CN117456472B - 食草动物采食量监测方法、装置、电子设备及存储介质 - Google Patents
食草动物采食量监测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117456472B CN117456472B CN202311788352.3A CN202311788352A CN117456472B CN 117456472 B CN117456472 B CN 117456472B CN 202311788352 A CN202311788352 A CN 202311788352A CN 117456472 B CN117456472 B CN 117456472B
- Authority
- CN
- China
- Prior art keywords
- feeding
- herbivore
- mask
- head
- determining
- 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
- 244000038280 herbivores Species 0.000 title claims abstract description 519
- 235000021050 feed intake Nutrition 0.000 title claims abstract description 205
- 238000012544 monitoring process Methods 0.000 title claims abstract description 102
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000003860 storage Methods 0.000 title claims abstract description 25
- 230000004634 feeding behavior Effects 0.000 claims abstract description 113
- 239000004459 forage Substances 0.000 claims abstract description 102
- 238000012806 monitoring device Methods 0.000 claims abstract description 82
- 230000008450 motivation Effects 0.000 claims description 65
- 230000009471 action Effects 0.000 claims description 53
- 230000037406 food intake Effects 0.000 claims description 43
- 238000012549 training Methods 0.000 claims description 33
- 238000004364 calculation method Methods 0.000 claims description 25
- 230000006399 behavior Effects 0.000 claims description 17
- 230000011218 segmentation Effects 0.000 claims description 15
- 230000001055 chewing effect Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 235000013305 food Nutrition 0.000 claims description 10
- 241001465754 Metazoa Species 0.000 claims description 9
- 235000012631 food intake Nutrition 0.000 claims description 8
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 241000283690 Bos taurus Species 0.000 description 3
- 238000009395 breeding Methods 0.000 description 3
- 230000001488 breeding effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 244000144972 livestock Species 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000004836 empirical method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000283707 Capra Species 0.000 description 1
- 241001494479 Pecora Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 235000013365 dairy product Nutrition 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002550 fecal effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
-
- 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
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及人工智能技术领域,提供一种食草动物采食量监测方法、装置、电子设备及存储介质,包括:确定至少两帧连续的采食图像;将当前采食图像分别输入至食草动物头部识别模型和草料堆识别模型,得到至少一只食草动物的头部掩码、头部特征坐标信息以及草料堆掩码;基于各食草动物的头部掩码、头部特征坐标信息以及草料堆掩码,确定各第一掩码相似度;基于各第一掩码相似度,确定其余各帧采食图像中各存在采食行为的食草动物的第二掩码相似度;基于各第一掩码相似度和各第二掩码相似度,确定各存在采食行为的食草动物的采食量监测结果。本发明提供的食草动物采食量监测方法,实现智能化的食草动物采食量监测,提高食草动物采食量监测的准确性。
Description
技术领域
本发明涉及人工智能技术领域,具体涉及一种食草动物采食量监测方法、装置、电子设备及存储介质。
背景技术
食草动物的采食量,是指食草动物每天实际采食饲草料的数量,是影响食草动物身体发育的主要因素。计算和估计奶牛的采食量,是制定食草动物良好营养方案的基础,同时是确定其饲料转化率的重要依据,研究食草动物的个体采食量对整个养殖产业的发展有重要的作用。
针对采食量的监测方法研究上,可以采用直接法、间接法和经验法进行采食量监测。直接法基于草料监测,分别在采食前采食后取样称重,规模化养殖牛场采用直接法不能监测单个家畜的采食量;间接法则通过记录采食行为差异,记录家畜生产性能差异和粪便收集技术实现;经验法是基于以往的基础数据来计算和估测家畜的采食量。现有的采食量监测方法会产生较大误差,导致食草动物采食量监测的准确性低下。
发明内容
本发明实施例提供一种食草动物采食量监测方法、装置、电子设备及存储介质,用以解决食草动物采食量监测的准确性低下的问题。
第一方面,本发明实施例提供一种食草动物采食量监测方法,包括:
确定至少两帧连续的采食图像;
将当前采食图像输入至食草动物头部识别模型,得到所述食草动物头部识别模型输出的至少一只食草动物的头部掩码和头部特征坐标信息;所述头部特征坐标信息用于识别食草动物;所述食草动物头部识别模型是基于采食图像样本中至少一只食草动物的头部特征坐标信息样本和头部掩码标签进行训练得到的;
将所述当前采食图像输入至草料堆识别模型,得到所述草料堆识别模型输出的草料堆掩码;所述草料堆识别模型是基于采食图像样本中草料堆的尺寸特征坐标信息样本和草料堆掩码标签进行训练得到的;
