐标的坐标值。
S706.获取未反馈回应信号的电子芯片所对应离群畜禽的运动轨迹数据。
S707.基于离群畜禽的运动轨迹数据获取离群畜禽的最终定位坐标。
其中，由于草场中的畜禽众多，为了节约成本，电子芯片中定位装置的定位范围通常与草场范围相同，因此离群畜禽可以认定为离开目标草场的畜禽。
S708.结合第三异常信息和最终定位坐标生成第三报警信息，并将第三报警信息发送至移动终端。
其中，第三报警信息中包含第三异常信息的文字描述和最终定位坐标的坐标值。
本实施例的实施原理为：
为方便目标草场管理人员可以通过报警信息初步获取到具体的异常情况，可以根据不同的异常信息再获取定位信息、坐标信息或运动轨迹信息，并结合异常信息和获取到的其他信息生成报警信息。
本申请实施例还公开一种大型草场的智慧畜牧监测系统，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程序，该程序能够被处理器加载执行时实现如图1至图7中所示的一种大型草场的智慧畜牧监测方法。
本实施例的实施原理为：
通过程序的调取，可以通过畜禽所携带的电子芯片可以实时获取到对应畜禽相关的芯片数据，再通过获取到的草场图像信息截取出包含畜禽的标准图像信息，从而可以根据标准图像信息对畜禽进行估重，进而获知畜禽的体重变化，若体重变化异常则可以结合草场图像信息和芯片数据分析得到异常信息，并根据异常信息进行报警，使得草场的养殖人员可以通过报警及时获知对应畜禽的异常情况，以便养殖人员及时进行相应处理。
以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，故：凡依本申请的结构、形状、原理所做的等效变化，均应涵盖于本申请的保护范围之内。

Claims (8)

1.一种大型草场的智慧畜牧监测方法，其特征在于，包括如下步骤：
获取目标草场的草场图像信息和所述目标草场中所有畜禽的芯片数据，所述芯片数据由所述畜禽身上所携带的电子芯片发出；
基于所述草场图像信息获取所述目标草场中所有畜禽的标准图像信息；
根据所述标准图像信息测算出所有所述畜禽的当日体重；
从预设的体重数据库中调取所有所述畜禽的历史体重；
结合所述当日体重和所述历史体重计算所有所述畜禽的体重差值；
分别判断所有所述体重差值是否超出预设的差值阈值；
若所述体重差值超出所述差值阈值，则结合所述草场图像信息和所述
芯片数据分析得到对应目标畜禽的异常信息；
基于所述异常信息进行报警。
2.根据权利要求1所述的一种大型草场的智慧畜牧监测方法，其特征在于，所述基于所述草场图像信息获取所述目标草场中所有畜禽的标准图像信息包括如下步骤：
基于模板匹配法构建用于识别畜禽的深度识别模型；
通过所述深度识别模型从所述草场图像信息中分离出包含所述畜禽的基础图像信息；
根据预设的特征识别算法识别所述基础图像信息中所有所述畜禽的特征数据集；
筛除所有所述特征数据集中重复和/或不完整的特殊特征数据集，并同时筛除所述特殊特征数据集所对应的基础图像信息；
将筛除后剩下的所有所述基础图像信息作为所有所述畜禽的标准图像信息。
3.根据权利要求2所述的一种大型草场的智慧畜牧监测方法，其特征在于，所述根据所述标准图像信息测算出所有所述畜禽的当日体重包括如下步骤：
将所述标准图像信息调整至预设的图像比例，并识别所述标准图像信息中对所述畜禽的拍摄角度；
基于所述标准图像信息中的特征数据集，计算得到对应畜禽的体型数据；
将所述图像比例、所述拍摄角度和所述体型数据代入预设的估重模型中，计算得到所述标准图像信息中所述畜禽的当日体重。
4.根据权利要求1所述的一种大型草场的智慧畜牧监测方法，其特征在于，所述芯片数据包括运动轨迹数据，所述结合所述草场图像信息和所述芯片数据分析得到对应目标畜禽的异常信息包括如下步骤：
基于所述运动轨迹数据计算对应目标畜禽的运动量；
判断所述运动量是否超出了预设的运动量阈值；
若所述运动量超出所述运动量阈值，则根据所述草场图像信息分析得到所述目标畜禽的异常信息；
若所述运动量未超出所述运动量阈值，则判断所述芯片数据中是否包含RFID数据，所述RFID数据通过RFID接收器获取，所述RFID接收器设置于所述目标畜禽的饮水处；
若所述芯片数据中包含所述RFID数据，则将所述目标畜禽标记为重点监测畜禽；
若所述芯片数据中不包含是RFID数据，则分析得到第一异常信息，所述第一异常信息为所述目标畜禽身体异常。
5.根据权利要求4所述的一种大型草场的智慧畜牧监测方法，其特征在于，所述根据所述草场图像信息分析得到所述目标畜禽的异常信息包括如下步骤：
截去所述草场图像信息中的所述标准图像信息，保留剩余的草场图像信息作为草地图像信息；
对所述草地图像信息进行预处理，得到预处理图像；
将所述预处理图像由RGB通道转换为HSV通道；
结合threshold函数和blob分析识别并圈定出所述预处理图像中的泥土部分；
计算所述泥土部分在所述草场图像信息中的面积比例；
判断所述面积比例是否超出预设的比例阈值；
若所述面积比例超出所述比例阈值，则分析得到第二异常信息，所述第二异常信息为草场异常。
6.根据权利要求5所述的一种大型草场的智慧畜牧监测方法，其特征在于，所述方法还包括如下步骤：
基于所有所述电子芯片和预设的网络终端构建无线传感器网络；
每隔预设的间隔时间，通过所述网络终端向所有所述电子芯片进行心跳检测；
判断所述电子芯片是否根据所述心跳检测反馈回应信号；
若所述电子芯片未反馈所述回应信号，则生成第三异常信息，所述第三异常信息为畜禽离群异常。
7.根据权利要求6所述的一种大型草场的智慧畜牧监测方法，其特征在于，所述基于所述异常信息进行报警包括如下步骤：
判断所述异常信息为所述第一异常信息、所述第二异常信息或所述第三异常信息；
若所述异常信息为所述第一异常信息，则获取所述目标畜禽的定位信息；
结合所述第一异常信息和所述定位信息生成第一报警信息，并将所述第一报警信息发送至移动终端，所述移动终端由所述目标草场的管理人员所持；
若所述异常信息为所述第二异常信息，则从所述预处理图像中筛选出面积最大的目标泥土部分，并获取所述目标泥土部分中心点的中心坐标；
结合所述第二异常信息和所述中心坐标生成第二报警信息，并将所述第二报警信息发送至所述移动终端；
若所述异常信息为所述第三异常信息，则获取未反馈所述回应信号的电子芯片所对应离群畜禽的运动轨迹数据；
基于所述离群畜禽的运动轨迹数据获取所述离群畜禽的最终定位坐标；
结合所述第三异常信息和所述最终定位坐标生成第三报警信息，并将所述第三报警信息发送至所述移动终端。
8.一种大型草场的智慧畜牧监测系统，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序，该程序能够被处理器加载执行时实现如权利要求1至7中任一项所述的一种大型草场的智慧畜牧监测方法。
CN202211097522.9A 2022-09-08 2022-09-08 一种大型草场的智慧畜牧监测方法及系统 Pending CN115457468A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211097522.9A CN115457468A (zh) 2022-09-08 2022-09-08 一种大型草场的智慧畜牧监测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211097522.9A CN115457468A (zh) 2022-09-08 2022-09-08 一种大型草场的智慧畜牧监测方法及系统

