CN117373676A - 大熊猫健康评估方法、装置、系统、设备及存储介质 - Google Patents

大熊猫健康评估方法、装置、系统、设备及存储介质 Download PDF

Info

Publication number
CN117373676A
CN117373676A CN202311666645.4A CN202311666645A CN117373676A CN 117373676 A CN117373676 A CN 117373676A CN 202311666645 A CN202311666645 A CN 202311666645A CN 117373676 A CN117373676 A CN 117373676A
Authority
CN
China
Prior art keywords
panda
image
excrement
characteristic information
health
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
Application number
CN202311666645.4A
Other languages
English (en)
Other versions
CN117373676B (zh
Inventor
王也
庞惠中
寇洁
朱兴永
刘佳文
苗君婷
刘思琴
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.)
CHENGDU RESEARCH BASE OF GIANT PANDA BREEDING
Original Assignee
CHENGDU RESEARCH BASE OF GIANT PANDA BREEDING
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 CHENGDU RESEARCH BASE OF GIANT PANDA BREEDING filed Critical CHENGDU RESEARCH BASE OF GIANT PANDA BREEDING
Priority to CN202311666645.4A priority Critical patent/CN117373676B/zh
Publication of CN117373676A publication Critical patent/CN117373676A/zh
Application granted granted Critical
Publication of CN117373676B publication Critical patent/CN117373676B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • 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
    • G06N3/045—Combinations of 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
    • G06N3/0464—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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • G06V10/443—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 by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Public Health (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Epidemiology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Primary Health Care (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本申请实施例公开一种大熊猫健康评估方法、装置、系统、设备及存储介质，方法包括：获取大熊猫排泄物图像；将大熊猫排泄物图像输入第一特征提取层，提取出粪便特征信息；将粪便特征信息输入分类层，得到预测结果及其相应的大熊猫健康评估等级；当大熊猫排泄物图像中提取出的粪便特征信息处于预设的正常范围、不良范围和异常范围时，则对应预测结果为正常排泄、不良排泄和异常排泄，大熊猫健康评估等级对应为健康、亚健康和疾病。通过摄像设备直接获取最新排出的粪便图像，使工作人员可以不用频繁进入圈舍收集到大熊猫粪便，通过深度学习模型统一评估标准，快速得到大熊猫健康等级，并有效减少工作人员的工作量以及减少对大熊猫生活的影响。

