CN108399617A - 一种动物健康状况的检测方法和装置 - Google Patents
一种动物健康状况的检测方法和装置 Download PDFInfo
- Publication number
- CN108399617A CN108399617A CN201810151804.XA CN201810151804A CN108399617A CN 108399617 A CN108399617 A CN 108399617A CN 201810151804 A CN201810151804 A CN 201810151804A CN 108399617 A CN108399617 A CN 108399617A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- value
- animal
- gray
- 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
- 241001465754 Metazoa Species 0.000 title claims abstract description 76
- 238000001514 detection method Methods 0.000 title claims abstract description 23
- 230000036541 health Effects 0.000 title claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 29
- 230000003862 health status Effects 0.000 claims abstract description 23
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 10
- 230000002708 enhancing effect Effects 0.000 claims abstract description 5
- 238000004590 computer program Methods 0.000 claims description 17
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 9
- 230000001052 transient effect Effects 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 abstract description 7
- 230000008569 process Effects 0.000 abstract description 4
- 238000001914 filtration Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000037237 body shape Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
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
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种动物健康状况的检测方法和装置，通过采集动物的标准彩色图像、深度图像和热红外图像；将标准彩色图像灰度化，并增强对比度后，获得第三图像；将第三图像和深度图像中每一像元的灰度值调整到预设值以下，分别获得第四图像和第五图像，将热红外图像灰度化获得第二图像，将第二图像、第四图像和第五图像进行融合后，输入到训练好的卷积神经网络，输出动物的健康状况；从而在对动物健康状况的检测过程中，在灰度化后的标准彩色图像和深度图像不影响灰度化后的热红外图像对动物的体表温度信息的体现的基础上，将上述三种图像融合起来，从而使融合后的图像体现出更丰富的表型特征，提高了对动物健康状况检测的鲁棒性。
Description
技术领域
本发明涉及表型特征检测技术领域，更具体地，涉及一种动物健康状况的检测方法和装置。
背景技术
动物的表型特征在一定程度上能反映出动物的健康状况，动物的表型特征主要包括动物的体型以及体表温度，其中，动物的体型可通过光学成像的方式获取，动物的体表温度可通过热红外的方式获取。
近年来，以机器学习为主导的人工智能发展迅速，在众多研究领域中都取得了重大突破。图像检测技术在人工智能领域中是一个重要的研究热点和难点。体形和体表温度作为动物的表型特征，均可在不同方面反映出动物的健康状况，因此动物的表型特征检测是一个重要的研究方向。
