CN117237244A - 基于数据增强的畜牧兽医用动物体温智能监测系统 - Google Patents
基于数据增强的畜牧兽医用动物体温智能监测系统 Download PDFInfo
- Publication number
- CN117237244A CN117237244A CN202311525135.5A CN202311525135A CN117237244A CN 117237244 A CN117237244 A CN 117237244A CN 202311525135 A CN202311525135 A CN 202311525135A CN 117237244 A CN117237244 A CN 117237244A
- Authority
- CN
- China
- Prior art keywords
- window
- livestock
- filtering
- process filter
- filter window
- 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 119
- 230000036760 body temperature Effects 0.000 title claims abstract description 47
- 238000012544 monitoring process Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 329
- 230000008569 process Effects 0.000 claims abstract description 277
- 244000144972 livestock Species 0.000 claims abstract description 134
- 238000001914 filtration Methods 0.000 claims abstract description 127
- 210000004209 hair Anatomy 0.000 claims abstract description 118
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000003064 k means clustering Methods 0.000 claims description 4
- 206010005908 Body temperature conditions Diseases 0.000 claims description 3
- 230000004069 differentiation Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 8
- 238000001514 detection method Methods 0.000 abstract description 4
- 238000009529 body temperature measurement Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 6
- 230000009467 reduction Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 244000144977 poultry Species 0.000 description 3
- 208000030695 Sparse hair Diseases 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- 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
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及基于数据增强的畜牧兽医用动物体温智能监测系统,包括:初始畜牧动物红外灰度图像采集模块、目标程度因子获取模块、毛发分布系数获取模块、窗口去噪目标程度模块以及智能体温检测模块,采集初始畜牧动物红外灰度图像,从而获取目标程度因子;获取滤波像素层,根据滤波像素层得到毛发分布系数;获取过程滤波窗口,根据过程滤波窗口得到毛发差异性因子;根据目标程度因子、毛发分布系数以及毛发差异性因子得到窗口去噪目标程度;根据窗口去噪目标程度得到权重;根据权重进行智能体温检测。本发明提高了加权均值滤波分配权重的准确性,提高了测量畜牧动物体温的准确性。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及基于数据增强的畜牧兽医用动物体温智能监测系统。
背景技术
智能体温监测系统是一种利用计算机视觉技术和人工智能算法识别体温的系统。该系统通常由红外线测温仪、摄像头、计算机、人工智能算法等组成,可以无接触地测量畜牧动物温度,并自动识别异常体温的畜牧动物。对畜牧动物红外测温的原理是将畜牧动物红外图像转化为畜牧动物红外灰度图像,再将畜牧动物红外灰度图像的灰度值转化为温度数值;由于畜牧动物红外灰度图像中存在一定量的噪声,影响测量畜牧动物体温的准确性,所以需要对畜牧动物红外灰度图像进行去噪。
通常使用加权均值滤波对畜牧动物红外灰度图像进行降噪,根据像素点距离差异赋予不同滤波窗口内的中心像素点不同数值的权重,根据权重进行滤波降噪;但是传统的加权均值滤波没有考虑畜牧动物的毛发分布情况,可能会使不同滤波窗口内的中心像素点的权重并不合适,导致存在去噪不足或者过度去噪的情况,从而降低测量畜牧动物体温的准确性。
发明内容
本发明提供基于数据增强的畜牧兽医用动物体温智能监测系统,以解决现有的问题:加权均值滤波没有考虑畜牧动物的毛发分布情况,可能会使不同滤波窗口内的中心像素点的权重并不合适,导致存在去噪不足或者过度去噪的情况,从而降低测量畜牧动物体温的准确性。
本发明的基于数据增强的畜牧兽医用动物体温智能监测系统采用如下技术方案:
本发明一个实施例提供了基于数据增强的畜牧兽医用动物体温智能监测系统,该系统包括以下模块:
初始畜牧动物红外灰度图像采集模块,用于采集若干畜牧动物的初始畜牧动物红外灰度图像;
目标程度因子获取模块,用于根据初始畜牧动物红外灰度图像进行神经网络训练得到若干畜牧动物红外灰度图像;根据畜牧动物红外灰度图像进行聚类得到毛发聚类簇以及皮肤聚类簇;利用滤波窗口对畜牧动物红外灰度图像进行滑动遍历,得到若干滤波窗口,记为过程滤波窗口;根据毛发聚类簇以及皮肤聚类簇得到每个过程滤波窗口的目标程度因子;
毛发分布系数获取模块,用于获取每个过程滤波窗口的若干层滤波像素层;根据滤波像素层得到每个过程滤波窗口的毛发分布系数;
窗口去噪目标程度模块,用于根据过程滤波窗口内像素点的灰度差异得到每个过程滤波窗口的毛发差异性因子;根据目标程度因子、毛发分布系数以及毛发差异性因子,得到每个过程滤波窗口的窗口去噪目标程度;
智能体温监测模块,用于根据窗口去噪目标程度得到每个像素点在每个过程滤波窗口的卷积核中的权重;根据权重进行滤波得到若干滤波后的畜牧动物红外灰度图像;根据滤波后的畜牧动物红外灰度图像进行智能体温监测。
优选的,所述用于根据初始畜牧动物红外灰度图像进行神经网络训练得到若干畜牧动物红外灰度图像,包括的具体方法为:
将任意一张初始畜牧动物红外灰度图像记为参考初始畜牧动物红外灰度图像,对参考初始畜牧动物红外灰度图像通过神经网络进行语义分割,神经网络采用ResNet网络结构,损失函数采用交叉熵损失函数,获取大量初始畜牧动物红外灰度图像作为训练集,对训练集中每张初始畜牧动物红外灰度图像人工标注不同类型的区域,通过训练集对神经网络进行训练,将参考初始畜牧动物红外灰度图像输入训练完成的神经网络中,输出得到参考初始畜牧动物红外灰度图像的语义分割图像,记为畜牧动物红外灰度图像。
优选的,所述根据畜牧动物红外灰度图像进行聚类得到毛发聚类簇以及皮肤聚类簇,包括的具体方法为:
将任意一张畜牧动物红外灰度图像记为参考畜牧动物红外灰度图像;根据预设分类数量对参考畜牧动物红外灰度图像进行K-means聚类得到若干聚类簇;将所有灰度值的均值最低的聚类簇记为毛发聚类簇,将毛发聚类簇内的每个像素点记为毛发像素点;将所有灰度值的均值最高的聚类簇记为皮肤聚类簇,将皮肤聚类簇内的每个像素点记为皮肤像素点。
优选的,所述根据毛发聚类簇以及皮肤聚类簇得到每个过程滤波窗口的目标程度因子,包括的具体方法为:
将任意一个过程滤波窗口记为参考过程滤波窗口,式中,表示参考过程滤波窗口的目标程度因子;/>表示在参考过程滤波窗口内,皮肤像素点的数量;/>表示在参考过程滤波窗口内,毛发像素点的数量;
获取每个过程滤波窗口的目标程度因子。
优选的,所述用于获取每个过程滤波窗口的若干层滤波像素层,包括的具体方法为:
将任意一个过程滤波窗口记为参考过程滤波窗口,将位于参考过程滤波窗口中心的像素点记为滤波中心像素点;将滤波中心像素点的八邻域内的像素点记为参考过程滤波窗口的第一层滤波像素层;在第一层滤波像素层外围,将与第一层滤波像素层最接近的一层像素点记为参考过程滤波窗口的第二层滤波像素层;在第二层滤波像素层外围,将与第二层滤波像素层最接近的一层像素点记为参考过程滤波窗口的第三层滤波像素层;在第三层滤波像素层外围,将与第三层滤波像素层最接近的一层像素点记为参考过程滤波窗口的第四层滤波像素层;遍历参考过程滤波窗口的所有像素点得到参考过程滤波窗口的若干层滤波像素层;
获取每个过程滤波窗口的若干层滤波像素层。
优选的,所述根据滤波像素层得到每个过程滤波窗口的毛发分布系数,包括的具体方法为:
将任意一个过程滤波窗口记为参考过程滤波窗口,式中,表示参考过程滤波窗口的毛发分布系数;/>表示参考过程滤波窗口包含滤波像素层的层数;/>表示在参考过程滤波窗口内,第/>层滤波像素层所有像素点的灰度值的均值;/>表示参考过程滤波窗口的滤波中心像素点的灰度值;/>表示取绝对值。
优选的,所述用于根据过程滤波窗口内像素点的灰度差异得到每个过程滤波窗口的毛发差异性因子,包括的具体方法为:
将任意一个过程滤波窗口记为参考过程滤波窗口,式中,表示参考过程滤波窗口的横向第一差异性因子;/>表示参考过程滤波窗口中像素点的行数;/>表示参考过程滤波窗口的第/>行所有像素点的灰度值的均值;/>表示参考过程滤波窗口内所有像素点的灰度值的均值;/>表示取绝对值;
式中,表示参考过程滤波窗口的纵向第二差异性因子;/>表示参考过程滤波窗口中像素点的列数;/>表示参考过程滤波窗口的第/>列所有像素点的灰度值的均值;
式中,表示参考过程滤波窗口的初始毛发差异性因子;/>表示参考过程滤波窗口的纵向第二差异性因子;/>表示参考过程滤波窗口的横向第一差异性因子;获取所有过程滤波窗口的初始毛发差异性因子,对所有过程滤波窗口的初始毛发差异性因子进行线性归一化,将归一化后的每个过程滤波窗口的初始毛发差异性因子记为毛发差异性因子。
优选的,所述根据目标程度因子、毛发分布系数以及毛发差异性因子,得到每个过程滤波窗口的窗口去噪目标程度,包括的具体方法为:
