CN116439158B - 基于红外识别的母猪查情方法、系统、设备及存储介质 - Google Patents
基于红外识别的母猪查情方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN116439158B CN116439158B CN202310729912.1A CN202310729912A CN116439158B CN 116439158 B CN116439158 B CN 116439158B CN 202310729912 A CN202310729912 A CN 202310729912A CN 116439158 B CN116439158 B CN 116439158B
- Authority
- CN
- China
- Prior art keywords
- sow
- sequence
- arima
- predicted value
- pudendum
- 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 114
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000003860 storage Methods 0.000 title claims abstract description 14
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims abstract description 68
- 230000010354 integration Effects 0.000 claims abstract description 43
- 230000004044 response Effects 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 238000001514 detection method Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 18
- 230000001629 suppression Effects 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000003709 image segmentation Methods 0.000 claims description 10
- 230000005236 sound signal Effects 0.000 claims description 6
- 238000005452 bending Methods 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 210000001142 back Anatomy 0.000 abstract description 12
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 11
- 210000000689 upper leg Anatomy 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 210000003127 knee Anatomy 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 210000003905 vulva Anatomy 0.000 description 4
- 238000009395 breeding Methods 0.000 description 3
- 230000001488 breeding effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000013095 identification testing Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 235000002673 Dioscorea communis Nutrition 0.000 description 2
- 241000544230 Dioscorea communis Species 0.000 description 2
- 208000035753 Periorbital contusion Diseases 0.000 description 2
- 210000001015 abdomen Anatomy 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 239000011324 bead Substances 0.000 description 2
- 210000000988 bone and bone Anatomy 0.000 description 2
- 244000309466 calf Species 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 230000009027 insemination Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 235000005809 Carpobrotus aequilaterus Nutrition 0.000 description 1
- 244000187801 Carpobrotus edulis Species 0.000 description 1
- 235000004550 Disphyma australe Nutrition 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000013019 agitation Methods 0.000 description 1
- 238000002617 apheresis Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 229940088597 hormone Drugs 0.000 description 1
- 239000005556 hormone Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 210000002414 leg Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000010539 reproductive behavior Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 210000001364 upper extremity Anatomy 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; CARE OF BIRDS, FISHES, INSECTS; 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
-
- 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
- G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
-
- 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
- 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
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
-
- 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
Abstract
本发明提出了一种基于红外识别的母猪查情方法、系统、设备及存储介质,该方法包括:分别获取母猪拱背序列B、母猪阴部温度序列O以及母猪声音强度序列S;基于母猪拱背序列B、母猪阴部温度序列O以及母猪声音强度序列S,利用ARIMA差分整合移动平均自回归模型分别获取母猪拱背预测值、母猪阴部温度预测值以及母猪声音强度预测值;基于预先设定的权重对母拱背预测值、母猪阴部温度预测值以及母猪声音强度预测值进行加权计算,获得母猪发情预测值;响应于确定母猪发情预测值大于预设阈值,则判定母猪处于发情状态。本发明能够自动识别母猪的发情期,准确率高、效率高、操作简便,可以提高猪场的生产效率和经济效益。
Description
技术领域
本申请涉及母猪的生殖行为识别技术领域,具体涉及一种基于红外识别的母猪查情方法、系统、设备及存储介质。
背景技术
目前,母猪的繁殖控制通常采用人工授精技术,但是繁殖周期长、操作难度大,且需要大量人力物力。而母猪的发情是繁殖控制的重要指标之一,如何准确、快速地判断母猪是否处于发情期成为了猪场管理者面临的难题。传统的母猪查情方法存在以下核心问题:
(1)依赖于人工判断和观察,人为因素较大,判断准确性难以保证。
(2)时间成本高,需要大量的人力物力去完成。
(3)受环境影响较大,如温度、光照等因素会影响人工观察的准确性。
(4)对母猪造成一定的压力和伤害。
总之,传统的观察法和手动检测方法存在着准确度低、时间耗费长、操作不便等问题。因此,需要一种更加准确、自动化的母猪查情系统和方法。
中国专利CN115119766A提出了一种基于深度学习和红外热成像的母猪发情检测方法,其利用基于改进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。但其仅靠母猪外阴皮肤温度作为母猪发情的判断标准,容易出现偏差,检测的准确率实际上并不高。
鉴于此,本申请提出了一种基于红外识别的母猪查情方法、系统、设备及存储介质,通过自动化拱背测试、红外图像识别测试阴部温度等手段,结合声音监控,能够综合判断母猪是否处于发情期。
发明内容
为了解决传统母猪查情方法存在操作不便,现有自动化检测准确率不高等问题,本申请提供一种基于红外识别的母猪查情方法、系统、设备及存储介质,以解决上述技术缺陷问题。
根据本发明的一个方面提出了一种基于红外识别的母猪查情方法,包括以下步骤:
S1、通过将母猪身体姿势图像输入猪只图像分割模型中获取母猪拱背序列B,将母猪体部红外图像输入母猪温度检测模型中获取母猪阴部温度序列O,以及基于噪声抑制算法获取母猪声音强度序列S;
S2、基于母猪拱背序列B、母猪阴部温度序列O以及母猪声音强度序列S,利用ARIMA差分整合移动平均自回归模型分别获取母猪拱背预测值、母猪阴部温度预测值以及母猪声音强度预测值;
S3、基于预先设定的权重对母拱背预测值、母猪阴部温度预测值以及母猪声音强度预测值进行加权计算,获得母猪发情预测值;
S4、响应于确定母猪发情预测值大于预设阈值,则判定母猪处于发情状态。
通过上述技术方案,本申请通过自动化拱背测试、红外图像识别测试、声音监控等手段,可以实现对母猪发情的准确识别。同时,本申请还可以有效提高母猪生产效率,减少人工识别误差,具有很好的应用价值。
在具体的实施例中,在步骤S2中,利用ARIMA差分整合移动平均自回归模型分别获取母猪拱背预测值、母猪阴部温度预测值以及母猪声音强度预测值包括以下子步骤:
S21、确定计算ARIMA差分整合移动平均自回归模型的阶数,其中ARIMA差分整合移动平均自回归模型包括自回归(AR)部分、差分(I)部分和移动平均(MA)部分;
自回归(AR)部分的表达式为:
XAR(t)=c+Φ1X(t-1)+Φ2X(t-2)+...+ΦpX(t-p)+ε(t)
式中,XAR(t)表示当前母猪的观测值,X(t-i)表示过去的母猪观测值,X(t-p)表示考虑时间窗口长度为p,过去p时刻的母猪观测值,序列长度包含从t-1时刻到t-p时刻,Φ1,Φ2,...,Φp是ARIMA差分整合移动平均自回归模型的自回归系数,p表示自回归阶数,c是常数项,ε(t)是误差项;
差分(I)部分的表达式为:n阶差分X(t-n)-XI(t),其中XI(t)表示当前母猪的观测值,X(t-n)表示t-n时刻的观测值,n为大于等于0的自然数,对母猪拱背序列B、母猪阴部温度序列O以及母猪声音强度序列S分别进行d次差分,d表示差分阶数;
移动平均(MA)部分的表达式为:
XMA(t)=μ+θ1ε(t-1)+θ2ε(t-2)+...+θ-qε(t-q)
式中,XMA(t)表示当前母猪的观测值,ε(t-i)表示过去的误差项,i为1,2...q;ε(t-q)表示考虑时间窗口长度为q,过去q时刻的误差项,序列长度包含从t-1时刻到t-q时刻;θ1,θ2,...,θ-q是ARIMA差分整合移动平均自回归模型的移动平均系数,q表示移动平均阶数,μ是常数项;
S22、组合自回归(AR)部分、差分(I)部分和移动平均(MA)部分,构建ARIMA(p,d,q)差分整合移动平均自回归模型,其中,p表示自回归阶数,d表示差分阶数,q表示移动平均阶数,并且利用最小二乘法计算ARIMA(p,d,q)自回归积分滑动平均模型的参数;
S23、将母猪拱背序列B、母猪阴部温度序列O以及母猪声音强度序列S输入至ARIMA(p,d,q)差分整合移动平均自回归模型中,分别获得母猪拱背预测值、母猪阴部温度预测值以及母猪声音强度预测值。
通过上述技术方案,对母猪发情数据时序分析,从而实现对母猪发情规律和周期性变化的识别和预测。
在具体的实施例中,在步骤S3中,基于预先设定的权重对母猪拱背预测值、母猪阴部温度预测值以及母猪声音强度预测值进行加权计算,具体通过以下表达式计算获得母猪发情预测值:
F=0.2*Normlized(ARIMA(B))+0.4*Normlized(ARIMA(O))+0.4*Normlized(ARIMA(S))
其中,F表示母猪发情预测值,Normlized表示Z-score标准化,ARIMA(B)表示通过ARIMA差分整合移动平均自回归模型获取到的母猪拱背预测值,ARIMA(O)表示通过ARIMA差分整合移动平均自回归模型获取到的母猪阴部温度预测值,ARIMA(S)表示通过ARIMA差分整合移动平均自回归模型获取到的母猪声音强度预测值。
通过上述技术方案,通过预设阈值作为母猪发情判断标准,以自动化检测出母猪是否发情。
在具体的实施例中,在步骤S4中,预设阈值为0.5,响应于确定母猪发情预测值大于0.5,则判定判定母猪处于发情状态。
在实际应用中,预设阈值可根据实际情况调整为其他参数值。
在具体的实施例中,在步骤S1中,获取母猪拱背序列B包括以下子步骤:
S111、在母猪背部安装压力传感器,通过压力传感器采集母猪拱背数据;
S112、通过母猪拱背数据判断母猪是否处于发情期,响应于确定母猪处于发情期,则获取母猪的身体姿势图像;
S113、将母猪身体姿势图像输入至训练好的猪只图像分割模型中,获取母猪身体姿势图像中猪脊背线的弯曲程度,形成母猪拱背序列B。
通过上述技术方案,采用自动化设备,通过识别母猪是否发生拱背来判断是否发情。
在具体的实施例中,在步骤S1中,获取母猪阴部温度序列O包括以下子步骤:
S121、通过红外热像仪对母猪进行拍摄,获取母猪体部红外图像;
S122、训练母猪温度检测模型,对母猪体部红外图像中猪身的多个关键点进行标注获得母猪温度图像数据集,将母猪温度图像数据集输入至目标检测模型中,获得训练好的母猪温度检测模型;
S123、通过训练好的母猪温度检测模型对待测母猪体部红外图像进行检测,基于多个关键点估算出母猪阴部位置,获取母猪阴部温度序列O。
通过上述技术方案,采用红外图像识别技术,记忆母猪阴部温度,综合判断是否发情。
在具体的实施例中,在步骤S1中,获取母猪声音强度序列S包括以下子步骤:
S131、获取母猪声音信号;
S132、通过噪声抑制算法对母猪声音信号进行预处理,获得消除滤波后的母猪声音强度序列S。
通过上述技术方案,采用声音识别技术,用于监控母猪发情时的声音变化,从而综合判断是否发情。
第二方面,本申请提出了一种基于红外识别的母猪查情系统,该系统包括:
获取模块,配置于通过将母猪身体姿势图像输入猪只图像分割模型中获取母猪拱背序列B,将母猪体部红外图像输入母猪温度检测模型中获取母猪阴部温度序列O,以及基于噪声抑制算法获取母猪声音强度序列S;
预测模块,配置于基于母猪拱背序列B、母猪阴部温度序列O以及母猪声音强度序列S,利用ARIMA差分整合移动平均自回归模型分别获取母猪拱背预测值、母猪阴部温度预测值以及母猪声音强度预测值;
计算模块,配置于基于预先设定的权重对母猪拱背预测值、母猪阴部温度预测值以及母猪声音强度预测值进行加权计算,获得母猪发情预测值;
判断模块,配置于响应于确定母猪发情预测值大于预设阈值,则判定母猪处于发情状态。
第三方面,本申请提供了一种终端设备,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现如上述任一项基于红外识别的母猪查情方法的步骤。
第四方面,本申请提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现如上述任一项基于红外识别的母猪查情方法的步骤。
与现有技术相比,本发明的有益成果在于:
(1)本申请提出的基于红外识别的母猪查情方法,通过自动化拱背测试、红外图像采集、温度测量和声音监控等手段,可以快速、准确地综合判断母猪是否处于发情期。
(2)可以有效减少人工干预和时间成本,同时提高查情的准确性和可靠性,具有自动化、高效等优点。
(3)本申请提出的基于红外识别的母猪查情系统,可以广泛应用于猪场,该系统的使用也可以减少对母猪的压力和伤害,提高猪场的生产效率和经济效益。
附图说明
通过阅读参照以下附图,所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是根据本申请的基于红外识别的母猪查情方法的流程图;
图2是根据本申请的猪舍整体俯拍示意图;
图3是根据本申请的猪只俯拍的标注图像示意图;
图4是根据本申请的猪只侧拍的标注图像示意图;
图5是根据本申请的基于红外识别的母猪查情系统的结构图;
图6是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了本申请的基于红外识别的母猪查情方法的流程图,请参考图1,该方法包括以下步骤:
S1、通过将母猪身体姿势图像输入猪只图像分割模型中获取母猪拱背序列B,将母猪体部红外图像输入母猪温度检测模型中获取母猪阴部温度序列O,以及基于噪声抑制算法获取母猪声音强度序列S;
在本实施例中,获取母猪拱背序列B包括以下子步骤:
S111、在母猪背部安装压力传感器,通过压力传感器采集母猪拱背数据。
通过自动化拱背测试,判断母猪是否处于发情期。具体实现方式是在母猪背部安装压力传感器,在母猪拱背时会产生一定的压力变化,通过传感器采集到的数据判断母猪是否处于发情期。
S112、通过母猪拱背数据判断母猪是否处于发情期,响应于确定母猪处于发情期,则获取母猪的身体姿势图像。其中,母猪的身体姿势图像可直接通过拍摄照片获得,也可以通过提取视频帧数图片获得。
S113、将母猪身体姿势图像输入至训练好的猪只图像分割模型中,获取母猪身体姿势图像中猪脊背线的弯曲程度,形成母猪拱背序列B。
拱背行为通过分析猪只图像得到,本申请使用通用的猪只图像分割模型,从侧面拍摄猪的脊背线,当拱背发生时猪的脊背线发生明显的弯曲,记录图像中猪脊背线的弯曲程度,形成母猪拱背序列B,并统计其频次。
在本实施例中,获取母猪阴部温度序列O包括以下子步骤:
S121、通过红外热像仪对母猪进行拍摄,获取母猪体部红外图像。
S122、训练母猪温度检测模型,对母猪体部红外图像中猪身的多个关键点进行标注获得母猪温度图像数据集,将母猪温度图像数据集输入至目标检测模型中,获得训练好的母猪温度检测模型。
S123、通过训练好的母猪温度检测模型对待测母猪体部红外图像进行检测,基于多个关键点估算出母猪阴部位置,获取母猪阴部温度序列O。其中,母猪阴部位置以关键点11为锚点,结合其他关键点识别位置动态推算而来,具体参考如下(请参考图3和图4,目标位置是图4中的母猪阴部多边形中心位置)。
具体方法:
设置编号为i点的像素坐标为(xi,yi),所需母猪阴部位置表示为(X,Y)。母猪阴部位置的获取包括以下情况:
(1)除关键点11可见外,另有关键点8、关键点12可见时,母猪阴部位置的坐标估算为:X= 0.5*(x8+x12),Y=0.34*(y8+y12) + 0.66*y11;
(2)除关键点11可见外,另有关键点22可见时,母猪阴部位置的坐标估算为:X=x11,Y=1.1*(l11-22),其中l11-22为关键点11和关键点22这两点的y方向的长度;
(3)除关键点11可见外,另有关键点9、关键点13可见时,母猪阴部位置的坐标估算为:X=x11,Y=0.8*y11+0.1*(y9+y13);
(4)若关键点11不可见,但关键点8、关键点12、关键点22同时可见,则母猪阴部位置的坐标估算为:X=x11,Y=(y8+y12+y22)/3;
(5)若关键点11不可见,则认为是无效采集,不进行母猪阴部位置估算;
(6)除以上情况外,均认为是无效采集,不进行母猪阴部位置估算。
图2是根据本申请的猪舍整体俯拍示意图,图3是根据本申请的猪只俯拍的标注图像示意图,图4是根据本申请的猪只侧拍的标注图像示意图。以下是关于猪身的多个关键点的特征标注:
1:为猪鼻子尖;2:为左眼睛的黑眼珠中心;3:为左耳朵根,若猪身为右侧身体时看不到左耳朵根的话,不需要标记;4:左前侧大腿根骨骼曲线的弧中心点位置,可根据示意图找到对应的标注点,侧拍和俯拍时的标记位置略有差别;5:左前侧大腿与小腿交界处,即左前侧膝盖中心点位置;6:左前侧猪蹄尖处;7:侧拍时,为22号,2号,25号,27号关键点的中心交界位置;俯拍时为4号和8号点沿猪身轮廓的中心采样点;8:左后侧大腿根骨骼曲线的弧中心点位置,可根据示意图找到对应的标注点,侧拍和俯拍时的标记位置略有差别;9:左后侧大腿与小腿交界处,即左后侧膝盖中心点位置;10:左后侧猪蹄尖;11:猪尾巴根;12:右后侧大腿根骨骼曲线的弧中心点位置,可根据示意图找到对应的标注点,侧拍和俯拍时的标记位置略有差别;13:右后侧大腿与小腿交界处,即右后侧膝盖中心点位置;14:右后侧猪蹄尖;15:侧拍时,为22号,2号,25号,27号关键点的中心交界位置;俯拍时为12号和16号点沿猪身轮廓的中心采样点;16:右前侧大腿根骨骼曲线的弧中心点位置,可根据示意图找到对应的标注点,侧拍和俯拍时的标记位置略有差别;17:右前侧大腿与小腿交界处,即右后侧膝盖中心点位置;18:右前侧猪蹄尖;19:为右耳朵根,若猪身为左侧身体时看不到右耳朵根的话,不需要标记;20:为右眼睛的黑眼珠中心;21:两个耳朵根,3号点和20号点的中心点;22:猪脊骨中线上位点,位于25号点的正上方,也可参考猪体轮廓曲线来定位;23:猪脊骨中线下位点,位于27号点的正上方,也可参考猪体轮廓曲线来定位;24:猪脸下巴与脖子交界处,基本位于眼睛和耳朵尖延长线的垂直线上,与猪体轮廓交界;25:前腿与猪肚子的交界点,有且存在于侧身线组,不存在于中位线组;26:25号点与26号点的轮廓中位点,有且存在于侧身线组,不存在于中位线组;27:后腿与猪肚子的交界点,有且存在于侧身线组,不存在于中位线组。
通过采集母猪阴部的红外图像来判断母猪是否处于发情期。在母猪处于发情期时,由于体内激素水平的变化,阴部的温度会明显升高。因此,通过红外图像识别技术可以判断母猪是否处于发情期。
在本实施例中,获取母猪声音强度序列S包括以下子步骤:
S131、获取母猪声音信号;
S132、通过噪声抑制算法对母猪声音信号进行预处理,获得消除滤波后的母猪声音强度序列S。通过噪声抑制算法NS(Noise Suppression)消除或减少周边背景噪声,提高目标音频的清晰度,可以提高判断的准确性。
通过声音监控技术,记录母猪在发情期间产生的声音特征。母猪嚎叫的规律在发情、不发情期间满足一个周期规律,发情时通常变得躁动,声音变大、变多等。通过记录这些声音特征可以帮助判断母猪是否处于发情期。
继续参考图1,本申请提供的基于红外识别的母猪查情方法还包括:
S2、基于母猪拱背序列B、母猪阴部温度序列O以及母猪声音强度序列S,利用ARIMA差分整合移动平均自回归模型分别获取母猪拱背预测值、母猪阴部温度预测值以及母猪声音强度预测值。
在本实施例中,利用ARIMA差分整合移动平均自回归模型分别获取母猪拱背预测值、母猪阴部温度预测值以及母猪声音强度预测值包括以下子步骤:
S21、确定计算ARIMA差分整合移动平均自回归模型的阶数,其中ARIMA差分整合移动平均自回归模型包括自回归(AR)部分、差分(I)部分和移动平均(MA)部分;
自回归(AR)部分的表达式为:
XAR(t)=c+Φ1X(t-1)+Φ2X(t-2)+...+ΦpX(t-p)+ε(t)
式中,XAR(t)表示当前母猪的观测值,X(t-i)表示过去的母猪观测值,X(t-p)表示考虑时间窗口长度为p,过去p时刻的母猪观测值,序列长度包含从t-1时刻到t-p时刻,Φ1,Φ2,...,Φp是ARIMA差分整合移动平均自回归模型的自回归系数,p表示自回归阶数,c是常数项,ε(t)是误差项。
自回归(AR)部分:自回归是指当前观测值与前一时刻观测值之间存在的线性关系。AR(p)模型通过使用过去p个时间步长的观测值来预测当前观测值。
差分(I)部分的表达式为:一阶差分XI(t)-XI(t),n阶差分X(t-n)-XI(t),其中XI(t)表示当前母猪的观测值,X(t-n)表示t-n时刻的观测值,n为大于等于0的自然数,对母猪拱背序列B、母猪阴部温度序列O以及母猪声音强度序列S分别进行d次差分,d表示差分阶数。
差分(I)部分:差分是对时间序列进行一阶或多阶差分,以使得序列具有平稳性质。差分操作可以通过减去序列中前一个观测值来实现,即取当前观测值与上一个观测值之间的差值。差分操作通常用来消除序列的趋势和季节性,使其更接近平稳过程。
移动平均(MA)部分的表达式为:
XMA(t)=μ+θ1ε(t-1)+θ2ε(t-2)+...+θ-qε(t-q)
式中,XMA(t)表示当前母猪的观测值,ε(t-i)表示过去的误差项,i为1,2...q;ε(t-q)表示考虑时间窗口长度为q,过去q时刻的误差项,序列长度包含从t-1时刻到t-q时刻;θ1,θ2,...,θ-q是ARIMA差分整合移动平均自回归模型的移动平均系数,q表示移动平均阶数,μ是常数项。
移动平均(MA)部分:移动平均是指当前观测值与过去时刻的误差(残差)之间的线性关系。MA(q)模型使用过去q个误差项的线性组合来预测当前观测值。
S22、组合自回归(AR)部分、差分(I)部分和移动平均(MA)部分,构建ARIMA(p,d,q)差分整合移动平均自回归模型,其中,p表示自回归阶数,d表示差分阶数,q表示移动平均阶数,并且利用最小二乘法计算ARIMA(p,d,q)自回归积分滑动平均模型的参数;
S23、将母猪拱背序列B、母猪阴部温度序列O以及母猪声音强度序列S输入至ARIMA(p,d,q)差分整合移动平均自回归模型中,分别获得母猪拱背预测值、母猪阴部温度预测值以及母猪声音强度预测值。
通过自动化的持续采集,可以获得母猪拱背序列B、母猪阴部温度序列O以及母猪声音强度序列S这三个时序数据。再对采集到的时序数据进行综合分析,首先先单独分析获得的各个时序数据,分析得到下一时刻的预测结果。对于这3个预测结果(母猪拱背预测值、母猪阴部温度预测值以及母猪声音强度预测值)使用系数加权,最终得到是否发情。将这种方法命名为PIGxARIMA-3时序分析方法。对于母猪发情数据的时序分析,从而实现对母猪发情规律和周期性变化的识别和预测。
以下进行举例说明,母猪拱背序列B、母猪阴部温度序列O以及母猪声音强度序列S分别在各自的序列上获得t+1一个时刻的预测。比如,对于母猪声音强度序列S,已知前4个时刻S1~S4的母猪声音强度分别为3,4,2,3,目的在于预测S5。通过上述表达式运算ARIMA(S)可以得到S5,即S5 = p*AR(S1~S4)+d*I(S1~S4)+q*MA(S1~S4)。同样,若想求得S6,此时已知有S2~S5了,再重复上述过程即可。对于三个序列(母猪拱背序列B、母猪阴部温度序列O以及母猪声音强度序列S)均如此。
继续参考图1,本申请提供的基于红外识别的母猪查情方法还包括:
S3、基于预先设定的权重对母猪拱背预测值、母猪阴部温度预测值以及母猪声音强度预测值进行加权计算,获得母猪发情预测值。
在本实施例中,基于预先设定的权重对母猪拱背预测值、母猪阴部温度预测值以及母猪声音强度预测值进行加权计算,具体通过以下表达式计算获得母猪发情预测值:
F=0.2*Normlized(ARIMA(B))+0.4*Normlized(ARIMA(O))+0.4*Normlized(ARIMA(S))
其中,F表示母猪发情预测值,Normlized表示Z-score标准化,即考虑该序列的均值和方差对其进行标准化,如对于序列x,x可为任意B/O/S:
x=(x−μ)/σ,其中μ为均值,σ为方差;
ARIMA(B)表示通过ARIMA差分整合移动平均自回归模型获取到的母猪拱背预测值,ARIMA(O)表示通过ARIMA差分整合移动平均自回归模型获取到的母猪阴部温度预测值,ARIMA(S)表示通过ARIMA差分整合移动平均自回归模型获取到的母猪声音强度预测值。
通过对采集到的母猪拱背序列B、母猪阴部温度序列O以及母猪声音强度序列S进行综合分析,判断母猪是否处于发情期。当检测到母猪处于发情期时,系统会自动进行繁殖控制操作,比如启动人工授精等。
S4、响应于确定母猪发情预测值大于预设阈值,则判定母猪处于发情状态。
在本实施例中,预设阈值为0.5,响应于确定母猪发情预测值大于0.5,则判定判定母猪处于发情状态,否则视为不发情。在实际应用中,预设阈值可根据实际情况调整为其他参数值。
本申请通过自动化拱背测试、红外图像识别测试、声音监控等手段,可以实现对母猪发情的准确识别。同时,本申请还可以有效提高母猪生产效率,减少人工识别误差,具有很好的应用价值。
进一步参考图5,作为对上述方法的实现,第二方面,本申请提供了基于红外识别的母猪查情系统500的一个实施例,该系统具体可以应用于各种电子设备中。该系统500包括以下模块:
获取模块510,配置于通过将母猪身体姿势图像输入猪只图像分割模型中获取母猪拱背序列B,将母猪体部红外图像输入母猪温度检测模型中获取母猪阴部温度序列O,以及基于噪声抑制算法获取母猪声音强度序列S;
预测模块520,配置于基于母猪拱背序列B、母猪阴部温度序列O以及母猪声音强度序列S,利用ARIMA差分整合移动平均自回归模型分别获取母猪拱背预测值、母猪阴部温度预测值以及母猪声音强度预测值;
计算模块530,配置于基于预先设定的权重对母猪拱背预测值、母猪阴部温度预测值以及母猪声音强度预测值进行加权计算,获得母猪发情预测值;
判断模块540,配置于响应于确定母猪发情预测值大于预设阈值,则判定母猪处于发情状态。
第三方面,本申请提供了一种终端设备,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现如上述任一项基于红外识别的母猪查情方法的步骤。
第四方面,本申请提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现如上述任一项基于红外识别的母猪查情方法的步骤。
下面参考图6,其示出了适于用来实现本申请实施例的终端设备或服务器的计算机系统600的结构示意图。图6示出的终端设备或服务器仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,计算机系统600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (9)
1.一种基于红外识别的母猪查情方法,其特征在于,包括以下步骤:
S1、通过将母猪身体姿势图像输入猪只图像分割模型中获取母猪拱背序列B,将母猪体部红外图像输入母猪温度检测模型中获取母猪阴部温度序列O,以及基于噪声抑制算法获取母猪声音强度序列S;
S2、基于所述母猪拱背序列B、母猪阴部温度序列O以及母猪声音强度序列S,利用ARIMA差分整合移动平均自回归模型分别获取母猪拱背预测值、母猪阴部温度预测值以及母猪声音强度预测值;
S3、基于预先设定的权重对所述母猪拱背预测值、母猪阴部温度预测值以及母猪声音强度预测值进行加权计算,具体通过以下表达式计算获得母猪发情预测值:
F=0.2*Normlized(ARIMA(B))+0.4*Normlized(ARIMA(O))+0.4*Normlized(ARIMA(S))
其中,F表示母猪发情预测值,Normlized表示Z-score标准化,ARIMA(B)表示通过所述ARIMA差分整合移动平均自回归模型获取到的母猪拱背预测值,ARIMA(O)表示通过所述ARIMA差分整合移动平均自回归模型获取到的母猪阴部温度预测值,ARIMA(S)表示通过所述ARIMA差分整合移动平均自回归模型获取到的母猪声音强度预测值;
S4、响应于确定所述母猪发情预测值大于预设阈值,则判定母猪处于发情状态。
2.根据权利要求1所述的基于红外识别的母猪查情方法,其特征在于,在步骤S2中,利用ARIMA差分整合移动平均自回归模型分别获取母猪拱背预测值、母猪阴部温度预测值以及母猪声音强度预测值包括以下子步骤:
S21、确定所述计算所述ARIMA差分整合移动平均自回归模型的阶数,其中所述ARIMA差分整合移动平均自回归模型包括自回归(AR)部分、差分(I)部分和移动平均(MA)部分;
所述自回归(AR)部分的表达式为:
XAR(t)=c+Φ1X(t-1)+Φ2X(t-2)+...+ΦpX(t-p)+ε(t)
式中,XAR(t)表示当前母猪的观测值,X(t-i)表示过去的母猪观测值,X(t-p)表示考虑时间窗口长度为p,过去p时刻的母猪观测值,序列长度包含从t-1时刻到t-p时刻,Φ1,Φ2,...,Φp是所述ARIMA差分整合移动平均自回归模型的自回归系数,p表示自回归阶数,c是常数项,ε(t)是误差项;
所述差分(I)部分的表达式为:n阶差分X(t-n)-XI(t),其中XI(t)表示当前母猪的观测值,X(t-n)表示t-n时刻的观测值,n为大于等于0的自然数,对所述母猪拱背序列B、母猪阴部温度序列O以及母猪声音强度序列S分别进行d次差分,d表示差分阶数;
所述移动平均(MA)部分的表达式为:
XMA(t)=μ+θ1ε(t-1)+θ2ε(t-2)+...+θqε(t-q)
式中,XMA(t)表示当前母猪的观测值,ε(t-i)表示过去的误差项,i为1,2...q;ε(t-q)表示考虑时间窗口长度为q,过去q时刻的误差项,序列长度包含从t-1时刻到t-q时刻;θ1,θ2,...,θq是所述ARIMA差分整合移动平均自回归模型的移动平均系数,q表示移动平均阶数,μ是常数项;
S22、组合所述自回归(AR)部分、差分(I)部分和移动平均(MA)部分,构建ARIMA(p,d,q)差分整合移动平均自回归模型,其中,p表示自回归阶数,d表示差分阶数,q表示移动平均阶数,并且利用最小二乘法计算所述ARIMA(p,d,q)自回归积分滑动平均模型的参数;
S23、将所述母猪拱背序列B、母猪阴部温度序列O以及母猪声音强度序列S输入至所述ARIMA(p,d,q)差分整合移动平均自回归模型中,分别获得母猪拱背预测值、母猪阴部温度预测值以及母猪声音强度预测值。
3.根据权利要求1所述的基于红外识别的母猪查情方法,其特征在于,在步骤S4中,所述预设阈值为0.5,响应于确定所述母猪发情预测值大于0.5,则判定所述判定母猪处于发情状态。
4.根据权利要求1所述的基于红外识别的母猪查情方法,其特征在于,在步骤S1中,获取所述母猪拱背序列B包括以下子步骤:
S111、在母猪背部安装压力传感器,通过所述压力传感器采集母猪拱背数据;
S112、通过所述母猪拱背数据判断母猪是否处于发情期,响应于确定母猪处于发情期,则获取所述母猪的身体姿势图像;
S113、将所述母猪身体姿势图像输入至训练好的猪只图像分割模型中,获取所述母猪身体姿势图像中猪脊背线的弯曲程度,形成母猪拱背序列B。
5.根据权利要求1所述的基于红外识别的母猪查情方法,其特征在于,在步骤S1中,获取所述母猪阴部温度序列O包括以下子步骤:
S121、通过红外热像仪对母猪进行拍摄,获取母猪体部红外图像;
S122、训练母猪温度检测模型,对所述母猪体部红外图像中猪身的多个关键点进行标注获得母猪温度图像数据集,将所述母猪温度图像数据集输入至目标检测模型中,获得训练好的所述母猪温度检测模型;
S123、通过训练好的所述母猪温度检测模型对待测母猪体部红外图像进行检测,基于多个关键点估算出母猪阴部位置,获取所述母猪阴部温度序列O。
6.根据权利要求1所述的基于红外识别的母猪查情方法,其特征在于,在步骤S1中,获取所述母猪声音强度序列S包括以下子步骤:
S131、获取母猪声音信号;
S132、通过噪声抑制算法对所述母猪声音信号进行预处理,获得消除滤波后的母猪声音强度序列S。
7.一种基于红外识别的母猪查情系统,其特征在于,包括:
获取模块,配置于通过将母猪身体姿势图像输入猪只图像分割模型中获取母猪拱背序列B,将母猪体部红外图像输入母猪温度检测模型中获取母猪阴部温度序列O,以及基于噪声抑制算法获取母猪声音强度序列S;
预测模块,配置于基于所述母猪拱背序列B、母猪阴部温度序列O以及母猪声音强度序列S,利用ARIMA差分整合移动平均自回归模型分别获取母猪拱背预测值、母猪阴部温度预测值以及母猪声音强度预测值;
计算模块,配置于基于预先设定的权重对所述母猪拱背预测值、母猪阴部温度预测值以及母猪声音强度预测值进行加权计算,具体通过以下表达式计算获得母猪发情预测值:
F=0.2*Normlized(ARIMA(B))+0.4*Normlized(ARIMA(O))+0.4*Normlized(ARIMA(S))
其中,F表示母猪发情预测值,Normlized表示Z-score标准化,ARIMA(B)表示通过所述ARIMA差分整合移动平均自回归模型获取到的母猪拱背预测值,ARIMA(O)表示通过所述ARIMA差分整合移动平均自回归模型获取到的母猪阴部温度预测值,ARIMA(S)表示通过所述ARIMA差分整合移动平均自回归模型获取到的母猪声音强度预测值;
判断模块,配置于响应于确定所述母猪发情预测值大于预设阈值,则判定母猪处于发情状态。
8.一种终端设备,包括存储器、处理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,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述基于红外识别的母猪查情方法的步骤。
9.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于红外识别的母猪查情方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310729912.1A CN116439158B (zh) | 2023-06-20 | 2023-06-20 | 基于红外识别的母猪查情方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310729912.1A CN116439158B (zh) | 2023-06-20 | 2023-06-20 | 基于红外识别的母猪查情方法、系统、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116439158A CN116439158A (zh) | 2023-07-18 |
CN116439158B true CN116439158B (zh) | 2023-09-12 |
Family
ID=87122414
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310729912.1A Active CN116439158B (zh) | 2023-06-20 | 2023-06-20 | 基于红外识别的母猪查情方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116439158B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6405672B1 (en) * | 1996-06-14 | 2002-06-18 | Delaval International Ab | System and a method for monitoring the physical condition of a herd of livestock |
CN101472469A (zh) * | 2006-04-18 | 2009-07-01 | Iti苏格兰有限公司 | 用于监视家畜状况的方法及系统 |
CN101808593A (zh) * | 2007-05-09 | 2010-08-18 | S.A.E.阿菲金公司 | 预测产犊的方法和系统 |
CN103271727A (zh) * | 2013-05-28 | 2013-09-04 | 中国科学院合肥物质科学研究院 | 实现动物发情判断和健康状况分类的柔性传感设备和方法 |
CN109479750A (zh) * | 2018-08-27 | 2019-03-19 | 华中农业大学 | 一种基于声学信息的梅山猪发情监测方法 |
CN208708444U (zh) * | 2018-08-27 | 2019-04-09 | 华中农业大学 | 一种基于声学的母猪发情监测系统 |
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 |
CN110866481A (zh) * | 2019-11-07 | 2020-03-06 | 北京小龙潜行科技有限公司 | 一种母猪发情检测方法及装置 |
CN111985670A (zh) * | 2019-05-24 | 2020-11-24 | 中移(苏州)软件技术有限公司 | 一种水产养殖监控方法、装置及存储介质 |
JP2021101668A (ja) * | 2019-12-25 | 2021-07-15 | 国立研究開発法人農業・食品産業技術総合研究機構 | 発情診断システム、発情診断方法、及びプログラム、並びに個体識別システム |
KR102296501B1 (ko) * | 2020-11-30 | 2021-09-03 | 농업회사법인 지팜 유한회사 | 깊이 영상카메라 및 소리 센서를 활용한 모돈의 발정기 및 수정적기 판단 시스템 |
CN114616562A (zh) * | 2019-04-15 | 2022-06-10 | 运动数据试验室有限公司 | 动物数据预测系统 |
CN115048984A (zh) * | 2022-05-17 | 2022-09-13 | 天津农学院 | 一种基于深度学习的母猪发情声识别方法 |
CN115119766A (zh) * | 2022-06-16 | 2022-09-30 | 天津农学院 | 一种基于深度学习和红外热成像的母猪发情检测方法 |
CN114403043B (zh) * | 2021-12-20 | 2022-11-29 | 北京市农林科学院智能装备技术研究中心 | 一种母猪查情方法、装置及系统 |
CN115545248A (zh) * | 2021-06-29 | 2022-12-30 | 腾讯科技(深圳)有限公司 | 目标对象预测方法、装置、设备及介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20240051974A (ko) * | 2021-08-20 | 2024-04-22 | 그루페 로-메인 인코포레이티드 | 수정을 위한 동물의 발정 감지 |
-
2023
- 2023-06-20 CN CN202310729912.1A patent/CN116439158B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6405672B1 (en) * | 1996-06-14 | 2002-06-18 | Delaval International Ab | System and a method for monitoring the physical condition of a herd of livestock |
CN101472469A (zh) * | 2006-04-18 | 2009-07-01 | Iti苏格兰有限公司 | 用于监视家畜状况的方法及系统 |
CN101808593A (zh) * | 2007-05-09 | 2010-08-18 | S.A.E.阿菲金公司 | 预测产犊的方法和系统 |
CN103271727A (zh) * | 2013-05-28 | 2013-09-04 | 中国科学院合肥物质科学研究院 | 实现动物发情判断和健康状况分类的柔性传感设备和方法 |
CN109479750A (zh) * | 2018-08-27 | 2019-03-19 | 华中农业大学 | 一种基于声学信息的梅山猪发情监测方法 |
CN208708444U (zh) * | 2018-08-27 | 2019-04-09 | 华中农业大学 | 一种基于声学的母猪发情监测系统 |
CN114616562A (zh) * | 2019-04-15 | 2022-06-10 | 运动数据试验室有限公司 | 动物数据预测系统 |
CN111985670A (zh) * | 2019-05-24 | 2020-11-24 | 中移(苏州)软件技术有限公司 | 一种水产养殖监控方法、装置及存储介质 |
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 |
CN110866481A (zh) * | 2019-11-07 | 2020-03-06 | 北京小龙潜行科技有限公司 | 一种母猪发情检测方法及装置 |
JP2021101668A (ja) * | 2019-12-25 | 2021-07-15 | 国立研究開発法人農業・食品産業技術総合研究機構 | 発情診断システム、発情診断方法、及びプログラム、並びに個体識別システム |
KR102296501B1 (ko) * | 2020-11-30 | 2021-09-03 | 농업회사법인 지팜 유한회사 | 깊이 영상카메라 및 소리 센서를 활용한 모돈의 발정기 및 수정적기 판단 시스템 |
CN115545248A (zh) * | 2021-06-29 | 2022-12-30 | 腾讯科技(深圳)有限公司 | 目标对象预测方法、装置、设备及介质 |
CN114403043B (zh) * | 2021-12-20 | 2022-11-29 | 北京市农林科学院智能装备技术研究中心 | 一种母猪查情方法、装置及系统 |
CN115048984A (zh) * | 2022-05-17 | 2022-09-13 | 天津农学院 | 一种基于深度学习的母猪发情声识别方法 |
CN115119766A (zh) * | 2022-06-16 | 2022-09-30 | 天津农学院 | 一种基于深度学习和红外热成像的母猪发情检测方法 |
Non-Patent Citations (1)
Title |
---|
黑马程序员 编.《Python数据分析与应用 从数据获取到可视化》.北京:中国铁道出版社,2019,第206-207页. * |
Also Published As
Publication number | Publication date |
---|---|
CN116439158A (zh) | 2023-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200034739A1 (en) | Method and device for estimating user's physical condition | |
CN110363220B (zh) | 行为类别检测方法、装置、电子设备和计算机可读介质 | |
CN107767874B (zh) | 一种婴儿啼哭声识别提示方法及系统 | |
CN110246135B (zh) | 卵泡监测方法、装置、系统及存储介质 | |
CN112232977A (zh) | 水产品养殖评估方法、终端设备及存储介质 | |
US20230108389A1 (en) | Data processing method and apparatus, device and medium | |
CN110472673B (zh) | 参数调整方法、眼底图像处理方法、装置、介质及设备 | |
CN114155216A (zh) | 猪只温度检测方法及装置 | |
CN113827240B (zh) | 情绪分类方法和情绪分类模型的训练方法、装置及设备 | |
CN115187566A (zh) | 基于mra影像的颅内动脉瘤检测方法及装置 | |
WO2012121488A2 (ko) | 의료용 혈관영상 처리방법 | |
CN114549371A (zh) | 图像分析方法及装置 | |
CN116439158B (zh) | 基于红外识别的母猪查情方法、系统、设备及存储介质 | |
CN116452523A (zh) | 一种超声图像质量量化评价方法 | |
CN114639017A (zh) | 一种基于声音和体温的猪只健康监测方法及系统 | |
CN114332139A (zh) | 一种基于先验交互强化学习的胎儿超声图像脑部分割方法 | |
CN112053386A (zh) | 基于深度卷积特征自适应集成的目标跟踪方法 | |
CN115662447B (zh) | 一种基于多特征融合的测谎分析方法及装置 | |
CN112561912B (zh) | 一种基于先验知识的医学图像淋巴结检测方法 | |
CN117253096B (zh) | 手指自适应的健康指标监控方法、装置、设备及存储介质 | |
US11830624B2 (en) | System and method for determining data quality for cardiovascular parameter determination | |
KR102409611B1 (ko) | 열화상을 이용하는 거짓말 탐지 방법 | |
EP4193929A1 (en) | Ultrasound imaging of a fetus | |
US20220160260A1 (en) | System and method for measuring biomedical signal | |
CN109934149B (zh) | 用于输出信息的方法和装置 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231115 Address after: A1, Unit 1601, No. 50, Chengyi North Street, Phase III, Software Park, Jimei District, Xiamen, Fujian Province, 361000 Patentee after: Xiamen Nongxin Digital Technology Co.,Ltd. Patentee after: Beijing Nongxin Shuzhi Technology Co.,Ltd. Address before: A1, Unit 1601, No. 50, Chengyi North Street, Phase III, Software Park, Jimei District, Xiamen, Fujian Province, 361000 Patentee before: Xiamen Nongxin Digital Technology Co.,Ltd. |