RU2543948C2 - Устройство и способ определения количественного показателя состояния тела животного - Google Patents
Устройство и способ определения количественного показателя состояния тела животного Download PDFInfo
- Publication number
- RU2543948C2 RU2543948C2 RU2011127180/08A RU2011127180A RU2543948C2 RU 2543948 C2 RU2543948 C2 RU 2543948C2 RU 2011127180/08 A RU2011127180/08 A RU 2011127180/08A RU 2011127180 A RU2011127180 A RU 2011127180A RU 2543948 C2 RU2543948 C2 RU 2543948C2
- Authority
- RU
- Russia
- Prior art keywords
- animal
- dimensional
- determining
- state
- quantitative indicator
- Prior art date
Links
- 241001465754 Metazoa Species 0.000 title claims abstract description 108
- 238000000034 method Methods 0.000 title abstract description 23
- 238000007619 statistical method Methods 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 20
- 244000144972 livestock Species 0.000 claims description 21
- 210000000988 bone and bone Anatomy 0.000 claims description 17
- 244000144980 herd Species 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 6
- 230000003746 surface roughness Effects 0.000 claims description 5
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 238000003975 animal breeding Methods 0.000 abstract 1
- 230000008030 elimination Effects 0.000 abstract 1
- 238000003379 elimination reaction Methods 0.000 abstract 1
- 239000000126 substance Substances 0.000 abstract 1
- 241000283690 Bos taurus Species 0.000 description 97
- 235000013365 dairy product Nutrition 0.000 description 16
- 230000006651 lactation Effects 0.000 description 15
- 238000005516 engineering process Methods 0.000 description 10
- 238000010191 image analysis Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 239000008267 milk Substances 0.000 description 6
- 235000013336 milk Nutrition 0.000 description 6
- 210000004080 milk Anatomy 0.000 description 6
- 238000011002 quantification Methods 0.000 description 6
- 238000013459 approach Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 4
- 210000003692 ilium Anatomy 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 230000037396 body weight Effects 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 210000004705 lumbosacral region Anatomy 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 235000016709 nutrition Nutrition 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 210000001217 buttock Anatomy 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000001815 facial effect Effects 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 210000002239 ischium bone Anatomy 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000035764 nutrition Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 206010006956 Calcium deficiency Diseases 0.000 description 1
- 208000004930 Fatty Liver Diseases 0.000 description 1
- 206010019708 Hepatic steatosis Diseases 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 206010021518 Impaired gastric emptying Diseases 0.000 description 1
- 208000002720 Malnutrition Diseases 0.000 description 1
- 208000008589 Obesity Diseases 0.000 description 1
- 206010033307 Overweight Diseases 0.000 description 1
- 208000008765 Sciatica Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 210000000577 adipose tissue Anatomy 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 244000309466 calf Species 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 208000010706 fatty liver disease Diseases 0.000 description 1
- 208000001288 gastroparesis Diseases 0.000 description 1
- 231100000206 health hazard Toxicity 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 210000001624 hip Anatomy 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000009027 insemination Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 208000004396 mastitis Diseases 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 235000018343 nutrient deficiency Nutrition 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 235000020824 obesity Nutrition 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 210000004197 pelvis Anatomy 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 210000002826 placenta Anatomy 0.000 description 1
- 230000035935 pregnancy Effects 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000001454 recorded image Methods 0.000 description 1
- 235000018770 reduced food intake Nutrition 0.000 description 1
- 230000001850 reproductive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000035946 sexual desire Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000010972 statistical evaluation Methods 0.000 description 1
- 231100000240 steatosis hepatitis Toxicity 0.000 description 1
- 238000012916 structural analysis Methods 0.000 description 1
- 238000007920 subcutaneous administration Methods 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 210000000115 thoracic cavity Anatomy 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 210000000689 upper leg Anatomy 0.000 description 1
- 210000001835 viscera Anatomy 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
- A01K29/00—Other apparatus for animal husbandry
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
- A01K29/00—Other apparatus for animal husbandry
- A01K29/005—Monitoring or measuring activity, e.g. detecting heat or mating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- G06T2207/20036—Morphological image processing
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/12—Acquisition of 3D measurements of objects
- G06V2201/121—Acquisition of 3D measurements of objects using special illumination
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Animal Husbandry (AREA)
- Biodiversity & Conservation Biology (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Human Computer Interaction (AREA)
- Biophysics (AREA)
- Image Analysis (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
Изобретение относится к разведению животных и, в частности, к устройствам и способам для определения оценок состояния тела (BCS) животных. Техническими результатами являются повышение точности и достоверности, а также исключение ошибок при определении количественного показателя состояния тела животного. Дополнительными техническими результатами являются обеспечение автоматического, эффективного, быстрого, безопасного, легкого для использования и имеющего недорогую стоимость определения количественного показателя состояния тела животного. Устройство для определения количественного показателя состояния тела животного (50) содержит систему (51) трехмерной камеры и устройство (52) обработки изображений. Система (51) трехмерной камеры направлена на животное и предусмотрена для записи трехмерного изображения животного. Устройство (52) обработки изображений присоединено к системе (51) трехмерной камеры и предусмотрено для формирования трехмерного представления поверхности части животного из трехмерного изображения, для статистического анализа поверхности и для определения количественного показателя состояния тела животного на основании статистически проанализированной поверхности. 18 з.п. ф-лы, 20 ил., 1 табл.
Description
ОБЛАСТЬ ТЕХНИКИ, К КОТОРОЙ ОТНОСИТСЯ ИЗОБРЕТЕНИЕ
Настоящее изобретение, в целом, относится к разведению животных и, в частности, к устройствам и способам для определения оценок состояния тела (BCS) животных.
ПРЕДШЕСТВУЮЩИЙ УРОВЕНЬ ТЕХНИКИ
Количественная оценка состояния тела является способом оценки упитанности или худобы у коров согласно шкале, например, пятибалльной шкале, где количественный показатель единица обозначает очень худую корову наряду с тем, что пятерка обозначает чрезмерно тучную корову. Исследования и полевые эксперименты показали, что состояние тела оказывает влияние на продуктивность, размножение, здоровье и продолжительность жизни. Таким образом, худоба или упитанность могут указывать на лежащие в основе пищевую недостаточность, проблемы со здоровьем или ненадлежащее управление стадом. В качестве средства для выявления проблем в пределах стада количественная оценка состояния тела является хорошим вспомогательным средством в улучшении здоровья и продуктивности молочного стада, когда выполняется на регулярной основе, таким образом, действуя в качестве эффективного инструмента для хорошего управлении стадом. Количественная оценка состояния тела является лучше для контроля энергетических резервов организма, чем вес тела. Вес тела может изменяться вследствие изменений тучности тела, размера скелета, размера внутренностей, размера вымени, состояния беременности и приема пищи и воды.
Состояние тела нормальной здоровой коровы колеблется в течение периодов лактации, как показано на фиг.1. При отеле рекомендованный количественный показатель состояния тела может быть от 3,25 до 3,75 или слегка ниже. При ранней лактации корова увеличивает производительность молока до тех пор, пока не достигнута пиковая производительность молока. В течение этого периода корова использует свои резервы организма для получения необходимой энергии, в то время как прием пищи будет отставать от потребностей в первые от шести до девяти недель лактации. Задача состоит в том, чтобы иметь потерю в состоянии тела от 0,5 до 0,75 при ранней лактации. При средней лактации количественный показатель состояния тела должен медленно увеличиваться для достижения такого же рекомендованного значения от 3,25 до 3,75, как при отеле в конце поздней лактации. Важно не пытаться корректировать состояние тела коровы во время стельного сухостойного периода, так как это будет оказывать влияние на вес теленка больше, чем вес коровы.
Приведение в состояние выше нормы, или упитанность, обычно начинается в течение последних от трех до четырех месяцев лактации, когда производительность молока уменьшилась, но злаковый и общие уровни питательных веществ не были уменьшены соответствующим образом. Во время отела корова с количественным показателем состояния тела выше 4,0 часто имеет следствием проблемы сниженного приема пищи и повышенного процента родовых проблем, и другие затруднения при отеле. Тучная корова более восприимчива к метаболическим проблемам и инфекциям. Приведенные в состояние выше нужного коровы имеют тенденцию иметь проблемы с задержкой отделения плаценты, гастропарезом, ведущим к дефициту кальция, синдромом тучной коровы, жировой инфильтрацией печени и маститом. Они могли бы даже сваливаться под своим чрезмерным весом.
Приведение в состояние ниже нормы, или худоба, возникает, когда корова была больна в течение более длительного периода, или если недостаточно энергии было добавлено в питание во время средней и поздней лактации. Приведение в состояние ниже нормы при отеле с количественным показателем состояния тела, меньшим, чем 3,0, часто имеет следствием более низкий пиковый надой молока и меньшее количество молока для лактации в целом. Опасность для здоровья при ранней лактации возникает, когда корова использует большую часть своих резервов организма. Также коровы не должны терять более чем 1,0 количественного показателя тела во время ранней лактации, так как было показано, что чрезмерная потеря состояния тела при ранней лактации снижает репродуктивную эффективность. Приведение в состояние ниже нормы часто может снижать продуктивность и уровни жирности молока вследствие недостаточных энергетических и белковых резервов. Худые коровы часто не показывают половой охоты или не беременеют до тех пор, пока они не начинают восстанавливать - или, по меньшей мере, поддерживать вес тела. При кормлении этих животных внимание должно быть уделено сохранению продуктивности наряду с увеличением резервов организма.