将任意一个过程滤波窗口记为参考过程滤波窗口,式中,表示参考过程滤波窗口的去噪目标程度;/>表示参考过程滤波窗口的目标程度因子;/>表示参考过程滤波窗口的毛发分布系数;/>表示参考过程滤波窗口的毛发差异性因子;获取所有过程滤波窗口的去噪目标程度,对所有过程滤波窗口的去噪目标程度进行线性归一化,将归一化后的每个过程滤波窗口的去噪目标程度记为窗口去噪目标程度。
优选的,所述用于根据窗口去噪目标程度得到每个像素点在每个过程滤波窗口的卷积核中的权重,包括的具体方法为:
将任意一个过程滤波窗口记为参考过程滤波窗口,将参考过程滤波窗口的所有像素点的灰度值进行线性归一化,将归一化后的每个像素点的灰度值记为限制灰度值;将参考过程滤波窗口内任意一个像素点记为参考像素点;
式中,表示参考像素点的权重参数;/>表示参考像素点的限制灰度值;/>表示参考过程滤波窗口的窗口去噪目标程度;/>表示参考像素点与参考过程滤波窗口内滤波中心像素点的欧式距离;/>表示超参数;
式中,表示参考像素点在参考过程滤波窗口的卷积核中的权重;/>表示参考像素点的权重参数;/>表示参考过程滤波窗口中像素点的数量;/>表示参考过程滤波窗口中第/>个像素点的权重参数;
获取每个像素点在每个过程滤波窗口的卷积核中的权重。
优选的,所述根据滤波后的畜牧动物红外灰度图像进行智能体温监测,包括的具体方法为:
通过以下公式对滤波后的畜牧动物红外灰度图像中的像素点和对应的温度值进行转换:
其中,T为温度值;V为滤波后的畜牧动物红外灰度图像中像素点的灰度值;K和B为预设常数,其可根据相机的参数进行调整,其中K和B均为正数;
若畜牧动物的不同体表的体温高于或低于标准畜牧动物体温波动范围,记录并反馈对应畜牧动物体温状况。
本发明的技术方案的有益效果是:对畜牧动物红外灰度图像进行聚类得到毛发聚类簇以及皮肤聚类簇;根据毛发聚类簇以及皮肤聚类簇得到目标程度因子,获取滤波像素层,并根据滤波像素层得到毛发分布系数,根据过程滤波窗口内像素点的灰度差异得到毛发差异性因子,根据目标程度因子、毛发分布系数以及毛发差异性因子得到窗口去噪目标程度,根据窗口去噪目标程度得到每个像素点在每个过程滤波窗口的卷积核中的权重,根据权重进行加权均值滤波,从而进行智能体温监测;相较于现有技术无法根据畜牧动物的毛发分布情况进行自适应分配权重;提高了加权均值滤波分配权重的准确性,降低去噪不足或者过度去噪的情况出现的概率,从而提高了测量畜牧动物体温的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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发明的一些实施例,对于本领域普通技术人员来讲,在不付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。
图1为本发明基于数据增强的畜牧兽医用动物体温智能监测系统的结构框图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的基于数据增强的畜牧兽医用动物体温智能监测系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于数据增强的畜牧兽医用动物体温智能监测系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于数据增强的畜牧兽医用动物体温智能监测系统的结构框图,该系统包括以下模块:
初始畜牧动物红外灰度图像采集模块101,采集若干畜牧动物的初始畜牧动物红外灰度图像。
需要说明的是,传统的加权均值滤波没有考虑畜牧动物的毛发分布情况,可能会使不同滤波窗口内的中心像素点的权重并不合适,导致存在去噪不足或者过度去噪的情况,从而降低测量畜牧动物体温的准确性。为此,本实施例提出了一种基于数据增强的畜牧兽医用动物体温智能监测系统。
为了实现本实施例提出的基于数据增强的畜牧兽医用动物体温智能监测系统,首先需要采集畜牧动物红外灰度图像,具体过程为:使用红外相机拍摄若干畜牧动物得到若干图像,记为畜牧动物红外图像;将每张畜牧动物红外图像进行灰度化处理得到若干灰度图像,记为初始畜牧动物红外灰度图像。
至此,通过上述方法得到若干初始畜牧动物红外灰度图像。
目标程度因子获取模块102,根据初始畜牧动物红外灰度图像进行神经网络训练得到若干畜牧动物红外灰度图像;根据畜牧动物红外灰度图像进行聚类得到毛发聚类簇以及皮肤聚类簇;利用滤波窗口对畜牧动物红外灰度图像进行滑动遍历,得到若干滤波窗口,记为过程滤波窗口;根据毛发聚类簇以及皮肤聚类簇得到过程滤波窗口的目标程度因子。
需要说明的是,由于畜牧动物的毛发具有良好的隔热性,阻碍毛发所在的体表区域与外界进行热量调节,从而改变对应体表区域的温度,所以畜牧动物体表处的毛发区域与无毛发区域的体表温度会产生一定程度的差异;毛发区域的像素点的灰度值普遍较低,无毛发区域的像素点的灰度值普遍较高。在滤波窗口滑动的过程中,不同滑动进程的滤波窗口内包含的属于毛发区域的像素点与属于无毛发区域的像素点的数量不同;若滤波窗口内的属于毛发区域的像素点越多,说明滤波窗口越处于毛发密集区域,对应的降噪程度需要越高,从而更好地降低毛发密集区域的干扰;若滤波窗口内的属于毛发区域的像素点越少,说明滤波窗口越处于毛发稀疏区域,对应的降噪程度需要越低,从而更好地降低毛发稀疏区域的干扰。
具体的,以任意一张初始畜牧动物红外灰度图像为例,对该初始畜牧动物红外灰度图像通过神经网络进行语义分割,神经网络采用CNN网络,网络结构采用ResNet网络结构,损失函数采用交叉熵损失函数,获取大量初始畜牧动物红外灰度图像作为训练集,对训练集中每张初始畜牧动物红外灰度图像人工标注不同类型的区域,通过训练集对神经网络进行训练,将该初始畜牧动物红外灰度图像输入训练完成的神经网络中,输出得到该初始畜牧动物红外灰度图像的语义分割图像,记为畜牧动物红外灰度图像;其中神经网络进行语义分割是公知技术,本实施例不进行叙述;另外需要说明的是,每张畜牧动物红外灰度图像对应一张初始畜牧动物红外灰度图像,每张畜牧动物红外灰度图像中仅包含畜牧动物。
进一步的,以任意一张畜牧动物红外灰度图像为例,预设一个分类数量,其中本实施例以/>为例进行叙述,本实施例不进行具体限定,其中/>可根据具体实施情况而定;根据分类数量/>对该畜牧动物红外灰度图像进行K-means聚类得到若干聚类簇;将所有灰度值的均值最低的聚类簇记为毛发聚类簇,将毛发聚类簇内的每个像素点记为毛发像素点;将所有灰度值的均值最高的聚类簇记为皮肤聚类簇,将皮肤聚类簇内的每个像素点记为皮肤像素点;其中K-means聚类是公知技术,本实施例不进行叙述。
进一步的,预设一个滤波窗口大小,其中本实施例以/>为例进行叙述,本实施例不进行具体限定,其中/>可根据具体实施情况而定;将滤波窗口大小/>的窗口作为加权均值滤波的滤波窗口,利用滤波窗口对该畜牧动物红外灰度图像进行滑动遍历,得到若干滤波窗口,并记为过程滤波窗口;以任意一个过程滤波窗口为例,根据该过程滤波窗口内毛发像素点与皮肤像素点的数量得到该过程滤波窗口的目标程度因子;其中利用滤波窗口对灰度图像进行滑动遍历的过程是加权均值滤波的公知内容,本实施例不进行叙述;该过程滤波窗口的目标程度因子的计算方法为:
式中,表示该过程滤波窗口的目标程度因子;/>表示在该过程滤波窗口内,皮肤像素点的数量;/>表示在该过程滤波窗口内,毛发像素点的数量。其中若该过程滤波窗口的目标程度因子越大,说明该过程滤波窗口越处于毛发稀疏的区域,毛发对该过程滤波窗口的去噪影响越低;若该过程滤波窗口的目标程度因子越小,说明该过程滤波窗口越处于毛发密集的区域,毛发对该过程滤波窗口的去噪影响越高。获取所有过程滤波窗口的目标程度因子。
至此,通过上述方法得到所有过程滤波窗口的目标程度因子。
毛发分布系数获取模块103,根据过程滤波窗口得到过程滤波窗口的若干层滤波像素层;根据滤波像素层得到过程滤波窗口的毛发分布系数。
需要说明的是,由于每个过程滤波窗口的目标程度因子只是根据毛发像素点与皮肤像素点的数量比值所获取,所以目标程度因子并不能表示过程滤波窗口内的毛发像素点的分布情况;由于过程滤波窗口内的毛发像素点的分布情况不同,也会不同程度地影响过程滤波窗口的去噪效果;若过程滤波窗口内毛发像素点分布不均匀,则会在过程滤波窗口内出现部分毛发密集与部分毛发稀疏的情况,会很大程度地影响过程滤波窗口的去噪效果;若过程滤波窗口内毛发像素点分布均匀,则很小程度地影响过程滤波窗口的去噪效果。
具体的,以任意一个过程滤波窗口为例,将位于该过程滤波窗口中心的像素点记为滤波中心像素点;将该滤波中心像素点的八邻域内的像素点记为该过程滤波窗口的第一层滤波像素层;在第一层滤波像素层外围,将与第一层滤波像素层最接近的一层像素点记为该过程滤波窗口的第二层滤波像素层;在第二层滤波像素层外围,将与第二层滤波像素层最接近的一层像素点记为该过程滤波窗口的第三层滤波像素层;在第三层滤波像素层外围,将与第三层滤波像素层最接近的一层像素点记为该过程滤波窗口的第四层滤波像素层;以此类推,遍历该过程滤波窗口的所有像素点得到该过程滤波窗口的若干层滤波像素层;获取所有过程滤波窗口的若干层滤波像素层。
进一步的,以任意一个过程滤波窗口为例,根据该过程滤波窗口的若干滤波像素层得到该过程滤波窗口的毛发分布系数;其中该过程滤波窗口的毛发分布系数的计算方法为:
式中,表示该过程滤波窗口的毛发分布系数;/>表示该过程滤波窗口包含滤波像素层的层数;/>表示在该过程滤波窗口内,第/>层滤波像素层所有像素点的灰度值的均值;/>表示该过程滤波窗口的滤波中心像素点的灰度值;/>表示取绝对值;其中若该过程滤波窗口的毛发分布系数越小,说明该过程滤波窗口内毛发分布越均匀,反映该过程滤波窗口的需要降噪的程度越低。获取该过程滤波窗口的毛发分布系数;获取所有过程滤波窗口的毛发分布系数。
至此,通过上述方法获取所有过程滤波窗口的毛发分布系数。
窗口去噪目标程度模块104,根据过程滤波窗口内像素点的灰度差异得到横向第一差异性因子以及纵向第二差异性因子;根据横向第一差异性因子以及纵向第二差异性因子得到毛发差异性因子;根据目标程度因子、毛发分布系数以及毛发差异性因子得到过程滤波窗口的窗口去噪目标程度。
需要说明的是,对于畜牧动物来说,由于部分体表区域的接近皮肤层的血管分布密集,导致对应的体表区域即使不少毛发干扰,仍然比其他毛发稀疏的体表区域的温度较高;此时对应体表区域的毛发干扰较弱,而对应体表区域的去噪程度需要较低,不应较高。
具体的,以任意一个过程滤波窗口为例,根据该过程滤波窗口的每行像素点的灰度差异得到该过程滤波窗口的横向第一差异性因子;其中该过程滤波窗口的横向第一差异性因子的计算方法为:
式中,表示该过程滤波窗口的横向第一差异性因子;/>表示该过程滤波窗口中像素点的行数;/>表示该过程滤波窗口的第/>行所有像素点的灰度值的均值;/>表示该过程滤波窗口内所有像素点的灰度值的均值;/>表示取绝对值。其中若该过程滤波窗口的横向第一差异性因子越大,说明该过程滤波窗口在横向方向上的温度变化越大,反映该过程滤波窗口在横向方向上,越属于存在不少毛发但体表温度也较高的区域。
