CN117831080A - 基于深度学习的猪生长状况预测装置 - Google Patents
基于深度学习的猪生长状况预测装置 Download PDFInfo
- Publication number
- CN117831080A CN117831080A CN202410240403.7A CN202410240403A CN117831080A CN 117831080 A CN117831080 A CN 117831080A CN 202410240403 A CN202410240403 A CN 202410240403A CN 117831080 A CN117831080 A CN 117831080A
- Authority
- CN
- China
- Prior art keywords
- lung
- pig
- farm
- growth condition
- prediction
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 45
- 210000004072 lung Anatomy 0.000 claims abstract description 208
- 230000035553 feeding performance Effects 0.000 claims abstract description 74
- 238000010191 image analysis Methods 0.000 claims abstract description 67
- 238000009395 breeding Methods 0.000 claims abstract description 49
- 230000001488 breeding effect Effects 0.000 claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 45
- 241000282887 Suidae Species 0.000 claims abstract description 22
- 238000004590 computer program Methods 0.000 claims description 10
- 230000000384 rearing effect Effects 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 8
- 238000002372 labelling Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 abstract description 5
- 241000282898 Sus scrofa Species 0.000 description 228
- 230000004083 survival effect Effects 0.000 description 12
- 244000144980 herd Species 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000001514 detection method Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 206010030113 Oedema Diseases 0.000 description 4
- 239000000427 antigen Substances 0.000 description 4
- 102000036639 antigens Human genes 0.000 description 4
- 108091007433 antigens Proteins 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 239000003814 drug Substances 0.000 description 4
- 210000003754 fetus Anatomy 0.000 description 4
- 230000007704 transition Effects 0.000 description 4
- 206010000210 abortion Diseases 0.000 description 3
- 231100000176 abortion Toxicity 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 150000007523 nucleic acids Chemical class 0.000 description 3
- 102000039446 nucleic acids Human genes 0.000 description 3
- 108020004707 nucleic acids Proteins 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 230000000405 serological effect Effects 0.000 description 3
- 208000001572 Mycoplasma Pneumonia Diseases 0.000 description 2
- 201000008235 Mycoplasma pneumoniae pneumonia Diseases 0.000 description 2
- 208000005342 Porcine Reproductive and Respiratory Syndrome Diseases 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 230000013011 mating Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 description 2
- 238000003307 slaughter Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 208000032170 Congenital Abnormalities Diseases 0.000 description 1
- 208000000059 Dyspnea Diseases 0.000 description 1
- 206010013975 Dyspnoeas Diseases 0.000 description 1
- 206010060919 Foetal malformation Diseases 0.000 description 1
- 206010037660 Pyrexia Diseases 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010354 integration Effects 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
- 238000010606 normalization Methods 0.000 description 1
- 230000002685 pulmonary effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000001850 reproductive effect Effects 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000004202 respiratory function Effects 0.000 description 1
- 208000013220 shortness of breath Diseases 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 230000004584 weight gain Effects 0.000 description 1
- 235000019786 weight gain Nutrition 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—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
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种基于深度学习的猪生长状况预测装置，涉及数据处理技术领域，该装置包括：获取模块、性能模块、图像分析模块、合并模块和预测模块；其中，获取模块用于获取农场猪群的多项养殖数据和农场猪群的肺部图像；性能模块用于将农场猪群的多项养殖数据输入至性能模型，得到性能模型输出的农场猪群的多项目标饲养性能数据；图像分析模块用于将农场猪群的肺部图像输入至图像分析模型中，得到图像分析模型输出的肺部特征评分值；合并模块用于将农场猪群的目标饲养性能数据和肺部特征评分值进行合并，得到合并数据；预测模块用于得到猪生长状况的预测结果。本发明实施例的方法使得农场猪群的生长状况的预测更加的准确和高效。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种基于深度学习的猪生长状况预测装置。
背景技术
在农场猪群的养殖过程中，监控在养猪群的生长状况是保证农场有优质肥猪产出的重要基础。而在养殖过程中猪会出现包括发热、呼吸急促、流产、胎儿畸形等情况，因此需要对猪的生长状况进行有效地预测，从而采取相应的措施，降低经济损失。
相关技术中，采用血清学检测、核酸检测等方法监控和预测猪的生长状况，但这些方法在灵敏度、特异性和操作复杂性方面存在一定的局限性。因此，针对农场猪群的生长状况，需要一种更为高效、准确、快速和经济的预测方法。
发明内容
针对现有技术中的问题，本发明实施例提供一种基于深度学习的猪生长状况预测装置。
具体地，本发明实施例提供了以下技术方案：
第一方面，本发明实施例提供了一种基于深度学习的猪生长状况预测装置，包括：
获取模块、性能模块、图像分析模块、合并模块和预测模块；其中，
所述获取模块用于获取农场猪群的多项养殖数据和农场猪群的肺部图像；
所述性能模块用于将所述农场猪群的多项养殖数据输入至性能模型，得到所述性能模型输出的农场猪群的多项目标饲养性能数据；
所述图像分析模块用于将所述农场猪群的肺部图像输入至图像分析模型中，得到所述图像分析模型输出的肺部特征评分值；
所述合并模块用于将所述农场猪群的目标饲养性能数据和所述肺部特征评分值进行合并，得到合并数据；
所述预测模块用于将所述合并数据输入至深度学习预测模型，得到猪生长状况的预测结果。
进一步地，所述性能模型基于如下方式进行训练：
根据农场猪群的多项养殖数据样本，生成农场猪群的多项候选饲养性能数据样本；
将所述多项候选饲养性能数据样本基于预设的方式进行组合，生成多个候选饲养性能数据集合；
将所述多个候选饲养性能数据集合输入至所述性能模块，从所述多个候选饲养性能数据集合中确定目标饲养性能数据集合以及所述目标饲养性能数据集合所对应的多项目标饲养性能数据样本；其中，在所述多个候选饲养性能数据集合中，基于所述目标饲养性能数据集合所预测的猪的生长状况与标注结果最接近。
进一步地，所述图像分析模块具体用于：
将所述农场猪群的肺部图像输入至图像分析模型中，所述图像分析模型确定所述肺部图像中存在的至少一种肺部特征以及所述肺部特征在所述肺部图像中的像素点信息；根据多种所述肺部特征在所述肺部图像中的像素点信息，确定并输出所述肺部特征评分值。
进一步地，所述图像分析模块具体用于：
将所述农场猪群的肺部图像输入至图像分析模型中，所述图像分析模型将所述肺部图像划分为预设数量的猪肺子区域；其中，不同的猪肺子区域对应不同的肺部权重值；
根据多种所述肺部特征在所述肺部图像中的像素点信息，确定各个所述肺部特征所对应的猪肺子区域；
根据各个所述肺部特征所对应的猪肺子区域和各个猪肺子区域所对应的肺部权重值，确定各个猪肺子区域的特征评分值；
将各个猪肺子区域的特征评分值求和，得到所述肺部特征评分值。
进一步地，所述预测模块具体用于：
根据目标日期的合并数据和目标日期之前的多天合并数据，得到所述目标日期的猪生长状况的预测结果。
第二方面，本发明实施例还提供了一种基于深度学习的猪生长状况预测方法，包括：
获取农场猪群的多项养殖数据和农场猪群的肺部图像；
将所述农场猪群的多项养殖数据输入至性能模型，得到所述性能模型输出的农场猪群的多项目标饲养性能数据；
将所述农场猪群的肺部图像输入至图像分析模型中，得到所述图像分析模型输出的肺部特征评分值；
将所述农场猪群的目标饲养性能数据和所述肺部特征评分值进行合并，得到合并数据；
将所述合并数据输入至深度学习预测模型，得到猪生长状况的预测结果。
第三方面，本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如第二方面所述基于深度学习的猪生长状况预测方法的步骤。
第四方面，本发明实施例还提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第二方面所述基于深度学习的猪生长状况预测方法的步骤。
第五方面，本发明实施例还提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如第二方面所述基于深度学习的猪生长状况预测方法的步骤。
本发明实施例提供的于深度学习的猪生长状况预测装置，性能模块将农场猪群的多项养殖数据输入至性能模型，得到性能模型输出的农场猪群的多项目标饲养性能数据；图像分析模块将农场猪群的肺部图像输入至图像分析模型中，得到图像分析模型输出的肺部特征评分值；进而将农场猪群的目标饲养性能数据和肺部特征评分值的合并数据输入至深度学习预测模型，从而也就不仅实现了基于农场猪群的多项目标饲养性能数据从宏观的各个维度去预测农场猪群的生长状况，也实现了基于农场猪群的肺部特征评分值从微观方向去预测农场猪群的生长状况，使得农场猪群的生长状况的预测更加的准确和高效。
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他的附图。
图1是本发明实施例提供的于深度学习的猪生长状况预测装置的流程示意图；
图2是本发明实施例提供的猪肺区域划分示意图；
图3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。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他实施例，都属于本发明保护的范围。
本发明实施例的方法可以应用于农场猪群生长状况预测场景中，不仅实现了基于农场猪群的多项目标饲养性能数据从宏观的各个维度去预测农场猪群的生长状况，也实现了基于农场猪群的肺部特征评分值从微观方向去预测农场猪群的生长状况，使得农场猪群的生长状况的预测更加的准确和高效。
相关技术中，采用血清学检测、核酸检测等方法监控和预测猪的生长状况，但这些方法在灵敏度、特异性和操作复杂性方面存在一定的局限性。因此，针对农场猪群的生长状况，需要一种更为高效、准确、快速和经济的预测方法。
本发明实施例的基于深度学习的猪生长状况预测装置，性能模块将农场猪群的多项养殖数据输入至性能模型，得到性能模型输出的农场猪群的多项目标饲养性能数据；图像分析模块将农场猪群的肺部图像输入至图像分析模型中，得到图像分析模型输出的肺部特征评分值；进而将农场猪群的目标饲养性能数据和肺部特征评分值的合并数据输入至深度学习预测模型，从而也就不仅实现了基于农场猪群的多项目标饲养性能数据从宏观的各个维度去预测农场猪群的生长状况，也实现了基于农场猪群的肺部特征评分值从微观方向去预测农场猪群的生长状况，使得农场猪群的生长状况的预测更加的准确和高效。
下面结合图1-图3以具体的实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
图1是本发明实施例提供的基于深度学习的猪生长状况预测装置一实施例的示意图。如图1所示，本实施例提供的装置，包括：
获取模块、性能模块、图像分析模块、合并模块和预测模块；其中，
获取模块用于获取农场猪群的多项养殖数据和农场猪群的肺部图像；
性能模块用于将农场猪群的多项养殖数据输入至性能模型，得到性能模型输出的农场猪群的多项目标饲养性能数据；
图像分析模块用于将农场猪群的肺部图像输入至图像分析模型中，得到图像分析模型输出的肺部特征评分值；
合并模块用于将农场猪群的目标饲养性能数据和肺部特征评分值进行合并，得到合并数据；
预测模块用于将合并数据输入至深度学习预测模型，得到猪生长状况的预测结果。
具体地，相关技术中，采用血清学检测、核酸检测等方法监控和预测猪的生长状况，但这些方法在灵敏度、特异性和操作复杂性方面存在一定的局限性。
为了解决上述问题，本申请实施例中基于深度学习模型进行农场猪群生长状况的预测，从而使得农场猪群的生长状况的预测更加的高效、准确、快速和经济。可选地，本申请实施例中的猪生长状况预测装置包括获取模块、性能模块、图像分析模块、合并模块和预测模块。其中，获取模块用于获取农场猪群的多项养殖数据和农场猪群的肺部图像；可选地，农场猪群的多项养殖数据主要包括：A）仔猪的状态数量（死、木、畸、弱数量，存活及总产仔数量）；B）母猪的胎次、年龄分布（0至10胎、年龄数量）；C）母猪的状态转移数量（返情、空怀、流产、配种、分娩数量及各个不同状态转移数量）；D）后备猪（入群时间、入群数量）；E）药品及抗原（药品使用时间、剂量、抗原检测结果）。可选地，农场猪群的肺部图像可以为已屠宰的猪的肺部图像。
可选地，性能模块用于将农场猪群的多项养殖数据输入至性能模型，得到性能模型输出的农场猪群的多项目标饲养性能数据。例如，基于收集的养殖数据可以构建猪群的饲养性能数据，如基于原始的仔猪存活数量可以得到该农场的仔猪存活率（仔猪存活率=存活数量/总出生数量）。同时考虑每个农场的养殖条件不一样，即存在部分农场存活率高、部分农场存活率低，通过Z-score计算方式将以农场维度所构建的特征维持到同一个量纲内，从而提升最终模型预测的准确性。可选地，在得到性能模型输出的农场猪群的多项目标饲养性能数据，也就可以根据性能模型输出的农场猪群的多项目标饲养性能数据从宏观的各个维度去预测农场猪群的生长状况。
可选地，图像分析模块用于将农场猪群的肺部图像输入至图像分析模型中，得到图像分析模型输出的肺部特征评分值；可选地，猪的肺部是猪的重要器官，与猪的呼吸、生长情况密切相关，也与猪繁殖与呼吸综合征、猪支原体性肺炎等疾病密切相关。因此本申请中通过图像分析模型输出农场猪群的肺部特征评分值，也就可以从微观方向去预测农场猪群的生长状况。可选地，肺部特征评分值可以用于表示猪肺的“黏连”、“实变”、“呛血”、“水肿”等特征的评分值。
可选地，在获取宏观方面的农场猪群的目标饲养性能数据和微观方面的农场猪群的肺部特征评分值之后，就可以利用合并模块将两者进行合并；可选地，可以在转换为向量形式后进行合并。
可选地，预测模块用于将合并数据输入至深度学习预测模型，得到猪生长状况的预测结果。可选地，预测模型可以经过合并数据样本训练，从而使得训练后的预测模型基于合并数据可以准确地预测农场猪群的生长状况。可选地，预测模型可以为多层全链接神经网络。猪生长状况可以包括猪生长速度、增重速度等，也包括猪呼吸功能的预测结果、猪繁殖与呼吸综合征的预测结果，以及其他与猪生长相关的预测结果。可选地，基于上述猪生长情况的预测结果，并基于其他实验数据和工作人员的分析，从而最终确定农场猪群的生长状况是否良好。
上述实施例的装置，性能模块将农场猪群的多项养殖数据输入至性能模型，得到性能模型输出的农场猪群的多项目标饲养性能数据；图像分析模块将农场猪群的肺部图像输入至图像分析模型中，得到图像分析模型输出的肺部特征评分值；进而将农场猪群的目标饲养性能数据和肺部特征评分值的合并数据输入至深度学习预测模型，从而也就不仅实现了基于农场猪群的多项目标饲养性能数据从宏观的各个维度去预测农场猪群的生长状况，也实现了基于农场猪群的肺部特征评分值从微观方向去预测农场猪群的生长状况，使得农场猪群的生长状况的预测更加的准确和高效。
在一实施例中，性能模型基于如下方式进行训练：
根据农场猪群的多项养殖数据样本，生成农场猪群的多项候选饲养性能数据样本；
将多项候选饲养性能数据样本基于预设的方式进行组合，生成多个候选饲养性能数据集合；
将多个候选饲养性能数据集合输入至性能模型，从多个候选饲养性能数据集合中确定目标饲养性能数据集合以及目标饲养性能数据集合所对应的多项目标饲养性能数据样本；其中，在多个候选饲养性能数据集合中，基于目标饲养性能数据集合所预测的猪的生长状况与标注结果最接近。
具体地，本申请实施例中性能模块用于将农场猪群的多项养殖数据输入至性能模型，得到性能模型输出的农场猪群的多项目标饲养性能数据，从而实现基于农场猪群的多项目标饲养性能数据从宏观的各个维度去预测农场猪群的生长状况。可选地，性能模型基于如下方式进行训练：
首先，根据农场猪群的多项养殖数据样本，生成农场猪群的多项候选饲养性能数据样本；例如，候选饲养性能数据共200个，也就是得到宏观维度的200项猪生长的性能指标，如仔猪存活率（仔猪存活率=存活数量/总出生数量）、仔猪木乃伊数量等。
然后，将多项候选饲养性能数据样本基于预设的方式进行组合，生成多个候选饲养性能数据集合。例如，随机的将30项候选饲养性能数据进行组合，或者基于其他方式将多项候选饲养性能数据进行组合，从而得到多个候选饲养性能数据集合。
接着，将多个候选饲养性能数据集合输入至性能模型，从多个候选饲养性能数据集合中确定目标饲养性能数据集合以及目标饲养性能数据集合所对应的多项目标饲养性能数据样本；其中，在多个候选饲养性能数据集合中，基于目标饲养性能数据集合所预测的猪的生长状况与标注结果最接近。可选地，可以基于训练集中不同的候选饲养性能数据集合进行模型训练之后，然后基于测试集中不同的候选饲养性能数据集合进行测试，确定性能模块基于哪种候选饲养性能数据集合的预测结果与农场猪群标注的生长状况更加的接近，则将其确定为目标饲养性能数据集合。则在后续的基于深度学习的猪生长状况预测过程中，只需获取目标饲养性能数据集合中的饲养性能数据就可以，从而在基于农场猪群的多项目标饲养性能数据从宏观的各个维度去预测农场猪群的生长状况的过程中，可以有效地减少数据的处理量和复杂性，同时可以减少过拟合的问题，并且可以有效地保证预测结果的准确性，提升预测结果的准确性和效率。
上述实施例的装置，通过将多个候选饲养性能数据集合输入至性能模型，从多个候选饲养性能数据集合中确定目标饲养性能数据集合以及目标饲养性能数据集合所对应的多项目标饲养性能数据样本，从而在后续的基于深度学习的猪生长状况预测过程中，只需基于目标饲养性能数据集合中的饲养性能数据就可以从宏观的各个维度去预测农场猪群的生长状况，有效地减少数据的处理量和复杂性，同时可以减少过拟合的问题，并且可以有效地保证预测结果的准确性，提升预测结果的准确性和效率。
在一实施例中，图像分析模块具体用于：
将农场猪群的肺部图像输入至图像分析模型中，图像分析模型确定肺部图像中存在的至少一种肺部特征以及肺部特征在肺部图像中的像素点信息；根据多种肺部特征在肺部图像中的像素点信息，确定并输出肺部特征评分值。
具体地，本申请实施例中图像分析模块用于将农场猪群的肺部图像输入至图像分析模型中，得到图像分析模型输出的肺部特征评分值，从而也就可以从微观方向去预测农场猪群的生长状况。可选地，将农场猪群的肺部图像输入至图像分析模型中，确定肺部图像中存在的至少一种肺部特征以及肺部特征在肺部图像中的像素点信息；可选地，猪的肺部是猪的重要器官，与猪的呼吸、生长情况密切相关，也与猪繁殖与呼吸综合征、猪支原体性肺炎等疾病密切相关。因而通过提取猪肺的“黏连”、“实变”、“呛血”、“水肿”等特征，并根据多种肺部特征在肺部图像中的像素点信息，确定并输出肺部特征评分值。可选地，肺部特征在肺部图像中的像素点越多，则肺部特征评分值越高；肺部图像中存在的肺部特征的类型越多，则肺部特征评分值也就越高；进而根据肺部特征评分值也就可以准确有效的实现从微观方向去预测农场猪群的生长状况，使得农场猪群的生长状况的预测更加的准确和高效。
上述实施例的装置，通过将农场猪群的肺部图像输入至图像分析模型中，确定肺部图像中存在的至少一种肺部特征以及肺部特征在肺部图像中的像素点信息；进而根据多种肺部特征在肺部图像中的像素点信息，确定并输出肺部特征评分值；可选地，肺部特征在肺部图像中的像素点越多，则肺部特征评分值越高；肺部图像中存在的肺部特征的类型越多，则肺部特征评分值也就越高；进而根据肺部特征评分值也就可以准确有效的实现从微观方向去预测农场猪群的生长状况，使得农场猪群的生长状况的预测更加的准确和高效。
在一实施例中，图像分析模块具体用于：
将农场猪群的肺部图像输入至图像分析模型中，图像分析模型将肺部图像划分为预设数量的猪肺子区域；其中，不同的猪肺子区域对应不同的肺部权重值；
根据多种肺部特征在肺部图像中的像素点信息，确定各个肺部特征所对应的猪肺子区域；
根据各个肺部特征所对应的猪肺子区域和各个猪肺子区域所对应的肺部权重值，确定各个猪肺子区域的特征评分值；
将各个猪肺子区域的特征评分值求和，得到肺部特征评分值。
具体地，农场猪群的肺部图像中可能存在多种类型特征，如肺部图像中同时出现“黏连”、“实变”、“呛血”、“水肿”等特征。相应地，各种特征在肺部图像中出现的区域位置对于农场猪群的生长状况的预测结果也有重要的影响。可选地，如“黏连”特征出现在肺部图像的顶部区域和“黏连”特征出现在肺部图像中的底部区域可能对应农场猪群的不同的生长状态和预测结果。因此如图2所示，本申请将肺部图像划分为预设数量的猪肺子区域，并在不同的猪肺子区域对应不同的肺部权重值；从而在进行农场猪群的生长状态的预测过程中，不仅考虑到猪群肺部图像的特征类型，还考虑到肺部图像的特征分布位置情况，并通过对肺部的各个子区域对应不同的肺部权重值，从而可以简单高效准确地得到肺部特征评分值。
上述实施例的装置，将肺部图像划分为预设数量的猪肺子区域，并在不同的猪肺子区域对应不同的肺部权重值；从而在进行农场猪群的生长状态的预测过程中，不仅考虑到猪群肺部图像的特征类型，还考虑到肺部图像的特征分布位置情况，并通过对肺部的各个子区域对应不同的肺部权重值，从而可以简单高效准确地得到肺部特征评分值，从而也就可以准确有效的实现从微观方向去预测农场猪群的生长状况，使得农场猪群的生长状况的预测更加的准确和高效。
在一实施例中，预测模块具体用于：
将目标日期的合并数据和目标日期之前的多天合并数据输入至深度学习预测模型，得到目标日期的猪生长状况的预测结果。
具体地，考虑到农场猪群的生长状况预测的时序性、关联性、趋势性和参考性，本申请实施例中在进行农场猪群的生长状况的预测过程中，预测模型根据目标日期的合并数据和目标日期之前的多天合并数据，得到目标日期的猪生长状况的预测结果，从而也就可以准确地预测农场猪群的生长状况，并及时发现与前段时间的猪群生长状况的差异，及时跟踪农场猪群的生长状况趋势，从而为农场猪群的生长状况的预测提供更加丰富、多维的分析数据，提升农场猪群的生长状况的预测准确性。
上述实施例的装置，在进行农场猪群的生长状况的预测过程中，考虑到农场猪群的生长状况预测的时序性、关联性、趋势性和参考性，预测模型根据目标日期的合并数据和目标日期之前的多天合并数据，从而为农场猪群的生长状况的预测提供更加丰富、多维的分析数据，进而也就可以有效的提升农场猪群的生长状况的预测准确性。
在一实施例中，还提供一种基于深度学习的猪生长状况预测方法，包括：
获取农场猪群的多项养殖数据和农场猪群的肺部图像；
将农场猪群的多项养殖数据输入至性能模型，得到性能模型输出的农场猪群的多项目标饲养性能数据；
将农场猪群的肺部图像输入至图像分析模型中，得到图像分析模型输出的肺部特征评分值；
将农场猪群的目标饲养性能数据和肺部特征评分值进行合并，得到合并数据；
将合并数据输入至深度学习预测模型，得到猪生长状况的预测结果。
上述实施例的方法，不仅实现了基于农场猪群的多项目标饲养性能数据从宏观的各个维度去预测农场猪群的生长状况，也实现了基于农场猪群的肺部特征评分值从微观方向去预测农场猪群的生长状况，使得农场猪群的生长状况的预测更加的准确和高效。
本发明实施例的基于深度学习的猪生长状况预测方法，其实现原理和技术效果与猪生长状况预测装置中的相同，此次不再赘述。
示例性的，本申请实施例提供一种基于深度学习的猪生长状况预测装置进行预测的具体流程，具体如下：
1、性能模块
本模块主要对于历史种猪场的养殖数据、进行数据预处理、构造手工特征、通过无监督方式打上猪生长状况标签，最终通过模型的特征筛选获得饲养性能数据。
首先，收集全部农场的每日养殖数据，其种猪场监控数据主要分为以下方面，分别是：
A）仔猪的状态数量（死、木、畸、弱数量，存活及总产仔数量）；
B）母猪的胎次、年龄分布（0至10胎、年龄数量）；
C）母猪的状态转移数量（返情、空怀、流产、配种、分娩数量及各个不同状态转移数量）；
D）后备猪（入群时间、入群数量）；
E）药品及抗原（药品使用时间、剂量、抗原检测结果）。
其次，基于收集的养殖数据与业务经验构建手工特征，例如原始的仔猪存活数量可以转换为该农场的仔猪存活率（仔猪存活率=存活数量/总出生数量）。同时考虑每个农场的养殖条件不一样，即存在部分农场存活率高、部分农场存活率低，通过Z-score计算方式将以农场维度所构建的特征维持到同一个量纲内。
然后，基于所构造的数据特征，在数据上通过半监督的方式进行生长状况的标注。其具体方案是通过无监督的方法（算法有：ABOD、CBLOF、ECOD、IForest及集成算法）对所构造的特征进行预测，随后通过兽医专家对于无监督算法预测到的结果进行手工修正，最终构造出符合的标签数据集。
最后，基于上述获得的特征数据集与标注数据集，该方法通过模型选择的方式进行特征筛选。选用XGBOOST、Random_Forest、SVM、MLP的bagging的软soft集成方式构建模型，通过将数据集Kfold的5份划分训练集及测试集，依次随机筛选特征做模型预测，选择测试集最优的预测结果的特征作为最终的基于饲养性能的特征项，从而也就确定出了目标饲养性能数据。
2、图像分析模块
本模块主要通过屠宰场的IOT设备对屠宰得到的猪肺图片进行分析，并通过自定义的肥猪评分方案对猪肺做出评分。
首先，为高效的收集猪肺的图片数据集，搭建一套SAM（segment anything）的半监督图片标注框架，其主要提升打肺部区域标签的效率。在定义肥猪猪肺的特征时，在猪肺区域设定了四种特征标识，其分别为“黏连”、“实变”、“呛血”、“水肿”。
然后对收集得到的图片数据进行数据增广并随机划分为训练集与测试集，基于mAP预测评价指标选用MaskRCNN（Res101+PAFPN）作为最终的算法网络结构，基于训练得到的模型能对之后输入的猪肺照片进行预测并分割像素块。
最后，对于猪肺评分方式，通过指定划分六个猪肺特定区域并分配特定权重为评分依据。因此本方法需要获取划分猪肺的关键点的预测算法，通过人工标注的方式对已收集的数据进行关键点标注，基于多次实验比较且为兼顾其预测准确度与推理速度选定YOLOv8l作为网络结构。本方法对预设定的六个区域分配评分权重，最终得到基于屠宰场IOT的肺部特征评分值。
3、合并模块
本模块主要对上述描述的饲养性能模块及图像分析模块做一个合并，其目的是将宏观的饲养性能数据与微观的猪肺特征数据进行整合。
该方案主要通过长向量的拼接的方式对以上特征进行整合，对于饲养性能数据，以上已经获取了最优的特征项目。针对猪肺特征，通过将当日猪肺的采集数量、特征数量、特征区域面积占比、特征区域种类、特征评分值构造成为一个长向量，拼接到饲养性能数据的右侧。
同时在拼接之后，考虑到预测的时序性，该方法通过滑动窗口方式对之前的所有列特征添加额外的7天、3天均值和最大值特征值。
其次，为保证数据输入神经网络的量纲一致性，数据预处理阶段用Min-Max做归一化处理。
将构造好的数据丢入多层全链接神经网络（3层，128-64-32）最后层接入sigmod函数进行预测。
从最终实验结果可知，添加了饲养性能与猪肺特征的数据预测准确度更高。
图3示例了一种电子设备的实体结构示意图，该电子设备可以包括：处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行基于深度学习的猪生长状况预测方法，该方法包括：获取农场猪群的多项养殖数据和农场猪群的肺部图像；将农场猪群的多项养殖数据输入至性能模型，得到性能模型输出的农场猪群的多项目标饲养性能数据；将农场猪群的肺部图像输入至图像分析模型中，得到图像分析模型输出的肺部特征评分值；将农场猪群的目标饲养性能数据和肺部特征评分值进行合并，得到合并数据；将合并数据输入至深度学习预测模型，得到猪生长状况的预测结果。
此外，上述的存储器830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，可以存储在一个计算机可读取存储介质中。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，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的基于深度学习的猪生长状况预测方法，该方法包括：获取农场猪群的多项养殖数据和农场猪群的肺部图像；将农场猪群的多项养殖数据输入至性能模型，得到性能模型输出的农场猪群的多项目标饲养性能数据；将农场猪群的肺部图像输入至图像分析模型中，得到图像分析模型输出的肺部特征评分值；将农场猪群的目标饲养性能数据和肺部特征评分值进行合并，得到合并数据；将合并数据输入至深度学习预测模型，得到猪生长状况的预测结果。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的基于深度学习的猪生长状况预测方法，该方法包括：获取农场猪群的多项养殖数据和农场猪群的肺部图像；将农场猪群的多项养殖数据输入至性能模型，得到性能模型输出的农场猪群的多项目标饲养性能数据；将农场猪群的肺部图像输入至图像分析模型中，得到图像分析模型输出的肺部特征评分值；将农场猪群的目标饲养性能数据和肺部特征评分值进行合并，得到合并数据；将合并数据输入至深度学习预测模型，得到猪生长状况的预测结果。
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)
1.一种基于深度学习的猪生长状况预测装置，其特征在于，包括：
获取模块、性能模块、图像分析模块、合并模块和预测模块；其中，
所述获取模块用于获取农场猪群的多项养殖数据和农场猪群的肺部图像；
所述性能模块用于将所述农场猪群的多项养殖数据输入至性能模型，得到所述性能模型输出的农场猪群的多项目标饲养性能数据；
所述图像分析模块用于将所述农场猪群的肺部图像输入至图像分析模型中，得到所述图像分析模型输出的肺部特征评分值；
所述合并模块用于将所述农场猪群的目标饲养性能数据和所述肺部特征评分值进行合并，得到合并数据；
所述预测模块用于将所述合并数据输入至深度学习预测模型，得到猪生长状况的预测结果。
2.根据权利要求1所述的基于深度学习的猪生长状况预测装置，其特征在于，所述性能模型基于如下方式进行训练：
根据农场猪群的多项养殖数据样本，生成农场猪群的多项候选饲养性能数据样本；
将所述多项候选饲养性能数据样本基于预设的方式进行组合，生成多个候选饲养性能数据集合；
将所述多个候选饲养性能数据集合输入至所述性能模型，从所述多个候选饲养性能数据集合中确定目标饲养性能数据集合以及所述目标饲养性能数据集合所对应的多项目标饲养性能数据样本；其中，在所述多个候选饲养性能数据集合中，基于所述目标饲养性能数据集合所预测的猪的生长状况与标注结果最接近。
3.根据权利要求1或2所述的基于深度学习的猪生长状况预测装置，其特征在于，所述图像分析模块具体用于：
将所述农场猪群的肺部图像输入至图像分析模型中，所述图像分析模型确定所述肺部图像中存在的至少一种肺部特征以及所述肺部特征在所述肺部图像中的像素点信息；根据多种所述肺部特征在所述肺部图像中的像素点信息，确定并输出所述肺部特征评分值。
4.根据权利要求3所述的基于深度学习的猪生长状况预测装置，其特征在于，所述图像分析模块具体用于：
将所述农场猪群的肺部图像输入至图像分析模型中，所述图像分析模型将所述肺部图像划分为预设数量的猪肺子区域；其中，不同的猪肺子区域对应不同的肺部权重值；
根据多种肺部特征在所述肺部图像中的像素点信息，确定各种所述肺部特征所对应的猪肺子区域；
根据各种所述肺部特征所对应的猪肺子区域和各个猪肺子区域所对应的肺部权重值，确定各个猪肺子区域的特征评分值；
将各个猪肺子区域的特征评分值求和，得到所述肺部特征评分值。
5.根据权利要求4所述的基于深度学习的猪生长状况预测装置，其特征在于，所述预测模块具体用于：
将目标日期的合并数据和目标日期之前的多天合并数据输入至深度学习预测模型，得到所述目标日期的猪生长状况的预测结果。
6.一种基于深度学习的猪生长状况预测方法，其特征在于，应用于如权利要求1-5任一项所述的基于深度学习的猪生长状况预测装置，包括：
获取农场猪群的多项养殖数据和农场猪群的肺部图像；
将所述农场猪群的多项养殖数据输入至性能模型，得到所述性能模型输出的农场猪群的多项目标饲养性能数据；
将所述农场猪群的肺部图像输入至图像分析模型中，得到所述图像分析模型输出的肺部特征评分值；