Пятибалльная система количественной оценки была разработана для измерения относительной величины этой подкожной жирности тела. Большинство систем количественной оценки состояния тела у молочного скота используют пятибалльную систему количественной оценки с четвертьбалльными приращениями. Были разработаны правила для системы количественной оценки состояния тела, чтобы оценивать состояние тела молочной коровы в любой момент во время производственного цикла. Для точной количественной оценки необходимы как визуальные, так и тактильные оценки спинной и задней четвертей. Рассматриваемыми частями являются грудная и поясничная области позвоночного столба (хребта, поясничного отдела и крестца), остистые отростки (поясничная область), крестцовые бугры (маклоки (крайние передние выступы подвздошных костей)), тазобедренные бугры (седалищные кости) и предшествующий копчиковому позвонок (корень хвоста), которые показаны на фиг.3. Одиночный фактор может вводить в заблуждение; однако все факторы, рассматриваемые совместно, дают точный количественный показатель. Каждый количественный показатель состояния оценивался по критериям, упрощенно показанным на фиг.4.
Хотя преимущества регулярной количественной оценки состояния тела являются наглядными для большинства молочных производителей, специалистам по питанию и консультантам, относительно немногие молочные фермы приняли ее в качестве части своей стратегии управления молочным производством. Есть много причин для непринятия этой системы, по большей части, имеющих отношение к ее субъективности, затратам и требуемому времени. Она едва ли осуществима в компьютеризованной системе управления стадом.
Ученые по молочному хозяйству еще не разработали необходимого объективного исследования, чтобы быть способными консультировать фермеров надлежащим образом. Поэтому, есть необходимость разработать способы для определения количественного показателя состояния тела отдельных коров автоматическим образом, которые были бы более экономически эффективными, объективными и легкими для соединения с данными из системы управления стадом.
В публикации Pompe V.J deGraaf, R. Semplonious, and J., «Automatic body condition scoring of dairy cows: Extracting contour lines» («Автоматическая количественная оценка состояния тела молочных коров: выделение контурных линий»), Сборник рефератов, 5-я Европейская конференция по точному земледелию, 2-я Европейская конференция по точному животноводству, страницы 243-245, 2005 год, раскрыто использование черно-белой фотографии и линейного лазера для сбора последовательности изображений с задней части коровы. Трехмерный анализ изображений дает очертание левой седалищной кости, левого маклока и корня хвоста. Ни о каком статистическом анализе, сравнивающем анализ изображений посредством BCS, не сообщается.
В публикации T. Leroy, L.-M- Aerts, J.Eeman, E. Maltz, G. Stojanovski, and D. Berckmans, «Automatic determination of body condition score of dairy cows based on 2D images» («Автоматическое определение количественного показателя состояния тела молочных коров на основании двухмерных изображений»), Точное животноводство, 05: страницы 251- 255, 2005 год, раскрыто использование обычных двухмерных изображений с задней части коровы для получения изображения силуэта. Их исследование показывает, что можно оценивать количественный показатель тела автоматически с точностью результата такого же порядка величины, как погрешность человеческой оценки.
Большая работа по автоматизированной количественной оценке состояния тела для молочного скота проводилась Coffey и другими в Шотландском сельскохозяйственном институте. Светлые линии создавались на спине коровы посредством использования света красного лазера, засвеченного через призму. Камера располагалась под углом 45° к горизонтальной плоскости спины коровы, и лазерные линии использовались при ручных выделениях кривизны на корне хвоста и ягодицах коровы. Кривизна этих форм тогда моделировалась. Исследование установило большую корреляцию, с коэффициентом корреляции 0,55, между кривизной корня хвоста и наблюдаемой BCS, тогда как коэффициент корреляции кривизны правой ягодицы, который измерялся поперек седалищной кости, имел значение 0,52.
Проведено всестороннее исследование коллективом авторов J. M. Bewley, A.M. Peacock, O. Lewis, R. E. Boyce, D. J. Roberts, M. P. Coffey, S. J. Kenyon, and M. M. Schutz «Potential for Estimation of Body Condition Scores in Dairy Cattle from Digital Images» («Потенциальная возможность для оценки количественных показателей состояния тела у домашнего скота по цифровым изображениям»), Журнал по технике производства молочных продуктов, 91:3439-3453, 2008 год. С использованием цифровых изображений, снятых сверху, углы, созданные маклоками, выделялись из контурного изображения. 99,89% автоматически полученных количественных показателей состояния тела находились в пределах 0,5 баллов от реального количественного показателя, а 89,95% находились в пределах 0,25 баллов.
Исследования количественного показателя состояния тела средиземноморских буйволов с использованием анализа обычных двухмерных изображений P. Negretti, G. Bianconi, S. Bartocci, S. Terramoccia, and M.Verna в «Determination of live weight and body condition score in lactating Mediterranean buffalo by Visual Image Analysis» («Определение живого веса и количественной оценки состояния тела у дающего молоко средиземноморского буйвола посредством визуального анализа изображений»), Наука о крупном рогатом скоте, 113:1-7, 2008 год, подтвердили, что компьютеризованный анализ изображений является эффективной измерительной системой. Итальянская группа также пришла к важным выводам, показывающим, что автоматические измерения угла между спиной и маклоками и автоматические измерения площади поверхности позади маклоков значительно коррелировались с количественным показателем состояния тела.
В EP 1537531 раскрыты способ и система формирования изображений для использования при автоматическом контроле состояния тела животного. Предварительно определенная интересующая область тела животного подвергается формированию изображения, и данные, показывающие полученное одно или более изображений, обрабатываются для получения трехмерного представления интересующей области. Трехмерное представление анализируется для определения предварительно определенного измеряемого параметра, показывающего рельеф поверхности интересующей области, которая является показывающей состояние тела изображаемого животного. Технология согласно настоящему изобретению полезна для определения состояния энергетического баланса животного (например, молочной коровы) или тенденции изменения энергетического баланса, чтобы тем самым дать возможность надлежащей коррекции питания отдельного животного; а также для определения существования в согласованности и/или движении при естественной миграции животного.
СУЩНОСТЬ ИЗОБРЕТЕНИЯ
Недостаток подходов, раскрытых выше, состоит в том, что выявленные формы в большой степени зависят от перемещения, фоновой окружающей обстановки и относительного положения коровы относительно системы обработки данных визуального контроля.
Кроме того, количественные показатели состояния тела могут не быть достоверными, правильными или точными вследствие ограниченных данных двухмерного изображения, используемых при анализе изображения.
Задача настоящего изобретения состоит в том, чтобы обеспечить устройство и способ для определения количественного показателя состояния тела животного, которые не имеют описанных выше недостатков и ограничений.
Дополнительная задача изобретения состоит в том, чтобы обеспечить такое устройство и способ, которые являются автоматическими, устойчивыми к ошибкам, эффективными, быстрыми, точными, правильными, достоверными, безопасными, легкими для использования и имеют недорогую стоимость.
Поставленные задачи, согласно настоящему изобретению, достигаются устройствами и способами, которые заявлены в прилагаемой патентной формуле изобретения.
Согласно одному из аспектов изобретения, предложено устройство для определения количественного показателя состояния тела животного, устройство содержит систему трехмерной камеры, направленную на животное и предусмотренную для мгновенной записи, по меньшей мере, одного трехмерного изображения животного; и устройство обработки изображений, присоединенное к системе трехмерной камеры и предусмотренное для формирования трехмерного представления поверхности части животного из трехмерного изображения, записанного системой трехмерной камеры; для статистического анализа поверхности у трехмерного представления поверхности, в частности, анализа неровности, неправильности или текстуры поверхности у трехмерного представления поверхности; и для определения количественного показателя состояния тела животного на основании статистически проанализированной поверхности трехмерного представления поверхности.
Трехмерное представление поверхности части животного преимущественно является представлением области спины животного, расположенной впереди корня хвоста и достаточно узкой, чтобы не включать в себя подвздошные или седалищные кости животного.
Предпочтительно, система трехмерной камеры является камерой с реле времени определения дальности или камерой активной выборочной дискретизации волнового фронта, которая выдает двухмерное изображение животного, при этом, для каждого пикселя двухмерного изображения, предусматривается расстояние между системой трехмерной камеры и соответствующей изображаемой точкой объекта.
Кроме того, предпочтительно, система трехмерной камеры расположена над и, по выбору, позади животного и направлена вниз и, по выбору, вперед, на спину животного, чтобы давать видеоинформацию с задней и спинной частей животного.
Согласно дополнительному аспекту изобретения, обеспечен способ определения количественного показателя состояния тела животного, используя описанное выше устройство.
Различные варианты осуществления изобретения изложены в зависимых пунктах формулы изобретения.
Статистический анализ может включать статистический анализ градиентов поверхности, нормалей к поверхности и/или значений дальности или глубины поверхности у трехмерного представления поверхности.
Дополнительно или в качестве альтернативы, статистический анализ может включать в себя статистический анализ спектральных мер неровности поверхности у трехмерного представления поверхности.
Кроме того, дополнительно или в качестве альтернативы, статистический анализ может включать в себя статистический анализ кривизны поверхности или поворотных изображений поверхности для трехмерного представления поверхности.
Преимущественно, статистический анализ включает в себя расчет статистических характеристик гистограммы параметра признака поверхности у трехмерного представления поверхности. Статистические характеристики могут содержать среднее значение, среднеквадратическое отклонение, монотонность, несимметричность, равномерность, энтропию, ширину гистограммы, ширину на значении полумаксимума и/или параметры кривой, подогнанной к гистограмме.
Преимущества настоящего изобретения по сравнению с обычно проводимой и вручную выполняемой количественной оценкой тела опытным скотником посредством визуального осмотра и прикосновения являются следующими.
Автоматически выполняемая количественная оценка состояния тела согласно изобретению не является субъективной; она не находится под влиянием окружающей обстановки, такой как освещение, впечатление, знание животных или персонально зависимых.
