CN117726296B - 一种基于ai视频处理的智慧农业管理系统及方法 - Google Patents
一种基于ai视频处理的智慧农业管理系统及方法 Download PDFInfo
- Publication number
- CN117726296B CN117726296B CN202311769495.XA CN202311769495A CN117726296B CN 117726296 B CN117726296 B CN 117726296B CN 202311769495 A CN202311769495 A CN 202311769495A CN 117726296 B CN117726296 B CN 117726296B
- Authority
- CN
- China
- Prior art keywords
- target
- management
- target object
- virtual fence
- index
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 20
- 230000002159 abnormal effect Effects 0.000 claims abstract description 69
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 238000007405 data analysis Methods 0.000 claims abstract description 18
- 238000007726 management method Methods 0.000 claims description 127
- 235000005911 diet Nutrition 0.000 claims description 60
- 230000037213 diet Effects 0.000 claims description 54
- 230000033001 locomotion Effects 0.000 claims description 42
- 238000012544 monitoring process Methods 0.000 claims description 33
- 230000003828 downregulation Effects 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 20
- 244000144977 poultry Species 0.000 claims description 18
- 230000004044 response Effects 0.000 claims description 18
- 244000144972 livestock Species 0.000 claims description 17
- 238000005516 engineering process Methods 0.000 claims description 16
- 230000000630 rising effect Effects 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 7
- 230000000378 dietary effect Effects 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 238000012098 association analyses Methods 0.000 claims description 3
- 235000013305 food Nutrition 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 3
- 238000012502 risk assessment Methods 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims 1
- 230000035945 sensitivity Effects 0.000 description 6
- 208000035473 Communicable disease Diseases 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000003213 activating effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000009395 breeding Methods 0.000 description 2
- 230000001488 breeding effect Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 235000005809 Carpobrotus aequilaterus Nutrition 0.000 description 1
- 244000187801 Carpobrotus edulis Species 0.000 description 1
- 235000004550 Disphyma australe Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000009374 poultry farming Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于AI视频处理的智慧农业管理系统及方法，属于智慧农业技术领域。系统包括信息采集模块、对象处理模块、数据分析模块和执行控制模块；信息采集模块用于采集目标区域内实时视频和管理对象的实时位置；对象处理模块用于将视频中检测到的目标对象与现实中的管理对象进行匹配，通过目标对象的数据分析计算状态指数；数据分析模块用于标记状态指数异常的目标对象，分析标记目标对象与其他目标对象之间的关系，以及标记目标对象是否对其他目标对象的状态指数造成影响，将分析结果上传至管理后台，并接收管理后台传递过来的决策结果；执行控制模块用于执行决策结果，继续跟踪目标对象或控制亮灯进行响应。
Description
技术领域
本发明涉及智慧农业技术领域，具体为一种基于AI视频处理的智慧农业管理系统及方法。
背景技术
随着物联网、大数据分析、人工智能等技术的快速发展，智慧农业为养殖业提供了新的发展机遇。智能农业是指利用先进的信息技术和智能化设备，对畜禽养殖过程进行实时监测、数据分析和精细化管理的一种模式。通过应用物联网、传感器技术、大数据分析和人工智能等技术，智能农业可以实现对养殖环境、饲料投放、畜禽健康状况等方面的智能监测和管理，以提高养殖效率、降低疾病风险、改善养殖环境，实现可持续的养殖业发展。
现阶段，针对畜禽健康状况监测方面通常采用人工监测或智能识别。人工监测是指通过工作人员凭借肉眼观察，结合自身经验判断畜禽是否患病。智能识别是通过各类传感器或生物图像识别技术实现对畜禽的身体特征和生理指标进行监测判断畜禽是否患病。这些方法存在一定的缺陷，例如：1、佩戴式的传感器设备需要实时收集并上传数据，需要配置大容量电源且经常需要充电，这对于家禽类养殖并不友好且增加管理成本；2、使用视频监测时难以区分视频中不同管理对象，就无法找到对应数据库，即使采用现有的“猪脸识别”或“牛脸识别”技术，不仅对摄像头安装位置和角度有一定要求，还需要配置对应训练库进行大量训练；3、疾病监测方面通常将单个管理对象视为监测主体单独进行分析，没有将同养殖场内其他有关系的管理对象视为整体联合进行监测，在最容易导致大规模病死的传染病方面不能及时预测，在发现问题时也不能配合给予预防措施。所以，现阶段需要一种高效、便捷的畜禽健康状况监测技术方案来解决上述问题。
发明内容
本发明的目的在于提供一种基于AI视频处理的智慧农业管理系统及方法，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供如下技术方案：一种基于AI视频处理的智慧农业管理方法，该方法包括以下步骤：
S1、实时采集目标区域内视频信息，为每个管理对象配备智能设备；
S2、将管理对象与视频中目标对象进行匹配，计算目标对象的状态指数；
S3、分析目标对象之间的关联指数和危险指数，将分析结果上传至管理后台；
S4、接收管理后台的决策结果并执行，继续跟踪目标对象或亮灯响应。
在S1中，目标区域是指养殖场，视频信息是指目标区域内的监控视频，由安装在目标区域内的摄像头实时采集。管理对象是指目标区域内养殖的畜禽，智能设备是指智能脚环，智能脚环内有电子标签、微电源和指示灯，智能脚环捆绑在管理对象足部位置。
电子标签是指被动式电子标签，使用了无线射频识别技术。电子标签中包含一个微小的天线和一个集成电路芯片，当被读取时，标签读取器会向标签发送无线电信号，激活标签中的集成电路芯片，标签利用读取器发送的无线电信号来传输数据，而不需要使用电源。智能脚环中微电源专门用于给指示灯提供能源支持。
在S2中，具体步骤如下：
S201、使用虚拟栅栏技术将目标区域划分为N个虚拟栅栏区域，每个虚拟栅栏区域建立各自的边界线，边界线上每隔距离k放置一个标签读取设备，相邻标签读取设备组成虚拟栅栏的边界线。
标签读取设备同时配置红外感应装置来检测经过的管理对象，相邻的标签读取设备之间存在两条平行于地面水平线的红外感应线，当管理对象穿过红外感应线时，根据感应到的时间先后顺序判断管理对象进入的虚拟栅栏区域，并将信息传递给对应标签读取设备。
S202、摄像头对虚拟栅栏区域进行监控，单个摄像头拍摄画面无死角覆盖M个虚拟栅栏区域，所有摄像头拍摄画面覆盖整个目标区域；每个摄像头的拍摄画面上标记出各虚拟栅栏区域边界线的位置。
S203、采用目标检测算法对摄像头拍摄画面中每个虚拟栅栏区域进行检测，并将检测到的畜禽作为对应虚拟栅栏区域的目标对象。将每个目标对象与对应虚拟栅栏区域内的管理对象进行匹配从而获取目标对象的标识符，匹配过程如下：
S203-1、当管理对象穿过虚拟栅栏的边界线进入虚拟栅栏区域时，其携带的智能脚环中电子标签被虚拟栅栏的边界线所对应的标签读取设备激活，电子标签自动将保存的标识符回传至对应的标签读取设备。
S203-2、标签读取设备判断接收到的标识符数量是否为1，结果为是，则直接将接收到的标识符作为摄像头拍摄画面中对应虚拟栅栏区域内新加入目标对象的标识符；结果为否，则标签读写设备将接收到的标识符共享给对应虚拟栅栏区域内其他标签读写设备，同一个虚拟栅栏区域内所有标签读写设备共同对同一个电子标签进行读取，获取所有标签读写设备接收到同一个电子标签的信号强度，使用多点定位算法来计算出每个电子标签对应管理对象在虚拟栅栏区域中的位置。
S203-3、获取摄像头拍摄画面中对应虚拟栅栏区域内新加入目标对象的位置变化来绘制移动轨迹，同时通过管理对象在虚拟栅栏区域中的位置变化来绘制运动轨迹，将每条移动轨迹与所有运动轨迹进行相似度对比计算；当a运动轨迹与b移动轨迹之间的相似度大于或等于相似度阈值且其他运动轨迹与b移动轨迹之间的相似度小于相似度阈值时，则将a运动轨迹对应的管理对象与b移动轨迹对应的目标对象进行匹配，管理对象的标识符作为目标对象的标识符。
在轨迹匹配初始阶段，由于运动轨迹和移动轨迹之间差距较小，轨迹相似度很容易超过相似度阈值造成误匹配，所以只有在一条运动轨迹与一条移动轨迹相似度大于或等于相似度阈值且其他运动轨迹与该移动轨迹相似度小于相似度阈值时才进行匹配，确保运动轨迹与移动轨迹匹配的准确性。
相似度阈值根据实际情况进行设定，取值大，轨迹匹配速度快但精准度低；取值小，轨迹匹配速度慢但精准度高。
S204、对每个虚拟栅栏区域内的目标对象进行监测，当检测到目标对象饮食时，记录饮食点位置和饮食时长；当检测到目标对象匍匐时，记录匍匐时长；当检测到目标对象移动时，记录移动时长。
S205、将每个目标对象在虚拟栅栏区域内的饮食时长、匍匐时长和移动时长分别求和，得到饮食总时长Td、匍匐总时长TC和移动总时长Tm，计算目标对象在虚拟栅栏区域内所处时长T总，代入公式计算目标对象的状态指数，每个目标对象对应一个状态指数且状态指数根据目标对象的行为变化而不断更新，计算公式如下：
ZT＝(α×Td+β×Tm-γ×TC)÷T总
式中，ZT为状态指数，α为饮食时长影响系数，β为移动时长影响系数，γ为匍匐时长影响系数。
在S3中，具体步骤如下：
S301、获取每个目标对象的状态指数，标记状态指数小于状态指数阈值的目标对象，为每个标记目标对象建立一个关联对象集合。
状态指数阈值根据所有目标对象状态指数的平均值进行灵活设定，通过状态指数阈值筛选出与其他目标对象存在较大差异的目标对象。
S302、获取标记目标对象在虚拟栅栏区域内所有饮食点位置，分析标记目标对象与对应虚拟栅栏区域内其他目标对象之间的关系，关系包括饮食关系和接触关系。饮食关系是指与标记目标对象同时或之后在同一个饮食点位置进行过饮食，接触关系是指与标记目标对象位置之间距离小于距离阈值且该距离保持时长大于时长阈值。
S303、将与标记目标对象存在饮食关系或接触关系的目标对象的标识符和状态指数放入对应关联对象集合中，集合包括{(BSF1,ZT1),(BSF2,ZT2),...,(BSFu,ZTu)},其中，u表示关联对象集合元素个数，BSFu表示第u个标识符，ZTu表示第u个状态指数。