Description

大熊猫健康评估方法、装置、系统、设备及存储介质
技术领域
本发明涉及一种大熊猫健康评估方法、装置、系统、设备及存储介质，属于智慧动物园管理技术领域。
背景技术
大熊猫是一种珍稀的濒危物种，其数量极为有限。为了确保大熊猫的健康和生存，需要对其进行定期的健康评估和监测；
大熊猫的主要食物为各类竹子，但由于竹子营养价值低、热量低，因此大熊猫需要通过进食大量竹子才能维持身体所需，对应的大熊猫的排便量也比较大（一只成年大熊猫每天可排便四十次、重量可达十公斤），由此通过粪便反应大熊猫身体健康状态有较多优势，如大熊猫粪便相对容易获得，可避免直接检查大熊猫身体而对大熊猫正常活动的干扰，以及检查过程中可能对大熊猫造成的伤害，因此工作人员日常清理粪便时，也可以根据经验观察大熊猫粪便是否正常，由此对大熊猫身体健康状态进行初步的评估，然而这种方式目前也存在有以下问题，包括评判标准是依据每位工作人员的经验，因此判断标准不统一、不客观，同时也会增加工作人员的工作量，造成人工成本升高。
发明内容
本发明的目的在于：随着深度神经网络的发展，利用大熊猫排泄物图像判别熊猫健康状态成为了可能，为此本发明提供了一种基于大熊猫排泄物图像分类的大熊猫健康评估方法、装置、系统、计算机设备及存储介质，其基于大熊猫排泄物图像，利用第一特征提取层，提取出粪便特征信息，以及利用第二特征提取层，提取出残余食物特征信息，然后将粪便特征信息和残余食物特征信息输入分类层，得到预测结果及其相应的健康等级，从而快速获知大熊猫的健康状态，减少人工判别成本。
本发明的第一个目的在于提供一种大熊猫健康评估方法。
本发明的第二个目的在于提供一种大熊猫健康评估装置。
本发明的第三个目的在于提供一种大熊猫健康评估系统。
本发明的第四个目的在于提供一种计算机设备。
本发明的第五个目的在于提供一种存储介质。
本发明的第一个目的可以通过采取如下技术方案达到：
一种大熊猫健康评估方法，所述方法包括：
获取大熊猫排泄物图像；
将大熊猫排泄物图像输入第一特征提取层，提取出粪便特征信息，所述粪便特征信息包括有粪便的形状、颜色；
将粪便特征信息输入分类层，得到预测结果及其相应的大熊猫健康评估等级；
当大熊猫排泄物图像中提取出的粪便特征信息处于预设的正常范围时，则预测结果为正常排泄，大熊猫健康评估等级为健康；
当大熊猫排泄物图像中提取出的粪便特征信息处于预设的不良范围时，则预测结果为不良排泄，大熊猫健康评估等级为亚健康；
当大熊猫排泄物图像中提取出的粪便特征信息处于预设的异常范围时，则预测结果为异常排泄，大熊猫健康评估等级为疾病。
进一步的，所述当大熊猫排泄物图像中提取出的粪便特征信息处于预设的不良范围或异常范围时，还包括：
收集大熊猫粪便后暴露粪便内部，拍摄获取大熊猫排泄物内部图像，并输入第二特征提取层，提取出残余食物特征信息，所述残余食物特征信息包括残余食物的消化程度；
将粪便特征信息和残余食物特征信息输入分类层，得到预测结果及其相应的大熊猫健康评估等级；
当大熊猫排泄物图像中提取出的粪便特征信息和残余食物特征信息处于预设的正常范围时，则预测结果为正常排泄，大熊猫健康评估等级为健康；
当大熊猫排泄物图像中提取出的粪便特征信息和残余食物特征信息中，任一特征信息处于预设的不良范围时，则预测结果为不良排泄，大熊猫健康评估等级为亚健康；
当大熊猫排泄物图像中提取出的粪便特征信息和残余食物特征信息中，任一特征信息处于预设的异常范围时，则预测结果为异常排泄，大熊猫健康评估等级为疾病。
进一步的，所述第一特征提取层依次包括第一卷积层、第二卷积层、第一池化层、第三卷积层、第四卷积层、第二池化层；
所述第二特征提取层包括第一卷积网络、第二卷积网络和混合拼接层；
所述第一卷积网络，用于从粪便特征信息提取出残余竹子特征信息；
所述第二卷积网络，用于从粪便特征信息提取出残余辅食特征信息；
所述混合拼接层，用于混合拼接残余竹子特征信息和残余辅食特征信息，得到残余食物特征信息；
所述第一卷积网络依次包括第一输入层、第五卷积层、第六卷积层、第三池化层、第七卷积层、第八卷积层、第四池化层、第九卷积层、第十卷积层、第十一卷积层、第五池化层、第一全连接层；
所述第二卷积网络依次包括第二输入层、第十二卷积层、第十三卷积层、去除softmax层的Resnet34主干网络；
所述第二特征提取层还包括自注意力传播模块，所述自注意力传播模块包括自注意力机制和多个依次连接的空洞卷积层；
所述自注意力机制设置在第六卷积层和第三池化层之间；
所述自注意力机制通过多个依次连接的空洞卷积层与所述Resnet34主干网络连接；
所述Resnet34主干网络的前两个残差模块的加法改成乘法。
进一步的，所述获取大熊猫排泄物图像的步骤之前，还包括：
获取现有的大熊猫图像，提取所述大熊猫图像特征进行学习，获取实时图像，对所述实时图像中的大熊猫进行识别并追踪；
提取所述大熊猫臀部图像特征进行学习，在对大熊猫进行识别并追踪过程中，对大熊猫臀部位置进行识别并追踪；
获取现有的大熊猫排泄物图像，提取所述大熊猫排泄物图像特征进行学习，实时图像中当大熊猫臀部出现排泄物时，对大熊猫排泄物进行图像收集。
进一步的，所述实时图像中当大熊猫臀部出现排泄物时，对大熊猫排泄物进行图像收集的步骤中，具体包括对大熊猫每次排泄的时长进行记录，并统计每天的排泄次数，与预设的标准排泄时长范围以及标准排泄次数范围进行对比，得出大熊猫排泄时长以及排泄次数是否正常。
进一步的，所述当大熊猫排泄物图像中提取出的粪便特征信息和残余食物特征信息处于预设的不良范围时，后续步骤还包括：
保存当前大熊猫排泄物图像为第一图像，以及确定排出该排泄物的对应大熊猫；
对所述第一大熊猫实时追踪，等待所述第一大熊猫再次排出排泄物；
对所述第一大熊猫再次排出的排泄物进行图像获取，得到第二图像，对所述第二图像进行特征提取，提取出的粪便特征信息和残余食物特征信息并与所述第一图像对比；
当所述第二图像中相对所述第一图像的粪便特征信息和残余食物特征信息距离预设的正常范围更远时，判定所述第一大熊猫健康情况在恶化，通知工作人员介入；
当所述第二图像中相对所述第一图像的粪便特征信息和残余食物特征信息接近预设的正常范围时，判定所述第一大熊猫健康情况在好转，将所述第二图像作为新的所述第一图像，继续对所述第一大熊猫进行实时追踪和图像对比，直到大熊猫排泄物中提取出的粪便特征信息和残余食物特征信息处于预设的正常范围结束。
本发明的第二个目的可以通过采取如下技术方案达到：
一种大熊猫健康评估装置，所述装置包括：
图像获取模块，用于获取大熊猫排泄物图像；
第一特征提取模块，将大熊猫排泄物图像输入第一特征提取层，提取出粪便特征信息，所述粪便特征信息包括有粪便的形状、颜色；
健康等级评估模块，将粪便特征信息输入分类层，得到预测结果及其相应的大熊猫健康评估等级；
当大熊猫排泄物图像中提取出的粪便特征信息处于预设的正常范围时，则预测结果为正常排泄，大熊猫健康评估等级为健康；
当大熊猫排泄物图像中提取出的粪便特征信息处于预设的不良范围时，则预测结果为不良排泄，大熊猫健康评估等级为亚健康；
当大熊猫排泄物图像中提取出的粪便特征信息处于预设的异常范围时，则预测结果为异常排泄，大熊猫健康评估等级为疾病。
本发明的第三个目的可以通过采取如下技术方案达到：
一种大熊猫健康评估系统，所述系统包括：
摄像设备，用于拍摄大熊猫排泄物图像；
边缘计算设备，用于实现上述的大熊猫健康评估方法；
显示设备，设置在相应的大熊猫园区内，用于显示预测结果及其相应的健康评估等级。
本发明的第四个目的可以通过采取如下技术方案达到：
一种计算机设备，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现上述的大熊猫健康评估方法。