Кроме того, она является экономически эффективной и не отнимает много времени работа квалифицированного скотника. Изобретение может легко применяться в больших стадах с большим количеством животных на ежедневной основе. Тренд количественного показателя состояния тела, таким образом, может часто вычерчиваться и отслеживаться.
Кроме того, дополнительно, может быть увеличено разрешение BCS. Достоверность и точность могут быть повышены.
Некоторые из преимуществ равным образом действительны при сравнении изобретения с автоматическими и полуавтоматическими подходами, раскрытыми в разделе уровня техники изобретения.
В частности, статистический анализ мгновенно записанного трехмерного представления поверхности части животного может давать точные и достоверные количественные показатели состояния тела.
Согласно дополнительным аспектам изобретения, предложены устройство и способ для определения количественного показателя состояния тела животного. Устройство содержит систему трехмерной камеры и устройство обработки изображений, присоединенное к системе трехмерной камеры. По меньшей мере одно трехмерное изображение части животного записывается системой трехмерной камеры. Трехмерное представление поверхности формируется из трехмерного изображения; трехмерное представление поверхности нормализуется; и количественный показатель состояния тела животного определяется на основании поверхности у нормализованного трехмерного представления поверхности.
Нормализация предварена поиском опорных точек, например, спинного гребня и седалищных костей или маклоков, в трехмерном представлении поверхности части животного, которые могут служить в качестве контрольных точек для нормализации.
Предпочтительно, трехмерное представление поверхности части животного нормализуется посредством вращения, смещения и масштабирования на основании местоположения опорных точек, из условия, чтобы спинной гребень был по существу параллельным с первой осью декартовой системы координат, соединительная линия между верхушками седалищных костей или маклоками была по существу параллельна со второй перпендикулярной осью декартовой системы координат, а масштабирование трехмерного представления поверхности производилось в зависимости от расстояния между верхушками седалищных костей или маклоками.
Посредством такой нормализации количественные показатели состояния тела могут определяться независимо от угла записи системы трехмерной камеры. Изображение может записываться, в то время как животные гуляют или двигаются.
Кроме того, дополнительно, предложены компоновка и способ для определения количественного показателя состояния тела животного. Устройство содержит систему трехмерной камеры и устройство обработки изображений, присоединенное к системе трехмерной камеры. Записывается, по меньшей мере, одно трехмерное изображение части животного; трехмерное представление поверхности формируется из трехмерного изображения; анатомические признаки распознаются в трехмерном представлении поверхности; рассчитываются параметры признаков распознанных анатомических признаков; и количественный показатель состояния тела животного определяется на основании рассчитанных параметров анатомических признаков, распознанных в трехмерном представлении поверхности.
Дополнительные характеристики изобретения и его преимущества будут очевидны из последующего подробного описания предпочтительных вариантов осуществления настоящего изобретения, приведенных в дальнейшем, и прилагаемых фиг.1-16, которые даны только в качестве иллюстрации и, таким образом, не являются ограничивающими настоящее изобретение.
КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙ
На чертежах:
Фиг.1 изображает схему нормального периодического изменения количественного показателя состояния тела в течение разных периодов лактации у молочных коров;
Фиг.2 изображает слева направо состояние коровы значительно ниже требуемого нормального состояния коровы и приведенную в состояние значительно выше нужного коровы;
Фиг.3 изображает зоны, рассматриваемые при количественной оценке состояния тела коровы;
Фиг.4 изображает упрощенную схему количественных показателей состояния тела;
Фиг.5 изображает схему устройства для определения количественного показателя состояния тела животного, согласно варианту осуществления настоящего изобретения;
Фиг.6a-b изображают плотные множества точек исходных нефильтрованных (фиг.6a) и фильтрованных (фиг.6b) данных изображения коровы, записанных устройством по фиг.5. Изображения показывают профиль крестца от маклоков до седалищных костей и выступающего корня хвоста дальше всего внизу на изображении;
Фиг.7 изображает сегментацию данных, выделяющую поверхность коровы;
Фиг.8a изображает глобальный минимум, найденный на изображении поверхности коровы, используемом для локализации; Фиг.8b изображает данные, смещенные и повернутые. Были локализованы спинной хребет и маклоки коровы;
Фиг.9 изображает сравнение двух изображений коровы, точно определяющих местоположение маклоков;
Фиг.10 изображает параметры геометрического поворотного изображения, как используемые в способе анализа, содержащемся в изобретении;
Фиг.11 изображает условные изменения состояния тела посредством манипулирования значениями z данных изображения;
Фиг.12 изображает трехмерное представление поверхности спины коровы;
Фиг.13-16 изображают различные анатомические признаки и параметры признаков, измеренные различными способами анализа, содержащимися в изобретении.
ПОДРОБНОЕ ОПИСАНИЕ ВАРИАНТОВ ОСУЩЕСТВЛЕНИЯ ИЗОБРЕТЕНИЯ
Фиг.5 изображает компоновку для определения количественного показателя состояния тела животного, такого как корова 50, содержащую систему 51 трехмерной камеры, направленную на корову 50 и предусмотренную для мгновенной записи, по меньшей мере, одного трехмерного изображения коровы 50, и устройство 52 обработки изображений, такое как микрокомпьютер, оснащенный подходящим программным обеспечением, присоединенный к системе 51 трехмерной камеры.
Устройство 52 обработки изображений предусмотрено для обработки трехмерного изображения, записанного системой 51 трехмерной камеры, для формирования трехмерного изображения или представления поверхности части коровы 50 из обработанного трехмерного изображения; для статистического анализа трехмерного изображения поверхности; и для определения количественного показателя состояния тела коровы на основании статистически проанализированного трехмерного изображения поверхности. Обработка и анализ изображения будут более подробно обсуждены ниже.
Система 51 трехмерной камеры предпочтительно является камерой времяпролетного определения дальности, такой как датчик Mesa Imaging AG® Swiss Ranger SR-3000. Она является полностью твердотельной камерой времяпролетного определения дальности, разработанной CSEM (Centre Suisse d'electronique et de microtechnique). Она присоединена к микрокомпьютеру 52 через USB 2.0 (универсальную последовательную шину) для непосредственного измерения карты глубин реального времени и предназначена для работы в условиях внутреннего освещения.
Времяпролетная (TOF) технология основана на измерениях расстояния до объекта на основании времени, которое занимает, чтобы инфракрасный свет с пиковой длиной волны в 850 нм отражался на объекте и достигал датчика при прохождении на известной скорости. Измеренное расстояние пропорционально взятому дважды времени, необходимому, чтобы волны проходили от камеры до объекта. Фактически измеряется фазовый сдвиг между исходящим сигналом и зарегистрированным отраженным сигналом.
Проиллюстрированная выше камера основана на датчике двухмерного изображения с полем зрения в 47,5×39,6 градусов с пространственным разрешением 176×144 пикселей с использованием датчика с активными пикселями на КМОП (комплементарных элементах металл-оксид-полупроводник, CMOS). Технология очень похожа на технологию ПЗС (приборов с зарядовой связью, CCD). Результирующий выходной сигнал является четырехмерным представлением изображения, показывающего информацию об интенсивности в каждом пикселе, во взаимосвязи с обычной цифровой камерой. В дополнение, относительное положение каждой точки по отношению к камере задается ее значением x, y и глубины (z). При комбинировании информации в каналах x, y и z можно создавать трехмерную визуализацию сцены.
С установкой порогового значения амплитуды шумовые пиксели могут быть отфильтрованы. Амплитуда определяет количество излучаемого света, который отражается обратно на пиксель. Время интегрирования регулирует время экспонирования для полученного изображения.
В качестве альтернативы, система 51 трехмерной камеры основана на другой технологии для обеспечения трехмерной визуализации сцены. Например, система 51 трехмерной камеры может быть системой камеры, использующей лазерную триангуляцию и стереоскопическую систему обработки данных визуального контроля, по выбору, оборудованную источником света и устройством формирования спекл-структуры для создания света, имеющего спекл-структуру. Кроме того, в качестве альтернативы, система 51 трехмерной камеры является камерой активной выборочной дискретизации волнового фронта, которая имеет двухмерную матрицу пикселей и которая способна к выдаче, для каждого из пикселей, расстояния между камерой и изображаемой точкой объекта.
Практически, любая разновидность системы трехмерной камеры, которая способна к обеспечению трехмерных представлений поверхности сцены, может использоваться в настоящем изобретении.
Предпочтительно, система 51 трехмерной камеры расположена над и, по выбору, позади коровы 50 и направлена вниз и, по выбору, вперед, на спину коровы 50, чтобы давать видеоинформацию с задней и спинной частей коровы, в том числе спинного хребта, маклоков, седалищных костей и корня хвоста.
В качестве альтернативы, система трехмерной камеры расположена над коровой под углом относительно вертикальной плоскости, параллельной с продольным направлением коровы, и направлена по диагонали вниз на корову.
Кроме того, еще, в качестве альтернативы, система трехмерной камеры расположена сбоку от коровы и, по выбору, над коровой и направлена сбоку и, по выбору, вниз, чтобы давать боковое/заднее изображение, показывающее зону между седалищными костями и маклоками коровы, и краем выступов спинного хребта.
Кроме того, в качестве альтернативы, системы трехмерной камеры содержат несколько трехмерных камер, расположенных в разных местоположениях и направленных на корову, чтобы покрывать большую площадь поверхности коровы.
Устройство, согласно изобретению, предпочтительно размещено там, где находятся коровы, например, в пункте кормления, дойки или лежки, оснащенном устройством идентификации коров. Предпочтительно, устройство обеспечивает определение количественного показателя состояния тела каждой коровы неоднократно, с довольно высокой частотой, например, ежедневно.
