CN108460370A - 一种固定式家禽生命信息报警装置 - Google Patents
一种固定式家禽生命信息报警装置 Download PDFInfo
- Publication number
- CN108460370A CN108460370A CN201810329798.2A CN201810329798A CN108460370A CN 108460370 A CN108460370 A CN 108460370A CN 201810329798 A CN201810329798 A CN 201810329798A CN 108460370 A CN108460370 A CN 108460370A
- Authority
- CN
- China
- Prior art keywords
- image
- poultry
- warning device
- value
- area
- 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
- 244000144977 poultry Species 0.000 title claims abstract description 67
- 238000001514 detection method Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 9
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 72
- 229910052742 iron Inorganic materials 0.000 claims description 36
- 238000000034 method Methods 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 9
- 238000009499 grossing Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000002405 diagnostic procedure Methods 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 238000005303 weighing Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 8
- 238000004458 analytical method Methods 0.000 abstract description 5
- 230000002159 abnormal effect Effects 0.000 abstract description 3
- 238000009395 breeding Methods 0.000 abstract description 3
- 230000001488 breeding effect Effects 0.000 abstract description 3
- 230000006855 networking Effects 0.000 abstract description 2
- 239000002131 composite material Substances 0.000 abstract 1
- 235000013594 poultry meat Nutrition 0.000 description 36
- 241000287828 Gallus gallus Species 0.000 description 21
- 210000003128 head Anatomy 0.000 description 18
- 235000013330 chicken meat Nutrition 0.000 description 17
- 230000006399 behavior Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 241001465754 Metazoa Species 0.000 description 3
- 238000005315 distribution function Methods 0.000 description 3
- 235000013305 food Nutrition 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000010339 dilation Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241001439211 Almeida Species 0.000 description 1
- 208000002979 Influenza in Birds Diseases 0.000 description 1
- 241000407429 Maja Species 0.000 description 1
- IOYNQIMAUDJVEI-BMVIKAAMSA-N Tepraloxydim Chemical compound C1C(=O)C(C(=N/OC\C=C\Cl)/CC)=C(O)CC1C1CCOCC1 IOYNQIMAUDJVEI-BMVIKAAMSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000003853 activation of bipolar cell growth Effects 0.000 description 1
- 238000010171 animal model Methods 0.000 description 1
- 206010064097 avian influenza Diseases 0.000 description 1
- 238000009960 carding Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000005021 gait Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000037230 mobility Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- A01K45/00—Other aviculture appliances, e.g. devices for determining whether a bird is about to lay
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Husbandry (AREA)
- Business, Economics & Management (AREA)
- Environmental Sciences (AREA)
- Agronomy & Crop Science (AREA)
- General Health & Medical Sciences (AREA)
- Birds (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明一种固定式家禽生命信息报警装置,属于家禽监测技术领域;所要解决的技术问题是提供了一种更为智能的稳定可靠、构成简单、组网灵活的家禽生命信息检测与报警装置;技术方案为:包括摄像机、视频采集卡、显示屏、计算机和声光电报警装置,摄像机设置在固定位置,对禽笼中的家禽进行实时监控,视频采集卡与摄像机相连,计算机的输入端与视频采集卡相连,计算机的输出端分别与显示屏和声光电报警装置相连,计算机内部设置有家禽生命信息检测程序,经该检测程序智能分析后在软件界面直接以数据显示,当家禽的生命状况出现异常时,***经声光电报警装置发出报警通知饲养员处理;本发明可广泛应用于家禽养殖领域。
Description
技术领域
本发明一种固定式家禽生命信息报警装置,属于家禽监测管理技术领域。
背景技术
家禽自古以来在人类生产生活中便占据了极为重要的地位,它的肉色泽鲜美,早已成为人类餐桌上不可割舍的一部分,它的皮毛保暖舒适,也是纺织工业中重要的组成部分。家禽的生产与消费量巨大,大规模标准化的笼养家禽的生产与质量控制显得尤为重要。在无人值守式的大型饲养企业,一些未能被及时发现的病死家禽可以在很短的时间将疫病迅速传染,不仅存在传染给其他家禽的风险,而且还传质传染给人的风险。笼养家禽的生命健康体征检测严重关系着企业的效益和人民的健康。
腾光辉课题组尝试过基于机器视觉的欧式距离法识别单只蛋鸡的行为(劳凤丹,腾光辉,李军,等.机器视觉识别单只蛋鸡行为的方法[J].农业工程学报,2012,28(24):157-163.),其研究重心在于蛋鸡发声行为的特征识别,而且其实验是没有笼子阻隔的实验监控条件下进行的,对视频前景有笼子阻隔、大数量鸡群同舍情况下的行为识别未见进一步研究。A.Aydin(2010)根据视频监控分析鸡的运动次数与其活力之间的关系(AYDIN A CO,EREN OZCAN S.Application of a fully automatic analysis tool to assess theactivity of broiler chickens with different gait scores[J].Computers andElectronics in Agriculture,2010,73(2):194-199.)。实验采用专家分析和视频自动监控处理对比,说明运动多的鸡需要更多食物,反映了鸡的活力。Kashiha(2013)介绍了他们研究的一种基于视觉监控技术的鸡舍自动报警***(KASHIHA M P,ARNO;BAHR,CLAUDIA;VRANKEN,ERIK;BERCKMANS,DANIEL.Development of an early warning system for abroiler house using image interpretation[M].Advances in Mass Data Analysis ofImages and Signals in Medicine,Biotechnology,Chemistry and Food Industry-8thInternational Conference,MDA 2013,Proceedings.ibai-publishing.2013:36-44.)。该设施对饲养的28000只鸡的鸡舍所能发生的情况事件进行自动报警处理,21次事件发生,有20件实现了实时自动报警。Nan Dongji(2011)采用视觉监控技术,根据鸡的行为分析鸡是否被禽流感感染(NAN D M,SOICHIRO;YOKOI,HIROSHI.A tracking method of multiplemoving objects for animal watch sensor systems-Measures for random mobilityand the problem with connection and separation[M].50th Annual Conference onSociety of Instrument and Control Engineers,SICE 2011.Society of Instrumentand Control Engineers(SICE).2011:1991-1994.)。***可以提取单只鸡的运动轨迹,但多只目标的情况就很难跟踪其运动了。Pereira(2012)根据彩***监控图像,提取鸡的区域面积和周长,将面积与周长的比值作为描述鸡对不同温度环境下的感受情况指标,用于评价什么样的温度才适合鸡的生活舒适度(PEREIRA D F N,IRENILZA DE ALENCAR;GABRIEL FILHO,LUIS ROBERTO ALMEIDA;NETO,MARIO MOLLO.Cluster index foraccessing thermal comfort for broiler breeders[M].9th International LivestockEnvironment Symposium 2012,ILES 2012.American Society of Agricultural andBiological Engineers.2012:207-212.)。Crispim(2013)通过提取监控视频图像中动物的固定距离、长度、面积作为特定行为的特征值,利用多层人工神经网络,识别运动、不动、进食、梳毛等行为,最低识别率可达83%(CRISPIM JR.C F M-N,J.Artificial neuralnetworks and image features for automatic detection of behavioral events inlaboratory animals[M].5th Latin American Congress on Biomedical Engineering,CLAIB 2011;Springer Verla.2013:862-865.)。Danilo F.Pereira(2013)采用机器视觉技术,根据鸡的图像形状特性,进行鸡的行为识别,实验交叉识别正确率达70%以上,同时指出光照及背景等其他客观因素直接影响了鸡行为的识别准确率(PEREIRA D F M,BRUNOC.B.;MAIA,GUILHERME D.N.;TATIANA SALES,G.;MAGALH ES,MARCELO M.;GATES,RICHARDS.Machine vision to identify broiler breeder behavior[J].Computers andElectronics in Agriculture,2013,99(November 2013):194–199.)。
大型无人值守式的家禽饲养企业现场复杂,采用上述方法的装置不能检测饲养笼中禽群出现疫病的家禽。
发明内容
本发明一种固定式家禽生命信息报警装置,克服了现有技术存在的不足,提供了一种更为智能的稳定可靠、构成简单、组网灵活的家禽生命信息检测与报警装置。该装置通过智能检测家禽的数量,与数据库数量进行对比,判断到异常时触发报警装置,提高了家禽养殖的管理水平。
为了解决上述技术问题,本发明采用的技术方案为:一种固定式家禽生命信息报警装置,包括摄像机、视频采集卡、显示屏、计算机和声光电报警装置,摄像机设置在固定位置,对禽笼中的家禽进行实时监控,视频采集卡与摄像机相连,计算机的输入端与视频采集卡相连,计算机的输出端分别与显示屏和声光电报警装置相连,计算机内部设置有家禽生命信息检测程序,家禽生命信息检测程序用于执行以下步骤:
S1.对采集的图像进行背景去除与禽笼提取,获得禽笼区域图像;
S2.检测禽笼区域图像中反光铁丝的边缘,提取铁丝二值化区域并进行膨胀处理,去除面积较小的连通区域;
S3.在禽笼区域图像中,以膨胀后的图像为掩膜图像对铁丝区域进行填充,去除反光铁丝,得到填充图像,并进行局部平滑;
S4.对填充图像进行局部直方图均衡,消除光照不均衡造成的影响;
S5.确定阈值对步骤S4得到的图像进行二值化处理,提取家禽头部的初步区域;
S6.在步骤S1得到的禽笼区域图像中提取步骤S5中家禽头部所处初步区域部分的图像,对这部分图像再次确定阈值并进行二值化处理,最终确定家禽头部的连通分量;
S7.根据家禽头部各连通分量面积确定家禽的数量。
进一步,所述摄像机的顶端与支架相连,支架为伸缩式,支架中部设有调节旋钮。
进一步,所述步骤S1包括以下步骤:通过夹角和判别法判断一个点是否在禽笼四边形内部,确定禽笼四个顶点的像素坐标按顺时针方向依次为A(x1,y1)、B(x2,y2)、C(x3,y3)、D(x4,y4),设测试点为P(x,y),分别得到点P与四条边AB,BC,CD,DA的夹角分别为;若满足∠APB+∠BPC+∠CPD+∠DPA≠360°,则判断测试点P(x,y)不在笼子区域内,对该点的像素数值清零,分别取四个顶点像素坐标x和y的最大值与最小值,以(xmax,ymin)、(xmax,ymax)、(xmin,ymin)、(xmin,ymax)四个点为矩形的四个顶点提取禽笼图像,对背景像素值置0,截取禽笼图像。
进一步,所述步骤S2包括以下步骤:采用Roberts算子检测铁丝边缘,设I(i,j)为边缘图像中像素坐标(i,j)处的数值,其值为0或1,若满足I(i-1,j)+I(i-2,j)+I(i-3,j)>0,I(i+1,j)+I(i+2,j)+I(i+3,j)>0,则令I(i,j)=1,即将同一铁丝两条边缘直线之间的像素值置1得到铁丝区域;选择半径为6个像素长度的圆形结构元素,对铁丝区域进行膨胀处理;然后,提取铁丝二值区域的连通分量,去除面积小于500个像素的连通分量。
进一步,所述步骤S3包括以下步骤:以膨胀后的图像为掩膜图像对铁丝区域进行填充,区域填充从掩膜图像外边界上的像素值依次向内插值,插值方法采用基于改进的最近邻插值算法,然后采用高斯平滑对掩膜图像标记的插值图像区域进行局部平滑处理。
进一步,所述步骤S4包括以下步骤:根据光照情况将填充图像分为两部分,远离光源的一部分采用累积分布函数进行映射,映射的最大值为靠近光源一侧的最大值。
进一步,所述的步骤S5包括以下步骤:采用聚类算法将图像分为多类,取数值最大一类区域灰度值的最小值为二值化阈值,提取家禽头部所处的初步区域的二值化图像。
进一步,所述的步骤S6包括以下步骤:对步骤S1中采集的禽笼区域图像提取家禽头部的区域图像,对该图像再次采用聚类算法将图像分为多类,取灰度值最大一类的最小值为二值化阈值,确定家禽头部区域;
进一步,所述的步骤S7包括以下步骤:提取家禽头部二值化图像中的连通分量及面积,将面积大于500个像素的连通区域的个数作为最终的家禽数量。
本发明与现有技术相比具有以下有益效果。
本发明通过视觉监控技术,实时监控家禽的数量,并进一步判断家禽的生命健康信息,智能判别家禽出现死亡情况时,通过报警装置及时通知养殖人员,从而对可能发生疾病的有效控制,避免造成不必要的损失,杜绝了在家禽出现异常情况时不能及时处理而引起严重事故的问题。
附图说明
图1为本发明装置实施例的结构示意图。
图2为本发明实施例中生命信息检测程序的总体流程图。
图3是本发明实施例中去除背景后截取的鸡笼图像。
图4是本发明实施例中采用Roberts算子检测的铁丝边缘的图像。
图5是本发明实施例中铁丝区域膨胀后的二值化图像。
图6是本发明实施例中填充铁丝区域后的图像。
图7是本发明实施例中亮度均衡后的鸡笼图像。
图8是本发明实施例中第一次聚类算法得到的蛋鸡头部所处的初步区域的二值图。
图9是本发明实施例中第二次聚类算法得到的蛋鸡头部区域的二值图。
图中,1-禽笼,2-异常蛋鸡,3-正常蛋鸡,4-支架,5-调节旋钮,6-摄像机,7-视频采集卡,8-生命信息监测程序界面,9-显示屏,10-计算机,11-声光电报警装置。
具体实施方式
下面结合附图对本发明实施例做进一步的说明。
如图1所示,本发明一种固定式家禽生命信息报警装置,包括摄像机6、视频采集卡7、显示屏9、计算机10和声光电报警装置11,摄像机6设置在固定位置,摄像机6的顶端与支架4相连,支架4为伸缩式,支架4中部设有调节旋钮5,通过调节旋钮5能够调节摄像机6所在高度。摄像机6对禽笼1中的蛋鸡进行实时监控,视频采集卡7与摄像机6相连,计算机10的输入端与视频采集卡7相连,计算机10的输出端分别与显示屏9和声光电报警装置11相连,
本装置工作在夜间或光线较暗的环境,摄像机6记录每只蛋鸡的活动、饮食、休息等生命状况。通过视频采集卡7将视频图像传送至计算机10,生命信息检测程序通过一些列的图像处理步骤,使显示屏9上显示出生命信息监测程序界面8,区别并标识出异常蛋鸡2或者正常蛋鸡3,若发现异常蛋鸡2,立即通过声光电报警装置11发出报警提示饲养员及时处理,同时存储备份相关视频及分析数据信息。
如图2所示,生命信息检测程序主要包括以下步骤:
S1.对采集的图像进行背景去除与禽笼提取,获得禽笼区域图像;
S2.检测禽笼区域图像中反光铁丝的边缘,提取铁丝二值化区域并进行膨胀处理,去除面积较小的连通区域;
S3.在禽笼区域图像中,以膨胀后的图像为掩膜图像对铁丝区域进行填充,去除反光铁丝,得到填充图像,并进行局部平滑;
S4.对填充图像进行局部直方图均衡,消除光照不均衡造成的影响;
S5.确定阈值对步骤S4得到的图像进行二值化处理,提取蛋鸡头部的初步区域;
S6.对步骤S1中得到的禽笼区域图像提取步骤S5中蛋鸡头部所处初步区域部分的图像,对这部分图像再次确定阈值并进行二值化处理,最终确定蛋鸡头部的连通分量;;
S7.根据蛋鸡头部各区域面积确定蛋鸡的数量。
以下详细的说明上述步骤,步骤S1的具体步骤是:通过夹角和判别法判断一个点是否在禽笼四边形内部;确定禽笼四个顶点的像素坐标顺时针方向依次为A(x1,y1)、B(x2,y2)、C(x3,y3)、D(x4,y4),设测试点为P(x,y),分别得到点P与四条边AB,BC,CD,DA的夹角分别为∠APB,∠BPC,∠CPD,∠DPA,若满足
∠APB+∠BPC+∠CPD+∠DPA≠360° (1),
则认为测试点P(x,y)不在笼子区域内,对该点的像素数值清零,然后提取禽笼区域图像,分别取四个顶点点像素坐标x和y的最大值与最小值,以(xmax,ymin)、(xmax,ymax)、(xmin,ymin)、(xmin,ymax)四个点为提取矩形的四个顶点提取禽笼图像,对背景像素值置0,截取禽笼图像得到图像I(x,y),如图3所示。
步骤S2的具体步骤是:采用Roberts算子检测铁丝边缘,得到如图4所示的铁丝边缘的图像I1(x,y)。区域确定与膨胀运算:根据Sobel边缘检测,得到铁丝边缘直线组成的二值化图形,将同一铁丝两条边缘直线之间的内容进行填充。I(i,j)为边缘图像中像素坐标(i,j)处的数值,其值为0或1,若满足
则令I(i,j)=1,完成对区域的初步选择。为达到良好的填充效果,需要对填充区域进行膨胀运算。对Z2上元素的集合A和S,使用S对A进行膨胀,选择半径为6个像素长度的圆形结构元素,记作
I1(i,j)为边缘图像中像素坐标(i,j)处的数值,将同一铁丝两条边缘直线之间的像素值置1;选择半径为6个像素长度的圆形结构元素,对铁丝区域进行膨胀处理;提取铁丝区域连通分量的面积,去除面积小于500个像素的连通分量,得到图像I2(x,y),如图5所示。
步骤S3的对铁丝区域进行填充具体步骤是:以膨胀后的图像为掩膜图像对铁丝区域进行填充:区域填充从掩膜图像外边界上的像素值依次向内插值,插值方法采用基于改进的最近邻插值算法。
首先检测掩膜图像的边缘,依次对每一个边缘点进行插值;
基于改进的最近邻插值算法为:若掩膜图像某一个边缘点坐标为(x,y),取该点8连通邻域内属于非掩膜图像的所有点的灰度平均值为该点灰度值,即
式(4)中,I(x,y)为该点的插值结果,n为该点8连通邻域内属于非掩膜图像的点的数量(n<8),I(xi,yi)为第i个非掩膜图像点的灰度值(i∈[1,n])。
其次,将上述插值完成的边缘点从掩膜图像中删除,当所有检测到边缘点插值完成后,即完成一次边缘插值。
重复检测掩膜图像边缘,对边缘点进行插值,直至掩膜图像被彻底删除,则该区域填充完成。
步骤S3的对填充区域进行局部高斯平滑具体步骤是:高斯平滑采用的模板是高斯模板,能够适当加大模板中心点的权重,远离中心点权重迅速减小。
高斯模板是对二维高斯函数,即二维正态密度分布函数的离散化表示。任意大小的高斯模板都可以通过建立一个(2k+1)×(2k+1)的矩阵M得到,其(i,j)位置的元素值可由下式确定
式(5)中,σ是矩阵M中数据的标准差。
本次处理选用的高斯模板为:
式(6)中,w是一个3×3的高斯模版,数值代表了对应点的权重。加大模板中心点的权重,随着距离中心点距离的增大,权重迅速减小。
采用此高斯模版仅对掩膜图像标记的区域进行平滑处理,即为局部平滑。
经过上述插值与平滑后,得到图像I3(x,y),如图6所示。
步骤S4的具体步骤为:对图像进行直方图均衡;单侧光源照射导致鸡笼内部光照不足,需要进行亮度均衡处理,采用直方图均衡化的方法对远离光源一侧进行处理。直方图均衡化中采用离散灰度集的累积分布函数,转换公式为:
式(7)中,Hi为第i级灰度的像素个数,A0为图像的面积(即像素总数),DB为转换后的灰度值,DA为转换前的灰度值,Dmax为最大灰度级(此处,对于灰度图为255),均衡后的图像如图7所示。
步骤S5和步骤S6采用了聚类算法。聚类算法:最小化所有样本到所属类别中心的欧式距离和,采用迭代的方式实现收敛。给定训练样本{x(1),x(2),...,x(m)},x(i)∈Rn,Kmeans聚类算法的具体步骤如下:
a.选取k个聚类中心点,分别为μ1,μ2,...,μk∈Rn;
b.根据下面公式计算每一个样本i的所属类别c(i):
c(i)=argjmin||x(i)-μ(j)||2 (8),
即样本到类别中心欧式距离最小的类别;
c.根据下面公式更新每一类的中心μj:
d.不断重复步骤c和d,直至畸变函数J(c,μ)收敛
即所有样本到其类别中心的欧式距离平方和。
步骤S5采用分为4类的聚类算法确定阀值(取数值最大一类的最小值为阀值,下同)提取大致区域,并在原图中提取该范围图像。对图像进行第一次Kmeans聚类算法确定阈值进行二值化,得到蛋鸡头部所处的大致区域图像I5(x,y),如图8所示。
步骤S6采用分为3类的聚类算法确定阀值,得到蛋鸡头部的二值化图像。在原图中提取该区域图像,对图像进行第二次Kmeans聚类算法确定阈值进行二值化,得到蛋鸡头部区域图像I6(x,y),如图9所示。
步骤S7的具体步骤是:求解每幅蛋鸡头部的二值化图像中的蛋鸡数量,n表示的是连通分量的个数,i(i=1,2,…,n)为连通分量编号,Ai为编号为i的连通分量的面积,若满足
Ai>500 (11),
则认为,该连通分量对应一个蛋鸡头部。最终得到示例图像的处理结果为4。
使用实施例提供的装置,实际从采集视频中提取200幅图像,人工肉眼判断蛋鸡数量。然后从步骤S6得到的图像提取连通分量,将面积大于500个像素的区域个数作为最终的蛋鸡数量。与人工肉眼对200副图像的观测结果相比,一致的数量为185副(92.5%),相差一只的数量为12副(6.0%),相差两只的数量为3副(1.5%)。可见,本装置能够较准确的监测出禽笼中正常蛋鸡的数量。
尽管已经参照其示例性实施例具体显示和描述了本发明,但是本领域的技术人员应该理解,在不脱离权利要求所限定的本发明的精神和范围的情况下,可以对其进行形式和细节上的各种改变。
Claims (9)
1.一种固定式家禽生命信息报警装置,其特征在于:包括摄像机(6)、视频采集卡(7)、显示屏(9)、计算机(10)和声光电报警装置(11),摄像机(6)设置在固定位置,对禽笼(1)中的家禽进行实时监控,视频采集卡(7)与摄像机(6)相连,计算机(10)的输入端与视频采集卡(7)相连,计算机(10)的输出端分别与显示屏(9)和声光电报警装置(11)相连,计算机(10)内部设置有家禽生命信息检测程序,家禽生命信息检测程序用于执行以下步骤:
S1.对采集的图像进行背景去除与禽笼提取,获得禽笼区域图像;
S2.检测禽笼区域图像中反光铁丝的边缘,提取铁丝二值化区域并进行膨胀处理,去除面积较小的连通分量;
S3.在禽笼区域图像中,以膨胀后的图像为掩膜图像对铁丝区域进行填充,去除反光铁丝,得到填充图像,并进行局部平滑;
S4.对填充图像进行局部直方图均衡,消除光照不均衡造成的影响;
S5.确定阈值对步骤S4得到的图像进行二值化处理,提取家禽头部的初步区域;
S6.在步骤S1得到的禽笼区域图像中提取步骤S5中家禽头部所处初步区域部分的图像,对这部分图像再次确定阈值并进行二值化处理,最终确定家禽头部的连通分量;
S7.根据家禽头部各连通分量面积确定家禽的数量。
2.根据权利要求1所述的一种固定式家禽生命信息报警装置,其特征在于:所述摄像机(6)的顶端与支架(4)相连,支架(4)为伸缩式,支架(4)中部设有调节旋钮(5)。
3.根据权利要求1所述的一种固定式家禽生命信息报警装置,其特征在于:所述步骤S1
包括以下步骤:通过夹角和判别法判断一个点是否在禽笼四边形内部,确定禽笼四个顶点
的像素坐标按顺时针方向依次为、、、,设测试点为,分别得到点P与四条边的夹角分别为;若满足,则判断测试点不在笼子区域内,对
该点的像素数值清零,分别取四个顶点像素坐标x和y的最大值与最小值,以、、、四个点为矩形的四个顶点提取禽笼图像,
对背景像素值置0,截取禽笼图像。
4.根据权利要求1所述的一种固定式家禽生命信息报警装置,其特征在于: 所述步骤
S2包括以下步骤:采用Roberts算子检测铁丝边缘,设为边缘图像中像素坐标处的数值,其值为0或1,若满足,,则令 ,即将同一铁丝两条边缘直
线之间的像素值置1得到铁丝区域;选择半径为6个像素长度的圆形结构元素,对铁丝区域
进行膨胀处理;然后,提取铁丝二值区域的连通分量,去除面积小于500个像素的连通分量。
5.根据权利要求1所述的一种固定式家禽生命信息报警装置,其特征在于:所述步骤S3包括以下步骤:以膨胀后的图像为掩膜图像对铁丝区域进行填充,区域填充从掩膜图像外边界上的像素值依次向内插值,插值方法采用基于改进的最近邻插值算法,然后采用高斯平滑对掩膜图像标记的插值图像区域进行局部平滑处理。
6.根据权利要求1所述的一种固定式家禽生命信息报警装置,其特征在于:所述步骤S4包括以下步骤:根据光照情况将填充图像分为两部分,远离光源的一部分采用累积分布函数进行映射,映射的最大值为靠近光源一侧的最大值。
7.根据权利要求1所述的一种固定式家禽生命信息报警装置,其特征在于:所述步骤S5包括以下步骤:采用聚类算法将图像分为多类,取数值最大一类区域灰度值的最小值为二值化阈值,提取家禽头部所处的初步区域的二值化图像。
8.根据权利要求1所述的一种固定式家禽生命信息报警装置,其特征在于:所述步骤S6包括以下步骤:对所述步骤S1中采集的禽笼区域图像提取家禽头部的区域图像,对该图像再次采用聚类算法将图像分为多类,取灰度值最大一类的最小值为二值化阈值,确定家禽头部区域。
9.根据权利要求1所述的一种固定式家禽生命信息报警装置,其特征在于:所述步骤S7包括以下步骤:提取家禽头部二值化图像中的连通分量及面积,将面积大于500个像素的连通分量的个数作为最终的家禽数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810329798.2A CN108460370B (zh) | 2018-04-13 | 2018-04-13 | 一种固定式家禽生命信息报警装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810329798.2A CN108460370B (zh) | 2018-04-13 | 2018-04-13 | 一种固定式家禽生命信息报警装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108460370A true CN108460370A (zh) | 2018-08-28 |
CN108460370B CN108460370B (zh) | 2023-12-05 |
Family
ID=63235394
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810329798.2A Active CN108460370B (zh) | 2018-04-13 | 2018-04-13 | 一种固定式家禽生命信息报警装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108460370B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110766654A (zh) * | 2019-09-09 | 2020-02-07 | 深圳市德孚力奥科技有限公司 | 基于机器学习的活禽检测方法、装置、设备及可读介质 |
CN111220251A (zh) * | 2018-11-26 | 2020-06-02 | 重庆小雨点小额贷款有限公司 | 一种养殖产品的数量确定方法、装置、终端及存储介质 |
CN111539334A (zh) * | 2020-04-24 | 2020-08-14 | 浙江大华技术股份有限公司 | 一种驱赶方法、装置、设备和介质 |
CN117456472A (zh) * | 2023-12-25 | 2024-01-26 | 北京市农林科学院信息技术研究中心 | 食草动物采食量监测方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN205862262U (zh) * | 2016-08-15 | 2017-01-04 | 程云路 | 一种家禽养殖舍智能控制*** |
KR20170119268A (ko) * | 2016-04-22 | 2017-10-26 | 권순태 | 다수의 단말기 간 정보교류시스템. |
CN107835392A (zh) * | 2017-12-01 | 2018-03-23 | 四川巨海渔业科技有限公司 | 一种家禽养殖场移动监控*** |
CN207201725U (zh) * | 2017-09-28 | 2018-04-10 | 中北大学 | 笼养鸡健康状况自动化监测装置 |
-
2018
- 2018-04-13 CN CN201810329798.2A patent/CN108460370B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20170119268A (ko) * | 2016-04-22 | 2017-10-26 | 권순태 | 다수의 단말기 간 정보교류시스템. |
CN205862262U (zh) * | 2016-08-15 | 2017-01-04 | 程云路 | 一种家禽养殖舍智能控制*** |
CN207201725U (zh) * | 2017-09-28 | 2018-04-10 | 中北大学 | 笼养鸡健康状况自动化监测装置 |
CN107835392A (zh) * | 2017-12-01 | 2018-03-23 | 四川巨海渔业科技有限公司 | 一种家禽养殖场移动监控*** |
Non-Patent Citations (1)
Title |
---|
李倩;: "基于计算机图像处理的智能监控技术研究", 安阳师范学院学报, no. 05 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111220251A (zh) * | 2018-11-26 | 2020-06-02 | 重庆小雨点小额贷款有限公司 | 一种养殖产品的数量确定方法、装置、终端及存储介质 |
CN110766654A (zh) * | 2019-09-09 | 2020-02-07 | 深圳市德孚力奥科技有限公司 | 基于机器学习的活禽检测方法、装置、设备及可读介质 |
CN111539334A (zh) * | 2020-04-24 | 2020-08-14 | 浙江大华技术股份有限公司 | 一种驱赶方法、装置、设备和介质 |
CN111539334B (zh) * | 2020-04-24 | 2023-04-25 | 浙江大华技术股份有限公司 | 一种驱赶方法、装置、设备和介质 |
CN117456472A (zh) * | 2023-12-25 | 2024-01-26 | 北京市农林科学院信息技术研究中心 | 食草动物采食量监测方法、装置、电子设备及存储介质 |
CN117456472B (zh) * | 2023-12-25 | 2024-04-23 | 北京市农林科学院信息技术研究中心 | 食草动物采食量监测方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108460370B (zh) | 2023-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fang et al. | Pose estimation and behavior classification of broiler chickens based on deep neural networks | |
Zhuang et al. | Development of an early warning algorithm to detect sick broilers | |
Yang et al. | Feeding behavior recognition for group-housed pigs with the Faster R-CNN | |
Wurtz et al. | Recording behaviour of indoor-housed farm animals automatically using machine vision technology: A systematic review | |
Mortensen et al. | Weight prediction of broiler chickens using 3D computer vision | |
Fang et al. | Comparative study on poultry target tracking algorithms based on a deep regression network | |
Yang et al. | Automatic recognition of sow nursing behaviour using deep learning-based segmentation and spatial and temporal features | |
Mohamed et al. | Msr-yolo: Method to enhance fish detection and tracking in fish farms | |
CN108460370A (zh) | 一种固定式家禽生命信息报警装置 | |
Chen et al. | Classification of drinking and drinker-playing in pigs by a video-based deep learning method | |
Reddy et al. | Analysis of classification algorithms for plant leaf disease detection | |
CN107895367A (zh) | 一种骨龄识别方法、***及电子设备 | |
Zhu et al. | Recognition and drinking behaviour analysis of individual pigs based on machine vision | |
Sanaeifar et al. | Advancing precision agriculture: The potential of deep learning for cereal plant head detection | |
CN112528823B (zh) | 一种基于关键帧检测和语义部件分割的条斑鲨运动行为分析方法及*** | |
US20210279855A1 (en) | Neural network-based systems and computer-implemented methods for identifying and/or evaluating one or more food items present in a visual input | |
Wu et al. | Monitoring the respiratory behavior of multiple cows based on computer vision and deep learning | |
Niu et al. | Automatic localization of optic disc based on deep learning in fundus images | |
Gan et al. | Automated detection and analysis of piglet suckling behaviour using high-accuracy amodal instance segmentation | |
WO2023041904A1 (en) | Systems and methods for the automated monitoring of animal physiological conditions and for the prediction of animal phenotypes and health outcomes | |
CN114627505A (zh) | 一种奶牛清洁度自动评分方法、***、存储介质及设备 | |
Zhou et al. | Detection of abnormal chicken droppings based on improved Faster R-CNN | |
Kim et al. | AVATAR: ai vision analysis for three-dimensional action in real-time | |
Li et al. | A supervised method using convolutional neural networks for retinal vessel delineation | |
CN111652084B (zh) | 一种异常蛋鸡识别方法及装置 |
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 |