Publications (1)

Publication Number Publication Date
CN115457468A true CN115457468A (zh) 2022-12-09

Family

ID=84302493

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211097522.9A Pending CN115457468A (zh) 2022-09-08 2022-09-08 一种大型草场的智慧畜牧监测方法及系统

Country Status (1)

Country Link
CN (1) CN115457468A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115759789A (zh) * 2023-01-06 2023-03-07 联通(四川)产业互联网有限公司 一种基于ai算法的智慧养殖智能管理系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115759789A (zh) * 2023-01-06 2023-03-07 联通(四川)产业互联网有限公司 一种基于ai算法的智慧养殖智能管理系统

Similar Documents

Publication Publication Date Title
Wang et al. Intelligent fish farm—the future of aquaculture
CN107667903B (zh) 基于物联网的畜牧养殖活体体重监测方法
US10058076B2 (en) Method of monitoring infectious disease, system using the same, and recording medium for performing the same
JP6203238B2 (ja) 畜産管理システム
CN114424206A (zh) 在饲养场到达和风险评估中使用射频识别标签的uhf带询问的牲畜和饲养场数据采集和处理
Feiyang et al. Monitoring behavior of poultry based on RFID radio frequency network
CN112000051A (zh) 一种基于物联网的畜牧养殖管理系统
CN114638536A (zh) 基于人工智能的畜牧健康监测方法与系统
Lu et al. An automatic splitting method for the adhesive piglets’ gray scale image based on the ellipse shape feature
KR102584357B1 (ko) 반문 이미지를 기반으로 한 축산 동물의 개체 식별 장치 및 영상을 기반으로 한 가축 행동 패턴 분류 시스템 및 가축 행동 패턴 분류 방법
CN115457468A (zh) 一种大型草场的智慧畜牧监测方法及系统
CN110991222A (zh) 一种物体状态监测、母猪发情监测方法、装置及系统
CN117115754B (zh) 基于计算机视觉的鸭舍智能化监测方法
CN116935439A (zh) 一种孕羊分娩自动监测预警方法及自动监测预警系统
EP3866056A1 (en) Method, system and computer programs for traceability of living specimens
WO2023175095A1 (en) Characterization of pasture for improved and sustainable grazing and feeding management of livestock
Rangappa et al. LEDNet: Deep learning-based ground sensor data monitoring system
KR102341715B1 (ko) 가축 모니터링 장치 및 방법
CN111291597B (zh) 一种基于图像的人群态势分析方法、装置、设备及系统
CN114022831A (zh) 一种基于双目视觉的牲畜体况监测方法及系统
CN111079617A (zh) 家禽识别方法、装置、可读存储介质及电子设备
EP4210004A1 (en) An animal detecting device, system, method and computer program
US9872482B2 (en) Systems and methods for analyzing and monitoring alligator growth
EP4187505A1 (en) A method and system for the identification of animals
Xi et al. Individual identification of dairy cows based on Gramian Angular Field and Migrating Convolutional Neural Networks

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