基于各所述食草动物的头部掩码、头部特征坐标信息以及所述草料堆掩码,确定各存在采食行为动机的食草动物的第一掩码相似度;
基于各所述第一掩码相似度,确定其余各帧采食图像中各存在采食行为的食草动物的第二掩码相似度;
基于各所述第一掩码相似度和各所述第二掩码相似度,确定各存在采食行为的食草动物的采食量监测结果。
在一个实施例中,在得到所述食草动物头部识别模型输出的至少一个头部掩码之后,包括:
确定各饲喂栏掩码;
基于各所述食草动物的头部特征坐标信息,确定各饲喂栏对应的食草动物;
对各饲喂栏掩码和各饲喂栏对应的食草动物的头部掩码分别进行交并比计算,得到各第三掩码相似度;
将任一所述第三掩码相似度大于第一预设阈值的食草动物确定为存在采食行为动机的食草动物。
在一个实施例中,所述基于各所述食草动物的头部掩码、头部特征坐标信息以及所述草料堆掩码,确定各存在采食行为动机的食草动物的第一掩码相似度,包括:
确定各存在采食行为动机的食草动物的下颚掩码;
基于各存在采食行为动机的食草动物的头部特征坐标信息,对各存在采食行为动机的食草动物的下颚掩码和所述草料堆掩码分别进行交并比计算,得到各存在采食行为动机的食草动物的第一掩码相似度。
在一个实施例中,所述基于各所述第一掩码相似度,确定其余各帧采食图像中各存在采食行为的食草动物的第二掩码相似度,包括:
将任一所述第一掩码相似度大于第二预设阈值的食草动物确定为存在采食行为的食草动物;
确定其余各帧采食图像中各存在采食行为的食草动物的第二掩码相似度。
在一个实施例中,在基于各所述第一掩码相似度和各所述第二掩码相似度,确定各存在采食行为的食草动物的采食量监测结果时,针对每一个存在采食行为的食草动物执行以下步骤:
将大于所述第二预设阈值的第一掩码相似度所对应的当前采食图像,确定为第一目标采食图像;
将大于所述第二预设阈值的第二掩码相似度所对应的各帧采食图像,确定为第二目标采食图像;
基于所述第一目标采食图像和所述第二目标采食图像,确定目标采食图像的数量;
基于所述目标采食图像的数量,确定所述存在采食行为的食草动物的采食量监测结果。
在一个实施例中,所述基于所述目标采食图像的数量,确定所述存在采食行为的食草动物的采食量监测结果,包括:
确定所述目标采食图像的帧率;
对所述目标采食图像的数量和帧率进行比值计算,得到所述存在采食行为的食草动物的采食时长;
确定所述存在采食行为的食草动物的咀嚼频率;
对所述咀嚼频率和所述采食时长进行乘积计算,得到所述存在采食行为的食草动物的采食量监测结果。
在一个实施例中,所述食草动物头部识别模型是通过如下步骤训练得到的:
确定至少两帧连续的采食图像样本;
确定各所述采食图像样本中至少一只食草动物的头部特征坐标信息样本和头部掩码标签;
基于各所述采食图像样本中至少一只食草动物的头部特征坐标信息样本和头部掩码标签,对实例分割模型进行训练,得到食草动物头部识别模型。
第二方面,本发明实施例提供一种食草动物采食量监测装置,包括:
确定模块,用于确定至少两帧连续的采食图像;
第一模型识别模块,用于将当前采食图像输入至食草动物头部识别模型,得到所述食草动物头部识别模型输出的至少一只食草动物的头部掩码和头部特征坐标信息;所述头部特征坐标信息用于识别食草动物;所述食草动物头部识别模型是基于采食图像样本中至少一只食草动物的头部特征坐标信息样本和头部掩码标签进行训练得到的;
第二模型识别模块,用于将所述当前采食图像输入至草料堆识别模型,得到所述草料堆识别模型输出的草料堆掩码;所述草料堆识别模型是基于采食图像样本中草料堆的尺寸特征坐标信息样本和草料堆掩码标签进行训练得到的;
第一掩码相似度计算模块,用于基于各所述食草动物的头部掩码、头部特征坐标信息以及所述草料堆掩码,确定各存在采食行为动机的食草动物的第一掩码相似度;
第二掩码相似度计算模块,用于基于各所述第一掩码相似度,确定其余各帧采食图像中各存在采食行为的食草动物的第二掩码相似度;
采食量监测模块,用于基于各所述第一掩码相似度和各所述第二掩码相似度,确定各存在采食行为的食草动物的采食量监测结果。
第三方面,本发明实施例提供一种电子设备,包括处理器和存储有计算机程序的存储器,所述处理器执行所述计算机程序时实现第一方面所述的食草动物采食量监测方法。
第四方面,本发明实施例提供一种存储介质,所述存储介质为非暂态计算机可读存储介质,包括计算机程序,所述计算机程序被处理器执行时实现第一方面所述的食草动物采食量监测方法。
本发明实施例提供的食草动物采食量监测方法、装置、电子设备及存储介质,基于食草动物头部识别模型和草料堆识别模型,实现食草动物头部和草料堆的精准识别和像素级分割,进一步基于模型输出的食草动物的头部掩码、头部特征坐标信息以及草料堆掩码,判定食草动物头部和草料堆的接触程度,以确定食草动物存在采食行为,进而确定存在采食行为的食草动物的采食量监测结果,实现非接触式、智能化的食草动物采食量监测,提高了食草动物采食量监测的准确性。
附图说明
为了更清楚地说明本发明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一简单地介绍,显而易见地,下面描述中的附图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它的附图。
图1是本发明实施例提供的食草动物采食量监测方法的流程示意图之一;
图2是本发明实施例提供的食草动物采食量监测方法的流程示意图之二;
图3是本发明食草动物采食量监测装置的结构示意图;
图4是本发明实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、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,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明实施例的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
下面结合实施例对本发明提供的食草动物采食量监测方法、装置、电子设备及存储介质进行详细描述。
图1是本发明实施例提供的食草动物采食量监测方法的流程示意图之一。参照图1,本发明实施例提供一种食草动物采食量监测方法,该方法可以包括:
步骤100,确定至少两帧连续的采食图像;
步骤200,将当前采食图像输入至食草动物头部识别模型,得到所述食草动物头部识别模型输出的至少一只食草动物的头部掩码和头部特征坐标信息;
步骤300,将所述当前采食图像输入至草料堆识别模型,得到所述草料堆识别模型输出的草料堆掩码;
步骤400,基于各所述食草动物的头部掩码、头部特征坐标信息以及所述草料堆掩码,确定各存在采食行为动机的食草动物的第一掩码相似度;
步骤500,基于各所述第一掩码相似度,确定其余各帧采食图像中各存在采食行为的食草动物的第二掩码相似度;
步骤600,基于各所述第一掩码相似度和各所述第二掩码相似度,确定各存在采食行为的食草动物的采食量监测结果。
需要说明的是,本发明实施例提供的食草动物采食量监测方法是基于食草动物采食量监测装置实现的,食草动物采食量监测方法主要应用于养殖产业,食草动物包括但不限制于奶牛、绵羊、山羊等以草料为主要饲料来源的养殖动物。食草动物采食量监测方法根据实时高清摄像头记录的食草动物采食视频,从采食视频中提取多帧连续的采食图像,通过对采集图像进行掩码预测分割,准确识别出食草动物头部和草料堆,判定食草动物头部与草料堆的接触程度,以确定食草动物存在采食行为,进而确定存在采食行为的食草动物的采食量监测结果。食草动物采食量监测方法基于视觉技术以及视觉分析,可以避免食草动物产生应激行为,降低食草动物生理健康的影响,也可以降低硬件设备改造的困难,降低现有规模化养殖场的改造成本。因此,本发明实施例以食草动物采食量监测装置作为执行主体为例对食草动物采食量监测方法进行描述。
具体地,食草动物采食量监测装置获取养殖场中由摄像头记录的食草动物采食视频,进一步地,食草动物采食量监测装置基于食草动物采食视频,确定至少两帧连续的采食图像,也就是说,食草动物采食量监测装置对食草动物采食视频进行连续帧图像提取,得到至少两帧连续的采食图像。