S304、获取每个关联对象集合中所有标识符对应目标对象的状态指数作为初始值，在未来一段时间内，每隔Te秒刷新一次关联对象集合，将刷新前后的关联对象集合中同标识符对应目标对象的状态指数进行比较，统计下降的状态指数占对应关联集合中所有状态指数的百分比作为下调比。
S305、连续刷新R次后，分析每次刷新后的下调比，判断是否存在连续H次下调比相比于上次都是上涨情况，结果为是，则将对应关联对象集合标记为异常；结果为否，则将对应关联对象集合标记为正常。
H次数取值根据对风险敏感程度的需要进行设定，正常情况，每次刷新后下调比应该在一定区间动态浮动。异常情况，由于环境恶劣或传染疾病影响，下调比会连续上涨，而H次数设定则是对连续上涨次数的异常判断，取值高则对风险敏感程度低，取值低则对风险敏感程度高。
S306、计算异常关联对象集合的下调比每次上涨幅度后求取平均值作为危险指数，同时将异常关联对象集合中的标识符两两配对成不同组合，判断每个组合中标识符对应目标对象之间的关系，不具备饮食关系或接触关系则将组合的分值设置为0，只具备一种关系则将组合的分值设置为1，同时具备两种关系则将组合的分值设置为2，将同一个异常关联对象集合中所有组合分值求和后作为关联指数。
关联指数越高则说明异常关联对象集合内各标识符对应目标对象之间关系越紧密，危险指数越高则说明异常关联对象集合内各标识符对应目标对象的状态指数下调数量越多，情况越危险。
S307、将同一个异常关联对象集合的危险指数与关联指数带入公式中计算重要指数，不同异常关联对象集合按照重要指数从大到小进行排序，与对应标记目标对象一起打包成分析结果上传至管理后台。重要指数计算公式如下：
式中，GL为关联指数，w为关联指数影响系数，p为大于1的常数，y为异常关联对象集合中组合个数，ZHFx为第x个组合的分值，ZY为重要指数，j为连续刷新R次中下调比上涨次数，XZFi为第i次下调比上涨幅度。
在S4中，具体步骤如下：
S401、管理后台接收分析结果后由管理人员进行决策，管理人员根据视频监控、实地考察和专业经验判断继续跟踪或亮灯响应，作为决策结果进行回传。
S402、当接收管理后台的决策结果为继续跟踪则不做处理，继续计算目标对象的状态指数、刷新关联对象集合和计算异常关联对象集合的重要指数。
S403、当接收管理后台的决策结果为亮灯响应时，则将标记目标对象和异常关联对象集合中所有标识符对应目标对象作为亮灯对象，控制标签读取设备向虚拟栅栏区域内亮灯对象对应管理对象携带的智能脚环中的电子标签发送亮灯信号，电子标签接收到亮灯信号后控制指示灯亮灯。
亮灯方案包括同颜色亮灯和不同颜色亮灯，根据决策结果选择其中一种执行。可以将标记目标对象和异常关联对象集合中所有标识符对应目标对象同时进行亮灯，也可以按照与标记目标对象具备饮食关系或接触关系中的一种或两种进行选择性亮灯，还可以将标记目标对象、异常关联对象集合中状态指数小于状态指数阈值所对应的目标对象和不小于状态指数阈值所对应的目标对象进行区分性亮灯。亮灯颜色为一种或多种。
一种基于AI视频处理的智慧农业管理系统，该系统包括信息采集模块、对象处理模块、数据分析模块和执行控制模块。
信息采集模块用于采集目标区域内实时视频和管理对象的实时位置；对象处理模块用于将视频中检测到的目标对象与现实中的管理对象进行匹配，通过目标对象的数据分析计算状态指数；数据分析模块用于标记状态指数异常的目标对象，分析标记目标对象与其他目标对象之间的关系，以及标记目标对象是否对其他目标对象的状态指数造成影响，将分析结果上传至管理后台，并接收管理后台传递过来的决策结果；执行控制模块用于执行决策结果，继续跟踪目标对象或控制亮灯进行响应。
信息采集模块包括图像采集单元和位置采集单元。
图像采集单元用于采集目标区域内的实时视频，由安装在目标区域内的摄像头进行采集。位置采集单元用于采集管理对象的实时位置，由捆绑在管理对象足部位置的智能脚环与附近标签读取设备进行数据交互后计算得到位置信息。
管理对象是指目标区域内养殖的畜禽，智能脚环内有电子标签、微电源和指示灯。
对象处理模块包括对象匹配单元和状态分析单元。
对象匹配单元用于将视频中检测到的目标对象与现实中的管理对象进行匹配。
首先，使用虚拟栅栏技术将目标区域划分为N个虚拟栅栏区域，每个虚拟栅栏区域边界线上放置标签读取设备，通过摄像头对每个虚拟栅栏区域进行监控。其次，当管理对象进入虚拟栅栏区域时，其携带智能脚环中的电子标签被虚拟栅栏区域的标签读取设备激活并进行数据交互，根据不同标签读写设备接收到信号强度计算电子标签对应管理对象的位置并绘制运动轨迹。然后，在监控画面中采用目标检测算法将检测到的畜禽作为目标对象，根据目标对象位置绘制移动轨迹。最后，将运动轨迹与移动轨迹进行相似度对比计算，大于相似度阈值则将运动轨迹对应的管理对象与移动轨迹对应的目标对象进行匹配，管理对象的标识符作为目标对象的标识符。
状态分析单元用于计算目标对象的状态指数。先对每个虚拟栅栏区域内的目标对象进行监测，记录每个目标对象的饮食时长、匍匐时长和移动时长，共同计算状态指数。
数据分析模块包括关联和危险分析单元、重要指数计算单元和信息中转单元。
关联和危险分析单元用于计算目标对象之间的关联指数和危险指数。
首先，标记状态指数小于状态指数阈值的目标对象，为每个标记目标对象建立一个关联对象集合，将与标记目标对象存在饮食关系或接触关系的目标对象的标识符和状态指数放入对应关联对象集合中。其次，每隔Te秒刷新一次关联对象集合，将刷新前后的关联对象集合中同标识符对应目标对象的状态指数进行比较，统计下降的状态指数占对应关联集合中所有状态指数的百分比作为下调比。最后，连续刷新R次后，分析每次刷新后的下调比，判断是否存在连续H次下调比相比于上次都是上涨情况，结果为是，则将对应关联对象集合标记为异常；结果为否，则将对应关联对象集合标记为正常。
饮食关系是指与标记目标对象同时或之后在同一个饮食点位置进行过饮食，接触关系是指与标记目标对象位置之间距离小于距离阈值且该距离保持时长大于时长阈值。
异常关联对象集合的下调比每次上涨幅度后求取平均值作为危险指数。异常关联对象集合中的标识符两两配对成不同组合，判断每个组合中标识符对应目标对象之间的关系，不具备关系的组合分值为0，只具备一种关系的组合分值为1，同时具备两种关系的组合分值为2，同一个异常关联对象集合中所有组合分值求和后作为关联指数。
重要指数计算单元通过同一个异常关联对象集合的危险指数与关联指数进行重要指数的计算。
信息中转单元将不同异常关联对象集合按照重要指数从大到小进行排序，与对应标记目标对象一起打包成分析结果上传至管理后台并接收回传的决策结果。
执行控制模块用于执行决策结果，根据决策结果选择继续跟踪或亮灯响应。