将所述农场猪群的目标饲养性能数据和所述肺部特征评分值进行合并，得到合并数据；
将所述合并数据输入至深度学习预测模型，得到猪生长状况的预测结果。
7.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求6所述的基于深度学习的猪生长状况预测方法。
8.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求6所述的基于深度学习的猪生长状况预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410240403.7A CN117831080B (zh) | 2024-03-04 | 2024-03-04 | 基于深度学习的猪生长状况预测装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410240403.7A CN117831080B (zh) | 2024-03-04 | 2024-03-04 | 基于深度学习的猪生长状况预测装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117831080A true CN117831080A (zh) | 2024-04-05 |
| CN117831080B CN117831080B (zh) | 2024-07-02 |
Family
ID=90521194
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410240403.7A Active CN117831080B (zh) | 2024-03-04 | 2024-03-04 | 基于深度学习的猪生长状况预测装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117831080B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118194163A (zh) * | 2024-05-13 | 2024-06-14 | 正大农业科学研究有限公司 | 种猪评分方法、装置、电子设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200057440A (ko) * | 2018-11-16 | 2020-05-26 | (주)야다엠 | 양돈 성장 조건 플랫폼 기반 출하 예측 제공 시스템 및 그 방법 |
| CN111738410A (zh) * | 2020-05-22 | 2020-10-02 | 安徽省农业科学院畜牧兽医研究所 | 肉牛个体生长曲线获取方法、装置和存储介质 |
| CN112164073A (zh) * | 2020-09-22 | 2021-01-01 | 江南大学 | 一种基于深度神经网络的影像三维组织分割与测定方法 |
| CN115222091A (zh) * | 2022-06-01 | 2022-10-21 | 北京市农林科学院信息技术研究中心 | 基于多源养殖数据挖掘的肉牛体况预测方法、装置及系统 |
| WO2023041904A1 (en) * | 2021-09-15 | 2023-03-23 | Pig Improvement Company Uk Limited | Systems and methods for the automated monitoring of animal physiological conditions and for the prediction of animal phenotypes and health outcomes |
| CN117409963A (zh) * | 2023-02-07 | 2024-01-16 | 蚌埠医学院第一附属医院（蚌埠医学院附属肿瘤医院） | 早产儿喂养不耐受风险预测方法及系统 |
-
2024
- 2024-03-04 CN CN202410240403.7A patent/CN117831080B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200057440A (ko) * | 2018-11-16 | 2020-05-26 | (주)야다엠 | 양돈 성장 조건 플랫폼 기반 출하 예측 제공 시스템 및 그 방법 |
| CN111738410A (zh) * | 2020-05-22 | 2020-10-02 | 安徽省农业科学院畜牧兽医研究所 | 肉牛个体生长曲线获取方法、装置和存储介质 |
| CN112164073A (zh) * | 2020-09-22 | 2021-01-01 | 江南大学 | 一种基于深度神经网络的影像三维组织分割与测定方法 |
| WO2023041904A1 (en) * | 2021-09-15 | 2023-03-23 | Pig Improvement Company Uk Limited | Systems and methods for the automated monitoring of animal physiological conditions and for the prediction of animal phenotypes and health outcomes |
| CN115222091A (zh) * | 2022-06-01 | 2022-10-21 | 北京市农林科学院信息技术研究中心 | 基于多源养殖数据挖掘的肉牛体况预测方法、装置及系统 |
| CN117409963A (zh) * | 2023-02-07 | 2024-01-16 | 蚌埠医学院第一附属医院（蚌埠医学院附属肿瘤医院） | 早产儿喂养不耐受风险预测方法及系统 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118194163A (zh) * | 2024-05-13 | 2024-06-14 | 正大农业科学研究有限公司 | 种猪评分方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117831080B (zh) | 2024-07-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10426442B1 (en) | Adaptive image processing in assisted reproductive imaging modalities | |
| CN117831080B (zh) | 基于深度学习的猪生长状况预测装置 | |
| CN112101259A (zh) | 一种基于堆叠沙漏网络的单只猪体姿态识别系统及方法 | |
| Kristensen et al. | A sow replacement model using Bayesian updating in a three-level hierarchic Markov process: I. Biological model | |
| US20200349709A1 (en) | Fertile ovum quality evaluation method, fertile ovum quality evaluation system, program, and information processing apparatus | |
| De Vries et al. | Invited Review: Examples and opportunities for artificial intelligence (AI) in dairy farms | |
| Nye et al. | Estimating conformational traits in dairy cattle with DeepAPS: a two-step deep learning automated phenotyping and segmentation approach | |
| US11494911B1 (en) | Embryo evaluation using AI/ML analysis of real-time frame speed video for predicting offspring sex | |
| Kamphuis et al. | Machine learning to further improve the decision which boar ejaculates to process into artificial insemination doses | |
| CN113421228A (zh) | 一种基于参数迁移的甲状腺结节识别模型训练方法及系统 | |
| Guo et al. | Sheep face image dataset and DT-YOLOv5s for sheep breed recognition | |
| Li et al. | Lameness detection system for dairy cows based on instance segmentation | |
| CN113011514B (zh) | 基于双线性池化应用于ct影像的颅内出血亚类型分类算法 | |
| Lee et al. | Prediction of average daily gain of swine based on machine learning | |
| Liu et al. | PIMFP: An accurate tool for the prediction of intramuscular fat percentage in live pigs using ultrasound images based on deep learning | |
| WO2023021262A1 (en) | Methods of determining animal phenotypes | |
| Han et al. | Mask_LaC R-CNN for measuring morphological features of fish | |
| Tiwari et al. | Computer vision and deep learningbased framework for cattle monitoring | |
| Hidalgo et al. | Prediction of postpartum diseases of dairy cattle using machine learning | |
| Khan et al. | Hybrid Deep Learning Approach for Enhanced Animal Breed Classification and Prediction. | |
| Bastiaansen et al. | Continuous real-time cow identification by reading ear tags from live-stream video | |
| Gültepe | Analysis of Alburnus tarichi population by machine learning classification methods for sustainable fisheries | |
| Barden et al. | Development and evaluation of predictive models for pregnancy risk in UK dairy cows | |
| Duan et al. | Feed weight estimation model for health monitoring of meat rabbits based on deep learning | |
| Owalekar et al. | An agri vigilance system based on computer vision and 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 |