CN111297367A - 一种动物状态监测方法、装置、电子设备及存储介质 - Google Patents
一种动物状态监测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111297367A CN111297367A CN201911176736.3A CN201911176736A CN111297367A CN 111297367 A CN111297367 A CN 111297367A CN 201911176736 A CN201911176736 A CN 201911176736A CN 111297367 A CN111297367 A CN 111297367A
- Authority
- CN
- China
- Prior art keywords
- animal
- determining
- information
- posture information
- body posture
- 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.)
- Pending
Links
- 241001465754 Metazoa Species 0.000 title claims abstract description 148
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012544 monitoring process Methods 0.000 title claims abstract description 24
- 238000003860 storage Methods 0.000 title claims abstract description 9
- 238000001514 detection method Methods 0.000 claims abstract description 25
- 238000012806 monitoring device Methods 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 28
- 230000008859 change Effects 0.000 claims description 24
- 238000004891 communication Methods 0.000 claims description 19
- 230000002159 abnormal effect Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 9
- 210000003127 knee Anatomy 0.000 claims description 9
- 210000001364 upper extremity Anatomy 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- 238000002372 labelling Methods 0.000 claims description 7
- 210000003423 ankle Anatomy 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 210000003109 clavicle Anatomy 0.000 claims description 3
- 210000004394 hip joint Anatomy 0.000 claims description 3
- 241000283690 Bos taurus Species 0.000 description 28
- 238000010586 diagram Methods 0.000 description 12
- 230000012010 growth Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 230000036541 health Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 238000009395 breeding Methods 0.000 description 4
- 230000001488 breeding effect Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 210000000003 hoof Anatomy 0.000 description 3
- 238000012545 processing Methods 0.000 description 2
- 208000008589 Obesity Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 244000309466 calf Species 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 235000020824 obesity Nutrition 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1126—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique
- A61B5/1128—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique using image analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2503/00—Evaluating a particular growth phase or type of persons or animals
- A61B2503/40—Animals
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Veterinary Medicine (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Mathematical Physics (AREA)
- Psychiatry (AREA)
- Fuzzy Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种动物状态监测方法、装置、电子设备及存储介质，该方法包括：获取同一动物的至少两张连续拍摄的侧面图像；根据预先训练的体姿检测模型，从所述侧面图像中识别得到所述动物的体姿信息；根据所述体姿信息确定所述动物对应的动物状态。该技术方案基于计算机视觉方式，通过预先训练的模型从图像中检测动物体姿信息，根据体姿信息分析动物状态，无需人工监测，可以及时、准确地发现动物体况异常，提高监测效率，降低人力成本和时间成本。
Description
技术领域
本申请涉及图像处理领域，尤其涉及一种动物状态监测方法、装置、电子设备及存储介质。
背景技术
我国畜牧业发展不平衡，既有一定规模的现代化大型养殖场，又有生产力低下的小型养殖场，畜牧业总体水平同国外相比有很大差距。这主要体现在生产管理、环境条件等各个方面。
对于生产管理来说，饲料转化率在养殖成本中所占比例较高，有效生产的关键就是通过连续监测来维持最优生长率和饲料转化率。养殖动物体况则是影响最优生长率和饲料转化率的重要因素，体况测量是生产管理中的一项重要环节，它可以为评价动物的营养，生长环境，卫生条件提供重要的依据。
对评估动物体况一般需要对动物的整个骨架进行分析，通过一些专家总结的经验知识对体况加以判断，以及对动物的健康情况进行判断，比如通过分析动物的身体姿态来判断动物是否有蹄病等。对于养殖场的质量控制及可持续发展有着极其重要的意义。
但是，通过专家人工观察的方式评估动物体况，效率较低，无法及时发现动物体况异常，且耗费大量的人力成本和时间成本。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题，本申请实施例提供了一种动物状态监测方法、装置、电子设备及存储介质。
第一方面，本申请实施例提供了一种动物状态监测方法，包括：
获取同一动物的至少两张连续拍摄的侧面图像；
根据预先训练的体姿检测模型，从所述侧面图像中识别得到所述动物的体姿信息；
根据所述体姿信息确定所述动物对应的动物状态。
可选的，所述获取同一动物的至少两张连续拍摄的侧面图像，包括：
获取对所述动物侧面拍摄得到的视频；
提取所述视频中的每一帧图像作为所述侧面图像。
可选的，所述体姿信息包括在所述侧面图像中所述动物的关键点信息；
所述关键点包括以下至少两个：
右眼、左眼、嘴、脊柱头、右前腿根部、左前腿根部、右前腿膝部、左前腿膝部、左前脚踝、右前脚踝、锁骨、髋关节、左后腿膝部、右后腿膝部、左后脚踝和右后脚踝。
可选的，所述根据所述体姿信息确定所述动物对应的动物状态，包括：
根据至少两张所述侧面图像对应的所述关键点信息确定所述关键点的位置变化信息；
根据所述位置变化信息确定所述动物状态；
和/或，
所述根据所述体姿信息确定所述动物对应的动物状态，包括：
基于所述关键点的连线得到向量；
根据至少两张所述侧面图像对应的所述关键点信息确定所述向量的向量变化信息；
根据所述向量变化信息确定所述动物状态。
可选的，当所述动物状态为异常时，所述方法还包括：
确定不符合预设条件的所述位置变化信息和/或向量变化信息对应的关键点；
根据所述关键点确定异常部位。
可选的，所述根据所述体姿信息确定所述动物对应的动物状态，包括：
根据所述关键点信息确定所述动物对应的体况参数；
根据所述体况参数确定所述动物状态。
可选的，当所述动物状态为异常时，所述方法还包括：
获取所述动物对应的标识信息；
根据所述标识信息执行预设提醒操作。
可选的，所述方法还包括：
获取动物侧面的样本图像；
确定所述样本图像对应标注信息，所述标注信息包括所述动物的关键点信息；
将所述样本图像及所述标注信息输入预设深度卷积神经网络进行训练，得到所述体姿检测模型。
第二方面，本申请实施例提供了一种动物状态监测装置，包括：
获取模块，用于获取同一动物的至少两张连续拍摄的侧面图像；
识别模块，用于根据预先训练的体姿检测模型，从所述侧面图像中识别得到所述动物的体姿信息；
确定模块，用于根据所述体姿信息确定所述动物对应的动物状态。
第三方面，本申请实施例提供了一种电子设备，包括：处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
所述存储器，用于存放计算机程序；
所述处理器，用于执行计算机程序时，实现上述方法步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述方法步骤。
本申请实施例提供的上述技术方案与现有技术相比具有如下优点：
基于计算机视觉方式，通过预先训练的模型从图像中检测动物体姿信息，根据体姿信息分析动物状态，无需人工监测，可以及时、准确地发现动物体况异常，提高监测效率，降低人力成本和时间成本。并且，保证动物健康，提高养殖效益。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
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，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种动物状态监测方法的流程图；
图2为本申请实施例提供的牛体关键点示意图；
图3为本申请另一实施例提供的一种动物状态监测方法的流程图；
图4为本申请实施例通过对体姿检测模型识别得到的牛体关键点的示意图；
图5为本申请另一实施例通过对体姿检测模型识别得到的牛体关键点的示意图；
图6为本申请另一实施例通过对体姿检测模型识别得到的牛体关键点的示意图；
图7为本申请另一实施例通过对体姿检测模型识别得到的牛体关键点的示意图；
图8为本申请另一实施例通过对体姿检测模型识别得到的牛体关键点的示意图；
图9为本申请另一实施例通过对体姿检测模型识别得到的牛体关键点的示意图；
图10为本申请实施例提供的一种动物状态监测装置的框图；
图11为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例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申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请实施例通过计算机视觉的方式，基于预先训练的神经网络模型从动物的侧面图像中识别出体姿信息，根据体姿信息分析动物状态，如体况评分(body conditionscore，简称BCS)、合成育肥指数(Synthetic Fattening Index)、育肥指数FI或R指数、生长发育情况、是否存在蹄病等等。
下面首先对本发明实施例所提供的一种动物状态监测方法进行介绍。
图1为本申请实施例提供的一种动物状态监测方法的流程图。如图1所示，该方法包括以下步骤：
步骤S11，获取同一动物的至少两张连续拍摄的侧面图像；
步骤S12，根据预先训练的体姿检测模型，从侧面图像中识别得到动物的体姿信息；
步骤S13，根据体姿信息确定动物对应的动物状态。
本实施例中，基于计算机视觉方式，通过预先训练的模型从图像中检测动物体姿信息，根据体姿信息分析动物状态，无需人工监测，可以及时、准确地发现动物体况异常，提高监测效率，降低人力成本和时间成本。并且，保证动物健康，提高养殖效益。
可选的，步骤S11包括：获取对动物侧面拍摄得到的视频；提取视频中的每一帧图像作为侧面图像。
以牛为例，可以在牛场通道处布置拍摄装置，当牛经过时，对牛体侧面录制视频。如果通道较长，可以在入口和出口处分别布置拍摄装置，录制视频，分别从两段视频中分别截取拍摄角度符合要求的视频部分，且要保证时间连续性，之后再进行侧面图像的提取。
可选的，步骤S12中的体姿检测模型可以基于预设深度卷积神经网络训练得到，如DeepLabCut网络。
通过体姿检测模型，可以从侧面图像中识别到动物的体姿信息。可选的，体姿信息包括在侧面图像中动物关键点信息。图2为本申请实施例提供的牛体关键点示意图。如图2所示，以牛为例，牛体上的关键点可以包括以下至少两个：右眼、左眼、嘴、脊柱头、右前腿根部、左前腿根部、右前腿膝部、左前腿膝部、左前脚踝、右前脚踝、锁骨、髋关节、左后腿膝部、右后腿膝部、左后脚踝和右后脚踝。
可选的，步骤S13根据体姿信息确定动物状态可以通过以下至少一种方式实现。
方式一，通过关键点的位置变化确定动物是否正常。
由于正常动物运动过程中，其身体上的某个关键点位置变化会呈现一定的趋势，如果不符合该趋势，则说明动物出现异常。
步骤S13包括：根据至少两张侧面图像对应的关键点信息确定关键点的位置变化信息；根据位置变化信息确定动物状态。
方式二，通过关键点组成向量的变化情况确定动物是否正常。
任意两个关键点连线可以形成一个向量。在正常动物运动过程中，该向量的变化，如向量方向变化、向量和向量之间的角度变化等也会呈现一定的趋势，如果不符合该趋势，则说明动物出现异常。
因此，步骤S13包括：基于关键点的连线得到向量；根据至少两张侧面图像对应的关键点信息确定向量的向量变化信息；根据向量变化信息确定动物状态。
例如，如图2所示，关键点6、8连线得到向量1，关键点8、10连线得到向量2。如果牛蹄出现疾病，如坡脚，则该向量1和向量2之间的角度变化情况与正常牛呈现不同的趋势，因此，通过向量变化信息可以确定牛的状态。
可选的，当动物状态为异常时，该方法还包括：确定不符合预设条件的位置变化信息和/或向量变化信息对应的关键点；根据关键点确定异常部位。
其中，预设条件可以为动物正常状态下关键点的位置变化趋势或向量变化趋势。
本实施例中，除了确定动物状态异常，还可以进一步确定出现异常的部位，例如，不符合预设条件的关键点为6、8、10，则可确定异常部位为牛的右前蹄。这样，在对动物的异常状态进行提醒时，还可以加入动物出现异常的部位，以便饲养人员可以快速确定动物所出现的问题，可以及时对动物进行治疗或调整饲养策略等等，进一步提高对动物的监测效率，保证动物健康，提高养殖效益。
可选的，上述步骤S13包括：根据关键点信息确定动物对应的体况参数；根据体况参数确定动物状态。
其中，体况参数可以为动物的体况评分、合成育肥指数、育肥指数FI或R指数、生长发育指数等等。基于关键点信息，可以估算出动物的高度、体积、重量等指标，基于这些指标可以单独计算或结合其他指标数据计算动物体况参数，进而通过体况参数可以确定动物的身体健康、生长发育等状态。
可选的，体况参数可以为对动物体况的评分，如采用5分制，1分表示过度消瘦，5分表示过度肥胖。或者，体况参数为动物的生长发育阶段，如采用4分制，1分表示犊牛，2分表示育成牛，3分表示青年牛，4分表示成年母牛。
根据实际需要，体况参数可以有多种形式，在此不再赘述。
可选的，当动物状态为异常时，方法还包括：获取动物对应的标识信息；根据标识信息执行预设提醒操作。
该预设提醒操作可以包括：将动物的标识和动物状态以信息方式发送到预设终端，或者，可以控制该标识信息对应的电子项圈发出特定颜色的光以提示工作人员，等等。
可选的，还可以将异常部位加入到提醒信息中，以使得工作人员可以获知具体的动物异常情况。
在一个可选实施例中，该方法还包括体姿检测模型的训练过程。
图3为本申请另一实施例提供的一种动物状态监测方法的流程图。如图3所示，该方法还包括以下步骤：
步骤S21，获取动物侧面的样本图像；
步骤S22，确定样本图像对应标注信息，标注信息包括动物的关键点信息；
步骤S23，将样本图像及标注信息输入预设深度卷积神经网络进行训练，得到体姿检测模型。
本实施例中，可以将样本图像以及标注好的关键点信息输入DeepLabCut网络进行训练，当loss收敛后，得到训练好的体姿检测模型。
DeepLabCut是一个深度卷积神经网络，合并了目标检测和图像语义分割中的两个重要技术：通过ImageNet预训练的ResNet网络和反卷积层，通过反卷积对ResNet的结果进行上采样来解码关键点信息。采用DeepLabCut网络，可以使用较少的样本图像(约200张)训练，即可完成对于动物的体姿检测。
以牛为例，可以采集大量牛侧面样本图像，在这些图像中标注出牛的上述16个关键点。将样本图像及关键点信息输入DeepLabCut网络进行训练。
图4-图9为本申请实施例通过对体姿检测模型识别得到的牛体关键点的示意图。如图4-图9所示，这6张图像为对同一只牛连续拍摄得到的，将这些图像输入体姿检测模型，可以准确识别到每张图像中牛体的16个关键点。后续通过对关键点位置变化情况或关键点组成向量的变化情况进行分析，可以确定牛体是否出现异常。
本实施例中，通过对体姿检测模型进行训练，使得后续可以基于该模型检测动物体姿信息，根据体姿信息分析动物状态，无需人工监测，可以及时、准确地发现动物体况异常，提高监测效率，降低人力成本和时间成本。并且，保证动物健康，提高养殖效益。
下述为本申请装置实施例，可以用于执行本申请方法实施例。
图10为本申请实施例提供的一种动物状态监测装置的框图，该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。如图10所示，该动物状态监测装置包括：
获取模块31，用于获取同一动物的至少两张连续拍摄的侧面图像；
识别模块32，用于根据预先训练的体姿检测模型，从侧面图像中识别得到动物的体姿信息；
确定模块33，用于根据体姿信息确定动物对应的动物状态。
本申请实施例还提供一种电子设备，如图11所示，电子设备可以包括：处理器1501、通信接口1502、存储器1503和通信总线1504，其中，处理器1501，通信接口1502，存储器1503通过通信总线1504完成相互间的通信。
存储器1503，用于存放计算机程序；
处理器1501，用于执行存储器1503上所存放的计算机程序时，实现以下上述方法实施例的步骤。
上述电子设备提到的通信总线可以是外设部件互连标准(PeripheralComponentInterconnect，PCI)总线或扩展工业标准结构(Extended IndustryStandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(DigitalSignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本申请还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以下上述方法实施例的步骤。
需要说明的是，对于上述装置、电子设备及计算机可读存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
进一步需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (11)
1.一种动物状态监测方法，其特征在于，包括：
获取同一动物的至少两张连续拍摄的侧面图像；
根据预先训练的体姿检测模型，从所述侧面图像中识别得到所述动物的体姿信息；
根据所述体姿信息确定所述动物对应的动物状态。
2.根据权利要求1所述的方法，其特征在于，所述获取同一动物的至少两张连续拍摄的侧面图像，包括：
获取对所述动物侧面拍摄得到的视频；
提取所述视频中的每一帧图像作为所述侧面图像。
3.根据权利要求1所述的方法，其特征在于，所述体姿信息包括在所述侧面图像中所述动物的关键点信息；
所述关键点包括以下至少两个：
右眼、左眼、嘴、脊柱头、右前腿根部、左前腿根部、右前腿膝部、左前腿膝部、左前脚踝、右前脚踝、锁骨、髋关节、左后腿膝部、右后腿膝部、左后脚踝和右后脚踝。
4.根据权利要求3所述的方法，其特征在于，所述根据所述体姿信息确定所述动物对应的动物状态，包括：
根据至少两张所述侧面图像对应的所述关键点信息确定所述关键点的位置变化信息；
根据所述位置变化信息确定所述动物状态；
和/或，
所述根据所述体姿信息确定所述动物对应的动物状态，包括：
基于所述关键点的连线得到向量；
根据至少两张所述侧面图像对应的所述关键点信息确定所述向量的向量变化信息；
根据所述向量变化信息确定所述动物状态。
5.根据权利要求4所述的方法，其特征在于，当所述动物状态为异常时，所述方法还包括：
确定不符合预设条件的所述位置变化信息和/或向量变化信息对应的关键点；
根据所述关键点确定异常部位。
6.根据权利要求3所述的方法，其特征在于，所述根据所述体姿信息确定所述动物对应的动物状态，包括：
根据所述关键点信息确定所述动物对应的体况参数；
根据所述体况参数确定所述动物状态。
7.根据权利要求1所述的方法，其特征在于，当所述动物状态为异常时，所述方法还包括：
获取所述动物对应的标识信息；
根据所述标识信息执行预设提醒操作。
8.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取动物侧面的样本图像；
确定所述样本图像对应标注信息，所述标注信息包括所述动物的关键点信息；
将所述样本图像及所述标注信息输入预设深度卷积神经网络进行训练，得到所述体姿检测模型。
9.一种动物状态监测装置，其特征在于，包括：
获取模块，用于获取同一动物的至少两张连续拍摄的侧面图像；
识别模块，用于根据预先训练的体姿检测模型，从所述侧面图像中识别得到所述动物的体姿信息；
确定模块，用于根据所述体姿信息确定所述动物对应的动物状态。
10.一种电子设备，其特征在于，包括：处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述计算机程序时，实现权利要求1-8任一项所述的方法步骤。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-8任一项所述的方法步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911176736.3A CN111297367A (zh) | 2019-11-26 | 2019-11-26 | 一种动物状态监测方法、装置、电子设备及存储介质 |
| PCT/CN2020/127766 WO2021104007A1 (zh) | 2019-11-26 | 2020-11-10 | 一种动物状态监测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911176736.3A CN111297367A (zh) | 2019-11-26 | 2019-11-26 | 一种动物状态监测方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111297367A true CN111297367A (zh) | 2020-06-19 |
Family
ID=71161792
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911176736.3A Pending CN111297367A (zh) | 2019-11-26 | 2019-11-26 | 一种动物状态监测方法、装置、电子设备及存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN111297367A (zh) |
| WO (1) | WO2021104007A1 (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112036364A (zh) * | 2020-09-14 | 2020-12-04 | 北京海益同展信息科技有限公司 | 跛行识别方法及装置、电子设备和计算机可读存储介质 |
| CN112215105A (zh) * | 2020-09-28 | 2021-01-12 | 北京海益同展信息科技有限公司 | 目标动物的身体异常监测方法和装置、设备及存储介质 |
| WO2021104007A1 (zh) * | 2019-11-26 | 2021-06-03 | 京东数科海益信息科技有限公司 | 一种动物状态监测方法、装置、电子设备及存储介质 |
| CN113963298A (zh) * | 2021-10-25 | 2022-01-21 | 东北林业大学 | 基于计算机视觉的野生动物识别跟踪与行为检测***、方法、设备及存储介质 |
| CN113974828A (zh) * | 2021-09-30 | 2022-01-28 | 西安交通大学第二附属医院 | 一种手术参考方案生成方法及装置 |
| WO2023226563A1 (zh) * | 2022-05-26 | 2023-11-30 | 阿果明股份有限公司 | 动物生长辨识方法及其*** |
| US12026968B2 (en) | 2020-11-12 | 2024-07-02 | Sony Group Corporation | Training machine learning-based models for animal feature detection |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107480651A (zh) * | 2017-08-25 | 2017-12-15 | 清华大学深圳研究生院 | 异常步态检测方法及异常步态检测*** |
| CN108922622A (zh) * | 2018-07-10 | 2018-11-30 | 平安科技（深圳）有限公司 | 一种动物健康监测方法、装置及计算机可读存储介质 |
| US20190037800A1 (en) * | 2017-08-03 | 2019-02-07 | Vium Inc. | Device and method of identification and classification of rodent cognition and emotion |
| CN109938737A (zh) * | 2019-03-01 | 2019-06-28 | 苏州博慧智能科技有限公司 | 一种基于深度学习关键点检测的人体身型测量方法及装置 |
| CN110287923A (zh) * | 2019-06-29 | 2019-09-27 | 腾讯科技（深圳）有限公司 | 人体姿态获取方法、装置、计算机设备及存储介质 |
| CN110457999A (zh) * | 2019-06-27 | 2019-11-15 | 广东工业大学 | 一种基于深度学习和svm的动物姿态行为估计与心情识别方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9202281B2 (en) * | 2012-03-17 | 2015-12-01 | Sony Corporation | Integrated interactive segmentation with spatial constraint for digital image analysis |
| CN109960986A (zh) * | 2017-12-25 | 2019-07-02 | 北京市商汤科技开发有限公司 | 人脸姿态分析方法、装置、设备、存储介质以及程序 |
| CN109543607A (zh) * | 2018-11-22 | 2019-03-29 | 广州小狗机器人技术有限公司 | 目标物异常状态检测方法、***、监护***及存储介质 |
| CN110188633B (zh) * | 2019-05-14 | 2023-04-07 | 广州虎牙信息科技有限公司 | 人体体态指标预测方法、装置、电子设备及存储介质 |
| CN110443150A (zh) * | 2019-07-10 | 2019-11-12 | 思百达物联网科技(北京)有限公司 | 一种跌倒检测方法、装置、存储介质 |
| CN111297367A (zh) * | 2019-11-26 | 2020-06-19 | 北京海益同展信息科技有限公司 | 一种动物状态监测方法、装置、电子设备及存储介质 |
-
2019
- 2019-11-26 CN CN201911176736.3A patent/CN111297367A/zh active Pending
-
2020
- 2020-11-10 WO PCT/CN2020/127766 patent/WO2021104007A1/zh active Application Filing
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190037800A1 (en) * | 2017-08-03 | 2019-02-07 | Vium Inc. | Device and method of identification and classification of rodent cognition and emotion |
| CN107480651A (zh) * | 2017-08-25 | 2017-12-15 | 清华大学深圳研究生院 | 异常步态检测方法及异常步态检测*** |
| CN108922622A (zh) * | 2018-07-10 | 2018-11-30 | 平安科技（深圳）有限公司 | 一种动物健康监测方法、装置及计算机可读存储介质 |
| CN109938737A (zh) * | 2019-03-01 | 2019-06-28 | 苏州博慧智能科技有限公司 | 一种基于深度学习关键点检测的人体身型测量方法及装置 |
| CN110457999A (zh) * | 2019-06-27 | 2019-11-15 | 广东工业大学 | 一种基于深度学习和svm的动物姿态行为估计与心情识别方法 |
| CN110287923A (zh) * | 2019-06-29 | 2019-09-27 | 腾讯科技（深圳）有限公司 | 人体姿态获取方法、装置、计算机设备及存储介质 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021104007A1 (zh) * | 2019-11-26 | 2021-06-03 | 京东数科海益信息科技有限公司 | 一种动物状态监测方法、装置、电子设备及存储介质 |
| CN112036364A (zh) * | 2020-09-14 | 2020-12-04 | 北京海益同展信息科技有限公司 | 跛行识别方法及装置、电子设备和计算机可读存储介质 |
| CN112036364B (zh) * | 2020-09-14 | 2024-04-16 | 京东科技信息技术有限公司 | 跛行识别方法及装置、电子设备和计算机可读存储介质 |
| CN112215105A (zh) * | 2020-09-28 | 2021-01-12 | 北京海益同展信息科技有限公司 | 目标动物的身体异常监测方法和装置、设备及存储介质 |
| US12026968B2 (en) | 2020-11-12 | 2024-07-02 | Sony Group Corporation | Training machine learning-based models for animal feature detection |
| CN113974828A (zh) * | 2021-09-30 | 2022-01-28 | 西安交通大学第二附属医院 | 一种手术参考方案生成方法及装置 |
| CN113974828B (zh) * | 2021-09-30 | 2024-02-09 | 西安交通大学第二附属医院 | 一种手术参考方案生成方法及装置 |
| CN113963298A (zh) * | 2021-10-25 | 2022-01-21 | 东北林业大学 | 基于计算机视觉的野生动物识别跟踪与行为检测***、方法、设备及存储介质 |
| WO2023226563A1 (zh) * | 2022-05-26 | 2023-11-30 | 阿果明股份有限公司 | 动物生长辨识方法及其*** |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2021104007A1 (zh) | 2021-06-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111297367A (zh) | 一种动物状态监测方法、装置、电子设备及存储介质 | |
| Wang et al. | ASAS-NANP SYMPOSIUM: Applications of machine learning for livestock body weight prediction from digital images | |
| Qiao et al. | Intelligent perception for cattle monitoring: A review for cattle identification, body condition score evaluation, and weight estimation | |
| CN111294565A (zh) | 一种智能化养猪监测方法和管理端 | |
| Garcia et al. | Lameness detection challenges in automated milking systems addressed with partial least squares discriminant analysis | |
| CN107992903A (zh) | 牲畜身份识别方法、装置、存储介质和电子设备 | |
| KR20190128589A (ko) | 기계학습 예측 모델에 기초한 최적의 소 출하 시점 결정 방법 | |
| KR102141582B1 (ko) | 영상분석을 활용한 어미돼지의 분만시점 예측 방법 및 장치 | |
| US11568530B2 (en) | System and method to analyse an animal's image for market value determination | |
| CN110741963B (zh) | 一种物体状态监测、母猪发情监测方法、装置及*** | |
| CN112288793B (zh) | 畜类个体背膘检测方法、装置、电子设备及存储介质 | |
| Tscharke et al. | Review of methods to determine weight and size of livestock from images | |
| Zin et al. | An automatic estimation of dairy cow body condition score using analytic geometric image features | |
| CN115250952A (zh) | 生猪健康监测方法、装置、设备及存储介质 | |
| CN114299551A (zh) | 模型训练方法、动物行为识别方法、装置、设备 | |
| KR102624925B1 (ko) | 머신러닝 기반의 가축 무게 예측 방법 및 장치 | |
| Ojukwu et al. | Development of a computer vision system to detect inactivity in group-housed pigs | |
| Zhao et al. | Review on image-based animals weight weighing | |
| CN117351404A (zh) | 一种奶牛分娩应激程度判识方法及*** | |
| Qin et al. | Identification of body size characteristic points based on the Mask R-CNN and correlation with body weight in Ujumqin sheep | |
| CN113516139A (zh) | 数据处理方法、装置、设备和存储介质 | |
| CN115777560A (zh) | 一种基于机器视觉分析技术的母猪智能化饲喂*** | |
| Yajie et al. | Poultry disease early detection methods using deep learning technology | |
| KR102355681B1 (ko) | 가축사양표준에 기초한 가축사양관리 가이드 제공 방법 | |
| Lima et al. | Artificial intelligence in support of welfare monitoring of dairy cattle: a systematic literature review |
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 | ||
| CB02 | Change of applicant information |
Address after: 601, 6 / F, building 2, No. 18, Kechuang 11th Street, Daxing District, Beijing, 100176 Applicant after: Jingdong Technology Information Technology Co.,Ltd. Address before: 601, 6 / F, building 2, No. 18, Kechuang 11th Street, Daxing District, Beijing, 100176 Applicant before: Jingdong Shuke Haiyi Information Technology Co.,Ltd. Address after: 601, 6 / F, building 2, No. 18, Kechuang 11th Street, Daxing District, Beijing, 100176 Applicant after: Jingdong Shuke Haiyi Information Technology Co.,Ltd. Address before: 601, 6 / F, building 2, No. 18, Kechuang 11th Street, Beijing Economic and Technological Development Zone, Beijing 100176 Applicant before: BEIJING HAIYI TONGZHAN INFORMATION TECHNOLOGY Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200619 |
|
| RJ01 | Rejection of invention patent application after publication |