当决策结果为继续跟踪则不做处理。当决策结果为亮灯响应时，则将标记目标对象和异常关联对象集合中所有标识符对应目标对象作为亮灯对象，控制标签读取设备向虚拟栅栏区域内亮灯对象对应管理对象携带的智能脚环中的电子标签发送亮灯信号，电子标签接收到亮灯信号后控制指示灯亮灯。
与现有技术相比，本发明所达到的有益效果是：
1、线下线上高效匹配：本申请中线下通过标签读取设备实现对管理对象的运动轨迹绘制，线上在视频画面中通过目标检测算法实现对目标对象的移动轨迹绘制，通过轨迹相似度对比计算来实现管理对象与目标对象的精准匹配，相比于传统图像识别更加高效和快速。
2、精准状态判断：本申请中通过饮食、匍匐和移动三种状态来对目标对象状态进行分析，通过饮食关系和接触关系来对目标对象之间关联程度进行分析，通过分析具有关联的目标对象的状态变化是否存在同步现象来分析传染病发生的可能性，采用具体数值计算能够更加精准的预测与评估。
3、精巧化设备：本申请中智能脚环中电子标签无需电源即可工作，在结构上可以更加小巧能够兼容体积较小的家禽，且指示灯能够在需要进行隔离或抓捕操作时提供引导，实用性更强。
综上所述，本发明相比于传统技术具有线下线上高效匹配、精准状态判断和精巧化设备的优势，能够提高管理对象健康监测效率。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明一种基于AI视频处理的智慧农业管理方法的流程示意图；
图2是本发明一种基于AI视频处理的智慧农业管理系统的结构示意图。
具体实施方式
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、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，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。
请参阅图1，本发明提供一种基于AI视频处理的智慧农业管理方法，该方法包括以下步骤：
S1、实时采集目标区域内视频信息，为每个管理对象配备智能设备；
S2、将管理对象与视频中目标对象进行匹配，计算目标对象的状态指数；
S3、分析目标对象之间的关联指数和危险指数，将分析结果上传至管理后台；
S4、接收管理后台的决策结果并执行，继续跟踪目标对象或亮灯响应。
在S1中，目标区域是指养殖场，视频信息是指目标区域内的监控视频，由安装在目标区域内的摄像头实时采集。管理对象是指目标区域内养殖的畜禽，智能设备是指智能脚环，智能脚环内有电子标签、微电源和指示灯，智能脚环捆绑在管理对象足部位置。
电子标签是指被动式电子标签，使用了无线射频识别技术。电子标签中包含一个微小的天线和一个集成电路芯片，当被读取时，标签读取器会向标签发送无线电信号，激活标签中的集成电路芯片，标签利用读取器发送的无线电信号来传输数据，而不需要使用电源。智能脚环中微电源专门用于给指示灯提供能源支持。
在S2中，具体步骤如下：
S201、使用虚拟栅栏技术将目标区域划分为N个虚拟栅栏区域，每个虚拟栅栏区域建立各自的边界线，边界线上每隔距离k放置一个标签读取设备，相邻标签读取设备组成虚拟栅栏的边界线。
标签读取设备同时配置红外感应装置来检测经过的管理对象，相邻的标签读取设备之间存在两条平行于地面水平线的红外感应线，当管理对象穿过红外感应线时，根据感应到的时间先后顺序判断管理对象进入的虚拟栅栏区域，并将信息传递给对应标签读取设备。
S202、摄像头对虚拟栅栏区域进行监控，单个摄像头拍摄画面无死角覆盖M个虚拟栅栏区域，所有摄像头拍摄画面覆盖整个目标区域；每个摄像头的拍摄画面上标记出各虚拟栅栏区域边界线的位置。
S203、采用目标检测算法对摄像头拍摄画面中每个虚拟栅栏区域进行检测，并将检测到的畜禽作为对应虚拟栅栏区域的目标对象。将每个目标对象与对应虚拟栅栏区域内的管理对象进行匹配从而获取目标对象的标识符，匹配过程如下：
S203-1、当管理对象穿过虚拟栅栏的边界线进入虚拟栅栏区域时，其携带的智能脚环中电子标签被虚拟栅栏的边界线所对应的标签读取设备激活，电子标签自动将保存的标识符回传至对应的标签读取设备。
S203-2、标签读取设备判断接收到的标识符数量是否为1，结果为是，则直接将接收到的标识符作为摄像头拍摄画面中对应虚拟栅栏区域内新加入目标对象的标识符；结果为否，则标签读写设备将接收到的标识符共享给对应虚拟栅栏区域内其他标签读写设备，同一个虚拟栅栏区域内所有标签读写设备共同对同一个电子标签进行读取，获取所有标签读写设备接收到同一个电子标签的信号强度，使用多点定位算法来计算出每个电子标签对应管理对象在虚拟栅栏区域中的位置。
S203-3、获取摄像头拍摄画面中对应虚拟栅栏区域内新加入目标对象的位置变化来绘制移动轨迹，同时通过管理对象在虚拟栅栏区域中的位置变化来绘制运动轨迹，将每条移动轨迹与所有运动轨迹进行相似度对比计算；当a运动轨迹与b移动轨迹之间的相似度大于或等于相似度阈值且其他运动轨迹与b移动轨迹之间的相似度小于相似度阈值时，则将a运动轨迹对应的管理对象与b移动轨迹对应的目标对象进行匹配，管理对象的标识符作为目标对象的标识符。
在轨迹匹配初始阶段，由于运动轨迹和移动轨迹之间差距较小，轨迹相似度很容易超过相似度阈值造成误匹配，所以只有在一条运动轨迹与一条移动轨迹相似度大于或等于相似度阈值且其他运动轨迹与该移动轨迹相似度小于相似度阈值时才进行匹配，确保运动轨迹与移动轨迹匹配的准确性。
相似度阈值根据实际情况进行设定，取值大，轨迹匹配速度快但精准度低；取值小，轨迹匹配速度慢但精准度高。
S204、对每个虚拟栅栏区域内的目标对象进行监测，当检测到目标对象饮食时，记录饮食点位置和饮食时长；当检测到目标对象匍匐时，记录匍匐时长；当检测到目标对象移动时，记录移动时长。
S205、将每个目标对象在虚拟栅栏区域内的饮食时长、匍匐时长和移动时长分别求和，得到饮食总时长Td、匍匐总时长TC和移动总时长Tm，计算目标对象在虚拟栅栏区域内所处时长T总，代入公式计算目标对象的状态指数，每个目标对象对应一个状态指数且状态指数根据目标对象的行为变化而不断更新，计算公式如下：
ZT＝(α×Td+β×Tm-γ×TC)÷T总
式中，ZT为状态指数，α为饮食时长影响系数，β为移动时长影响系数，γ为匍匐时长影响系数。
在S3中，具体步骤如下：
S301、获取每个目标对象的状态指数，标记状态指数小于状态指数阈值的目标对象，为每个标记目标对象建立一个关联对象集合。
状态指数阈值根据所有目标对象状态指数的平均值进行灵活设定，通过状态指数阈值筛选出与其他目标对象存在较大差异的目标对象。