本发明的第五个目的可以通过采取如下技术方案达到：
一种存储介质，存储有程序，所述程序被处理器执行时，实现上述的大熊猫健康评估方法。
本发明相对于现有技术具有如下的有益效果：
1、考虑到现有技术中通过对大熊猫粪便进行收集后再对大熊猫粪便进行查看的方式，通过摄像设备对大熊猫进行实时图像采集，直接对大熊猫最新排出的粪便图像采集，避免从大熊猫排便到工作人员收集这段时间大熊猫粪便与空气作用产生变化，包括有颜色变化、粘稠度变化，导致最终的评估结果出现差异，同时通过摄像设备直接获取最新排出的粪便图像，可以使工作人员可以不用为了评估结果的准确而频繁进入圈舍收集到大熊猫粪便，也可以减少工作人员的工作量以及减少对大熊猫生活的影响，基于深度学习技术，采用大熊猫排泄物图像分类的方式进行健康评估，无需对大熊猫进行干扰性采样，避免了对大熊猫的伤害；
2、所述获取大熊猫排泄物图像包括现有的排泄物图像以及待评估的大熊猫当前排泄物图像，所述现有的排泄物图像用于模型训练，使模型可以识别出所述待评估的大熊猫当前排泄物图像处于正常范围或不良范围或异常范围，对应给出大熊猫健康评估等级，当大熊猫健康评估等级为健康时，不对大熊猫当前食物、活动进行调整；当大熊猫健康评估等级为亚健康时，对大熊猫当前食物、活动进行调整，并密切关注大熊猫状态；当大熊猫健康评估等级为疾病时，对大熊猫当前食物、活动进行调整的基础上对大熊猫进行送医等进一步操作，进一步的，可根据大熊猫健康评估等级为亚健康或疾病时，对大熊猫采取的操作以及采取操作后大熊猫的恢复情况进行记录，在后续大熊猫出现同样的亚健康或疾病时，可参考此对大熊猫采取的操作以及采取操作后大熊猫的恢复情况；
3、大熊猫粪便内部信息受到外界环境影响相对较小，而大熊猫排泄物的外部情况与内部情况具有相关性，外部情况也就是粪便特征信息如在正常范围，则内部情况通常也正常，因此在本实施方式中当所述粪便特征信息处在不良范围或异常范围时，通知工作人员对粪便进行收集后暴露内部情况，对残余食物的消化程度进行查看，当残余食物特征信息出现消化程度在不良范围内时，则大熊猫消化不良，当粪便特征信息与残余食物特征信息任意一项处在自身的不良范围内时，大熊猫健康评估为亚健康；当残余食物特征信息出现消化程度在异常范围内时，则大熊猫消化出现问题，当粪便特征信息与残余食物特征信息任意一项处在自身的异常范围内时，大熊猫健康评估为疾病；所述残余食物特征信息处于正常范围、不良范围和异常的食物消化程度可通过工作人员收集对应程度的图像给模型进行训练，使模型可以识别出粪便内部残余食物消化程度所处的范围；而第二特征提取层采集食物残余特征信息，结合粪便特征信息，一同进行预测结果评估大熊猫健康等级，具体的，当一项处于正常，一项处于不良时，按照不良评估健康等级，一项处于不良，一项处于异常时，按照异常评估健康等级，最大程度保证大熊猫的身体健康；
4、基于深度学习技术，利用第一特征提取层和第二特征提取层，可以从大熊猫排泄物图像中提取出粪便特征信息和残余竹子特征信息，从而更准确地评估大熊猫的健康状态；基于大熊猫排泄物图像的特点，采用自注意力传播模块，让第二卷积网络学习第一卷积网络的特征以及自适应权重，可以进一步提高特征提取的准确性和效率，从而更好地捕捉特征之间的关系；并对Resnet34主干网络进行了改进，将前两个残差模块的加法改成乘法，可以提高网络的特征提取能力和分类准确率；
5、同样采用深度学习技术，学习大熊猫图像特征对大熊猫进行实时追踪，进一步的学习大熊猫臀部图像特征对大熊猫臀部进行实时追踪，在所述图像中当大熊猫臀部出现排泄物时，对大熊猫排泄物进行图像收集，通过这样设计可以第一时间获取到大熊猫最新的排泄图图像，同时对大熊猫臀部位置进行实时追踪，在臀部有遮挡的情况下调整，摄像设备角度或者更换不同角度的摄像设备进行持续追踪，避免大熊猫排泄物被包括杂草遮挡没有进行采集的情况，同时仅对大熊猫臀部周边位置进行识别粪便，避免在整个实时图像进行逐一识别，节省算力及识别时间。
6、对大熊猫的排泄时长以及排泄次数进行记录，与预设的标准排泄时长范围以及标准排泄次数范围进行对比，得出大熊猫排泄时长以及排泄次数是否正常，确定大熊猫是否存在有过长时间排泄的便秘情况以及次数过多的腹泻情况出现；同时也可对排泄时长以及排泄次数预设标准范围、不良范围和异常范围，与粪便特征信息和残余食物特征信息结合一同评估大熊猫的健康等级；
7、由于健康等级为疾病的大熊猫会进行治疗，因此只需要对亚健康的大熊猫进行保存当前排泄图作为第一图像，并与对应大熊猫进行绑定，等待所述第一大熊猫再次排泄，将二次排泄物进行特征提取并对比，当所述第二图像中相对所述第一图像的粪便特征信息和残余食物特征信息距离预设的正常范围更远时，例如，大熊猫第一次排泄物图像也就是第一图像识别因为出现软便的情况被定为亚健康的等级，而第二次排泄物图像也就是第二图像识别出排泄物更软，软便情况更严重了，则判定所述第一大熊猫健康情况在恶化，因此通知工作人员提前对大熊猫进行介入，避免大熊猫情况持续变差，保障大熊猫的健康；而当所述第二图像中相对所述第一图像的粪便特征信息和残余食物特征信息距离接近预设的正常范围时，例如，大熊猫第一次排泄物图像也就是第一图像识别因为出现软便的情况被定为亚健康的等级，而第二次排泄物图像也就是第二图像识别出排泄物变硬了，软便情况得到好转了，则判定所述第一大熊猫健康情况在好转，则将所述第二图像作为新的所述第一图像，继续对所述第一大熊猫进行实时追踪和图像对比，直到大熊猫排泄物中提取出的粪便特征信息和残余食物特征信息处于预设的正常范围结束。
综上所述，本实施例具有快速、准确、无创和低成本等优点，可以更好地保护大熊猫的健康，为大熊猫的保护和繁育提供有力的技术支持。
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的介绍，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示出的结构获得其他的附图。
图1为本发明实施例1的大熊猫健康评估方法的流程图。
图2为本发明实施例2的大熊猫健康评估装置的结构图。
图3为本发明实施例3的计算机设备的结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1：
如图1所示，本实施例提供了一种大熊猫健康评估系统，该系统包括如下硬件：
摄像设备，用于拍摄大熊猫排泄物图像以及大熊猫图像。
边缘计算设备，用于实现本实施例提供的大熊猫健康评估方法。
显示设备，设置在相应的大熊猫园区内，用于显示预测结果及其相应的健康评估等级。
本实施例提供了一种大熊猫健康评估方法，该方法包括如下步骤：
获取大熊猫排泄物图像；
将大熊猫排泄物图像输入第一特征提取层，提取出粪便特征信息，所述粪便特征信息包括有粪便的形状、颜色；
将粪便特征信息输入分类层，得到预测结果及其相应的大熊猫健康评估等级；
当大熊猫排泄物图像中提取出的粪便特征信息处于预设的正常范围时，则预测结果为正常排泄，大熊猫健康评估等级为健康；
当大熊猫排泄物图像中提取出的粪便特征信息处于预设的不良范围时，则预测结果为不良排泄，大熊猫健康评估等级为亚健康；
当大熊猫排泄物图像中提取出的粪便特征信息处于预设的异常范围时，则预测结果为异常排泄，大熊猫健康评估等级为疾病。
需要说明的是，所述粪便特征信息包括有粪便的形状、颜色，所述第一特征提取层提取出粪便的形状和颜色等信息，通过所述粪便的形状和颜色等信息处于预设的正常范围、不良范围和异常范围内评估大熊猫的健康等级，所述正常范围包括粪便成形、颜色正常、粘稠度位于正常区间，粪便的成形标准和正常颜色可由工作人员选择现有的大熊猫粪便标准形状和颜色的图像用于识别模型的训练，标准形状和颜色可以有多种，使可识别出正常范围内的粪便，粪便的粘稠度标准区间可由工作人员提前设置；所述不良范围包括粪便形状在粪便标准形状的基础上边缘有凸起或凹陷，颜色亮度暗沉，粪便粘稠度处在不良区间导致粪便硬或软便，粪便的粘稠度不良区间可由工作人员提前设置；所述异常范围则是包括粪便形状与粪便标准形状不同，颜色不同，例如黑色粪便或红色粪便，粪便粘稠度处在异常区间导致硬度异常，例如稀便，粪便的粘稠度异常区间可由工作人员提前设置；
在本实施方式中，考虑到现有技术中通过对大熊猫粪便进行收集后再对大熊猫粪便进行查看的方式，通过摄像设备对大熊猫进行实时图像采集，直接对大熊猫最新排出的粪便图像采集，避免从大熊猫排便到工作人员收集这段时间大熊猫粪便与空气作用产生变化，包括有颜色变化、粘稠度变化，导致最终的评估结果出现差异，同时通过摄像设备直接获取最新排出的粪便图像，可以使工作人员可以不用为了评估结果的准确而频繁进入圈舍收集到大熊猫粪便，也可以减少工作人员的工作量以及减少对大熊猫生活的影响，基于深度学习技术，采用大熊猫排泄物图像分类的方式进行健康评估，无需对大熊猫进行干扰性采样，避免了对大熊猫的伤害；
在本实施方式中，所述获取大熊猫排泄物图像包括现有的排泄物图像以及待评估的大熊猫当前排泄物图像，所述现有的排泄物图像用于模型训练，使模型可以识别出所述待评估的大熊猫当前排泄物图像处于正常范围或不良范围或异常范围，对应给出大熊猫健康评估等级，通过深度学习模型统一评估标准，快速得到大熊猫健康等级，不再需要长时间经验积累才能进行准确评估，且避免工作人员主观评估标准的不一致，当大熊猫健康评估等级为健康时，不对大熊猫当前食物、活动进行调整；当大熊猫健康评估等级为亚健康时，对大熊猫当前食物、活动进行调整，并密切关注大熊猫状态；当大熊猫健康评估等级为疾病时，对大熊猫当前食物、活动进行调整的基础上对大熊猫进行送医等进一步操作，进一步的，可根据大熊猫健康评估等级为亚健康或疾病时，对大熊猫采取的操作以及采取操作后大熊猫的恢复情况进行记录，在后续大熊猫出现同样的亚健康或疾病时，可参考此对大熊猫采取的操作以及采取操作后大熊猫的恢复情况。
进一步的，所述当大熊猫排泄物图像中提取出的粪便特征信息处于预设的不良范围或异常范围时，还包括：
收集大熊猫粪便后暴露粪便内部，拍摄获取大熊猫排泄物内部图像，并输入第二特征提取层，提取出残余食物特征信息，所述残余食物特征信息包括残余食物的消化程度；
将粪便特征信息和残余食物特征信息输入分类层，得到预测结果及其相应的大熊猫健康评估等级；
当大熊猫排泄物图像中提取出的粪便特征信息和残余食物特征信息处于预设的正常范围时，则预测结果为正常排泄，大熊猫健康评估等级为健康；
当大熊猫排泄物图像中提取出的粪便特征信息和残余食物特征信息中，任一特征信息处于预设的不良范围时，则预测结果为不良排泄，大熊猫健康评估等级为亚健康；
当大熊猫排泄物图像中提取出的粪便特征信息和残余食物特征信息中，任一特征信息处于预设的异常范围时，则预测结果为异常排泄，大熊猫健康评估等级为疾病。
需要说明的是，在所述第一特征提取层的基础上进一步的设置所述第二特征提取层，所述第一特征层通过提取大熊猫粪便图像的信息，可以得到大熊猫粪便的外在形状、颜色以及外表粘稠度，但难以提取到粪便内部的信息，而大熊猫消化能力不强，很多食物无法消化，则可以通过粪便内部可以查看到大熊猫粪便中残余食物的特征信息，得到残余食物的消化程度，通过残余食物的消化程度与大熊猫的粪便特征信息结合，得到大熊猫健康评估等级；
在本实施方式中，大熊猫粪便内部信息受到外界环境影响相对较小，而大熊猫排泄物的外部情况与内部情况具有相关性，外部情况也就是粪便特征信息如在正常范围，则内部情况通常也正常，因此在本实施方式中当所述粪便特征信息处在不良范围或异常范围时，通知工作人员对粪便进行收集后暴露内部情况，对残余食物的消化程度进行查看，当残余食物特征信息出现消化程度在不良范围内时，则大熊猫消化不良，当粪便特征信息与残余食物特征信息任意一项处在自身的不良范围内时，大熊猫健康评估为亚健康；当残余食物特征信息出现消化程度在异常范围内时，则大熊猫消化出现问题，当粪便特征信息与残余食物特征信息任意一项处在自身的异常范围内时，大熊猫健康评估为疾病；所述残余食物特征信息处于正常范围、不良范围和异常的食物消化程度可通过工作人员收集对应程度的图像给模型进行训练，使模型可以识别出粪便内部残余食物消化程度所处的范围；而第二特征提取层采集食物残余特征信息，结合粪便特征信息，一同进行预测结果评估大熊猫健康等级，具体的，当一项处于正常，一项处于不良时，按照不良评估健康等级，一项处于不良，一项处于异常时，按照异常评估健康等级，最大程度保证大熊猫的身体健康。
进一步的，所述第一特征提取层依次包括第一卷积层、第二卷积层、第一池化层、第三卷积层、第四卷积层、第二池化层；
所述第二特征提取层包括第一卷积网络、第二卷积网络和混合拼接层；
所述第一卷积网络，用于从粪便特征信息提取出残余竹子特征信息；
所述第二卷积网络，用于从粪便特征信息提取出残余辅食特征信息；
所述混合拼接层，用于混合拼接残余竹子特征信息和残余辅食特征信息，得到残余食物特征信息；
所述第一卷积网络依次包括第一输入层、第五卷积层、第六卷积层、第三池化层、第七卷积层、第八卷积层、第四池化层、第九卷积层、第十卷积层、第十一卷积层、第五池化层、第一全连接层；
所述第二卷积网络依次包括第二输入层、第十二卷积层、第十三卷积层、去除softmax层的Resnet34主干网络；
所述第二特征提取层还包括自注意力传播模块，所述自注意力传播模块包括自注意力机制和多个依次连接的空洞卷积层；
所述自注意力机制设置在第六卷积层和第三池化层之间；
所述自注意力机制通过多个依次连接的空洞卷积层与所述Resnet34主干网络连接；
所述Resnet34主干网络的前两个残差模块的加法改成乘法。
在本实施方式中，基于深度学习技术，利用第一特征提取层和第二特征提取层，可以从大熊猫排泄物图像中提取出粪便特征信息和残余竹子特征信息，从而更准确地评估大熊猫的健康状态；基于大熊猫排泄物图像的特点，采用自注意力传播模块，让第二卷积网络学习第一卷积网络的特征以及自适应权重，可以进一步提高特征提取的准确性和效率，从而更好地捕捉特征之间的关系；并对Resnet34主干网络进行了改进，将前两个残差模块的加法改成乘法，可以提高网络的特征提取能力和分类准确率；
进一步的，所述获取大熊猫排泄物图像的步骤之前，还包括：
获取现有的大熊猫图像，提取所述大熊猫图像特征进行学习，获取实时图像，对所述实时图像中的大熊猫进行识别并追踪；
提取所述大熊猫臀部图像特征进行学习，在对大熊猫进行识别并追踪过程中，对大熊猫臀部位置进行识别并追踪；
获取现有的大熊猫排泄物图像，提取所述大熊猫排泄物图像特征进行学习，实时图像中当大熊猫臀部出现排泄物时，对大熊猫排泄物进行图像收集。
在本实施方式中，同样采用深度学习技术，学习大熊猫图像特征对大熊猫进行实时追踪，进一步的学习大熊猫臀部图像特征对大熊猫臀部进行实时追踪，在所述图像中当大熊猫臀部出现排泄物时，对大熊猫排泄物进行图像收集，通过这样设计可以第一时间获取到大熊猫最新的排泄图图像，同时对大熊猫臀部位置进行实时追踪，在臀部有遮挡的情况下调整，摄像设备角度或者更换不同角度的摄像设备进行持续追踪，避免大熊猫排泄物被包括杂草遮挡没有进行采集的情况，同时仅对大熊猫臀部周边位置进行识别粪便，避免在整个实时图像进行逐一识别，节省算力及识别时间。
进一步的，所述实时图像中当大熊猫臀部出现排泄物时，对大熊猫排泄物进行图像收集的步骤中，具体包括对大熊猫每次排泄的时长进行记录，并统计每天的排泄次数，与预设的标准排泄时长范围以及标准排泄次数范围进行对比，得出大熊猫排泄时长以及排泄次数是否正常。