进一步的,根据该过程滤波窗口的每列像素点的灰度差异得到该过程滤波窗口的纵向第二差异性因子;其中该过程滤波窗口的纵向第二差异性因子的计算方法为:
式中,表示该过程滤波窗口的纵向第二差异性因子;/>表示该过程滤波窗口中像素点的列数;/>表示该过程滤波窗口的第/>列所有像素点的灰度值的均值;/>表示取绝对值。其中若该过程滤波窗口的纵向第二差异性因子越大,说明该过程滤波窗口在纵向方向上的温度变化越大,反映该过程滤波窗口在纵向方向上,越属于存在不少毛发但体表温度也较高的区域。
进一步的,根据该过程滤波窗口的横向第一差异性因子以及纵向第二差异性因子得到该过程滤波窗口的毛发差异性因子;其中该过程滤波窗口的毛发差异性因子的计算方法为:
式中,表示该过程滤波窗口的初始毛发差异性因子;/>表示该过程滤波窗口的纵向第二差异性因子;/>表示该过程滤波窗口的横向第一差异性因子;其中若该过程滤波窗口的初始毛发差异性因子越大,说明该过程滤波窗口内畜牧动物本身体温变化较大,反映该过程滤波窗口的去噪程度越低;获取所有过程滤波窗口的初始毛发差异性因子,对所有过程滤波窗口的初始毛发差异性因子进行线性归一化处理,将归一化处理后的每个过程滤波窗口的初始毛发差异性因子记为毛发差异性因子。
进一步的,以任意一个过程滤波窗口为例,根据该过程滤波窗口的目标程度因子、毛发分布系数以及毛发差异性因子得到该过程滤波窗口的去噪目标程度;其中该过程滤波窗口的去噪目标程度的计算方法为:
式中,表示该过程滤波窗口的去噪目标程度;/>表示该过程滤波窗口的目标程度因子;/>表示该过程滤波窗口的毛发分布系数;/>表示该过程滤波窗口的毛发差异性因子。其中该过程滤波窗口的去噪目标程度越大,说明该过程滤波窗口的毛发对滤波结果的干扰程度越大,反映该过程滤波窗口的去噪程度越高。获取所有过程滤波窗口的去噪目标程度,对所有过程滤波窗口的去噪目标程度进行线性归一化处理,将归一化处理后的每个过程滤波窗口的去噪目标程度记为窗口去噪目标程度。
至此,通过上述方法得到获取所有过程滤波窗口的窗口去噪目标程度。
智能体温监测模块105,根据窗口去噪目标程度得到过程滤波窗口内像素点的权重参数;根据权重参数得到像素点在过程滤波窗口的卷积核中的权重;根据权重进行加权均值滤波得到若干滤波后的畜牧动物红外灰度图像;根据滤波后的畜牧动物红外灰度图像进行智能体温监测。
具体的,以任意一个过程滤波窗口为例,将该过程滤波窗口的所有像素点的灰度值进行线性归一化处理,将归一化处理后的每个像素点的灰度值记为限制灰度值;以该过程滤波窗口内任意一个像素点为例,根据该过程滤波窗口内滤波中心像素点的限制灰度值以及对应的欧式距离,得到该像素点的权重参数;其中该像素点的权重参数的计算方法为:
式中,表示该像素点的权重参数;/>表示该像素点的限制灰度值;/>表示该过程滤波窗口的窗口去噪目标程度;/>表示该像素点与该过程滤波窗口内滤波中心像素点的欧式距离;/>表示超参数,本实施例预设/>,用于防止分母为0。其中欧式距离的获取是公知技术,本实例不进行叙述。需要说明的是,根据滤波窗口内像素点与中心像素点的距离对像素进行加权,距离中心像素点越远的像素点的灰度值,其对于中心像素点的影响越小,故对应的像素点的权重参数越小;同时,像素点的灰度值越小,其对应的权重参数越小,灰度值越小其为噪声或者毛发的概率越大,故对应的权重参数越小。对于窗口去噪目标程度,若过程滤波窗口对应的窗口去噪目标程度越大,则反映该过程滤波窗口需要降噪的程度越大,即需要使得高灰度值的像素点的权重更大,低灰度值的像素点的权重更低。而分子上取是因为窗口去噪目标程度/>的取值区间为[0,1],通过对窗口去噪目标程度加上正数1的方法,实现将其取值区间调整为大于1的区间。
进一步的,根据该像素点的权重参数得到该像素点在该过程滤波窗口的卷积核中的权重;其中该像素点在该过程滤波窗口的卷积核中的权重的计算方法为:
式中,表示该像素点在该过程滤波窗口的卷积核中的权重;/>表示该像素点的权重参数;/>表示该过程滤波窗口中像素点的数量;/>表示该过程滤波窗口中第/>个像素点的权重参数。其中若该像素点在该过程滤波窗口的卷积核中的权重越大,说明在该过程滤波窗口中,该像素点对最终检测结果的影响越大,需要考虑的比重越大。获取所有像素点在该过程滤波窗口的卷积核中的权重;获取所有像素点在所有过程滤波窗口的卷积核中的权重。
进一步的,根据所有像素点在所有过程滤波窗口的卷积核中的权重进行加权均值滤波,得到若干滤波后的畜牧动物红外灰度图像;将若干滤波后的畜牧动物红外灰度图像转换为对应的畜牧动物红外图像,并输入智能体温监测系统进行检测。
对于滤波后的畜牧动物红外灰度图像,通过灰度温度转换公式将灰度值转化为温度值,以更直观的观察畜牧的温度分布和温度值。
具体的红外图像灰度温度转换公式,是将滤波后的畜牧动物红外灰度图像中的灰度值转换为温度值的公式。该公式基于斯特藩-玻尔兹曼定律,根据滤波后的畜牧动物红外灰度图像中每个像素点的灰度值计算出相应的表面温度。
通常,红外图像的灰度值与温度呈线性关系,因此作为本发明的一个实施例可以通过以下公式对滤波后的畜牧动物红外灰度图像中的像素点和对应的温度值进行转换:
其中,T为温度值;V为滤波后的畜牧动物红外灰度图像中像素点的灰度值;K和B为预设常数,其可根据相机的参数进行调整。
作为本发明的另一个实施例,可以根据当前红外数据提供的参考像素点的像素值及其对应的温度、测温范围的平均温度及平均温度对应的像素值,建立温度-灰度值转换关系。
基于温度-灰度值转换关系,得到滤波后的畜牧动物红外灰度图像中每个像素点对应的温度值。
