CN107680080A - 牲畜的样本库建立方法和清点方法、存储介质和电子设备 - Google Patents
牲畜的样本库建立方法和清点方法、存储介质和电子设备 Download PDFInfo
- Publication number
- CN107680080A CN107680080A CN201710792838.2A CN201710792838A CN107680080A CN 107680080 A CN107680080 A CN 107680080A CN 201710792838 A CN201710792838 A CN 201710792838A CN 107680080 A CN107680080 A CN 107680080A
- Authority
- CN
- China
- Prior art keywords
- livestock
- video frame
- scene video
- sample storehouse
- sample
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
-
- 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
- G06T2207/30242—Counting objects in image
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种牲畜的样本库建立方法和清点方法、存储介质和电子设备,涉及人工智能领域。其中,所述牲畜的样本库建立方法包括:获取通过图像采集设备采集的牲畜圈养区域的场景视频帧序列;通过用于牲畜跟踪的神经网络模型,对所述场景视频帧序列中的时序上相邻的每两个场景视频帧中出现的牲畜进行跟踪;每当根据跟踪结果确定出现新的牲畜,并且确定存有牲畜信息的牲畜样本库中未存有所述新的牲畜的信息时,则在所述牲畜样本库中添加所述新的牲畜的信息。通过本发明实施例,能够快速准确地建立牲畜的样本库,节约了大量的人力物力。
Description
技术领域
本发明实施例涉及人工智能领域,尤其涉及一种牲畜的样本库建立方法、存储介质和电子设备,以及,一种牲畜的清点方法、存储介质和电子设备。
背景技术
随着畜牧业的飞速发展和国家政策的支持,广大牧民饲养的牲畜量逐年大幅增加。牲畜的饲养主要有两种方式,即放牧饲养和舍饲圈养两种方式。放牧饲养可以节省草料、设备等费用、饲养成本低、但受气候和季节的影响,尤其是冬季放牧是得不偿失。而舍饲圈养可以使得牲畜能均衡发育,并且饲料利用率相对较高,易形成养殖规模,提高商品率。因此,提倡舍饲圈养的方式来饲养牲畜。
然而,在舍饲圈养牲畜的过程中,会涉及到牲畜清点的问题。目前大部分地区仍然采用人工清点的方式清点牲畜。由于牲畜存在大小区别,会存在一定的遮挡,因此,在清点牲畜时很容易出现错误,同时这种清点方式复杂、效率低,尤其不适应大型的牲畜养殖基地。此外,由于牲畜不停地行走移动位置,牲畜数量的清点工作也加大了难度。
发明内容
本发明实施例的目的在于,提供一种牲畜的样本库建立的技术方案和牲畜的清点的技术方案。
根据本发明实施例的第一方面,提供了一种牲畜样本库的建立方法。所述方法包括:获取通过图像采集设备采集的牲畜圈养区域的场景视频帧序列;通过用于牲畜跟踪的神经网络模型,对所述场景视频帧序列中的时序上相邻的每两个场景视频帧中出现的牲畜进行跟踪;每当根据跟踪结果确定出现新的牲畜,并且确定存有牲畜信息的牲畜样本库中未存有所述新的牲畜的信息时,则在所述牲畜样本库中添加所述新的牲畜的信息。
可选地,所述牲畜信息包括牲畜的脸部图像和/或牲畜脸部的特征数据。
可选地,所述牲畜的脸部图像为所述牲畜的正脸图像。
可选地,所述方法还包括:当所述畜牲样本库中的脸部图像的数量达到预设数量时,停止对所述场景视频帧序列中的时序上相邻的每两个场景视频帧中出现的牲畜进行跟踪。
可选地,所述方法还包括:每当根据所述跟踪结果确定未出现新的牲畜时,则继续对所述场景视频帧序列中的时序上相邻的每两个场景视频帧中出现的牲畜进行跟踪。
可选地,在所述牲畜样本库中添加所述新的牲畜的信息时,所述方法还包括:对所述新的牲畜进行标识,获得相应的标识信息;在所述牲畜样本库中添加所述新的牲畜的标识信息。
可选地,所述牲畜包括以下中的至少一者:鸡、鸭、鹅、牛、羊、马、猪。
根据本发明实施例的第二方面,提供了一种牲畜的清点方法。所述方法包括:获取通过图像采集设备采集的牲畜圈养区域的场景视频帧序列;将所述场景视频帧序列中的每个场景视频帧中出现的牲畜分别与预设的牲畜样本库中的每个样本图像中的牲畜进行比对,获得第一比对结果;根据所述第一比对结果确定所述牲畜的第一清点结果,其中,所述预设的牲畜样本库是根据本发明实施例的第一方面所述的方法建立得到的。
可选地,所述将所述场景视频帧序列中的每个场景视频帧中出现的牲畜分别与预设的牲畜样本库中的每个样本图像中的牲畜进行比对,获得第一比对结果,包括:通过用于牲畜脸部比对的神经网络模型,将所述场景视频帧序列中的每个场景视频帧中出现的牲畜的脸部分别与预设的牲畜样本库中的每个样本图像中的牲畜的脸部进行比对,获得所述第一比对结果。
可选地,所述方法还包括:当所述场景视频帧序列中的场景视频帧中出现的牲畜与所述牲畜样本库中的每个样本图像中的牲畜均不相同时,将所述场景视频帧中出现的牲畜分别与预设的牲畜新增库中的每个场景视频帧中的牲畜进行比对,获得第二比对结果;根据所述第一比对结果和所述第二比对结果确定所述牲畜的第二清点结果。
可选地,所述牲畜的第二清点结果包括以下中的至少一者:所述牲畜圈养区域内当前存在所述牲畜样本库中的牲畜的数量、所述牲畜圈养区域内当前存在所述牲畜样本库中的牲畜的标识信息、所述牲畜圈养区域内当前丢失所述牲畜样本库中的牲畜的数量、所述牲畜圈养区域内当前丢失所述牲畜样本库中的牲畜的标识信息、所述牲畜圈养区域内当前是否存在新的牲畜、所述牲畜圈养区域内当前存在所述新的牲畜的数量。
根据本发明实施例的第三方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,其中,所述程序指令被处理器执行时实现本发明实施例的第一方面所述的牲畜样本库的建立方法的步骤。
根据本发明实施例的第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,其中,所述程序指令被处理器执行时实现本发明实施例的第二方面所述的牲畜的清点方法的步骤。
根据本发明实施例的第五方面,提供了一种电子设备,包括:第一处理器、第一存储器、第一通信元件和第一通信总线,所述第一处理器、所述第一存储器和所述第一通信元件通过所述第一通信总线完成相互间的通信;所述第一存储器用于存放至少一可执行指令,所述可执行指令使所述第一处理器执行如本发明实施例的第一方面所述的牲畜样本库的建立方法的步骤。
