CN117152799A - 动物识别方法、装置、终端设备以及存储介质 - Google Patents
动物识别方法、装置、终端设备以及存储介质 Download PDFInfo
- Publication number
- CN117152799A CN117152799A CN202311424043.8A CN202311424043A CN117152799A CN 117152799 A CN117152799 A CN 117152799A CN 202311424043 A CN202311424043 A CN 202311424043A CN 117152799 A CN117152799 A CN 117152799A
- Authority
- CN
- China
- Prior art keywords
- animal
- behavior
- identification
- image sequence
- recognition
- 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
- 241001465754 Metazoa Species 0.000 title claims abstract description 479
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 230000006399 behavior Effects 0.000 claims abstract description 219
- 238000013507 mapping Methods 0.000 claims abstract description 82
- 238000012549 training Methods 0.000 claims description 23
- 238000012544 monitoring process Methods 0.000 claims description 19
- 230000015654 memory Effects 0.000 claims description 16
- 230000000007 visual effect Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 6
- 241000894007 species Species 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000009313 farming Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000007794 visualization technique Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Business, Economics & Management (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Human Computer Interaction (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种动物识别方法、装置、终端设备以及存储介质,属于智能养殖技术领域,其方法包括:获取动物图像序列;通过预设的动物个体识别模型和位置识别模型对所述动物图像序列进行识别映射,获取个体位置映射信息;根据所述个体位置映射信息,通过动物行为识别模型对所述动物图像序列进行关联识别,获取关联识别结果。本发明通过获取的图像序列形成动物个体和位置的映射,对动物行为进行关联识别,实现了对动物个体、位置和行为的关联识别,解决现有技术方案简单识别不能在整体上把握各个动物在养殖场中的状况导致动物管理效率低下的问题,提高了动物管理效率。
Description
技术领域
本发明涉及智能养殖领域,尤其涉及一种动物识别方法、装置、终端设备以及存储介质。
背景技术
人工智能在养殖业中的应用正在逐渐增加,养殖场的养殖形式趋于智能化、精细化,使用人工智能对养殖场中的动物进行识别来提高生产效率,例如对动物的个体、位置和行为的识别。
但是目前的人工智能仅是对动物的个体、位置或行为的单方面或简单的组合识别,不能在整体上把握各个动物在养殖场中的状况,导致养殖场对动物的管理效率低下。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本申请的主要目的在于提供一种动物识别方法、装置、终端设备以及存储介质,旨在解决现有技术方案简单识别不能在整体上把握各个动物在养殖场中的状况导致动物管理效率低下的问题。
为实现上述目的,本申请提供一种动物识别方法,所述动物识别方法包括:
获取动物图像序列;
通过预设的动物个体识别模型和位置识别模型对所述动物图像序列进行识别映射,获取个体位置映射信息;
根据所述个体位置映射信息,通过动物行为识别模型对所述动物图像序列进行关联识别,获取关联识别结果。
可选地,所述通过预设的第一图像传感器和第二图像传感器进行图像采集,获取第一视频流和第二视频流;
基于预设的帧间差分算法,对所述第一视频流和第二视频流进行关键帧提取,生成动物图像序列。
可选地,所述动物图像序列包括第一动物图像序列和第二动物图像序列,所述通过预设的动物个体识别模型和位置识别模型对所述动物图像序列进行识别映射,获取个体位置映射信息的步骤包括:
根据所述第一动物图像序列,通过所述动物个体识别模型进行动物个体识别,获取动物个体识别结果;
根据所述第二动物图像序列,通过所述位置识别模型进行位置识别,获取位置识别结果;
将所述动物个体识别结果与所述位置识别结果进行映射,获取个体位置映射信息。