Кроме того, устройство, согласно изобретению, может быть оперативно присоединено к системе управления стадом и поставляет в нее данные BCS. Таким образом, BCS мог бы отслеживаться и сравниваться с ожидаемым BCS в каждый момент, который отличается по времени, как показано на фиг.1. Ожидаемый BCS мог бы быть статистическими значениями BCS для такого животного или для подобного животного (породы, возраста и т.д.), по выбору, компенсированными увеличивающимся возрастом животного.
Если измеренный BCS отклоняется от ожидаемого BCS на, по меньшей мере, заданную величину, это может активизировать сигнал тревоги или автоматически предпринять действие в отношении животного, например, питание животного могло бы изменяться, например, по своему питательному содержанию, или животное могло бы лечиться некоторым образом посредством автоматического устройства, оперативно присоединенного к системе управления стадом. В частности, вышеприведенное отслеживание важно в первое время, например, первые месяцы после отела, когда BCS падает.
Обработка исходных данных изображения
Обработка исходных данных изображения содержит фильтрацию и сегментацию.
Используемая функция фильтрации комбинирует двухмерное изображение интенсивности с информацией о дальности, чтобы иметь дело с объектами, которые находятся настолько далеко, чтобы давать вводящую в заблуждение информацию о глубине. Объекты, которые находятся далеко, отражают свет с меньшей интенсивностью, чем близко расположенный объект. Пиксели с интенсивностью ниже выбранного значения могут быть локализованы, а значение глубины установлено равным расстоянию на шее коровы. Ложные точки не мешают при регулярной фильтрации. Результат фильтра Винера показан на фиг.6a-b, которые иллюстрируют плотные множества точек исходных нефильтрованных (фиг.6a) и фильтрованных (фиг.6b) данных. Последний этап в последовательности операций фильтрации является идентифицирующим все пиксели, где значение дальности выше выбранного значения, таким образом, становящиеся неинтересными для анализа. Эти точки обычно принадлежат интерьеру коровника, голове коровы и соседней корове. Их значение устанавливается в расстояние шеи коровы.
Затем, изображение сегментируется, то есть изображение подразделяется на многочисленные области (наборы пикселей). Задача сегментации состоит в том, чтобы упростить или заменить представление изображения на нечто, которое является более показательным и более легким для анализа. Сегментация изображения типично используется для локализации объектов и границ (линий, изгибов, и т.д.) в изображении. В этом контексте сегментация используется для идентификации верхней поверхности коровы.
В качестве первичной сегментации чувствительная функция обнаружения краев Канни применяется к фильтрованным данным. Способ Канни находит края, отыскивая локальные максимумы градиента в изображении. Градиент рассчитывается с использованием производной фильтра Гаусса. Способ использует два пороговых значения для обнаружения стабильных и нестабильных краев и включает нестабильные края в выходной сигнал, только если они присоединены к стабильным краям. Этот способ, поэтому, менее вероятно, чем другие, подвергается влиянию шума и, более вероятно, обнаруживает истинные нестабильные края.
Фиг.7 изображает сегментацию данных, выделяющую поверхность коровы.
Распознавание анатомических признаков; нормализация
Так как большинство способов распознавания признаков, главным образом, основаны на геометрической информации, в трехмерных технологиях даже важнее, чем в двухмерных, выполнять надлежащую нормализацию изображения объекта.
Для того, чтобы нормализовать изображение коровы, первый этап состоит в том, чтобы найти характерные или опорные точки, которые будут служить в качестве контрольных точек для последовательности операций нормализации. Характерными точками, рассматриваемыми для нормализации, являются корень хвоста, седалищные кости, маклоки и спинной хребет. Изображение коровы нормализуется последовательностью поворотов и смещений на основании местоположения и взаимного расположения характерных точек.
В качестве первичной локализации коровы в изображении локализуется значение минимальной дальности, которое всегда принадлежит точке на хвосте. Коровы обычно фотографируются под углом около 45° с их спины, с тем, чтобы находить местоположение и ориентацию спинного хребта; изображения поворачиваются на 45° вокруг оси x. Данные изображения могут быть довольно редкими, но посредством съемки срезов коровы может быть обнаружен локальный минимум на каждом срезе, представляющий наивысшую точку на спине коровы в такой зоне. Все точки вместе образуют форму спинного хребта. Через эти точки приближенно выражается линия средних значений, и изображения автоматически смещаются и поворачиваются, чтобы подогнать линию спинного хребта к оси y. Это сопровождается идентификацией маклоков посредством поворота изображения влево и вправо и нахождения локальных минимумов в этих направлениях. Итерационным образом корова выравнивается так, что спинной хребет придерживается оси y, а подвздошные кости находятся в плоскости, нормальной к плоскости xy, симметрично вокруг оси x. В качестве альтернативы или дополнительно, подвздошные кости и/или корень хвоста используются для последовательностей операций поворота и смещения.
Расстояние между маклоками может использоваться для масштабирования изображения. В качестве альтернативы, другие признаки используются для масштабирования, такие как длина животного, длина спинного хребта, расстояние между седалищными костями и т.д.
Нормализация используется для обеспечения способности к получению правильных количественных показателей состояния тела независимо от размера животного, расстояния между системой камеры и животным, и угла обзора системы камеры.
Фиг.8a изображает глобальный минимум, найденный для локализации. Фиг.8b изображает данные, смещенные и повернутые. Были локализованы спинной хребет и маклоки.
Выделение признаков
Обычно интересны два разных способа обнаружения корреляций между параметрами и BCS: глобальный способ, использующий статистические характеристики поверхностей модифицированных изображений дальности и поверхностей, и локальный способ, где изгибы и углы подгоняются к контурам.
Последний способ показал хорошие результаты на контролируемых изображениях, но анатомические точки, которые указывают BCS, не всегда соответствуют явным видимым контурам. При автоматическом выделении характерных точек точность идентификации ограничена. Фиг.9 изображает точность определения местонахождения маклоков в двух изображениях одной коровы, снятой при одном и том же удобном случае. Также есть большие различия между отдельными коровами по форме, которая делает обоснованным другой подход, то есть глобальный подход со статистическим анализом поверхностей.
В общих чертах, заинтересованность в устойчивом к ошибкам распознавании признаков значительно выросла в последнее время. В течение последних лет были разработаны многие новые системы, которые могут хранить биометрическую информацию, такую как строение лица, отпечаток пальца или голос, для того, чтобы их использовать для верификации в тех случаях, когда требуется обеспечение безопасности. В последнее время многие применения распознавания двухмерных признаков были осуществлены с оптимальными результатами, полученными для изображений, полученных в контролируемых условиях. Основными ограничениями этих технологий являются: во-первых, влияние освещения, так как затененные части коровы могут вводить в заблуждение последовательность операций верификации, а во-вторых, изменения позы.
Однако как люди, так и коровы являются трехмерными, значит проецирование их в качестве двухмерных объектов способствует потере информации. С развитием и усовершенствованием устройств получения трехмерных данных, по большей части, технологии трехмерного распознавания лиц приобрели больший интерес. В наши дни это одна из наиболее мощных тематик в рамках биометрии. Хотя корова отличается от лица человека по многим аспектам, могло бы быть полезным использовать инструментальные средства распознавания трехмерных признаков лица.
Вследствие новизны технологий распознавания трехмерных признаков есть немного опубликованных результатов. Вообще, рассматриваются два вида аспектов: во-первых, использование данных дальности, преобразующее трехмерную информацию в двухмерную карту глубин или расстояние до системы сбора данных, а во-вторых, использование трехмерного сетчатого представления объекта. При комбинировании разных глобальных статистических характеристик необходимо объединять два аспекта.
Статистические характеристики
Многие участки изображения коровы лишены резких краев в зонах спинной и поясничной области за исключением окклюзии впереди маклоков. В этих зонах найдено, что текстура поверхности должна быть разной для тощих и тучных животных, поскольку кости, такие как позвоночник спины животного, гораздо яснее отмечены у тощего животного, чем у тучного животного. Таким образом, измерения текстуры изображения могут использоваться для классификации коров согласно их количественному показателю состояния тела. Текстура зачастую количественно описывается своей зернистостью, в смысле нестрогости или неровности в текстуре. Зернистость имеет отношение к пространственному периоду повторения местной структуры. Больший период подразумевает более неровную структуру, тогда как небольшой период означает ровную структуру. Важно осознавать, что зернистость является относительной характеристикой текстуры в окрестности точки изображения. Так как текстура является пространственным свойством, измерения должны быть ограничены относительно однородных областей. Это имеет место у спинной области. Вследствие окклюзии позади маклоков и меняющейся кривизны около корня хвоста было обнаружено, что меньшая область одной трети ширины боковой поверхности таза и бедра и удвоенное расстояние в длину должны быть хорошим вариантом для статистической оценки. Должно быть принято во внимание, что меньшая область не включает в себя больших или сильно выступающих признаков, таких как подвздошные кости, седалищные кости или корень хвоста. Предпочтительно, меньшая область расположена спереди корня хвоста. Было показано, что неровность поверхности этой области хорошо соотносится с BCS животного, и что эта область обеспечивает данные, которые не очень чувствительны к шуму, углу обзора и т.д.
Для анализа структуры или неровности поверхности статистическим образом может быть необходимым создавать квадратичную интерполяцию с использованием сетчатой функции для получения поверхности с равноотстоящими значениями.
Часто используемый подход для анализа структуры основан на статистических свойствах гистограммы локального признака. Широко используемые дескрипторы, основанные на гистограмме h(z) области, рассчитываются с использованием моментов вокруг среднего, как описано ниже:
Среднее значение
Среднеквадратическое отклонение
Монотонность
Несимметричность
Равномерность
Энтропия
В дополнение, могут вычисляться ширина гистограммы и ширина на значении полумаксимума, а также параметры кривой, кубически подогнанной к гистограмме.