若畜牧动物的不同体表的体温高于或低于标准畜牧动物体温波动范围,则记录并反馈对应畜牧动物体温状况。其中将若干滤波后的畜牧动物红外灰度图像转换为对应的畜牧动物红外图像是灰度温度转换技术的公知内容,标准畜牧动物体温波动范围获取是公知技术,本实施例不进行叙述。
至此,本实施例完成。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.基于数据增强的畜牧兽医用动物体温智能监测系统,其特征在于,该系统包括以下模块:
初始畜牧动物红外灰度图像采集模块,用于采集若干畜牧动物的初始畜牧动物红外灰度图像;
目标程度因子获取模块,用于根据初始畜牧动物红外灰度图像进行神经网络训练得到若干畜牧动物红外灰度图像;根据畜牧动物红外灰度图像进行聚类得到毛发聚类簇以及皮肤聚类簇;利用滤波窗口对畜牧动物红外灰度图像进行滑动遍历,得到若干滤波窗口,记为过程滤波窗口;根据毛发聚类簇以及皮肤聚类簇得到每个过程滤波窗口的目标程度因子;
毛发分布系数获取模块,用于获取每个过程滤波窗口的若干层滤波像素层;根据滤波像素层得到每个过程滤波窗口的毛发分布系数;
窗口去噪目标程度模块,用于根据过程滤波窗口内像素点的灰度差异得到每个过程滤波窗口的毛发差异性因子;根据目标程度因子、毛发分布系数以及毛发差异性因子,得到每个过程滤波窗口的窗口去噪目标程度;
智能体温监测模块,用于根据窗口去噪目标程度得到每个像素点在每个过程滤波窗口的卷积核中的权重;根据权重进行滤波得到若干滤波后的畜牧动物红外灰度图像;根据滤波后的畜牧动物红外灰度图像进行智能体温监测。
2.根据权利要求1所述基于数据增强的畜牧兽医用动物体温智能监测系统,其特征在于,所述用于根据初始畜牧动物红外灰度图像进行神经网络训练得到若干畜牧动物红外灰度图像,包括的具体方法为:
将任意一张初始畜牧动物红外灰度图像记为参考初始畜牧动物红外灰度图像,对参考初始畜牧动物红外灰度图像通过神经网络进行语义分割,神经网络采用ResNet网络结构,损失函数采用交叉熵损失函数,获取大量初始畜牧动物红外灰度图像作为训练集,对训练集中每张初始畜牧动物红外灰度图像人工标注不同类型的区域,通过训练集对神经网络进行训练,将参考初始畜牧动物红外灰度图像输入训练完成的神经网络中,输出得到参考初始畜牧动物红外灰度图像的语义分割图像,记为畜牧动物红外灰度图像。
3.根据权利要求1所述基于数据增强的畜牧兽医用动物体温智能监测系统,其特征在于,所述根据畜牧动物红外灰度图像进行聚类得到毛发聚类簇以及皮肤聚类簇,包括的具体方法为:
将任意一张畜牧动物红外灰度图像记为参考畜牧动物红外灰度图像;根据预设分类数量对参考畜牧动物红外灰度图像进行K-means聚类得到若干聚类簇;将所有灰度值的均值最低的聚类簇记为毛发聚类簇,将毛发聚类簇内的每个像素点记为毛发像素点;将所有灰度值的均值最高的聚类簇记为皮肤聚类簇,将皮肤聚类簇内的每个像素点记为皮肤像素点。
4.根据权利要求3所述基于数据增强的畜牧兽医用动物体温智能监测系统,其特征在于,所述根据毛发聚类簇以及皮肤聚类簇得到每个过程滤波窗口的目标程度因子,包括的具体方法为:
将任意一个过程滤波窗口记为参考过程滤波窗口,式中,表示参考过程滤波窗口的目标程度因子;/>表示在参考过程滤波窗口内,皮肤像素点的数量;/>表示在参考过程滤波窗口内,毛发像素点的数量;
获取每个过程滤波窗口的目标程度因子。
5.根据权利要求1所述基于数据增强的畜牧兽医用动物体温智能监测系统,其特征在于,所述用于获取每个过程滤波窗口的若干层滤波像素层,包括的具体方法为:
将任意一个过程滤波窗口记为参考过程滤波窗口,将位于参考过程滤波窗口中心的像素点记为滤波中心像素点;将滤波中心像素点的八邻域内的像素点记为参考过程滤波窗口的第一层滤波像素层;在第一层滤波像素层外围,将与第一层滤波像素层最接近的一层像素点记为参考过程滤波窗口的第二层滤波像素层;在第二层滤波像素层外围,将与第二层滤波像素层最接近的一层像素点记为参考过程滤波窗口的第三层滤波像素层;在第三层滤波像素层外围,将与第三层滤波像素层最接近的一层像素点记为参考过程滤波窗口的第四层滤波像素层;遍历参考过程滤波窗口的所有像素点得到参考过程滤波窗口的若干层滤波像素层;
获取每个过程滤波窗口的若干层滤波像素层。
6.根据权利要求5所述基于数据增强的畜牧兽医用动物体温智能监测系统,其特征在于,所述根据滤波像素层得到每个过程滤波窗口的毛发分布系数,包括的具体方法为:
将任意一个过程滤波窗口记为参考过程滤波窗口,式中,表示参考过程滤波窗口的毛发分布系数;/>表示参考过程滤波窗口包含滤波像素层的层数;/>表示在参考过程滤波窗口内,第/>层滤波像素层所有像素点的灰度值的均值;/>表示参考过程滤波窗口的滤波中心像素点的灰度值;/>表示取绝对值。
7.根据权利要求1所述基于数据增强的畜牧兽医用动物体温智能监测系统,其特征在于,所述用于根据过程滤波窗口内像素点的灰度差异得到每个过程滤波窗口的毛发差异性因子,包括的具体方法为:
将任意一个过程滤波窗口记为参考过程滤波窗口,式中,表示参考过程滤波窗口的横向第一差异性因子;/>表示参考过程滤波窗口中像素点的行数;/>表示参考过程滤波窗口的第/>行所有像素点的灰度值的均值;/>表示参考过程滤波窗口内所有像素点的灰度值的均值;/>表示取绝对值;
式中,表示参考过程滤波窗口的纵向第二差异性因子;/>表示参考过程滤波窗口中像素点的列数;/>表示参考过程滤波窗口的第/>列所有像素点的灰度值的均值;