在本实施方式中，对大熊猫的排泄时长以及排泄次数进行记录，与预设的标准排泄时长范围以及标准排泄次数范围进行对比，得出大熊猫排泄时长以及排泄次数是否正常，确定大熊猫是否存在有过长时间排泄的便秘情况以及次数过多的腹泻情况出现；同时也可对排泄时长以及排泄次数预设标准范围、不良范围和异常范围，与粪便特征信息和残余食物特征信息结合一同评估大熊猫的健康等级。
进一步的，所述当大熊猫排泄物图像中提取出的粪便特征信息和残余食物特征信息处于预设的不良范围时，后续步骤还包括：
保存当前大熊猫排泄物图像为第一图像，以及确定排出该排泄物的对应大熊猫；
对所述第一大熊猫实时追踪，等待所述第一大熊猫再次排出排泄物；
对所述第一大熊猫再次排出的排泄物进行图像获取，得到第二图像，对所述第二图像进行特征提取，提取出的粪便特征信息和残余食物特征信息并与所述第一图像对比；
当所述第二图像中相对所述第一图像的粪便特征信息和残余食物特征信息距离预设的正常范围更远时，判定所述第一大熊猫健康情况在恶化，通知工作人员介入；
当所述第二图像中相对所述第一图像的粪便特征信息和残余食物特征信息接近预设的正常范围时，判定所述第一大熊猫健康情况在好转，将所述第二图像作为新的所述第一图像，继续对所述第一大熊猫进行实时追踪和图像对比，直到大熊猫排泄物中提取出的粪便特征信息和残余食物特征信息处于预设的正常范围结束。
在本实施方式中，由于健康等级为疾病的大熊猫会进行治疗，因此只需要对亚健康的大熊猫进行保存当前排泄图作为第一图像，并与对应大熊猫进行绑定，等待所述第一大熊猫再次排泄，将二次排泄物进行特征提取并对比，当所述第二图像中相对所述第一图像的粪便特征信息和残余食物特征信息距离预设的正常范围更远时，例如，大熊猫第一次排泄物图像也就是第一图像识别因为出现软便的情况被定为亚健康的等级，而第二次排泄物图像也就是第二图像识别出排泄物更软，软便情况更严重了，则判定所述第一大熊猫健康情况在恶化，因此通知工作人员提前对大熊猫进行介入，避免大熊猫情况持续变差，保障大熊猫的健康；而当所述第二图像中相对所述第一图像的粪便特征信息和残余食物特征信息距离接近预设的正常范围时，例如，大熊猫第一次排泄物图像也就是第一图像识别因为出现软便的情况被定为亚健康的等级，而第二次排泄物图像也就是第二图像识别出排泄物变硬了，软便情况得到好转了，则判定所述第一大熊猫健康情况在好转，则将所述第二图像作为新的所述第一图像，继续对所述第一大熊猫进行实时追踪和图像对比，直到大熊猫排泄物中提取出的粪便特征信息和残余食物特征信息处于预设的正常范围结束。
本领域技术人员可以理解，实现上述实施例的方法中的全部或部分步骤可以通过程序来指令相关的硬件来完成，相应的程序可以存储于计算机可读存储介质中。
应当注意，尽管在附图中以特定顺序描述了上述实施例的方法操作，但是这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，描绘的步骤可以改变执行顺序。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
实施例2：
如图2所示，本实施例提供了一种大熊猫健康评估装置，该装置包括图像获取模块、第一特征提取模块和健康等级评估模块，各个模块的具体功能如下：
图像获取模块，用于获取大熊猫排泄物图像；
第一特征提取模块，用于将大熊猫排泄物图像输入第一特征提取层，提取出粪便特征信息；
健康等级评估模块，用于将粪便特征信息和残余竹子特征信息输入分类层，得到预测结果及其相应的健康等级；
当大熊猫排泄物图像中提取出的粪便特征信息处于预设的正常范围时，则预测结果为正常排泄，大熊猫健康评估等级为健康；
当大熊猫排泄物图像中提取出的粪便特征信息处于预设的不良范围时，则预测结果为不良排泄，大熊猫健康评估等级为亚健康；
当大熊猫排泄物图像中提取出的粪便特征信息处于预设的异常范围时，则预测结果为异常排泄，大熊猫健康评估等级为疾病。
实施例3：
如图3所示，本实施例提供了一种计算机设备，其包括通过系统总线101连接的处理器102、存储器、输入装置103、显示装置104和网络接口101。其中，处理器102用于提供计算和控制能力，存储器包括非易失性存储介质106和内存储器107，该非易失性存储介质106存储有操作系统、计算机程序和数据库，该内存储器107为非易失性存储介质106中的操作系统和计算机程序的运行提供环境，计算机程序被处理器102执行时，实现上述实施例1的大熊猫健康评估方法，如下：
获取大熊猫排泄物图像；
将大熊猫排泄物图像输入第一特征提取层，提取出粪便特征信息；
将粪便特征信息输入分类层，得到预测结果及其相应的健康等级；
当大熊猫排泄物图像中提取出的粪便特征信息处于预设的正常范围时，则预测结果为正常排泄，大熊猫健康评估等级为健康；
当大熊猫排泄物图像中提取出的粪便特征信息处于预设的不良范围时，则预测结果为不良排泄，大熊猫健康评估等级为亚健康；
当大熊猫排泄物图像中提取出的粪便特征信息处于预设的异常范围时，则预测结果为异常排泄，大熊猫健康评估等级为疾病。
实施例4：
本实施例提供一种存储介质，该存储介质为计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时，实现上述实施例1的大熊猫健康评估方法，如下：
获取大熊猫排泄物图像；
将大熊猫排泄物图像输入第一特征提取层，提取出粪便特征信息；
将粪便特征信息输入分类层，得到预测结果及其相应的健康等级；
当大熊猫排泄物图像中提取出的粪便特征信息处于预设的正常范围时，则预测结果为正常排泄，大熊猫健康评估等级为健康；
当大熊猫排泄物图像中提取出的粪便特征信息处于预设的不良范围时，则预测结果为不良排泄，大熊猫健康评估等级为亚健康；
当大熊猫排泄物图像中提取出的粪便特征信息处于预设的异常范围时，则预测结果为异常排泄，大熊猫健康评估等级为疾病。
需要说明的是，本实施例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。
在本实施例中，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。而在本实施例中，计算机可读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。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，该计算机可读信号介质可以发送、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计算机程序可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。
上述计算机可读存储介质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实施例的计算机程序，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Python、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）。
以上所述，仅为本发明专利较佳的实施例，但本发明专利的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明专利所公开的范围内，根据本发明专利的技术方案及其发明构思加以等同替换或改变，都属于本发明专利的保护范围。

