CN110263753B - 一种对象统计方法和装置 - Google Patents

一种对象统计方法和装置 Download PDF

Info

Publication number
CN110263753B
CN110263753B CN201910572394.0A CN201910572394A CN110263753B CN 110263753 B CN110263753 B CN 110263753B CN 201910572394 A CN201910572394 A CN 201910572394A CN 110263753 B CN110263753 B CN 110263753B
Authority
CN
China
Prior art keywords
counted
image
area surrounding
rectangular area
ellipse
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.)
Active
Application number
CN201910572394.0A
Other languages
English (en)
Other versions
CN110263753A (zh
Inventor
陈奕名
苏睿
张为明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jingdong Technology Information Technology Co Ltd
Original Assignee
Beijing Haiyi Tongzhan Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Haiyi Tongzhan Information Technology Co Ltd filed Critical Beijing Haiyi Tongzhan Information Technology Co Ltd
Priority to CN201910572394.0A priority Critical patent/CN110263753B/zh
Publication of CN110263753A publication Critical patent/CN110263753A/zh
Priority to PCT/CN2020/083513 priority patent/WO2020258977A1/zh
Application granted granted Critical
Publication of CN110263753B publication Critical patent/CN110263753B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种对象统计方法和装置，方法包括：获取监控区域的固定摄像头拍摄的图像；确定图像中包围每个待统计对象的矩形区域；将包围每个待统计对象的矩形区域转换为贴合待统计对象体型的预设形状；根据转换得到的所有预设形状识别和统计图像中的所有待统计对象。本发明能够对使用固定摄像头拍摄的图像中的检测对象进行准确识别和数量统计。

Description

一种对象统计方法和装置
技术领域
本发明涉及图像处理技术领域，特别涉及一种对象统计方法和装置。
背景技术
活体检测是在一些身份验证场景中用于确定对象真实生理特征的方法。在人脸识别应用中，活体检测能通过眨眼、张嘴、摇头、点头等组合动作，使用人脸关键点定位和人脸追踪等技术，验证用户是否为真实活体本人操作。可有效抵御照片、换脸、面具、遮挡以及屏幕翻拍等常见的攻击手段。
相对于“人脸识别”，其他活体动物身份识别是人工智能技术在新的场景和环境下的尝试和探索。生物活体识别技术具有广泛的应用前景，能够帮助养殖场对每一养殖对象，例如猪、牛、羊等，进行跟踪，实现日常信息管理与全流程追溯。
发明内容
有鉴于此，本发明的目的在于提供一种对象统计方法和装置，能够对使用固定摄像头拍摄的图像中的检测对象进行准确识别和数量统计。
为了达到上述目的，本发明提供了如下技术方案：
一种对象统计方法，包括：
获取监控区域的固定摄像头拍摄的图像；
确定图像中包围每个待统计对象的矩形区域；
将包围每个待统计对象的矩形区域转换为贴合待统计对象体型的预设形状；
根据转换得到的所有预设形状识别和统计图像中的所有待统计对象。
较佳地，利用预先训练的R2CNN检测模型对图像进行检测，确定图像中包围每个待统计对象的矩形区域，包括：
利用候选区域网络RPN算法确定包围每个待统计对象的水平矩形框；
利用感兴趣区域池化ROI Pooling算法生成每个水平矩形框的图像特征，对该图像特征进行回归分析，根据回归分析结果将该水平矩形框调整为倾斜矩形框；所述回归分析结果包括该水平矩形框对应的平移和旋转角度信息。
较佳地，所述贴合待统计对象体型的预设形状为椭圆；
将包围每个待统计对象的矩形区域转换为贴合待统计对象体型的预设形状，包括：
将包围该待统计对象的矩形区域的中心点设置为椭圆的中心点；
将包围该待统计对象的矩形区域的倾斜角度设置为椭圆的倾斜角度；
将包围该待统计对象的矩形区域的宽度和高度分别设置为椭圆的长轴和短轴；
生成符合上述中心点、长轴、短轴、以及倾斜角度设置的椭圆，用该椭圆替代包围该待统计对象的矩形区域。
较佳地，根据转换得到的所有预设形状识别和统计图像中的所有待统计对象，包括：
将转换得到的每个预设形状行非极大值抑制，得到待统计对象的识别结果；
统计确定识别结果中所有待统计对象的数量。
一种对象统计装置，包括：
获取单元，用于获取监控区域的固定摄像头拍摄的图像；
确定单元，用于确定图像中包围每个待统计对象的矩形区域；
转换单元，用于将包围每个待统计对象的矩形区域转换为贴合待统计对象体型的预设形状；
识别与统计单元，用于根据转换单元转换得到的所有预设形状识别和统计图像中的所有待统计对象。
较佳地，所述确定单元，利用预先训练的R2CNN检测模型对图像进行检测，确定图像中包围每个待统计对象的矩形区域，包括：
利用候选区域网络RPN算法确定包围每个待统计对象的水平矩形框；
利用感兴趣区域池化ROI Pooling算法生成每个水平矩形框的图像特征，对该图像特征进行回归分析，根据回归分析结果将该水平矩形框调整为倾斜矩形框；所述回归分析结果包括该水平矩形框对应的平移和旋转角度信息。
较佳地，所述贴合待统计对象体型的预设形状为椭圆；
所述转换单元，将包围每个待统计对象的矩形区域转换为贴合待统计对象体型的预设形状，包括：
将包围该待统计对象的矩形区域的中心点设置为椭圆的中心点；
将包围该待统计对象的矩形区域的倾斜角度设置为椭圆的倾斜角度；
将包围该待统计对象的矩形区域的宽度和高度分别设置为椭圆的长轴和短轴；
生成符合上述中心点、长轴、短轴、以及倾斜角度设置的椭圆，用该椭圆替代包围该待统计对象的矩形区域。
较佳地，所述识别与统计单元，根据转换得到的所有预设形状识别和统计图像中的所有待统计对象，包括：
将转换得到的每个预设形状行非极大值抑制，得到待统计对象的识别结果；
统计确定识别结果中所有待统计对象的数量。
一种电子设备，包括：至少一个处理器，以及与所述至少一个处理器通过总线相连的存储器；所述存储器存储有可被所述至少一个处理器执行的一个或多个计算机程序；其特征在于，所述至少一个处理器执行所述一个或多个计算机程序时实现上述对象统计方法中的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个计算机程序，所述一个或多个计算机程序被处理器执行时实现上述对象统计方法。
由上面的技术方案可知，本发明中，确定使用固定摄像头拍摄的图像中待统计对象确定图像中包围每个待统计对象的矩形区域后，通过将包围每个待统计对象的矩形区域进行形状转换，使其更贴合待统计对象的体型，从而可以更准确的将每个待统计对象区分开来，特别是可以将存在部分重叠的两个以上的待统计对象区分开来，因而可以有效提高后续对待统计对象进行识别和统计时的准确性。
附图说明
图1是本发明实施例对象统计方法流程图；
图2是本发明实施例一待统计对象识别结果示意图；
图3是本发明实施例二待统计对象识别结果示意图
图4是本发明实施例对象统计装置的结构示意图；
图5是本发明实施例提供的电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，下面结合附图并据实施例，对本发明的技术方案进行详细说明。
在智能养殖场景中，使用机器视觉统计养殖对象的数量，能够最大限度上减少人力资源的支出。本发明提供的技术方案可用于对智能养殖场景的养殖对象进行数量统计，以降低人工成本。
参见图1，图1是本发明实施例对象统计方法流程图，如图1所示，该方法主要包括以下步骤：
步骤101、获取监控区域的固定摄像头拍摄的图像。
在智能养殖场景中，为了对养殖对象进行数量统计，可以在各个监控区域中部署位置固定的摄像头(即固定摄像头)，使用摄像头定期拍摄其所属监控区域的图像。
本发明实施例中，通过获取各固定摄像头定期拍摄的图像并对图像进行分析，识别该固定摄像头所属监控场景中的所有养殖对象(即待统计对象)并进行数量统计，可以减少通过人工数数带来的人力资源支出，降低人工成本。
步骤102、确定图像中包围每个待统计对象的矩形区域。
在实际应用中，确定图像中包围每个待统计对象的矩形区域，可以使用图像处理技术中的多种方法实现。本发明实施例中，采用R2CNN技术实现，具体地，可以预先使用多个待统计对象的训练样本进行训练得到R2CNN检测模型，之后就可以将该R2CNN检测模型用于本发明的对象统计过程中，具体是在本步骤中利用R2CNN检测模型确定图像中包围每个待统计对象的矩形区域，即：将图像输入到R2CNN检测模型，R2CNN检测模型对输入的图像进行图像检测，即可输出图像中包围每个待统计对象的矩形区域。
本发明实施例中，利用预先训练的R2CNN检测模型对图像进行图像检测，确定图像中包围每个待统计对象的矩形区域，具体实现过程如下：
利用候选区域网络RPN算法确定图像中包围每个待统计对象的水平矩形框；
利用感兴趣区域池化ROI Pooling算法生成每个水平矩形框的图像特征，对该图像特征进行回归分析，根据回归分析结果将该水平矩形框调整为倾斜矩形框；所述回归分析结果包括该水平矩形框对应的平移和旋转角度信息。
其中，利用候选区域网络RPN算法确定图像中包围每个待统计对象的水平矩形框，主要是通过卷积算法提取不同尺度下的图像特征，其中既包括低级的边缘纹理特征，也包括高级的语义特征，通过将这两种特征融合起来，可以生成包围每个待统计对象的完整信息以及和图像边界平行的矩形框(称为水平矩形框)。
现有大多数对活体检测的方法所检测的结果没有显示方向性，仅有水平或垂直方向的检测结果，而人在对养殖对象进行数数时，通常是俯视的视角，因此，在智能养殖这种实际生产场景中的活体检测，不同于普通目标的检测任务，除了框出养殖对象信息之外，还应添加面向任意方向场景的活体检测。
因此，为了充分识别待统计对象信息，针对每个水平矩形框，可以通过感兴趣区域池化(ROI Pooling)算法进行图片信息检测，生成该水平矩形框的图像特征，然后对利用ROI Pooling算法生成的图像特征进行回归分析，得到的回归分析结果包括水平矩形框对应的平移和旋转角度信息，此平移和旋转角度信息表明了需要对水平矩形框进行的方向调整，是将水平矩形框调整为具有方向性的倾斜矩形框的依据。
步骤103、将包围每个待统计对象的矩形区域转换为贴合待统计对象体型的预设形状。
在实际应用中，可以根据待统计对象的体型特点，预先设置能够贴合待统计对象体型的形状，在确定了包围每个待统计对象的矩形区域后，可以将包围该待统计对象的矩形区域的边框转换贴合待统计对象体型的形状，使得框出的包围每个待统计对象的区域和待统计对象实际占用的区域更加贴合/贴近。
在智能养殖场景中，养殖对象不同，养殖对象的体型也不尽相同，又因为固定摄像头一般是以俯视角度来拍摄图像的，因此，主要拍摄部位也是养殖对象的躯干部分，因此，本发明中，任一种养殖对象作为待统计对象时，可以根据养殖对象的躯干部分的体型来进行形状设置，例如设置贴合待统计对象体型的形状为圆形、椭圆、菱形等。
猪、牛、羊是智能养殖场景中最常见的养殖对象，其躯干部分的体型均比较接近椭圆，因此，当待统计对象是猪、牛、羊中的任一种时，可以预先将贴合待统计对象体型的形状设置为椭圆。
当贴合待统计对象体型的预设形状为椭圆时，可以采用以下方式将包围每个待统计对象的矩形区域转换为椭圆区域：
将包围该待统计对象的矩形区域的中心点设置为椭圆的中心点；
将包围该待统计对象的矩形区域的倾斜角度设置为椭圆的倾斜角度；
将包围该待统计对象的矩形区域的宽度和高度分别设置为椭圆的长轴和短轴；
生成符合上述中心点、长轴、短轴、以及倾斜角度设置的椭圆，用该椭圆替代包围该待统计对象的矩形区域。
如果贴合待统计对象体型的预设形状为其它形状，也需要根据实际形状进行相应转换，但是在转换时，中心点、倾斜度都需要保持一致，且转换后的形状不能超过原有矩形区域的大小。
步骤104、根据转换得到的所有预设形状识别和统计图像中的所有待统计对象。
本步骤中，为了准确识别图像中的所有待统计对象，可以先将转换得到的每个预设形状进行非极大值抑制，从而得到待统计对象的识别结果，然后再通过统计确定识别结果中所有待统计对象的数量。
在实际应用中，对包围待统计对象的区域进行非极大值抑制时，对于存在重叠区域的两个待统计对象来说，重叠区域越大，将其中一个待统计对象抑制掉的可能性越大，反之，则将其中一个待统计对象抑制掉的可能性则越小。因此，本申请通过包围待统计对象的矩形区域转换为贴合待统计对象的体型的预设形状，然后再对预设形状进行非极大值抑制，可以减少实际存在的待统计对象被抑制掉的情况，从而有效提高对图像中待统计对象的识别和统计的准确性。
图2和图3分别是根据图1所示方法对智能养殖场景中的养殖对象：猪在不同时段拍摄的图像进行识别和数量统计时得到的识别结果示意图，从图2和图3可以看出，固定摄像头的监控区域是一个猪栏，采用本发明的方法可以将猪栏内的所有猪识别出来。这里需要说明的是，本发明中只需要对固定摄像头拍摄的监控区域内的猪进行识别和数量统计，不需要对监控区域之外的猪进行识别和数量统计，因此，在猪栏之外的猪(这些猪的图像上会有猪栏的图像叠加)在训练R2CNN检测模型时需要作为副样本存在，这样，即使固定摄像头拍摄的图像中包含猪栏之外的猪，也不会被识别和统计。
以上对本发明实施例对象统计方法进行了详细说明，本发明还提供了一种对象统计装置，以下结合图4进行详细说明。
参见图4，图4是本发明实施例对象统计装置的结构示意图，如图4所示，该装置包括获取单元401、确定单元402、转换单元403、识别与统计单元404：其中，
获取单元401，用于获取监控区域的固定摄像头拍摄的图像；
确定单元402，用于确定图像中包围每个待统计对象的矩形区域；
转换单元403，用于将包围每个待统计对象的矩形区域转换为贴合待统计对象体型的预设形状；
识别与统计单元404，用于根据转换单元403转换得到的所有预设形状识别和统计图像中的所有待统计对象。
图4所示装置中，
所述确定单元402，利用预先训练的R2CNN检测模型对图像进行检测，确定图像中包围每个待统计对象的矩形区域，包括：
利用候选区域网络RPN算法确定包围每个待统计对象的水平矩形框；
利用感兴趣区域池化ROI Pooling算法生成每个水平矩形框的图像特征，对该图像特征进行回归分析，根据回归分析结果将该水平矩形框调整为倾斜矩形框；所述回归分析结果包括该水平矩形框对应的平移和旋转角度信息。
图4所示装置中，
所述贴合待统计对象体型的预设形状为椭圆；
所述转换单元403，将包围每个待统计对象的矩形区域转换为贴合待统计对象体型的预设形状，包括：
将包围该待统计对象的矩形区域的中心点设置为椭圆的中心点；
将包围该待统计对象的矩形区域的倾斜角度设置为椭圆的倾斜角度；
将包围该待统计对象的矩形区域的宽度和高度分别设置为椭圆的长轴和短轴；
生成符合上述中心点、长轴、短轴、以及倾斜角度设置的椭圆，用该椭圆替代包围该待统计对象的矩形区域。
图4所示装置中，
所述识别与统计单元404，根据转换单元403转换得到的所有预设形状识别和统计图像中的所有待统计对象，包括：
将转换得到的每个预设形状行非极大值抑制，得到待统计对象的识别结果；
统计确定识别结果中所有待统计对象的数量。
本发明实施例还提供了一种电子设备，如图5所示，包括：至少一个处理器501，以及与所述至少一个处理器501通过总线相连的存储器502；所述存储器502存储有可被所述至少一个处理器501执行的一个或多个计算机程序；其中，所述至少一个处理器501执行所述一个或多个计算机程序时实现上述图1所示的对象统计方法中的步骤。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个计算机程序，所述一个或多个计算机程序被处理器执行时实现上述图1所示的对象统计方法。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (8)

1.一种对象统计方法，其特征在于，该方法应用于智能养殖场景，包括：
获取监控区域的固定摄像头以俯视角度拍摄的图像；
确定图像中包围每个待统计对象的矩形区域；所述待统计对象为智能养殖场景中的养殖对象；
将包围每个待统计对象的矩形区域转换为贴合待统计对象体型的预设形状；其中，所述预设形体根据待统计对象的躯干部分的体型设置；
根据转换得到的所有预设形状识别和统计图像中的所有待统计对象；
其中，
所述贴合待统计对象体型的预设形状为椭圆；
将包围每个待统计对象的矩形区域转换为贴合待统计对象体型的预设形状，包括：
将包围该待统计对象的矩形区域的中心点设置为椭圆的中心点；
将包围该待统计对象的矩形区域的倾斜角度设置为椭圆的倾斜角度；
将包围该待统计对象的矩形区域的宽度和高度分别设置为椭圆的长轴和短轴；
生成符合上述中心点、长轴、短轴、以及倾斜角度设置的椭圆，用该椭圆替代包围该待统计对象的矩形区域。
2.根据权利要求1所述的方法，其特征在于，
利用预先训练的R2CNN检测模型对图像进行检测，确定图像中包围每个待统计对象的矩形区域，包括：
利用候选区域网络RPN算法确定包围每个待统计对象的水平矩形框；
利用感兴趣区域池化ROI Pooling算法生成每个水平矩形框的图像特征，对该图像特征进行回归分析，根据回归分析结果将该水平矩形框调整为倾斜矩形框；所述回归分析结果包括该水平矩形框对应的平移和旋转角度信息。
3.根据权利要求1所述的方法，其特征在于，
根据转换得到的所有预设形状识别和统计图像中的所有待统计对象，包括：
将转换得到的每个预设形状行非极大值抑制，得到待统计对象的识别结果；
统计确定识别结果中所有待统计对象的数量。
4.一种对象统计装置，其特征在于，该装置应用于智能养殖场景，包括：
获取单元，用于获取监控区域的固定摄像头以俯视角度拍摄的图像；
确定单元，用于确定图像中包围每个待统计对象的矩形区域；
转换单元，用于将包围每个待统计对象的矩形区域转换为贴合待统计对象体型的预设形状；所述待统计对象为智能养殖场景中的养殖对象；所述预设形体根据待统计对象的躯干部分的体型设置；
识别与统计单元，用于根据转换单元转换得到的所有预设形状识别和统计图像中的所有待统计对象；
其中，
所述贴合待统计对象体型的预设形状为椭圆；
所述转换单元，将包围每个待统计对象的矩形区域转换为贴合待统计对象体型的预设形状，包括：
将包围该待统计对象的矩形区域的中心点设置为椭圆的中心点；
将包围该待统计对象的矩形区域的倾斜角度设置为椭圆的倾斜角度；
将包围该待统计对象的矩形区域的宽度和高度分别设置为椭圆的长轴和短轴；
生成符合上述中心点、长轴、短轴、以及倾斜角度设置的椭圆，用该椭圆替代包围该待统计对象的矩形区域。
5.根据权利要求4所述的装置，其特征在于，
所述确定单元，利用预先训练的R2CNN检测模型对图像进行检测，确定图像中包围每个待统计对象的矩形区域，包括：
利用候选区域网络RPN算法确定包围每个待统计对象的水平矩形框；
利用感兴趣区域池化ROI Pooling算法生成每个水平矩形框的图像特征，对该图像特征进行回归分析，根据回归分析结果将该水平矩形框调整为倾斜矩形框；所述回归分析结果包括该水平矩形框对应的平移和旋转角度信息。
6.根据权利要求4所述的装置，其特征在于，
所述识别与统计单元，根据转换得到的所有预设形状识别和统计图像中的所有待统计对象，包括：
将转换得到的每个预设形状行非极大值抑制，得到待统计对象的识别结果；
统计确定识别结果中所有待统计对象的数量。
7.一种电子设备，包括：至少一个处理器，以及与所述至少一个处理器通过总线相连的存储器；所述存储器存储有可被所述至少一个处理器执行的一个或多个计算机程序；其特征在于，所述至少一个处理器执行所述一个或多个计算机程序时实现权利要求1-3任一权项所述的方法步骤。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储一个或多个计算机程序，所述一个或多个计算机程序被处理器执行时实现权利要求1-3中任一项所述的方法。
CN201910572394.0A 2019-06-28 2019-06-28 一种对象统计方法和装置 Active CN110263753B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910572394.0A CN110263753B (zh) 2019-06-28 2019-06-28 一种对象统计方法和装置
PCT/CN2020/083513 WO2020258977A1 (zh) 2019-06-28 2020-04-07 一种对象统计方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910572394.0A CN110263753B (zh) 2019-06-28 2019-06-28 一种对象统计方法和装置

Publications (2)

Publication Number Publication Date
CN110263753A CN110263753A (zh) 2019-09-20
CN110263753B true CN110263753B (zh) 2020-12-22

Family

ID=67922783

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910572394.0A Active CN110263753B (zh) 2019-06-28 2019-06-28 一种对象统计方法和装置

Country Status (2)

Country Link
CN (1) CN110263753B (zh)
WO (1) WO2020258977A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110263753B (zh) * 2019-06-28 2020-12-22 北京海益同展信息科技有限公司 一种对象统计方法和装置
CN115937791B (zh) * 2023-01-10 2023-05-16 华南农业大学 一种适用于多种养殖模式的家禽计数方法及其计数装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109299688A (zh) * 2018-09-19 2019-02-01 厦门大学 基于可变形快速卷积神经网络的舰船检测方法
CN109670501A (zh) * 2018-12-10 2019-04-23 中国科学院自动化研究所 基于深度卷积神经网络的物体识别与抓取位置检测方法
CN109685870A (zh) * 2018-11-21 2019-04-26 北京慧流科技有限公司 信息标注方法及装置、标注设备及存储介质
CN109816041A (zh) * 2019-01-31 2019-05-28 南京旷云科技有限公司 商品检测摄像头、商品检测方法和装置

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9858496B2 (en) * 2016-01-20 2018-01-02 Microsoft Technology Licensing, Llc Object detection and classification in images
US10460470B2 (en) * 2017-07-06 2019-10-29 Futurewei Technologies, Inc. Recognition and reconstruction of objects with partial appearance
CN108073930A (zh) * 2017-11-17 2018-05-25 维库（厦门）信息技术有限公司 一种基于多个不规则roi的目标检测和跟踪方法
CN108960230B (zh) * 2018-05-31 2021-04-27 中国科学院自动化研究所 基于旋转矩形框的轻量化目标识别方法及装置
CN109242826B (zh) * 2018-08-07 2022-02-22 高龑 基于目标检测的移动设备端签状物根数计数方法及***
CN109583425B (zh) * 2018-12-21 2023-05-02 西安电子科技大学 一种基于深度学习的遥感图像船只集成识别方法
CN110263753B (zh) * 2019-06-28 2020-12-22 北京海益同展信息科技有限公司 一种对象统计方法和装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109299688A (zh) * 2018-09-19 2019-02-01 厦门大学 基于可变形快速卷积神经网络的舰船检测方法
CN109685870A (zh) * 2018-11-21 2019-04-26 北京慧流科技有限公司 信息标注方法及装置、标注设备及存储介质
CN109670501A (zh) * 2018-12-10 2019-04-23 中国科学院自动化研究所 基于深度卷积神经网络的物体识别与抓取位置检测方法
CN109816041A (zh) * 2019-01-31 2019-05-28 南京旷云科技有限公司 商品检测摄像头、商品检测方法和装置

Also Published As

Publication number Publication date
WO2020258977A1 (zh) 2020-12-30
CN110263753A (zh) 2019-09-20

Similar Documents

Publication Publication Date Title
Fernandes et al. A novel automated system to acquire biometric and morphological measurements and predict body weight of pigs via 3D computer vision
US10058076B2 (en) Method of monitoring infectious disease, system using the same, and recording medium for performing the same
CN110287907B (zh) 一种对象检测方法和装置
CN107330403B (zh) 一种基于视频数据的牦牛计数方法
CN111914685B (zh) 母猪发情检测方法、装置、电子设备及存储介质
CN112257564B (zh) 水产品数量统计方法、终端设备及存储介质
CN110263753B (zh) 一种对象统计方法和装置
CN112101124B (zh) 一种坐姿检测方法及装置
CN110532899B (zh) 基于热成像的母猪产前行为分类方法及***
Kaixuan et al. Target detection method for moving cows based on background subtraction
CN112232978A (zh) 水产品体长和重量检测方法、终端设备及存储介质
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***
WO2022041484A1 (zh) 人体跌倒检测方法、装置、设备及存储介质
CN109086696B (zh) 一种异常行为检测方法、装置、电子设备及存储介质
CN112036206A (zh) 基于识别码式猪耳标的监控方法、装置及***
CN114581948A (zh) 一种畜脸识别方法
CN116912880A (zh) 一种基于鸟类关键点检测的鸟类识别质量评估方法及***
CN111860057A (zh) 人脸图像模糊和活体检测方法、装置、存储介质及设备
Witte et al. Evaluation of deep learning instance segmentation models for pig precision livestock farming
JP6893812B2 (ja) 物体検出装置
WO2023041904A1 (en) Systems and methods for the automated monitoring of animal physiological conditions and for the prediction of animal phenotypes and health outcomes
JP6851246B2 (ja) 物体検出装置
CN112135102B (zh) 基于不同形状猪耳标的猪只监控方法、装置及***
CN112560750A (zh) 一种基于视频的地面清洁度识别算法
Orandi A Computer Vision System for Early Detection of Sick Birds in a Poultry Farm Using Convolution Neural Network on Shape and Edge Information

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
CP03 Change of name, title or address

Address after: 601, 6 / F, building 2, No. 18, Kechuang 11th Street, Daxing District, Beijing, 100176

Patentee after: Jingdong Technology Information Technology Co.,Ltd.

Address before: 601, 6 / F, building 2, No. 18, Kechuang 11th Street, Beijing Economic and Technological Development Zone, 100176

Patentee before: BEIJING HAIYI TONGZHAN INFORMATION TECHNOLOGY Co.,Ltd.

CP03 Change of name, title or address