CN116597377A - 牛养殖的智能监控管理方法及其系统 - Google Patents

牛养殖的智能监控管理方法及其系统 Download PDF

Info

Publication number
CN116597377A
CN116597377A CN202310526300.2A CN202310526300A CN116597377A CN 116597377 A CN116597377 A CN 116597377A CN 202310526300 A CN202310526300 A CN 202310526300A CN 116597377 A CN116597377 A CN 116597377A
Authority
CN
China
Prior art keywords
behavior
classification
feature vector
time sequence
cow
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310526300.2A
Other languages
English (en)
Inventor
陈如龙
张品东
扎米热阿·木拉提
张想峰
曹少奇
吾尼尔别克·巴合提汗
玛合帕丽·吐尔孙江
陈红
陈敬
高燕奇
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.)
Xinjiang Hanting Muyuan Breeding Technology Co ltd
Original Assignee
Xinjiang Hanting Muyuan Breeding Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xinjiang Hanting Muyuan Breeding Technology Co ltd filed Critical Xinjiang Hanting Muyuan Breeding Technology Co ltd
Priority to CN202310526300.2A priority Critical patent/CN116597377A/zh
Publication of CN116597377A publication Critical patent/CN116597377A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

公开了一种牛养殖的智能监控管理方法及其系统。其首先从牛对象的行为监控视频提取多个行为监控关键帧，接着，将所述多个行为监控关键帧通过基于卷积神经网络模型的牛行为特征提取器以得到多个行为状态特征向量，然后，将所述多个行为状态特征向量排列为牛行为时序特征向量，接着，将所述牛行为时序特征向量通过包含第一卷积层和第二卷积层的时序多尺度关联特征提取器以得到分类特征向量，然后，对所述分类特征向量进行高斯概率密度的流形曲面的基准线网化以得到优化分类特征向量，最后，将所述优化分类特征向量通过分类器以得到用于表示牛对象的行为是否正常的分类结果。这样，可以优化牛养殖的管理效率和质量。

Description

牛养殖的智能监控管理方法及其系统
技术领域
本申请涉及智能监控管理领域，且更为具体地，涉及一种牛养殖的智能监控管理方法及其系统。
背景技术
随着现代畜牧业的发展，养殖场规模化、信息化程度越来越高。传统的养殖方式往往需要人力耗时精力去观察、记录和分析养殖对象的行为，通过人工管理的方式容易出现错误且效率低下，因而传统的人工管理方式已经无法满足现代养殖业的需求。
因此，期望一种智能化的牛养殖的智能监控管理方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种牛养殖的智能监控管理方法及其系统。其首先从牛对象的行为监控视频提取多个行为监控关键帧，接着，将所述多个行为监控关键帧通过基于卷积神经网络模型的牛行为特征提取器以得到多个行为状态特征向量，然后，将所述多个行为状态特征向量排列为牛行为时序特征向量，接着，将所述牛行为时序特征向量通过包含第一卷积层和第二卷积层的时序多尺度关联特征提取器以得到分类特征向量，然后，对所述分类特征向量进行高斯概率密度的流形曲面的基准线网化以得到优化分类特征向量，最后，将所述优化分类特征向量通过分类器以得到用于表示牛对象的行为是否正常的分类结果。这样，可以优化牛养殖的管理效率和质量。
根据本申请的一个方面，提供了一种牛养殖的智能监控管理方法，其包括：
获取牛对象的行为监控视频；
从所述行为监控视频提取多个行为监控关键帧；
将所述多个行为监控关键帧通过基于卷积神经网络模型的牛行为特征提取器以得到多个行为状态特征向量；
将所述多个行为状态特征向量排列为牛行为时序特征向量；
将所述牛行为时序特征向量通过包含第一卷积层和第二卷积层的时序多尺度关联特征提取器以得到分类特征向量，其中，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核；
对所述分类特征向量进行高斯概率密度的流形曲面的基准线网化以得到优化分类特征向量；以及
将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示牛对象的行为是否正常。
在上述的牛养殖的智能监控管理方法中，将所述多个行为监控关键帧通过基于卷积神经网络模型的牛行为特征提取器以得到多个行为状态特征向量，包括：
使用所述牛行为特征提取器的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述牛行为特征提取器的最后一层输出所述多个行为状态特征向量，其中，所述牛行为特征提取器的第一层的输入为所述多个行为监控关键帧。
在上述的牛养殖的智能监控管理方法中，将所述牛行为时序特征向量通过包含第一卷积层和第二卷积层的时序多尺度关联特征提取器以得到分类特征向量，其中，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核，包括：
使用所述时序多尺度关联特征提取器的第一卷积层以具有第一长度的一维卷积核对所述牛行为时序特征向量进行一维卷积编码以得到第一尺度牛行为时序特征向量；
使用所述时序多尺度关联特征提取器的第二卷积层以具有第二长度的一维卷积核对所述牛行为时序特征向量进行一维卷积编码以得到第二尺度牛行为时序特征向量；以及
将所述第一尺度牛行为时序特征向量和所述第二尺度牛行为时序特征向量进行级联以得到所述分类特征向量。
在上述的牛养殖的智能监控管理方法中，对所述分类特征向量进行高斯概率密度的流形曲面的基准线网化以得到优化分类特征向量，包括：
以如下优化公式对所述分类特征向量进行高斯概率密度的流形曲面的基准线网化以得到所述优化分类特征向量；
其中，所述优化公式为：
其中，vi是所述分类特征向量的第i个位置的特征值，μ和σ是所述分类特征向量的各个位置特征值集合的均值和标准差，且v'i是所述优化分类特征向量的第i个位置的特征值。
在上述的牛养殖的智能监控管理方法中，将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示牛对象的行为是否正常，包括：
使用所述分类器的多个全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量；以及
将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一个方面，提供了一种牛养殖的智能监控管理系统，其包括：
视频获取模块，用于获取牛对象的行为监控视频；
关键帧提取模块，用于从所述行为监控视频提取多个行为监控关键帧；
牛行为特征提取模块，用于将所述多个行为监控关键帧通过基于卷积神经网络模型的牛行为特征提取器以得到多个行为状态特征向量；
排列模块，用于将所述多个行为状态特征向量排列为牛行为时序特征向量；
多尺度关联特征提取模块，用于将所述牛行为时序特征向量通过包含第一卷积层和第二卷积层的时序多尺度关联特征提取器以得到分类特征向量，其中，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核；
优化模块，用于对所述分类特征向量进行高斯概率密度的流形曲面的基准线网化以得到优化分类特征向量；以及
分类模块，用于将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示牛对象的行为是否正常。
在上述的牛养殖的智能监控管理系统中，所述牛行为特征提取模块，用于：
使用所述牛行为特征提取器的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述牛行为特征提取器的最后一层输出所述多个行为状态特征向量，其中，所述牛行为特征提取器的第一层的输入为所述多个行为监控关键帧。
在上述的牛养殖的智能监控管理系统中，所述多尺度关联特征提取模块，用于：
使用所述时序多尺度关联特征提取器的第一卷积层以具有第一长度的一维卷积核对所述牛行为时序特征向量进行一维卷积编码以得到第一尺度牛行为时序特征向量；
使用所述时序多尺度关联特征提取器的第二卷积层以具有第二长度的一维卷积核对所述牛行为时序特征向量进行一维卷积编码以得到第二尺度牛行为时序特征向量；以及
将所述第一尺度牛行为时序特征向量和所述第二尺度牛行为时序特征向量进行级联以得到所述分类特征向量。
在上述的牛养殖的智能监控管理系统中，所述优化模块，用于：
以如下优化公式对所述分类特征向量进行高斯概率密度的流形曲面的基准线网化以得到所述优化分类特征向量；
其中，所述优化公式为：
其中，vi是所述分类特征向量的第i个位置的特征值，μ和σ是所述分类特征向量的各个位置特征值集合的均值和标准差，且v'i是所述优化分类特征向量的第i个位置的特征值。
在上述的牛养殖的智能监控管理系统中，所述分类模块，用于：
使用所述分类器的多个全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量；以及
将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
与现有技术相比，本申请提供的牛养殖的智能监控管理方法及其系统，其首先从牛对象的行为监控视频提取多个行为监控关键帧，接着，将所述多个行为监控关键帧通过基于卷积神经网络模型的牛行为特征提取器以得到多个行为状态特征向量，然后，将所述多个行为状态特征向量排列为牛行为时序特征向量，接着，将所述牛行为时序特征向量通过包含第一卷积层和第二卷积层的时序多尺度关联特征提取器以得到分类特征向量，然后，对所述分类特征向量进行高斯概率密度的流形曲面的基准线网化以得到优化分类特征向量，最后，将所述优化分类特征向量通过分类器以得到用于表示牛对象的行为是否正常的分类结果。这样，可以优化牛养殖的管理效率和质量。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员而言，在没有做出创造性劳动的前提下，还可以根据这些附图获得其他的附图。以下附图并未刻意按实际尺寸等比例缩放绘制，重点在于示出本申请的主旨。
图1为根据本申请实施例的牛养殖的智能监控管理方法的应用场景图。
图2为根据本申请实施例的牛养殖的智能监控管理方法的流程图。
图3为根据本申请实施例的牛养殖的智能监控管理方法的架构示意图。
图4为根据本申请实施例的牛养殖的智能监控管理方法的子步骤S150的流程图。
图5为根据本申请实施例的牛养殖的智能监控管理方法的子步骤S170的流程图。
图6为根据本申请实施例的牛养殖的智能监控管理系统的框图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本申请的部分实施例，而不是全部的实施例。基于本申请实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，也属于本申请保护的范围。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
如上所述，传统的养殖方式往往需要人力耗时精力去观察、记录和分析养殖对象的行为，通过人工管理的方式容易出现错误且效率低下，因而传统的人工管理方式已经无法满足现代养殖业的需求。因此，期望一种智能化的牛养殖的智能监控管理方案。
具体地，在本申请的技术方案中，期望通过摄像头来采集牛对象的行为监控视频，并对所述行为监控视频进行分析以判断牛对象的行为特征是否正常，从而优化牛养殖的管理，提高养殖效率。相应地，考虑到由于所述牛对象的行为监控视频中存在有大量的信息量，而关于牛行为的语义信息在图像中为小尺度的隐含特征信息，并且每个牛的习惯不同导致其在时间维度上所表现出的行为不同，这对于牛行为的语义理解带来了困难，从而降低了对于牛对象的行为异常检测的精准度。因此，在此过程中，难点在于如何进行所述行为监控视频中关于牛对象的行为语义特征的充分表达，以此来实时监控牛的行为变化，以对于牛对象的行为异常性进行准确检测并预警，从而优化牛养殖的管理效率和质量。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述行为监控视频中关于牛对象的行为语义特征信息提供了新的解决思路和方案。
具体地，在本申请的技术方案中，首先，获取牛对象的行为监控视频。接着，考虑到在所述行为监控视频中，关于所述牛对象的行为语义特征可以通过所述行为监控视频中相邻监控帧之间的差分来表示，也就是，通过相邻图像帧的图像表征来表示所述牛对象的行为变化情况。但是，考虑到所述行为监控视频中相邻帧的差异较小，存在大量数据冗余，因此，为了降低计算量，且避免数据冗余给检测带来的不良影响，以预定采样频率对所述行为监控视频进行关键帧采样，以从所述行为监控视频提取多个行为监控关键帧。
然后，使用在图像的隐含特征提取方面具有优异表现的基于卷积神经网络模型的牛行为特征提取器来进行所述多个行为监控关键帧的特征提取，以此来提取出所述各个行为监控关键帧中关于牛对象的行为状态隐含特征分布信息，从而得到多个行为状态特征向量。
进一步地，考虑到由于所述牛对象的行为状态在时间维度上有着动态性的变化规律，也就是说，所述各个行为监控关键帧中的关于牛对象的行为状态隐含特征之间具有着时序关联关系，以表征所述牛对象的行为语义特征。并且，由于所述牛对象的行为状态在不同的时间周期跨度下具有着不同的语义理解特征信息。因此，为了能够对于所述牛对象的行为语义进行准确地理解，在本申请的技术方案中，在将所述多个行为状态特征向量排列为牛行为时序特征向量后，将所述牛行为时序特征向量通过包含第一卷积层和第二卷积层的时序多尺度关联特征提取器以得到分类特征向量。特别地，这里，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核，以此来提取出所述牛对象的行为状态特征在不同时间跨度下的时序多尺度行为语义关联特征信息，即所述牛对象的多尺度行为语义理解特征信息。
接着，进一步再将所述分类特征向量通过分类器中进行分类处理以得到分类结果，所述分类结果用于表示牛对象的行为是否正常。也就是，在本申请的技术方案中，所述分类器的标签包括牛对象的行为正常(第一标签)，以及，牛对象的行为不正常(第二标签)，其中，所述分类器通过软最大值函数来确定所述分类特征向量属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“牛对象的行为是否正常”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，牛对象的行为是否正常的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“牛对象的行为是否正常”的语言文本意义。应可以理解，在本申请的技术方案中，所述分类器的分类标签为牛对象的行为是否正常的评估检测标签，因此，在得到所述分类结果后，可基于所述分类结果来对于牛对象的行为异常性进行准确检测并预警，从而优化牛养殖的管理效率和质量。