Claims (10)

1.一种大熊猫健康评估方法，其特征在于，所述方法包括：
获取大熊猫排泄物图像；
将大熊猫排泄物图像输入第一特征提取层，提取出粪便特征信息，所述粪便特征信息包括有粪便的形状、颜色；
将粪便特征信息输入分类层，得到预测结果及其相应的大熊猫健康评估等级；
当大熊猫排泄物图像中提取出的粪便特征信息处于预设的正常范围时，则预测结果为正常排泄，大熊猫健康评估等级为健康；
当大熊猫排泄物图像中提取出的粪便特征信息处于预设的不良范围时，则预测结果为不良排泄，大熊猫健康评估等级为亚健康；
当大熊猫排泄物图像中提取出的粪便特征信息处于预设的异常范围时，则预测结果为异常排泄，大熊猫健康评估等级为疾病。
2.根据权利要求1所述的一种大熊猫健康评估方法，其特征在于，所述当大熊猫排泄物图像中提取出的粪便特征信息处于预设的不良范围或异常范围时，还包括：
收集大熊猫粪便后暴露粪便内部，拍摄获取大熊猫排泄物内部图像，并输入第二特征提取层，提取出残余食物特征信息，所述残余食物特征信息包括残余食物的消化程度；
将粪便特征信息和残余食物特征信息输入分类层，得到预测结果及其相应的大熊猫健康评估等级；
当大熊猫排泄物图像中提取出的粪便特征信息和残余食物特征信息处于预设的正常范围时，则预测结果为正常排泄，大熊猫健康评估等级为健康；
当大熊猫排泄物图像中提取出的粪便特征信息和残余食物特征信息中，任一特征信息处于预设的不良范围时，则预测结果为不良排泄，大熊猫健康评估等级为亚健康；
当大熊猫排泄物图像中提取出的粪便特征信息和残余食物特征信息中，任一特征信息处于预设的异常范围时，则预测结果为异常排泄，大熊猫健康评估等级为疾病。
3.根据权利要求2所述的一种大熊猫健康评估方法，其特征在于，所述第一特征提取层依次包括第一卷积层、第二卷积层、第一池化层、第三卷积层、第四卷积层、第二池化层；
所述第二特征提取层包括第一卷积网络、第二卷积网络和混合拼接层；
所述第一卷积网络，用于从粪便特征信息提取出残余竹子特征信息；
所述第二卷积网络，用于从粪便特征信息提取出残余辅食特征信息；
所述混合拼接层，用于混合拼接残余竹子特征信息和残余辅食特征信息，得到残余食物特征信息；
所述第一卷积网络依次包括第一输入层、第五卷积层、第六卷积层、第三池化层、第七卷积层、第八卷积层、第四池化层、第九卷积层、第十卷积层、第十一卷积层、第五池化层、第一全连接层；
所述第二卷积网络依次包括第二输入层、第十二卷积层、第十三卷积层、去除softmax层的Resnet34主干网络；
所述第二特征提取层还包括自注意力传播模块，所述自注意力传播模块包括自注意力机制和多个依次连接的空洞卷积层；
所述自注意力机制设置在第六卷积层和第三池化层之间；
所述自注意力机制通过多个依次连接的空洞卷积层与所述Resnet34主干网络连接；
所述Resnet34主干网络的前两个残差模块的加法改成乘法。
4.根据权利要求1-3任意一项所述的一种大熊猫健康评估方法，其特征在于，所述获取大熊猫排泄物图像的步骤之前，还包括：
获取现有的大熊猫图像，提取所述大熊猫图像特征进行学习，获取实时图像，对实时图像中的大熊猫进行识别并追踪；
提取大熊猫臀部图像特征进行学习，在对大熊猫进行识别并追踪过程中，对大熊猫臀部位置进行识别并追踪；
获取现有的大熊猫排泄物图像，提取所述大熊猫排泄物图像特征进行学习，实时图像中当大熊猫臀部出现排泄物时，对大熊猫排泄物进行图像收集。
5.根据权利要求4所述的一种大熊猫健康评估方法，其特征在于，所述实时图像中当大熊猫臀部出现排泄物时，对大熊猫排泄物进行图像收集的步骤中，具体包括对大熊猫每次排泄的时长进行记录，并统计每天的排泄次数，与预设的标准排泄时长范围以及标准排泄次数范围进行对比，得出大熊猫排泄时长以及排泄次数是否正常。
6.根据权利要求2所述的一种大熊猫健康评估方法，其特征在于，所述当大熊猫排泄物图像中提取出的粪便特征信息和残余食物特征信息处于预设的不良范围时，后续步骤还包括：
保存当前大熊猫排泄物图像为第一图像，以及确定排出排泄物对应的大熊猫，作为第一大熊猫；
对所述第一大熊猫实时追踪，等待所述第一大熊猫再次排出排泄物；
对所述第一大熊猫再次排出的排泄物进行图像获取，得到第二图像，对所述第二图像进行特征提取，提取出的粪便特征信息和残余食物特征信息并与所述第一图像对比；
当所述第二图像中相对所述第一图像的粪便特征信息和残余食物特征信息距离预设的正常范围更远时，判定所述第一大熊猫健康情况在恶化，通知工作人员介入；
当所述第二图像中相对所述第一图像的粪便特征信息和残余食物特征信息接近预设的正常范围时，判定所述第一大熊猫健康情况在好转，将所述第二图像作为新的所述第一图像，继续对所述第一大熊猫进行实时追踪和图像对比，直到大熊猫排泄物中提取出的粪便特征信息和残余食物特征信息处于预设的正常范围结束。
7.一种大熊猫健康评估装置，其特征在于，所述装置包括：
图像获取模块，用于获取大熊猫排泄物图像；
第一特征提取模块，将大熊猫排泄物图像输入第一特征提取层，提取出粪便特征信息，所述粪便特征信息包括有粪便的形状、颜色；
健康等级评估模块，将粪便特征信息输入分类层，得到预测结果及其相应的大熊猫健康评估等级；
当大熊猫排泄物图像中提取出的粪便特征信息处于预设的正常范围时，则预测结果为正常排泄，大熊猫健康评估等级为健康；
当大熊猫排泄物图像中提取出的粪便特征信息处于预设的不良范围时，则预测结果为不良排泄，大熊猫健康评估等级为亚健康；
当大熊猫排泄物图像中提取出的粪便特征信息处于预设的异常范围时，则预测结果为异常排泄，大熊猫健康评估等级为疾病。
8.一种大熊猫健康评估系统，其特征在于，所述系统包括：
摄像设备，用于拍摄大熊猫排泄物图像；
边缘计算设备，用于实现权利要求1-6任一项所述的一种大熊猫健康评估方法；
显示设备，设置在相应的大熊猫园区内，用于显示预测结果及其相应的健康评估等级。
9.一种计算机设备，包括处理器以及用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现权利要求1-6任一项所述的一种大熊猫健康评估方法。
10.一种存储介质，存储有程序，其特征在于，所述程序被处理器执行时，实现权利要求1-6任一项所述的一种大熊猫健康评估方法。
CN202311666645.4A 2023-12-07 2023-12-07 大熊猫健康评估方法、装置、系统、设备及存储介质 Active CN117373676B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311666645.4A CN117373676B (zh) 2023-12-07 2023-12-07 大熊猫健康评估方法、装置、系统、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311666645.4A CN117373676B (zh) 2023-12-07 2023-12-07 大熊猫健康评估方法、装置、系统、设备及存储介质

Publications (2)

Publication Number Publication Date
CN117373676A true CN117373676A (zh) 2024-01-09
CN117373676B CN117373676B (zh) 2024-02-13

Family

ID=89391320

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311666645.4A Active CN117373676B (zh) 2023-12-07 2023-12-07 大熊猫健康评估方法、装置、系统、设备及存储介质

Country Status (1)

Country Link
CN (1) CN117373676B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117423042A (zh) * 2023-12-15 2024-01-19 成都大熊猫繁育研究基地 一种基于大熊猫排泄物识别的大熊猫健康评估方法及系统
CN118365469A (zh) * 2024-05-13 2024-07-19 鹿寨县畜牧工作站 一种用于肉牛养殖的均衡营养喂食系统及其方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050152588A1 (en) * 2003-10-28 2005-07-14 University Of Chicago Method for virtual endoscopic visualization of the colon by shape-scale signatures, centerlining, and computerized detection of masses
CN106719387A (zh) * 2016-12-06 2017-05-31 中国大熊猫保护研究中心 一种大熊猫的野化训练方法
CN109712711A (zh) * 2018-12-12 2019-05-03 平安科技（深圳）有限公司 基于机器学习的健康评估方法、装置、电子设备及介质
CN112016527A (zh) * 2020-10-19 2020-12-01 成都大熊猫繁育研究基地 基于深度学习的大熊猫行为识别方法、系统、终端及介质
CN114092378A (zh) * 2020-08-04 2022-02-25 中移(成都)信息通信科技有限公司 动物健康检测的方法、装置、设备及存储介质
CN114694842A (zh) * 2022-03-29 2022-07-01 深圳市优必选科技股份有限公司 宠物健康监测方法、装置、计算机设备及可读存储介质
CN114898405A (zh) * 2022-05-27 2022-08-12 南京农业大学 基于边缘计算的便携式肉鸡异常监测系统
US20230012236A1 (en) * 2021-07-12 2023-01-12 Brian Alexander Cohn Systems and methodologies for automated classification of images of stool in diapers
CN116130060A (zh) * 2023-02-19 2023-05-16 上海依蕴宠物用品有限公司 一种基于肠龄的宠物饲料配方智能生成方法及系统
CN116503307A (zh) * 2022-10-09 2023-07-28 青岛不愁网信息科技有限公司 一种基于人工智能的鸡类粪便疾病检测系统及方法
CN116580828A (zh) * 2023-05-16 2023-08-11 深圳弗瑞奇科技有限公司 一种猫健康的全自动感应识别的可视化监测方法
CN116778430A (zh) * 2023-08-24 2023-09-19 吉林省牛人网络科技股份有限公司 肉牛养殖的疾病监测系统及其方法
CN116912025A (zh) * 2023-07-27 2023-10-20 山西硕果科技股份有限公司 基于云边协同的畜牧养殖信息综合管理方法及系统

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050152588A1 (en) * 2003-10-28 2005-07-14 University Of Chicago Method for virtual endoscopic visualization of the colon by shape-scale signatures, centerlining, and computerized detection of masses
CN106719387A (zh) * 2016-12-06 2017-05-31 中国大熊猫保护研究中心 一种大熊猫的野化训练方法
CN109712711A (zh) * 2018-12-12 2019-05-03 平安科技（深圳）有限公司 基于机器学习的健康评估方法、装置、电子设备及介质
CN114092378A (zh) * 2020-08-04 2022-02-25 中移(成都)信息通信科技有限公司 动物健康检测的方法、装置、设备及存储介质
CN112016527A (zh) * 2020-10-19 2020-12-01 成都大熊猫繁育研究基地 基于深度学习的大熊猫行为识别方法、系统、终端及介质
US20230012236A1 (en) * 2021-07-12 2023-01-12 Brian Alexander Cohn Systems and methodologies for automated classification of images of stool in diapers
CN114694842A (zh) * 2022-03-29 2022-07-01 深圳市优必选科技股份有限公司 宠物健康监测方法、装置、计算机设备及可读存储介质
CN114898405A (zh) * 2022-05-27 2022-08-12 南京农业大学 基于边缘计算的便携式肉鸡异常监测系统
CN116503307A (zh) * 2022-10-09 2023-07-28 青岛不愁网信息科技有限公司 一种基于人工智能的鸡类粪便疾病检测系统及方法
CN116130060A (zh) * 2023-02-19 2023-05-16 上海依蕴宠物用品有限公司 一种基于肠龄的宠物饲料配方智能生成方法及系统
CN116580828A (zh) * 2023-05-16 2023-08-11 深圳弗瑞奇科技有限公司 一种猫健康的全自动感应识别的可视化监测方法
CN116912025A (zh) * 2023-07-27 2023-10-20 山西硕果科技股份有限公司 基于云边协同的畜牧养殖信息综合管理方法及系统
CN116778430A (zh) * 2023-08-24 2023-09-19 吉林省牛人网络科技股份有限公司 肉牛养殖的疾病监测系统及其方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
SZILVIA NAGY等: "The effect of image feature qualifiers on fuzzy colorectal polyp detection schemes using KH interpolation - towards hierarchical fuzzy classification of coloscopic still images", 2018 IEEE INTERNATIONAL CONFERENCE ON FUZZY SYSTEMS, pages 1 *
李奇峰等: "畜禽养殖疾病诊断智能传感技术研究进展", 中国农业科学, vol. 54, no. 11, pages 2445 *
王欢;肖建华;高翔;王洪斌;: "基于遗传算法优化的BP神经网络的禽病辅助诊断与管理信息系统的设计与实现", 黑龙江畜牧兽医, no. 03, pages 1 *
程鸣;邹书珍;廖梓彤;罗亚;唐贇;张晋东;: "野生和圈养大熊猫肠道微生态环境特征及其差异性分析", 西华师范大学学报(自然科学版), vol. 41, no. 02, pages 117 *
赵宁等: "图像识别技术在鸡养殖领域的应用", 中国农业科技导报, vol. 25, no. 9, pages 13 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117423042A (zh) * 2023-12-15 2024-01-19 成都大熊猫繁育研究基地 一种基于大熊猫排泄物识别的大熊猫健康评估方法及系统
CN117423042B (zh) * 2023-12-15 2024-02-20 成都大熊猫繁育研究基地 一种基于大熊猫排泄物识别的大熊猫健康评估方法及系统
CN118365469A (zh) * 2024-05-13 2024-07-19 鹿寨县畜牧工作站 一种用于肉牛养殖的均衡营养喂食系统及其方法

Also Published As

Publication number Publication date
CN117373676B (zh) 2024-02-13

Similar Documents

Publication Publication Date Title
CN117373676B (zh) 大熊猫健康评估方法、装置、系统、设备及存储介质
CN109145032B (zh) 一种蜜蜂养殖智能监测方法与系统
CN114463594A (zh) 多模态深度学习的发电设备异常一体化识别方法及设备
CN109117890B (zh) 一种图像分类方法、装置和存储介质
CN111165463B (zh) 声音检测的诱捕方法、装置、存储介质和终端设备
Robert et al. Nest fidelity is driven by multi-scale information in a long-lived seabird
Wang et al. Towards re-identification for long-term tracking of group housed pigs
CN110991222A (zh) 一种物体状态监测、母猪发情监测方法、装置及系统
CN112544491A (zh) 一种识别圈养动物腹泻的方法及系统
CN113711944B (zh) 一种母猪发情鉴定方法、装置及系统
CN117522861A (zh) 用于动物肩袖损伤的智能监测系统及方法
Yang et al. A defencing algorithm based on deep learning improves the detection accuracy of caged chickens
KR20210067602A (ko) 영상정보를 분석하여 가축 방역 경계선을 설정하는 방법
CN117174311A (zh) 一种创伤后脓毒症病程监测与预警系统、方法及应用
CN113936234A (zh) 一种仔猪防压预警方法、装置、设备及存储介质
Ali et al. Application of artificial intelligence in monitoring of animal health and welfare
CN101129267A (zh) 非医用胎儿性别超声检测监控系统
CN115777560A (zh) 一种基于机器视觉分析技术的母猪智能化饲喂系统
CN116541196A (zh) 一种水电厂智能巡检诊断方法、系统、装置和介质
CN113376160A (zh) 一种扫地机器人针对动物排泄物的识别及处理方法和装置
CN113440058A (zh) 一种扫地机器人针对动物排泄物的识别及处理方法和装置
CN109242219B (zh) 蛋鸡采食行为的预测方法及蛋鸡采食行为的预测装置
CN114492657A (zh) 植物疾病分类方法、装置、电子设备及存储介质
CN110544529A (zh) 一种妇科盆底康复治疗无线采集与远程疗效评估系统
CN118318792B (zh) 基于图像识别的病猪行为监控方法

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