进一步地,食草动物采食量监测装置将当前采食图像输入至食草动物头部识别模型,得到食草动物头部识别模型输出的至少一只食草动物的头部掩码和头部特征坐标信息,其中,食草动物头部模型是基于采食图像样本中至少一只食草动物的头部特征坐标信息样本和头部掩码标签进行训练得到的。
需要说明的是,头部特征坐标信息是指从食草动物头部图像中提取出的特定关键点的坐标位置,特征点可以是眼睛、鼻子、耳朵、嘴巴等头部区域的关键点,头部特征坐标信息用于识别食草动物。由于每个物种的头部特征在形态上存在一定的差异,因此,通过获取头部特征坐标信息,并结合计算机视觉和机器学习技术,可以实现对食草动物的识别。
需要进一步说明的是,掩码(Mask)是一种用于隐藏、保护或筛选特定数据或信息的技术或数据结构,在图像处理中,掩码通常表示为一个与原始图像具有相同大小的矩阵,其中每个元素表示对应位置是否被遮罩或保留,也就是说,在图像处理中可以使用掩码来标记图像中的每个像素是否属于目标检测物体,这样的掩码通常是一个二值矩阵,其中元素1表示目标检测物体的像素,元素0表示背景像素。
进一步地,食草动物采食量监测装置将当前采食图像输入至草料堆识别模型,得到草料堆识别模型输出的尺寸特征坐标信息和草料堆掩码,其中,草料堆识别模型是基于采食图像样本中草料堆的尺寸特征坐标信息样本和草料堆掩码标签进行训练得到的。
需要说明的是,草料堆的尺寸特征坐标信息是指在图像或视频中提取出的描述草料堆大小的特定点或线段的坐标位置,特征点或线段可以是草料堆的边界点、角点、中心点等,尺寸特征坐标信息用于确定草料堆的尺寸,因此,通过不同帧采食图像中草料堆的尺寸,可以确定草料堆的尺寸变化,进而可以辅助评估食草动物的采食量大小。
进一步地,食草动物采食量监测装置确定养殖场中各饲喂栏掩码,进一步地,食草动物采食量监测装置基于各食草动物的头部特征坐标信息,确定各饲喂栏对应的食草动物。
进一步地,食草动物采食量监测装置对各饲喂栏掩码和各饲喂栏对应的食草动物的头部掩码分别进行交并比计算,得到各第三掩码相似度。
进一步地,食草动物采食量监测装置将各第三掩码相似度分别与第一预设阈值进行数值大小比较,得到数值比较结果,其中,第一预设阈值根据实际情况设定。
进一步地,食草动物采食量监测装置根据数值比较结果,将任一第三掩码相似度大于第一预设阈值的食草动物确定为存在采食行为动机的食草动物,进一步地,食草动物采食量监测装置根据数值比较结果,将任一第三掩码相似度小于或等于第一预设阈值的食草动物确定为不存在采食行为动机的食草动物。
进一步地,食草动物采食量监测装置确定各存在采食行为动机的食草动物的下颚掩码。
进一步地,食草动物采食量监测装置基于各存在采食行为动机的食草动物的头部特征坐标信息,对各存在采食行为动机的食草动物的下颚掩码和草料堆掩码分别进行交并比计算,得到各存在采食行为动机的食草动物的第一掩码相似度。
进一步地,食草动物采食量监测装置将各第一掩码相似度分别与第二预设阈值进行数值大小比较,得到数值比较结果,其中,第二预设阈值根据实际情况设定。
进一步地,食草动物采食量监测装置将任一第一掩码相似度大于第二预设阈值的食草动物确定为存在采食行为的食草动物,进一步地,食草动物采食量监测装置将任一第一掩码相似度小于或等于第二预设阈值的食草动物确定为不存在采食行为的食草动物。
进一步地,食草动物采食量监测装置确定其余各帧采食图像中各存在采食行为的食草动物的第二掩码相似度。
进一步地,食草动物采食量监测装置基于各第一掩码相似度和各第二掩码相似度,确定各存在采食行为的食草动物所对应的目标采食图像数量,进一步地,食草动物采食量监测装置基于各存在采食行为的食草动物所对应的目标采食图像数量,确定各存在采食行为的食草动物的采食量监测结果。
本发明提供的食草动物采食量监测方法,基于食草动物头部识别模型和草料堆识别模型,实现食草动物头部和草料堆的精准识别和像素级分割,进一步基于模型输出的食草动物的头部掩码、头部特征坐标信息以及草料堆掩码,判定食草动物头部和草料堆的接触程度,以确定食草动物存在采食行为,进而确定存在采食行为的食草动物的采食量监测结果,实现非接触式、智能化的食草动物采食量监测,提高了食草动物采食量监测的准确性。
进一步地,在得到所述食草动物头部识别模型输出的至少一个头部掩码之后,包括:
确定各饲喂栏掩码;
基于各所述食草动物的头部特征坐标信息,确定各饲喂栏对应的食草动物;
对各饲喂栏掩码和各饲喂栏对应的食草动物的头部掩码分别进行交并比计算,得到各第三掩码相似度;
将任一所述第三掩码相似度大于第一预设阈值的食草动物确定为存在采食行为动机的食草动物。
具体地,食草动物采食量监测装置确定养殖场中各饲喂栏掩码。需要说明的是,不同帧采食图像中各饲喂栏的位置几乎一致,也就是说,不同帧采食图像中各饲喂栏不会发生变化,因此,食草动物采食量监测装置可以采用简单的图像分割技术实现各饲喂栏掩码的生成,进而判定各饲喂栏中是否存在食草动物的头部,以确定食草动物是否存在采食动机。
进一步地,食草动物采食量监测装置基于各食草动物的头部特征坐标信息,确定各饲喂栏对应的食草动物。
需要说明的是,养殖场有多个饲喂栏,通常地,每一个饲喂栏的大小仅可容纳一只食草动物的头部,因此,每一个饲喂栏会对应一只食草动物,在一次采食过程中,食草动物会通过对应的饲喂栏进行草料堆采食。由于食草动物的头部特征坐标信息可以识别出对应的食草动物,因此,食草动物采食量监测装置基于各食草动物的头部特征坐标信息,可以确定各饲喂栏对应的食草动物。
进一步地,食草动物采食量监测装置对各饲喂栏掩码和各饲喂栏对应的食草动物的头部掩码分别进行交并比计算,得到各第三掩码相似度。
需要说明的是,交并比(Intersection Over Union,IOU)计算用于衡量两个边界框之间的重叠程度,因此,通过交并比计算,可以判定食草动物的头部和饲喂栏之间的接触程度。其中,交并比计算的公式为:交并比结果=交集面积/并集面积;交集面积是两个边界框相交部分的面积,而并集面积是两个边界框的整体面积。交并比结果的取值范围在0到1之间,数值越大表示两个边界框之间的重叠越好,即两个边界框之间的接触程度越高。
进一步地,食草动物采食量监测装置将各第三掩码相似度分别与第一预设阈值进行数值大小比较,得到数值比较结果,其中,第一预设阈值根据实际情况设定。
进一步地,食草动物采食量监测装置根据数值比较结果,将任一第三掩码相似度大于第一预设阈值的食草动物确定为存在采食行为动机的食草动物,进一步地,食草动物采食量监测装置根据数值比较结果,将任一第三掩码相似度小于或等于第一预设阈值的食草动物确定为不存在采食行为动机的食草动物。
需要说明的是,存在采食行为动机的食草动物可能存在采食行为,也可能不存在采食行为(可能只是通过饲喂栏探出头而未采食草料),需要进一步判定存在采食行为动机的食草动物的头部与草料堆之间的接触程度,以确定存在采食行为动机的食草动物是否存在采食行为。
需要进一步说明的是,本发明实施例也可以逐个判定各饲喂栏和各饲喂栏对应的食草动物的头部之间的接触程度,并逐个判定存在采食行为动机的食草动物的头部和草料堆之间的接触程度,实现流程化作用。因此可以理解为,本发明实施例可以先判定第一个饲喂栏和第一个饲喂栏对应的食草动物的头部之间的接触程度,若判定第一个饲喂栏对应的食草动物存在采食动机,则进一步判定第一个饲喂栏对应的食草动物和草料堆之间的接触程度,以判定第一个饲喂栏对应的食草动物是否存在采食行为;若判定第二个饲喂栏对应的食草动物不存在采食动机,则继续判定第二个饲喂栏和第二饲喂栏对应的食草动物的头部之间的接触程度,直至判定完所有饲喂栏和所有饲喂栏对应的食草动物的头部之间的接触程度,从而确定出所有存在采食行为的食草动物。
本发明实施例通过确定各饲喂栏掩码,基于各食草动物的头部掩码,确定各饲喂栏对应的食草动物,进一步对各饲喂栏掩码和各饲喂栏对应的食草动物的头部掩码分别进行交并比计算,得到各第三掩码相似度,根据各第三掩码相似度和第一预设阈值的数值比较结果,确定出存在采食行为动机的食草动物,进而可以判定存在采食行为动机的食草动物的头部和草料堆的接触程度,以确定食草动物存在采食行为,进而确定存在采食行为的食草动物的采食量监测结果,实现非接触式、智能化的食草动物采食量监测,提高了食草动物采食量监测的准确性。
进一步地,基于步骤400所述基于各所述食草动物的头部掩码、头部特征坐标信息以及所述草料堆掩码,确定各存在采食行为动机的食草动物的第一掩码相似度,包括:
确定各存在采食行为动机的食草动物的下颚掩码;