式中,表示参考过程滤波窗口的初始毛发差异性因子;/>表示参考过程滤波窗口的纵向第二差异性因子;/>表示参考过程滤波窗口的横向第一差异性因子;获取所有过程滤波窗口的初始毛发差异性因子,对所有过程滤波窗口的初始毛发差异性因子进行线性归一化,将归一化后的每个过程滤波窗口的初始毛发差异性因子记为毛发差异性因子。
8.根据权利要求1所述基于数据增强的畜牧兽医用动物体温智能监测系统,其特征在于,所述根据目标程度因子、毛发分布系数以及毛发差异性因子,得到每个过程滤波窗口的窗口去噪目标程度,包括的具体方法为:
将任意一个过程滤波窗口记为参考过程滤波窗口,式中,表示参考过程滤波窗口的去噪目标程度;/>表示参考过程滤波窗口的目标程度因子;/>表示参考过程滤波窗口的毛发分布系数;/>表示参考过程滤波窗口的毛发差异性因子;获取所有过程滤波窗口的去噪目标程度,对所有过程滤波窗口的去噪目标程度进行线性归一化,将归一化后的每个过程滤波窗口的去噪目标程度记为窗口去噪目标程度。
9.根据权利要求5所述基于数据增强的畜牧兽医用动物体温智能监测系统,其特征在于,所述用于根据窗口去噪目标程度得到每个像素点在每个过程滤波窗口的卷积核中的权重,包括的具体方法为:
将任意一个过程滤波窗口记为参考过程滤波窗口,将参考过程滤波窗口的所有像素点的灰度值进行线性归一化,将归一化后的每个像素点的灰度值记为限制灰度值;将参考过程滤波窗口内任意一个像素点记为参考像素点;
式中,表示参考像素点的权重参数;/>表示参考像素点的限制灰度值;/>表示参考过程滤波窗口的窗口去噪目标程度;/>表示参考像素点与参考过程滤波窗口内滤波中心像素点的欧式距离;/>表示超参数;
式中,表示参考像素点在参考过程滤波窗口的卷积核中的权重;/>表示参考像素点的权重参数;/>表示参考过程滤波窗口中像素点的数量;/>表示参考过程滤波窗口中第/>个像素点的权重参数;
获取每个像素点在每个过程滤波窗口的卷积核中的权重。
10.根据权利要求1所述基于数据增强的畜牧兽医用动物体温智能监测系统,其特征在于,所述根据滤波后的畜牧动物红外灰度图像进行智能体温监测,包括的具体方法为:
通过以下公式对滤波后的畜牧动物红外灰度图像中的像素点和对应的温度值进行转换:
其中,T为温度值;V为滤波后的畜牧动物红外灰度图像中像素点的灰度值;K和B为预设常数,其可根据相机的参数进行调整,其中K和B均为正数;
若畜牧动物的不同体表的体温高于或低于标准畜牧动物体温波动范围,记录并反馈对应畜牧动物体温状况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311525135.5A CN117237244B (zh) | 2023-11-16 | 2023-11-16 | 基于数据增强的畜牧兽医用动物体温智能监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311525135.5A CN117237244B (zh) | 2023-11-16 | 2023-11-16 | 基于数据增强的畜牧兽医用动物体温智能监测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117237244A true CN117237244A (zh) | 2023-12-15 |
CN117237244B CN117237244B (zh) | 2024-02-02 |
Family
ID=89083010
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311525135.5A Active CN117237244B (zh) | 2023-11-16 | 2023-11-16 | 基于数据增强的畜牧兽医用动物体温智能监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117237244B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118362207A (zh) * | 2024-06-19 | 2024-07-19 | 开信(大连)互联网服务有限公司 | 一种畜牧兽医用动物体温检测系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111145205A (zh) * | 2019-12-24 | 2020-05-12 | 天津农学院 | 基于红外图像的多猪只场景下猪体温检测方法 |
CN112529800A (zh) * | 2020-12-07 | 2021-03-19 | 同济大学 | 一种用于滤除毛发噪声的近红外静脉图像处理方法 |
CN112539839A (zh) * | 2020-10-31 | 2021-03-23 | 中国农业科学院农业信息研究所 | 一种非接触式动物体温监测装置 |
WO2022110837A1 (zh) * | 2020-11-27 | 2022-06-02 | 北京达佳互联信息技术有限公司 | 图像处理方法及装置 |
CN116977329A (zh) * | 2023-09-21 | 2023-10-31 | 江苏惠汕新能源集团有限公司 | 一种基于机器视觉的光伏板栅线检测方法 |
-
2023
- 2023-11-16 CN CN202311525135.5A patent/CN117237244B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111145205A (zh) * | 2019-12-24 | 2020-05-12 | 天津农学院 | 基于红外图像的多猪只场景下猪体温检测方法 |
CN112539839A (zh) * | 2020-10-31 | 2021-03-23 | 中国农业科学院农业信息研究所 | 一种非接触式动物体温监测装置 |
WO2022110837A1 (zh) * | 2020-11-27 | 2022-06-02 | 北京达佳互联信息技术有限公司 | 图像处理方法及装置 |
CN112529800A (zh) * | 2020-12-07 | 2021-03-19 | 同济大学 | 一种用于滤除毛发噪声的近红外静脉图像处理方法 |
CN116977329A (zh) * | 2023-09-21 | 2023-10-31 | 江苏惠汕新能源集团有限公司 | 一种基于机器视觉的光伏板栅线检测方法 |
Non-Patent Citations (1)
Title |
---|
袁浩期;李扬;王俊影;刘航;: "基于红外热像的行人面部温度高精度检测技术", 红外技术, no. 12, pages 94 - 99 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118362207A (zh) * | 2024-06-19 | 2024-07-19 | 开信(大连)互联网服务有限公司 | 一种畜牧兽医用动物体温检测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117237244B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109308697B (zh) | 一种基于机器学习算法的树叶病害识别方法 | |
CN117237244B (zh) | 基于数据增强的畜牧兽医用动物体温智能监测系统 | |
CN114052735B (zh) | 一种基于深度领域自适应的脑电情绪识别方法及系统 | |
CN109271964B (zh) | 基于深度学习模型与长短记忆网络的情绪识别方法及系统 | |
CN107103306B (zh) | 基于小波分析与支持向量机的冬小麦白粉病遥感监测方法 | |
CN117764864B (zh) | 基于图像去噪的核磁共振肿瘤视觉检测方法 | |
CN111797804A (zh) | 一种基于深度学习的信道状态信息人类活动识别方法及系统 | |
CN115131325A (zh) | 一种基于图像识别分析的断路器故障运维监测方法及系统 | |
CN115994907B (zh) | 用于食品检测机构综合信息的智能处理系统及方法 | |
CN118097160B (zh) | 基于视觉技术的危急重症病患状态监测系统 | |
CN118013230B (zh) | 一种畜禽水质异常监测数据处理方法及系统 | |
CN115861721A (zh) | 基于图像数据的畜禽养殖喷雾设备状态识别方法 | |
Xu et al. | Research on the lying pattern of grouped pigs using unsupervised clustering and deep learning | |
Schwabedal et al. | Automated classification of sleep stages and EEG artifacts in mice with deep learning | |
Deng et al. | Identification of Banana Leaf Disease Based on KVA and GR-ARNet1 | |
CN110569880A (zh) | 一种利用人工神经网络模型对视觉刺激解码方法 | |
CN116188990A (zh) | 一种基于无人机遥感的地表植被识别方法及系统 | |
Xu | Comparison of CNN Models in Non-small Lung Cancer Diagnosis | |
CN110910392B (zh) | 一种基于多重空间信息加权的模糊聚类的图像分割方法 | |
CN118362207B (zh) | 一种畜牧兽医用动物体温检测系统 | |
Kumar et al. | Improving the efficiency of Plant-Leaf Disease detection using Convolutional Neural Network optimizer-Adam Algorithm | |
Durairaj et al. | Disease detection in plant leaves using segmentation and autoencoder techniques | |
CN117853937B (zh) | 一种基于次要颜色聚类分析的水稻病害识别方法和系统 | |
Wang et al. | Integrating field images and microclimate data to realize multi-day ahead forecasting of maize crop coverage using CNN-LSTM | |
CN113111834B (zh) | 一种基于注意力的全局局部光谱权重的波段选择方法 |
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 |