CN116580828A - 一种猫健康的全自动感应识别的可视化监测方法 - Google Patents
一种猫健康的全自动感应识别的可视化监测方法 Download PDFInfo
- Publication number
- CN116580828A CN116580828A CN202310551842.5A CN202310551842A CN116580828A CN 116580828 A CN116580828 A CN 116580828A CN 202310551842 A CN202310551842 A CN 202310551842A CN 116580828 A CN116580828 A CN 116580828A
- Authority
- CN
- China
- Prior art keywords
- cat
- image
- health
- fecal
- iris
- 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
- 241000282326 Felis catus Species 0.000 title claims abstract description 220
- 230000036541 health Effects 0.000 title claims abstract description 98
- 238000012544 monitoring process Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000006698 induction Effects 0.000 title claims abstract description 33
- 230000000007 visual effect Effects 0.000 title claims abstract description 31
- 230000002550 fecal effect Effects 0.000 claims abstract description 59
- 210000003608 fece Anatomy 0.000 claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000005516 engineering process Methods 0.000 claims abstract description 8
- 230000009471 action Effects 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 29
- 238000001514 detection method Methods 0.000 claims description 26
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000006073 displacement reaction Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 230000002776 aggregation Effects 0.000 claims description 8
- 238000004220 aggregation Methods 0.000 claims description 8
- 230000003862 health status Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000005303 weighing Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000013872 defecation Effects 0.000 claims description 5
- 238000012806 monitoring device Methods 0.000 claims description 5
- 239000003086 colorant Substances 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 210000001747 pupil Anatomy 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 3
- 230000005251 gamma ray Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000001939 inductive effect Effects 0.000 claims description 2
- 229920000582 polyisocyanurate Polymers 0.000 description 16
- 239000004973 liquid crystal related substance Substances 0.000 description 6
- 238000005259 measurement Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000029142 excretion Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 150000002500 ions Chemical class 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- OAWXYINGQXLWOE-UHFFFAOYSA-N (2-acetyloxybenzoyl) 2-acetyloxybenzoate Chemical compound CC(=O)OC1=CC=CC=C1C(=O)OC(=O)C1=CC=CC=C1OC(C)=O OAWXYINGQXLWOE-UHFFFAOYSA-N 0.000 description 1
- RVCKCEDKBVEEHL-UHFFFAOYSA-N 2,3,4,5,6-pentachlorobenzyl alcohol Chemical compound OCC1=C(Cl)C(Cl)=C(Cl)C(Cl)=C1Cl RVCKCEDKBVEEHL-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000002390 adhesive tape Substances 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- WURFKUQACINBSI-UHFFFAOYSA-M ozonide Chemical compound [O]O[O-] WURFKUQACINBSI-UHFFFAOYSA-M 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001954 sterilising effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000002700 urine Anatomy 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
- A01K29/00—Other apparatus for animal husbandry
- A01K29/005—Monitoring or measuring activity, e.g. detecting heat or mating