可选地,所述根据所述个体位置映射信息,通过动物行为识别模型对所述动物图像序列进行关联识别,获取关联识别结果的步骤之前还包括:
获取动物行为数据和行为位置标注;
根据所述动物行为数据和行为位置标注,获取动物行为训练集;
根据预先构建的三维空间模型,基于预设的动物行为识别算法,构建动物行为识别模型;
根据所述动物行为训练集训练所述动物行为识别模型,得到训练后的动物行为识别模型。
可选地,所述根据预先构建的三维空间模型,基于预设的动物行为识别算法,构建动物行为识别模型的步骤之前还包括:
根据所述第一动物图像序列,获取垂直面数据;
根据所述第二动物图像序列,获取水平面数据;
根据所述垂直面数据和水平面数据进行三维重建,构建三维空间模型。
可选地,所述根据所述个体位置映射信息,通过动物行为识别模型对所述动物图像序列进行关联识别,获取关联识别结果的步骤之后还包括:
根据所述关联识别结果,通过预设的定时监测任务生成动物行为序列;
基于预设的特征分类器,对所述动物行为序列进行分类,生成行为分类结果;
基于预设的行为预测算法,根据所述行为分类结果进行行为预测,生成行为预测报告并发送至前端进行推送。
可选地,所述根据所述关联识别结果,通过预设的定时监测任务生成动物行为序列的步骤之后还包括:
根据所述动物行为序列,生成动物行为日志并发送至前端进行可视化展示,以实现动物行为动态监测。
本申请实施例还提出一种动物识别装置,所述动物识别装置包括:
图像序列获取模块,用于获取动物图像序列;
个体位置映射模块,用于通过预设的动物个体识别模型和位置识别模型对所述动物图像序列进行识别映射,获取个体位置映射信息;
行为关联识别模块,用于根据所述个体位置映射信息,通过动物行为识别模型对所述动物图像序列进行关联识别,获取关联识别结果。
本申请实施例还提出一种终端设备,所述终端设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的动物识别程序,所述动物识别程序被所述处理器执行时实现如上所述的动物识别方法的步骤。
本申请实施例还提出一种计算机可读存储介质,所述计算机可读存储介质上存储有动物识别程序,所述动物识别程序被处理器执行时实现如上所述的动物识别方法的步骤。
本申请实施例提出的动物识别方法、装置、终端设备以及存储介质,获取动物图像序列;通过预设的动物个体识别模型和位置识别模型对所述动物图像序列进行识别映射,获取个体位置映射信息;根据所述个体位置映射信息,通过动物行为识别模型对所述动物图像序列进行关联识别,获取关联识别结果。本发明通过获取的图像序列形成动物个体和位置的映射,对动物行为进行关联识别,实现了对动物个体、位置和行为的关联识别,解决现有技术方案简单识别不能在整体上把握各个动物在养殖场中的状况导致动物管理效率低下的问题,提高了动物管理效率。
附图说明
图1是本申请动物识别装置所属终端设备的功能模块示意图;
图2为本申请动物识别方法第一示例性实施例的流程示意图;
图3为本申请动物识别方法第二示例性实施例的流程示意图;
图4为本申请动物识别方法整体架构示意图;
图5为本申请动物识别方法第三示例性实施例的流程示意图;
图6为本申请动物识别方法第四示例性实施例的流程示意图。
本发明目的的实现、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。
本申请实施例的主要解决方案是:获取动物图像序列;通过预设的动物个体识别模型和位置识别模型对所述动物图像序列进行识别映射,获取个体位置映射信息;根据所述个体位置映射信息,通过动物行为识别模型对所述动物图像序列进行关联识别,获取关联识别结果。本发明通过获取的图像序列形成动物个体和位置的映射,对动物行为进行关联识别,实现了对动物个体、位置和行为的关联识别,解决现有技术方案简单识别不能在整体上把握各个动物在养殖场中的状况导致动物管理效率低下的问题,提高了动物管理效率。
本申请涉及的技术术语:
帧间差分算法:是一种计算机视觉中的运动物体检测方法,主要通过比较视频中相邻帧之间像素值的差异来检测帧内的运动物体。
三维重建:是指通过从多个视角的图像或传感器数据中恢复出物体或场景的三维结构和形状。
本申请实施例考虑到,相关技术方案可以在整体上识别养殖场中动物的个体身份或动物的位置,但是,现有技术及其简单组合不能在整体上把握各个动物在养殖场中的状况,这导致养殖场对动物的管理效率低下。例如,不能对单个动物的进食,活动,以及睡眠等状况进行精确地追踪,进而影响动物的生长速度和质量。
基于此,本申请实施例提出一种解决方案,可以形成对动物个体、位置和行为的关联识别,在整体上把握各个动物在养殖场中的状况,提高养殖场对动物的管理效率。
具体地,参照图1,图1为本申请动物识别装置所属终端设备的功能模块示意图。该动物识别装置可以为独立于终端设备的、能够进行动物识别的装置,其可以通过硬件或者软件的形式承载于终端设备上。该终端设备可以为手机、平板电脑等具有动物识别功能的智能移动设备,还可以为具有动物识别功能的固定终端设备或服务器等。
在本实施例中,该动物识别装置所属终端设备至少包括输出模块110、处理器120、存储器130以及通信模块140。
存储器130中存储有操作系统以及动物识别程序,动物识别装置可以将接收到的和处理的数据信息存储于该存储器130中;输出模块110可为显示屏、扬声器等。通信模块140可以包括无线局域网模块、无线物联网模块,移动通信模块,蓝牙模块,以及有线网络模块等,通过通信模块140与外部设备或服务器进行通信。
其中,存储器130中的动物识别程序被处理器执行时实现以下步骤:
获取动物图像序列;
通过预设的动物个体识别模型和位置识别模型对所述动物图像序列进行识别映射,获取个体位置映射信息;
根据所述个体位置映射信息,通过动物行为识别模型对所述动物图像序列进行关联识别,获取关联识别结果。
进一步地,存储器130中的动物识别程序被处理器执行时还实现以下步骤:
通过预设的第一图像传感器和第二图像传感器进行图像采集,获取第一视频流和第二视频流;
基于预设的帧间差分算法,对所述第一视频流和第二视频流进行关键帧提取,生成动物图像序列。
进一步地,存储器130中的动物识别程序被处理器执行时还实现以下步骤:
根据所述第一动物图像序列,通过所述动物个体识别模型进行动物个体识别,获取动物个体识别结果;
根据所述第二动物图像序列,通过所述位置识别模型进行位置识别,获取位置识别结果;
将所述动物个体识别结果与所述位置识别结果进行映射,获取个体位置映射信息。
进一步地,存储器130中的动物识别程序被处理器执行时还实现以下步骤:
获取动物行为数据和行为位置标注;
根据所述动物行为数据和行为位置标注,获取动物行为训练集;
根据预先构建的三维空间模型,基于预设的动物行为识别算法,构建动物行为识别模型;
根据所述动物行为训练集训练所述动物行为识别模型,得到训练后的动物行为识别模型。
进一步地,存储器130中的动物识别程序被处理器执行时还实现以下步骤:
根据所述第一动物图像序列,获取垂直面数据;
根据所述第二动物图像序列,获取水平面数据;
根据所述垂直面数据和水平面数据进行三维重建,构建三维空间模型。
进一步地,存储器130中的动物识别程序被处理器执行时还实现以下步骤:
根据所述关联识别结果,通过预设的定时监测任务生成动物行为序列;
基于预设的特征分类器,对所述动物行为序列进行分类,生成行为分类结果;
基于预设的行为预测算法,根据所述行为分类结果进行行为预测,生成行为预测报告并发送至前端进行推送。
进一步地,存储器130中的动物识别程序被处理器执行时还实现以下步骤:
根据所述动物行为序列,生成动物行为日志并发送至前端进行可视化展示,以实现动物行为动态监测。
本实施例通过上述方案,具体通过获取动物图像序列;通过预设的动物个体识别模型和位置识别模型对所述动物图像序列进行识别映射,获取个体位置映射信息;根据所述个体位置映射信息,通过动物行为识别模型对所述动物图像序列进行关联识别,获取关联识别结果。本发明通过获取的图像序列形成动物个体和位置的映射,对动物行为进行关联识别,实现了对动物个体、位置和行为的关联识别,解决现有技术方案简单识别不能在整体上把握各个动物在养殖场中的状况导致动物管理效率低下的问题,提高了动物管理效率。
基于上述终端设备架构但不限于上述架构,提出本申请方法实施例。
参照图2,图2为本申请动物识别方法第一示例性实施例的流程示意图。所述动物识别方法包括:
步骤S10:获取动物图像序列;
本实施例方法的执行主体可以是一种动物识别装置,也可以是一种动物识别终端设备或服务器,本实施例以动物识别装置进行举例,该动物识别装置可以集成在具有数据处理功能终端设备上。
本实施例方案主要通过获取的图像序列形成动物个体和位置的映射,对动物行为进行关联识别,得到关联识别结果。
在养殖场对动物的监测过程中,会获取到动物图像序列。其中,动物图像序列可以是一组或多组动物连续图像的序列,可以通过摄像机、相机或其他传感器来采集得到。动物图像序列可以包含动物的外貌特征、养殖场环境、行为等图像内容。通过对这些内容的分析和识别,可以对动物的个体、位置及行为等特征进行推断和判断,从而更好地监测动物状态。
例如,养殖人员能够通过在养殖场中的特定位置部署摄像头对动物进行监测,摄像头在连续时间内采集到具备参考性的视频,将该视频经过特定处理后则可以作为本实施例中的动物图像序列进行动物识别。
步骤S20:通过预设的动物个体识别模型和位置识别模型对所述动物图像序列进行识别映射,获取个体位置映射信息;
通过动物个体识别模型和位置识别模型对动物图像序列进行识别以及对动物个体和位置进行映射,得到动物个体和位置的映射信息。
其中,动物个体识别模型可以是经过训练的机器学习或深度学习模型,可以将输入的图像与已知的动物个体进行比对或对未知的动物个体进行标记,能够确定图像中出现的动物属于哪种物种及个体身份,模型通过训练数据集学习到了不同动物个体的特征和区别,从而能够根据图像进行动物个体识别。位置识别模型可以是基于目标检测或图像分割的模型,可以检测图像中的动物位置,能够提取出图像中每个动物在空间上的位置信息。对动物个体和位置进行映射能够得到个体位置进行对照的映射信息,提高动物识别的精度。
步骤S30:根据所述个体位置映射信息,通过动物行为识别模型对所述动物图像序列进行关联识别,获取关联识别结果。
根据个体位置映射信息,提高动物行为识别模型对动物图像序列进行个体、位置和行为的关联识别,得到关联识别结果。其中,利用个体位置映射信息,可以确定在连续的图像中哪些连续变化的动物位置属于同一个动物个体,可以利用动物位置信息的连续性和运动的一致性来关联同一个体在不同图像之间的出现。动物行为识别模型可以根据输入的图像序列来预测动物的行为,能够识别出动物在不同时间段内的各种行为,比如活动、进食、睡眠等,可以对动物的状况进行精确地追踪,进而提高或改善动物的生长速度和质量。
本实施例通过上述方案,具体通过获取动物图像序列;通过预设的动物个体识别模型和位置识别模型对所述动物图像序列进行识别映射,获取个体位置映射信息;根据所述个体位置映射信息,通过动物行为识别模型对所述动物图像序列进行关联识别,获取关联识别结果。本发明通过获取的图像序列形成动物个体和位置的映射,对动物行为进行关联识别,实现了对动物个体、位置和行为的关联识别,解决现有技术方案简单识别不能在整体上把握各个动物在养殖场中的状况导致动物管理效率低下的问题,提高了动物管理效率。
参照图3,图3为本发明动物识别方法第二示例性实施例的流程示意图。
基于第一实施例,提出本申请第二实施例,本申请第二实施例与第一实施例的区别在于:
在本实施例中,所述获取动物图像序列的步骤包括:
步骤S101:通过预设的第一图像传感器和第二图像传感器进行图像采集,获取第一视频流和第二视频流;
步骤S102:基于预设的帧间差分算法,对所述第一视频流和第二视频流进行关键帧提取,生成动物图像序列。
具体地,为了后续对动物图像序列的进一步处理,首先,使用第一图像传感器和第二图像传感器采集图像,得到第一视频流和第二视频流。其中,第一图像传感器和第二图像传感器可以是不同的设备,第一图像传感器和第二图像传感器可以是一个也可以是多个图像传感器,用于同时采集至少两个不同的视角的视频流。
最后,使用预设的帧间差分算法对第一视频流和第二视频流进行关键字提取,得到动物图像序列。其中,帧间差分算法通过比较相邻帧之间的差异来确定动态变化,检测出视频流中的关键帧,即包含动物活动、符合要求的视频关键帧,提取出来的视频关键词组成动物图像序列,这些图像序列表示了动物在不同时间和不同视角下的连续动作图像。
进一步地,作为一种实施方式,所述动物图像序列包括第一动物图像序列和第二动物图像序列,所述通过预设的动物个体识别模型和位置识别模型对所述动物图像序列进行识别映射,获取个体位置映射信息的步骤包括:
步骤S201:根据所述第一动物图像序列,通过所述动物个体识别模型进行动物个体识别,获取动物个体识别结果;
步骤S202:根据所述第二动物图像序列,通过所述位置识别模型进行位置识别,获取位置识别结果;
步骤S203:将所述动物个体识别结果与所述位置识别结果进行映射,获取个体位置映射信息。
具体地,首先,根据第一动物图像序列,通过动物个体识别模型进行动物的个体识别,得到动物个体识别结果。其中,使用动物个体识别模型对第一动物图像序列进行处理,能够利用动物个体识别模型中特定的识别算法将图像序列中的每一帧图像与模型对应训练过的动物个体进行比对,并确定图像中出现的动物属于哪种个体,得到第一动物图像序列的动物个体识别结果,动物个体识别结果中可以包括动物个体的物种、身份等。
然后,根据第二动物图像序列,通过位置识别模型进行动物的位置识别,获取位置识别结果。其中,使用预设的位置识别模型对第二动物图像序列进行处理,位置识别模型可以是基于目标检测或图像分割的模型,能够检测图像中动物的位置并给出位置坐标,得到第二动物图像序列中动物的位置识别结果。
最后,将动物个体识别结果和位置识别结果进行对应映射,得到动物个体和位置进行映射的信息。其中,根据时间或者空间上的连续性,将同一时间或者同一位置的个体和位置信息进行匹配,得到个体位置映射信息,能够知道每个动物在图像序列中的个体和位置,实现了个体和位置的映射。
更具体地,如图4所示,基于人工智能的养殖场可以设置多个摄像头。该多个摄像头采集的图像被传输到计算设备。该计算设备可以配置有识别该养殖场中动物个体的动物个体识别模型和识别动物位置的位置识别模型。
第一摄像头的数量可以是一个或多个,采集的第一视频流通过计算设备处理后得到第一图像序列,将第一图像序列输入到动物个体识别模型,以识别该养殖场中的动物个体。例如,该第一摄像头可以设置于该养殖场的墙壁上(例如,水平朝向,稍向下倾斜或稍向上倾斜,能够清晰地拍摄到动物的面部、外形等特征)。
可以使用养殖场的以往视频图像数据或现有的数据集训练位置识别模型,动物个体识别模型可以是一种CNN(Convolutional Neural Network)模型。通过第一摄像头获取动物的图像数据(例如,每秒获取一帧图像)或者在存储的视频中提取图像数据,将得到的图像通过有线或无线传输到计算设备,计算设备可以处理该图像为该图像数据,以适于输入到动物个体识别模型,输出动物个体识别结果。
第二摄像头的数量可以为一个或多个,采集到的第二视频流通过计算设备处理后得到第二图像序列,将第二图像序列输入到位置识别模型,通过动物位置的识别来确定动物位置。例如,该第二摄像头可以设置于该养殖场的上方(例如,天花板或棚顶,朝向下方拍摄动物的背部)。
位置识别模型包括但不限于CNN模型,通过第二摄像头实时采样图像数据(例如,每秒获取一帧图像)或者存储摄像头拍摄的视频,采集的图像通过有线或无线传输到计算设备,计算设备可以处理该图像为该图像数据,以适于输入到该位置识别模型,得到位置识别模型的位置识别结果,位置识别结果可以包括动物数量及位置:
位置识别模型输出结果1:识别在第一图像序列中养殖场内动物的数量。
位置识别模型输出结果2:各个动物的位置。例如,在图像数据中,计算各个动物的身体的中心来确定其位置。
例如,可以通过第一摄像头拍摄到的六个动物的外形图像,将第一图像序列输入到动物个体识别模型后,若其中三个动物为物种A,那么动物个体识别模型可以识别到动物A1,A2,A3,A1-3则是这三个动物的个体标识;其余三个动物为物种B,那么动物个体识别模型可以识别到动物B1,B2,B3,B1-3则是这三个动物的个体标识。
通过第二摄像头拍摄到的养殖场的整体图像,将第二图像序列输入到位置识别模型,位置识别模型识别该养殖场内的动物数量为6只,相应的位置坐标为(X1, Y1),(X2,Y2),(X3, Y3),(X4, Y4),(X5, Y5),(X6, Y6),其中,识别到的6个位置坐标下标参数即X1-6和Y1-6中的1-6,分别代表不同的图像中X轴及Y轴的6个不同位置。
最后,逐个对动物进行个体身份和位置的映射。对于通过该第一摄像头识别出的动物个体,与该第二摄像头识别位置进行映射。
那么,对于该动物A1,如果由该第二摄像头识别出的位置(X1, Y1)与其的图像上的对应位置相等或最为接近,则把该动物A1的身份映射到位置(X1, Y1)。同理,把动物A2-3及B1-3的身份映射到位置(X2, Y2),(X3, Y3),(X4, Y4),(X5, Y5),(X6, Y6),则最后动物个体和位置映射的结果:A1(X1, Y1),A2(X2, Y2),A3(X3, Y3),B1(X4, Y4),B2(X5, Y5),B3(X6,Y6),代表物种A或者B的第几个动物对应的6个位置坐标中的哪个坐标的映射结果。
本实施例通过上述方案,具体通过预设的第一图像传感器和第二图像传感器进行图像采集,获取第一视频流和第二视频流;基于预设的帧间差分算法,对所述第一视频流和第二视频流进行关键帧提取,生成动物图像序列。可以利用图像序列实现动物监测与识别、动物行为分析等多个方面动物管理上的应用。
参照图5,图5为本发明动物识别方法第三示例性实施例的流程示意图。
基于第二实施例,提出本申请第三实施例,本申请第三实施例与第二实施例的区别在于:
在本实施例中,所述根据所述个体位置映射信息,通过动物行为识别模型对所述动物图像序列进行关联识别,获取关联识别结果的步骤之前还包括:
步骤S301:获取动物行为数据和行为位置标注;
步骤S302:根据所述动物行为数据和行为位置标注,获取动物行为训练集;
步骤S303:根据预先构建的三维空间模型,基于预设的动物行为识别算法,构建动物行为识别模型;
步骤S304:根据所述动物行为训练集训练所述动物行为识别模型,得到训练后的动物行为识别模型。
具体地,为了实现动物行为的关联识别,首先,收集动物行为数据和行为位置标注。其中,动物行为数据可以使用人工记录的动物行为数据或已有的数据集。同时,还需要对获取的数据进行行为位置的标注,即标记每个行为发生的具体位置信息。
然后,将收集到的动物行为数据和行为位置标注整理成训练集的形式。其中,通常的做法是将每个行为作为一个样本,并将其对应的位置信息也作为特征之一加入训练集,确保数据的准确性,同时可以帮助模型学习到不同行为在不同空间位置上的特征分布。
然后,利用预先构建的三维空间模型和动物行为识别算法构建动物行为识别模型。其中,三维空间模型用于表示动物行为发生的环境空间信息,可以包括养殖场实际场景中的空间结构。然后结合选择的动物行为识别算法,构建具体的模型架构和算法流程,模型将用于对动物行为数据进行学习和识别。动物行为识别算法可以使用机器学习算法如卷积神经网络(CNN)或循环神经网络(RNN),也可以使用深度学习算法如深度卷积神经网络(DCNN)或长短期记忆网络(LSTM)。
最后,使用准备好的动物行为训练集对动物行为识别模型进行训练,得到训练后的动物行为识别模型。其中,通过迭代优化模型中的参数,使其能够准确地学习并预测不同动物行为。在训练过程中,模型可以通过学习输入数据的特征和行为位置信息之间的关联关系来提高自身的准确性和泛化能力。
进一步地,作为一种实施方式,所述根据预先构建的三维空间模型,基于预设的动物行为识别算法,构建动物行为识别模型的步骤之前还包括:
步骤S3031:根据所述第一动物图像序列,获取垂直面数据;
步骤S3032:根据所述第二动物图像序列,获取水平面数据;
步骤S3033:根据所述垂直面数据和水平面数据进行三维重建,构建三维空间模型。
具体地,首先,从第一动物图像序列中提取垂直面数据。其中,垂直面数据可以包括养殖场在垂直方向上的平面数据,可以包括高度以及其他与垂直方向相关的特征信息,将用于构建三维空间模型的垂直维度。
然后,从第二动物图像序列中获取水平面数据。其中,水平面数据可以包括动物在水平方向上的平面数据,可以包括宽度以及其他与水平方向相关的特征信息,将用于构建三维空间模型的水平维度。
最后,使用所获得的垂直面数据和水平面数据进行三维重建,从而构建动物行为识别的三维空间模型。其中,通过将垂直面数据和水平面数据结合起来,可以还原出动物行为发生的真实空间信息。三维空间模型将作为后续步骤中动物行为识别模型的基础,能够更准确地对动物行为进行识别和分析。
本实施例通过上述方案,具体通过获取动物行为数据和行为位置标注;根据所述动物行为数据和行为位置标注,获取动物行为训练集;根据预先构建的三维空间模型,基于预设的动物行为识别算法,构建动物行为识别模型;根据所述动物行为训练集训练所述动物行为识别模型,得到训练后的动物行为识别模型。通过三维空间模型和动物行为识别算法构建行为识别模型,将获取到动物行为数据和行为位置标注作为训练集对构建的行为识别模型进行训练,为后续实现对动物状态的行为识别做准备。
参照图6,图6为本发明动物识别方法第四示例性实施例的流程示意图。
基于第一实施例,提出本申请第四实施例,本申请第四实施例与第一实施例的区别在于:
在本实施例中,所述根据所述个体位置映射信息,通过动物行为识别模型对所述动物图像序列进行关联识别,获取关联识别结果的步骤之后还包括:
步骤S305:根据所述关联识别结果,通过预设的定时监测任务生成动物行为序列;
步骤S306:基于预设的特征分类器,对所述动物行为序列进行分类,生成行为分类结果;
步骤S307:基于预设的行为预测算法,根据所述行为分类结果进行行为预测,生成行为预测报告并发送至前端进行推送。
具体地,为了实现对动物关联识别的应用,首先,根据动物行为识别模型得到的关联识别结果,结合预设的定时监测任务,生成动物行为序列。其中,定时监测任务可以指定在特定的时间段内对动物行为进行识别和记录,以获取连续的动物行为数据序列。
然后,使用预设的特征分类器对生成的动物行为序列进行分类。其中,特征分类器可以根据动物行为序列中不同的行为特征,例如动作的频率、幅度、持续时间等进行分类判断,可以将动物行为序列划分为不同的行为类别,进一步分析和理解动物的行为模式。
最后,使用预设的行为预测算法,根据之前的行为分类结果对未来的行为进行预测。其中,行为预测算法可以基于历史数据和统计模型等进行预测分析,帮助判断接下来动物可能会表现出的行为,可以将生成的行为预测报告发送至前端应用,以便用户及时获取有关动物行为的信息进行对应操作。
进一步地,作为一种实施方式,所述根据所述关联识别结果,通过预设的定时监测任务生成动物行为序列的步骤之后还包括:
步骤S3051:根据所述动物行为序列,生成动物行为日志并发送至前端进行可视化展示,以实现动物行为动态监测。
根据生成的动物行为序列,可以将其转化为动物行为日志,并将动物行为日志发送至前端应用进行可视化展示,实现动物的动态监测。其中,动物行为日志记录每个动物的行为类别、发生时间以及其他相关信息,通过动物行为日志的可视化展示,用户可以更直观地观察和分析动物的行为模式和趋势。