特别地，在本申请的技术方案中，在所述多个行为监控关键帧通过基于卷积神经网络模型的牛行为特征提取器得到所述多个行为状态特征向量时，由于所述多个行为监控关键帧之间的图像语义差异，会导致所述多个行为状态特征向量在分类器的类概率表达上存在概率密度差异，因此导致直接将所述多个行为状态特征向量排列得到的所述牛行为时序特征向量的在分类器的类概率密度空间内的收敛性差。并且，考虑到包含第一卷积层和第二卷积层的时序多尺度关联特征提取器是对所述牛行为时序特征向量内的局部特征进行多尺度关联信息的提取，无法提升所述多个行为状态特征向量之间的整体相关度，因此所述分类特征向量在分类器的类概率密度空间内的收敛性也会较差，影响其通过分类器得到的分类结果的准确性。
因此，本申请的申请人对所述分类特征向量V进行高斯概率密度的流形曲面的基准线网化，具体表示为：
其中μ和σ是特征值集合vi∈V的均值和标准差，且v'i是优化后的所述分类特征向量的第i个位置的特征值。
这里，所述高斯概率密度的流形曲面的基准线网化以所述分类特征向量的高维特征集合的统计特性，即均值和标准差作为概率密度度量的基准锚点，通过沿着流形曲面的局部线性嵌入方向进行线网化，以获得局部概率密度极值的邻域网络的低维约束表达，从而通过重构流形曲面的概率密度表达来基于邻域分布地约束高维特征的局部分布的基于基准的相对空间位置关系，这样，就提升了所述分类特征向量的高维特征的类概率密度的空间收敛性，也就是，提升了所述分类特征向量在概率密度空间内的概率密度表达的一致性，改进了所述分类特征向量通过分类器得到的分类结果的准确性。这样，能够实时监控牛的行为变化，以对于牛对象的行为异常性进行准确检测并预警，从而优化牛养殖的管理效率和质量。
图1为根据本申请实施例的牛养殖的智能监控管理方法的应用场景图。如图1所示，在该应用场景中，首先，获取牛对象的行为监控视频(例如，图1中所示意的D)，然后，将所述行为监控视频输入至部署有牛养殖的智能监控管理算法的服务器中(例如，图1中所示意的S)，其中，所述服务器能够使用所述牛养殖的智能监控管理算法对所述行为监控视频进行处理以得到用于表示牛对象的行为是否正常的分类结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
图2为根据本申请实施例的牛养殖的智能监控管理方法的流程图。如图2所示，根据本申请实施例的牛养殖的智能监控管理方法，包括步骤：S110，获取牛对象的行为监控视频；S120，从所述行为监控视频提取多个行为监控关键帧；S130，将所述多个行为监控关键帧通过基于卷积神经网络模型的牛行为特征提取器以得到多个行为状态特征向量；S140，将所述多个行为状态特征向量排列为牛行为时序特征向量；S150，将所述牛行为时序特征向量通过包含第一卷积层和第二卷积层的时序多尺度关联特征提取器以得到分类特征向量，其中，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核；S160，对所述分类特征向量进行高斯概率密度的流形曲面的基准线网化以得到优化分类特征向量；以及，S170，将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示牛对象的行为是否正常。
图3为根据本申请实施例的牛养殖的智能监控管理方法的架构示意图。如图3所示，在该网络架构中，首先，获取牛对象的行为监控视频；接着，从所述行为监控视频提取多个行为监控关键帧；然后，将所述多个行为监控关键帧通过基于卷积神经网络模型的牛行为特征提取器以得到多个行为状态特征向量；接着，将所述多个行为状态特征向量排列为牛行为时序特征向量；然后，将所述牛行为时序特征向量通过包含第一卷积层和第二卷积层的时序多尺度关联特征提取器以得到分类特征向量，其中，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核；接着，对所述分类特征向量进行高斯概率密度的流形曲面的基准线网化以得到优化分类特征向量；最后，将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示牛对象的行为是否正常。
更具体地，在步骤S110中，获取牛对象的行为监控视频。可以通过摄像头来采集牛对象的行为监控视频，并对所述行为监控视频进行分析以判断牛对象的行为特征是否正常，从而优化牛养殖的管理，提高养殖效率。
更具体地，在步骤S120中，从所述行为监控视频提取多个行为监控关键帧。考虑到在所述行为监控视频中，关于所述牛对象的行为语义特征可以通过所述行为监控视频中相邻监控帧之间的差分来表示，也就是，通过相邻图像帧的图像表征来表示所述牛对象的行为变化情况。但是，考虑到所述行为监控视频中相邻帧的差异较小，存在大量数据冗余，因此，为了降低计算量，且避免数据冗余给检测带来的不良影响，以预定采样频率对所述行为监控视频进行关键帧采样，以从所述行为监控视频提取多个行为监控关键帧。
更具体地，在步骤S130中，将所述多个行为监控关键帧通过基于卷积神经网络模型的牛行为特征提取器以得到多个行为状态特征向量。使用在图像的隐含特征提取方面具有优异表现的基于卷积神经网络模型的牛行为特征提取器来进行所述多个行为监控关键帧的特征提取，以此来提取出所述各个行为监控关键帧中关于牛对象的行为状态隐含特征分布信息，从而得到多个行为状态特征向量。
应可以理解，卷积神经网络(Convolutional Neural Network，CNN)是一种人工神经网络，在图像识别等领域有着广泛的应用。卷积神经网络可以包括输入层、隐藏层和输出层，其中，隐藏层可以包括卷积层、池化(pooling)层、激活层和全连接层等，上一层根据输入的数据进行相应的运算，将运算结果输出给下一层，输入的初始数据经过多层的运算之后得到一个最终的结果。
相应地，在一个具体示例中，将所述多个行为监控关键帧通过基于卷积神经网络模型的牛行为特征提取器以得到多个行为状态特征向量，包括：使用所述牛行为特征提取器的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述牛行为特征提取器的最后一层输出所述多个行为状态特征向量，其中，所述牛行为特征提取器的第一层的输入为所述多个行为监控关键帧。
更具体地，在步骤S140中，将所述多个行为状态特征向量排列为牛行为时序特征向量。
考虑到由于所述牛对象的行为状态在时间维度上有着动态性的变化规律，也就是说，所述各个行为监控关键帧中的关于牛对象的行为状态隐含特征之间具有着时序关联关系，以表征所述牛对象的行为语义特征。并且，由于所述牛对象的行为状态在不同的时间周期跨度下具有着不同的语义理解特征信息。因此，为了能够对于所述牛对象的行为语义进行准确地理解，在本申请的技术方案中，在将所述多个行为状态特征向量排列为牛行为时序特征向量后，将所述牛行为时序特征向量通过包含第一卷积层和第二卷积层的时序多尺度关联特征提取器以得到分类特征向量。
更具体地，在步骤S150中，将所述牛行为时序特征向量通过包含第一卷积层和第二卷积层的时序多尺度关联特征提取器以得到分类特征向量，其中，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。
相应地，在一个具体示例中，如图4所示，将所述牛行为时序特征向量通过包含第一卷积层和第二卷积层的时序多尺度关联特征提取器以得到分类特征向量，其中，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核，包括：S151，使用所述时序多尺度关联特征提取器的第一卷积层以具有第一长度的一维卷积核对所述牛行为时序特征向量进行一维卷积编码以得到第一尺度牛行为时序特征向量；S152，使用所述时序多尺度关联特征提取器的第二卷积层以具有第二长度的一维卷积核对所述牛行为时序特征向量进行一维卷积编码以得到第二尺度牛行为时序特征向量；以及，S153，将所述第一尺度牛行为时序特征向量和所述第二尺度牛行为时序特征向量进行级联以得到所述分类特征向量。
更具体地，在步骤S160中，对所述分类特征向量进行高斯概率密度的流形曲面的基准线网化以得到优化分类特征向量。
特别地，在本申请的技术方案中，在所述多个行为监控关键帧通过基于卷积神经网络模型的牛行为特征提取器得到所述多个行为状态特征向量时，由于所述多个行为监控关键帧之间的图像语义差异，会导致所述多个行为状态特征向量在分类器的类概率表达上存在概率密度差异，因此导致直接将所述多个行为状态特征向量排列得到的所述牛行为时序特征向量的在分类器的类概率密度空间内的收敛性差。并且，考虑到包含第一卷积层和第二卷积层的时序多尺度关联特征提取器是对所述牛行为时序特征向量内的局部特征进行多尺度关联信息的提取，无法提升所述多个行为状态特征向量之间的整体相关度，因此所述分类特征向量在分类器的类概率密度空间内的收敛性也会较差，影响其通过分类器得到的分类结果的准确性。因此，本申请的申请人对所述分类特征向量进行高斯概率密度的流形曲面的基准线网化。
相应地，在一个具体示例中，对所述分类特征向量进行高斯概率密度的流形曲面的基准线网化以得到优化分类特征向量，包括：以如下优化公式对所述分类特征向量进行高斯概率密度的流形曲面的基准线网化以得到所述优化分类特征向量；其中，所述优化公式为：
其中，vi是所述分类特征向量的第i个位置的特征值，μ和σ是所述分类特征向量的各个位置特征值集合的均值和标准差，且v'i是所述优化分类特征向量的第i个位置的特征值。
这里，所述高斯概率密度的流形曲面的基准线网化以所述分类特征向量的高维特征集合的统计特性，即均值和标准差作为概率密度度量的基准锚点，通过沿着流形曲面的局部线性嵌入方向进行线网化，以获得局部概率密度极值的邻域网络的低维约束表达，从而通过重构流形曲面的概率密度表达来基于邻域分布地约束高维特征的局部分布的基于基准的相对空间位置关系，这样，就提升了所述分类特征向量的高维特征的类概率密度的空间收敛性，也就是，提升了所述分类特征向量在概率密度空间内的概率密度表达的一致性，改进了所述分类特征向量通过分类器得到的分类结果的准确性。这样，能够实时监控牛的行为变化，以对于牛对象的行为异常性进行准确检测并预警，从而优化牛养殖的管理效率和质量。
更具体地，在步骤S170中，将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示牛对象的行为是否正常。
在得到所述分类结果后，可基于所述分类结果来对于牛对象的行为异常性进行准确检测并预警，从而优化牛养殖的管理效率和质量。
应可以理解，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM等常用于解决二分类问题，对于多分类问题(multi-class classification)，同样也可以用逻辑回归或SVM，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有Softmax分类函数。
相应地，在一个具体示例中，如图5所示，将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示牛对象的行为是否正常，包括：S171，使用所述分类器的多个全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量；以及，S172，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上，基于本申请实施例的牛养殖的智能监控管理方法，其首先从牛对象的行为监控视频提取多个行为监控关键帧，接着，将所述多个行为监控关键帧通过基于卷积神经网络模型的牛行为特征提取器以得到多个行为状态特征向量，然后，将所述多个行为状态特征向量排列为牛行为时序特征向量，接着，将所述牛行为时序特征向量通过包含第一卷积层和第二卷积层的时序多尺度关联特征提取器以得到分类特征向量，然后，对所述分类特征向量进行高斯概率密度的流形曲面的基准线网化以得到优化分类特征向量，最后，将所述优化分类特征向量通过分类器以得到用于表示牛对象的行为是否正常的分类结果。这样，可以优化牛养殖的管理效率和质量。
图6为根据本申请实施例的牛养殖的智能监控管理系统100的框图。如图6所示，根据本申请实施例的牛养殖的智能监控管理系统100，包括：视频获取模块110，用于获取牛对象的行为监控视频；关键帧提取模块120，用于从所述行为监控视频提取多个行为监控关键帧；牛行为特征提取模块130，用于将所述多个行为监控关键帧通过基于卷积神经网络模型的牛行为特征提取器以得到多个行为状态特征向量；排列模块140，用于将所述多个行为状态特征向量排列为牛行为时序特征向量；多尺度关联特征提取模块150，用于将所述牛行为时序特征向量通过包含第一卷积层和第二卷积层的时序多尺度关联特征提取器以得到分类特征向量，其中，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核；优化模块160，用于对所述分类特征向量进行高斯概率密度的流形曲面的基准线网化以得到优化分类特征向量；以及，分类模块170，用于将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示牛对象的行为是否正常。
在一个示例中，在上述牛养殖的智能监控管理系统100中，所述牛行为特征提取模块130，用于：使用所述牛行为特征提取器的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述牛行为特征提取器的最后一层输出所述多个行为状态特征向量，其中，所述牛行为特征提取器的第一层的输入为所述多个行为监控关键帧。
在一个示例中，在上述牛养殖的智能监控管理系统100中，所述多尺度关联特征提取模块150，用于：使用所述时序多尺度关联特征提取器的第一卷积层以具有第一长度的一维卷积核对所述牛行为时序特征向量进行一维卷积编码以得到第一尺度牛行为时序特征向量；使用所述时序多尺度关联特征提取器的第二卷积层以具有第二长度的一维卷积核对所述牛行为时序特征向量进行一维卷积编码以得到第二尺度牛行为时序特征向量；以及，将所述第一尺度牛行为时序特征向量和所述第二尺度牛行为时序特征向量进行级联以得到所述分类特征向量。
在一个示例中，在上述牛养殖的智能监控管理系统100中，所述优化模块160，用于：以如下优化公式对所述分类特征向量进行高斯概率密度的流形曲面的基准线网化以得到所述优化分类特征向量；其中，所述优化公式为：
其中，vi是所述分类特征向量的第i个位置的特征值，μ和σ是所述分类特征向量的各个位置特征值集合的均值和标准差，且v'i是所述优化分类特征向量的第i个位置的特征值。
在一个示例中，在上述牛养殖的智能监控管理系统100中，所述分类模块170，用于：使用所述分类器的多个全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
这里，本领域技术人员可以理解，上述牛养殖的智能监控管理系统100中的各个模块的具体功能和操作已经在上面参考图1到图5的牛养殖的智能监控管理方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的牛养殖的智能监控管理系统100可以实现在各种无线终端中，例如具有牛养殖的智能监控管理算法的服务器等。在一个示例中，根据本申请实施例的牛养殖的智能监控管理系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该牛养殖的智能监控管理系统100可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该牛养殖的智能监控管理系统100同样可以是该无线终端的众多硬件模块之一。
替换地，在另一示例中，该牛养殖的智能监控管理系统100与该无线终端也可以是分立的设备，并且该牛养殖的智能监控管理系统100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。
根据本申请的另一方面，还提供了一种非易失性的计算机可读存储介质，其上存储有计算机可读的指令，当利用计算机执行所述指令时可以执行如前所述的方法。
技术中的程序部分可以被认为是以可执行的代码和/或相关数据的形式而存在的“产品”或“制品”，通过计算机可读的介质所参与或实现的。有形的、永久的储存介质可以包括任何计算机、处理器、或类似设备或相关的模块所用到的内存或存储器。例如，各种半导体存储器、磁带驱动器、磁盘驱动器或者类似任何能够为软件提供存储功能的设备。
所有软件或其中的一部分有时可能会通过网络进行通信，如互联网或其他通信网络。此类通信可以将软件从一个计算机设备或处理器加载到另一个。例如：从视频目标检测设备的一个服务器或主机计算机加载至一个计算机环境的硬件平台，或其他实现系统的计算机环境，或与提供目标检测所需要的信息相关的类似功能的系统。因此，另一种能够传递软件元素的介质也可以被用作局部设备之间的物理连接，例如光波、电波、电磁波等，通过电缆、光缆或者空气等实现传播。用来载波的物理介质如电缆、无线连接或光缆等类似设备，也可以被认为是承载软件的介质。在这里的用法除非限制了有形的“储存”介质，其他表示计算机或机器“可读介质”的术语都表示在处理器执行任何指令的过程中参与的介质。
本申请使用了特定词语来描述本申请的实施例。如“第一/第二实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
除非另有定义，这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。
上面是对本发明的说明，而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例，但本领域技术人员将容易地理解，在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此，所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解，上面是对本发明的说明，而不应被认为是限于所公开的特定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。

Claims (10)

1.一种牛养殖的智能监控管理方法，其特征在于，包括：
获取牛对象的行为监控视频；
从所述行为监控视频提取多个行为监控关键帧；
将所述多个行为监控关键帧通过基于卷积神经网络模型的牛行为特征提取器以得到多个行为状态特征向量；
将所述多个行为状态特征向量排列为牛行为时序特征向量；
将所述牛行为时序特征向量通过包含第一卷积层和第二卷积层的时序多尺度关联特征提取器以得到分类特征向量，其中，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核；
对所述分类特征向量进行高斯概率密度的流形曲面的基准线网化以得到优化分类特征向量；以及
将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示牛对象的行为是否正常。
2.根据权利要求1所述的牛养殖的智能监控管理方法，其特征在于，将所述多个行为监控关键帧通过基于卷积神经网络模型的牛行为特征提取器以得到多个行为状态特征向量，包括：
使用所述牛行为特征提取器的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述牛行为特征提取器的最后一层输出所述多个行为状态特征向量，其中，所述牛行为特征提取器的第一层的输入为所述多个行为监控关键帧。
3.根据权利要求2所述的牛养殖的智能监控管理方法，其特征在于，将所述牛行为时序特征向量通过包含第一卷积层和第二卷积层的时序多尺度关联特征提取器以得到分类特征向量，其中，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核，包括：
使用所述时序多尺度关联特征提取器的第一卷积层以具有第一长度的一维卷积核对所述牛行为时序特征向量进行一维卷积编码以得到第一尺度牛行为时序特征向量；
使用所述时序多尺度关联特征提取器的第二卷积层以具有第二长度的一维卷积核对所述牛行为时序特征向量进行一维卷积编码以得到第二尺度牛行为时序特征向量；以及
将所述第一尺度牛行为时序特征向量和所述第二尺度牛行为时序特征向量进行级联以得到所述分类特征向量。
4.根据权利要求3所述的牛养殖的智能监控管理方法，其特征在于，对所述分类特征向量进行高斯概率密度的流形曲面的基准线网化以得到优化分类特征向量，包括：
以如下优化公式对所述分类特征向量进行高斯概率密度的流形曲面的基准线网化以得到所述优化分类特征向量；
其中，所述优化公式为：
其中，vi是所述分类特征向量的第i个位置的特征值，μ和σ是所述分类特征向量的各个位置特征值集合的均值和标准差，且v'i是所述优化分类特征向量的第i个位置的特征值。
5.根据权利要求4所述的牛养殖的智能监控管理方法，其特征在于，将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示牛对象的行为是否正常，包括：
使用所述分类器的多个全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量；以及
将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
6.一种牛养殖的智能监控管理系统，其特征在于，包括：
视频获取模块，用于获取牛对象的行为监控视频；
关键帧提取模块，用于从所述行为监控视频提取多个行为监控关键帧；
牛行为特征提取模块，用于将所述多个行为监控关键帧通过基于卷积神经网络模型的牛行为特征提取器以得到多个行为状态特征向量；
排列模块，用于将所述多个行为状态特征向量排列为牛行为时序特征向量；
多尺度关联特征提取模块，用于将所述牛行为时序特征向量通过包含第一卷积层和第二卷积层的时序多尺度关联特征提取器以得到分类特征向量，其中，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核；
优化模块，用于对所述分类特征向量进行高斯概率密度的流形曲面的基准线网化以得到优化分类特征向量；以及
分类模块，用于将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示牛对象的行为是否正常。
7.根据权利要求6所述的牛养殖的智能监控管理系统，其特征在于，所述牛行为特征提取模块，用于：
使用所述牛行为特征提取器的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述牛行为特征提取器的最后一层输出所述多个行为状态特征向量，其中，所述牛行为特征提取器的第一层的输入为所述多个行为监控关键帧。
8.根据权利要求7所述的牛养殖的智能监控管理系统，其特征在于，所述多尺度关联特征提取模块，用于：
使用所述时序多尺度关联特征提取器的第一卷积层以具有第一长度的一维卷积核对所述牛行为时序特征向量进行一维卷积编码以得到第一尺度牛行为时序特征向量；
使用所述时序多尺度关联特征提取器的第二卷积层以具有第二长度的一维卷积核对所述牛行为时序特征向量进行一维卷积编码以得到第二尺度牛行为时序特征向量；以及
将所述第一尺度牛行为时序特征向量和所述第二尺度牛行为时序特征向量进行级联以得到所述分类特征向量。
9.根据权利要求8所述的牛养殖的智能监控管理系统，其特征在于，所述优化模块，用于：
以如下优化公式对所述分类特征向量进行高斯概率密度的流形曲面的基准线网化以得到所述优化分类特征向量；
其中，所述优化公式为：
其中，vi是所述分类特征向量的第i个位置的特征值，μ和σ是所述分类特征向量的各个位置特征值集合的均值和标准差，且v'i是所述优化分类特征向量的第i个位置的特征值。
10.根据权利要求9所述的牛养殖的智能监控管理系统，其特征在于，所述分类模块，用于：
使用所述分类器的多个全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量；以及
将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
CN202310526300.2A 2023-05-11 2023-05-11 牛养殖的智能监控管理方法及其系统 Pending CN116597377A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310526300.2A CN116597377A (zh) 2023-05-11 2023-05-11 牛养殖的智能监控管理方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310526300.2A CN116597377A (zh) 2023-05-11 2023-05-11 牛养殖的智能监控管理方法及其系统

Publications (1)

Publication Number Publication Date
CN116597377A true CN116597377A (zh) 2023-08-15

Family

ID=87605706

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310526300.2A Pending CN116597377A (zh) 2023-05-11 2023-05-11 牛养殖的智能监控管理方法及其系统

Country Status (1)

Country Link
CN (1) CN116597377A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117073768A (zh) * 2023-10-16 2023-11-17 吉林省牛人网络科技股份有限公司 肉牛养殖管理系统及其方法
CN117158904A (zh) * 2023-09-08 2023-12-05 上海市第四人民医院 基于行为分析的老年人认知障碍检测系统及方法
CN117577270A (zh) * 2024-01-15 2024-02-20 吉林大学 患者的智能化营养管理方法及系统
CN118195128A (zh) * 2024-02-05 2024-06-14 漳州建源电力工程有限公司 智慧充电站运维管理系统及方法
CN118212535A (zh) * 2024-05-17 2024-06-18 江西省林业科学院 湿地水生植物栽培管理系统及方法

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117158904A (zh) * 2023-09-08 2023-12-05 上海市第四人民医院 基于行为分析的老年人认知障碍检测系统及方法
CN117158904B (zh) * 2023-09-08 2024-05-24 上海市第四人民医院 基于行为分析的老年人认知障碍检测系统及方法
CN117073768A (zh) * 2023-10-16 2023-11-17 吉林省牛人网络科技股份有限公司 肉牛养殖管理系统及其方法
CN117073768B (zh) * 2023-10-16 2023-12-29 吉林省牛人网络科技股份有限公司 肉牛养殖管理系统及其方法
CN117577270A (zh) * 2024-01-15 2024-02-20 吉林大学 患者的智能化营养管理方法及系统
CN117577270B (zh) * 2024-01-15 2024-04-26 吉林大学 患者的智能化营养管理方法及系统
CN118195128A (zh) * 2024-02-05 2024-06-14 漳州建源电力工程有限公司 智慧充电站运维管理系统及方法
CN118212535A (zh) * 2024-05-17 2024-06-18 江西省林业科学院 湿地水生植物栽培管理系统及方法
CN118212535B (zh) * 2024-05-17 2024-08-27 江西省林业科学院 湿地水生植物栽培管理系统及方法

Similar Documents

Publication Publication Date Title
CN116597377A (zh) 牛养殖的智能监控管理方法及其系统
Mao et al. Toward data anomaly detection for automated structural health monitoring: Exploiting generative adversarial nets and autoencoders
Shafiabady et al. Using unsupervised clustering approach to train the Support Vector Machine for text classification
CN112598017A (zh) 用于对产品进行分类的系统和方法
CN111881671B (zh) 一种属性词提取方法
CN112232407B (zh) 病理图像样本的神经网络模型训练方法、装置
CN116596556A (zh) 肉牛追溯管理系统及方法
CN117155706B (zh) 网络异常行为检测方法及其系统
Shah et al. Abnormality detection using deep neural networks with robust quasi-norm autoencoding and semi-supervised learning
CN117578715A (zh) 一种电力运维智能监测预警方法、系统及存储介质
CN116824481B (zh) 基于图像识别的变电站巡检方法及其系统
CN116451139B (zh) 一种基于人工智能的直播数据快速分析方法
Jnawali et al. Automatic classification of radiological report for intracranial hemorrhage
CN117893839B (zh) 一种基于图注意力机制的多标记分类方法及系统
CN116310563A (zh) 一种贵金属库存的管理方法及系统
CN117123131A (zh) 石油助剂的生产设备及其方法
CN117676099B (zh) 基于物联网的安全预警方法及系统
CN117951646A (zh) 一种基于边缘云的数据融合方法及系统
CN116502899B (zh) 基于人工智能的风险评级模型生成方法、装置及存储介质
CN117333717A (zh) 基于网络信息技术的安全监控方法及系统
CN116563251A (zh) 汽车用拉杆球头的智能加工方法及其系统
CN116402777A (zh) 基于机器视觉的电力设备检测方法及系统
KR102589405B1 (ko) 의료 영상 기반의 병변 분석 방법
CN117219249B (zh) 基于智慧医疗数字化平台的设备定位管理系统
Gong et al. Research on facial recognition of sika deer based on vision transformer

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