根据本发明实施例的第六方面,提供了一种电子设备,包括:第二处理器、第二存储器、第二通信元件和第二通信总线,所述第二处理器、所述第二存储器和所述第二通信元件通过所述第二通信总线完成相互间的通信;所述第二存储器用于存放至少一可执行指令,所述可执行指令使所述第二处理器执行如本发明实施例的第二方面所述的牲畜的清点方法的步骤。
根据本发明实施例提供的技术方案,获取通过图像采集设备采集的牲畜圈养区域的场景视频帧序列;并通过用于牲畜跟踪的神经网络模型,对所述场景视频帧序列中的时序上相邻的每两个场景视频帧中出现的牲畜进行跟踪;每当根据跟踪结果确定出现新的牲畜,并且确定存有牲畜信息的牲畜样本库中未存有所述新的牲畜的信息时,则在所述牲畜样本库中添加所述新的牲畜的信息,由此,能够快速准确地建立牲畜的样本库,节约了大量的人力物力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些图获得其他的附图。
图1是根据本发明实施例一的一种牲畜的样本库建立方法的流程图;
图2是根据本发明实施例二的一种牲畜的样本库建立方法的流程图;
图3是根据本发明实施例三的一种牲畜的清点方法的流程图;
图4是根据本发明实施例四的一种牲畜的清点方法的流程图;
图5是根据本发明实施例五的一种电子设备的结构示意图;
图6是根据本发明实施例六的一种电子设备的结构示意图。
具体实施方式
下面结合附图(若干附图中相同的标号表示相同的元素)和实施例,对本发明实施例的具体实施方式作进一步详细说明。以下实施例用于说明本发明,但不用来限制本发明的范围。
本领域技术人员可以理解,本发明实施例中的“第一”、“第二”等术语仅用于区别不同步骤、设备或模块等,既不代表任何特定技术含义,也不表示它们之间的必然逻辑顺序。
实施例一
图1是根据本发明实施例一的一种牲畜的样本库建立方法的流程图。如图1所示,本实施例提供的牲畜的样本库建立方法包括:
在步骤S101中,获取通过图像采集设备采集的牲畜圈养区域的场景视频帧序列。
在本实施例中,所述图像采集设备可包括摄像头。可以理解的是,任何用于获取牲畜圈养区域的场景视频帧序列的设备均适用于此,本实施例对此不作限制。
在具体的实施方式中,可在牲畜圈养区域安装一个图像采集设备,也可在牲畜圈养区域的每一个方位安装一个图像采集设备。无论采取哪一种实施方式安装图像采集设备,只要保证牲畜圈养区域内的每个牲畜在场景视频帧序列中出现便可。
在步骤S102中,通过用于牲畜跟踪的神经网络模型,对所述场景视频帧序列中的时序上相邻的每两个场景视频帧中出现的牲畜进行跟踪。
其中,所述神经网络模型可以是任意适当的可实现目标跟踪或目标对象识别的神经网络,包括但不限于卷积神经网络、增强学习神经网络、对抗神经网络中的生成网络等等。神经网络中具体结构的设置可以由本领域技术人员根据实际需求适当设定,如卷积层的层数、卷积核的大小、通道数等等,本发明实施例对此不作限制。
在具体的实施方式中,所述神经网络模型可具有两个输入端,一个输出端。具体地,一个输入端用于输入所述场景视频帧序列中的一个场景视频帧,另一个输入端用于输入所述一个场景视频帧在时序上相邻的另一个场景视频帧,所述输出端用于输出时序上相邻的两个场景视频帧中出现的牲畜的跟踪结果。
在步骤S103中,每当根据跟踪结果确定出现新的牲畜,并且确定存有牲畜信息的牲畜样本库中未存有所述新的牲畜的信息时,则在所述牲畜样本库中添加所述新的牲畜的信息。
其中,所述跟踪结果包括时序上相邻的两个场景视频帧中出现的牲畜为相同的牲畜(在后场景视频帧中未出现新的牲畜),或者时序上相邻的两个场景视频帧中的在后场景视频帧中出现的牲畜与时序上相邻的两个场景视频帧中的在前场景视频帧中出现的牲畜不相同(在后场景视频帧中出现新的牲畜)。在在后场景视频帧中出现新的牲畜时,所述跟踪结果还包括新的牲畜的图像和/或新的牲畜的特征信息。所述牲畜信息可包括牲畜的图像和/或牲畜的特征信息。所述牲畜样本库用于存储不同牲畜的图像和/或特征信息。具体地,所述牲畜样本库不仅可用于存储同一牲畜类别下不同牲畜的图像和/或特征信息,而且还可用于存储不同牲畜类别下不同牲畜的图像和/或特征信息。
根据本实施例提供的牲畜的样本库建立方法,获取通过图像采集设备采集的牲畜圈养区域的场景视频帧序列;并通过用于牲畜跟踪的神经网络模型,对所述场景视频帧序列中的时序上相邻的每两个场景视频帧中出现的牲畜进行跟踪;每当根据跟踪结果确定出现新的牲畜,并且确定存有牲畜信息的牲畜样本库中未存有所述新的牲畜的信息时,则在所述牲畜样本库中添加所述新的牲畜的信息,由此,能够快速准确地建立牲畜的样本库,节约了大量的人力物力。
本实施例的牲畜的样本库建立方法可以由任意适当的具有图像或数据处理能力的设备执行,包括但不限于:摄像头、终端、移动终端、PC机、服务器、车载设备、娱乐设备、广告设备、个人数码助理(PDA)、平板电脑、笔记本电脑、掌上游戏机、智能眼镜、智能手表、可穿戴设备、虚拟显示设备或显示增强设备(如Google Glass、Oculus Rift、Hololens、GearVR)等。
实施例二
图2是根据本发明实施例二的一种牲畜的样本库建立方法的流程图。如图2所示,本实施例提供的牲畜的样本库建立方法包括:
在步骤S201中,获取通过图像采集设备采集的牲畜圈养区域的场景视频帧序列。
其中,所述牲畜圈养区域可包括农舍,例如,猪舍、羊圈、牛栏等。所述场景视频帧序列包括牲畜圈养区域内所有牲畜的视频图像。具体地,牲畜圈养区域内的牲畜包括以下中的至少一者:鸡、鸭、鹅、牛、羊、马、猪。
在步骤S202中,通过用于牲畜跟踪的神经网络模型,对所述场景视频帧序列中的时序上相邻的每两个场景视频帧中出现的牲畜进行跟踪。
在具体的实施方式中,在通过所述神经网络模型,对所述场景视频帧序列中的时序上相邻的每两个场景视频帧中出现的牲畜进行跟踪之前,需要对神经网络模型进行训练。具体地,将场景视频帧序列中具有相同牲畜的在前场景视频帧和在后场景视频帧输入待训练的神经网络模型,或者将场景视频帧序列中的具有不同的牲畜的在前场景视频帧和在后场景视频帧输入待训练的神经网络模型,再根据标定的跟踪结果和当前获得的跟踪结果确定差异,再根据所述差异调整所述神经网络模型的网络参数。通过计算所述差异,对当前获得的跟踪结果进行评估,以作为后续训练神经网络模型的依据。更具体地,可将所述差异反向传输给神经网络模型,从而迭代地训练该神经网络模型。神经网络模型的训练是一个迭代的过程,本发明实施例仅对其中的一次训练过程进行了说明,但本领域技术人员应当明了,对神经网络模型的每次训练都可采用该训练方式,直至完成神经网络模型的训练。
在本发明一可选实施方式中,为了使得训练得到的神经网络模型对牲畜的跟踪结果更准确,可采用不同场景视频帧序列中具有相同牲畜的视频帧对所述神经网络模型进行训练,也可采用不同场景视频帧序列中具有不同牲畜的视频帧对所述神经网络进行训练。