更具体地,可视化的方法可以是通过图表、曲线图或动画等方式在养殖场的实时监控屏幕设备以及用户的手机上进行展示动物不同行为类别的频率、时长、变化趋势等信息,以便用户实时观测。
动物行为日志的生成和可视化展示也有助于数据存档和后续分析。除此之外,还可以通过本地或云端存储库记录和保存动物行为的详细信息,可以方便后续的回顾、比较和研究,进一步深入了解动物的行为习性和生态特征。
本实施例通过上述方案,具体通过根据所述关联识别结果,通过预设的定时监测任务生成动物行为序列;基于预设的特征分类器,对所述动物行为序列进行分类,生成行为分类结果;基于预设的行为预测算法,根据所述行为分类结果进行行为预测,生成行为预测报告并发送至前端进行推送。通过关联识别、行为分类和行为预测等过程,实现对动物行为的连续监测、分类和预测。这有助于研究人员、保护机构等更好地了解动物的行为模式和趋势,并采取相应的措施进行保护和管理。
此外,本申请实施例还提出一种动物识别装置,所述动物识别装置包括:
图像序列获取模块,用于获取动物图像序列;
个体位置映射模块,用于通过预设的动物个体识别模型和位置识别模型对所述动物图像序列进行识别映射,获取个体位置映射信息;
行为关联识别模块,用于根据所述个体位置映射信息,通过动物行为识别模型对所述动物图像序列进行关联识别,获取关联识别结果。
本实施例实现动物识别的原理及实施过程,请参照上述各实施例,在此不再赘述。
此外,本申请实施例还提出一种终端设备,所述终端设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的动物识别程序,所述动物识别程序被所述处理器执行时实现如上所述的动物识别方法的步骤。
由于本动物识别程序被处理器执行时,采用了前述所有实施例的全部技术方案,因此至少具有前述所有实施例的全部技术方案所带来的所有有益效果,在此不再一一赘述。
此外,本申请实施例还提出一种计算机可读存储介质,所述计算机可读存储介质上存储有动物识别程序,所述动物识别程序被处理器执行时实现如上所述的动物识别方法的步骤。
由于本动物识别程序被处理器执行时,采用了前述所有实施例的全部技术方案,因此至少具有前述所有实施例的全部技术方案所带来的所有有益效果,在此不再一一赘述。
相比现有技术,本申请实施例提出的动物识别方法、装置、终端设备以及存储介质,通过获取动物图像序列;通过预设的动物个体识别模型和位置识别模型对所述动物图像序列进行识别映射,获取个体位置映射信息;根据所述个体位置映射信息,通过动物行为识别模型对所述动物图像序列进行关联识别,获取关联识别结果。本发明通过获取的图像序列形成动物个体和位置的映射,对动物行为进行关联识别,实现了对动物个体、位置和行为的关联识别,解决现有技术方案简单识别不能在整体上把握各个动物在养殖场中的状况导致动物管理效率低下的问题,提高了动物管理效率。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他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、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。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、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上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他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种动物识别方法,其特征在于,所述动物识别方法包括以下步骤:
获取动物图像序列;
通过预设的动物个体识别模型和位置识别模型对所述动物图像序列进行识别映射,获取个体位置映射信息;
根据所述个体位置映射信息,通过动物行为识别模型对所述动物图像序列进行关联识别,获取关联识别结果。
2.如权利要求1所述的动物识别方法,其特征在于,所述获取动物图像序列的步骤包括:
通过预设的第一图像传感器和第二图像传感器进行图像采集,获取第一视频流和第二视频流;
基于预设的帧间差分算法,对所述第一视频流和第二视频流进行关键帧提取,生成动物图像序列。
3.如权利要求2所述的动物识别方法,其特征在于,所述动物图像序列包括第一动物图像序列和第二动物图像序列,所述通过预设的动物个体识别模型和位置识别模型对所述动物图像序列进行识别映射,获取个体位置映射信息的步骤包括:
根据所述第一动物图像序列,通过所述动物个体识别模型进行动物个体识别,获取动物个体识别结果;
根据所述第二动物图像序列,通过所述位置识别模型进行位置识别,获取位置识别结果;
将所述动物个体识别结果与所述位置识别结果进行映射,获取个体位置映射信息。
4.如权利要求3所述的动物识别方法,其特征在于,所述根据所述个体位置映射信息,通过动物行为识别模型对所述动物图像序列进行关联识别,获取关联识别结果的步骤之前还包括:
获取动物行为数据和行为位置标注;
根据所述动物行为数据和行为位置标注,获取动物行为训练集;
根据预先构建的三维空间模型,基于预设的动物行为识别算法,构建动物行为识别模型;
根据所述动物行为训练集训练所述动物行为识别模型,得到训练后的动物行为识别模型。
5.如权利要求4所述的动物识别方法,其特征在于,所述根据预先构建的三维空间模型,基于预设的动物行为识别算法,构建动物行为识别模型的步骤之前还包括:
根据所述第一动物图像序列,获取垂直面数据;
根据所述第二动物图像序列,获取水平面数据;
根据所述垂直面数据和水平面数据进行三维重建,构建三维空间模型。
6.如权利要求1所述的动物识别方法,其特征在于,所述根据所述个体位置映射信息,通过动物行为识别模型对所述动物图像序列进行关联识别,获取关联识别结果的步骤之后还包括:
根据所述关联识别结果,通过预设的定时监测任务生成动物行为序列;
基于预设的特征分类器,对所述动物行为序列进行分类,生成行为分类结果;
基于预设的行为预测算法,根据所述行为分类结果进行行为预测,生成行为预测报告并发送至前端进行推送。
7.如权利要求6所述的动物识别方法,其特征在于,所述根据所述关联识别结果,通过预设的定时监测任务生成动物行为序列的步骤之后还包括:
根据所述动物行为序列,生成动物行为日志并发送至前端进行可视化展示,以实现动物行为动态监测。
8.一种动物识别装置,其特征在于,所述装置包括:
图像序列获取模块,用于获取动物图像序列;
个体位置映射模块,用于通过预设的动物个体识别模型和位置识别模型对所述动物图像序列进行识别映射,获取个体位置映射信息;
行为关联识别模块,用于根据所述个体位置映射信息,通过动物行为识别模型对所述动物图像序列进行关联识别,获取关联识别结果。
9.一种终端设备,其特征在于,所述终端设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的动物识别程序,所述动物识别程序配置为实现如权利要求1至7中任一项所述的动物识别方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有动物识别程序,所述动物识别程序被处理器执行时实现如权利要求1至7任一项所述的动物识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311424043.8A CN117152799B (zh) | 2023-10-31 | 2023-10-31 | 动物识别方法、装置、终端设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311424043.8A CN117152799B (zh) | 2023-10-31 | 2023-10-31 | 动物识别方法、装置、终端设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117152799A true CN117152799A (zh) | 2023-12-01 |
CN117152799B CN117152799B (zh) | 2024-02-09 |
Family
ID=88901159
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311424043.8A Active CN117152799B (zh) | 2023-10-31 | 2023-10-31 | 动物识别方法、装置、终端设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117152799B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111222487A (zh) * | 2020-01-15 | 2020-06-02 | 浙江大学 | 视频目标行为识别方法及电子设备 |
CN112580450A (zh) * | 2020-12-03 | 2021-03-30 | 天津大学 | 一种基于快进策略的视频中动物状态快速检测方法 |
JP2021144631A (ja) * | 2020-03-13 | 2021-09-24 | エヌ・ティ・ティ・ビズリンク株式会社 | 動物行動推定システム、動物行動推定支援装置、動物行動推定方法及びプログラム |
JP2022081882A (ja) * | 2020-11-20 | 2022-06-01 | ダイワ通信株式会社 | 野生動物監視システム、野生動物監視方法、及びプログラム |
WO2022172232A1 (de) * | 2021-02-12 | 2022-08-18 | Mechatronik Zehentner Eu | Verfahren und vorrichtung zur nachverfolgung von tieren |
CN116634865A (zh) * | 2020-12-21 | 2023-08-22 | 株式会社瑞普 | 信息处理装置、信息处理方法及程序 |
KR102584357B1 (ko) * | 2022-12-12 | 2023-10-12 | 주식회사 리얼팜 | 반문 이미지를 기반으로 한 축산 동물의 개체 식별 장치 및 영상을 기반으로 한 가축 행동 패턴 분류 시스템 및 가축 행동 패턴 분류 방법 |
CN116868912A (zh) * | 2023-06-26 | 2023-10-13 | 中国人民解放军空军军医大学 | 检测动物社交障碍行为的装置及其方法、电子设备、介质 |
-
2023
- 2023-10-31 CN CN202311424043.8A patent/CN117152799B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111222487A (zh) * | 2020-01-15 | 2020-06-02 | 浙江大学 | 视频目标行为识别方法及电子设备 |
JP2021144631A (ja) * | 2020-03-13 | 2021-09-24 | エヌ・ティ・ティ・ビズリンク株式会社 | 動物行動推定システム、動物行動推定支援装置、動物行動推定方法及びプログラム |
JP2022081882A (ja) * | 2020-11-20 | 2022-06-01 | ダイワ通信株式会社 | 野生動物監視システム、野生動物監視方法、及びプログラム |
CN112580450A (zh) * | 2020-12-03 | 2021-03-30 | 天津大学 | 一种基于快进策略的视频中动物状态快速检测方法 |