基于各存在采食行为动机的食草动物的头部特征坐标信息,对各存在采食行为动机的食草动物的下颚掩码和所述草料堆掩码分别进行交并比计算,得到各存在采食行为动机的食草动物的第一掩码相似度。
具体地,食草动物采食量监测装置基于各存在采食行为动机的食草动物的头部掩码,确定各存在采食行为动机的食草动物的下颚掩码。
进一步地,食草动物采食量监测装置基于各存在采食行为动机的食草动物的头部特征坐标信息,对各存在采食行为动机的食草动物的下颚掩码和草料堆掩码分别进行交并比计算,得到各存在采食行为动机的食草动物的第一掩码相似度。
需要说明的是,由于食草动物的头部特征坐标信息可以识别出对应的食草动物,因此,食草动物采食量监测装置基于各存在采食行为动机的食草动物的头部特征坐标信息,可以识别出存在采食行为的食草动物。
本发明实施例通过确定各存在采食行为动机的食草动物的下颚掩码,进一步基于各存在采食行为动机的食草动物的头部特征坐标信息,对各存在采食行为动机的食草动物的下颚掩码和草料堆掩码分别进行交并比计算,得到各存在采食行为动机的食草动物的第一掩码相似度,实现判定存在采食行为动机的食草动物的头部和草料堆的接触程度,以确定食草动物存在采食行为,进而确定存在采食行为的食草动物的采食量监测结果,实现非接触式、智能化的食草动物采食量监测,提高了食草动物采食量监测的准确性。
进一步地,基于步骤500所述基于各所述第一掩码相似度,确定其余各帧采食图像中各存在采食行为的食草动物的第二掩码相似度,包括:
将任一所述第一掩码相似度大于第二预设阈值的食草动物确定为存在采食行为的食草动物;
确定其余各帧采食图像中各存在采食行为的食草动物的第二掩码相似度。
具体地,食草动物采食量监测装置将各第一掩码相似度分别与第二预设阈值进行数值大小比较,得到数值比较结果,其中,第二预设阈值根据实际情况设定。
进一步地,食草动物采食量监测装置将任一第一掩码相似度大于第二预设阈值的食草动物确定为存在采食行为的食草动物,进一步地,食草动物采食量监测装置将任一第一掩码相似度小于或等于第二预设阈值的食草动物确定为不存在采食行为的食草动物。
进一步地,食草动物采食量监测装置确定其余各帧采食图像中各存在采食行为的食草动物的第二掩码相似度。
需要说明的是,其余每一连续帧采食图像都是需要将采食图像分别输入至食草动物头部识别模型和草料堆识别模型,得到食草动物头部识别模型输出的至少一只食草动物的头部掩码、头部特征坐标信息以及食草动物头部识别模型输出的尺寸特征坐标信息和草料堆掩码,并确定出前一帧采食图像中各存在采食行为的食草动物的头部掩码、头部特征坐标信息,进一步确定前一帧采食图像中各存在采食行为的食草动物在当前采食图像中依旧存在采食动机,进而确定当前采食图像中依旧存在采食动机的食草动物依旧存在采食行为。具体过程上述已进行举例说明,在此不作赘述。
需要进一步说明的是,本发明实施例也可以逐个判定各饲喂栏和各饲喂栏对应的食草动物的头部之间的接触程度,并逐个判定存在采食行为动机的食草动物的头部和草料堆之间的接触程度,也就是说,若本发明实施例逐个判定各饲喂栏和各饲喂栏对应的食草动物的头部之间的接触程度,那么相应地也会逐个判定存在采食行为动机的食草动物的头部和草料堆之间的接触程度。
本发明实施例根据各第一掩码相似度和第二预设阈值的数值比较结果,确定存在采食行为的食草动物,进一步确定其余各帧采食图像中各存在采食行为的食草动物的第二掩码相似度,进而可以确定存在采食行为的食草动物的采食时长,从而确定存在采食行为的食草动物的采食量监测结果,无需进行大规模的硬件改造或增加多余的传感器设备即可实现采食量监测,降低了现有养殖场的改造成本,提高了养殖场管理水平。
进一步地,在基于各所述第一掩码相似度和各所述第二掩码相似度,确定各存在采食行为的食草动物的采食量监测结果时,针对每一个存在采食行为的食草动物执行以下步骤:
将大于所述第二预设阈值的第一掩码相似度所对应的当前采食图像,确定为第一目标采食图像;
将大于所述第二预设阈值的第二掩码相似度所对应的各帧采食图像,确定为第二目标采食图像;
基于所述第一目标采食图像和所述第二目标采食图像,确定目标采食图像的数量;
基于所述目标采食图像的数量,确定所述存在采食行为的食草动物的采食量监测结果。
具体地,食草动物采食量监测装置将大于第二预设阈值的第一掩码相似度所对应的当前采食图像,确定为第一目标采食图像。因此,第一目标采食图像可以确定出存在采食行为的食草动物在对应的饲喂栏存在采食行为。
进一步地,食草动物采食量监测装置将大于第二预设阈值的第二掩码相似度所对应的各帧采食图像,确定为第二目标采食图像。因此,第二目标采食图像可以确定出存在采食行为的食草动物在对应饲喂栏依旧存在采食行为,进而可以确定出存在采食行为的食草动物的采食时长。
进一步地,食草动物采食量监测装置基于第一目标采食图像和第二目标采食图像,确定目标采食图像的数量。
进一步地,食草动物采食量监测装置基于目标采食图像的数量,确定存在采食行为的食草动物的采食量监测结果。
本发明实施例将大于第二预设阈值的第一掩码相似度所对应的当前采食图像,确定为第一目标采食图像,并将大于第二预设阈值的第二掩码相似度所对应的各帧采食图像,确定为第二目标采食图像,进一步基于第一目标采食图像和第二目标采食图像,确定目标采食图像的数量,进而基于目标采食图像的数量,确定存在采食行为的食草动物的采食量监测结果,从而实现非接触式、智能化的食草动物采食量监测,为采食量监测技术方面提供了智能、准确、可靠的技术支撑,提高了食草动物采食量监测的准确性,同时,通过非接触式的监测,有效减少了对食草动物个体本身的生理影响。
进一步地,所述基于所述目标采食图像的数量,确定所述存在采食行为的食草动物的采食量监测结果,包括:
确定所述目标采食图像的帧率;
对所述目标采食图像的数量和帧率进行比值计算,得到所述存在采食行为的食草动物的采食时长;
确定所述存在采食行为的食草动物的咀嚼频率;
对所述咀嚼频率和所述采食时长进行乘积计算,得到所述存在采食行为的食草动物的采食量监测结果。
具体地,食草动物采食量监测装置确定目标采食图像的帧率。需要说明的是,帧率指的是视频中,每秒钟包含静止画面的数量,因此,通过目标采食图像的数量和帧率,可以计算出采食时长,帧率可以根据摄像头的性能确定。
进一步地,食草动物采食量监测装置对目标采食图像的数量和帧率进行比值计算,得到存在采食行为的食草动物的采食时长。
进一步地,食草动物采食量监测装置确定存在采食行为的食草动物的咀嚼频率。
进一步地,食草动物采食量监测装置对咀嚼频率和采食时长进行乘积计算,得到存在采食行为的食草动物的采食量监测结果。
本发明实施例通过对目标采食图像的数量和帧率进行比值计算,得到存在采食行为的食草动物的采食时长,进一步对咀嚼频率和采食时长进行乘积计算,得到存在采食行为的食草动物的采食量监测结果,实现非接触式、智能化的食草动物采食量监测,为采食量监测技术方面提供了智能、准确、可靠的技术支撑,提高了食草动物采食量监测的准确性,同时,通过非接触式的监测,有效减少了对食草动物个体本身的生理影响。
进一步地,所述食草动物头部识别模型是通过如下步骤训练得到的:
确定至少两帧连续的采食图像样本;
确定各所述采食图像样本中至少一只食草动物的头部特征坐标信息样本和头部掩码标签;
基于各所述采食图像样本中至少一只食草动物的头部特征坐标信息样本和头部掩码标签,对实例分割模型进行训练,得到食草动物头部识别模型。
需要说明的是,本发明实施例的食草动物头部识别模型和草料堆识别模型都是基于实例分割模型进行训练得到的。食草动物采食是持续行为动作,随着时间推移,草料堆的尺寸会与撒料初期产生巨大变化,整体呈现高低不齐、形状各异,传统目标检测算法生成无法实现食草动物采食行为的准确判断,因此,本发明实施例采用实例分割模型,实现食草动物的头部掩码和草料堆掩码的精准预测。实例分割模型包括三种网络结构,这三种网络结构分别为特征金字塔网络(Feature Pyramid Network,FPN)、区域提议网络(RegionProposal Network,RPN)以及全连接层,并且,全连接层包括层边界框识别和掩码预测两个分支。
进一步需要说明的是,FPN是用于提取特征的骨干网络。在传统的特征提取网络结构中,低层特征往往含有较多的细节信息,如颜色、轮廓、纹理,但包含许多的噪声以及无关信息;高层特征包含有充分的语义信息,如类别、属性,但空间分辨率却很小,从而导致高层特征上信息丢失较为严重。因此,采用带有横连接的自顶向下体系结构的FPN进行特征融合,可以同时利用低层特征图的空间信息和高层特征图的语义信息。因此,通过FPN,可以对模型输入的图像进行特征提取,并且提取出来的特征同时具有低层特征图的空间信息和高层特征图的语义信息,FPN特征提取的原理是通过分辨率较小的高层特征通过1×1卷积降维,然后上采样至前一个特征图的相同尺寸,再进行元素相加,最后得到融合后的特征。
进一步需要说明的是,RPN用于生成候选区域。RPN会生成一系列锚点,根据FPN提取到的融合特征从一系列锚点中按照预设规则筛选生成对应候选区域,其中,预设规则根据实际情况设定。但是此时得到的候选区域大小不一,因此,在候选区域进入全连接层之前,需要通过感兴趣区域对齐层将候选区域统一为相同尺寸,可以通过以下步骤实现:将每个感兴趣区域划分为四个有规律采样的区域,使用双线性插值计算每个感兴趣区域中四个有规律采样的区域位置的输入特征值,并使用最大值或平均值将所有输入特征值进行聚合,从而消除了量化的严格要求,并正确地将候选区域统一为相同尺寸。
进一步需要说明的是,层边界框识别用于识别目标实例的边界,也就是目标检测框。层边界框识别根据已经获得的相同尺寸的候选区域,通过全连接层与激活函数计算出每个候选区域的所属类别和置信度,并利用边界框回归获取每个候选区域的位置偏移量,用于回归更加精确的目标检测框。
进一步需要说明的是,掩码预测用于预测目标检测框的像素级掩码,掩码预测依赖于层边界框识别预测出的目标检测框以及类别标签选择输出对应的掩码。
具体地,食草动物采食量监测装置获取养殖场中由摄像头记录的历史食草动物采食视频,进一步地,食草动物采食量监测装置基于历史食草动物采食视频,确定至少两帧连续的采食图像样本,也就是说,食草动物采食量监测装置对历史食草动物采食视频进行连续帧图像提取,得到至少两帧连续的采食图像样本。
进一步地,食草动物采食量监测装置确定各采食图像样本中至少一只食草动物的头部特征坐标信息样本和头部掩码标签。
进一步地,食草动物采食量监测装置基于各采食图像样本中至少一只食草动物的头部特征坐标信息样本和头部掩码标签,对实例分割模型进行训练,得到食草动物头部识别模型。
相应地,食草动物采食量监测装置确定各采食图像样本中草料堆的尺寸特征坐标信息样本和草料堆掩码标签。
进一步地,食草动物采食量监测装置基于各采食图像样本中草料堆的尺寸特征坐标信息样本和草料堆掩码标签,对实例分割模型进行训练,得到食草动物头部识别模型。
需要说明的是,实例分割模型训练的过程中,可以通过交叉熵损失函数对训练模型进行评估,若训练模型的性能达标,则模型训练完成,此时模型输出的预测掩码具有一定的准确性;若训练模型的性能不达标,则模型需要继续训练,此时模型输出的预测掩码偏差较大。确定性能是否达标可以通过以下步骤:利用交叉熵损失函数可以计算训练模型的损失值,并跟预设指标进行数值大小比较,若训练模型的损失值大于预设指标,则训练模型的性能不达标;若训练模型的损失值小于或等于预设指标,则训练模型的性能达标。通过交叉熵损失函数可以计算训练模型的损失值可以消除不同类别掩码之间的竞争,从而生成准确的掩码。
本发明实施例基于实例分割模型,训练完成食草动物头部识别模型和草料堆识别模型,从而可以基于食草动物头部识别模型和草料堆识别模型,实现食草动物头部和草料堆的精准识别和像素级分割,并实现了智能化的采食量监测,提高了食草动物采食量监测的准确性。
进一步地,参考图2,图2是本发明实施例提供的食草动物采食量监测方法的流程示意图之二,因此,本发明提供的食草动物采食量监测方法的整体流程可以理解为:
食草动物采食量监测装置获取养殖场中由摄像头记录的食草动物采食视频,进一步地,食草动物采食量监测装置基于食草动物采食视频,确定至少两帧连续的采食图像。
进一步地,食草动物采食量监测装置将当前采食图像输入至食草动物头部识别模型,得到食草动物头部识别模型输出的至少一只食草动物的头部掩码和头部特征坐标信息。
进一步地,食草动物采食量监测装置将当前采食图像输入至草料堆识别模型,得到草料堆识别模型输出的尺寸特征坐标信息和草料堆掩码。
进一步地,食草动物采食量监测装置确定养殖场中各饲喂栏掩码,进一步地,食草动物采食量监测装置基于各食草动物的头部特征坐标信息,确定各饲喂栏对应的食草动物。
进一步地,食草动物采食量监测装置对各饲喂栏掩码和各饲喂栏对应的食草动物的头部掩码分别进行交并比计算,得到各第三掩码相似度。
进一步地,食草动物采食量监测装置将各第三掩码相似度分别与第一预设阈值进行数值大小比较,得到数值比较结果,其中,第一预设阈值根据实际情况设定。
进一步地,食草动物采食量监测装置根据数值比较结果,将任一第三掩码相似度大于第一预设阈值的食草动物确定为存在采食行为动机的食草动物,进一步地,食草动物采食量监测装置根据数值比较结果,将任一第三掩码相似度小于或等于第一预设阈值的食草动物确定为不存在采食行为动机的食草动物。
进一步地,食草动物采食量监测装置基于各存在采食行为动机的食草动物的头部掩码,确定各存在采食行为动机的食草动物的下颚掩码。
进一步地,食草动物采食量监测装置基于各存在采食行为动机的食草动物的头部特征坐标信息,对各存在采食行为动机的食草动物的下颚掩码和草料堆掩码分别进行交并比计算,得到各存在采食行为动机的食草动物的第一掩码相似度。
进一步地,食草动物采食量监测装置将各第一掩码相似度分别与第二预设阈值进行数值大小比较,得到数值比较结果,其中,第二预设阈值根据实际情况设定。
进一步地,食草动物采食量监测装置将任一第一掩码相似度大于第二预设阈值的食草动物确定为存在采食行为的食草动物,进一步地,食草动物采食量监测装置将任一第一掩码相似度小于或等于第二预设阈值的食草动物确定为不存在采食行为的食草动物。
进一步地,食草动物采食量监测装置确定其余各帧采食图像中各存在采食行为的食草动物的第二掩码相似度。
进一步地,食草动物采食量监测装置基于各第一掩码相似度和各第二掩码相似度,确定各存在采食行为的食草动物所对应的目标采食图像数量。
进一步地,食草动物采食量监测装置确定各目标采食图像的帧率。
进一步地,食草动物采食量监测装置对各目标采食图像的数量和帧率进行比值计算,得到各存在采食行为的食草动物的采食时长。
进一步地,食草动物采食量监测装置确定各存在采食行为的食草动物的咀嚼频率。
进一步地,食草动物采食量监测装置对各存在采食行为的食草动物的咀嚼频率和采食时长进行乘积计算,得到各存在采食行为的食草动物的采食量监测结果。
进一步地,本发明还提供一种食草动物采食量监测装置。
参照图3,图3是本发明食草动物采食量监测装置的结构示意图。
所述食草动物采食量监测装置包括:
确定模块310,用于确定至少两帧连续的采食图像;
第一模型识别模块320,用于将当前采食图像输入至食草动物头部识别模型,得到所述食草动物头部识别模型输出的至少一只食草动物的头部掩码和头部特征坐标信息;所述头部特征坐标信息用于识别食草动物;所述食草动物头部识别模型是基于采食图像样本中至少一只食草动物的头部特征坐标信息样本和头部掩码标签进行训练得到的;
第二模型识别模块330,用于将所述当前采食图像输入至草料堆识别模型,得到所述草料堆识别模型输出的草料堆掩码;所述草料堆识别模型是基于采食图像样本中草料堆的尺寸特征坐标信息样本和草料堆掩码标签进行训练得到的;
第一掩码相似度计算模块340,用于基于各所述食草动物的头部掩码、头部特征坐标信息以及所述草料堆掩码,确定各存在采食行为动机的食草动物的第一掩码相似度;
第二掩码相似度计算模块350,用于基于各所述第一掩码相似度,确定其余各帧采食图像中各存在采食行为的食草动物的第二掩码相似度;
采食量监测模块360,用于基于各所述第一掩码相似度和各所述第二掩码相似度,确定各存在采食行为的食草动物的采食量监测结果。
本发明提供的食草动物采食量监测装置,基于食草动物头部识别模型和草料堆识别模型,实现食草动物头部和草料堆的精准识别和像素级分割,进一步基于模型输出的食草动物的头部掩码、头部特征坐标信息以及草料堆掩码,判定食草动物头部和草料堆的接触程度,以确定食草动物存在采食行为,进而确定存在采食行为的食草动物的采食量监测结果,实现非接触式、智能化的食草动物采食量监测,提高了食草动物采食量监测的准确性。
在一个实施例中,所述食草动物采食量监测装置还用于:
确定各饲喂栏掩码;
基于各所述食草动物的头部特征坐标信息,确定各饲喂栏对应的食草动物;
对各饲喂栏掩码和各饲喂栏对应的食草动物的头部掩码分别进行交并比计算,得到各第三掩码相似度;
将任一所述第三掩码相似度大于第一预设阈值的食草动物确定为存在采食行为动机的食草动物。
在一个实施例中,所述第一掩码相似度计算模块340还用于:
确定各存在采食行为动机的食草动物的下颚掩码;
基于各存在采食行为动机的食草动物的头部特征坐标信息,对各存在采食行为动机的食草动物的下颚掩码和所述草料堆掩码分别进行交并比计算,得到各存在采食行为动机的食草动物的第一掩码相似度。
在一个实施例中,所述第二掩码相似度计算模块350还用于:
将任一所述第一掩码相似度大于第二预设阈值的食草动物确定为存在采食行为的食草动物;
确定其余各帧采食图像中各存在采食行为的食草动物的第二掩码相似度。
在一个实施例中,所述采食量监测模块360还用于:
将大于所述第二预设阈值的第一掩码相似度所对应的当前采食图像,确定为第一目标采食图像;
将大于所述第二预设阈值的第二掩码相似度所对应的各帧采食图像,确定为第二目标采食图像;
基于所述第一目标采食图像和所述第二目标采食图像,确定目标采食图像的数量;
基于所述目标采食图像的数量,确定所述存在采食行为的食草动物的采食量监测结果。
在一个实施例中,所述采食量监测模块360还用于:
确定所述目标采食图像的帧率;
对所述目标采食图像的数量和帧率进行比值计算,得到所述存在采食行为的食草动物的采食时长;
确定所述存在采食行为的食草动物的咀嚼频率;
对所述咀嚼频率和所述采食时长进行乘积计算,得到所述存在采食行为的食草动物的采食量监测结果。
在一实施例中,所述食草动物采食量监测装置还用于:
确定至少两帧连续的采食图像样本;
确定各所述采食图像样本中至少一只食草动物的头部特征坐标信息样本和头部掩码标签;
基于各所述采食图像样本中至少一只食草动物的头部特征坐标信息样本和头部掩码标签,对实例分割模型进行训练,得到食草动物头部识别模型。
图4示例了一种电子设备的实体结构示意图,如图4所示,该电子设备可以包括:处理器(processor)410、通信接口(Communication Interface)420、存储器(memory)430和通信总线440,其中,处理器410,通信接口420,存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的计算机程序,以执行食草动物采食量监测方法的步骤,例如包括:
确定至少两帧连续的采食图像;
将当前采食图像输入至食草动物头部识别模型,得到所述食草动物头部识别模型输出的至少一只食草动物的头部掩码和头部特征坐标信息;所述头部特征坐标信息用于识别食草动物;所述食草动物头部识别模型是基于采食图像样本中至少一只食草动物的头部特征坐标信息样本和头部掩码标签进行训练得到的;
将所述当前采食图像输入至草料堆识别模型,得到所述草料堆识别模型输出的草料堆掩码;所述草料堆识别模型是基于采食图像样本中草料堆的尺寸特征坐标信息样本和草料堆掩码标签进行训练得到的;
基于各所述食草动物的头部掩码、头部特征坐标信息以及所述草料堆掩码,确定各存在采食行为动机的食草动物的第一掩码相似度;
基于各所述第一掩码相似度,确定其余各帧采食图像中各存在采食行为的食草动物的第二掩码相似度;
基于各所述第一掩码相似度和各所述第二掩码相似度,确定各存在采食行为的食草动物的采食量监测结果。
此外,上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个非暂态计算机可读存储介质中。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或者该技术方案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一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明实施例还提供一种存储介质,所述存储介质为非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储有计算机程序,所述计算机程序用于使处理器执行上述各实施例提供的方法的步骤,例如包括:
确定至少两帧连续的采食图像;
将当前采食图像输入至食草动物头部识别模型,得到所述食草动物头部识别模型输出的至少一只食草动物的头部掩码和头部特征坐标信息;所述头部特征坐标信息用于识别食草动物;所述食草动物头部识别模型是基于采食图像样本中至少一只食草动物的头部特征坐标信息样本和头部掩码标签进行训练得到的;
将所述当前采食图像输入至草料堆识别模型,得到所述草料堆识别模型输出的草料堆掩码;所述草料堆识别模型是基于采食图像样本中草料堆的尺寸特征坐标信息样本和草料堆掩码标签进行训练得到的;
基于各所述食草动物的头部掩码、头部特征坐标信息以及所述草料堆掩码,确定各存在采食行为动机的食草动物的第一掩码相似度;
基于各所述第一掩码相似度,确定其余各帧采食图像中各存在采食行为的食草动物的第二掩码相似度;
基于各所述第一掩码相似度和各所述第二掩码相似度,确定各存在采食行为的食草动物的采食量监测结果。
所述非暂态计算机可读存储介质可以是处理器能够存取的任何可用介质或数据存储设备,包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NAND FLASH)、固态硬盘(SSD))等。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
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各实施方式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。基于这样的理解,上述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,该计算机软件产品可以存储在非暂态计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种食草动物采食量监测方法,其特征在于,包括:
确定至少两帧连续的采食图像;
将当前采食图像输入至食草动物头部识别模型,得到所述食草动物头部识别模型输出的至少一只食草动物的头部掩码和头部特征坐标信息;所述头部特征坐标信息用于识别食草动物;所述食草动物头部识别模型是基于采食图像样本中至少一只食草动物的头部特征坐标信息样本和头部掩码标签进行训练得到的;
将所述当前采食图像输入至草料堆识别模型,得到所述草料堆识别模型输出的草料堆掩码;所述草料堆识别模型是基于采食图像样本中草料堆的尺寸特征坐标信息样本和草料堆掩码标签进行训练得到的;
基于各所述食草动物的头部掩码、头部特征坐标信息以及所述草料堆掩码进行交并比计算,得到各存在采食行为动机的食草动物的第一掩码相似度;
基于各所述第一掩码相似度,确定其余各帧采食图像中各存在采食行为的食草动物的第二掩码相似度;
基于各所述第一掩码相似度和各所述第二掩码相似度,确定各存在采食行为的食草动物的目标采食图像,并基于各存在采食行为的食草动物的目标采食图像,确定各存在采食行为的食草动物的采食量监测结果;
其中,所述基于各所述第一掩码相似度,确定其余各帧采食图像中各存在采食行为的食草动物的第二掩码相似度,包括:
将任一所述第一掩码相似度大于第二预设阈值的食草动物确定为存在采食行为的食草动物;
确定其余各帧采食图像中各存在采食行为的食草动物的第二掩码相似度;
在基于各所述第一掩码相似度和各所述第二掩码相似度,确定各存在采食行为的食草动物的目标采食图像,并基于各存在采食行为的食草动物的目标采食图像,确定各存在采食行为的食草动物的采食量监测结果时,针对每一个存在采食行为的食草动物执行以下步骤:
将大于所述第二预设阈值的第一掩码相似度所对应的当前采食图像,确定为第一目标采食图像;
将大于所述第二预设阈值的第二掩码相似度所对应的各帧采食图像,确定为第二目标采食图像;
基于所述第一目标采食图像和所述第二目标采食图像,确定目标采食图像的数量;
基于所述目标采食图像的数量,确定所述存在采食行为的食草动物的采食量监测结果。
2.根据权利要求1所述的食草动物采食量监测方法,其特征在于,在得到所述食草动物头部识别模型输出的至少一个头部掩码之后,包括:
确定各饲喂栏掩码;
基于各所述食草动物的头部特征坐标信息,确定各饲喂栏对应的食草动物;
对各饲喂栏掩码和各饲喂栏对应的食草动物的头部掩码分别进行交并比计算,得到各第三掩码相似度;
将任一所述第三掩码相似度大于第一预设阈值的食草动物确定为存在采食行为动机的食草动物。
3.根据权利要求2所述的食草动物采食量监测方法,其特征在于,所述基于各所述食草动物的头部掩码、头部特征坐标信息以及所述草料堆掩码进行交并比计算,得到各存在采食行为动机的食草动物的第一掩码相似度,包括:
确定各存在采食行为动机的食草动物的下颚掩码;
基于各存在采食行为动机的食草动物的头部特征坐标信息,对各存在采食行为动机的食草动物的下颚掩码和所述草料堆掩码分别进行交并比计算,得到各存在采食行为动机的食草动物的第一掩码相似度。
4.根据权利要求1所述的食草动物采食量监测方法,其特征在于,所述基于所述目标采食图像的数量,确定所述存在采食行为的食草动物的采食量监测结果,包括:
确定所述目标采食图像的帧率;
对所述目标采食图像的数量和帧率进行比值计算,得到所述存在采食行为的食草动物的采食时长;
确定所述存在采食行为的食草动物的咀嚼频率;
对所述咀嚼频率和所述采食时长进行乘积计算,得到所述存在采食行为的食草动物的采食量监测结果。
5.根据权利要求1-4任一项所述的食草动物采食量监测方法,其特征在于,所述食草动物头部识别模型是通过如下步骤训练得到的:
确定至少两帧连续的采食图像样本;
确定各所述采食图像样本中至少一只食草动物的头部特征坐标信息样本和头部掩码标签;
基于各所述采食图像样本中至少一只食草动物的头部特征坐标信息样本和头部掩码标签,对实例分割模型进行训练,得到食草动物头部识别模型。
6.一种食草动物采食量监测装置,其特征在于,包括:
确定模块,用于确定至少两帧连续的采食图像;
第一模型识别模块,用于将当前采食图像输入至食草动物头部识别模型,得到所述食草动物头部识别模型输出的至少一只食草动物的头部掩码和头部特征坐标信息;所述头部特征坐标信息用于识别食草动物;所述食草动物头部识别模型是基于采食图像样本中至少一只食草动物的头部特征坐标信息样本和头部掩码标签进行训练得到的;
第二模型识别模块,用于将所述当前采食图像输入至草料堆识别模型,得到所述草料堆识别模型输出的草料堆掩码;所述草料堆识别模型是基于采食图像样本中草料堆的尺寸特征坐标信息样本和草料堆掩码标签进行训练得到的;
第一掩码相似度计算模块,用于基于各所述食草动物的头部掩码、头部特征坐标信息以及所述草料堆掩码进行交并比计算,得到各存在采食行为动机的食草动物的第一掩码相似度;
第二掩码相似度计算模块,用于基于各所述第一掩码相似度,确定其余各帧采食图像中各存在采食行为的食草动物的第二掩码相似度;
采食量监测模块,用于基于各所述第一掩码相似度和各所述第二掩码相似度,确定各存在采食行为的食草动物的目标采食图像,并基于各存在采食行为的食草动物的目标采食图像,确定各存在采食行为的食草动物的采食量监测结果;
其中,所述基于各所述第一掩码相似度,确定其余各帧采食图像中各存在采食行为的食草动物的第二掩码相似度,包括:
将任一所述第一掩码相似度大于第二预设阈值的食草动物确定为存在采食行为的食草动物;
确定其余各帧采食图像中各存在采食行为的食草动物的第二掩码相似度;
在基于各所述第一掩码相似度和各所述第二掩码相似度,确定各存在采食行为的食草动物的目标采食图像,并基于各存在采食行为的食草动物的目标采食图像,确定各存在采食行为的食草动物的采食量监测结果时,针对每一个存在采食行为的食草动物执行以下步骤:
将大于所述第二预设阈值的第一掩码相似度所对应的当前采食图像,确定为第一目标采食图像;
将大于所述第二预设阈值的第二掩码相似度所对应的各帧采食图像,确定为第二目标采食图像;
基于所述第一目标采食图像和所述第二目标采食图像,确定目标采食图像的数量;
基于所述目标采食图像的数量,确定所述存在采食行为的食草动物的采食量监测结果。
7.一种电子设备,包括处理器和存储有计算机程序的存储器,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5任一项所述的食草动物采食量监测方法。
8.一种存储介质,所述存储介质为非暂态计算机可读存储介质,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5任一项所述的食草动物采食量监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311788352.3A CN117456472B (zh) | 2023-12-25 | 2023-12-25 | 食草动物采食量监测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311788352.3A CN117456472B (zh) | 2023-12-25 | 2023-12-25 | 食草动物采食量监测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117456472A CN117456472A (zh) | 2024-01-26 |
CN117456472B true CN117456472B (zh) | 2024-04-23 |
Family
ID=89593304
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311788352.3A Active CN117456472B (zh) | 2023-12-25 | 2023-12-25 | 食草动物采食量监测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117456472B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108460370A (zh) * | 2018-04-13 | 2018-08-28 | 中北大学 | 一种固定式家禽生命信息报警装置 |
WO2020127467A1 (en) * | 2018-12-18 | 2020-06-25 | Soundtalks Nv | Method for intelligent monitoring of one or more commercial sites for livestock animals |
CN113516201A (zh) * | 2021-08-09 | 2021-10-19 | 中国农业大学 | 一种基于深度神经网络的肉兔料盒中余料量的估算方法 |
CN114463701A (zh) * | 2022-04-14 | 2022-05-10 | 华南农业大学 | 一种基于多源大数据动物养殖数据挖掘的监测预警系统 |
WO2022172232A1 (de) * | 2021-02-12 | 2022-08-18 | Mechatronik Zehentner Eu | Verfahren und vorrichtung zur nachverfolgung von tieren |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170325426A1 (en) * | 2014-10-18 | 2017-11-16 | Herd Moonitor Ltd. | A Method and Device for Remote Monitoring of Animals |
US20210153479A1 (en) * | 2018-06-25 | 2021-05-27 | Farmsee Ltd. | Monitoring livestock in an agricultural pen |
BR112021013111A2 (pt) * | 2019-02-05 | 2021-09-21 | Wisconsin Alumni Research Foundation | Monitoramento de alimentação baseado em visão computacional e método para o mesmo |
-
2023