S302、获取标记目标对象在虚拟栅栏区域内所有饮食点位置，分析标记目标对象与对应虚拟栅栏区域内其他目标对象之间的关系，关系包括饮食关系和接触关系。饮食关系是指与标记目标对象同时或之后在同一个饮食点位置进行过饮食，接触关系是指与标记目标对象位置之间距离小于距离阈值且该距离保持时长大于时长阈值。
S303、将与标记目标对象存在饮食关系或接触关系的目标对象的标识符和状态指数放入对应关联对象集合中，集合包括{(BSF1,ZT1),(BSF2,ZT2),...,(BSFu,ZTu)},其中，u表示关联对象集合元素个数，BSFu表示第u个标识符，ZTu表示第u个状态指数。
S304、获取每个关联对象集合中所有标识符对应目标对象的状态指数作为初始值，在未来一段时间内，每隔Te秒刷新一次关联对象集合，将刷新前后的关联对象集合中同标识符对应目标对象的状态指数进行比较，统计下降的状态指数占对应关联集合中所有状态指数的百分比作为下调比。
S305、连续刷新R次后，分析每次刷新后的下调比，判断是否存在连续H次下调比相比于上次都是上涨情况，结果为是，则将对应关联对象集合标记为异常；结果为否，则将对应关联对象集合标记为正常。
H次数取值根据对风险敏感程度的需要进行设定，正常情况，每次刷新后下调比应该在一定区间动态浮动。异常情况，由于环境恶劣或传染疾病影响，下调比会连续上涨，而H次数设定则是对连续上涨次数的异常判断，取值高则对风险敏感程度低，取值低则对风险敏感程度高。
S306、计算异常关联对象集合的下调比每次上涨幅度后求取平均值作为危险指数，同时将异常关联对象集合中的标识符两两配对成不同组合，判断每个组合中标识符对应目标对象之间的关系，不具备饮食关系或接触关系则将组合的分值设置为0，只具备一种关系则将组合的分值设置为1，同时具备两种关系则将组合的分值设置为2，将同一个异常关联对象集合中所有组合分值求和后作为关联指数。
关联指数越高则说明异常关联对象集合内各标识符对应目标对象之间关系越紧密，危险指数越高则说明异常关联对象集合内各标识符对应目标对象的状态指数下调数量越多，情况越危险。
S307、将同一个异常关联对象集合的危险指数与关联指数带入公式中计算重要指数，不同异常关联对象集合按照重要指数从大到小进行排序，与对应标记目标对象一起打包成分析结果上传至管理后台。重要指数计算公式如下：
式中，GL为关联指数，w为关联指数影响系数，p为大于1的常数，y为异常关联对象集合中组合个数，ZHFx为第x个组合的分值，ZY为重要指数，j为连续刷新R次中下调比上涨次数，XZFi为第i次下调比上涨幅度。
在S4中，具体步骤如下：
S401、管理后台接收分析结果后由管理人员进行决策，管理人员根据视频监控、实地考察和专业经验判断继续跟踪或亮灯响应，作为决策结果进行回传。
S402、当接收管理后台的决策结果为继续跟踪则不做处理，继续计算目标对象的状态指数、刷新关联对象集合和计算异常关联对象集合的重要指数。
S403、当接收管理后台的决策结果为亮灯响应时，则将标记目标对象和异常关联对象集合中所有标识符对应目标对象作为亮灯对象，控制标签读取设备向虚拟栅栏区域内亮灯对象对应管理对象携带的智能脚环中的电子标签发送亮灯信号，电子标签接收到亮灯信号后控制指示灯亮灯。
亮灯方案包括同颜色亮灯和不同颜色亮灯，根据决策结果选择其中一种执行。可以将标记目标对象和异常关联对象集合中所有标识符对应目标对象同时进行亮灯，也可以按照与标记目标对象具备饮食关系或接触关系中的一种或两种进行选择性亮灯，还可以将标记目标对象、异常关联对象集合中状态指数小于状态指数阈值所对应的目标对象和不小于状态指数阈值所对应的目标对象进行区分性亮灯。亮灯颜色为一种或多种。
请参阅图2，本发明提供一种基于AI视频处理的智慧农业管理系统，该系统包括信息采集模块、对象处理模块、数据分析模块和执行控制模块。
信息采集模块用于采集目标区域内实时视频和管理对象的实时位置；对象处理模块用于将视频中检测到的目标对象与现实中的管理对象进行匹配，通过目标对象的数据分析计算状态指数；数据分析模块用于标记状态指数异常的目标对象，分析标记目标对象与其他目标对象之间的关系，以及标记目标对象是否对其他目标对象的状态指数造成影响，将分析结果上传至管理后台，并接收管理后台传递过来的决策结果；执行控制模块用于执行决策结果，继续跟踪目标对象或控制亮灯进行响应。
信息采集模块包括图像采集单元和位置采集单元。
图像采集单元用于采集目标区域内的实时视频，由安装在目标区域内的摄像头进行采集。位置采集单元用于采集管理对象的实时位置，由捆绑在管理对象足部位置的智能脚环与附近标签读取设备进行数据交互后计算得到位置信息。
管理对象是指目标区域内养殖的畜禽，智能脚环内有电子标签、微电源和指示灯。
对象处理模块包括对象匹配单元和状态分析单元。
对象匹配单元用于将视频中检测到的目标对象与现实中的管理对象进行匹配。
首先，使用虚拟栅栏技术将目标区域划分为N个虚拟栅栏区域，每个虚拟栅栏区域边界线上放置标签读取设备，通过摄像头对每个虚拟栅栏区域进行监控。其次，当管理对象进入虚拟栅栏区域时，其携带智能脚环中的电子标签被虚拟栅栏区域的标签读取设备激活并进行数据交互，根据不同标签读写设备接收到信号强度计算电子标签对应管理对象的位置并绘制运动轨迹。然后，在监控画面中采用目标检测算法将检测到的畜禽作为目标对象，根据目标对象位置绘制移动轨迹。最后，将运动轨迹与移动轨迹进行相似度对比计算，大于相似度阈值则将运动轨迹对应的管理对象与移动轨迹对应的目标对象进行匹配，管理对象的标识符作为目标对象的标识符。
状态分析单元用于计算目标对象的状态指数。先对每个虚拟栅栏区域内的目标对象进行监测，记录每个目标对象的饮食时长、匍匐时长和移动时长，共同计算状态指数。
数据分析模块包括关联和危险分析单元、重要指数计算单元和信息中转单元。
关联和危险分析单元用于计算目标对象之间的关联指数和危险指数。
首先，标记状态指数小于状态指数阈值的目标对象，为每个标记目标对象建立一个关联对象集合，将与标记目标对象存在饮食关系或接触关系的目标对象的标识符和状态指数放入对应关联对象集合中。其次，每隔Te秒刷新一次关联对象集合，将刷新前后的关联对象集合中同标识符对应目标对象的状态指数进行比较，统计下降的状态指数占对应关联集合中所有状态指数的百分比作为下调比。最后，连续刷新R次后，分析每次刷新后的下调比，判断是否存在连续H次下调比相比于上次都是上涨情况，结果为是，则将对应关联对象集合标记为异常；结果为否，则将对应关联对象集合标记为正常。
饮食关系是指与标记目标对象同时或之后在同一个饮食点位置进行过饮食，接触关系是指与标记目标对象位置之间距离小于距离阈值且该距离保持时长大于时长阈值。
异常关联对象集合的下调比每次上涨幅度后求取平均值作为危险指数。异常关联对象集合中的标识符两两配对成不同组合，判断每个组合中标识符对应目标对象之间的关系，不具备关系的组合分值为0，只具备一种关系的组合分值为1，同时具备两种关系的组合分值为2，同一个异常关联对象集合中所有组合分值求和后作为关联指数。
重要指数计算单元通过同一个异常关联对象集合的危险指数与关联指数进行重要指数的计算。
信息中转单元将不同异常关联对象集合按照重要指数从大到小进行排序，与对应标记目标对象一起打包成分析结果上传至管理后台并接收回传的决策结果。
执行控制模块用于执行决策结果，根据决策结果选择继续跟踪或亮灯响应。
当决策结果为继续跟踪则不做处理。当决策结果为亮灯响应时，则将标记目标对象和异常关联对象集合中所有标识符对应目标对象作为亮灯对象，控制标签读取设备向虚拟栅栏区域内亮灯对象对应管理对象携带的智能脚环中的电子标签发送亮灯信号，电子标签接收到亮灯信号后控制指示灯亮灯。
实施例一：
假设虚拟栅栏区域内存在A1和A2两个目标对象，在虚拟栅栏区域内所处的时间都为30min，状态分别为：
A1目标对象：饮食时长5min，匍匐时长20min，移动时长5min；
A2目标对象：饮食时长10min，匍匐时长5min，移动时长15min；
假设饮食时长影响系数为3，移动时长影响系数为3，匍匐时长影响系数为4时，代入公式计算A1和A2的状态指数：
A1状态指数：(3×5+3×5-4×20)÷30≈-1.67
A2状态指数：(3×10+3×15-4×5)÷30≈1.83
当状态指数阈值为0.65时，则标记A1目标对象。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，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。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 (8)
1.一种基于AI视频处理的智慧农业管理方法，其特征在于：该方法包括以下步骤：
S1、实时采集目标区域内视频信息，为每个管理对象配备智能设备；
S2、将管理对象与视频中目标对象进行匹配，计算目标对象的状态指数；
S3、分析目标对象之间的关联指数和危险指数，将分析结果上传至管理后台；
S4、接收管理后台的决策结果并执行，继续跟踪目标对象或亮灯响应；
在S2中，具体步骤如下：
S201、使用虚拟栅栏技术将目标区域划分为N个虚拟栅栏区域，每个虚拟栅栏区域建立各自的边界线，边界线上每隔距离k放置一个标签读取设备，相邻标签读取设备组成虚拟栅栏的边界线；
S202、摄像头对虚拟栅栏区域进行监控，单个摄像头拍摄画面无死角覆盖M个虚拟栅栏区域，所有摄像头拍摄画面覆盖整个目标区域；每个摄像头的拍摄画面上标记出各虚拟栅栏区域边界线的位置；
S203、采用目标检测算法对摄像头拍摄画面中每个虚拟栅栏区域进行检测，并将检测到的畜禽作为对应虚拟栅栏区域的目标对象；将每个目标对象与对应虚拟栅栏区域内的管理对象进行匹配从而获取目标对象的标识符，匹配过程如下：
S203-1、当管理对象穿过虚拟栅栏的边界线进入虚拟栅栏区域时，其携带的智能脚环中电子标签被虚拟栅栏的边界线所对应的标签读取设备激活，电子标签自动将保存的标识符回传至对应的标签读取设备；
S203-2、标签读取设备判断接收到的标识符数量是否为1，结果为是，则直接将接收到的标识符作为摄像头拍摄画面中对应虚拟栅栏区域内新加入目标对象的标识符；结果为否，则标签读写设备将接收到的标识符共享给对应虚拟栅栏区域内其他标签读写设备，同一个虚拟栅栏区域内所有标签读写设备共同对同一个电子标签进行读取，获取所有标签读写设备接收到同一个电子标签的信号强度，使用多点定位算法来计算出每个电子标签对应管理对象在虚拟栅栏区域中的位置；
S203-3、获取摄像头拍摄画面中对应虚拟栅栏区域内新加入目标对象的位置变化来绘制移动轨迹，同时通过管理对象在虚拟栅栏区域中的位置变化来绘制运动轨迹，将每条移动轨迹与所有运动轨迹进行相似度对比计算；当a运动轨迹与b移动轨迹之间的相似度大于或等于相似度阈值且其他运动轨迹与b移动轨迹之间的相似度小于相似度阈值时，则将a运动轨迹对应的管理对象与b移动轨迹对应的目标对象进行匹配，管理对象的标识符作为目标对象的标识符；
S204、对每个虚拟栅栏区域内的目标对象进行监测，当检测到目标对象饮食时，记录饮食点位置和饮食时长；当检测到目标对象匍匐时，记录匍匐时长；当检测到目标对象移动时，记录移动时长；
S205、将每个目标对象在虚拟栅栏区域内的饮食时长、匍匐时长和移动时长分别求和，得到饮食总时长Td、匍匐总时长TC和移动总时长Tm，计算目标对象在虚拟栅栏区域内所处时长T总，代入公式计算目标对象的状态指数，每个目标对象对应一个状态指数且状态指数根据目标对象的行为变化而不断更新，计算公式如下：
ZT＝(α×Td+β×Tm-γ×TC)÷T总
式中，ZT为状态指数，α为饮食时长影响系数，β为移动时长影响系数，γ为匍匐时长影响系数；
在S3中，具体步骤如下：
S301、获取每个目标对象的状态指数，标记状态指数小于状态指数阈值的目标对象，为每个标记目标对象建立一个关联对象集合；
S302、获取标记目标对象在虚拟栅栏区域内所有饮食点位置，分析标记目标对象与对应虚拟栅栏区域内其他目标对象之间的关系，关系包括饮食关系和接触关系；饮食关系是指与标记目标对象同时或之后在同一个饮食点位置进行过饮食，接触关系是指与标记目标对象位置之间距离小于距离阈值且该距离保持时长大于时长阈值；
S303、将与标记目标对象存在饮食关系或接触关系的目标对象的标识符和状态指数放入对应关联对象集合中，集合包括{(BSF1,ZT1),(BSF2,ZT2),...,(BSFu,ZTu)},其中，u表示关联对象集合元素个数，BSFu表示第u个标识符，ZTu表示第u个状态指数；
S304、获取每个关联对象集合中所有标识符对应目标对象的状态指数作为初始值，在未来一段时间内，每隔Te秒刷新一次关联对象集合，将刷新前后的关联对象集合中同标识符对应目标对象的状态指数进行比较，统计下降的状态指数占对应关联集合中所有状态指数的百分比作为下调比；
S305、连续刷新R次后，分析每次刷新后的下调比，判断是否存在连续H次下调比相比于上次都是上涨情况，结果为是，则将对应关联对象集合标记为异常；结果为否，则将对应关联对象集合标记为正常；
S306、计算异常关联对象集合的下调比每次上涨幅度后求取平均值作为危险指数，同时将异常关联对象集合中的标识符两两配对成不同组合，判断每个组合中标识符对应目标对象之间的关系，不具备饮食关系或接触关系则将组合的分值设置为0，只具备一种关系则将组合的分值设置为1，同时具备两种关系则将组合的分值设置为2，将同一个异常关联对象集合中所有组合分值求和后作为关联指数；
S307、将同一个异常关联对象集合的危险指数与关联指数带入公式中计算重要指数，不同异常关联对象集合按照重要指数从大到小进行排序，与对应标记目标对象一起打包成分析结果上传至管理后台；重要指数计算公式如下：
式中，GL为关联指数，w为关联指数影响系数，p为大于1的常数，y为异常关联对象集合中组合个数，ZHFx为第x个组合的分值，ZY为重要指数，j为连续刷新R次中下调比上涨次数，XZFi为第i次下调比上涨幅度。
2.根据权利要求1所述的一种基于AI视频处理的智慧农业管理方法，其特征在于：在S1中，视频信息是指目标区域内的监控视频，由安装在目标区域内的摄像头实时采集；智能设备是指智能脚环，智能脚环内有电子标签、微电源和指示灯，智能脚环捆绑在管理对象足部位置。
3.根据权利要求1所述的一种基于AI视频处理的智慧农业管理方法，其特征在于：在S4中，具体步骤如下：
S401、管理后台接收分析结果后由管理人员进行决策，管理人员根据视频监控、实地考察和专业经验判断继续跟踪或亮灯响应，作为决策结果进行回传；
S402、当接收管理后台的决策结果为继续跟踪则不做处理，继续计算目标对象的状态指数、刷新关联对象集合和计算异常关联对象集合的重要指数；
S403、当接收管理后台的决策结果为亮灯响应时，则将标记目标对象和异常关联对象集合中所有标识符对应目标对象作为亮灯对象，控制标签读取设备向虚拟栅栏区域内亮灯对象对应管理对象携带的智能脚环中的电子标签发送亮灯信号，电子标签接收到亮灯信号后控制指示灯亮灯。
4.一种基于AI视频处理的智慧农业管理系统，应用于如权利要求1所述的一种基于AI视频处理的智慧农业管理方法，其特征在于：该系统包括信息采集模块、对象处理模块、数据分析模块和执行控制模块；
信息采集模块用于采集目标区域内实时视频和管理对象的实时位置；对象处理模块用于将视频中检测到的目标对象与现实中的管理对象进行匹配，通过目标对象的数据分析计算状态指数；数据分析模块用于标记状态指数异常的目标对象，分析标记目标对象与其他目标对象之间的关系，以及标记目标对象是否对其他目标对象的状态指数造成影响，将分析结果上传至管理后台，并接收管理后台传递过来的决策结果；执行控制模块用于执行决策结果，继续跟踪目标对象或控制亮灯进行响应。
5.根据权利要求4所述的一种基于AI视频处理的智慧农业管理系统，其特征在于：信息采集模块包括图像采集单元和位置采集单元；
图像采集单元用于采集目标区域内的实时视频，由安装在目标区域内的摄像头进行采集；位置采集单元用于采集管理对象的实时位置，由捆绑在管理对象足部位置的智能脚环与附近标签读取设备进行数据交互后计算得到位置信息；智能脚环内有电子标签、微电源和指示灯。
6.根据权利要求5所述的一种基于AI视频处理的智慧农业管理系统，其特征在于：对象处理模块包括对象匹配单元和状态分析单元；
对象匹配单元用于将视频中检测到的目标对象与现实中的管理对象进行匹配；
首先，使用虚拟栅栏技术将目标区域划分为N个虚拟栅栏区域，每个虚拟栅栏区域边界线上放置标签读取设备，通过摄像头对每个虚拟栅栏区域进行监控；其次，当管理对象进入虚拟栅栏区域时，其携带智能脚环中的电子标签被虚拟栅栏区域的标签读取设备激活并进行数据交互，根据不同标签读写设备接收到信号强度计算电子标签对应管理对象的位置并绘制运动轨迹；然后，在监控画面中采用目标检测算法将检测到的畜禽作为目标对象，根据目标对象位置绘制移动轨迹；最后，将运动轨迹与移动轨迹进行相似度对比计算，大于相似度阈值则将运动轨迹对应的管理对象与移动轨迹对应的目标对象进行匹配，管理对象的标识符作为目标对象的标识符；
状态分析单元用于计算目标对象的状态指数；先对每个虚拟栅栏区域内的目标对象进行监测，记录每个目标对象的饮食时长、匍匐时长和移动时长，共同计算状态指数。
7.根据权利要求6所述的一种基于AI视频处理的智慧农业管理系统，其特征在于：数据分析模块包括关联和危险分析单元、重要指数计算单元和信息中转单元；
关联和危险分析单元用于计算目标对象之间的关联指数和危险指数；
首先，标记状态指数小于状态指数阈值的目标对象，为每个标记目标对象建立一个关联对象集合，将与标记目标对象存在饮食关系或接触关系的目标对象的标识符和状态指数放入对应关联对象集合中；其次，每隔Te秒刷新一次关联对象集合，将刷新前后的关联对象集合中同标识符对应目标对象的状态指数进行比较，统计下降的状态指数占对应关联集合中所有状态指数的百分比作为下调比；最后，连续刷新R次后，分析每次刷新后的下调比，判断是否存在连续H次下调比相比于上次都是上涨情况，结果为是，则将对应关联对象集合标记为异常；结果为否，则将对应关联对象集合标记为正常；
异常关联对象集合的下调比每次上涨幅度后求取平均值作为危险指数；异常关联对象集合中的标识符两两配对成不同组合，判断每个组合中标识符对应目标对象之间的关系，不具备关系的组合分值为0，只具备一种关系的组合分值为1，同时具备两种关系的组合分值为2，同一个异常关联对象集合中所有组合分值求和后作为关联指数；
重要指数计算单元通过同一个异常关联对象集合的危险指数与关联指数进行重要指数的计算；
信息中转单元将不同异常关联对象集合按照重要指数从大到小进行排序，与对应标记目标对象一起打包成分析结果上传至管理后台并接收回传的决策结果。
8.根据权利要求7所述的一种基于AI视频处理的智慧农业管理系统，其特征在于：执行控制模块用于执行决策结果，根据决策结果选择继续跟踪或亮灯响应；
当决策结果为继续跟踪则不做处理；当决策结果为亮灯响应时，则将标记目标对象和异常关联对象集合中所有标识符对应目标对象作为亮灯对象，控制标签读取设备向虚拟栅栏区域内亮灯对象对应管理对象携带的智能脚环中的电子标签发送亮灯信号，电子标签接收到亮灯信号后控制指示灯亮灯。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311769495.XA CN117726296B (zh) | 2023-12-21 | 2023-12-21 | 一种基于ai视频处理的智慧农业管理系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311769495.XA CN117726296B (zh) | 2023-12-21 | 2023-12-21 | 一种基于ai视频处理的智慧农业管理系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117726296A CN117726296A (zh) | 2024-03-19 |
| CN117726296B true CN117726296B (zh) | 2024-05-24 |
Family
ID=90204982
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311769495.XA Active CN117726296B (zh) | 2023-12-21 | 2023-12-21 | 一种基于ai视频处理的智慧农业管理系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117726296B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106128022A (zh) * | 2016-07-18 | 2016-11-16 | 四川君逸数码科技股份有限公司 | 一种智慧金睛识别暴力动作报警方法和装置 |
| CN108510025A (zh) * | 2018-03-29 | 2018-09-07 | 合肥佳洋电子科技有限公司 | 一种新型智能共享单车管理系统 |
| CN109460029A (zh) * | 2018-11-29 | 2019-03-12 | 华南农业大学 | 畜禽养殖场所巡检移动平台及其控制方法 |
| CN115830490A (zh) * | 2022-11-07 | 2023-03-21 | 华南农业大学 | 一种群养生猪多目标跟踪及行为统计方法 |
-
2023
- 2023-12-21 CN CN202311769495.XA patent/CN117726296B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106128022A (zh) * | 2016-07-18 | 2016-11-16 | 四川君逸数码科技股份有限公司 | 一种智慧金睛识别暴力动作报警方法和装置 |
| CN108510025A (zh) * | 2018-03-29 | 2018-09-07 | 合肥佳洋电子科技有限公司 | 一种新型智能共享单车管理系统 |
| CN109460029A (zh) * | 2018-11-29 | 2019-03-12 | 华南农业大学 | 畜禽养殖场所巡检移动平台及其控制方法 |
| CN115830490A (zh) * | 2022-11-07 | 2023-03-21 | 华南农业大学 | 一种群养生猪多目标跟踪及行为统计方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117726296A (zh) | 2024-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Fuentes et al. | Deep learning-based hierarchical cattle behavior recognition with spatio-temporal information | |
| CN103517042B (zh) | 一种养老院老人危险行为监测方法 | |
| CN108990831A (zh) | 一种牲畜健康监控方法和系统 | |
| CN103488148B (zh) | 一种基于物联网和计算机视觉的家畜行为智能监控系统 | |
| Wu et al. | Using a CNN-LSTM for basic behaviors detection of a single dairy cow in a complex environment | |
| US9767230B2 (en) | Method for automatic behavioral phenotyping | |
| CN103475736B (zh) | 一种传感器通信系统及其利用该系统进行监控的方法 | |
| CN110263686A (zh) | 一种基于深度学习的施工工地图像安全帽检测方法 | |
| US20210104335A1 (en) | REAL-TIME MONITORING SYSTEM AND METHOD FOR AGRICULTURE AND LIVESTOCK FARMING BY USING IoT SENSOR | |
| CN105138981A (zh) | 活体检测系统和方法 | |
| CN110604071A (zh) | 基于人工智能的非接触式种猪体温异常监测系统 | |
| CN113662530B (zh) | 一种猪只生理生长状态监测预警方法 | |
| KR20150118010A (ko) | 객체 관리 시스템 및 그 방법 | |
| CN113743273A (zh) | 基于视频图像目标检测的实时跳绳计数方法、装置和设备 | |
| CN117726296B (zh) | 一种基于ai视频处理的智慧农业管理系统及方法 | |
| JP2010004861A (ja) | 動物個体識別システム及び動物個体識別方法 | |
| KR20160109020A (ko) | 카메라를 이용한 소의 승가현상을 판별하는 시스템 | |
| Chowdhury et al. | Deep learning based computer vision technique for automatic heat detection in cows | |
| CN107485412B (zh) | 一种牛只健康监测系统 | |
| CN115424196A (zh) | 一种基于人工智能的跟踪监测系统 | |
| Wang et al. | Automatic identification and analysis of multi-object cattle rumination based on computer vision | |
| Labrecque et al. | Real-time individual pig tracking and behavioural metrics collection with affordable security cameras | |
| CN112686864A (zh) | 基于图像识别的液体、气体跑冒滴漏识别方法及系统 | |
| KR20220006394A (ko) | 가축의 이상징후 감지가 가능한 스마트 축사 시스템 및 제어 방법 | |
| Tran et al. | Pig Health Abnormality Detection Based on Behavior Patterns in Activity Periods using Deep Learning |
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 |