Спектральные характеристики текстуры, основанные на спектре Фурье, хорошо пригодны для описания направленности двухмерных профилей в изображении глубины. Так как зернистость текстуры пропорциональна ее пространственному периоду, область неровной текстуры, сопоставимой с тощей коровой, должна иметь свою спектральную энергию Фурье, сосредоточенную на низких пространственных частотах. Равным образом, гладкие области, такие как спина тучной коровы, должны демонстрировать сосредоточение спектральной энергии на высоких пространственных частотах. Интерпретация спектральных признаков упрощается выражением спектра в полярных координатах в качестве функции S(r, θ), где r - частота, а θ - направление. Дескрипторы получаются посредством суммирования для дискретных переменных:
Для каждого направления θ, S(r, θ) рассматривается в качестве одномерной функции Sθ(r), которая дает характеристики спектра вдоль радиального направления для фиксированного θ, и, подобным образом, для каждой частоты r, Sr(θ) оценивается дающей характеристики вдоль окружности, центрированной в центре координат. Были вычислены следующие дескрипторы обобщенных функций: среднее значение, отклонение, максимальное значение и разность между максимальным значением и средним значением S(r) и S(θ), соответственно.
Параметры признаков для статистических характеристик
Для того, чтобы найти оптимальные параметры для связывания с количественным показателем состояния тела, исследованы статистические свойства разных параметров поверхности. Было проанализировано четыре специфичных параметра формы: значения дальности или глубины, значения демпфированной дальности или вычтенной глубины, градиенты в точке и нормали к поверхности. Значения дальности измеряются от плоскости xy в нормализованных данных, установленных для поверхности, и описывают форму спины. В попытке исключить отдельные флуктуации сильно фильтрованное изображение вычитается из изначально фильтрованного, и значения дальности, которые измерены от плоскости xy в таком вычтенном изображении, указываются ссылкой как демпфированные значения дальности. Идея состоит в том, что сильный фильтр оставляет только базовый профиль коровы, и вычитание изображений должно оставить только флуктуации, обусловленные упитанностью. Гистограммы расстояния, все-таки, являются проблематичными, когда дальность по глубине может находиться под влиянием других объектов или фоновых помех.
Что касается переменной, менее чувствительной к идеальной нормализации, интересно исследовать градиент. Градиент функции двух переменных z=f(x,y) определен как
и может быть представлен в качестве набора векторов, указывающих в направлении увеличения значения f. Норма этих векторов в каждой точке описывает форму спины.
Другой способ проанализировать кривизну поверхности происходит посредством нормалей к поверхности. Нормали к поверхности могут быть легко рассчитаны по первым производным изображениям. После обычной нормализации могли бы быть значимыми два компонента результирующего вектора. Исследование показало, что представление в качестве пары углов (φ, θ) дает достоверные результаты. При заданной ориентированной точке p, с вектором (nx, ny, nz) нормали, нормаль может быть определена двумя угловыми параметрами: φ и θ.
Эти параметры представлены в отображении N o:
φ представляет отклонения в плоскости xy, а θ дает отклонения нормали вокруг оси z.
Есть другие специфичные по форме параметры, которые легки для расчета, устойчивы к изменениям точки обзора, и которые содержат в себе важную информацию. Двумя интересующими параметрами являются поворотные изображения и кривизна поверхности.
Поворотные изображения являются глобальным способом совмещения, разработанным А.Е. Джонсоном на основании локального описания характеристик поверхности, преобразования трехмерной информации в двухмерное изображение, ассоциативно связанное с каждой ориентированной точкой на поверхности, (см. A.E. Johnson «Spin Images: A representation for 3-D Surface Matching» («Поворотные изображения: представление для отображения трехмерных поверхностей»), докторская диссертация, Институт роботостроения, Университет Карнеги-Меллона, 1997 год). При заданной ориентированной точке p каждая другая точка p i может быть определена, с опорой на p, двумя параметрами: α и β, см. фиг.10. Эти параметры представлены в отображении S o:
С кодированием плотности точек в отображении может быть создано двухмерное матричное представление поворотного изображения. Это изображение представляет относительное расстояние между ориентированной точкой и другими точками в данных. Поэтому оно было бы подобным пространственной гистограмме.
Кривизна поверхности может рассчитываться либо непосредственно по первой и второй производным, либо опосредованно в качестве скорости изменения ориентации нормали в определенной локальной области контекста. Кривизна K Гаусса и усредненная кривизна H сильно коррелированны и, таким образом, дают плохое представление. Взамен, G. Hetzel, B. Leibe, P. Levi, B. Schiele, в «3D Object Recognition from Range Images using Local Feature Histograms» («Распознавание трехмерных объектов по изображениям измерения дальности с использованием гистограмм локальных признаков»), Доклады конференции компьютерного сообщества IEEE 2001 года по техническому зрению и распознаванию образов 2:11394-11399, 2001 описывают кривизну показателем формы, который может использоваться в настоящем изобретении.
Исследование параметров признаков в данных
Четыре параметра признаков, дальность, демпфированная дальность, градиент и нормаль к поверхности, вместе со всеми статистическими параметрами дают в результате около девяноста факторов для анализа. Чтобы сделать первое исключение и понять, какие факторы могли бы быть более значимыми, чем другие, создана простая модель коровы с разным состоянием тела. Модель создана, посредством использования интерполированной поверхности из изображения реальной коровы, с количественным показателем состояния тела 3,0. Значение z данных манипулируется коэффициентом, находящимся в диапазоне от 0,8 до 1,2. Меньшие значения имитируют тучную корову, делая спину площе, а большие значения дают более костлявую и тощую имитационную модель коровы. Фиг.11 дает общее представление о том, каким образом работает модель.
Тестирование на модели имело следствием около тридцати параметров с умеренным изменением значения между манипулируемыми изображениями. 30 статистических параметров рассчитываются для каждого изображения ради потенциально возможного влияния на количественный показатель состояния тела и отдельно записываются. Если какое-нибудь значение параметра давало результат в качестве NaN (нет числа), изображение считается имеющим недостаточное качество и исключается из дальнейшей оценки. Записываемые параметры признаков перечислены в Таблице 4.1.
Таблица 4.1.
Параметры признаков для отражения количественного показателя состояния тела |
|
Изображение значения дальности | Среднее значение и среднеквадратическое отклонение Ширина и ширина на полумаксимуме гистограммы |
Изображение значения демпфированной дальности | - |
Изображение градиента | Среднее значение и среднеквадратическое отклонение Ширина и ширина на полумаксимуме гистограммы |
Изображение нормалей к поверхности, φ | - |
Изображение нормалей к поверхности, φ | Среднее значение и среднеквадратическое отклонение Гистограмма: ширина, среднее значение, среднеквадратическое отклонение; гладкость, монотонность, энтропия и коэффициенты и характеристики подобранной кубической кривой Фурье: Все параметры |
Средняя величина каждого параметра рассчитывается для каждой последовательности 5 изображений из одной фотографии. Корреляция и взаимная корреляция параметров с количественным показателем состояния тела, вместе с близостью параметра, чтобы следовать известному отклонению BCS в течение месяца после отела, используются для анализа моделей для предсказания. Только результаты с высоким коэффициентом корреляции >0,5 рассматриваются для модели. Достоверность параметра может быть проверена сравнением разброса значений в одном записанном изображении с динамическим диапазоном.
Две модели используются для этого набора параметров.
Первая модель включает в себя только линейную комбинацию лучше коррелированных параметров в качестве предсказаний BCS. Они пронумерованы 4: среднее значение дальности, 5: среднеквадратическое отклонение значения дальности, 8: средняя норма градиента, 14: средняя величина θ, угловое отклонение от оси z, 18: равномерность в гистограмме θ, 20: равномерность в гистограмме θ, 30: среднее значение S(θ), описывающее случайность формы. Так как кажется, что зависимость между BCS и отдельными параметрами 4, 5, 18 и 20 должна иметь квадратичное соотношение, была создана модель второй степени, делающая попытку учесть квадратичное соотношение.
Линейная модель (модель 1), независящая от отдельных коров, определена как
где: k i - BCS изображения i; p ni - nый параметр i ого изображения, c n - коэффициенты модели, а C - отрезок, который определяют на основании вручную определенных значений BCS для некоторого количества животных.
Квадратическая модель (модель 2) этих параметров определена в качестве
где c' n - коэффициенты модели, соответствующие возведенным в квадрат параметрам. Для обеих моделей неизвестные коэффициенты для предсказания значения BCS выявляются применением метода наименьших квадратов к параметрам.
Вышеприведенные модели могут калиброваться и повторно калиброваться посредством сравнения BCS моделей с ручными определениями BCS, произведенными экспертами.
В качестве альтернативы искусственные нейронные сети используются для комбинирования статистических характеристик для определения количественного показателя состояния тела для коровы. Модель может использовать наборы данных по коровам с известными меняющимися количественными показателями состояния тела, чтобы постепенно улучшать правильность и точность.
Альтернативные анатомические признаки, параметры признаков и статистические характеристики
Фиг.12 изображает нормализованное трехмерное представление поверхности спины коровы, которое снято системой 51 трехмерной камеры устройства согласно изобретению.
Фиг.13-16 изображают различные анатомические признаки и параметры признаков поверхности у нормализованного трехмерного представления поверхности, которые могут использоваться в настоящем изобретении. Как правило, параметрами признаков могут быть длина, глубина, угол, расстояние и т.д. для специфичных анатомических признаков в трехмерном представлении поверхности, которые чувствительны к состоянию тела и менее чувствительны к суточным отклонениям, подобным питью и еде, а также стадиям осеменения/лактации. Другими параметрами признаков могут быть порода, возраст, стадия лактации и т.д.