在本发明一可选实施方式中,所述神经网络模型通过牲畜的脸部对所述场景视频帧序列中的时序上相邻的每两个场景视频帧中出现的牲畜进行跟踪。籍此,能够提高视频帧中牲畜的跟踪结果的准确度。在训练所述神经网络模型时,可采用场景视频帧序列中相同牲畜的脸部视频帧对所述神经网络模型进行训练,也可采用场景视频帧序列中不同牲畜的脸部视频帧对所述神经网络模型进行训练。为了使得训练得到的神经网络模型对牲畜的跟踪结果更准确,可采用不同场景视频帧序列中不同牲畜的脸部视频帧对所述神经网络模型进行训练,还可采用不同场景视频帧序列中相同牲畜的脸部视频帧对所述神经网络模型进行训练。
在本发明一可选实施方式中,所述神经网络模型通过牲畜的正脸对所述场景视频帧序列中的时序上相邻的每两个场景视频帧中出现的牲畜进行跟踪。籍此,能够进一步提高视频帧中牲畜的跟踪结果的准确度。在训练所述神经网络模型时,可采用场景视频帧序列中相同牲畜的正脸视频帧对所述神经网络模型进行训练,也可采用场景视频帧序列中不同牲畜的正脸视频帧对所述神经网络模型进行训练。为了使得训练得到的神经网络模型对牲畜的跟踪结果更准确,可采用不同场景视频帧序列中不同牲畜的正脸视频帧对所述神经网络模型进行训练,还可采用不同场景视频帧序列中相同牲畜的正脸视频帧对所述神经网络模型进行训练。
在步骤S203中,每当根据跟踪结果确定出现新的牲畜,并且确定存有牲畜信息的牲畜样本库中未存有所述新的牲畜的信息时,则在所述牲畜样本库中添加所述新的牲畜的信息。
在所述神经网络模型通过牲畜的脸部对所述场景视频帧序列中的时序上相邻的每两个场景视频帧中出现的牲畜进行跟踪,并且时序上相邻的两个场景视频帧中的在后场景视频帧中出现新的牲畜时,所述跟踪结果还包括新的牲畜的脸部图像和/或新的牲畜的脸部特征数据。所述牲畜信息可包括牲畜的脸部图像和/或牲畜脸部的特征数据。籍此,能够提高视频帧中牲畜的跟踪结果的准确度。在所述神经网络模型通过牲畜的正脸对所述场景视频帧序列中的时序上相邻的每两个场景视频帧中出现的牲畜进行跟踪,并且时序上相邻的两个场景视频帧中的在后场景视频帧中出现新的牲畜时,所述跟踪结果还包括新的牲畜的正脸图像和/或新的牲畜的脸部特征数据。所述牲畜信息可包括牲畜的正脸图像和/或牲畜脸部的特征数据。籍此,能够进一步提高视频帧中牲畜的跟踪结果的准确度。
在本发明一可选实施方式中,在所述牲畜样本库中添加所述新的牲畜的信息时,所述方法还包括:对所述新的牲畜进行标识,获得相应的标识信息;在所述牲畜样本库中添加所述新的牲畜的标识信息。籍此,牲畜样本库中的每一个牲畜个体拥有属于自身的标识信息,从而便于区分每一个牲畜个体。
在步骤S204中,每当根据所述跟踪结果确定未出现新的牲畜时,则继续对所述场景视频帧序列中的时序上相邻的每两个场景视频帧中出现的牲畜进行跟踪。
在本发明一可选实施方式中,所述方法还包括:当所述畜牲样本库中的脸部图像的数量达到预设数量时,停止对所述场景视频帧序列中的时序上相邻的每两个场景视频帧中出现的牲畜进行跟踪。籍此,可快速地完成牲畜样本库的建立。
在具体的实施方式中,牲畜圈养区域内牲畜的数目是一定的。针对牲畜圈养区域内的牲畜建立的牲畜样本库中的样本数量也是一定的。只要牲畜样本库中的样本数量达到牲畜圈养区域内牲畜的数目,即可完成牲畜样本库的建立。
在本发明一可选实施方式中,对于一群在圈猪,不用一头一头地进行图像采集,而是通过在猪圈周围安装摄像头进行视频录制,只要保证每头猪都在视频里面出现,可以通过本实施例提供的方法,自动对猪进行编号、图像采集以及特征提取。具体的方法是获得相关录像后,抓取出现的第一头猪A的正脸图像作为牲畜样本库的第一样本图像,然后继续按时间序列从视频中获得出现的下一只猪B的正脸图像,通过神经网络对猪脸进行比对,判断猪A与猪B是否为同一头猪,如果是,则继续按照时间序列从视频中找下一头猪,如果不是同一头猪,则把猪B的正脸图像作为牲畜样本库的第二样本图像。同时,继续按照时间序列从视频中找下一头猪,比对已有的牲畜样本库中猪的所有样本图像,以此类推,当牲畜样本库中猪的样本图像的数目等于预先设定的数目后,即可完成牲畜样本库的建立。这种方式可以节约大量的人力物力,同时提供了快速准确的手段来建立牲畜样本库。
根据本实施例提供的牲畜的样本库建立方法,获取通过图像采集设备采集的牲畜圈养区域的场景视频帧序列;并通过用于牲畜跟踪的神经网络模型,对所述场景视频帧序列中的时序上相邻的每两个场景视频帧中出现的牲畜进行跟踪;每当根据跟踪结果确定出现新的牲畜,并且确定存有牲畜信息的牲畜样本库中未存有所述新的牲畜的信息时,则在所述牲畜样本库中添加所述新的牲畜的信息,由此,能够快速准确地建立牲畜的样本库,节约了大量的人力物力。
本实施例的牲畜的样本库建立方法可以由任意适当的具有图像或数据处理能力的设备执行,包括但不限于:摄像头、终端、移动终端、PC机、服务器、车载设备、娱乐设备、广告设备、个人数码助理(PDA)、平板电脑、笔记本电脑、掌上游戏机、智能眼镜、智能手表、可穿戴设备、虚拟显示设备或显示增强设备(如Google Glass、Oculus Rift、Hololens、GearVR)等。
实施例三
图3是根据本发明实施例三的一种牲畜的清点方法的流程图。如图3所示,本实施例提供的牲畜的清点方法包括:
在步骤S301中,获取通过图像采集设备采集的牲畜圈养区域的场景视频帧序列。
其中,所述图像采集设备可包括摄像头。可以理解的是,任何用于获取牲畜圈养区域的场景视频帧序列的设备均适用于此,本实施例对此不作限制。具体地,可在牲畜圈养区域安装一个图像采集设备,也可在牲畜圈养区域的每一个方位安装一个图像采集设备。无论采取哪一种实施方式安装图像采集设备,只要保证牲畜圈养区域内的每个牲畜在场景视频帧序列中出现便可。
在步骤S302中,将所述场景视频帧序列中的每个场景视频帧中出现的牲畜分别与预设的牲畜样本库中的每个样本图像中的牲畜进行比对,获得第一比对结果。
其中,所述预设的牲畜样本库是根据本发明实施例一或本发明实施例二所述的方法建立得到的。所述比对结果包括场景视频帧中出现的牲畜分别与预设的牲畜样本库中的每个样本图像中的牲畜均不相同,或者场景视频帧中出现的牲畜与预设的牲畜样本库中的一个样本图像中的牲畜相同。
在步骤S303中,根据所述第一比对结果确定所述牲畜的第一清点结果。
由于牲畜圈养区域内的每个牲畜在场景视频帧序列中出现,根据场景视频帧序列中的每个场景视频帧中出现的牲畜分别与预设的牲畜样本库中的每个样本图像中的牲畜的第一比对结果可以确定牲畜圈养区域内当前存在的牲畜和牲畜圈养区域内当前丢失的牲畜。
根据本实施例提供的牲畜的清点方法,获取通过图像采集设备采集的牲畜圈养区域的场景视频帧序列;并将所述场景视频帧序列中的每个场景视频帧中出现的牲畜分别与预设的牲畜样本库中的每个样本图像中的牲畜进行比对,获得第一比对结果;再根据所述第一比对结果确定所述牲畜的第一清点结果,由此,不仅方便自动清点圈养区域内的牲畜,而且能够实时监控圈养区域内牲畜的变化。
本实施例的牲畜的清点方法可以由任意适当的具有图像或数据处理能力的设备执行,包括但不限于:摄像头、终端、移动终端、PC机、服务器、车载设备、娱乐设备、广告设备、个人数码助理(PDA)、平板电脑、笔记本电脑、掌上游戏机、智能眼镜、智能手表、可穿戴设备、虚拟显示设备或显示增强设备(如Google Glass、Oculus Rift、Hololens、Gear VR)等。
实施例四
图4是根据本发明实施例四的一种牲畜的清点方法的流程图。如图4所示,本实施例提供的牲畜的清点方法包括:
在步骤S401中,获取通过图像采集设备采集的牲畜圈养区域的场景视频帧序列。
其中,所述牲畜圈养区域可包括农舍,例如,猪舍、羊圈、牛栏等。所述场景视频帧序列包括牲畜圈养区域内所有牲畜的视频图像。具体地,牲畜圈养区域内的牲畜包括以下中的至少一者:鸡、鸭、鹅、牛、羊、马、猪。
在步骤S402中,通过用于牲畜脸部比对的神经网络模型,将所述场景视频帧序列中的每个场景视频帧中出现的牲畜的脸部分别与预设的牲畜样本库中的每个样本图像中的牲畜的脸部进行比对,获得所述第一比对结果。
其中,所述神经网络模型可以是任意适当的可实现目标比对或目标对象识别的神经网络,包括但不限于卷积神经网络、增强学习神经网络、对抗神经网络中的生成网络等等。神经网络中具体结构的设置可以由本领域技术人员根据实际需求适当设定,如卷积层的层数、卷积核的大小、通道数等等,本发明实施例对此不作限制。其中,所述预设的牲畜样本库是根据本发明实施例一或本发明实施例二所述的方法建立得到的。
在本实施例中,所述神经网络模型可具有两个输入端,一个输出端。具体地,一个输入端用于输入所述场景视频帧序列中的一个场景视频帧,另一个输入端用于输入牲畜样本库中的一个样本图像,所述输出端用于输出场景视频帧中出现的牲畜的脸部与样本图像中出现的牲畜的脸部的比对结果。
在具体的实施方式中,在通过所述神经网络模型,将所述场景视频帧序列中的每个场景视频帧中出现的牲畜的脸部分别与预设的牲畜样本库中的每个样本图像中的牲畜的脸部进行比对之前,需要对神经网络模型进行训练。具体地,将场景视频帧序列中相同牲畜的脸部视频帧输入所述待训练的神经网络模型,或者将场景视频帧序列中不同牲畜的脸部视频帧输入待训练的神经网络模型,再根据标定的比对结果和当前获得的比对结果确定差异,再根据所述差异调整所述神经网络模型的网络参数。通过计算所述差异,对当前获得的比对结果进行评估,以作为后续训练神经网络模型的依据。更具体地,可将所述差异反向传输给神经网络模型,从而迭代地训练该神经网络模型。神经网络模型的训练是一个迭代的过程,本发明实施例仅对其中的一次训练过程进行了说明,但本领域技术人员应当明了,对神经网络模型的每次训练都可采用该训练方式,直至完成神经网络模型的训练。
在本发明一可选实施方式中,为了使得训练得到的神经网络模型对视频帧中牲畜的比对结果更准确,可采用不同场景视频帧序列中不同牲畜的脸部视频帧对所述神经网络模型进行训练,还可采用不同场景视频帧序列中相同牲畜的脸部视频帧对所述神经网络模型进行训练。
在步骤S403中,根据所述第一比对结果确定所述牲畜的第一清点结果。
其中,所述牲畜的第一清点结果包括以下中的至少一者:所述牲畜圈养区域内当前存在所述牲畜样本库中的牲畜的数量、所述牲畜圈养区域内当前存在所述牲畜样本库中的牲畜的标识信息、所述牲畜圈养区域内当前丢失所述牲畜样本库中的牲畜的数量、所述牲畜圈养区域内当前丢失所述牲畜样本库中的牲畜的标识信息。
可选地,所述方法还包括:当所述场景视频帧序列中的场景视频帧中出现的牲畜与所述牲畜样本库中的每个样本图像中的牲畜均不相同时,将所述场景视频帧中出现的牲畜分别与预设的牲畜新增库中的每个场景视频帧中的牲畜进行比对,获得第二比对结果;根据所述第一比对结果和所述第二比对结果确定所述牲畜的第二清点结果。
具体地,在每次清点牲畜时,就建立相应的牲畜新增库。在每次完成牲畜的清点时,就删除相应的牲畜新增库。也就是说,每次清点牲畜时建立的牲畜新增库中存储的场景视频帧是不相同的。更具体地,牲畜新增库中的每个场景视频帧中出现的牲畜是不相同的,并且牲畜新增库中的场景视频帧中出现的牲畜与所述牲畜样本库中的每个样本图像中出现的牲畜均不相同。
在具体的实施方式中,当根据所述第二比对结果获得所述场景视频帧中出现的牲畜与所述牲畜新增库中的每个场景视频帧中出现的牲畜均不相同时,将所述场景视频帧添加到所述牲畜新增库中。当根据所述第二比对结果获得所述场景视频帧中出现的牲畜与所述牲畜新增库中的一个场景视频帧中出现的牲畜相同时,丢弃所述场景视频帧,并等待其中出现的牲畜与所述牲畜样本库中的每个样本图像中出现的牲畜均不相同的场景视频帧。
其中,所述牲畜的第二清点结果包括以下中的至少一者:所述牲畜圈养区域内当前存在所述牲畜样本库中的牲畜的数量、所述牲畜圈养区域内当前存在所述牲畜样本库中的牲畜的标识信息、所述牲畜圈养区域内当前丢失所述牲畜样本库中的牲畜的数量、所述牲畜圈养区域内当前丢失所述牲畜样本库中的牲畜的标识信息、所述牲畜圈养区域内当前是否存在新的牲畜、所述牲畜圈养区域内当前存在所述新的牲畜的数量。具体地,所述新的牲畜与所述牲畜样本库中的每个样本图像中出现的牲畜均不相同。
在实际的应用中,本实施例提供的牲畜的清点方法不仅可用于快速清点牲畜的在栏数,而且还可用于对牲畜个体进行监控,对牲畜的出栏、入栏情况进行监控。
根据本实施例提供的牲畜的清点方法,获取通过图像采集设备采集的牲畜圈养区域的场景视频帧序列;并将所述场景视频帧序列中的每个场景视频帧中出现的牲畜分别与预设的牲畜样本库中的每个样本图像中的牲畜进行比对,获得第一比对结果;再根据所述第一比对结果确定所述牲畜的第一清点结果,由此,不仅方便自动清点圈养区域内的牲畜,而且能够实时监控圈养区域内牲畜的变化。
本实施例的牲畜的清点方法可以由任意适当的具有图像或数据处理能力的设备执行,包括但不限于:摄像头、终端、移动终端、PC机、服务器、车载设备、娱乐设备、广告设备、个人数码助理(PDA)、平板电脑、笔记本电脑、掌上游戏机、智能眼镜、智能手表、可穿戴设备、虚拟显示设备或显示增强设备(如Google Glass、Oculus Rift、Hololens、Gear VR)等。
实施例五
本发明实施例还提供了一种电子设备,例如可以是移动终端、个人计算机(PC)、平板电脑、服务器等。下面参考图5,其示出了适于用来实现本发明实施例的终端设备或服务器的电子设备500的结构示意图。如图5所示,电子设备500包括一个或多个第一处理器、第一通信元件等,所述一个或多个第一处理器例如:一个或多个中央处理单元(CPU)501,和/或一个或多个图像处理器(GPU)513等,第一处理器可以根据存储在只读存储器(ROM)502中的可执行指令或者从存储部分508加载到随机访问存储器(RAM)503中的可执行指令而执行各种适当的动作和处理。本实施例中,第一只读存储器502和随机访问存储器503统称为第一存储器。第一通信元件包括通信组件512和/或通信接口509。其中,通信组件512可包括但不限于网卡,所述网卡可包括但不限于IB(Infiniband)网卡,通信接口509包括诸如LAN卡、调制解调器等的网络接口卡的通信接口,通信接口509经由诸如因特网的网络执行通信处理。