目前，对动物的健康状况的检测，仅基于对动物的体型的检测或者仅基于对动物的体表温度的检测，尚未将动物的体型和体表温度结合起来实现对动物的健康状况的检测，同时，由于动物的姿态各异，光学成像或热红外成像容易受到光照或复杂环境的影响，影响对动物健康状况的判断的准确性，因此目前对动物健康状况的检测的鲁棒性有待提高。
发明内容
为了克服上述问题或者至少部分地解决上述问题，本发明提供一种动物健康状况的检测方法和装置。
根据本发明的一个方面，提供一种动物健康状况的检测方法，包括：采集动物的标准彩色图像、深度图像和热红外图像；将标准彩色图像和热红外图像灰度化，分别获得第一图像和第二图像，并增强第一图像的对比度，获得第三图像；将第三图像中每一像元的灰度值调整到预设值以下，获得第四图像，将深度图像中每一像元的灰度值调整到预设值以下，获得第五图像，预设值为第六图像中的最大灰度值，第六图像为动物在健康状态下所采集的热红外图像灰度化后的图像；将第二图像、第四图像和第五图像进行融合，获得第七图像；将第七图像输入到训练好的卷积神经网络，输出动物的健康状况。
其中，增强第一图像的对比度，获得第三图像，包括：将第一图像输入到Gabor滤波器，输出预设数量个纹理方向的第八图像；将预设数量个纹理方向的第八图像进行融合，获得第三图像。
其中，将预设数量个纹理方向的第八图像进行融合，获得第三图像，包括：将所有第八图像中相同位置处的像元的灰度值进行比较，确定每一位置处的像元的最大灰度值，将每一位置处的像元的最大灰度值作为第三图像中对应位置处的像元的灰度值。
其中，将第三图像中每一像元的灰度值调整到预设值以下，获得第四图像，包括：确定第三图像中像元的第一最大灰度值，将预设值与第一最大灰度值的比例作为第一比例；将第三图像中每一像元的灰度值按第一比例缩放，获得第四图像。
其中，将深度图像中每一像元的灰度值调整到预设值以下，获得第五图像，包括：确定深度图像中像元的第二最大灰度值，将预设值与第二最大灰度值的比例作为第二比例；将深度图像中每一像元的灰度值按第二比例缩放，获得第五图像。
其中，将第二图像、第四图像和第五图像进行融合，获得第七图像，包括：将第二图像、第四图像和第五图像中相同位置处的像元的灰度值进行比较，确定每一位置处的像元的最大灰度值，将每一位置处的像元的最大灰度值作为第七图像中对应位置处的像元的灰度值。
其中，将第二图像、第四图像和第五图像中相同位置处的像元的灰度值进行比较之前，还包括：通过仿射变换将第二图像、第四图像和第五图像调整到相同的坐标系下；通过坐标值确定第二图像、第四图像和第五图像中相同位置处的像元。
本发明的另一方面，提供一种动物健康状况的检测装置，包括：至少一个处理器；以及与处理器通信连接的至少一个存储器，其中：存储器存储有可被处理器执行的程序指令，处理器调用程序指令以执行上述的方法。
本发明的又一方面，提供一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使计算机执行上述的方法。
本发明的又一方面，提供一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机程序，该计算机程序使计算机执行上述的方法。
本发明提供的一种动物健康状况的检测方法和装置，通过采集动物的标准彩色图像、深度图像和热红外图像；将标准彩色图像灰度化，并增强对比度后，获得第三图像；将第三图像和深度图像中每一像元的灰度值调整到预设值以下，分别获得第四图像和第五图像，将热红外图像灰度化获得第二图像，将第二图像、第四图像和第五图像进行融合，获得第七图像；将第七图像输入到训练好的卷积神经网络，输出动物的健康状况；从而在对动物健康状况的检测过程中，一方面利用灰度化后的标准彩色图像和深度图像来体现动物的体型信息，利用灰度化后的热红外图像来体现动物的体表温度信息；另一方面，通过对灰度值的处理，在灰度化后的标准彩色图像和深度图像不影响灰度化后的热红外图像对动物的体表温度信息的体现的基础上，将上述三种图像融合起来，从而使融合后的图像体现出更丰富的表型特征，提高了对动物健康状况检测的鲁棒性。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为根据本发明实施例的动物健康状况的检测方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的一个实施例中，参考图1，提供一种动物健康状况的检测方法，包括：S11，采集动物的标准彩色图像、深度图像和热红外图像；S12，将标准彩色图像和热红外图像灰度化，分别获得第一图像和第二图像，并增强第一图像的对比度，获得第三图像；S13，将第三图像中每一像元的灰度值调整到预设值以下，获得第四图像，将深度图像中每一像元的灰度值调整到预设值以下，获得第五图像，预设值为第六图像中的最大灰度值，第六图像为动物在健康状态下所采集的热红外图像灰度化后的图像；S14，将第二图像、第四图像和第五图像进行融合，获得第七图像；S15，将第七图像输入到训练好的卷积神经网络，输出动物的健康状况。
具体的，彩色图像是多光谱图象的一种特殊情况，彩色图像中每个像元是由三基色红(R)、绿(G)、蓝(B)三个分量来表示的，分量介于(0，255)，由三基色构成人类视觉所能观察到各种颜色。彩色图像虽然颜色信息丰富，但是对于机器学习语言来说，过于丰富的颜色信息将会加大图像识别的难度，而灰度图像可表现出任何颜色深浅的梯度信息，梯度信息对于识别物体来说很重要。本实施例中，将彩色图像灰度化，可降低对图片信息的识别难度。为了更好的体现动物的体型特征，还可以将灰度化后的彩色图像进行对比度增强处理，以获得第三图像。
深度图像的每个像元的灰度值可用于表征场景中某一点距离摄像机的远近，能表达场景的三维信息，可在一定程度上体现出动物的体型特征；红外热图像为运用光电技术检测物体热辐射的红外线特定波段信号，将该信号转换成可供人类视觉分辨的图像，动物的红外热图像灰度化后，像元的灰度值可体现出动物的体表温度。本实施例中，将红外热图像灰度化，获得第二图像。
然而，灰度化后的热红外图像相对于灰度化的彩色图像或者深度图像来说，其像元的灰度值范围相对较小，如果将上述三个图像直接融合，可能破坏动物的体表温度信息，而那些不正常的体表温度信息，例如明显高于动物正常体温的温度信息，是判断动物是否健康的最重要的信息；在融合之前，需要对灰度化的彩色图像和深度图像进行处理，本实施例中，将灰度化的彩色图像(即第三图像)中每一像元的灰度值调整到预设值以下，获得第四图像，将深度图像中每一像元的灰度值调整到预设值以下，获得第五图像，其中，该预设值为第六图像中的最大灰度值，第六图像为动物在健康状态下所采集的热红外图像灰度化后的图像，经过上述的处理后，消除了灰度化的彩色图像和深度图像的灰度值对灰度化的热红外图像中能体现动物体表温度的重要信息的影响。
优选的，以上的彩色图像、深度图像和热红外图像可同时和同角度采集，以减少对图片的处理量，并将上述第二图像、第四图像和第五图像进行融合，获得第七图像；将第七图像输入到训练好的卷积神经网络，输出动物的健康状况。其中，卷积神经网络的具体实施方式如下：第一层卷积层使用96个卷积核大小为11×11，步长为4的卷积滤波器，进行滤波，然后将结果送入最大池化层，最大池化层设定池化窗口为3×3，步长为2；第二层卷积层使用256个卷积核大小为5×5，步长为1的卷积滤波器进行滤波，然后将结果送入最大池化层，最大池化层设定池化窗口为3×3，步长为2；第三层卷积层使用384个卷积核大小为3×3，步长为1的卷积滤波器进行滤波，然后将结果送入最大池化层，最大池化层设定池化窗口为3×3，步长为2，最后输出动物的健康状况的结果。
本实施例通过采集动物的标准彩色图像、深度图像和热红外图像；将标准彩色图像灰度化，并增强对比度后，获得第三图像；将第三图像和深度图像中每一像元的灰度值调整到预设值以下，分别获得第四图像和第五图像，将热红外图像灰度化获得第二图像，将第二图像、第四图像和第五图像进行融合，获得第七图像；将第七图像输入到训练好的卷积神经网络，输出动物的健康状况；从而在对动物健康状况的检测过程中，一方面利用灰度化后的标准彩色图像和深度图像来体现动物的体型信息，利用灰度化后的热红外图像来体现动物的体表温度信息；另一方面，通过对灰度值的处理，在灰度化后的标准彩色图像和深度图像不影响灰度化后的热红外图像对动物的体表温度信息的体现的基础上，将上述三种图像融合起来，从而使融合后的图像体现出更丰富的表型特征，提高了对动物健康状况检测的鲁棒性。
基于以上实施例，增强第一图像的对比度，获得第三图像，包括：将第一图像输入到Gabor滤波器，输出预设数量个纹理方向的第八图像；将预设数量个纹理方向的第八图像进行融合，获得第三图像。
具体的，在二维空间中，使用一个三角函数(如正弦函数)与一个高斯函数叠加就得到了一个Gabor滤波器，Gabor滤波器可以抽取空间局部频度特征，是一种有效的纹理检测工具，其中还可以通过设置高斯函数中相关的参数来确定滤波后的图像中纹理的方向。为了充分的提取灰度化的彩色图像中的信息，通过Gabor滤波器滤波得到多个纹理方向的滤波图像(即第八图像)，然后将通过Gabor滤波器滤波得到多个纹理方向的滤波图像进行融合。优选的，纹理方向在0°～180°方向上均匀分布，例如纹理方向的数量选择8个，则对应的纹理方向的角度分别为0°、22.5°、45°、67.5°、90°、112.5°、135°和157.5°。其中，Gabor滤波器的表达式如下：
其中，式中，σ代表Gabor滤波器的尺度参数，θk表示第k个纹理方向的角度，为Gabor滤波器的x方向的尺度参数，为Gabor滤波器的y方向的尺度参数，为第k个纹理方向的角度的x值，为第k个纹理方向的角度的y值，fk为第k个纹理方向的中心频率，n为纹理方向的总数量。
基于以上实施例，将预设数量个纹理方向的第八图像进行融合，获得第三图像，包括：将所有第八图像中相同位置处的像元的灰度值进行比较，确定每一位置处的像元的最大灰度值，将每一位置处的像元的最大灰度值作为第三图像中对应位置处的像元的灰度值。
具体的，通过Gabor滤波器滤波得到多个纹理方向的滤波图像(即第八图像)，为了获得更好的图像对比度，将多个第八图像进行融合，融合的方式为将所有第八图像中相同位置处的像元的灰度值进行比较，确定每一位置处的像元的最大灰度值，在每一位置处的像元，赋值为最大灰度值，最终获得融合图像(即第三图像)，该融合图像达到了增强图像对比度的目的。
基于以上实施例，将第三图像中每一像元的灰度值调整到预设值以下，获得第四图像，包括：确定第三图像中像元的第一最大灰度值，将预设值与第一最大灰度值的比例作为第一比例；将第三图像中每一像元的灰度值按第一比例缩放，获得第四图像。
具体的，为了将第三图像中每一像元的灰度值调整到预设值以下，且保证第三图像中的灰度值的梯度信息，可将第三图像中每一像元的灰度值按比例进行调整，首先确定第三图像所有像元的灰度值中的最大灰度值(即第一最大灰度值)，将上述实施例中的预设值与第一最大灰度值的比例作为第三图像中每一像元的灰度值的调整比例(即第一比例)，然后将第三图像中每一像元的灰度值按第一比例缩放，获得第四图像。经过上述处理过程，保留了第三图像中的灰度值的梯度信息，还避免了第三图像中的灰度值对灰度化的热红外图像的影响。其中，缩放公式的表达式如下：
其中，I'a(x,y)为第四图像中像元的灰度值，Ia(x,y)为第三图像中像元的灰度值，C为预设值，max Ia(x,y)为第一最大灰度值。
基于以上实施例，将深度图像中每一像元的灰度值调整到预设值以下，获得第五图像，包括：确定深度图像中像元的第二最大灰度值，将预设值与第二最大灰度值的比例作为第二比例；将深度图像中每一像元的灰度值按第二比例缩放，获得第五图像。
具体的，为了将深度图像中每一像元的灰度值调整到预设值以下，且保证深度图像中的灰度值的梯度信息，可将深度图像中每一像元的灰度值按比例进行调整，首先确定深度图像所有像元的灰度值中的最大灰度值(即第二最大灰度值)，将上述实施例中的预设值与第二最大灰度值的比例作为深度图像中每一像元的灰度值的调整比例(即第二比例)，然后将深度图像中每一像元的灰度值按第二比例缩放，获得第五图像。经过上述处理过程，保留了深度图像中的灰度值的梯度信息，还避免了深度图像中的灰度值对灰度化的热红外图像的影响。其中，缩放公式的表达式如下：
其中，I′b(x,y)为第五图像中像元的灰度值，Ib(x,y)为深度图像中像元的灰度值，C为预设值，max Ib(x,y)为第二最大灰度值。
基于以上实施例，将第二图像、第四图像和第五图像进行融合，获得第七图像，包括：将第二图像、第四图像和第五图像中相同位置处的像元的灰度值进行比较，确定每一位置处的像元的最大灰度值，将每一位置处的像元的最大灰度值作为第七图像中对应位置处的像元的灰度值。
具体的，对第二图像、第四图像和第五图像进行融合的过程与对多个第八图像的融合过程类似，在此不再赘述。
基于以上实施例，将第二图像、第四图像和第五图像中相同位置处的像元的灰度值进行比较之前，还包括：通过仿射变换将第二图像、第四图像和第五图像调整到相同的坐标系下；通过坐标值确定第二图像、第四图像和第五图像中相同位置处的像元。
具体的，为了便于确定第二图像、第四图像和第五图像中像元的位置，可以将第二图像、第四图像和第五图像调整到相同的坐标系下，以其中一个图像为基准，利用仿射变换对其余两个图像进行位置调整，例如在直角坐标系下，仿射变换的公式如下：
其中，x1为仿射变换前的图像的x坐标值，y1为仿射变换前的图像的y坐标值，x2为仿射变换后的图像的x坐标值，y2为仿射变换后的图像的y坐标值，tx为沿x轴方向的平移值，ty为沿y轴方向的平移值，s为缩放尺度，θ为以原点为轴心逆时针旋转的角度。
通过上述放射变化，将第二图像、第四图像和第五图像调整到相同的坐标系下，方便通过坐标值确定每幅图像中的相同位置处的像元。
作为本发明的又一实施例，提供一种动物健康状况的检测装置，包括：至少一个处理器；以及与处理器通信连接的至少一个存储器，其中：存储器存储有可被处理器执行的程序指令，处理器调用程序指令以执行上述各方法实施例所提供的方法，例如包括：采集动物的标准彩色图像、深度图像和热红外图像；将标准彩色图像和热红外图像灰度化，分别获得第一图像和第二图像，并增强第一图像的对比度，获得第三图像；将第三图像中每一像元的灰度值调整到预设值以下，获得第四图像，将深度图像中每一像元的灰度值调整到预设值以下，获得第五图像，预设值为第六图像中的最大灰度值，第六图像为动物在健康状态下所采集的热红外图像灰度化后的图像；将第二图像、第四图像和第五图像进行融合，获得第七图像；将第七图像输入到训练好的卷积神经网络，输出动物的健康状况。
作为本发明的又一个实施例，提供一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，该计算机程序包括程序指令，当程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：采集动物的标准彩色图像、深度图像和热红外图像；将标准彩色图像和热红外图像灰度化，分别获得第一图像和第二图像，并增强第一图像的对比度，获得第三图像；将第三图像中每一像元的灰度值调整到预设值以下，获得第四图像，将深度图像中每一像元的灰度值调整到预设值以下，获得第五图像，预设值为第六图像中的最大灰度值，第六图像为动物在健康状态下所采集的热红外图像灰度化后的图像；将第二图像、第四图像和第五图像进行融合，获得第七图像；将第七图像输入到训练好的卷积神经网络，输出动物的健康状况。
作为本发明的又一个实施例，提供一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机程序，该计算机程序使该计算机执行上述各方法实施例所提供的方法，例如包括：采集动物的标准彩色图像、深度图像和热红外图像；将标准彩色图像和热红外图像灰度化，分别获得第一图像和第二图像，并增强第一图像的对比度，获得第三图像；将第三图像中每一像元的灰度值调整到预设值以下，获得第四图像，将深度图像中每一像元的灰度值调整到预设值以下，获得第五图像，预设值为第六图像中的最大灰度值，第六图像为动物在健康状态下所采集的热红外图像灰度化后的图像；将第二图像、第四图像和第五图像进行融合，获得第七图像；将第七图像输入到训练好的卷积神经网络，输出动物的健康状况。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过计算机程序指令相关的硬件来完成，前述的计算机程序可以存储于一计算机可读取存储介质中，该计算机程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种动物健康状况的检测方法，其特征在于，包括：
采集动物的标准彩色图像、深度图像和热红外图像；
将所述标准彩色图像和所述热红外图像灰度化，分别获得第一图像和第二图像，并增强所述第一图像的对比度，获得第三图像；
将所述第三图像中每一像元的灰度值调整到预设值以下，获得第四图像；将所述深度图像中每一像元的灰度值调整到所述预设值以下，获得第五图像；所述预设值为第六图像中的最大灰度值，所述第六图像为所述动物在健康状态下所采集的热红外图像灰度化后的图像；
将所述第二图像、所述第四图像和所述第五图像进行融合，获得第七图像；
将所述第七图像输入到训练好的卷积神经网络，输出所述动物的健康状况。
2.根据权利要求1所述的方法，其特征在于，所述增强所述第一图像的对比度，获得第三图像，包括：
将所述第一图像输入到Gabor滤波器，输出预设数量个纹理方向的第八图像；
将所述预设数量个纹理方向的第八图像进行融合，获得所述第三图像。
3.根据权利要求2所述的方法，其特征在于，所述将所述预设数量个纹理方向的第八图像进行融合，获得所述第三图像，包括：
将所有第八图像中相同位置处的像元的灰度值进行比较，确定每一位置处的像元的最大灰度值，将每一位置处的像元的最大灰度值作为所述第三图像中对应位置处的像元的灰度值。
4.根据权利要求1所述的方法，其特征在于，所述将所述第三图像中每一像元的灰度值调整到预设值以下，获得第四图像，包括：
确定所述第三图像中像元的第一最大灰度值，将所述预设值与所述第一最大灰度值的比例作为第一比例；
将所述第三图像中每一像元的灰度值按所述第一比例缩放，获得所述第四图像。
5.根据权利要求1所述的方法，其特征在于，所述将所述深度图像中每一像元的灰度值调整到所述预设值以下，获得第五图像，包括：
确定所述深度图像中像元的第二最大灰度值，将所述预设值与所述第二最大灰度值的比例作为第二比例；
将所述深度图像中每一像元的灰度值按所述第二比例缩放，获得所述第五图像。
6.根据权利要求1所述的方法，其特征在于，所述将所述第二图像、所述第四图像和所述第五图像进行融合，获得第七图像，包括：
将所述第二图像、所述第四图像和所述第五图像中相同位置处的像元的灰度值进行比较，确定每一位置处的像元的最大灰度值，将每一位置处的像元的最大灰度值作为所述第七图像中对应位置处的像元的灰度值。
7.根据权利要求6所述的方法，其特征在于，所述将所述第二图像、所述第四图像和所述第五图像中相同位置处的像元的灰度值进行比较之前，还包括：
通过仿射变换将所述第二图像、所述第四图像和所述第五图像调整到相同的坐标系下；
通过坐标值确定所述第二图像、所述第四图像和所述第五图像中相同位置处的像元。
8.一种动物健康状况的检测装置，其特征在于，包括：
至少一个处理器；以及与所述处理器通信连接的至少一个存储器，其中：
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令以执行如权利要求1至7任一所述的方法。
9.一种计算机程序产品，其特征在于，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行如权利要求1至7任一所述的方法。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机程序，所述计算机程序使所述计算机执行如权利要求1至7任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810151804.XA CN108399617B (zh) | 2018-02-14 | 2018-02-14 | 一种动物健康状况的检测方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810151804.XA CN108399617B (zh) | 2018-02-14 | 2018-02-14 | 一种动物健康状况的检测方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108399617A true CN108399617A (zh) | 2018-08-14 |
| CN108399617B CN108399617B (zh) | 2020-08-14 |
Family
ID=63096552
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810151804.XA Expired - Fee Related CN108399617B (zh) | 2018-02-14 | 2018-02-14 | 一种动物健康状况的检测方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108399617B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110889847A (zh) * | 2019-12-10 | 2020-03-17 | 苏州大学 | 一种基于红外成像的核辐射损伤评估***、方法 |
| CN111104833A (zh) * | 2018-10-29 | 2020-05-05 | 北京三快在线科技有限公司 | 用于活体检验的方法和装置，存储介质和电子设备 |
| CN112241935A (zh) * | 2019-07-18 | 2021-01-19 | 杭州海康威视数字技术股份有限公司 | 图像处理方法、装置及设备、存储介质 |
| CN117912116A (zh) * | 2024-01-24 | 2024-04-19 | 北京林业大学 | 一种真实场景下野生动物姿态估计方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009028930A1 (en) * | 2007-08-27 | 2009-03-05 | Maasland N.V. | System for and method of managing a group of animals |
| CN104616284A (zh) * | 2014-12-09 | 2015-05-13 | 中国科学院上海技术物理研究所 | 彩色深度相机的彩色图像到深度图像的像素级对准算法 |
| CN106472412A (zh) * | 2016-10-10 | 2017-03-08 | 重庆科技学院 | 基于物联网的宠物喂养方法及*** |
| CN206699119U (zh) * | 2017-03-31 | 2017-12-05 | 北京农业信息技术研究中心 | 一种养殖动物监控*** |
-
2018
- 2018-02-14 CN CN201810151804.XA patent/CN108399617B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009028930A1 (en) * | 2007-08-27 | 2009-03-05 | Maasland N.V. | System for and method of managing a group of animals |
| CN104616284A (zh) * | 2014-12-09 | 2015-05-13 | 中国科学院上海技术物理研究所 | 彩色深度相机的彩色图像到深度图像的像素级对准算法 |
| CN106472412A (zh) * | 2016-10-10 | 2017-03-08 | 重庆科技学院 | 基于物联网的宠物喂养方法及*** |
| CN206699119U (zh) * | 2017-03-31 | 2017-12-05 | 北京农业信息技术研究中心 | 一种养殖动物监控*** |
Non-Patent Citations (1)
| Title |
|---|
| 沈明霞 等: "畜禽养殖个体信息监测技术研究进展", 《农业机械学报》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111104833A (zh) * | 2018-10-29 | 2020-05-05 | 北京三快在线科技有限公司 | 用于活体检验的方法和装置，存储介质和电子设备 |
| CN112241935A (zh) * | 2019-07-18 | 2021-01-19 | 杭州海康威视数字技术股份有限公司 | 图像处理方法、装置及设备、存储介质 |
| CN112241935B (zh) * | 2019-07-18 | 2023-05-26 | 杭州海康威视数字技术股份有限公司 | 图像处理方法、装置及设备、存储介质 |
| CN110889847A (zh) * | 2019-12-10 | 2020-03-17 | 苏州大学 | 一种基于红外成像的核辐射损伤评估***、方法 |
| CN117912116A (zh) * | 2024-01-24 | 2024-04-19 | 北京林业大学 | 一种真实场景下野生动物姿态估计方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108399617B (zh) | 2020-08-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108399617A (zh) | 一种动物健康状况的检测方法和装置 | |
| CN106548467B (zh) | 红外图像和可见光图像融合的方法及装置 | |
| CN103430551B (zh) | 使用具有纵色像差的透镜单元的成像***及其操作方法 | |
| CN107977940A (zh) | 背景虚化处理方法、装置及设备 | |
| CN105933617B (zh) | 一种用于克服动态问题影响的高动态范围图像融合方法 | |
| Zheng et al. | Qualitative and quantitative comparisons of multispectral night vision colorization techniques | |
| US20100208946A1 (en) | Specifying flesh area on image | |
| CN108419028A (zh) | 图像处理方法、装置、计算机可读存储介质和电子设备 | |
| CN106960428A (zh) | 可见光和红外双波段图像融合增强方法 | |
| US20070098260A1 (en) | Detecting and correcting peteye | |
| CN108053363A (zh) | 背景虚化处理方法、装置及设备 | |
| CN105103187A (zh) | 用于阴影检测和减弱的多光谱成像*** | |
| CN108710910A (zh) | 一种基于卷积神经网络的目标识别方法及*** | |
| Finlayson | Colour and illumination in computer vision | |
| CN109461186A (zh) | 图像处理方法、装置、计算机可读存储介质和电子设备 | |
| CN110268420A (zh) | 在图像中检测背景物上的外来物的计算机实现的方法、在图像中检测背景物上的外来物的设备以及计算机程序产品 | |
| CN116681636B (zh) | 基于卷积神经网络的轻量化红外与可见光图像融合方法 | |
| JPWO2020003991A1 (ja) | 医療画像学習装置、方法及びプログラム | |
| CN108616700A (zh) | 图像处理方法和装置、电子设备、计算机可读存储介质 | |
| CN111882555B (zh) | 基于深度学习的网衣检测方法、装置、设备及存储介质 | |
| CN105979233B (zh) | 去马赛克方法、图像处理器及图像传感器 | |
| CN110192388A (zh) | 图像处理装置、数码相机、图像处理程序、以及记录介质 | |
| CN109191398A (zh) | 图像处理方法、装置、计算机可读存储介质和电子设备 | |
| CN107680070B (zh) | 一种基于原始图像内容的分层权重图像融合方法 | |
| JP2008077460A (ja) | 画像評価装置およびそのプログラム |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200814 Termination date: 20210214 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |