CN117011804B - 高精度猪场栋舍盘估方法、系统、设备及存储介质 - Google Patents
高精度猪场栋舍盘估方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN117011804B CN117011804B CN202311264703.0A CN202311264703A CN117011804B CN 117011804 B CN117011804 B CN 117011804B CN 202311264703 A CN202311264703 A CN 202311264703A CN 117011804 B CN117011804 B CN 117011804B
- Authority
- CN
- China
- Prior art keywords
- pig
- pigs
- weight
- standing
- segmentation result
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 241000282887 Suidae Species 0.000 claims abstract description 124
- 230000011218 segmentation Effects 0.000 claims abstract description 78
- 238000004364 calculation method Methods 0.000 claims abstract description 31
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 238000013135 deep learning Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000004044 response Effects 0.000 claims description 27
- 238000004321 preservation Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 17
- 238000012937 correction Methods 0.000 claims description 13
- 241000251468 Actinopterygii Species 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 238000013145 classification model Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 5
- 238000012805 post-processing Methods 0.000 claims description 5
- 210000001364 upper extremity Anatomy 0.000 claims description 5
- 239000003086 colorant Substances 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 241000282898 Sus scrofa Species 0.000 description 226
- 238000004519 manufacturing process Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 13
- 238000001514 detection method Methods 0.000 description 12
- 230000000694 effects Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 5
- 230000037396 body weight Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000000474 nursing effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 241000668842 Lepidosaphes gloverii Species 0.000 description 1
- 206010049040 Weight fluctuation Diseases 0.000 description 1
- 230000003187 abdominal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种高精度猪场栋舍云盘估方法、系统、设备及存储介质，包括：获取鱼眼摄像头拍摄的猪场栋舍图片并进行预处理，将预处理图片输入至实例分割模型中，对实例分割结果进行矫正处理；使用深度学习算法获取猪只的数量，根据预设的优先级计算方法从实例分割结果中获得猪只的体长、体宽和重量；猪只的数量、体长、体宽和重量均以时间窗口形式处理；获取第一时长前到当前时间输出的第一猪只数量，获取第二时长前到当前时间输出的第二猪只数量，计算第一猪只数量和第二猪只数量的差的绝对值，若差的绝对值大于第二猪只数量的预设百分比值，则将猪只数量时间窗口缩小至当前时间点重新计算猪只数量。能够帮助规模化猪场降本增效。
Description
技术领域
本申请涉及猪场栋舍盘估技术领域，具体涉及一种高精度猪场栋舍盘估方法、系统、设备及存储介质。
背景技术
规模化养殖猪场中，一般来说具有“地广人稀”的特点，“地广”指规模化猪场一般占地面积庞大，管理相当多的猪只；“人稀”指综合成本、生物安全等多方面考量，猪场的工作人员相比猪场的生产面积来说非常稀少。面对规模猪场严格的生产管理制度，猪场工人每天的工作内容受限，在必要的生产活动外难有时间和精力照顾到猪场大量栋舍的详细生产状况。
鉴于此，本申请提出了一种高精度猪场栋舍盘估方法、系统、设备及存储介质，一方面可以进一步节约猪场生产成本，解放人力；另一方面利用算法可以让机器24小时不间断监控猪场生产状况，并进行及时分析，提高效率。
发明内容
为了解决现有技术难有时间和精力照顾到猪场大量栋舍的详细生产状况等问题，本申请提供一种高精度猪场栋舍盘估方法、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高精度猪场栋舍盘估方法，该方法包括以下步骤：
S1、获取鱼眼摄像头拍摄的猪场栋舍图片，对猪场栋舍图片进行预处理获得预处理图片，将预处理图片输入至实例分割模型中获得实例分割结果，并且对实例分割结果进行矫正处理；
S2、根据实例分割结果统计出猪只的数量，使用深度学习算法以及根据预设的优先级计算方法从实例分割结果中获得猪只的体长、体宽和重量；
S3、猪只的数量、体长、体宽和重量均以时间窗口的形式进行处理；其中，在猪只数量时间窗口中，按顺序遍历获取第一时长前到当前时间输出的第一猪只数量，以及获取第二时长前到当前时间输出的第二猪只数量，计算第一猪只数量和第二猪只数量的差的绝对值，响应于确定差的绝对值大于第二猪只数量的预设百分比值，则判定猪栏内发生实质变化，将猪只数量时间窗口缩小至当前时间点重新计算猪只数量。
通过上述技术方案，本申请能够应对栏位内进出猪的场景。如果仅仅设定一个简单的固定时间窗，那么在采取统计策略（如窗口内取平均）时可能会把进出猪之前的数据纳入统计，显然不合预期。在猪只数量的时间窗口调整策略上，比起直接相减，取差的绝对值可以综合考虑猪只“进出”栏位的情形，不管是进栏还是出栏，绝对值的反应是一致的。
在具体的实施例中，在步骤S3中，还包括：在猪只重量时间窗口中，响应于确定猪只的数量计算值连续出现N个以上的0，N为大于0的自然数，并且第N+1个数值不为0，则将猪只重量时间窗口缩小至第N+1个数值对应的时间点，获得新的猪只重量时间窗口，并将新的猪只重量时间窗口内的重量数值进行平均，获得最终的猪只重量。
通过上述技术方案，可以考虑到猪换栏的情况，以计数信息来判断是否出现新猪换栏是比较稳健的，换栏一般会先把之前的猪赶出去，一定会出现一段时间内计数为0，开始进新猪计数不为0，本申请通过寻找到这个时间点，舍弃所有旧猪的数据，重新开始获取新入栏猪的数据。
在具体的实施例中，在步骤S3中，还包括以下子步骤：
S31、分别使用efficientnet-b0网络训练有无保温灯二分类模型和有无猪只打堆二分类模型；
S32、将实例分割结果分别输入至有无保温灯二分类模型和有无保温灯二分类模型；
S32、响应于确定存在有保温灯或者有猪只打堆的其中一种情况，则猪只的数量、体长、体宽和重量的时间窗口均选取无保温灯集或无猪只打堆情况下最后时间点对应的数据。
由于保温灯影响和猪只打堆影响有多大是难以判断的，因此在存在保温灯或存在猪只打堆情况下进行的时间窗口分析是没有意义的，为节省计算资源，本申请放弃所有后处理直接取模型当前的输出即可。
在具体的实施例中，在步骤S1中，包括以下子步骤：
S11、通过鱼眼摄像头拍摄获得猪场栋舍图片；
S12、预先对猪场栋舍图片中猪只栏位水平地面上的四点进行标注，以及标注出经过四点的栏位下边沿多边形区域，去除猪场栋舍图片中栏位下边沿多边形区域的外部，获得预处理图片；
S13、将预处理图片输入至实例分割模型中获得实例分割结果，实例分割结果为猪只分割的多边形顶点坐标；
S14、对猪只分割的多边形顶点坐标进行鱼眼矫正和矩形矫正处理。
通过上述技术方案，能够将鱼眼摄像头拍摄搭到的畸变的猪场栋舍图片中的栏位四点等比例矫正回矩形。
在具体的实施例中，在步骤S14中，包括以下子步骤：
S141、使用鱼眼摄像头拍摄多幅黑白棋盘格图片，利用黑白棋盘格图片并调用鱼眼相机校正方法对鱼眼摄像头进行标定，获取标定参数；
S142、利用猪只分割的多边形顶点坐标和标定参数并调用鱼眼去畸变方法获取去鱼眼畸变的猪只分割的多边形顶点坐标；
S143、应用仿射变换对去鱼眼畸变的猪只分割的多边形顶点坐标进行矩形矫正。
在具体的实施例中，在步骤S2中，包括以下子步骤：
S21、根据实例分割结果统计出猪只的数量，使用深度学习算法将实例分割结果的猪只提取出来，进行站立猪只和趴卧猪只二分类，并且对站立猪只和趴卧猪只标注不同的颜色；
S22、根据预设的优先级计算方法从实例分割结果中获得猪只的体长、体宽和重量，预设的优先级计算方法按以下顺序执行：
S221、响应于确定中心区域存在站立猪只，则对中心区域内的站立猪只分别进行体长、体宽和重量的估计并取平均值；
S222、响应于确定中心区域不存在站立猪只，中心区域外的有效区域内存在站立猪只，则对中心区域外的有效区域内的站立猪只分别进行体长、体宽和重量的估计并取平均值；
S223、响应于确定有效区域无站立猪只，中心区域存在趴卧猪只，则对中心区域的趴卧猪只分别进行体长、体宽和重量的估计并取平均值；
S224、响应于确定有效区域无站立猪只，中心区域外的有效区域内存在趴卧猪只，则对中心区域外的有效区域内的趴卧猪只分别进行体长、体宽和重量的估计并取平均值。
本申请关于猪只体尺的计算模型是基于猪只站立情况的，本申请会优先选择站立猪只，因为趴卧会改变猪只体态。
在具体的实施例中，在步骤S2中，猪只的重量通过以下公式计算获得：
式中，表示猪只的物理尺寸，物理尺寸为猪只深度、猪只高度、猪只宽度、猪只总长度、猪只鼻子到肩膀长度、猪只前腿长度、猪头高度、猪只下颚长度或猪只鼻子到耳朵根距离；a、b表示实验系数，选择不同的物理尺寸，对应的实验系数不同；M表示猪只重量。
通过上述公式，能够简单有效地对猪只体尺和体重的关系进行建模。
第二方面，本申请提供了一种高精度猪场栋舍云盘估系统，该系统包括：
图片预处理模块，配置于获取鱼眼摄像头拍摄的猪场栋舍图片，对猪场栋舍图片进行预处理获得预处理图片，将预处理图片输入至实例分割模型中获得实例分割结果，并且对实例分割结果进行矫正处理；
数据推理模块，配置于根据实例分割结果统计出猪只的数量，使用深度学习算法以及根据预设的优先级计算方法从实例分割结果中获得猪只的体长、体宽和重量；
数据后处理模块，配置于猪只的数量、体长、体宽和重量均以时间窗口的形式进行处理；其中，在猪只数量时间窗口中，按顺序遍历获取第一时长前到当前时间输出的第一猪只数量，以及获取第二时长前到当前时间输出的第二猪只数量，计算第一猪只数量和第二猪只数量的差的绝对值，响应于确定差的绝对值大于第二猪只数量的预设百分比值，则判定猪栏内发生实质变化，将猪只数量时间窗口缩小至当前时间点重新计算猪只数量。
第三方面，本申请提供了一种终端设备，包括处理器、存储器以及存储在所述存储器内的计算机程序，所述计算机程序被所述处理器执行以实现如上述任意一项所述的高精度猪场栋舍云盘估方法的步骤。
第四方面，本申请提供了一种计算机可读存储介质，所述介质中存储有计算机程序，在所述计算机程序被处理器执行时，实施如上述任意一项所述的高精度猪场栋舍云盘估的步骤。
与现有技术相比，本发明的有益成果在于：
（1）本发明帮助规模化猪场实现“降本增效”，助力规模化猪场发展。一切计算在云端服务器，利用庞大的云计算资源完成全天24小时不间断推理，猪场不需要购买任何昂贵的边缘计算设备，只需要摄像头连网即可享受云端服务。
（2）本发明针对规模猪场的养殖痛点，提出一种详实的猪舍云盘估算方法，从猪场实际业务角度出发，有的放矢地设计了一整套算法流程，能够在业务实践中取得很好的效果。
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是根据本申请的高精度猪场栋舍云盘估方法的流程图；
图2是根据本申请的猪只栏位标注示意图；
图3是根据本申请的不同物理体尺对应的实验系数示意图；
图4是根据本申请的猪只正常站立体态下的各部位尺寸示意图；
图5是根据本申请的无猪只显示的时间窗口示意图；
图6是根据本申请的存在猪只的时间窗口示意图；
图7是根据本申请的高精度猪场栋舍云盘估系统的结构图；
图8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示出了本申请的高精度猪场栋舍云盘估方法的流程图，如图1所示，该方法包括以下步骤：
S1、获取鱼眼摄像头拍摄的猪场栋舍图片，对猪场栋舍图片进行预处理获得预处理图片，将预处理图片输入至实例分割模型中获得实例分割结果，并且对实例分割结果进行矫正处理，其中实例分割模型为MaskRcnn。
在本实施例中，包括以下子步骤：
S11、通过鱼眼摄像头拍摄获得猪场栋舍图片。
S12、预先对猪场栋舍图片中猪只栏位水平地面上的四点进行标注，以及标注出经过四点的栏位下边沿多边形区域。去除猪场栋舍图片中栏位下边沿多边形区域的外部，获得预处理图片。请参考图2，图2示出了本申请的猪只栏位标注示意图。每个栏位均需进行四点标注，四点标注的位置是猪只栏位水平地面上目标栏位的四角。栏位均为矩形区域，标注出矩形的物理长、宽，标注出栏位下边沿（地面）的多边形区域，该栏位下边沿多边形区域经过猪只栏位水平地面上的四点。
优选的，鱼眼摄像头设置在猪只栏位的中心区域，该中心区域是指以栏位四点的外接圆圆心为圆心，以栏位四点的外接圆半径的一半为半径的圆。中心区域处于镜头中心，畸变程度较小，执行后续的操作步骤时会优先考虑这一区域内的目标。
优选的，去除猪场栋舍图片中栏位下边沿多边形区域的外部可以采用将未去畸变的鱼眼图像栏位下边沿（地面）外部涂黑，以去掉外部区域。
S13、将预处理图片输入至实例分割模型中获得实例分割结果，实例分割结果为猪只分割的多边形顶点坐标。
S14、对猪只分割的多边形顶点坐标进行鱼眼矫正和矩形矫正处理，具体包括以下子步骤：
S141、使用鱼眼摄像头拍摄多幅黑白棋盘格图片，利用黑白棋盘格图片并调用鱼眼相机校正方法对鱼眼摄像头进行标定，获取标定参数。即使用棋盘格标定法，用安装到猪场的摄像头拍摄多幅黑白棋盘格，调用opencv软件库中的cv::fisheye::calibrate方法，输入上述拍摄的全部棋盘格图片，对安装到猪场的摄像头进行标定，输出得到标定参数若干。
S142、利用猪只分割的多边形顶点坐标和标定参数并调用鱼眼去畸变方法获取去鱼眼畸变的猪只分割的多边形顶点坐标。即调用opencv软件库中的方法cv::fisheye::distortPoints，输入猪只分割的多边形顶点坐标和标定得到的若干参数，输出去鱼眼畸变的猪只分割的多边形顶点坐标。
S143、应用仿射变换对去鱼眼畸变的猪只分割的多边形顶点坐标进行矩形矫正，目标是将猪只栏位四点等比例矫正回矩形。
应用仿射变换换进行矫正过程中，仿射变换换需要一组变换前后点的坐标（至少三个），再根据它们的对应关系对其他点进行变换。这组点选取之前标注的猪只栏位四点，固定栏位左上角和右上角的点（固定新矩形像素长），左下角和右下角的新像素坐标根据栏位实际的物理尺寸计算。
已知新矩形像素长、栏位物理长度、栏位物理宽度，根据上述比例公式求出新矩形像素宽，如此即可确定左下角和右下角的坐标。
再根据物理长度计算比例尺，计算表达式如下：
长比例尺和宽比例尺的单位均为米/像素。
继续参考图1，本申请提供的高精度猪场栋舍云盘估方法还包括以下步骤：
S2、根据实例分割结果统计出猪只的数量，使用深度学习算法以及根据预设的优先级计算方法从实例分割结果中获得猪只的体长、体宽和重量。实例分割是对猪只进行分割，可以类比目标检测。实例分割和目标检测的区别是，目标检测只会得到目标的检测框，而实例分割除了目标检测框，还能得到目标的掩膜（mask），通过这个掩膜进行其他的业务操作。通过实例分割统计出有效范围内的猪只数量（结果是目标检测的超集）。
在本实施例中，具体包括以下子步骤：
S21、根据实例分割结果统计出猪只的数量，使用深度学习算法将实例分割结果的猪只提取出来，进行站立猪只和趴卧猪只二分类，使用深度学习算法进行特征提取和分类，具体的，分类模型使用efficientnet-b0网络提取特征后分类。对站立的猪只标红色，趴卧的猪只标蓝色。
S22、根据预设的优先级计算方法从实例分割结果中获得猪只的体长、体宽和重量，预设的优先级计算方法按以下顺序执行：
S221、响应于确定中心区域存在站立猪只，则对中心区域内的站立猪只分别进行体长、体宽和重量的估计并取平均值；
S222、响应于确定中心区域不存在站立猪只，中心区域外的有效区域内存在站立猪只，则对中心区域外的有效区域内的站立猪只分别进行体长、体宽和重量的估计并取平均值；
S223、响应于确定有效区域无站立猪只，中心区域存在趴卧猪只，则对中心区域的趴卧猪只分别进行体长、体宽和重量的估计并取平均值；
S224、响应于确定有效区域无站立猪只，中心区域外的有效区域内存在趴卧猪只，则对中心区域外的有效区域内的趴卧猪只分别进行体长、体宽和重量的估计并取平均值。
本申请关于猪只体尺的计算模型是基于猪只站立情况的，故本申优先选取站立猪只进行计算，因为趴卧会改变猪只体态。而中心区域的畸变程度较小，数值可靠程度高，因此优先选择中心区域、站立的猪只进行体尺计算。应当理解的是，有效区域为步骤S12提到的经过栏位四点的栏位下边沿多边形区域。
在步骤S2的实施例中，猪只的重量通过以下公式计算获得：
式中，表示猪只的物理尺寸，物理尺寸为猪只深度、猪只高度、猪只宽度、猪只总长度、猪只鼻子到肩膀长度、猪只前腿长度、猪头高度、猪只下颚长度或猪只鼻子到耳朵根距离；a、b表示实验系数，图3示出了不同物理体尺对应的实验系数，如图3所示，选择不同的物理尺寸，对应的实验系数不同；M表示猪只重量。图3中的Dimension是上述公式中的Di，a、b是上述公式中对应表示的系数（本申请在计算过程中为简化问题都取均值）。
图4示出了猪只正常站立体态下的各部位尺寸示意图，猪只物理尺寸的单位为厘米。图中各个字母标号代表的含义如下：
L：猪只总长度；H：高度，水平地面到背部最高点；TL：鼻子到肩膀长度；D：深度，从腹部最低点到背部最高点；W：宽度，肩膀宽度；J：下颚长度；FL：前腿长度；HH：猪头高度，前腿前方的一点到头部最高点（在两个耳朵中间）的距离；F：鼻子到耳朵根距离。
图3中的表示建模时的决定系数，决定系数计算公式如下：
其中是残差平方和，表示所有数据点的观测值与预测值之间差异的平方和。残差平方和给出了模型未能解释的数据的方差量。假设对1-n共n个样本建模，残差平方和计算公式：
表示第i个样本的真实测量值，/>表示第i个样本的模型预测值。
是总平方和，表示所有数据点的观测值与平均值之间差异的平方和。总平方和给出了数据中的总方差量。计算公式如下：
表示第i个样本的真实测量值，/>表示全部n个样本的真实测量均值。
通过上述公式可以得到（决定系数）对猪只体尺估重模型的评判方法：/>是一个最大值为1的指标，越大说明模型效果越好。因为最好的情况显然是预测值完全等于真实值，此时/>为0、/>为1；当猪只体尺估重模型为最简单的平均值预测时，/>与/>相等，此时/>为0，这意味着当/>取值在(0,1]时，猪只体尺估重模型的效果好于平均值预测；当猪只体尺估重模型效果比平均值预测还差时，/>会大于/>，此时说明猪只体尺估重模型存在问题，比平均值预测还差的猪只体尺估重模型则应该是在建模的某些步骤出现错误。
根据上述对的理解，本申请根据表格中/>从大到小排序，得到猪只体尺估重的优先级：D>H>W>L>TL>FL>HH>J>F，这个优先级表示优先选择用于估重的体尺，保证估重的最高准确性。因为这些体尺囊括拍摄猪只的所有可能角度，可以保证摄像头内的猪只处于任何姿态，都可以计算出一个有效的估重数值。但是经过实验发现，体尺中的前四个体尺/>在0.95以上，符合本申请对高精度的要求，后面的体尺估重/>大幅下滑。故本申请优选的物理尺寸为猪只深度、猪只高度、猪只宽度或猪只总长度。猪只的体尺估重模型在返回猪只体重时，同样会返回计算使用的物理体尺符号，用于后续的数据后处理操作时筛选。本申请提供的猪只估重方法能够有效地兼顾估重的准确性和鲁棒性。
猪只的体长和体宽分别取上述体尺中的L和W，对满足计算条件的猪只使用深度学习算进行关键点检测，根据长、宽比例尺计算物理距离（两个关键点见物理距离计算方法：长的方向使用长比例尺计算物理长度，宽的方向使用宽比例尺计算物理长度，再使用两点间距离公式计算直角三角形斜边物理长度）。而体长、体重、体宽如无满足条件的计算数据则返回空值。
上述步骤S1以及步骤S2中，尽管输入的数据经过严格把控，但是获得的猪只数量、体长、体宽和体重结果仍然会出现波动较大的情况，有以下几点原因：
（1）栏内猪只存在全部活动到镜头边缘的情况：这种情况在喂食时尤为明显，食槽的位置一般在栏位边缘，猪只集中在边缘觅食时不出现在镜头下方区域。
（2）保育舍保温灯：保育舍有些出生不久的小猪需要保温灯，保温灯亮起时区域内会造成鱼眼图像过曝光，通过摄像头图像无法从视觉层面观察到保温灯下的小猪。
（3）夜晚猪舍关灯：出于生产需要，晚上一般会关灯让猪只更好的休息。此时尽摄像头会自动补光，图片的清晰度依然会收到很大影响，且图片会变成灰度图，猪舍关灯时灰度图检测效果明显差于开灯的时候彩色图检测效果。
（4）生产活动正常的栏位调整：实际生产中，饲养猪只的栏位有时会进行调整，把猪只赶进空栏或把猪从栏里赶出来。在换栏的过程中，数据推理服务也在实时运行，而换栏的中间过程并不是实际想要的数据，实际需要的是换栏完成后的数据信息。
为此，本申请提出了针对规模猪场猪舍盘估的独特算法逻辑，对步骤S2输出的猪只数量、体长、体宽和体重处理如下：
S3、猪只的数量、体长、体宽和重量均以时间窗口的形式进行处理。
并且只处理当前时间窗口内的彩色图，如果窗口内没有彩色图只有灰度图，则把所有灰度图数据当作彩色图数据处理。因为彩色图成像效果好，存在彩色图则只考虑彩色图，若没有彩色图才考虑灰度图。
在猪只数量时间窗口中，按顺序遍历获取第一时长前到当前时间输出的第一猪只数量，以及获取第二时长前到当前时间输出的第二猪只数量，计算第一猪只数量和第二猪只数量的差的绝对值，响应于确定差的绝对值大于第二猪只数量的预设百分比值，则判定猪栏内发生实质变化，将猪只数量时间窗口缩小至当前时间点重新计算猪只数量。
具体的，采取的猪只数量时间窗口调整策略为：先获取过去24小时的推理数据（即推理的猪只数量）作为窗口，从24小时前到当前时间顺序遍历图片计数，计算遍历到的图片中的猪只数量和它前面20分钟内的图片中的猪只数量的差的绝对值，如果该差的绝对值均大于等于遍历到的图片时间点前面20分钟内的图片对应猪只数量的40%，则认为栏位内数量发生实质变化，不属于算法波动，缩小窗口到遍历到的当前图片的时间点。
动态计数窗口设置的意义是为了应对栏位内进出猪场景，如果仅给定一个简单的固定时间窗，在采取统计策略（如窗口内取平均）时可能会把进出猪之前的数据纳入统计，这显然不合预期。在猪只数量时间窗口调整策略上，比起直接相减，取差的绝对值可以综合考虑猪只“进出”栏位的情形，不管是进栏还是出栏，绝对值的反应是一致的。
优选的，规定20分钟作为所述第二时长的时间阈值。时间加长算法反应时间也会加长；如果时间变短，可能还在赶猪过程中，如此报会出现错误（报赶猪到一半的猪只数量），据观察20分钟大体可以保证工人在栏位完成赶猪工作。这个时间阈值综合考虑了猪只出入栏的速度。
优选的，预设百分比值是原值（遍历到的图片前20分钟的猪只数量）的40%，该数值可以充分考虑摄像头安装的情况。因为鱼眼相机观察范围大，因此有一镜一栏和一镜两栏两种安装方式，对于一镜两栏的情况，需要考虑一栏不动另一栏出入猪的情况，猪场生产每个栏位放的猪只数量大致相同，本申请只简化考虑一个栏位全进全出的场景。40%的预设百分比值是在50%的基础上稍微减小的结果，可以让变化更加敏感。如果比例太大，可能出现赶出一部分猪只而窗口却没有发生变化，影响系统实时性；如果比例太小可能正常的猪只数量值波动被当成栏内数量的实质变化，这时候缩小窗口会影响窗口内数据的质量。故40%这个预设百分比值是兼顾实时性和准确性两方面因素经过实验得到的值。
在本实施例中，还包括：在猪只重量时间窗口中，响应于确定猪只的数量计算值连续出现N个以上的0，N为大于0的自然数，并且第N+1个数值不为0，则将猪只重量时间窗口缩小至第N+1个数值对应的时间点，获得新的猪只重量时间窗口，并将新的猪只重量时间窗口内的重量数值进行平均，获得最终的猪只重量。保育舍和育肥舍对猪只的估重部分都采用这个策略。可以考虑到猪换栏的情况，以计数信息来判断是否出现新猪换栏是比较稳健的，换栏一般会先把之前的猪赶出去，一定会出现一段时间内计数为0，开始进新猪计数不为0，本申请通过寻找到这个时间点，舍弃所有旧猪的数据，重新开始获取新入栏猪的数据。
在实际生产中，养殖猪场栋舍包括育肥舍和保育舍，育肥和保育分别是不同的生产场景，小猪在保育，饲喂到一定日龄转育肥。因此保育的对象是小猪，育肥的对象是是大猪。本申请为进一步提高猪场栋舍云盘估方法的精度，还提供了以下时间窗口调整策略：
优选的，育肥舍对步骤S3的猪只的数量、体长、体宽和重量各个时间窗口内的数据取众数，保育舍对各个时间按窗口内数据取第二大数。
考虑到育肥猪比较大，AI检测结果比较好的情况下取众数更加合理。保育存在大量打堆的情况，AI检测结果在绝大部分情形下是偏少的。小猪叠在一起遮挡非常严重，取大的数的意义在于：打堆时AI检测结果偏小，但是一天内一般存在不打堆的情况，此时AI检测可以提供类似育肥猪的准确结果，而此时的数据值在一天的计数结果中是偏大的。根据实际数据的大量分析，取第二大数和实际结果最为接近。
优选的，猪只的长度和宽度使用和猪只数量相同的时间窗口，将平均值作为时间窗口输出的数值。
优选的，如果猪只体重波动幅度超过预设幅度值时，则选取更长的时间窗口进行处理，例如取当前时间前五天作为时间窗口。而且，如果猪只的体重、体长和体宽的数据有空值，则选取上一次数值不为空的数据值。
保温灯和猪只打堆行情况会对推理的猪只体尺和数量的影响，本申请通过以下子步骤进行规避：
S31、分别使用efficientnet-b0网络训练有无保温灯二分类模型和有无猪只打堆二分类模型；
S32、将实例分割结果分别输入至有无保温灯二分类模型和有无保温灯二分类模型；
S32、响应于确定存在有保温灯或者有猪只打堆的其中一种情况，则猪只的数量、体长、体宽和重量的时间窗口均选取无保温灯集或无猪只打堆情况下最后时间点对应的数据。
因为保温灯影响和猪只打堆影响有多大是难以判断的，因此在存在保温灯或存在猪只打堆情况下进行的时间窗口分析是没有意义的，为节省计算资源，本申请放弃所有后处理直接选取当前的数值输出即可。
图5示出了本申请无猪只显示的时间窗口示意图，图6示出了存在猪只的时间窗口示意图，如图5、图6所示，时间窗口右栏会显示以下信息：项目、场地、栋舍分类、栋舍号、关联栏位、猪只数量、猪只体长、猪只体宽、猪只重量、采样时间和推理时间。
本申请提出的一种高精度猪场栋舍盘估方法，一方面可以进一步节约猪场生产成本，解放人力；另一方面利用算法可以让机器24小时不间断监控猪场生产状况，并进行及时分析，提高效率。此方法能够帮助规模化猪场实现“降本增效”，助力规模化猪场发展。此方法用“云”助力，一切计算在云端服务器，利用庞大的云计算资源完成全天24小时不间断推理，猪场不需要购买任何昂贵的边缘计算设备，只需要摄像头连网即可享受云端服务。
进一步参考图7，作为对上述方法的实现，本申请提供了高精度猪场栋舍云盘估系统700的一个实施例，该系统实施例与图1所示的方法实施例相对应，该系统具体可以应用于各种电子设备中。该系统700包括以下模块：
图片预处理模块710，配置于获取鱼眼摄像头拍摄的猪场栋舍图片，对猪场栋舍图片进行预处理获得预处理图片，将预处理图片输入至实例分割模型中获得实例分割结果，并且对实例分割结果进行矫正处理；
数据推理模块720，配置于使用深度学习算法获取猪只的数量，以及根据预设的优先级计算方法从实例分割结果中获得猪只的体长、体宽和重量；
数据后处理模块730，配置于猪只的数量、体长、体宽和重量均以时间窗口的形式进行处理；其中，在猪只数量时间窗口中，按顺序遍历获取第一时长前到当前时间输出的第一猪只数量，以及获取第二时长前到当前时间输出的第二猪只数量，计算第一猪只数量和第二猪只数量的差的绝对值，响应于确定差的绝对值大于第二猪只数量的预设百分比值，则判定猪栏内发生实质变化，将猪只数量时间窗口缩小至当前时间点重新计算猪只数量。
第三方面，本申请提供了一种终端设备，包括处理器、存储器以及存储在所述存储器内的计算机程序，所述计算机程序被所述处理器执行以实现如上述任意一项所述的高精度猪场栋舍云盘估方法的步骤。
第四方面，本申请提供了一种计算机可读存储介质，所述介质中存储有计算机程序，在所述计算机程序被处理器执行时，实施如上述任意一项所述的高精度猪场栋舍云盘估的步骤。
下面参考图8，其示出了适于用来实现本申请实施例的电子设备的计算机系统800的结构示意图。图8示出的电子设备仅仅是一个示例，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8所示，计算机系统800包括中央处理单元（CPU）801，其可以根据存储在只读存储器（ROM）802中的程序或者从存储部分808加载到随机访问存储器（RAM）803中的程序而执行各种适当的动作和处理。在RAM 803中，还存储有计算机系统800操作所需的各种程序和数据。CPU 801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出（I/O）接口805也连接至总线804。
以下部件连接至I/O接口805：包括键盘、鼠标等的输入部分806；包括诸如液晶显示器（LCD）等以及扬声器等的输出部分807；包括硬盘等的存储部分808；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809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811，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810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808。
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809从网络上被下载和安装，和/或从可拆卸介质811被安装。在该计算机程序被中央处理单元（CPU）801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存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储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，计算机可读存储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存储介质以外的任何计算机可读存储介质，该计算机可读存储介质可以发送、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。计算机可读存储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)
1.一种高精度猪场栋舍云盘估方法，其特征在于，包括以下步骤：
S1、获取鱼眼摄像头拍摄的猪场栋舍图片，对所述猪场栋舍图片进行预处理获得预处理图片，将所述预处理图片输入至实例分割模型中获得实例分割结果，并且对所述实例分割结果进行矫正处理；
S2、根据所述实例分割结果统计出猪只的数量，使用深度学习算法以及根据预设的优先级计算方法从所述实例分割结果中获得猪只的体长、体宽和重量；
在步骤S2中，包括以下子步骤：
S21、根据所述实例分割结果统计出猪只的数量，使用深度学习算法将所述实例分割结果的猪只提取出来，进行站立猪只和趴卧猪只二分类，并且对所述站立猪只和所述趴卧猪只标注不同的颜色；
S22、根据预设的优先级计算方法从所述实例分割结果中获得猪只的体长、体宽和重量，所述预设的优先级计算方法按以下顺序执行：
S221、响应于确定中心区域存在所述站立猪只，则对所述中心区域内的站立猪只分别进行体长、体宽和重量的估计并取平均值；
S222、响应于确定中心区域不存在所述站立猪只，中心区域外的有效区域内存在所述站立猪只，则对中心区域外的有效区域内的站立猪只分别进行体长、体宽和重量的估计并取平均值；
S223、响应于确定有效区域无所述站立猪只，中心区域存在趴卧猪只，则对中心区域的趴卧猪只分别进行体长、体宽和重量的估计并取平均值；
S224、响应于确定有效区域无站立猪只，中心区域外的有效区域内存在趴卧猪只，则对中心区域外的有效区域内的趴卧猪只分别进行体长、体宽和重量的估计并取平均值；
S3、所述猪只的数量、体长、体宽和重量均以时间窗口的形式进行处理；其中，在猪只数量时间窗口中，按顺序遍历获取第一时长前到当前时间输出的第一猪只数量，以及获取第二时长前到当前时间输出的第二猪只数量，计算所述第一猪只数量和所述第二猪只数量的差的绝对值，响应于确定所述差的绝对值大于所述第二猪只数量的预设百分比值，则判定猪栏内发生实质变化，将所述猪只数量时间窗口缩小至当前时间点重新计算猪只数量。
2.根据权利要求1所述的高精度猪场栋舍云盘估方法，其特征在于，在步骤S3中，还包括：在猪只重量时间窗口中，响应于确定猪只的数量计算值连续出现N个以上的0，N为大于0的自然数，并且第N+1个数值不为0，则将所述猪只重量时间窗口缩小至第N+1个数值对应的时间点，获得新的猪只重量时间窗口，并将所述新的猪只重量时间窗口内的重量数值进行平均，获得最终的猪只重量。
3.根据权利要求1所述的高精度猪场栋舍云盘估方法，其特征在于，在步骤S3中，还包括以下子步骤：
S31、分别使用efficientnet-b0网络训练有无保温灯二分类模型和有无猪只打堆二分类模型；
S32、将所述实例分割结果分别输入至所述有无保温灯二分类模型和所述有无保温灯二分类模型；
S32、响应于确定存在有保温灯或者有猪只打堆的其中一种情况，则所述猪只的数量、体长、体宽和重量的时间窗口均选取无保温灯集或无猪只打堆情况下最后时间点对应的数据。
4.根据权利要求1所述的高精度猪场栋舍云盘估方法，其特征在于，在步骤S1中，包括以下子步骤：
S11、通过所述鱼眼摄像头拍摄获得猪场栋舍图片；
S12、预先对所述猪场栋舍图片中猪只栏位水平地面上的四点进行标注，以及标注出经过所述四点的栏位下边沿多边形区域，去除所述猪场栋舍图片中所述栏位下边沿多边形区域的外部，获得预处理图片；
S13、将所述预处理图片输入至实例分割模型中获得实例分割结果，所述实例分割结果为猪只分割的多边形顶点坐标；
S14、对所述猪只分割的多边形顶点坐标进行鱼眼矫正和矩形矫正处理。
5.根据权利要求4所述的高精度猪场栋舍云盘估方法，其特征在于，在步骤S14中，包括以下子步骤：
S141、使用所述鱼眼摄像头拍摄多幅黑白棋盘格图片，利用所述黑白棋盘格图片并调用鱼眼相机校正方法对所述鱼眼摄像头进行标定，获取标定参数；
S142、利用所述猪只分割的多边形顶点坐标和所述标定参数并调用鱼眼去畸变方法获取去鱼眼畸变的猪只分割的多边形顶点坐标；
S143、应用仿射变换对所述去鱼眼畸变的猪只分割的多边形顶点坐标进行矩形矫正。
6.根据权利要求1所述的高精度猪场栋舍云盘估方法，其特征在于，在步骤S2中，所述猪只的重量通过以下公式计算获得：
式中，表示猪只的物理尺寸，所述物理尺寸为猪只深度、猪只高度、猪只宽度、猪只总长度、猪只鼻子到肩膀长度、猪只前腿长度、猪头高度、猪只下颚长度或猪只鼻子到耳朵根距离；a、b表示实验系数，选择不同的物理尺寸，对应的实验系数不同；M表示猪只重量。
7.一种高精度猪场栋舍云盘估系统，其特征在于，所述系统包括：
图片预处理模块，配置于获取鱼眼摄像头拍摄的猪场栋舍图片，对所述猪场栋舍图片进行预处理获得预处理图片，将所述预处理图片输入至实例分割模型中获得实例分割结果，并且对所述实例分割结果进行矫正处理；
数据推理模块，配置于根据所述实例分割结果统计出猪只的数量，使用深度学习算法以及根据预设的优先级计算方法从所述实例分割结果中获得猪只的体长、体宽和重量；
所述数据推理模块包括以下子步骤：
S21、根据所述实例分割结果统计出猪只的数量，使用深度学习算法将所述实例分割结果的猪只提取出来，进行站立猪只和趴卧猪只二分类，并且对所述站立猪只和所述趴卧猪只标注不同的颜色；
S22、根据预设的优先级计算方法从所述实例分割结果中获得猪只的体长、体宽和重量，所述预设的优先级计算方法按以下顺序执行：
S221、响应于确定中心区域存在所述站立猪只，则对所述中心区域内的站立猪只分别进行体长、体宽和重量的估计并取平均值；
S222、响应于确定中心区域不存在所述站立猪只，中心区域外的有效区域内存在所述站立猪只，则对中心区域外的有效区域内的站立猪只分别进行体长、体宽和重量的估计并取平均值；
S223、响应于确定有效区域无所述站立猪只，中心区域存在趴卧猪只，则对中心区域的趴卧猪只分别进行体长、体宽和重量的估计并取平均值；
S224、响应于确定有效区域无站立猪只，中心区域外的有效区域内存在趴卧猪只，则对中心区域外的有效区域内的趴卧猪只分别进行体长、体宽和重量的估计并取平均值；
数据后处理模块，配置于所述猪只的数量、体长、体宽和重量均以时间窗口的形式进行处理；其中，在猪只数量时间窗口中，按顺序遍历获取第一时长前到当前时间输出的第一猪只数量，以及获取第二时长前到当前时间输出的第二猪只数量，计算所述第一猪只数量和所述第二猪只数量的差的绝对值，响应于确定所述差的绝对值大于所述第二猪只数量的预设百分比值，则判定猪栏内发生实质变化，将所述猪只数量时间窗口缩小至当前时间点重新计算猪只数量。
8.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器内的计算机程序，所述计算机程序被所述处理器执行以实现如权利要求1至6中任意一项所述的高精度猪场栋舍云盘估方法的步骤。
9.一种计算机可读存储介质，所述介质中存储有计算机程序，在所述计算机程序被处理器执行时，实施如权利要求1至6中任意一项所述的高精度猪场栋舍云盘估方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311264703.0A CN117011804B (zh) | 2023-09-28 | 2023-09-28 | 高精度猪场栋舍盘估方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311264703.0A CN117011804B (zh) | 2023-09-28 | 2023-09-28 | 高精度猪场栋舍盘估方法、系统、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117011804A CN117011804A (zh) | 2023-11-07 |
| CN117011804B true CN117011804B (zh) | 2023-12-26 |
Family
ID=88572983
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311264703.0A Active CN117011804B (zh) | 2023-09-28 | 2023-09-28 | 高精度猪场栋舍盘估方法、系统、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117011804B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111369378A (zh) * | 2020-02-25 | 2020-07-03 | 成都睿畜电子科技有限公司 | 一种基于计算机视觉识别的生猪监管方法及系统 |
| CN113516071A (zh) * | 2021-07-08 | 2021-10-19 | 深圳喜为智慧科技有限公司 | 一种猪只估重方法 |
| CN113537064A (zh) * | 2021-07-16 | 2021-10-22 | 河南牧原智能科技有限公司 | 一种弱差猪自动检测标记方法和系统 |
| US11210624B1 (en) * | 2018-09-18 | 2021-12-28 | Amazon Technologies, Inc. | Method and system for determining quantity predictions |
| CN114550069A (zh) * | 2022-03-01 | 2022-05-27 | 华南农业大学 | 一种基于深度学习的仔猪乳头计数方法 |
| CN114683301A (zh) * | 2022-03-22 | 2022-07-01 | 四川正狐智慧科技有限公司 | 一种养猪场用巡检机器人、机器人系统及系统的工作方法 |
| CN115644085A (zh) * | 2022-11-11 | 2023-01-31 | 福建永诚农牧科技集团有限公司 | 一种优质种猪育种装置及育种方法 |
| WO2023121317A1 (ko) * | 2021-12-21 | 2023-06-29 | 파이프트리스마트팜 주식회사 | 양계 데이터 처리 방법 및 장치 |
| CN116763295A (zh) * | 2023-08-11 | 2023-09-19 | 北京市农林科学院智能装备技术研究中心 | 牲畜体尺测量方法、电子设备及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113920453A (zh) * | 2021-10-13 | 2022-01-11 | 华南农业大学 | 一种基于深度学习的猪只体尺体重估测方法 |
-
2023
- 2023-09-28 CN CN202311264703.0A patent/CN117011804B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11210624B1 (en) * | 2018-09-18 | 2021-12-28 | Amazon Technologies, Inc. | Method and system for determining quantity predictions |
| CN111369378A (zh) * | 2020-02-25 | 2020-07-03 | 成都睿畜电子科技有限公司 | 一种基于计算机视觉识别的生猪监管方法及系统 |
| CN113516071A (zh) * | 2021-07-08 | 2021-10-19 | 深圳喜为智慧科技有限公司 | 一种猪只估重方法 |
| CN113537064A (zh) * | 2021-07-16 | 2021-10-22 | 河南牧原智能科技有限公司 | 一种弱差猪自动检测标记方法和系统 |
| WO2023121317A1 (ko) * | 2021-12-21 | 2023-06-29 | 파이프트리스마트팜 주식회사 | 양계 데이터 처리 방법 및 장치 |
| CN114550069A (zh) * | 2022-03-01 | 2022-05-27 | 华南农业大学 | 一种基于深度学习的仔猪乳头计数方法 |
| CN114683301A (zh) * | 2022-03-22 | 2022-07-01 | 四川正狐智慧科技有限公司 | 一种养猪场用巡检机器人、机器人系统及系统的工作方法 |
| CN115644085A (zh) * | 2022-11-11 | 2023-01-31 | 福建永诚农牧科技集团有限公司 | 一种优质种猪育种装置及育种方法 |
| CN116763295A (zh) * | 2023-08-11 | 2023-09-19 | 北京市农林科学院智能装备技术研究中心 | 牲畜体尺测量方法、电子设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 基于深度学习的群猪图像实例分割方法;高云;郭继亮;黎煊;雷明刚;卢军;童宇;;农业机械学报(第04期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117011804A (zh) | 2023-11-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108229509B (zh) | 用于识别物体类别的方法及装置、电子设备 | |
| CN114424253B (zh) | 模型训练方法、装置、存储介质及电子设备 | |
| WO2023060777A1 (zh) | 一种基于深度学习的猪只体尺体重估测方法 | |
| CN109165645B (zh) | 一种图像处理方法、装置以及相关设备 | |
| CN111583198A (zh) | 结合FasterR-CNN+ResNet101+FPN的绝缘子图片缺陷检测方法 | |
| CN110532970B (zh) | 人脸2d图像的年龄性别属性分析方法、系统、设备和介质 | |
| CN111091109A (zh) | 基于人脸图像进行年龄和性别预测的方法、系统和设备 | |
| CN112200011B (zh) | 曝气池状态检测方法、系统、电子设备及存储介质 | |
| CN110570435A (zh) | 用于对车辆损伤图像进行损伤分割的方法及装置 | |
| CN111325181B (zh) | 一种状态监测方法、装置、电子设备及存储介质 | |
| CN113205507B (zh) | 一种视觉问答方法、系统及服务器 | |
| CN111882555B (zh) | 基于深度学习的网衣检测方法、装置、设备及存储介质 | |
| CN112101303B (zh) | 一种图像数据处理方法、装置以及计算机可读存储介质 | |
| CN113349111A (zh) | 一种用于水产养殖物的动态投喂方法、系统和存储介质 | |
| CN115908774B (zh) | 一种基于机器视觉的变形物资的品质检测方法和装置 | |
| CN110991220A (zh) | 禽蛋检测、图像处理方法，装置、电子设备及存储介质 | |
| CN113327263A (zh) | 一种基于图像视觉的鱼群活跃度监测方法 | |
| CN114511820A (zh) | 货架商品检测方法、装置、计算机设备及存储介质 | |
| CN109657571A (zh) | 一种分娩监控方法和装置 | |
| CN113793350A (zh) | 一种鱼苗计数物联设备及鱼苗情况统计方法 | |
| CN113180640B (zh) | 一种家畜养殖用尺寸测量方法及系统 | |
| CN117011804B (zh) | 高精度猪场栋舍盘估方法、系统、设备及存储介质 | |
| CN112686162B (zh) | 仓库环境整洁状态的检测方法、装置、设备和存储介质 | |
| CN117522833A (zh) | 一种摄像头解像力评估方法、装置、电子设备及存储介质 | |
| CN113222889A (zh) | 高分辨率图像下水产养殖物的工厂化养殖计数方法及装置 |
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 |