Фиг.13a изображает один из интересных анатомических признаков, а именно позвоночник коровы. Острота позвоночника является хорошим индикатором количественного показателя состояния тела, и параметры признаков, представляющие остроту позвоночника, включают в себя ширину позвоночника на расстоянии D от его верхушек, и углы наклона альфа позвоночника, как иллюстрируется на фиг.13b.
Фиг.14a изображает другие анатомические признаки, а именно маклоки. Параметры признаков включают в себя высоту D маклоков и углы альфа1 и альфа2, как иллюстрируется на фиг.14b.
Фиг.15a изображает короткие ребра коровы, и соответствующими параметрами могут быть расстояния D, как иллюстрируется на фиг.15b.
Фиг.16, в заключение, изображает впадины между корнем хвоста и седалищными костями. Соответствующими параметрами могут быть глубины и размеры этих впадин.
Параметры признаков, проиллюстрированные на фиг.13-16, рассчитываются по части трехмерного представления поверхности, которое включает в себя соответствующий(ие) признак(и). По выбору, статистические характеристики, например, как любые из раскрытых ранее в этом описании, могут рассчитываться для параметров признаков, проиллюстрированных на фиг.13-16.
Кроме того, дополнительно, параметры признаков, описанные ранее в этом описании, могут применяться для анатомических признаков, проиллюстрированных на фиг.13-16.
Claims (19)
1. Животноводческое устройство, содержащее систему управления стадом и устройство для определения количественного показателя состояния тела животного, оперативно присоединенное к системе управления стадом и предусмотренное для снабжения системы управления стадом определенным количественным показателем состояния тела животного (50), при этом
устройство для определения количественного показателя состояния тела животного содержит:
систему (51) трехмерной камеры, предусмотренную для направления на животное и для записи, по меньшей мере, одного трехмерного изображения животного; и
устройство (52) обработки изображений, присоединенное к системе (51) трехмерной камеры и предусмотренное для формирования трехмерного представления поверхности части животного из трехмерного изображения, записанного системой (51) трехмерной камеры, причем
устройство (52) обработки изображений выполнено с возможностью проведения статистического анализа поверхности указанного трехмерного представления поверхности и для определения количественного показателя состояния тела животного на основании статистически проанализированной поверхности указанного трехмерного представления поверхности, при этом
статистический анализ включает в себя расчет статистических характеристик гистограммы параметра признака поверхности указанного трехмерного представления поверхности, и
статистические характеристики содержат среднее значение, среднеквадратическое отклонение, монотонность, несимметричность, равномерность, энтропию, ширину гистограммы, ширину на значении полумаксимума и/или параметры кривой, подогнанной к гистограмме.
устройство для определения количественного показателя состояния тела животного содержит:
систему (51) трехмерной камеры, предусмотренную для направления на животное и для записи, по меньшей мере, одного трехмерного изображения животного; и
устройство (52) обработки изображений, присоединенное к системе (51) трехмерной камеры и предусмотренное для формирования трехмерного представления поверхности части животного из трехмерного изображения, записанного системой (51) трехмерной камеры, причем
устройство (52) обработки изображений выполнено с возможностью проведения статистического анализа поверхности указанного трехмерного представления поверхности и для определения количественного показателя состояния тела животного на основании статистически проанализированной поверхности указанного трехмерного представления поверхности, при этом
статистический анализ включает в себя расчет статистических характеристик гистограммы параметра признака поверхности указанного трехмерного представления поверхности, и
статистические характеристики содержат среднее значение, среднеквадратическое отклонение, монотонность, несимметричность, равномерность, энтропию, ширину гистограммы, ширину на значении полумаксимума и/или параметры кривой, подогнанной к гистограмме.
2. Животноводческое устройство по п.1, в котором в устройстве для определения количественного показателя состояния тела животного, по меньшей мере, одно трехмерное изображение животного содержит двухмерное изображение животного, при этом для каждого пикселя двухмерного изображения предусмотрено расстояние между системой (51) трехмерной камеры и изображаемой точкой объекта.
3. Животноводческое устройство по п.1, в котором в устройстве для определения количественного показателя состояния тела животного статистический анализ включает в себя анализ неровности поверхности указанного трехмерного представления поверхности.
4. Животноводческое устройство по п.1, в котором в устройстве для определения количественного показателя состояния тела животного статистический анализ включает в себя статистический анализ градиентов поверхности, нормалей к поверхности и/или значений дальности или глубины поверхности указанного трехмерного представления поверхности.
5. Животноводческое устройство по п.1, в котором в устройстве для определения количественного показателя состояния тела животного статистический анализ включает в себя статистический анализ спектральных мер неровности поверхности указанного трехмерного представления поверхности.
6. Животноводческое устройство по п.1, в котором в устройстве для определения количественного показателя состояния тела животного статистический анализ включает в себя статистический анализ кривизны поверхности или поворотных изображений поверхности указанного трехмерного представления поверхности.
7. Животноводческое устройство по п.1, в котором в устройстве для определения количественного показателя состояния тела животного статистический анализ включает в себя статистический анализ параметров признаков позвоночника животного.
8. Животноводческое устройство по п.1, в котором в устройстве для определения количественного показателя состояния тела животного статистический анализ включает в себя статистический анализ параметров признаков маклоков животного.
9. Животноводческое устройство по п.1, в котором в устройстве для определения количественного показателя состояния тела животного статистический анализ включает в себя статистический анализ параметров признаков ребер животного.
10. Животноводческое устройство по п.1, в котором в устройстве для определения количественного показателя состояния тела животного статистический анализ включает в себя статистический анализ параметров признаков впадин между корнем хвоста и седалищными костями животного.
11. Животноводческое устройство по п.1, в котором в устройстве для определения количественного показателя состояния тела животного часть животного является участком спины и/или поясничного отдела животного.
12. Животноводческое устройство по п.11, в котором в устройстве для определения количественного показателя состояния тела животного часть животного имеет площадь, которая гораздо меньше, чем площадь спины животного, и которая расположена впереди корня хвоста и достаточно узка, чтобы не включать в себя подвздошные и седалищные кости животного.
13. Животноводческое устройство по п.1, в котором в устройстве для определения количественного показателя состояния тела животного
устройство (52) обработки изображений предусмотрено для нормализации трехмерного представления поверхности части животного перед анализом трехмерного представления поверхности; и
нормализация предварена поиском опорных точек в трехмерном представлении поверхности части животного, которые будут служить в качестве контрольных точек для нормализации, при этом опорные точки включают в себя любое из корня хвоста, седалищных костей, маклоков и спинного гребня животного.
устройство (52) обработки изображений предусмотрено для нормализации трехмерного представления поверхности части животного перед анализом трехмерного представления поверхности; и
нормализация предварена поиском опорных точек в трехмерном представлении поверхности части животного, которые будут служить в качестве контрольных точек для нормализации, при этом опорные точки включают в себя любое из корня хвоста, седалищных костей, маклоков и спинного гребня животного.
14. Животноводческое устройство по п.13, в котором в устройстве для определения количественного показателя состояния тела животного трехмерное представление поверхности части животного выполнено с возможностью нормализации посредством вращения, смещения и масштабирования на основании местоположения опорных точек.
15. Животноводческое устройство по п.1, в котором в устройстве для определения количественного показателя состояния тела животного устройство (52) обработки изображений предусмотрено для обработки трехмерного изображения перед формированием трехмерного представления поверхности, при этом
обработка трехмерного изображения содержит фильтрацию трехмерного изображения; и
фильтрация содержит удаление измерительных точек изображения в зависимости от их значения интенсивности и/или от их информации о расстоянии.
обработка трехмерного изображения содержит фильтрацию трехмерного изображения; и
фильтрация содержит удаление измерительных точек изображения в зависимости от их значения интенсивности и/или от их информации о расстоянии.
16. Животноводческое устройство по п.15, в котором в устройстве для определения количественного показателя состояния тела животного обработка трехмерного изображения содержит сегментацию трехмерного изображения.
17. Животноводческое устройство по п.1, в котором в устройстве для определения количественного показателя состояния тела животного система (51) трехмерной камеры является камерой с реле времени определения дальности или камерой активной выборочной дискретизации волнового фронта.
18. Животноводческое устройство по п.1 или 16, в котором в устройстве для определения количественного показателя состояния тела животного система (51) трехмерной камеры расположена над и, по выбору, позади животного (50) и направлена вниз и, по выбору, вперед, на спину животного (50) для передачи видеоинформации с задней и спинной частей животного.
19. Животноводческое устройство по п.1 или 16, в котором в устройстве для определения количественного показателя состояния тела животного система трехмерной камеры расположена сбоку от животного и, по выбору, над животным и направлена сбоку и, по выбору, вниз для передачи бокового/заднего изображения животного, показывающего зону между седалищными костями и маклоками.
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
SE0802521-5 | 2008-12-03 | ||
SE0802521 | 2008-12-03 | ||
PCT/EP2009/064512 WO2010063527A1 (en) | 2008-12-03 | 2009-11-03 | Arrangement and method for determining a body condition score of an animal |
Publications (2)
Publication Number | Publication Date |
---|---|
RU2011127180A RU2011127180A (ru) | 2013-01-10 |
RU2543948C2 true RU2543948C2 (ru) | 2015-03-10 |
Family
ID=41464293
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
RU2011127180/08A RU2543948C2 (ru) | 2008-12-03 | 2009-11-03 | Устройство и способ определения количественного показателя состояния тела животного |
Country Status (8)
Country | Link |
---|---|
US (1) | US9684956B2 (ru) |
EP (1) | EP2370952B1 (ru) |
JP (1) | JP5519693B2 (ru) |
AU (1) | AU2009321691B2 (ru) |
CA (1) | CA2744146C (ru) |
NZ (1) | NZ592531A (ru) |
RU (1) | RU2543948C2 (ru) |
WO (1) | WO2010063527A1 (ru) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2677136C1 (ru) * | 2018-01-17 | 2019-01-15 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Российский государственный аграрный университет - МСХА имени К.А. Тимирязева" (ФГБОУ ВО РГАУ - МСХА имени К.А. Тимирязева) | Способ и устройство дистанционной фиксации физиологического состояния вымени и доильных сосков сельскохозяйственных животных |
RU2785149C2 (ru) * | 2018-02-26 | 2022-12-05 | ТАЧЛЕСС ЭНИМЕЛ МЕТРИКС, ЭсЭл | Способ и устройство для получения характеристик живых особей на расстоянии |
Families Citing this family (68)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8565490B2 (en) * | 2004-07-01 | 2013-10-22 | David A. Krien | Computerized imaging of sporting trophies and method of providing a replica |
US20110028212A1 (en) * | 2004-07-01 | 2011-02-03 | David Krien | Computerized Imaging of Sporting Trophies and Method of Providing a Replica |
WO2010023122A2 (en) * | 2008-08-29 | 2010-03-04 | Delaval Holding Ab | Arrangement and method for determining positions of the teats of a milking animal |
AU2010218298A1 (en) | 2009-02-27 | 2011-10-13 | Body Surface Translations, Inc. | Estimating physical parameters using three dimensional representations |
US9628755B2 (en) * | 2010-10-14 | 2017-04-18 | Microsoft Technology Licensing, Llc | Automatically tracking user movement in a video chat application |
WO2012138290A1 (en) * | 2011-04-05 | 2012-10-11 | Delaval Holding Ab | Animal handling arrangement and method |
US9058657B2 (en) * | 2011-04-28 | 2015-06-16 | Technologies Holdings Corp. | System and method for filtering data captured by a 3D camera |
GB2504454B (en) * | 2012-05-30 | 2017-05-17 | Waterall Gary | Health assessment apparatus |
US9167800B2 (en) | 2012-06-04 | 2015-10-27 | Clicrweight, LLC | Systems for determining animal metrics and related devices and methods |
US8588476B1 (en) | 2012-06-04 | 2013-11-19 | Clicrweight, LLC | Systems for determining animal metrics and related devices and methods |
WO2014018531A1 (en) * | 2012-07-23 | 2014-01-30 | Clicrweight, LLC | Body condition score determination for an animal |
EP2698763A1 (de) * | 2012-08-14 | 2014-02-19 | Hölscher & Leuschner GmbH & Co. | Verfahren zur Analyse eines lebenden Nutztieres |
DE202013002484U1 (de) * | 2013-03-15 | 2014-06-17 | Csb-System Ag | Vorrichtung zur volumetrischen Vermessung eines Schlachttierkörperobjekts |
US20150043788A1 (en) * | 2013-07-22 | 2015-02-12 | Clicrweight, LLC | Determining and Validating a Posture of an Animal |
NL2011952C2 (en) * | 2013-12-12 | 2015-06-15 | Lely Patent Nv | Method and device to monitor growth of an animal, in particular a calf. |
US9392254B2 (en) * | 2014-02-28 | 2016-07-12 | John Clinton Barkley | Game sizing camera |
NL2012540B1 (en) | 2014-04-01 | 2016-02-15 | Lely Patent Nv | An arrangement and method to determine a body condition score of an animal. |
JP2015232746A (ja) * | 2014-06-09 | 2015-12-24 | パナソニックIpマネジメント株式会社 | 皺検出装置および皺検出方法 |
EP2957861A1 (en) * | 2014-06-17 | 2015-12-23 | Expert Ymaging, SL | Device and method for automated parameters calculation of an object |
DE202014005891U1 (de) * | 2014-07-22 | 2015-10-27 | Csb-System Ag | Vorrichtung zur optischen Geschlechtserkennung eines Schlachtschweins |
WO2016023075A1 (en) * | 2014-08-13 | 2016-02-18 | Meat & Livestock Australia Limited | 3d imaging |
US9265463B1 (en) * | 2014-12-22 | 2016-02-23 | Medical Metrics, Inc. | Methods for determining spine instability and for eliminating the impact of patient effort on stability determinations |
US10639014B2 (en) | 2015-02-27 | 2020-05-05 | Biondi Engineering Sa | Method and relevant apparatus for the determination of the body condition score, body weight and state of fertility |
ITUB20150404A1 (it) * | 2015-02-27 | 2016-08-27 | Ingenera Sa | Metodo e relativo apparato per la determinazione senza contatto del punteggio di condizione corporea e del peso di un animale. |
JP6824199B2 (ja) | 2015-07-01 | 2021-02-03 | ヴァイキング ジェネティクス エフエムベーア | 背の画像に基づき個々の動物を識別するシステム及び方法 |
WO2017030448A1 (en) * | 2015-08-17 | 2017-02-23 | Livestock Improvement Corporation Limited | Method and apparatus for evaluating an animal |
NL2015326B1 (en) * | 2015-08-21 | 2017-03-13 | Lely Patent Nv | Method and device to automatically detect calving. |
SE1650117A1 (en) | 2015-11-04 | 2017-05-05 | Delaval Holding Ab | System and Method for Imaging and Processing Animal Data |
WO2017078600A1 (en) | 2015-11-04 | 2017-05-11 | Delaval Holding Ab | System and method for imaging and processing animal data |
WO2017154184A1 (ja) * | 2016-03-10 | 2017-09-14 | 富士通株式会社 | 電子機器、体形判定プログラム、およびシステム |
JP6525271B2 (ja) * | 2016-03-28 | 2019-06-05 | 国立研究開発法人農業・食品産業技術総合研究機構 | 残餌量測定装置および残餌量測定用プログラム |
CN105844534A (zh) * | 2016-04-08 | 2016-08-10 | 北京农业信息技术研究中心 | 奶牛体况自动评分方法及装置 |
WO2017187719A1 (ja) * | 2016-04-28 | 2017-11-02 | 国立大学法人大阪大学 | 健康状態推定装置 |
US9807971B1 (en) | 2016-08-17 | 2017-11-07 | Technologies Holdings Corp. | Vision system with automatic teat detection |
US10499607B2 (en) | 2016-08-17 | 2019-12-10 | Technologies Holdings Corp. | Vision system for teat detection |
US9936670B2 (en) * | 2016-08-17 | 2018-04-10 | Technologies Holdings Corp. | Vision system with teat detection |
US10499609B2 (en) * | 2016-08-17 | 2019-12-10 | Technologies Holdings Corp. | Vision system for teat detection |
US10349613B2 (en) * | 2016-08-17 | 2019-07-16 | Technologies Holdings Corp. | Vision system for teat detection |
US9807972B1 (en) * | 2016-08-17 | 2017-11-07 | Technologies Holdings Corp. | Vision system with leg detection |
US10558855B2 (en) | 2016-08-17 | 2020-02-11 | Technologies Holdings Corp. | Vision system with teat detection |
US10817970B2 (en) | 2016-08-17 | 2020-10-27 | Technologies Holdings Corp. | Vision system with teat detection |
US10349615B2 (en) * | 2016-08-17 | 2019-07-16 | Technologies Holdings Corp. | Vision system for teat detection |
US10477827B2 (en) | 2016-08-17 | 2019-11-19 | Technologies Holdings Corp. | Vision system for teat detection |
US9984470B2 (en) * | 2016-08-17 | 2018-05-29 | Technologies Holdings Corp. | Vision system with tail detection |
US20200093093A1 (en) * | 2016-12-13 | 2020-03-26 | Delaval Holding Ab | Method, control unit and system to group feed animals |
WO2018135993A1 (en) * | 2017-01-23 | 2018-07-26 | Delaval Holding Ab | Method and arrangement for animal feeding management |
US10825359B2 (en) * | 2017-03-23 | 2020-11-03 | Ford Global Technologies, Llc | Method and system for anthropomorphic testing device |
WO2018194270A1 (ko) * | 2017-04-18 | 2018-10-25 | 엘지전자 주식회사 | 액세스 금지 체크를 수행하는 방법 및 장치 |
US10796141B1 (en) * | 2017-06-16 | 2020-10-06 | Specterras Sbf, Llc | Systems and methods for capturing and processing images of animals for species identification |
US20190045361A1 (en) * | 2017-10-30 | 2019-02-07 | Intel IP Corporation | Secure sounding arrangement |
PL3531373T3 (pl) * | 2018-02-26 | 2022-08-08 | Touchless Animal Metrics, Sl | Sposób i urządzenie do charakteryzowania żywych osobników z odległości |
JP7062277B2 (ja) * | 2018-04-24 | 2022-05-06 | 国立大学法人 宮崎大学 | 牛のボディコンディションスコアの評価装置、評価方法及び評価プログラム |
BR112021004231A2 (pt) * | 2018-09-07 | 2021-05-25 | Can Technologies, Inc | sistema e método para medição de uma métrica de desempenho de mercado de um animal, e, método para manejo da saúde de um animal. |
CN112805720B (zh) * | 2018-10-10 | 2024-05-31 | 利拉伐控股有限公司 | 使用视觉技术的动物标识 |
US11178856B2 (en) * | 2018-10-30 | 2021-11-23 | International Business Machines Corporation | Cognitive hive architecture |
US11771062B2 (en) * | 2019-05-10 | 2023-10-03 | Lely Patent N.V. | Ruminant animal monitoring system |
CN110400310A (zh) * | 2019-07-31 | 2019-11-01 | 宁夏金宇智慧科技有限公司 | 一种奶牛体况自动评分系统 |
KR102355681B1 (ko) * | 2019-10-31 | 2022-01-26 | (주)씽크포비엘 | 가축사양표준에 기초한 가축사양관리 가이드 제공 방법 |
CN111145240A (zh) * | 2019-11-18 | 2020-05-12 | 西宁市动物疫病预防控制中心(挂西宁市畜牧兽医站牌子) | 一种基于3d相机的活体西门塔尔牛体尺在线测量方法 |
CN110907132B (zh) * | 2019-12-13 | 2022-06-07 | 中国人民解放军军事科学院国防科技创新研究院 | 一种波向探测方法、系统、设备、介质 |
US11508016B1 (en) * | 2020-02-04 | 2022-11-22 | Avalara, Inc. | Determining a resource for a place based on three-dimensional coordinates that define the place |
CN111353416B (zh) * | 2020-02-26 | 2023-07-07 | 广东温氏种猪科技有限公司 | 基于牲畜三维测量的姿态检测方法、系统及存储介质 |
CA3174258A1 (en) * | 2020-10-14 | 2022-04-21 | One Cup Productions Ltd. | Animal visual identification, tracking, monitoring and assessment systems and methods thereof |
US11089762B1 (en) * | 2020-10-15 | 2021-08-17 | Ecto, Inc. | Methods for generating consensus biomass estimates |
CN112825791B (zh) * | 2020-12-25 | 2023-02-10 | 河南科技大学 | 一种基于深度学习与点云凸包化特征的奶牛体况评分方法 |
NL2027558B1 (nl) * | 2021-02-15 | 2022-09-13 | Lely Patent Nv | Systeem voor bewaken van een afkalvend zoogdier |
WO2022186329A1 (ja) * | 2021-03-05 | 2022-09-09 | 国立研究開発法人農業・食品産業技術総合研究機構 | 牛の評価装置及び牛の評価方法 |
WO2023190352A1 (ja) * | 2022-03-29 | 2023-10-05 | 学校法人東京理科大学 | 生育状況評価システム |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5412420A (en) * | 1992-10-26 | 1995-05-02 | Pheno Imaging, Inc. | Three-dimensional phenotypic measuring system for animals |
RU2189174C1 (ru) * | 2001-09-17 | 2002-09-20 | Вовченко Дмитрий Григорьевич | Способ воссоздания трехмерной поверхности тела человека и установка для его осуществления |
RU2237284C2 (ru) * | 2001-11-27 | 2004-09-27 | Самсунг Электроникс Ко., Лтд. | Способ генерирования структуры узлов, предназначенных для представления трехмерных объектов с использованием изображений с глубиной |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6377353B1 (en) | 2000-03-07 | 2002-04-23 | Pheno Imaging, Inc. | Three-dimensional measuring system for animals using structured light |
KR100450823B1 (ko) | 2001-11-27 | 2004-10-01 | 삼성전자주식회사 | 깊이 이미지 기반 3차원 물체의 표현을 위한 노드 구조 |
IL150915A0 (en) | 2002-07-25 | 2003-02-12 | Vet Tech Ltd | Imaging system and method for body condition evaluation |
US7399220B2 (en) * | 2002-08-02 | 2008-07-15 | Kriesel Marshall S | Apparatus and methods for the volumetric and dimensional measurement of livestock |
US6974373B2 (en) | 2002-08-02 | 2005-12-13 | Geissler Technologies, Llc | Apparatus and methods for the volumetric and dimensional measurement of livestock |
DE10239674A1 (de) | 2002-08-26 | 2004-03-11 | Hölscher & Leuschner GmbH & Co | Verfahren zur Überwachung von Mastschweinen auf Vermarktungsreife |
GB0313759D0 (en) * | 2003-06-13 | 2003-07-23 | The Technology Partnership Plc | Fluid sampling components |
DE102006044037A1 (de) | 2006-09-14 | 2008-03-27 | Hölscher & Leuschner GmbH & Co. | Überwachungseinrichtung und Überwachungsverfahren für Tiere |
US8369579B2 (en) | 2006-12-21 | 2013-02-05 | Massachusetts Institute Of Technology | Methods and apparatus for 3D surface imaging using active wave-front sampling |
US20080273760A1 (en) * | 2007-05-04 | 2008-11-06 | Leonard Metcalfe | Method and apparatus for livestock assessment |
DE102007036294A1 (de) | 2007-07-31 | 2009-02-05 | Gea Westfaliasurge Gmbh | Vorrichtung und ein Verfahren zum Bereitstellen von Informationen über Tiere beim Durchlaufen eines Tierdurchganges |
GB0716333D0 (en) * | 2007-08-22 | 2007-10-03 | White Spark Holdings Ltd | Method and apparatus for the automatic grading of condition of livestock |
-
2009
- 2009-11-03 NZ NZ592531A patent/NZ592531A/xx unknown
- 2009-11-03 AU AU2009321691A patent/AU2009321691B2/en not_active Ceased
- 2009-11-03 CA CA2744146A patent/CA2744146C/en active Active
- 2009-11-03 RU RU2011127180/08A patent/RU2543948C2/ru not_active IP Right Cessation
- 2009-11-03 JP JP2011538922A patent/JP5519693B2/ja not_active Expired - Fee Related
- 2009-11-03 US US13/132,107 patent/US9684956B2/en active Active
- 2009-11-03 EP EP09753067.9A patent/EP2370952B1/en active Active
- 2009-11-03 WO PCT/EP2009/064512 patent/WO2010063527A1/en active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5412420A (en) * | 1992-10-26 | 1995-05-02 | Pheno Imaging, Inc. | Three-dimensional phenotypic measuring system for animals |
RU2189174C1 (ru) * | 2001-09-17 | 2002-09-20 | Вовченко Дмитрий Григорьевич | Способ воссоздания трехмерной поверхности тела человека и установка для его осуществления |
RU2237284C2 (ru) * | 2001-11-27 | 2004-09-27 | Самсунг Электроникс Ко., Лтд. | Способ генерирования структуры узлов, предназначенных для представления трехмерных объектов с использованием изображений с глубиной |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2677136C1 (ru) * | 2018-01-17 | 2019-01-15 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Российский государственный аграрный университет - МСХА имени К.А. Тимирязева" (ФГБОУ ВО РГАУ - МСХА имени К.А. Тимирязева) | Способ и устройство дистанционной фиксации физиологического состояния вымени и доильных сосков сельскохозяйственных животных |
RU2785149C2 (ru) * | 2018-02-26 | 2022-12-05 | ТАЧЛЕСС ЭНИМЕЛ МЕТРИКС, ЭсЭл | Способ и устройство для получения характеристик живых особей на расстоянии |
RU2794708C2 (ru) * | 2018-11-07 | 2023-04-24 | ФОСС Аналитикал А/С | Анализатор молока для классификации молока |
Also Published As
Publication number | Publication date |
---|---|
CA2744146A1 (en) | 2010-06-10 |
EP2370952B1 (en) | 2014-09-24 |
US9684956B2 (en) | 2017-06-20 |
RU2011127180A (ru) | 2013-01-10 |
WO2010063527A1 (en) | 2010-06-10 |
US20110279650A1 (en) | 2011-11-17 |
CA2744146C (en) | 2018-01-02 |
EP2370952A1 (en) | 2011-10-05 |
AU2009321691A1 (en) | 2010-06-10 |
JP2012510278A (ja) | 2012-05-10 |
JP5519693B2 (ja) | 2014-06-11 |
AU2009321691B2 (en) | 2014-02-27 |
NZ592531A (en) | 2013-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
RU2543948C2 (ru) | Устройство и способ определения количественного показателя состояния тела животного | |
Yukun et al. | Automatic monitoring system for individual dairy cows based on a deep learning framework that provides identification via body parts and estimation of body condition score | |
Hansen et al. | Automated monitoring of dairy cow body condition, mobility and weight using a single 3D video capture device | |
Halachmi et al. | Cow body shape and automation of condition scoring | |
US7853046B2 (en) | Imaging system and method for body condition evaluation | |
Song et al. | Automated body condition scoring of dairy cows using 3-dimensional feature extraction from multiple body regions | |
Bewley et al. | Potential for estimation of body condition scores in dairy cattle from digital images | |
Ruchay et al. | Accurate body measurement of live cattle using three depth cameras and non-rigid 3-D shape recovery | |
JP2021515323A (ja) | 遠隔から生体標本を特徴付ける方法と装置 | |
Liu et al. | Automatic estimation of dairy cattle body condition score from depth image using ensemble model | |
CN109068613B (zh) | 健康状态推定装置 | |
Banhazi et al. | Improved image analysis based system to reliably predict the live weight of pigs on farm: Preliminary results | |
US9675253B2 (en) | Animal handling arrangement and method | |
WO2016023075A1 (en) | 3d imaging | |
Ruchay et al. | A depth camera-based system for automatic measurement of live cattle body parameters | |
Zhao et al. | Automatic body condition scoring system for dairy cows based on depth-image analysis | |
Ruchay et al. | Accurate 3d shape recovery of live cattle with three depth cameras | |
Shelley | Incorporating machine vision in precision dairy farming technologies | |
Hansen et al. | Non-intrusive automated measurement of dairy cow body condition using 3D video | |
Ling et al. | Point cloud-based pig body size measurement featured by standard and non-standard postures | |
Song et al. | Body measurements of dairy calf using a 3-D camera in an automatic feeding system | |
Burke et al. | An analysis of the feasibility of using image processing to estimate the live weight of sheep | |
Tao et al. | Development and implementation of a training dataset to ensure clear boundary value of body condition score classification of dairy cows in automatic system | |
Kawasue et al. | Pig weight prediction system using RGB-D sensor and AR glasses: analysis method with free camera capture direction | |
McFarlane et al. | Shape measurements of live pigs using 3-D image capture |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
MM4A | The patent is invalid due to non-payment of fees |
Effective date: 20181104 |