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
- A01K1/00—Housing animals; Equipment therefor
- A01K1/01—Removal of dung or urine, e.g. from stables
- A01K1/0107—Cat trays; Dog urinals; Toilets for pets
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V8/00—Prospecting or detecting by optical means
- G01V8/10—Detecting, e.g. by using light barriers
-
- 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
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
-
- 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
- G06V10/48—Extraction of image or video features by mapping characteristic values of the pattern into a parameter space, e.g. Hough transformation
-
- 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
- G06V10/54—Extraction of image or video features relating to texture
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social 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
-
- 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
- G06V40/18—Eye characteristics, e.g. of the iris
- G06V40/193—Preprocessing; Feature extraction
-
- 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
- G06V40/18—Eye characteristics, e.g. of the iris
- G06V40/197—Matching; Classification
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/20—Analytics; Diagnosis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/30—Control
- G16Y40/35—Management of things, i.e. controlling in accordance with a policy or in order to achieve specified objectives
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Environmental Sciences (AREA)
- Public Health (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Ophthalmology & Optometry (AREA)
- Human Computer Interaction (AREA)
- Epidemiology (AREA)
- General Business, Economics & Management (AREA)
- Biodiversity & Conservation Biology (AREA)
- Animal Husbandry (AREA)
- Zoology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供了一种猫健康的全自动感应识别的可视化监测方法,包括:检测到有猫进入后,启动图像采集装置,采集到的第一图像通过虹膜识别技术对第一图像的虹膜纹理进行识别对猫的数量及各自身份;PIR上搭载计时装置通过光线追踪算法实现计时感应猫的行动轨迹,启动识别模型对猫健康进行监测,采集猫砂盆内滚筒的样本图像,针对粪便区域的像素点,将像素点数目最多的粪便标准色标记为该粪便区域图像的颜色得到若干粪便监测数据;调取猫的历史健康数据,与粪便监测数据对比,得出猫的健康数据值;将猫的健康数据值与预设范围对比,若低于预设范围,则发送信息至用户的移动终端进行提醒。
Description
技术领域
本发明涉及猫用品技术领域,特别涉及一种猫健康的全自动感应识别的可视化监测方法。
背景技术
近年来养猫的年轻人越来越多,对待猫就像对待孩子,但是白天又要上班,因此白天猫的起居就难以照料到;铲屎是养猫人在养猫的过程中感到最麻烦和体验感最差的事,为了解决铲屎的问题,出现了很多自动铲屎的猫盆;但是当主人离家时,依然无法了解到猫的情况。
在现有技术CN114793920A一种猫砂盆及猫猫健康的监测方法中,利用称重装置采集猫砂盆本体的重量,利用震动感应装置采集猫砂盆本体的震动信号,以根据重量确定宠物猫的排泄重量,根据震动信号确定宠物猫的排泄方式,对宠物猫的大小便进行区分,进一步根据排泄重量和排泄方式确定宠物猫的健康状态。
但是现有技术存在以下问题:
(1)只通过重量和振动感应来检测猫的健康,检测结果与实际结果相差较大;
(2)猫砂盆只能检测进入排便的猫的健康状况,但不能检测出是哪一只猫;
(3)养猫人无法远程查看猫砂盆和猫的状况。
为此本发明提出一种猫健康的全自动感应识别的可视化监测方法。
发明内容
本发明的目的是提供一种猫健康的全自动感应识别的可视化监测方法,旨在解决现有技术中的检测结果不符、无法远程查看状况的问题。
为实现上述目的,本发明提供如下技术方案:
本发明提供一种猫健康的全自动感应识别的可视化监测方法,包括:
S1:检测到有猫进入后,启动图像采集装置,采集到第一图像,通过虹膜识别技术对第一图像的虹膜纹理进行对猫的身份进行识别;
S11:启动PIR感应猫的行动轨迹,根据识别模型对猫健康进行监测,得到若干监测数据;
S2:调取猫的历史健康数据,与监测数据对比,得出猫的健康数据值;
S3:将猫的健康数据值与预设范围对比,若超出预设范围,则发送信息至用户的移动终端进行提醒。
进一步的,所述S1的步骤中,第一图像包括猫正脸照;通过对第一图像检测到的瞳孔图像进行灰度分析处理,建立灰度分析图;灰度分析图通过预设的比例范围从猫脸的矩形区域内框选眼部区域,创建并初始化区域因子:
创建区域因子:
Ai=randixi,yi,sizei,grayi
初始化区域因子:
其中randixi,yi表示虹膜的位置,sizei表示虹膜尺寸,grayi表示灰度值;位置点采取高斯分布的标准差δ=2,灰度值为区域因子的灰度累计和与像素总数的商;
初始化后的区域因子基于离散边缘点的最小二二乘法多项式拟合实现内边缘精确定位,取自适应直方图均衡化进行图像增强加强边缘对比度,使用霍夫变换在眼睛图像中检测出圆形,圆心坐标即为虹膜中心坐标;
以虹膜中心坐标将像素点划分区块并进行加权梯度值,从而获得加权直方图特征;对加权直方图特征计算外积张量序特征,根据外积张量序特征作为虹膜图像的虹膜纹理。
进一步的,所述的猫健康的全自动感应识别的可视化监测方法,所述根据外积张量序特征作为虹膜图像的虹膜纹理的步骤中,包括:
局部加权直方图特征为fz∈Rn×1,其中z表示空间坐标,R表示实数集,n表示元素的个数,fz是一个含有n个元素的实数向量,则外积张量Fz可以表示为:Fz=f(z)2,其中,Fz是一个n×n矩阵,d表示张量向量的维度,对于每个像素点的局部加权直方图特征都通过外积计算,得到一个向量级别的图像;每个像素点对应一个外积张量向量/>利用均值池化计算外积张量向量的高阶聚合信息;
令表示空间坐标z处的外积张量向量,γz表示以z为中心的一个矩形区域,那么高阶聚合信息可以表示为:
其中γz表示区域γz的像素点个数;
对高阶聚合信息取序得到二进制编码矩阵对于存在固定位移的两个区域Bz和Bz+t,其中Bz表示以z为中心高为h宽为w的图像区域,Bz+t表示相对z位移坐标t的另一块与B(z)尺寸相同的图像区域,这里两个区域位移向量t=4,2T,T为区域大小,外积张量序特征为二进制序特征时可以表示为:
其中biz表示外积张量向量bz的第i个编码,giz表示外积张量向量pz聚合后的向量表示形式;B(z)在选取的时候是重叠的,步长为2个像素,得到了整幅图像的外积张量序特征编码。
进一步的,所述的猫健康的全自动感应识别的可视化监测方法,所述得到了整幅图像的外积张量序特征编码的步骤后,包括:
将得到的外积张量序特征作为虹膜图像的虹膜纹理;使用汉明距离对虹膜图像的二进制编码矩阵进行匹配,在匹配过程中通过虹膜展开图像考虑对应特征点的有效性权重,得到匹配结果,从而判断猫和对应的身份。
进一步的,所述的猫健康的全自动感应识别的可视化监测方法,所述PIR搭载防干扰装置,防干扰装置包括计时装置与遮光装置,计时装置通过光线追踪算法实现计时,所述光线追踪算法可通过下式确定:
通过追踪光线持续时间曲线中的最大值T,当T大于或等于预设时间时,则证明有猫经过;若小于预设范围,则证明是光线误差照射;
其中,表示追踪光线持续时间曲线,a表示光线照射开始前,b表示光线照射后,N表示追踪光照取样点,ωo为观测方向,ωi为各个光线不同的入射方向,Lip,ωifrp,ωi,ωon.ωi表示追踪方向的时间,Lop,ω0表示观测时间平均值,pωi表示不同的观测方向。
进一步的,所述的猫健康的全自动感应识别的可视化监测方法,所述根据识别模型对猫健康进行监测的步骤中,包括,识别模型通过识别粪便颜色对猫健康进行监测;所述识别模型通过下方确定:
采集猫砂盆内滚筒的样本图像,样本图像颜色亮度差进行差分处理,提取出是否排便,若是,则识别出粪便区域;
针对粪便区域的每一个像素点,分别于粪便标准色进行基于RGB值、HSV值和/或Lab值的闵可夫斯基距离运算,并将闵可夫斯基距离最小的粪便标准色作为该像素点的粪便标准色;统计粪便区域图像中各种粪便标准色的像素点数目,将像素点数目最多的粪便标准色标记为该粪便区域图像的颜色;
进一步的,所述的猫健康的全自动感应识别的可视化监测方法,所述闵可夫斯基距离,包括:
D=DRGB+DLab+DHsv
DRGB表示RGB空间下的闵可夫斯基距离,DLab表示Lab空间下的闵可夫斯基距离,DHsv表示Hsv空间下的闵可夫斯基距离,IR、IG和IB分别为粪便区域图像在RGB空间下的各个份量值,LR、LG和LB分别为粪便标准色在RGB空间下的各个份量值,IL、Ia和Ib分别为粪便区域图像在Lab空间下的各个份量值,LL、La、Lb分别为粪便标准色在Lab空间下的各个份量值;γ1、γ2、γ3分别对应为Lab空间下的各个份量对应的权重系数;IH、IS、IV分别为粪便区域图像在HSV空间下的各个份量值;LH、LS、LV分别为粪便标准色在HSV空间下的各个份量值,ρ1、ρ2、ρ3分别对应为HSV空间下的各个份量对应的权重系数;D为三种空间下的闵可夫斯基距离之和。
进一步的,所述的猫健康的全自动感应识别的可视化监测方法,所述S3的步骤中,包括:调取猫的历史粪便颜色健康数据,与粪便颜色监测数据对比,得出粪便颜色差异;
一种猫健康的全自动感应识别的可视化监测装置,应用于所述猫健康的全自动感应识别的可视化监测方法,所述猫健康的全自动感应识别的可视化监测装置包括:
图像采集装置:用于进行采集第一图像;
检测模块:包括PIR与红外探测,用于检测猫的进出状况;
计算模块:用于根据猫的健康数据,计算出猫的健康状况;
臭氧模块:用于释放臭氧净化空气;
便仓抽屉:用于接收掉落的粪便;
称重模块:用于称量猫的体重。
一种计算机设备,包括处理器和存储器,所述存储器上存储有程序或指令,所述程序或指令被所述处理器执行时中任一项所述的猫健康的全自动感应识别的可视化监测方法的步骤。
本发明提供了一种猫健康的全自动感应识别的可视化监测方法,具有以下有益效果:
(1)通过在猫砂盆内一体化识别出的猫的身份、检测到有猫进入后,启动图像采集装置,采集到的第一图像通过虹膜识别技术对第一图像的虹膜纹理进行识别对猫的数量及各自身份;启动识别模型对猫健康进行监测,采集猫砂盆内滚筒的样本图像,针对粪便区域的每一个像素点,将像素点数目最多的粪便标准色标记为该粪便区域图像的颜色得到若干粪便监测数据;调取猫的历史健康数据,与粪便监测数据对比,得出猫的健康数据值;将猫的健康数据值与预设范围对比,若低于预设范围,则发送信息至用户的移动终端进行提醒;猫的健康数据进行分析处理并显示在猫砂盆的显示屏上,并实时将数据信息分享到用户终端APP上以便用户随时查看猫的状态,解决了用户无法实时了解猫的情况的问题,实现出门在外也能实时远程全自动感应识别可视化监测猫的健康状况;
(2)通过PIR与红外探测监控猫是否进出猫砂盆;PIR搭载的计时装置通过光线追踪算法实现计时,通过追踪光线持续时间曲线中的最大值T,当T大于或等于预设时间时,则证明有猫经过;若小于预设范围,则证明是光线误差照射当计时时间小于预设范围T时,证实无猫进入,此时滚筒工作继续,红外探测射出红外光线检测是否有遮挡从而返回至传感器中证实有猫进入,二者结合起来,大大实现检测的精度,避免误伤猫的情况发生;
(3)通过虹膜识别技术对第一图像的虹膜纹理进行对猫的数量及身份进行识别,以虹膜中心坐标将像素点划分区块并进行加权梯度值,从而获得加权直方图特征;对加权直方图特征计算外积张量序特征,根据外积张量序特征作为虹膜图像的虹膜纹理,将得到的外积张量序特征作为虹膜图像的虹膜纹理;使用汉明距离对虹膜图像的二进制编码矩阵进行匹配,在匹配过程中通过虹膜展开图像考虑对应特征点的有效性权重,得到匹配结果,从而判断猫和对应的身份,检测结果与实际结果更加贴切,通过聚类算法得出区域因子分布的类别,明确干扰因子的聚类中心,将此区域归排除继续生长和移动可能,使算法的收敛速度大大提升,准确性也得到一定提升。
附图说明
图1为本发明一实施例的猫健康的全自动感应识别的可视化监测方法的流程示意图;
本发明为目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
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的一部分实施例,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。
参考图1,为本发明提出的猫健康的全自动感应识别的可视化监测方法的流程示意图;
本发明所提供的猫健康的全自动感应识别的可视化监测方法,步骤包括:
S1:检测到有猫进入后,启动图像采集装置,采集到第一图像,通过虹膜识别技术对第一图像的虹膜纹理进行对猫的身份进行识别;
在具体实施例中,两组红外探测照射到猫砂盆门口,当猫推门进入门口时,启动图像采集装置,采集第一图像,第一图像包括检测猫的瞳孔,在红外探测中当有猫通过时,会阻断红外对管的接收,此时门口对射装置会产生中断通知主控单元,主控单元依据此信息可以确认有猫经过门口;通过虹膜识别技术对第一图像的虹膜纹理进行对猫的数量及身份进行识别,第一图像包括猫的眼睛;通过对第一图像检测到的瞳孔图像进行灰度分析处理,建立灰度分析图;灰度分析图通过预设的比例范围从猫脸的矩形区域内框选眼部区域,创建并初始化区域因子;
创建区域因子:Ai=randixi,yi,sizei,grayi,初始化区域因子:其中randixi,yi表示虹膜的位置,sizei表示虹膜尺寸,grayi表示灰度值;位置点采取高斯分布的标准差δ=2,灰度值为区域因子的灰度累计和与像素总数的商;初始化后的区域因子基于离散边缘点的最小二二乘法多项式拟合实现内边缘精确定位,取自适应直方图均衡化进行图像增强加强边缘对比度,定位区域图像采取自适应直方图均衡化进行图像增强加强边缘对比度,自适应阈值二值化图像采取开闭预算消除图像毛糙坑洞有可能是光斑造成的图像区域失真,根据邻域连通性删除干扰区域,边缘化曲线使用霍夫变换在眼睛图像中检测出圆形,使用霍夫变换在眼睛图像中检测出类圆心,圆形方程表达为x-a2+y-b2=r2,其中a,b为圆心坐标,r为圆的半径,则类圆心参数空间可以表示为a,b,r,图像中的一个圆对应参数空间中一个点;建立一个三维累加器组Sa,b,r,使a、b在取值范围内变化,解出满足类圆心的方程的r,每计算出一组a,b,r,令Sa,b,r=Sa,b,r+1,使Sa,b,r最大的参数a,b,r对应的圆形方程,即为所求圆的方程,从而完成眼睛图像椭圆形的检测;圆心坐标即为虹膜中心坐标;以虹膜中心坐标将像素点划分区块并进行加权梯度值,从而获得加权直方图特征;对加权直方图特征计算外积张量序特征,根据外积张量序特征作为虹膜图像的虹膜纹理,局部加权直方图特征为fz∈Rn×1,其中z表示空间坐标,R表示实数集,n表示元素的个数,fz是一个含有n个元素的实数向量,则外积张量Fz可以表示为:Fz=f(z)2,其中,Fz是一个n×n矩阵,/>d表示张量向量的维度,对于每个像素点的局部加权直方图特征都通过外积计算,得到一个向量级别的图像;每个像素点对应一个外积张量向量利用均值池化计算外积张量向量的高阶聚合信息;令/>表示空间坐标z处的外积张量向量,γz表示以z为中心的一个矩形区域,那么高阶聚合信息可以表示为:/> 其中γz表示区域γz的像素点个数;对高阶聚合信息取序得到二进制编码矩阵对于存在固定位移的两个区域Bz和Bz+t,其中Bz表示以z为中心高为h宽为w的图像区域,Bz+t表示相对z位移坐标t的另一块与B(z)尺寸相同的图像区域,这里两个区域位移向量t=4,2T,T为区域大小,外积张量序特征为二进制序特征时可以表示为:其中biz表示外积张量向量bz的第i个编码,giz表示外积张量向量pz聚合后的向量表示形式;B(z)在选取的时候是重叠的,步长为2个像素,得到了整幅图像的外积张量序特征编码;将得到的外积张量序特征作为虹膜图像的虹膜纹理;使用汉明距离对虹膜图像的二进制编码矩阵进行匹配,在匹配过程中通过虹膜展开图像考虑对应特征点的有效性权重,有效性权重通过纹理对比率得出的,此处对比率设置为0.6得到匹配结果,从而判断猫的数量及对应的身份;
S11:启动PIR感应猫的行动轨迹,根据识别模型对猫健康进行监测,得到若干监测数据;
在具体实施例中,启动PIR感应猫的行动轨迹,根据识别模型对猫健康进行监测,得到若干粪便监测数据;PIR发射检测角度为120°,PIR接收到猫进入盆内时身体辐射出的红外线,除了能检测走廊是否有猫的同时,还能检测滚筒是否在进行工作;PIR上搭载着防干扰装置;防干扰装置包括遮光装置和计时装置;遮光装置为遮光罩;计时装置通过光线追踪算法实现计时;通过追踪光线持续时间曲线中的最大值T,当T大于或等于预设时间时,则证明有猫经过;若小于预设范围,则证明是光线误差照射; 其中,/>表示追踪光线持续时间曲线,a表示光线照射开始前,b表示光线照射后,N表示追踪光照取样点,ωo为观测方向,ωi为各个光线不同的入射方向,Lip,ωifrp,ωi,ωon.ωi表示追踪方向的时间,Lop,ω0表示观测时间平均值,pωi表示不同的观测方向;采集猫砂盆内滚筒的样本图像,样本图像颜色亮度差进行差分处理,提取出是否排便,若是,则识别出粪便区域;针对粪便区域的每一个像素点,分别于粪便标准色进行基于RGB值、HSV值和/或Lab值的闵可夫斯基距离运算,并将闵可夫斯基距离最小的粪便标准色作为该像素点的粪便标准色;统计粪便区域图像中各种粪便标准色的像素点数目,将像素点数目最多的粪便标准色标记为该粪便区域图像的颜色;其中闵可夫斯基距离,包括:/>D=DRGB+DLab+DHsv;DRGB表示RGB空间下的闵可夫斯基距离,DLab表示Lab空间下的闵可夫斯基距离,DHsv表示Hsv空间下的闵可夫斯基距离,IR、IG和IB分别为粪便区域图像在RGB空间下的各个份量值,LR、LG和LB分别为粪便标准色在RGB空间下的各个份量值,IL、Ia和Ib分别为粪便区域图像在Lab空间下的各个份量值,LL、La、Lb分别为粪便标准色在Lab空间下的各个份量值;γ1、γ2、γ3分别对应为Lab空间下的各个份量对应的权重系数,取值范围为0.1、0.3、0.4;IH、IS、IV分别为粪便区域图像在HSV空间下的各个份量值;LH、LS、LV分别为粪便标准色在HSV空间下的各个份量值,ρ1、ρ2、ρ3分别对应为HSV空间下的各个份量对应的权重系数;取值范围为0.2、0.4、0.7,D为三种空间下的闵可夫斯基距离之和,Lab色彩模型,L表示明度,a表示从洋红色至绿色的范围,b表示从黄色至蓝色的范围值;
S2:调取猫的历史健康数据,与监测数据对比,得出猫的健康数据值;
在具体实施例中,设置一个显示屏放置于猫砂盆上方,搭载微型控制器MCU做运算量小的数据预处理工作,调取猫的历史健康数据,利用浮点运算能力与运算速度计算识别出猫的各个健康状况与粪便监测数据对比,得出猫的健康数据值。
S3:将猫的健康数据值与预设范围对比,若超出预设范围,则发送信息至用户的移动终端进行提醒;
在具体实施例中,将猫的健康数据值与预设范围对比,若低于预设范围,预设范围是指猫的健康数据正常范围,若猫的粪便颜色为黄色或黄棕色时,则为猫的数据正常值,若检测到猫粪便颜色出现异常,与预设范围颜色范围差别较大,则发送信息至用户的移动终端进行提醒远程控制主站,将猫的健康情况以显示通知信息或播放语音等方式实现提醒功能显示在屏幕上将宠物健康状况发送至移动终端,以使移动终端在接收到宠物健康状况后,可以实时提醒用户宠物的健康状况。
在实施例中,感应到猫进入滚筒时,获取猫砂盆滚筒的第二图像采集,通过识别第二图像数据从而确定猫的健康数据,采集到猫的健康数据包括猫的外形、粪便颜色、粪便形状的健康数据,还可以通过压力传感器获取猫的体重,通过多个维度的数据,提高了猫的健康状况数据,通过压力传感器测量出猫实际体重的样本数据的测量为其中,xi表示测量的体重,gi表示第i个压力感测单元的增益系数,增益系数衡量信号增加的程度;而偏载误差补偿网络为:/>其中ei表示第i路压力感测单元的测量误差,FX表示实际体重的样本数据,/>表示压力感测阵列输出函数的导数大于0,E表示偏载误差补偿网络的目标函数,N表示压力感测单位的总数量,xi表示测量的体重,根据压力感测阵列的非线性误差,获得压力感测阵列输入-输出特性曲线的单调呈现递增性;建立压力感测阵列非线性误差补偿的神经网络模型,构造神经网络训练的约束条件,采用构造三种基于导数约束的神经网络优化方法,推导出相应的训练算法,基于偏载误差补偿网络的体重测量模型创建训练目标函数,获取若干个压力感测阵列测量的体重与实际体重的样本数据,利用神经网络将样本数据输入训练目标函数进行训练优化;进行猫身份识别,多猫进入走廊时,先测量猫的总压力值,微型摄像头识别出猫的身长,所处位置判断哪个猫位于哪个位置,猫砂盆走廊下的压力传感器感知到哪个方位传来的压力值从而识别出哪只猫的体重值,从而精确测出走廊内每个猫的体重,当猫进入猫砂盆前,压力传感器首先测量猫砂盆内走廊的压力值,当猫进入猫砂盆后再次通过进行测量走廊内的压力值,通过二者的压力差可以计算出猫的实际体重。
在实施例中,本发明所提供的猫健康的全自动感应识别的可视化监测装置,包括:
计算模块:用于根据猫的健康数据,计算出猫的健康状况;
图像采集装置:用于采集第一图像与第二图像;
称重模块:用于称量猫的体重,包括压力传感器:压力传感器的感测阵列测量出压力值,感知到哪个方位传来的压力值基于压力值创建体重测量模型识别出哪只猫的体重值;
防干扰装置:包括遮光装置以及计时装置;遮光装置是指遮光单面胶带;
检测模块:包括一组PIR与两组红外探测;用于检测猫的进出状况;红外探测:当猫推门进入门口时,在红外探测中当有猫通过时,会阻断红外对管的接收,此时门口对射装置会产生中断通知主控单元,主控单元依据此信息可以确认有猫经过门口;PIR:发射检测角度为120°,搭载着防干扰装置;防干扰装置包括遮光装置和计时装置,除了能检测走廊是否有猫的同时,还能检测滚筒是否在进行工作;当猫推门进入光线照射进来时,光线驱动电压施加在液晶光阀上,液晶光阀控制计时装置,一旦光线折射进来驱动电压进行上电施加在液晶光阀上,液晶光阀被开启此刻计时装置也会随之启动,液晶光阀在计时装置上;当计时时间大于或等于预设范围时,证实有猫进入猫砂盆内,此时滚筒工作关闭;当计时时间小于预设范围时,证实无猫进入,此时滚筒工作继续;液晶光阀在计时装置上;
臭氧模块:用于自动释放臭氧净化空气,对猫砂盆内进行消毒灭菌、去除异味;
便仓抽屉:用于接收掉落的粪便并自动清洁,密封性较好;
猫从门口进入,猫砂桶有走廊以及滚筒两部分,猫砂盆内的走廊设置有两组红外探测、图像采集装置、一组PIR和压力传感器;PIR上搭载着防干扰装置;防干扰装置包括遮光装置和计时装置,计时装置通过光线追踪算法实现计时;通过追踪光线持续时间曲线中的最大值T,当T大于或等于预设时间时,则证明有猫经过;若小于预设范围,则证明是光线误差照射;当猫开始从门口推门时,两组红外探测以及PIR识别到猫进入门口,猫砂盆内走廊设置的图像采集装置获取猫砂盆中的第一图像,采集到的第一图像通过虹膜识别技术对第一图像的虹膜纹理进行识别对猫的数量及各自身份;走廊下藏有压力传感器;猫进入猫砂盆走廊时,走廊内的压力传感器的感测阵列测量出压力值,基于压力值创建体重测量模型,计算出猫的体重;猫在走廊玩耍或猫进入滚筒进行拉便便,此时滚筒不转动;采集猫砂盆内滚筒的样本图像,样本图像颜色亮度差进行差分处理,提取出是否排便,若是,则识别出粪便区域;针对粪便区域的每一个像素点,分别于粪便标准色进行基于RGB值、HSV值和Lab值的闵可夫斯基距离运算,并将闵可夫斯基距离最小的粪便标准色作为该像素点的粪便标准色;统计粪便区域图像中各种粪便标准色的像素点数目,将像素点数目最多的粪便标准色标记为该粪便区域图像的颜色,将猫的一系列健康数据传递以及身份识别传递到猫砂盆的计算模块中进行计算,调取猫的历史健康数据,与粪便监测数据对比,得出猫的健康数据值;将猫的健康数据值与预设范围对比,若低于预设粪便颜色范围或体重下降到2kg时,或两者都异常时,则发送信息至用户的移动终端进行提醒;当两组红外以及PIR检测猫出门口时,此时将猫砂桶的门关闭防止猫进入,确保门关好之后,滚筒开始转动起来清理猫便,臭氧发生模块为一个独立模块,包含臭氧负离子发生器支架、抽风风扇、臭氧负离子发生器和PCBA功能连接板;在臭氧模块外壳主体上留出两个方便手指拿取的空间能方便将模块安装在外壳主体的任意位置上或者方便取出整个模块以便清理,臭氧发生器进风口在猫砂盆外侧,出风口位于猫砂盆里侧,当风扇通电后开始抽风,风从进风口位置被抽进腔体内,把臭氧负离子发生器工作产生的臭氧从出风口吹出腔体外,同时臭氧模块内部装两块磁铁与外壳主体内磁铁相吸固定整个模块;便仓抽屉有两种状态,一种是拉出来滑动丝杆收拢状态,当把便仓抽屉拉开进,滑动丝杆收拢状态,磁吸扣结构把垃圾袋四个角压不动,通过滑动线杆收合,将垃圾袋收口;一种是抽屉推进去后,滑动丝杆打开状态,把垃圾袋放便仓抽屉时,滑动丝杆上的四个角有四个磁吸扣结构,把垃圾袋四个角压住,并用手把垃圾袋边整理到滑动丝杆周边空隙中。
综上所述,本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是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非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其它要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其它相关的技术领域,均同理包括在本发明的专利保护范围内。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种猫健康的全自动感应识别的可视化监测方法,其特征在于,包括:
S1:检测到有猫进入后,启动图像采集装置,采集到第一图像,通过虹膜识别技术对第一图像的虹膜纹理进行对猫的身份进行识别;
S11:启动PIR感应猫的行动轨迹,根据识别模型对猫健康进行监测,得到若干监测数据;
S2:调取猫的历史健康数据,与监测数据对比,得出猫的健康数据值;
S3:将猫的健康数据值与预设范围对比,若超出预设范围,则发送信息至用户的移动终端进行提醒。
2.根据权利要求1所述的猫健康的全自动感应识别的可视化监测方法,其特征在于,所述S1的步骤中,第一图像包括猫正脸照;通过对第一图像检测到的瞳孔图像进行灰度分析处理,建立灰度分析图;灰度分析图通过预设的比例范围从猫脸的矩形区域内框选眼部区域,创建并初始化区域因子:
创建区域因子:
Ai=(randi(xi,yi),sizei,grayi)
初始化区域因子:
其中randi(xi,yi)表示虹膜的位置,sizei表示虹膜尺寸,grayi表示灰度值;位置点采取高斯分布的标准差δ=2,灰度值为区域因子的灰度累计和与像素总数的商;
初始化后的区域因子基于离散边缘点的最小二二乘法多项式拟合实现内边缘精确定位,取自适应直方图均衡化进行图像增强加强边缘对比度,使用霍夫变换在眼睛图像中检测出圆形,圆心坐标即为虹膜中心坐标;
以虹膜中心坐标将像素点划分区块并进行加权梯度值,从而获得加权直方图特征;对加权直方图特征计算外积张量序特征,根据外积张量序特征作为虹膜图像的虹膜纹理。
3.根据权利要求2所述的猫健康的全自动感应识别的可视化监测方法,其特征在于,所述根据外积张量序特征作为虹膜图像的虹膜纹理的步骤中,包括:
局部加权直方图特征为f(z)∈Rn×1,其中z表示空间坐标,R表示实数集,n表示元素的个数,f(z)是一个含有n个元素的实数向量,则外积张量F(z)可以表示为:F(z)=f(z)2,其中,F(z)是一个n×n矩阵,d表示张量向量的维度,对于每个像素点的局部加权直方图特征都通过外积计算,得到一个向量级别的图像;每个像素点对应一个外积张量向量利用均值池化计算外积张量向量的高阶聚合信息;
令表示空间坐标z处的外积张量向量,γ(z)表示以z为中心的一个矩形区域,那么高阶聚合信息可以表示为:
其中|γ(z)|表示区域γ(z)的像素点个数;
对高阶聚合信息取序得到二进制编码矩阵对于存在固定位移的两个区域B(z)和B(z+t),其中B(z)表示以z为中心高为h宽为w的图像区域,B(z+t)表示相对z位移坐标t的另一块与B(z)尺寸相同的图像区域,这里两个区域位移向量t=[4,2]T,T为区域大小,外积张量序特征为二进制序特征时可以表示为
其中bi(z)表示外积张量向量b(z)的第i个编码,gi(z)表示外积张量向量p(z)聚合后的向量表示形式;B(z)在选取的时候是重叠的,步长为2个像素,得到了整幅图像的外积张量序特征编码。
4.根据权利要求3所述的猫健康的全自动感应识别的可视化监测方法,其特征在于,所述得到了整幅图像的外积张量序特征编码的步骤后,包括:
将得到的外积张量序特征作为虹膜图像的虹膜纹理;使用汉明距离对虹膜图像的二进制编码矩阵进行匹配,在匹配过程中通过虹膜展开图像考虑对应特征点的有效性权重,得到匹配结果,从而判断猫和对应的身份。
5.根据权利要求1所述的猫健康的全自动感应识别的可视化监测方法,其特征在于,所述PIR搭载防干扰装置,防干扰装置包括计时装置与遮光装置,计时装置通过光线追踪算法实现计时,所述光线追踪算法可通过下式确定:
通过追踪光线持续时间曲线中的最大值T,当T大于或等于预设时间时,则证明有猫经过;若小于预设范围,则证明是光线误差照射;
其中,表示追踪光线持续时间曲线,a表示光线照射开始前,b表示光线照射后,N表示追踪光照取样点,ωo为观测方向,ωi为各个光线不同的入射方向,Li(p,ωi)fr(p,ωi,ωo)(n.ωi)表示追踪方向的时间,Lo(p,ω0)表示观测时间平均值,p(ωi)表示不同的观测方向。
6.根据权利要求1所述的猫健康的全自动感应识别的可视化监测方法,其特征在于,所述根据识别模型对猫健康进行监测的步骤中,包括,识别模型通过识别粪便颜色对猫健康进行监测;所述识别模型通过下方确定:
采集猫砂盆内滚筒的样本图像,样本图像颜色亮度差进行差分处理,提取出是否排便,若是,则识别出粪便区域;
针对粪便区域的每一个像素点,分别于粪便标准色进行基于RGB值、HSV值和/或Lab值的闵可夫斯基距离运算,并将闵可夫斯基距离最小的粪便标准色作为该像素点的粪便标准色;统计粪便区域图像中各种粪便标准色的像素点数目,将像素点数目最多的粪便标准色标记为该粪便区域图像的颜色。
7.根据权利要求6所述的猫健康的全自动感应识别的可视化监测方法,其特征在于,所述闵可夫斯基距离,包括:
D=DRGB+DLab+DHsv
DRGB表示RGB空间下的闵可夫斯基距离,DLab表示Lab空间下的闵可夫斯基距离,DHsv表示Hsv空间下的闵可夫斯基距离,IR、IG和IB分别为粪便区域图像在RGB空间下的各个份量值,LR、LG和LB分别为粪便标准色在RGB空间下的各个份量值,IL、Ia和Ib分别为粪便区域图像在Lab空间下的各个份量值,LL、La、Lb分别为粪便标准色在Lab空间下的各个份量值;γ1、γ2、γ3分别对应为Lab空间下的各个份量对应的权重系数;IH、IS、IV分别为粪便区域图像在HSV空间下的各个份量值;LH、LS、LV分别为粪便标准色在HSV空间下的各个份量值,ρ1、ρ2、ρ3分别对应为HSV空间下的各个份量对应的权重系数;D为三种空间下的闵可夫斯基距离之和。
8.根据权利要求1所述的猫健康的全自动感应识别的可视化监测方法,其特征在于,所述S3的步骤中,包括:调取猫的历史粪便颜色健康数据,与粪便颜色监测数据对比,得出粪便颜色差异。
9.一种猫健康的全自动感应识别的可视化监测装置,其特征在于,应用于权利要求1-8任一项所述猫健康的全自动感应识别的可视化监测方法,所述猫健康的全自动感应识别的可视化监测装置包括:
图像采集装置:用于进行采集第一图像;
检测模块:包括PIR与红外探测,用于检测猫的进出状况;
计算模块:用于根据猫的健康数据,计算出猫的健康状况;
臭氧模块:用于释放臭氧净化空气;
便仓抽屉:用于接收掉落的粪便;
称重模块:用于称量猫的体重。
10.一种计算机设备,其特征在于,包括处理器和存储器,所述存储器上存储有程序或指令,所述程序或指令被所述处理器执行时实现如权利要求1-8中任一项所述的猫健康的全自动感应识别的可视化监测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310551842.5A CN116580828B (zh) | 2023-05-16 | 2023-05-16 | 一种猫健康的全自动感应识别的可视化监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310551842.5A CN116580828B (zh) | 2023-05-16 | 2023-05-16 | 一种猫健康的全自动感应识别的可视化监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116580828A true CN116580828A (zh) | 2023-08-11 |
CN116580828B CN116580828B (zh) | 2024-04-02 |
Family
ID=87539217
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310551842.5A Active CN116580828B (zh) | 2023-05-16 | 2023-05-16 | 一种猫健康的全自动感应识别的可视化监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116580828B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117373676A (zh) * | 2023-12-07 | 2024-01-09 | 成都大熊猫繁育研究基地 | 大熊猫健康评估方法、装置、系统、设备及存储介质 |
Citations (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040190759A1 (en) * | 2003-03-25 | 2004-09-30 | Caldwell Lloyd M. | Positive patient identification |
US20120179665A1 (en) * | 2011-01-07 | 2012-07-12 | Access Business Group International Llc | Health monitoring system |
US20120242501A1 (en) * | 2006-05-12 | 2012-09-27 | Bao Tran | Health monitoring appliance |
CN105426695A (zh) * | 2015-12-18 | 2016-03-23 | 北京铭光正讯科技有限公司 | 一种基于虹膜的健康状态检测系统及方法 |
CN105512490A (zh) * | 2015-12-18 | 2016-04-20 | 北京铭光正讯科技有限公司 | 一种基于虹膜信息检测健康的可穿戴设备 |
CN106463034A (zh) * | 2014-05-08 | 2017-02-22 | 泰科消防及安全有限公司 | 双检测器能力入侵检测系统和方法及其配置系统和方法 |
CN106651883A (zh) * | 2016-12-30 | 2017-05-10 | 四川沃文特生物技术有限公司 | 基于机器视觉的粪便形态识别方法 |
US20170248971A1 (en) * | 2014-11-12 | 2017-08-31 | SZ DJI Technology Co., Ltd. | Method for detecting target object, detection apparatus and robot |
CN206546593U (zh) * | 2016-07-06 | 2017-10-10 | 余正贤 | 生活垃圾智能分类回收云识别系统 |
CN107292242A (zh) * | 2017-05-31 | 2017-10-24 | 华为技术有限公司 | 一种虹膜识别方法和终端 |
CN107341498A (zh) * | 2017-05-22 | 2017-11-10 | 深圳市奇脉电子技术有限公司 | 一种基于cis的生物识别装置启动照明设备及启动方法 |
US20170365062A1 (en) * | 2016-06-17 | 2017-12-21 | Pixart Imaging Inc. | Method and pixel array for detecting motion information |
US9972187B1 (en) * | 2016-11-13 | 2018-05-15 | Agility4Life | Biomechanical parameter determination for emergency alerting and health assessment |
CN108109306A (zh) * | 2017-12-27 | 2018-06-01 | 中国电子科技集团公司第五十四研究所 | 一种低功耗红外和图像复合传感探测装置 |
US20180336694A1 (en) * | 2017-05-17 | 2018-11-22 | 4Sense, Inc. | System and Method for Passive Tracking Based on Color Features |
CN109326081A (zh) * | 2018-11-09 | 2019-02-12 | 复旦大学 | 基于物联网的老人家庭看护预警系统及健康状况评估方法 |
CN109887211A (zh) * | 2019-03-01 | 2019-06-14 | 深圳市安尼数字技术有限公司 | 人体侦测方法 |
CN110428008A (zh) * | 2019-08-02 | 2019-11-08 | 深圳市唯特视科技有限公司 | 一种基于多融合传感器的目标探测与识别装置和方法 |
US20200111335A1 (en) * | 2018-10-04 | 2020-04-09 | 9138-4529 Québec Inc. | Infrared motion sensing device and method |
CN111144207A (zh) * | 2019-11-21 | 2020-05-12 | 东南大学 | 一种基于多模态信息感知的人体检测和跟踪方法 |
WO2021068387A1 (zh) * | 2019-10-08 | 2021-04-15 | 梅州市青塘实业有限公司 | 一种非接触式生命体征检测装置及系统 |
CN113313223A (zh) * | 2021-06-29 | 2021-08-27 | 珠海市猎科电子有限公司 | 基于pir和rfid的动物活动轨迹记录方法及系统 |
US20220051399A1 (en) * | 2018-09-14 | 2022-02-17 | Health Partners Pte Ltd | Method and system for determining well-being indicators |
CN114694842A (zh) * | 2022-03-29 | 2022-07-01 | 深圳市优必选科技股份有限公司 | 宠物健康监测方法、装置、计算机设备及可读存储介质 |
CN114898443A (zh) * | 2022-06-06 | 2022-08-12 | 北京疯景科技有限公司 | 一种人脸数据获取方法及装置 |
CN115620241A (zh) * | 2022-12-15 | 2023-01-17 | 南京电力自动化设备三厂有限公司 | 基于图像处理的现场安全措施识别方法及装置 |
CN115641348A (zh) * | 2022-10-17 | 2023-01-24 | 沈阳化工大学 | 一种基于自定义区域因子确定眼睛瞳孔边缘方法 |
US20230051436A1 (en) * | 2021-08-12 | 2023-02-16 | Talal Ali Ahmad | Systems and methods for evaluating health outcomes |
-
2023
- 2023-05-16 CN CN202310551842.5A patent/CN116580828B/zh active Active
Patent Citations (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040190759A1 (en) * | 2003-03-25 | 2004-09-30 | Caldwell Lloyd M. | Positive patient identification |
US20120242501A1 (en) * | 2006-05-12 | 2012-09-27 | Bao Tran | Health monitoring appliance |
US20120179665A1 (en) * | 2011-01-07 | 2012-07-12 | Access Business Group International Llc | Health monitoring system |
CN106463034A (zh) * | 2014-05-08 | 2017-02-22 | 泰科消防及安全有限公司 | 双检测器能力入侵检测系统和方法及其配置系统和方法 |
US20170248971A1 (en) * | 2014-11-12 | 2017-08-31 | SZ DJI Technology Co., Ltd. | Method for detecting target object, detection apparatus and robot |
CN105426695A (zh) * | 2015-12-18 | 2016-03-23 | 北京铭光正讯科技有限公司 | 一种基于虹膜的健康状态检测系统及方法 |
CN105512490A (zh) * | 2015-12-18 | 2016-04-20 | 北京铭光正讯科技有限公司 | 一种基于虹膜信息检测健康的可穿戴设备 |
US20170365062A1 (en) * | 2016-06-17 | 2017-12-21 | Pixart Imaging Inc. | Method and pixel array for detecting motion information |
CN206546593U (zh) * | 2016-07-06 | 2017-10-10 | 余正贤 | 生活垃圾智能分类回收云识别系统 |
US9972187B1 (en) * | 2016-11-13 | 2018-05-15 | Agility4Life | Biomechanical parameter determination for emergency alerting and health assessment |
CN106651883A (zh) * | 2016-12-30 | 2017-05-10 | 四川沃文特生物技术有限公司 | 基于机器视觉的粪便形态识别方法 |
US20180336694A1 (en) * | 2017-05-17 | 2018-11-22 | 4Sense, Inc. | System and Method for Passive Tracking Based on Color Features |
CN107341498A (zh) * | 2017-05-22 | 2017-11-10 | 深圳市奇脉电子技术有限公司 | 一种基于cis的生物识别装置启动照明设备及启动方法 |
CN107292242A (zh) * | 2017-05-31 | 2017-10-24 | 华为技术有限公司 | 一种虹膜识别方法和终端 |
CN108109306A (zh) * | 2017-12-27 | 2018-06-01 | 中国电子科技集团公司第五十四研究所 | 一种低功耗红外和图像复合传感探测装置 |
US20220051399A1 (en) * | 2018-09-14 | 2022-02-17 | Health Partners Pte Ltd | Method and system for determining well-being indicators |
US20200111335A1 (en) * | 2018-10-04 | 2020-04-09 | 9138-4529 Québec Inc. | Infrared motion sensing device and method |
CN109326081A (zh) * | 2018-11-09 | 2019-02-12 | 复旦大学 | 基于物联网的老人家庭看护预警系统及健康状况评估方法 |
CN109887211A (zh) * | 2019-03-01 | 2019-06-14 | 深圳市安尼数字技术有限公司 | 人体侦测方法 |
CN110428008A (zh) * | 2019-08-02 | 2019-11-08 | 深圳市唯特视科技有限公司 | 一种基于多融合传感器的目标探测与识别装置和方法 |
WO2021068387A1 (zh) * | 2019-10-08 | 2021-04-15 | 梅州市青塘实业有限公司 | 一种非接触式生命体征检测装置及系统 |
CN111144207A (zh) * | 2019-11-21 | 2020-05-12 | 东南大学 | 一种基于多模态信息感知的人体检测和跟踪方法 |
CN113313223A (zh) * | 2021-06-29 | 2021-08-27 | 珠海市猎科电子有限公司 | 基于pir和rfid的动物活动轨迹记录方法及系统 |
US20230051436A1 (en) * | 2021-08-12 | 2023-02-16 | Talal Ali Ahmad | Systems and methods for evaluating health outcomes |
CN114694842A (zh) * | 2022-03-29 | 2022-07-01 | 深圳市优必选科技股份有限公司 | 宠物健康监测方法、装置、计算机设备及可读存储介质 |
CN114898443A (zh) * | 2022-06-06 | 2022-08-12 | 北京疯景科技有限公司 | 一种人脸数据获取方法及装置 |
CN115641348A (zh) * | 2022-10-17 | 2023-01-24 | 沈阳化工大学 | 一种基于自定义区域因子确定眼睛瞳孔边缘方法 |
CN115620241A (zh) * | 2022-12-15 | 2023-01-17 | 南京电力自动化设备三厂有限公司 | 基于图像处理的现场安全措施识别方法及装置 |
Non-Patent Citations (3)
Title |
---|
周梦;肖澜: "马尔可夫蒙特卡罗光线追踪算法研究", 信息系统工程, pages 151 - 152 * |
王子豪;田杰;魏玉宏;: "无线PIR的人体目标追踪方法研究综述", 传感器与微系统, no. 04, 20 April 2016 (2016-04-20), pages 8 - 14 * |
郝振兴: "红外探测与追踪的双机被动定位模型", 探测与控制学报, vol. 38, no. 1, 29 February 2016 (2016-02-29), pages 28 - 32 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117373676A (zh) * | 2023-12-07 | 2024-01-09 | 成都大熊猫繁育研究基地 | 大熊猫健康评估方法、装置、系统、设备及存储介质 |
CN117373676B (zh) * | 2023-12-07 | 2024-02-13 | 成都大熊猫繁育研究基地 | 大熊猫健康评估方法、装置、系统、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116580828B (zh) | 2024-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xudong et al. | Automatic recognition of dairy cow mastitis from thermal images by a deep learning detector | |
CN116580828B (zh) | 一种猫健康的全自动感应识别的可视化监测方法 | |
CN108222749B (zh) | 一种基于图像分析的智能自动门控制方法 | |
CN106682603B (zh) | 一种基于多源信息融合的实时驾驶员疲劳预警系统 | |
Hu et al. | Real-time nondestructive fish behavior detecting in mixed polyculture system using deep-learning and low-cost devices | |
CN106295124B (zh) | 多种图像检测技术综合分析基因子图相似概率量的方法 | |
US10388099B2 (en) | Paper currency fold recognition apparatus and method | |
US10725438B1 (en) | System and method for automated water operations for aquatic facilities using image-based machine learning | |
CN111724355B (zh) | 一种鲍鱼体型参数的图像测量方法 | |
CN105190191A (zh) | 节能供暖、通风、空调控制系统 | |
CN107229929A (zh) | 一种基于r‑cnn的车牌定位方法 | |
CN109711389B (zh) | 一种基于Faster R-CNN和HMM的哺乳母猪姿态转换识别方法 | |
CN102803991A (zh) | 物体检测设备 | |
CN111161214B (zh) | 一种基于双目视觉的猪只体重测量及饮水行为识别系统及方法 | |
CN108876822A (zh) | 一种行为危险度评估方法及家庭安防看护系统 | |
CN116340801B (zh) | 一种畜牧养殖环境数据异常智能监控方法 | |
CN111141653B (zh) | 一种基于神经网络的隧道渗漏速率预测方法 | |
CN102169631A (zh) | 基于流形学习的交通拥堵事件协同检测方法 | |
CN112850396A (zh) | 一种电梯异物检测方法、系统、计算机存储介质、电梯 | |
Noe et al. | Automatic detection and tracking of mounting behavior in cattle using a deep learning-based instance segmentation model | |
CN114916964B (zh) | 一种咽拭子采样有效性检测方法及自助式咽拭子采样方法 | |
Zambanini et al. | Detecting falls at homes using a network of low-resolution cameras | |
CN116342895A (zh) | 基于ai处理的提升再生资源分拣效率的方法及系统 | |
CN110309786B (zh) | 一种基于深度视频的哺乳母猪姿态转换识别方法 | |
CN114926772B (zh) | 一种咽拭子头部的跟踪与轨迹预测方法 |
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 |