- 2023-12-25 CN CN202311788352.3A patent/CN117456472B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108460370A (zh) * | 2018-04-13 | 2018-08-28 | 中北大学 | 一种固定式家禽生命信息报警装置 |
WO2020127467A1 (en) * | 2018-12-18 | 2020-06-25 | Soundtalks Nv | Method for intelligent monitoring of one or more commercial sites for livestock animals |
WO2022172232A1 (de) * | 2021-02-12 | 2022-08-18 | Mechatronik Zehentner Eu | Verfahren und vorrichtung zur nachverfolgung von tieren |
CN113516201A (zh) * | 2021-08-09 | 2021-10-19 | 中国农业大学 | 一种基于深度神经网络的肉兔料盒中余料量的估算方法 |
CN114463701A (zh) * | 2022-04-14 | 2022-05-10 | 华南农业大学 | 一种基于多源大数据动物养殖数据挖掘的监测预警系统 |
Non-Patent Citations (4)
Title |
---|
Image analysis for individual identification and feeding behaviour monitoring of dairy cows based on Convolutional Neural Networks (CNN);Brahim Achour等;《Biosystems Engineering》;20201031;31-49 * |
X3DFast model for classifying dairy cow behaviours based on a two-pathway architecture;Rong hua Gao等;https://doi.org/10.21203/rs.3.rs-2894578/v1;20231122;1-15页 * |
全株玉米青贮饲料在反刍类野生食草动物饲养上的应用;王志永;张丽霞;伊霞;;畜牧与饲料科学;20180614(第05期);37-40 * |
基于改进YOLOV5s网络的奶牛多尺度行为识别方法;高荣华等;《农业工程学报》;20220623;163-172 * |
Also Published As
Publication number | Publication date |
---|---|
CN117456472A (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zheng et al. | Automatic recognition of lactating sow postures from depth images by deep learning detector | |
Zhu et al. | Recognition and drinking behaviour analysis of individual pigs based on machine vision | |
Yang et al. | Automated video analysis of sow nursing behavior based on fully convolutional network and oriented optical flow | |
CN115830078A (zh) | 生猪多目标跟踪及行为识别方法、计算机设备与存储介质 | |
CN110532899A (zh) | 基于热成像的母猪产前行为分类方法及系统 | |
Gan et al. | Spatiotemporal graph convolutional network for automated detection and analysis of social behaviours among pre-weaning piglets | |
Gan et al. | Fast and accurate detection of lactating sow nursing behavior with CNN-based optical flow and features | |
EP4402657A1 (en) | Systems and methods for the automated monitoring of animal physiological conditions and for the prediction of animal phenotypes and health outcomes | |
CN112528823A (zh) | 一种基于关键帧检测和语义部件分割的条斑鲨运动行为分析方法及系统 | |
Bello et al. | Mask YOLOv7-based drone vision system for automated cattle detection and counting | |
Yang et al. | A defencing algorithm based on deep learning improves the detection accuracy of caged chickens | |
KR102624925B1 (ko) | 머신러닝 기반의 가축 무게 예측 방법 및 장치 | |
CN117456472B (zh) | 食草动物采食量监测方法、装置、电子设备及存储介质 | |
Nasiri et al. | An automated video action recognition-based system for drinking time estimation of individual broilers | |
CN111738975B (zh) | 图像辨识方法及图像辨识装置 | |
CN115497021A (zh) | 一种基于计算机视觉的母猪哺乳行为细粒度识别方法 | |
Sun et al. | Basic behavior recognition of yaks based on improved SlowFast network | |
Yang et al. | Automated recognition and classification of cat pain through deep learning | |
Mon et al. | Video-based automatic cattle identification system | |
CN114677614A (zh) | 基于计算机视觉的单次母猪哺乳时长计算方法 | |
Li et al. | Recognition of fine-grained sow nursing behavior based on the SlowFast and hidden Markov models | |
CN114187659A (zh) | 用于对猪只姿态进行识别的姿态识别方法及其相关产品 | |
Bastiaansen et al. | Continuous real-time cow identification by reading ear tags from live-stream video | |
Danish | Beef Cattle Instance Segmentation Using Mask R-Convolutional Neural Network | |
Li et al. | Lameness detection system for dairy cows based on instance segmentation |
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 |