第一处理器可与只读存储器502和/或随机访问存储器503中通信以执行可执行指令,通过第一通信总线504与通信组件512相连、并经通信组件512与其他目标设备通信,从而完成本发明实施例提供的任一项牲畜样本库的建立方法对应的操作,例如,获取通过图像采集设备采集的牲畜圈养区域的场景视频帧序列;通过用于牲畜跟踪的神经网络模型,对所述场景视频帧序列中的时序上相邻的每两个场景视频帧中出现的牲畜进行跟踪;每当根据跟踪结果确定出现新的牲畜,并且确定存有牲畜信息的牲畜样本库中未存有所述新的牲畜的信息时,则在所述牲畜样本库中添加所述新的牲畜的信息。
此外,在RAM 503中,还可存储有装置操作所需的各种程序和数据。CPU501或GPU513、ROM502以及RAM503通过第一通信总线504彼此相连。在有RAM503的情况下,ROM502为可选模块。RAM503存储可执行指令,或在运行时向ROM502中写入可执行指令,可执行指令使第一处理器执行上述通信方法对应的操作。输入/输出(I/O)接口505也连接至第一通信总线504。通信组件512可以集成设置,也可以设置为具有多个子模块(例如多个IB网卡),并在通信总线链接上。
以下部件连接至I/O接口505:包括键盘、鼠标等的输入部分506;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507;包括硬盘等的存储部分508;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信接口509。驱动器510也根据需要连接至I/O接口505。可拆卸介质511,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器510上,以便于从其上读出的计算机程序根据需要被安装入存储部分508。
需要说明的,如图5所示的架构仅为一种可选实现方式,在具体实践过程中,可根据实际需要对上述图5的部件数量和类型进行选择、删减、增加或替换;在不同功能部件设置上,也可采用分离设置或集成设置等实现方式,例如GPU和CPU可分离设置或者可将GPU集成在CPU上,通信元件可分离设置,也可集成设置在CPU或GPU上,等等。这些可替换的实施方式均落入本发明的保护范围。
特别地,根据本发明实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明实施例包括一种计算机程序产品,其包括有形地包含在机器可读介质上的计算机程序,计算机程序包含用于执行流程图所示的方法的程序代码,程序代码可包括对应执行本发明实施例提供的方法步骤对应的指令,例如,获取通过图像采集设备采集的牲畜圈养区域的场景视频帧序列;通过用于牲畜跟踪的神经网络模型,对所述场景视频帧序列中的时序上相邻的每两个场景视频帧中出现的牲畜进行跟踪;每当根据跟踪结果确定出现新的牲畜,并且确定存有牲畜信息的牲畜样本库中未存有所述新的牲畜的信息时,则在所述牲畜样本库中添加所述新的牲畜的信息。在这样的实施例中,该计算机程序可以通过通信元件从网络上被下载和安装,和/或从可拆卸介质511被安装。在该计算机程序被第一处理器执行时,执行本发明实施例的方法中限定的上述功能。
实施例六
本发明实施例还提供了一种电子设备,例如可以是移动终端、个人计算机(PC)、平板电脑、服务器等。下面参考图6,其示出了适于用来实现本发明实施例的终端设备或服务器的电子设备600的结构示意图。如图6所示,电子设备600包括一个或多个第二处理器、第二通信元件等,所述一个或多个第二处理器例如:一个或多个中央处理单元(CPU)601,和/或一个或多个图像处理器(GPU)613等,第二处理器可以根据存储在只读存储器(ROM)602中的可执行指令或者从存储部分608加载到随机访问存储器(RAM)603中的可执行指令而执行各种适当的动作和处理。本实施例中,第二只读存储器602和随机访问存储器603统称为第二存储器。第二通信元件包括通信组件612和/或通信接口609。其中,通信组件612可包括但不限于网卡,所述网卡可包括但不限于IB(Infiniband)网卡,通信接口609包括诸如LAN卡、调制解调器等的网络接口卡的通信接口,通信接口609经由诸如因特网的网络执行通信处理。
第二处理器可与只读存储器602和/或随机访问存储器603中通信以执行可执行指令,通过第二通信总线604与通信组件612相连、并经通信组件612与其他目标设备通信,从而完成本发明实施例提供的任一项牲畜的清点方法对应的操作,例如,获取通过图像采集设备采集的牲畜圈养区域的场景视频帧序列;将所述场景视频帧序列中的每个场景视频帧中出现的牲畜分别与预设的牲畜样本库中的每个样本图像中的牲畜进行比对,获得第一比对结果;根据所述第一比对结果确定所述牲畜的第一清点结果,其中,所述预设的牲畜样本库是根据本发明实施例一或本发明实施例二所述的方法建立得到的。
此外,在RAM 603中,还可存储有装置操作所需的各种程序和数据。CPU601或GPU613、ROM602以及RAM603通过第二通信总线604彼此相连。在有RAM603的情况下,ROM602为可选模块。RAM603存储可执行指令,或在运行时向ROM602中写入可执行指令,可执行指令使第二处理器执行上述通信方法对应的操作。输入/输出(I/O)接口605也连接至第二通信总线604。通信组件612可以集成设置,也可以设置为具有多个子模块(例如多个IB网卡),并在通信总线链接上。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信接口609。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
需要说明的,如图6所示的架构仅为一种可选实现方式,在具体实践过程中,可根据实际需要对上述图6的部件数量和类型进行选择、删减、增加或替换;在不同功能部件设置上,也可采用分离设置或集成设置等实现方式,例如GPU和CPU可分离设置或者可将GPU集成在CPU上,通信元件可分离设置,也可集成设置在CPU或GPU上,等等。这些可替换的实施方式均落入本发明的保护范围。
特别地,根据本发明实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明实施例包括一种计算机程序产品,其包括有形地包含在机器可读介质上的计算机程序,计算机程序包含用于执行流程图所示的方法的程序代码,程序代码可包括对应执行本发明实施例提供的方法步骤对应的指令,例如,获取通过图像采集设备采集的牲畜圈养区域的场景视频帧序列;将所述场景视频帧序列中的每个场景视频帧中出现的牲畜分别与预设的牲畜样本库中的每个样本图像中的牲畜进行比对,获得第一比对结果;根据所述第一比对结果确定所述牲畜的第一清点结果,其中,所述预设的牲畜样本库是根据本发明实施例一或本发明实施例二所述的方法建立得到的。在这样的实施例中,该计算机程序可以通过通信元件从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被第二处理器执行时,执行本发明实施例的方法中限定的上述功能。
需要指出,根据实施的需要,可将本发明实施例中描述的各个部件/步骤拆分为更多部件/步骤,也可将两个或多个部件/步骤或者部件/步骤的部分操作组合成新的部件/步骤,以实现本发明实施例的目的。
上述根据本发明实施例的方法可在硬件、固件中实现,或者被实现为可存储在记录介质(诸如CD ROM、RAM、软盘、硬盘或磁光盘)中的软件或计算机代码,或者被实现通过网络下载的原始存储在远程记录介质或非暂时机器可读介质中并将被存储在本地记录介质中的计算机代码,从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件(诸如ASIC或FPGA)的记录介质上的这样的软件处理。可以理解,计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件(例如,RAM、ROM、闪存等),当所述软件或计算机代码被计算机、处理器或硬件访问且执行时,实现在此描述的处理方法。此外,当通用计算机访问用于实现在此示出的处理的代码时,代码的执行将通用计算机转换为用于执行在此示出的处理的专用计算机。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及方法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明实施例的范围。
以上实施方式仅用于说明本发明实施例,而并非对本发明实施例的限制,有关技术领域的普通技术人员,在不脱离本发明实施例的精神和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本发明实施例的范畴,本发明实施例的专利保护范围应由权利要求限定。
Claims (15)
1.一种牲畜样本库的建立方法,其特征在于,所述方法包括:
获取通过图像采集设备采集的牲畜圈养区域的场景视频帧序列;
通过用于牲畜跟踪的神经网络模型,对所述场景视频帧序列中的时序上相邻的每两个场景视频帧中出现的牲畜进行跟踪;
每当根据跟踪结果确定出现新的牲畜,并且确定存有牲畜信息的牲畜样本库中未存有所述新的牲畜的信息时,则在所述牲畜样本库中添加所述新的牲畜的信息。
2.根据权利要求1所述的方法,其特征在于,所述牲畜信息包括牲畜的脸部图像和/或牲畜脸部的特征数据。
3.根据权利要求2所述的方法,其特征在于,所述牲畜的脸部图像为所述牲畜的正脸图像。
4.根据权利要求2所述的方法,其特征在于,所述方法还包括:
当所述畜牲样本库中的脸部图像的数量达到预设数量时,停止对所述场景视频帧序列中的时序上相邻的每两个场景视频帧中出现的牲畜进行跟踪。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
每当根据所述跟踪结果确定未出现新的牲畜时,则继续对所述场景视频帧序列中的时序上相邻的每两个场景视频帧中出现的牲畜进行跟踪。
6.根据权利要求1所述的方法,其特征在于,在所述牲畜样本库中添加所述新的牲畜的信息时,所述方法还包括:
对所述新的牲畜进行标识,获得相应的标识信息;
在所述牲畜样本库中添加所述新的牲畜的标识信息。
7.根据权利要求1~6中任意一项权利要求所述的方法,其特征在于,所述牲畜包括以下中的至少一者:
鸡、鸭、鹅、牛、羊、马、猪。
8.一种牲畜的清点方法,其特征在于,所述方法包括:
获取通过图像采集设备采集的牲畜圈养区域的场景视频帧序列;
将所述场景视频帧序列中的每个场景视频帧中出现的牲畜分别与预设的牲畜样本库中的每个样本图像中的牲畜进行比对,获得第一比对结果;
根据所述第一比对结果确定所述牲畜的第一清点结果,
其中,所述预设的牲畜样本库是根据权利要求1~7中任意一项权利要求所述的方法建立得到的。
9.根据权利要求8所述的方法,其特征在于,所述将所述场景视频帧序列中的每个场景视频帧中出现的牲畜分别与预设的牲畜样本库中的每个样本图像中的牲畜进行比对,获得第一比对结果,包括:
通过用于牲畜脸部比对的神经网络模型,将所述场景视频帧序列中的每个场景视频帧中出现的牲畜的脸部分别与预设的牲畜样本库中的每个样本图像中的牲畜的脸部进行比对,获得所述第一比对结果。
10.根据权利要求8所述的方法,其特征在于,所述方法还包括:
当所述场景视频帧序列中的场景视频帧中出现的牲畜与所述牲畜样本库中的每个样本图像中的牲畜均不相同时,将所述场景视频帧中出现的牲畜分别与预设的牲畜新增库中的每个场景视频帧中的牲畜进行比对,获得第二比对结果;
根据所述第一比对结果和所述第二比对结果确定所述牲畜的第二清点结果。
11.根据权利要求10所述的方法,其特征在于,所述牲畜的第二清点结果包括以下中的至少一者:
所述牲畜圈养区域内当前存在所述牲畜样本库中的牲畜的数量、所述牲畜圈养区域内当前存在所述牲畜样本库中的牲畜的标识信息、所述牲畜圈养区域内当前丢失所述牲畜样本库中的牲畜的数量、所述牲畜圈养区域内当前丢失所述牲畜样本库中的牲畜的标识信息、所述牲畜圈养区域内当前是否存在新的牲畜、所述牲畜圈养区域内当前存在所述新的牲畜的数量。
12.一种计算机可读存储介质,其上存储有计算机程序指令,其中,所述程序指令被处理器执行时实现权利要求1~7中任意一项权利要求所述的牲畜样本库的建立方法的步骤。
13.一种计算机可读存储介质,其上存储有计算机程序指令,其中,所述程序指令被处理器执行时实现权利要求8~11中任意一项权利要求所述的牲畜的清点方法的步骤。
14.一种电子设备,包括:第一处理器、第一存储器、第一通信元件和第一通信总线,所述第一处理器、所述第一存储器和所述第一通信元件通过所述第一通信总线完成相互间的通信;
所述第一存储器用于存放至少一可执行指令,所述可执行指令使所述第一处理器执行如权利要求1~7中任意一项权利要求所述的牲畜样本库的建立方法的步骤。
15.一种电子设备,包括:第二处理器、第二存储器、第二通信元件和第二通信总线,所述第二处理器、所述第二存储器和所述第二通信元件通过所述第二通信总线完成相互间的通信;
所述第二存储器用于存放至少一可执行指令,所述可执行指令使所述第二处理器执行如权利要求8~11中任意一项权利要求所述的牲畜的清点方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710792838.2A CN107680080B (zh) | 2017-09-05 | 2017-09-05 | 牲畜的样本库建立方法和清点方法、存储介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710792838.2A CN107680080B (zh) | 2017-09-05 | 2017-09-05 | 牲畜的样本库建立方法和清点方法、存储介质和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107680080A true CN107680080A (zh) | 2018-02-09 |
CN107680080B CN107680080B (zh) | 2020-02-21 |
