CN116206342A - 一种猪只体重检测方法、装置、设备及存储介质 - Google Patents

一种猪只体重检测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN116206342A
CN116206342A CN202310464308.0A CN202310464308A CN116206342A CN 116206342 A CN116206342 A CN 116206342A CN 202310464308 A CN202310464308 A CN 202310464308A CN 116206342 A CN116206342 A CN 116206342A
Authority
CN
China
Prior art keywords
pig
weight
data
pigs
body 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
Application number
CN202310464308.0A
Other languages
English (en)
Other versions
CN116206342B (zh
Inventor
易宏波
蒋宗勇
王丽
杨雪芬
高开国
李平
孙焱杰
苗振彦
熊云霞
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.)
Institute of Animal Science of Guangdong Academy of Agricultural Sciences
Original Assignee
Institute of Animal Science of Guangdong Academy of Agricultural Sciences
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 Institute of Animal Science of Guangdong Academy of Agricultural Sciences filed Critical Institute of Animal Science of Guangdong Academy of Agricultural Sciences
Priority to CN202310464308.0A priority Critical patent/CN116206342B/zh
Publication of CN116206342A publication Critical patent/CN116206342A/zh
Application granted granted Critical
Publication of CN116206342B publication Critical patent/CN116206342B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N3/08—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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
    • 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
    • G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
    • 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

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

Abstract

本发明公开了一种猪只体重检测方法、装置、设备及存储介质，包括：获取预设猪只养殖区域范围内的区域图像数据，并根据所述区域图像数据，识别出猪只数量；根据所述猪只数量，计算出猪只饲养密度，并根据所述猪只饲养密度，得到猪只的体态数据和第一体重数据；根据所述体态数据，计算得到猪只的第二体重数据，并对比所述第一体重数据和第二体重数据，确定猪只体重修正量；基于图像识别，实时获取猪只图像数据，并根据所述猪只图像数据，对所有猪只进行体重监测，得到各猪只的特征识别体重；通过所述猪只体重修正量，对所述特征识别体重进行修正，得到各猪只的最终体重。本发明解决现有技术中猪只体重检测准确性低，测量效率低的技术问题。

Description

一种猪只体重检测方法、装置、设备及存储介质
技术领域
本发明涉及数字化养殖技术领域，尤其涉及一种猪只体重检测方法、装置、设备及存储介质。
背景技术
在猪场养殖中，需要定期测量检测猪只的体重，判断猪只的生长发育好坏，饲养管理是否合理，进而了解猪只的生长活动规律。
目前，对猪只的体重进行检测的方式主要是基于猪只图像，通过对猪只的身体轮廓点特征以及耳标轮廓点位置，结合预训练的特征检测模型，来实现猪只体重的检测，但由于在猪场中摄像头的位置通常是固定的，使得所采集的猪只图像会因为猪只当前的活动状态、朝向、位置和动作等，导致猪只可能存在重叠的问题，进而无法准确识别被遮挡猪只的体重，导致猪只的体重检测准确性不高，需要认为控制猪只活动位置，使各猪只均在摄像头的拍摄角度下均是单一个体时才能进行体重检测，导致测量效率低。
因此，目前亟需一种能够提高猪只体重检测准确性和效率的方法。
发明内容
本发明提供了一种猪只体重检测方法、装置、设备及存储介质，以解决现有技术中猪只体重检测准确性低，测量效率低的技术问题。
为了解决上述技术问题，本发明实施例提供了一种猪只体重检测方法，包括：
获取预设猪只养殖区域范围内的区域图像数据，并根据所述区域图像数据，识别出猪只数量；
根据所述猪只数量，计算出猪只饲养密度，并根据所述猪只饲养密度，得到猪只的体态数据和第一体重数据；
根据所述体态数据，计算得到猪只的第二体重数据，并对比所述第一体重数据和第二体重数据，确定猪只体重修正量；
基于图像识别，实时获取猪只图像数据，并根据所述猪只图像数据，对所有猪只进行体重监测，得到各猪只的特征识别体重；
通过所述猪只体重修正量，对所述特征识别体重进行修正，得到各猪只的最终体重。
作为优选方案，所述获取预设猪只养殖区域范围内的区域图像数据，并根据所述区域图像数据，识别出猪只数量，具体为：
获取预设猪只养殖区域范围内的区域图像数据，并将所述区域图像数据输入至预设猪只识别的神经网络中，以使得所述预设猪只识别的神经网络对所述区域图像数据进行猪只特征的提取与识别，最终输出得到标注猪只后的区域图像数据；其中，所述猪只特征包括猪鼻部位特征、猪耳部位特征、猪身部位特征和猪蹄部位特征；
对标注猪只后的区域图像数据进行标注数据的统计，得到标注数量，作为猪只数量；
其中，所述预设猪只识别的神经网络的训练方法，包括：
获取猪只图像样品集；所述猪只图像样品集包括：包含所述猪只特征的各猪只图像样品，所述各猪只图像样品中的猪只均被预先标注；
将所述猪只图像样品集输入至神经网络中进行参数训练，从而训练得到预设猪只识别的神经网络；其中，所述预设猪只识别的神经网络包括卷积层、网络层、池化层和分类层。
作为优选方案，所述根据所述猪只数量，计算出猪只饲养密度，并根据所述猪只饲养密度，得到猪只的体态数据和第一体重数据，具体为：
根据所述猪只数量，结合预设猪只养殖区域范围，计算得到猪只饲养密度；
根据所述猪只饲养密度，在预设基准表中确定猪只的体态数据和第一体重数据；其中，所述预设基准表中存储有各猪只饲养密度对应的体态数据和第一体重数据。
作为优选方案，所述根据所述体态数据，计算得到猪只的第二体重数据，具体为：
根据猪只的体长、体高和胸围，结合猪只种类，计算得到猪只的第二体重数据：
Figure SMS_1
；
Figure SMS_2
；
其中，
Figure SMS_3
为第二体重数据，/>
Figure SMS_4
为猪只的体长，/>
Figure SMS_5
为猪只的体高，/>
Figure SMS_6
为猪只的胸围，/>
Figure SMS_7
为第二体重的预设系数，/>
Figure SMS_8
为猪只种类对应的种类系数，每一种类的猪只均预设有对应的种类系数。
作为优选方案，还包括：
基于猪只饲养日龄，对所述第一体重数据进行实际体重的转换计算，得到转换后的第一体重数据；其中，所述第一体重数据为猪只达到预设体重所需的生长日龄；
所述第一体重数据进行实际体重的转换计算：
Figure SMS_9
；
其中，
Figure SMS_10
为猪只达到预设体重所需的生长日龄，/>
Figure SMS_11
为猪只饲养日龄，/>
Figure SMS_12
为预设体重，/>
Figure SMS_13
为第一体重数据转换后的实际体重，/>
Figure SMS_14
为猪只种类对应的种类系数。
作为优选方案，所述对比所述第一体重数据和第二体重数据，确定猪只体重修正量，具体为：
对比基于猪只饲养密度计算得到的第一体重数据和基于体态数据计算得到的第二体重数据，计算出体重数据偏差量；
结合猪只的种类以及猪只饲养日龄，对所述体重数据偏差量进行修正，得到猪只体重修正量。
作为优选方案，所述基于图像识别，实时获取猪只图像数据，并根据所述猪只图像数据，对所有猪只进行体重监测，得到各猪只的特征识别体重，具体为：
基于图像识别，实时获取每一猪只的图像数据，进而对每一猪只进行标注，以使得每一被标注的猪只均能被实时监控；
对标注后的猪只进行排序，并在实时获取的图像数据中，筛选出能够完整识别标注后猪只的特征识别图像；其中，在实时监控猪只的若干图像数据中，至少存在有一张能够完整识别其中一只标注后猪只特征的图像数据，以使得每一猪只均存在有至少一张能够被完整识别的特征识别图像；
通过每一猪只对应的特征识别图像，分别对每一猪只进行特征识别，得到每一猪只对应的猪鼻部位特征、猪耳部位特征、猪身部位特征和猪蹄部位特征；
根据每一猪只对应的猪鼻部位特征、猪耳部位特征、猪身部位特征和猪蹄部位特征，识别计算出每一猪只对应的实时体重，进而作为猪只实时的特征识别体重。
作为优选方案，所述根据每一猪只对应的猪鼻部位特征、猪耳部位特征、猪身部位特征和猪蹄部位特征，识别计算出每一猪只对应的实时体重，进而作为猪只实时的特征识别体重的步骤，具体包括：
分别对每一猪只对应的特征识别图像进行网格化处理，在网格中建立空间直角坐标系；
在网格中分别确定所述猪鼻部位特征、猪耳部位特征、猪身部位特征和猪蹄部位特征的外接圆，根据对应的外接圆分别确定所述猪鼻部位特征、猪耳部位特征、猪身部位特征和猪蹄部位特征的中心点；同时，确定各个中心点在空间直角坐标系中的坐标系数；
分别计算任意两个中心点在所述空间直角坐标系中的空间距离，根据计算得到的多个空间距离，在预设的特征体重对比表中得到多个所述空间距离所一一对应的多个子体重；
对多个所述子体重进行求和，得到每一猪只对应的实时体重，进而作为猪只实时的特征识别体重。
相应地，本发明还提供一种猪只体重检测装置，包括：猪只识别模块、饲养密度模块、体重修正量模块、特征识别模块和最终体重模块；
所述猪只识别模块，用于获取预设猪只养殖区域范围内的区域图像数据，并根据所述区域图像数据，识别出猪只数量；
所述饲养密度模块，用于根据所述猪只数量，计算出猪只饲养密度，并根据所述猪只饲养密度，得到猪只的体态数据和第一体重数据；
所述体重修正量模块，用于根据所述体态数据，计算得到猪只的第二体重数据，并对比所述第一体重数据和第二体重数据，确定猪只体重修正量；
所述特征识别模块，用于基于图像识别，实时获取猪只图像数据，并根据所述猪只图像数据，对所有猪只进行体重监测，得到各猪只的特征识别体重；
所述最终体重模块，用于通过所述猪只体重修正量，对所述特征识别体重进行修正，得到各猪只的最终体重。
相应地，本发明还提供一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如上任一项所述的猪只体重检测方法。
相应地，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如上任一项所述的猪只体重检测方法。
相比于现有技术，本发明实施例具有如下有益效果：
本发明的技术方案通过获取预设猪只养殖区域范围内的区域图像数据，来对猪只饲养密度进行计算，进而通过猪只饲养密度，来得到猪只的体态数据和第一体重数据，从而利用体态数据来进行第二体重数据的计算，实现了通过猪只饲养密度的维度，来对猪只进行体重修正量的计算，以使得避免现有的基于机器视觉的猪只体重检测过程中，由于猪只的角度、动作等原因导致特征识别体重不准确的情况，并结合猪只饲养密度影响猪只体重的维度，来对特征识别体重进行修正，作为猪只的最终体重，提高了猪只体重检测准确性，也避免了对未能成功进行特征体重识别的猪只进行人工重测的情况，提高了猪只体重检测的效率，减少了猪只养殖管理员的工作量。
附图说明
图1为本发明实施例所提供的一种猪只体重检测方法的步骤流程图；
图2为本发明实施例所提供的一种猪只体重检测装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
实施例一，请参照图1，为本发明实施例提供的一种猪只体重检测方法，包括以下步骤S101-S105：
S101：获取预设猪只养殖区域范围内的区域图像数据，并根据所述区域图像数据，识别出猪只数量。
作为本实施例的优选方案，所述获取预设猪只养殖区域范围内的区域图像数据，并根据所述区域图像数据，识别出猪只数量，具体为：
获取预设猪只养殖区域范围内的区域图像数据，并将所述区域图像数据输入至预设猪只识别的神经网络中，以使得所述预设猪只识别的神经网络对所述区域图像数据进行猪只特征的提取与识别，最终输出得到标注猪只后的区域图像数据；其中，所述猪只特征包括猪鼻部位特征、猪耳部位特征、猪身部位特征和猪蹄部位特征；对标注猪只后的区域图像数据进行标注数据的统计，得到标注数量，作为猪只数量；其中，所述预设猪只识别的神经网络的训练方法，包括：
获取猪只图像样品集；所述猪只图像样品集包括：包含所述猪只特征的各猪只图像样品，所述各猪只图像样品中的猪只均被预先标注；将所述猪只图像样品集输入至神经网络中进行参数训练，从而训练得到预设猪只识别的神经网络；其中，所述预设猪只识别的神经网络包括卷积层、网络层、池化层和分类层。
需要说明的是，预设猪只养殖区域范围可以为猪只养殖猪圈和/或猪场的范围，其中猪只均能在该养殖范围中自由活动，从而能够确保在该范围中的猪只均能够正常成长。
在本实施例中，通过获取预设猪只养殖区域范围内的区域图像数据，即可在预设猪只识别的神经网络中，对所获取的区域图像数据进行猪只的识别与标注，进而能够得到猪只在该养殖区域范围内的猪只数量。
进一步地，对猪只的猪鼻部位特征、猪耳部位特征、猪身部位特征和猪蹄部位特征的识别，能够确保猪只的识别准确性，避免猪只由于重叠、运动等情况下，导致部分特征的缺失，进而导致猪只识别的失败。其中，优选地，预设猪只识别的神经网络包括但不限于YOLO v3、CNN模型、PRN模型等特征识别神经网络。
可以理解的是，猪圈饲养密度对猪只的生长育肥能力的影响很大，因此在不同猪圈的猪只饲养密度下，猪只的生长发育情况均有明显的区别。
S102：根据所述猪只数量，计算出猪只饲养密度，并根据所述猪只饲养密度，得到猪只的体态数据和第一体重数据。
作为本实施例的优选方案，所述根据所述猪只数量，计算出猪只饲养密度，并根据所述猪只饲养密度，得到猪只的体态数据和第一体重数据，具体为：
根据所述猪只数量，结合预设猪只养殖区域范围，计算得到猪只饲养密度；根据所述猪只饲养密度，在预设基准表中确定猪只的体态数据和第一体重数据；其中，所述预设基准表中存储有各猪只饲养密度对应的体态数据和第一体重数据。
在本实施例中，通过所识别出标注后的猪只数量，结合预设猪只养殖区域范围，进而可以计算出猪只饲养密度。猪只饲养密度是指猪只在预设猪只养殖区域范围内的密集程度，以单位数量猪只占有空间面积或一定面积的猪只数量来表示。
可以理解的是，由于猪只饲养密度对猪只的生长发育影响显著，因此通过猪只的饲养密度，即可得到在该饲养密度下猪只的生长发育情况，饥饿难忍来确定猪只在该饲养密度下的体态数据情况以及体重数据情况。
进一步地，预设基准表为记录各猪只饲养密度对应的体态数据和第一体重数据的对照表。预设基准表通过预先进行试验测定所获取。可示例性地，通过对0.5、0.6、0.7、0.8、0.9、1.0m2/只的猪只饲养密度进行分组，并对饲养密度分组后猪只进行养殖，以猪只饲养达到预设体重作为结束标志，进而测量猪只的饲养日龄、体态数据等，体态数据包括体长、体高和胸围。
进一步地，由于不同种类的猪只，其生长状态均有不同，因此对不同种类的猪只分别进行其对应种类的基准表的试验获取，并对不同种类的猪只的基准表进行单因素方差分析、相关性分析以及拟合回归，从而来得到不同种类猪只之间对应的种类系数。
作为本实施例的优选方案，还包括：
基于猪只饲养日龄，对所述第一体重数据进行实际体重的转换计算，得到转换后的第一体重数据；其中，所述第一体重数据为猪只达到预设体重所需的生长日龄；所述第一体重数据进行实际体重的转换计算：
Figure SMS_15
；
其中，
Figure SMS_16
为猪只达到预设体重所需的生长日龄，/>
Figure SMS_17
为猪只饲养日龄，/>
Figure SMS_18
为预设体重，/>
Figure SMS_19
为第一体重数据转换后的实际体重，/>
Figure SMS_20
为猪只种类对应的种类系数。
在本实施例中，通过预设猪只养殖区域范围内的当前猪只的饲养日龄，以及通过猪只饲养密度在预设基准表中，对照所得到的猪只达到预设体重所需的生长日龄和猪只种类对应的种类系数，进而可以计算出在当前猪只饲养日龄下，猪只的实际体重。
S103：根据所述体态数据，计算得到猪只的第二体重数据，并对比所述第一体重数据和第二体重数据，确定猪只体重修正量。
作为本实施例的优选方案，所述根据所述体态数据，计算得到猪只的第二体重数据，具体为：
根据猪只的体长、体高和胸围，结合猪只种类，计算得到猪只的第二体重数据：
Figure SMS_21
；
Figure SMS_22
；
其中，
Figure SMS_23
为第二体重数据，/>
Figure SMS_24
为猪只的体长，/>
Figure SMS_25
为猪只的体高，/>
Figure SMS_26
为猪只的胸围，/>
Figure SMS_27
为第二体重的预设系数，/>
Figure SMS_28
为猪只种类对应的种类系数，每一种类的猪只均预设有对应的种类系数。
在本实施例中，通过猪只饲养密度在预设基准表中对照，所得到的猪只体长、体高和胸围，进而结合猪只种类，来计算出猪只的第二体重数据，即第二体重数据与猪只的体态相关。
由于不同猪只的体态数据均不相同，同时不同猪只的运动方式、生活习性、喜好温湿度、觅食饮水等并不相同，因此猪只的体高、体长和胸围可能会存在差异，因此需要对猪只的体高、体长和胸围的三个体态数据关键参数进行权衡计算，进而确保所得到的第二体重数据能够相对准确,进而通过对大量猪只的体高、体长以及胸围的体态数据进行回归拟合、相关性分析以及方差分析，来得到猪只第二体重数据的计算公式。
作为本实施例的优选方案，所述对比所述第一体重数据和第二体重数据，确定猪只体重修正量，具体为：
对比基于猪只饲养密度计算得到的第一体重数据和基于体态数据计算得到的第二体重数据，计算出体重数据偏差量；结合猪只的种类以及猪只饲养日龄，对所述体重数据偏差量进行修正，得到猪只体重修正量。
在本实施例中，通过基于猪只饲养密度的第一体重数据和基于体态数据的第二体重数据，能够反映出两个不同维度下猪只的体重偏差量，进而通过该体重偏差量，结合猪只的种类和当前猪只的饲养日龄，即可计算出猪只体重在该饲养密度下猪只体重的大致生长偏移范围，基于该生长偏移范围即可进一步对当前现有机器视觉识别的猪只体重进行修正，避免猪只的因为机器视觉识别的固有识别缺陷，导致猪只体重识别出现较大误差。
在本实施例中，优选地，猪只体重修正量可以通过猪只的种类以及猪只饲养日龄对体重数据偏差量进行修正得到：
Figure SMS_29
；
其中，
Figure SMS_30
、/>
Figure SMS_31
、/>
Figure SMS_32
分别为第一修正系数、第二修正系数和第三修正系数，具体地，第一修正系数、第二修正系数和第三修正系数可根据实际的精度需求进行设定，猪只体重修正量/>
Figure SMS_33
可以为一个体重修正的数值范围。
S104：基于图像识别，实时获取猪只图像数据，并根据所述猪只图像数据，对所有猪只进行体重监测，得到各猪只的特征识别体重。
作为本实施例的优选方案，所述基于图像识别，实时获取猪只图像数据，并根据所述猪只图像数据，对所有猪只进行体重监测，得到各猪只的特征识别体重，具体为：
基于图像识别，实时获取每一猪只的图像数据，进而对每一猪只进行标注，以使得每一被标注的猪只均能被实时监控；对标注后的猪只进行排序，并在实时获取的图像数据中，筛选出能够完整识别标注后猪只的特征识别图像；其中，在实时监控猪只的若干图像数据中，至少存在有一张能够完整识别其中一只标注后猪只特征的图像数据，以使得每一猪只均存在有至少一张能够被完整识别的特征识别图像；通过每一猪只对应的特征识别图像，分别对每一猪只进行特征识别，得到每一猪只对应的猪鼻部位特征、猪耳部位特征、猪身部位特征和猪蹄部位特征； 根据每一猪只对应的猪鼻部位特征、猪耳部位特征、猪身部位特征和猪蹄部位特征，识别计算出每一猪只对应的实时体重，进而作为猪只实时的特征识别体重。
在本实施例中，由于现有技术中是在需要进行体重检测时，再进行猪只图像的采集，因此本发明实施例通过对预设猪只养殖区域范围内的猪只均进行实时的图像采集，同时由于猪只在预设猪只养殖区域范围内是可自由活动的，因此在该实时图像采集的过程中，每一猪只均可以至少采集得到一张完整的图像数据，即可以对猪只进行完整特征识别的图像数据。
优选地，在该过程中，可以以一天为节点，在每一个小时后，对在该一个小时内所采集得到的猪只图像进行筛选判断，以筛选出能够完整识别猪只的图像数据，并删除其余无法完整识别猪只的图像数据，以释放实时视频采集所存储的内存，减缓内存硬件的压力；进一步地，通过标注后的猪只，能够将实时采集的图像进行对应标注猪只的划分，从而在实时获取的图像数据中，当筛选出有标注后猪只的图像数据后，则后续无需对该标注后猪只进行图像数据的采集，例如：在该预设猪只养殖区域范围内饲养了16头猪，因此存在有猪1、猪2、猪3……猪16，在某一个小时后，若筛选判断出猪1、猪4和猪8的图像数据，则后续无需筛选与判断图像数据中是否能够完整识别猪1、猪4和猪8。直至所有标注后猪只均有对应的一张能够被完整识别的图像数据，则结束今天的猪只图像数据的筛选与判断，将所确定的所有标注后猪只均有对应的一张能够被完整识别的图像数据，作为对应猪只的特征识别图像。但仍需对猪只进行监控，避免结束实时采集图像数据后，标注后猪只的编号发生混乱，同时实时采集图像数据能够便于工作人员能够远程监控猪只的状态。
在本实施例中，图像识别的摄像头分布于预设猪只养殖区域范围，摄像头的数量可根据需要进行设定，以能够覆盖整个预设猪只养殖区域范围以及能够在各个角度均能识别出猪只为准。
在本实施例中，在得到每一猪只的特征识别图像后，即可通过特征识别，得到每一猪只对应的猪鼻部位特征、猪耳部位特征、猪身部位特征和猪蹄部位特征，进而通过机器视觉对猪只进行体重识别，来识别计算出每一猪只对应的实时体重。而在实际识别计算猪只实时体重的过程中，由于猪只大概率是处于运动状态，而且我们获取到的猪只图像也只是通过摄像头的方式便于拍摄，这就意味着我们拍到的照片必然不是猪只的360度全身无死角立体照，即使后续可以整理成立体照以便于计算体重，也是通过多张照片之间拼凑融合产生，误差较大。为了解决猪只实时体重更精准、更便利的问题，我们通过研究发现，猪只上的猪鼻部位特征、猪耳部位特征、猪身部位特征和猪蹄部位特征之间的距离关系可以较为精准地通过计量来表达猪只整体的体重。我们将不同环境、不同气候、不同品种的猪只所产生对应特征之间空间距离而带来的“子体重”预先形成了特征体重对比表。通过各个子体重之间加和，可以较为精准地表达该猪只的体重。可以理解的是，上述提及的特征体重对比表在此处不作限定，可以根据不同环境、不同气候、不同品种的猪只所变化而改变对应的子体重数值。具体地，在本实施例中，所述根据每一猪只对应的猪鼻部位特征、猪耳部位特征、猪身部位特征和猪蹄部位特征，识别计算出每一猪只对应的实时体重，进而作为猪只实时的特征识别体重的步骤，具体包括：分别对每一猪只对应的特征识别图像进行网格化处理，在网格中建立空间直角坐标系；在网格中分别确定所述猪鼻部位特征、猪耳部位特征、猪身部位特征和猪蹄部位特征的外接圆，根据对应的外接圆分别确定所述猪鼻部位特征、猪耳部位特征、猪身部位特征和猪蹄部位特征的中心点；同时，确定各个中心点在空间直角坐标系中的坐标系数；分别计算任意两个中心点在所述空间直角坐标系中的空间距离，根据计算得到的多个空间距离，在预设的特征体重对比表中得到多个所述空间距离所一一对应的多个子体重；对多个所述子体重进行求和，得到每一猪只对应的实时体重，进而作为猪只实时的特征识别体重。
可以理解的是，实时监控能够确保猪只在不同的运动、角度和状态下，均能够实时进行猪只特征识别完整性的判断，优选地，在一天时间内，基本上能够对所有猪只均采集至少一张能够完整实现特征识别的图像数据，作为特征识别图像，同时也进一步提高了猪只在机器视觉识别过程中的准确性。
S105：通过所述猪只体重修正量，对所述特征识别体重进行修正，得到各猪只的最终体重。
在本实施例中，通过机器视觉识别标准角度下的猪只体重的准确性已经足够高了，优选地，可以无需对该符合标准角度下的猪只体重进行修正，但由于猪只可能在机器视觉所识别的图像数据中，并非是标准角度和/或标准动作，导致体重识别可能存在一定的误差，因此结合猪只体重修正量，来对猪只的特征识别体重进行修正。
在本实施例中，可以通过猪只的特征识别体重进行方差分析，并提取出标准角度和/或标准动作下的猪只特征识别体重，来确定猪只在该猪只体重修正量的范围中的取值，并根据猪只的第一体重数据，进而将该猪只的特征识别体重进行取值后的体重修正量（数值大小）的添加。
可以理解的是，由于猪只体重修正量是基于猪只的第一体重数据和第二体重数据的偏移量来计算得到，因此猪只在机器视觉识别下所采集的每一猪只对应的猪鼻部位特征、猪耳部位特征、猪身部位特征和猪蹄部位特征，也能间接反映出猪只的体态，即机器视觉识别也是通过该特征的组合以及计算，来实现猪只的体重的计算，进而该猪只体重修正量即可用于对猪只特征识别体重的修正，弥补机器视觉下的猪只体重识别的缺陷，提高猪只体重识别的准确性。
可以理解的是，通过猪只体重修正量，来对猪只所识别得到的特征识别体重进行修正，实现在饲养密度的维度下，对猪只体重的约束，避免可能在机器视觉对猪只体重识别过程中，由于猪只角度的问题以及摄像头采集角度的问题，导致特征识别不准确的情况发生。
实施以上实施例，具有如下效果：
本发明的技术方案通过获取预设猪只养殖区域范围内的区域图像数据，来对猪只饲养密度进行计算，进而通过猪只饲养密度，来得到猪只的体态数据和第一体重数据，从而利用体态数据来进行第二体重数据的计算，实现了通过猪只饲养密度的维度，来对猪只进行体重修正量的计算，以使得避免现有的基于机器视觉的猪只体重检测过程中，由于猪只的角度、动作等原因导致特征识别体重不准确的情况，并结合猪只饲养密度影响猪只体重的维度，来对特征识别体重进行修正，作为猪只的最终体重，提高了猪只体重检测准确性，也避免了对未能成功进行特征体重识别的猪只进行人工重测的情况，提高了猪只体重检测的效率，减少了猪只养殖管理员的工作量。
实施例二，请参阅图2，其为本发明还提供一种猪只体重检测装置，包括：猪只识别模块201、饲养密度模块202、体重修正量模块203、特征识别模块204和最终体重模块205。
所述猪只识别模块201，用于获取预设猪只养殖区域范围内的区域图像数据，并根据所述区域图像数据，识别出猪只数量。
所述饲养密度模块202，用于根据所述猪只数量，计算出猪只饲养密度，并根据所述猪只饲养密度，得到猪只的体态数据和第一体重数据。
所述体重修正量模块203，用于根据所述体态数据，计算得到猪只的第二体重数据，并对比所述第一体重数据和第二体重数据，确定猪只体重修正量。
所述特征识别模块204，用于基于图像识别，实时获取猪只图像数据，并根据所述猪只图像数据，对所有猪只进行体重监测，得到各猪只的特征识别体重。
所述最终体重模块205，用于通过所述猪只体重修正量，对所述特征识别体重进行修正，得到各猪只的最终体重。
作为优选方案，所述获取预设猪只养殖区域范围内的区域图像数据，并根据所述区域图像数据，识别出猪只数量，具体为：
获取预设猪只养殖区域范围内的区域图像数据，并将所述区域图像数据输入至预设猪只识别的神经网络中，以使得所述预设猪只识别的神经网络对所述区域图像数据进行猪只特征的提取与识别，最终输出得到标注猪只后的区域图像数据；其中，所述猪只特征包括猪鼻部位特征、猪耳部位特征、猪身部位特征和猪蹄部位特征；对标注猪只后的区域图像数据进行标注数据的统计，得到标注数量，作为猪只数量；其中，所述预设猪只识别的神经网络的训练方法，包括：
获取猪只图像样品集；所述猪只图像样品集包括：包含所述猪只特征的各猪只图像样品，所述各猪只图像样品中的猪只均被预先标注；将所述猪只图像样品集输入至神经网络中进行参数训练，从而训练得到预设猪只识别的神经网络；其中，所述预设猪只识别的神经网络包括卷积层、网络层、池化层和分类层。
作为优选方案，所述根据所述猪只数量，计算出猪只饲养密度，并根据所述猪只饲养密度，得到猪只的体态数据和第一体重数据，具体为：
根据所述猪只数量，结合预设猪只养殖区域范围，计算得到猪只饲养密度；根据所述猪只饲养密度，在预设基准表中确定猪只的体态数据和第一体重数据；其中，所述预设基准表中存储有各猪只饲养密度对应的体态数据和第一体重数据。
作为优选方案，所述根据所述体态数据，计算得到猪只的第二体重数据，具体为：
根据猪只的体长、体高和胸围，结合猪只种类，计算得到猪只的第二体重数据：
Figure SMS_34
；
Figure SMS_35
；
其中，
Figure SMS_36
为第二体重数据，/>
Figure SMS_37
为猪只的体长，/>
Figure SMS_38
为猪只的体高，/>
Figure SMS_39
为猪只的胸围，/>
Figure SMS_40
为第二体重的预设系数，/>
Figure SMS_41
为猪只种类对应的种类系数，每一种类的猪只均预设有对应的种类系数。
作为优选方案，还包括：
基于猪只饲养日龄，对所述第一体重数据进行实际体重的转换计算，得到转换后的第一体重数据；其中，所述第一体重数据为猪只达到预设体重所需的生长日龄；所述第一体重数据进行实际体重的转换计算：
Figure SMS_42
；
其中，
Figure SMS_43
为猪只达到预设体重所需的生长日龄，/>
Figure SMS_44
为猪只饲养日龄，/>
Figure SMS_45
为预设体重，/>
Figure SMS_46
为第一体重数据转换后的实际体重，/>
Figure SMS_47
为猪只种类对应的种类系数。
作为优选方案，所述对比所述第一体重数据和第二体重数据，确定猪只体重修正量，具体为：
对比基于猪只饲养密度计算得到的第一体重数据和基于体态数据计算得到的第二体重数据，计算出体重数据偏差量；结合猪只的种类以及猪只饲养日龄，对所述体重数据偏差量进行修正，得到猪只体重修正量。
作为优选方案，所述基于图像识别，实时获取猪只图像数据，并根据所述猪只图像数据，对所有猪只进行体重监测，得到各猪只的特征识别体重，具体为：
基于图像识别，实时获取每一猪只的图像数据，进而对每一猪只进行标注，以使得每一被标注的猪只均能被实时监控；对标注后的猪只进行排序，并在实时获取的图像数据中，筛选出能够完整识别标注后猪只的特征识别图像；其中，在实时监控猪只的若干图像数据中，至少存在有一张能够完整识别其中一只标注后猪只特征的图像数据，以使得每一猪只均存在有至少一张能够被完整识别的特征识别图像；通过每一猪只对应的特征识别图像，分别对每一猪只进行特征识别，得到每一猪只对应的猪鼻部位特征、猪耳部位特征、猪身部位特征和猪蹄部位特征； 根据每一猪只对应的猪鼻部位特征、猪耳部位特征、猪身部位特征和猪蹄部位特征，识别计算出每一猪只对应的实时体重，进而作为猪只实时的特征识别体重。
作为优选方案，所述根据每一猪只对应的猪鼻部位特征、猪耳部位特征、猪身部位特征和猪蹄部位特征，识别计算出每一猪只对应的实时体重，进而作为猪只实时的特征识别体重的步骤，具体包括：分别对每一猪只对应的特征识别图像进行网格化处理，在网格中建立空间直角坐标系；在网格中分别确定所述猪鼻部位特征、猪耳部位特征、猪身部位特征和猪蹄部位特征的外接圆，根据对应的外接圆分别确定所述猪鼻部位特征、猪耳部位特征、猪身部位特征和猪蹄部位特征的中心点；同时，确定各个中心点在空间直角坐标系中的坐标系数；分别计算任意两个中心点在所述空间直角坐标系中的空间距离，根据计算得到的多个空间距离，在预设的特征体重对比表中得到多个所述空间距离所一一对应的多个子体重；对多个所述子体重进行求和，得到每一猪只对应的实时体重，进而作为猪只实时的特征识别体重。
所属领域的技术人员可以清楚的了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
实施以上实施例，具有如下效果：
本发明的技术方案通过获取预设猪只养殖区域范围内的区域图像数据，来对猪只饲养密度进行计算，进而通过猪只饲养密度，来得到猪只的体态数据和第一体重数据，从而利用体态数据来进行第二体重数据的计算，实现了通过猪只饲养密度的维度，来对猪只进行体重修正量的计算，以使得避免现有的基于机器视觉的猪只体重检测过程中，由于猪只的角度、动作等原因导致特征识别体重不准确的情况，并结合猪只饲养密度影响猪只体重的维度，来对特征识别体重进行修正，作为猪只的最终体重，提高了猪只体重检测准确性，也避免了对未能成功进行特征体重识别的猪只进行人工重测的情况，提高了猪只体重检测的效率，减少了猪只养殖管理员的工作量。
实施例三，相应地，本发明还提供一种终端设备，包括：处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上任意一项实施例所述的猪只体重检测方法。
该实施例的终端设备包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序、计算机指令。所述处理器执行所述计算机程序时实现上述实施例一中的各个步骤，例如图1所示的步骤S101至S105。或者，所述处理器执行所述计算机程序时实现上述装置实施例中各模块/单元的功能，例如特征识别模块204。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。例如，所述特征识别模块204，用于基于图像识别，实时获取猪只图像数据，并根据所述猪只图像数据，对所有猪只进行体重监测，得到各猪只的特征识别体重。
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，示意图仅仅是终端设备的示例，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述终端设备的控制中心，利用各种接口和线路连接整个终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据移动终端的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（SecureDigital, SD）卡，闪存卡（Flash Card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
实施例四，相应地，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上任意一项实施例所述的猪只体重检测方法。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种猪只体重检测方法，其特征在于，包括：
获取预设猪只养殖区域范围内的区域图像数据，并根据所述区域图像数据，识别出猪只数量；
根据所述猪只数量，计算出猪只饲养密度，并根据所述猪只饲养密度，得到猪只的体态数据和第一体重数据；
根据所述体态数据，计算得到猪只的第二体重数据，并对比所述第一体重数据和第二体重数据，确定猪只体重修正量；
基于图像识别，实时获取猪只图像数据，并根据所述猪只图像数据，对所有猪只进行体重监测，得到各猪只的特征识别体重；
通过所述猪只体重修正量，对所述特征识别体重进行修正，得到各猪只的最终体重。
2.如权利要求1所述的一种猪只体重检测方法，其特征在于，所述获取预设猪只养殖区域范围内的区域图像数据，并根据所述区域图像数据，识别出猪只数量，具体为：
获取预设猪只养殖区域范围内的区域图像数据，并将所述区域图像数据输入至预设猪只识别的神经网络中，以使得所述预设猪只识别的神经网络对所述区域图像数据进行猪只特征的提取与识别，最终输出得到标注猪只后的区域图像数据；其中，所述猪只特征包括猪鼻部位特征、猪耳部位特征、猪身部位特征和猪蹄部位特征；
对标注猪只后的区域图像数据进行标注数据的统计，得到标注数量，作为猪只数量；
其中，所述预设猪只识别的神经网络的训练方法，包括：
获取猪只图像样品集；所述猪只图像样品集包括：包含所述猪只特征的各猪只图像样品，所述各猪只图像样品中的猪只均被预先标注；
将所述猪只图像样品集输入至神经网络中进行参数训练，从而训练得到预设猪只识别的神经网络；其中，所述预设猪只识别的神经网络包括卷积层、网络层、池化层和分类层。
3.如权利要求1所述的一种猪只体重检测方法，其特征在于，所述根据所述猪只数量，计算出猪只饲养密度，并根据所述猪只饲养密度，得到猪只的体态数据和第一体重数据，具体为：
根据所述猪只数量，结合预设猪只养殖区域范围，计算得到猪只饲养密度；
根据所述猪只饲养密度，在预设基准表中确定猪只的体态数据和第一体重数据；其中，所述预设基准表中存储有各猪只饲养密度对应的体态数据和第一体重数据。
4.如权利要求3所述的一种猪只体重检测方法，其特征在于，所述根据所述体态数据，计算得到猪只的第二体重数据，具体为：
根据猪只的体长、体高和胸围，结合猪只种类，计算得到猪只的第二体重数据：
Figure QLYQS_1
；
Figure QLYQS_2
；
其中，
Figure QLYQS_3
为第二体重数据，/>
Figure QLYQS_4
为猪只的体长，/>
Figure QLYQS_5
为猪只的体高，/>
Figure QLYQS_6
为猪只的胸围，/>
Figure QLYQS_7
为第二体重的预设系数，/>
Figure QLYQS_8
为猪只种类对应的种类系数，每一种类的猪只均预设有对应的种类系数。
5.如权利要求4所述的一种猪只体重检测方法，其特征在于，还包括：
基于猪只饲养日龄，对所述第一体重数据进行实际体重的转换计算，得到转换后的第一体重数据；其中，所述第一体重数据为猪只达到预设体重所需的生长日龄；
所述第一体重数据进行实际体重的转换计算：
Figure QLYQS_9
；
其中，
Figure QLYQS_10
为猪只达到预设体重所需的生长日龄，/>
Figure QLYQS_11
为猪只饲养日龄，/>
Figure QLYQS_12
为预设体重，
Figure QLYQS_13
为第一体重数据转换后的实际体重，/>
Figure QLYQS_14
为猪只种类对应的种类系数。
6.如权利要求5所述的一种猪只体重检测方法，其特征在于，所述对比所述第一体重数据和第二体重数据，确定猪只体重修正量，具体为：
对比基于猪只饲养密度计算得到的第一体重数据和基于体态数据计算得到的第二体重数据，计算出体重数据偏差量；
结合猪只的种类以及猪只饲养日龄，对所述体重数据偏差量进行修正，得到猪只体重修正量。
7.如权利要求1所述的一种猪只体重检测方法，其特征在于，所述基于图像识别，实时获取猪只图像数据，并根据所述猪只图像数据，对所有猪只进行体重监测，得到各猪只的特征识别体重，具体为：
基于图像识别，实时获取每一猪只的图像数据，进而对每一猪只进行标注，以使得每一被标注的猪只均能被实时监控；
对标注后的猪只进行排序，并在实时获取的图像数据中，筛选出能够完整识别标注后猪只的特征识别图像；其中，在实时监控猪只的若干图像数据中，至少存在有一张能够完整识别其中一只标注后猪只特征的图像数据，以使得每一猪只均存在有至少一张能够被完整识别的特征识别图像；
通过每一猪只对应的特征识别图像，分别对每一猪只进行特征识别，得到每一猪只对应的猪鼻部位特征、猪耳部位特征、猪身部位特征和猪蹄部位特征；
根据每一猪只对应的猪鼻部位特征、猪耳部位特征、猪身部位特征和猪蹄部位特征，识别计算出每一猪只对应的实时体重，进而作为猪只实时的特征识别体重。
8.一种猪只体重检测装置，其特征在于，包括：猪只识别模块、饲养密度模块、体重修正量模块、特征识别模块和最终体重模块；
所述猪只识别模块，用于获取预设猪只养殖区域范围内的区域图像数据，并根据所述区域图像数据，识别出猪只数量；
所述饲养密度模块，用于根据所述猪只数量，计算出猪只饲养密度，并根据所述猪只饲养密度，得到猪只的体态数据和第一体重数据；
所述体重修正量模块，用于根据所述体态数据，计算得到猪只的第二体重数据，并对比所述第一体重数据和第二体重数据，确定猪只体重修正量；
所述特征识别模块，用于基于图像识别，实时获取猪只图像数据，并根据所述猪只图像数据，对所有猪只进行体重监测，得到各猪只的特征识别体重；
所述最终体重模块，用于通过所述猪只体重修正量，对所述特征识别体重进行修正，得到各猪只的最终体重。
9.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如权利要求1-7中任一项所述的猪只体重检测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如权利要求1-7中任一项所述的猪只体重检测方法。
CN202310464308.0A 2023-04-27 2023-04-27 一种猪只体重检测方法、装置、设备及存储介质 Active CN116206342B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310464308.0A CN116206342B (zh) 2023-04-27 2023-04-27 一种猪只体重检测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310464308.0A CN116206342B (zh) 2023-04-27 2023-04-27 一种猪只体重检测方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN116206342A true CN116206342A (zh) 2023-06-02
CN116206342B CN116206342B (zh) 2023-07-25

Family

ID=86507998

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310464308.0A Active CN116206342B (zh) 2023-04-27 2023-04-27 一种猪只体重检测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN116206342B (zh)

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005034618A1 (en) * 2003-10-10 2005-04-21 Ab Svenska Mätanalys Method and device for the monitoring of pigs
CN108764210A (zh) * 2018-06-12 2018-11-06 焦点科技股份有限公司 一种基于参照物的猪重识别的方法及系统
CN109632058A (zh) * 2018-12-13 2019-04-16 北京小龙潜行科技有限公司 一种智能养猪群养测重方法、装置、电子设备及存储介质
CN109670398A (zh) * 2018-11-07 2019-04-23 北京农信互联科技集团有限公司 一种猪只图像的分析方法及设备
CN110426112A (zh) * 2019-07-04 2019-11-08 平安科技（深圳）有限公司 一种生猪体重测量方法及装置
CN110530477A (zh) * 2019-09-28 2019-12-03 四川农业大学 后备母猪体重预估方法
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
CN111369378A (zh) * 2020-02-25 2020-07-03 成都睿畜电子科技有限公司 一种基于计算机视觉识别的生猪监管方法及系统
CN112036206A (zh) * 2020-08-25 2020-12-04 北京小龙潜行科技有限公司 基于识别码式猪耳标的监控方法、装置及系统
WO2020260631A1 (en) * 2019-06-26 2020-12-30 Viking Genetics Fmba Weight determination of an animal based on 3d imaging
CN113096178A (zh) * 2021-04-25 2021-07-09 中国农业大学 猪只体重的估测方法、装置、设备和存储介质
CN113519415A (zh) * 2021-06-18 2021-10-22 西南大学 一种猪只体重识别个体的智能栏体
CN114304054A (zh) * 2021-12-11 2022-04-12 河南银发牧业有限公司 一种猪只估重方法
CN114492664A (zh) * 2022-02-15 2022-05-13 四川新希望动物营养科技有限公司 一种猪只盘点方法、装置、设备及存储介质
CN115294185A (zh) * 2022-06-14 2022-11-04 中国农业科学院北京畜牧兽医研究所 猪只体重的估测方法以及相关设备
CN115731566A (zh) * 2021-08-24 2023-03-03 北京新氧科技有限公司 一种基于图像的体重检测方法、装置、设备及存储介质
US20230073738A1 (en) * 2021-09-07 2023-03-09 Hill's Pet Nutrition, Inc. Method for Determining Biometric Data Relating to an Animal Based on Image Data

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005034618A1 (en) * 2003-10-10 2005-04-21 Ab Svenska Mätanalys Method and device for the monitoring of pigs
CN108764210A (zh) * 2018-06-12 2018-11-06 焦点科技股份有限公司 一种基于参照物的猪重识别的方法及系统
CN109670398A (zh) * 2018-11-07 2019-04-23 北京农信互联科技集团有限公司 一种猪只图像的分析方法及设备
CN109632058A (zh) * 2018-12-13 2019-04-16 北京小龙潜行科技有限公司 一种智能养猪群养测重方法、装置、电子设备及存储介质
WO2020260631A1 (en) * 2019-06-26 2020-12-30 Viking Genetics Fmba Weight determination of an animal based on 3d imaging
CN110426112A (zh) * 2019-07-04 2019-11-08 平安科技（深圳）有限公司 一种生猪体重测量方法及装置
CN110530477A (zh) * 2019-09-28 2019-12-03 四川农业大学 后备母猪体重预估方法
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
CN111369378A (zh) * 2020-02-25 2020-07-03 成都睿畜电子科技有限公司 一种基于计算机视觉识别的生猪监管方法及系统
CN112036206A (zh) * 2020-08-25 2020-12-04 北京小龙潜行科技有限公司 基于识别码式猪耳标的监控方法、装置及系统
CN113096178A (zh) * 2021-04-25 2021-07-09 中国农业大学 猪只体重的估测方法、装置、设备和存储介质
CN113519415A (zh) * 2021-06-18 2021-10-22 西南大学 一种猪只体重识别个体的智能栏体
CN115731566A (zh) * 2021-08-24 2023-03-03 北京新氧科技有限公司 一种基于图像的体重检测方法、装置、设备及存储介质
US20230073738A1 (en) * 2021-09-07 2023-03-09 Hill's Pet Nutrition, Inc. Method for Determining Biometric Data Relating to an Animal Based on Image Data
CN114304054A (zh) * 2021-12-11 2022-04-12 河南银发牧业有限公司 一种猪只估重方法
CN114492664A (zh) * 2022-02-15 2022-05-13 四川新希望动物营养科技有限公司 一种猪只盘点方法、装置、设备及存储介质
CN115294185A (zh) * 2022-06-14 2022-11-04 中国农业科学院北京畜牧兽医研究所 猪只体重的估测方法以及相关设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HENGXIANG HE 等: "Automatic weight measurement of pigs based on 3D images and regression network", 《COMPUTERS AND ELECTRONICS IN AGRICULTURE》, pages 1 - 6 *
景壮壮: "基于机器视觉的育肥猪生长信息监测研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》, pages 050 - 301 *
李旭骁: "福利状态对生长育肥猪生长性能的影响", 《中国优秀硕士学位论文全文数据库 农业科技辑》, pages 050 - 331 *

Also Published As

Publication number Publication date
CN116206342B (zh) 2023-07-25

Similar Documents

Publication Publication Date Title
AU2019101786A4 (en) Intelligent pig group rearing weighing method and apparatus, electronic device and storage medium
CN110426112B (zh) 一种生猪体重测量方法及装置
Wang et al. ASAS-NANP SYMPOSIUM: Applications of machine learning for livestock body weight prediction from digital images
CN107667903B (zh) 基于物联网的畜牧养殖活体体重监测方法
CN110991222B (zh) 一种物体状态监测、母猪发情监测方法、装置及系统
CN110796043A (zh) 容器检测、饲喂检测方法、装置及饲喂系统
CN108229351B (zh) 一种动物养殖方法、动物养殖装置及电子设备
CN111325217B (zh) 数据处理方法、装置、系统和介质
CN110741963B (zh) 一种物体状态监测、母猪发情监测方法、装置及系统
Lu et al. An automatic splitting method for the adhesive piglets’ gray scale image based on the ellipse shape feature
CN110547210A (zh) 饲料供给方法及系统、计算机系统、存储介质
CN109461151A (zh) 一种牲畜数量清点的方法、装置及系统
CN115294185B (zh) 猪只体重的估测方法以及相关设备
CN112906734A (zh) 牲畜智能选种方法、装置、计算机设备和存储介质
CN113706512A (zh) 一种基于深度学习和深度相机的生猪体重测量方法
CN116206342B (zh) 一种猪只体重检测方法、装置、设备及存储介质
CN117351404A (zh) 一种奶牛分娩应激程度判识方法及系统
CN112150498A (zh) 体态信息的确定方法、装置、存储介质及电子装置
CN113516139A (zh) 数据处理方法、装置、设备和存储介质
CN115100683A (zh) 估重方法、装置、设备及存储介质
Qin et al. Identification of body size characteristic points based on the Mask R-CNN and correlation with body weight in Ujumqin sheep
CN110991235B (zh) 一种状态监测方法、装置、电子设备及存储介质
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
Yuan et al. Stress-free detection technologies for pig growth based on welfare farming: A review
CN111150402A (zh) 确定家畜形体参数的方法、装置、存储介质及电子装置

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