CN116634865A (zh) * | 2020-12-21 | 2023-08-22 | 株式会社瑞普 | 信息处理装置、信息处理方法及程序 |
WO2022172232A1 (de) * | 2021-02-12 | 2022-08-18 | Mechatronik Zehentner Eu | Verfahren und vorrichtung zur nachverfolgung von tieren |
KR102584357B1 (ko) * | 2022-12-12 | 2023-10-12 | 주식회사 리얼팜 | 반문 이미지를 기반으로 한 축산 동물의 개체 식별 장치 및 영상을 기반으로 한 가축 행동 패턴 분류 시스템 및 가축 행동 패턴 분류 방법 |
CN116868912A (zh) * | 2023-06-26 | 2023-10-13 | 中国人民解放军空军军医大学 | 检测动物社交障碍行为的装置及其方法、电子设备、介质 |
Non-Patent Citations (2)
Title |
---|
KUANG HUANG ET AL.: "A hierarchical 3D-motion learning framework for animal spontaneous behavior mapping", NATURE COMMUNICATIONS, pages 1 - 4 * |
孔玮 等: "基于图卷积网络的行为识别方法综述", 控制与决策, vol. 36, no. 7, pages 1537 - 1546 * |
Also Published As
Publication number | Publication date |
---|---|
CN117152799B (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111726586A (zh) | 一种生产体系操作规范监测提醒系统 | |
CN108154075A (zh) | 经由单次学习的群体分析法 | |
CN109644255A (zh) | 标注包括一组帧的视频流的方法和装置 | |
CN111985385A (zh) | 一种行为检测方法、装置及设备 | |
CN104156729B (zh) | 一种教室人数统计方法 | |
Seo et al. | A yolo-based separation of touching-pigs for smart pig farm applications | |
CN116419059A (zh) | 基于行为标签的自动监控方法、装置、设备及介质 | |
CN111199172A (zh) | 基于终端录屏的处理方法及装置、存储介质 | |
Ko et al. | Rectified trajectory analysis based abnormal loitering detection for video surveillance | |
CN117152799B (zh) | 动物识别方法、装置、终端设备以及存储介质 | |
CN113569675A (zh) | 一种基于ConvLSTM网络的小鼠旷场实验行为分析方法 | |
CN117671784A (zh) | 一种基于视频分析的人体行为分析方法及系统 | |
CN110263753B (zh) | 一种对象统计方法和装置 | |
CN114463776A (zh) | 跌倒识别方法、装置、设备及存储介质 | |
CN111414886A (zh) | 一种人体动态特征的智能识别系统 | |
Huang et al. | Spatial relationship-aware rapid entire body fuzzy assessment method for prevention of work-related musculoskeletal disorders | |
CN115690554A (zh) | 目标识别方法、系统、电子设备及存储介质 | |
CN113239915B (zh) | 一种课堂行为的识别方法、装置、设备及存储介质 | |
CN116189076A (zh) | 一种鸟类观测站的观测识别系统及其方法 | |
Costache et al. | Target audience response analysis in out-of-home advertising using computer vision | |
Yu et al. | An enhancement algorithm for head characteristics of caged chickens detection based on cyclic consistent migration neural network | |
Charoenpong et al. | An experimental setup for measuring distance and duration of rat behavior | |
CN111860229A (zh) | 异常行为智能识别方法及其装置和存储介质 | |
Liu et al. | Remote Surveillance Video Activity Recognition Using Spatiotemporal Convolutional Neural Networks for Greenhouse Workload Analysis | |
WO2023229423A1 (ko) | 3차원 기반 행동 패턴 분석 장치 및 방법 |
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 |