Family
ID=61134884
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710792838.2A Active CN107680080B (zh) | 2017-09-05 | 2017-09-05 | 牲畜的样本库建立方法和清点方法、存储介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107680080B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108388877A (zh) * | 2018-03-14 | 2018-08-10 | 广州影子控股股份有限公司 | 一种猪脸的识别方法 |
CN109376584A (zh) * | 2018-09-04 | 2019-02-22 | 湖南大学 | 一种用于畜牧业的禽畜数量统计***和方法 |
CN109461151A (zh) * | 2018-11-05 | 2019-03-12 | 上海睿畜电子科技有限公司 | 一种牲畜数量清点的方法、装置及*** |
CN109785337A (zh) * | 2018-12-25 | 2019-05-21 | 哈尔滨工程大学 | 一种基于实例分割算法的栏内哺乳动物清点方法 |
WO2020007363A1 (zh) * | 2018-07-06 | 2020-01-09 | 京东数字科技控股有限公司 | 识别目标数量的方法、装置及计算机可读存储介质 |
CN110929077A (zh) * | 2019-10-17 | 2020-03-27 | 北京海益同展信息科技有限公司 | 动物建档的方法、装置、设备、电子设备及计算机可读介质 |
CN111028266A (zh) * | 2019-12-16 | 2020-04-17 | 洛阳语音云创新研究院 | 畜禽盘点方法、装置、电子设备和存储介质 |
CN111680551A (zh) * | 2020-04-28 | 2020-09-18 | 平安国际智慧城市科技股份有限公司 | 监控牲畜数量的方法、装置、计算机设备及存储介质 |
CN113554644A (zh) * | 2021-08-17 | 2021-10-26 | 湖南金烽信息科技有限公司 | 一种基于卷积神经网络的农产品身份识别及数量盘点*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070291155A1 (en) * | 2006-06-14 | 2007-12-20 | Canon Kabushiki Kaisha | Image processing apparatus, image sensing apparatus, and control method of image processing apparatus |
US20110170749A1 (en) * | 2006-09-29 | 2011-07-14 | Pittsburgh Pattern Recognition, Inc. | Video retrieval system for human face content |
CN106778555A (zh) * | 2016-11-30 | 2017-05-31 | 石河子大学 | 一种基于机器视觉的奶牛反刍咀嚼、吞咽次数统计方法 |
CN107092931A (zh) * | 2017-04-24 | 2017-08-25 | 河北工业大学 | 一种奶牛个体识别的方法 |
-
2017
- 2017-09-05 CN CN201710792838.2A patent/CN107680080B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070291155A1 (en) * | 2006-06-14 | 2007-12-20 | Canon Kabushiki Kaisha | Image processing apparatus, image sensing apparatus, and control method of image processing apparatus |
US20110170749A1 (en) * | 2006-09-29 | 2011-07-14 | Pittsburgh Pattern Recognition, Inc. | Video retrieval system for human face content |
CN106778555A (zh) * | 2016-11-30 | 2017-05-31 | 石河子大学 | 一种基于机器视觉的奶牛反刍咀嚼、吞咽次数统计方法 |
CN107092931A (zh) * | 2017-04-24 | 2017-08-25 | 河北工业大学 | 一种奶牛个体识别的方法 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108388877A (zh) * | 2018-03-14 | 2018-08-10 | 广州影子控股股份有限公司 | 一种猪脸的识别方法 |
WO2020007363A1 (zh) * | 2018-07-06 | 2020-01-09 | 京东数字科技控股有限公司 | 识别目标数量的方法、装置及计算机可读存储介质 |
CN109376584A (zh) * | 2018-09-04 | 2019-02-22 | 湖南大学 | 一种用于畜牧业的禽畜数量统计***和方法 |
CN109461151A (zh) * | 2018-11-05 | 2019-03-12 | 上海睿畜电子科技有限公司 | 一种牲畜数量清点的方法、装置及*** |
CN109785337B (zh) * | 2018-12-25 | 2021-07-06 | 哈尔滨工程大学 | 一种基于实例分割算法的栏内哺乳动物清点方法 |
CN109785337A (zh) * | 2018-12-25 | 2019-05-21 | 哈尔滨工程大学 | 一种基于实例分割算法的栏内哺乳动物清点方法 |
CN110929077A (zh) * | 2019-10-17 | 2020-03-27 | 北京海益同展信息科技有限公司 | 动物建档的方法、装置、设备、电子设备及计算机可读介质 |
CN111028266A (zh) * | 2019-12-16 | 2020-04-17 | 洛阳语音云创新研究院 | 畜禽盘点方法、装置、电子设备和存储介质 |
CN111028266B (zh) * | 2019-12-16 | 2023-05-23 | 洛阳语音云创新研究院 | 畜禽盘点方法、装置、电子设备和存储介质 |
CN111680551A (zh) * | 2020-04-28 | 2020-09-18 | 平安国际智慧城市科技股份有限公司 | 监控牲畜数量的方法、装置、计算机设备及存储介质 |
CN111680551B (zh) * | 2020-04-28 | 2024-06-11 | 平安国际智慧城市科技股份有限公司 | 监控牲畜数量的方法、装置、计算机设备及存储介质 |
CN113554644A (zh) * | 2021-08-17 | 2021-10-26 | 湖南金烽信息科技有限公司 | 一种基于卷积神经网络的农产品身份识别及数量盘点*** |
CN113554644B (zh) * | 2021-08-17 | 2022-08-09 | 湖南金烽信息科技有限公司 | 一种基于卷积神经网络的农产品身份识别及数量盘点*** |
Also Published As
Publication number | Publication date |
---|---|
CN107680080B (zh) | 2020-02-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107680080A (zh) | 牲畜的样本库建立方法和清点方法、存储介质和电子设备 | |
Chen et al. | Strawberry yield prediction based on a deep neural network using high-resolution aerial orthoimages | |
Zhuang et al. | Detection of sick broilers by digital image processing and deep learning | |
WO2020119659A1 (zh) | 一种智能养猪群养测重方法、装置、电子设备及存储介质 | |
Lin et al. | Sorghum panicle detection and counting using unmanned aerial system images and deep learning | |
BR122020015963A2 (pt) | método implementado por computador de determinação de um número de grãos a partir de uma imagem de um milho e meios de armazenamento não transitório | |
CN107679183A (zh) | 分类器用训练数据获取方法和装置、服务器及存储介质 | |
CN105654313A (zh) | 智能云秤及通过智能云秤进行物联网溯源的方法 | |
Zang et al. | Detection method of wheat spike improved YOLOv5s based on the attention mechanism | |
Soares et al. | Cattle counting in the wild with geolocated aerial images in large pasture areas | |
CN107657459A (zh) | 牲畜的身份验证方法、保险理赔方法、溯源方法、存储介质和电子设备 | |
Arvind et al. | Edge computing based smart aquaponics monitoring system using deep learning in IoT environment | |
CN107667904A (zh) | 基于物联网技术的生猪大数据*** | |
CN116257792B (zh) | 一种智慧城市碳中和数据分析*** | |
Wu et al. | Improved ResNet-50 deep learning algorithm for identifying chicken gender | |
Liu et al. | Field pest monitoring and forecasting system for pest control | |
Moreira et al. | AgroLens: A low-cost and green-friendly Smart Farm Architecture to support real-time leaf disease diagnostics | |
Vikranth | An implementation of IoT and data analytics in smart agricultural system–A systematic literature review | |
Rendel et al. | Optimisation of the resource of land-based livestock systems to advance sustainable agriculture: A farm-level analysis | |
Guo et al. | Panicle Ratio Network: streamlining rice panicle measurement by deep learning with ultra-high-definition aerial images in the field | |
Gupta et al. | Computer vision-based approach for automatic detection of dairy cow breed | |
Gao et al. | CNN-Bi-LSTM: A complex environment-oriented cattle behavior classification network based on the fusion of CNN and Bi-LSTM | |
Pavkin et al. | Development Results of a Cross-Platform Positioning System for a Robotics Feed System at a Dairy Cattle Complex | |
Xu et al. | Automatic quantification and assessment of grouped pig movement using the XGBoost and YOLOv5s models | |
Patil et al. | Cognitive intelligence of internet of things in smart agriculture applications |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |