CN111611978A - 基于步态识别的奶牛健康监测***及方法 - Google Patents
基于步态识别的奶牛健康监测***及方法 Download PDFInfo
- Publication number
- CN111611978A CN111611978A CN202010510350.8A CN202010510350A CN111611978A CN 111611978 A CN111611978 A CN 111611978A CN 202010510350 A CN202010510350 A CN 202010510350A CN 111611978 A CN111611978 A CN 111611978A
- Authority
- CN
- China
- Prior art keywords
- cow
- health
- gait
- controller
- dairy
- 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.)
- Withdrawn
Links
- 230000036541 health Effects 0.000 title claims abstract description 113
- 230000005021 gait Effects 0.000 title claims abstract description 98
- 235000013365 dairy product Nutrition 0.000 title claims abstract description 67
- 238000012544 monitoring process Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 21
- 241000283690 Bos taurus Species 0.000 claims abstract description 236
- 230000000877 morphologic effect Effects 0.000 claims abstract description 47
- 238000005259 measurement Methods 0.000 claims abstract description 16
- 230000003862 health status Effects 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 238000013135 deep learning Methods 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 239000008267 milk Substances 0.000 description 7
- 235000013336 milk Nutrition 0.000 description 7
- 210000004080 milk Anatomy 0.000 description 7
- 238000009395 breeding Methods 0.000 description 4
- 230000001488 breeding effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000013024 troubleshooting Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- 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
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/23—Recognition of whole body movements, e.g. for sport training
- G06V40/25—Recognition of walking or running movements, e.g. gait recognition
-
- 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
- A01K29/00—Other apparatus for animal husbandry
- A01K29/005—Monitoring or measuring activity, e.g. detecting heat or mating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06T7/248—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving reference images or patches
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/24—Reminder alarms, e.g. anti-loss alarms
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Environmental Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Human Computer Interaction (AREA)
- Social Psychology (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Animal Husbandry (AREA)
Abstract
本发明涉及一种基于步态识别的奶牛健康监测***及方法,所述***包括:图像采集设备,用于采集奶牛的行走图像;存储设备,用于存储每个奶牛的ID及每个奶牛的形态特征和标准步态特征;控制器,用于从所述图像采集设备采集的奶牛的行走图像中提取监测的奶牛的形态特征和实测步态特征,并将监测的奶牛的实测步态特征与其所对应的标准步态特征对比,将比对结果输入训练好的健康状态预测模型,获取所述健康状态预测模型输出的奶牛的健康状态预测结果;报警设备,用于所述健康状态预测结果达到预设的报警条件时,发出报警信号。本发明基于健康预测模型来准确预测奶牛的健康状态,提高了奶牛健康监测的准确性和效率,大大减轻了人工观测的负担。
Description
技术领域
本发明涉及数据处理服务技术领域,具体是指一种基于步态识别的奶牛健康监测***及方法。
背景技术
在现代化的奶牛养殖中,高效、健康、规模化及动物福利均成为养殖企业追求的目标,这些指标不是相互孤立的,奶牛只有在舒适、健康的情况下才能更好地为养殖企业创造更大的经济效益。
然而,对于大规模的奶牛养殖来说,对于奶牛个体的健康监测却是一个很大的难题,需要工作人员实时在监控屏幕前面观察奶牛的运动情况来判断奶牛的健康状态。然而该种方式存在很多缺陷,例如,无法保证实时能够对每只奶牛都做到监测,可能存在遗漏的情况,并且十分费时费力,人力成本十分高,此外,仅仅依靠人工观察来判断健康状态存在很大的主观性,可能不够准确。
发明内容
为了解决现有技术中的问题,本发明提供了一种基于步态识别的奶牛健康监测***及方法,基于健康预测模型来准确预测奶牛的健康状态,提高奶牛健康监测的准确性和效率。
为了实现上述目的,本发明具有如下构成:
本发明提供了一种基于步态识别的奶牛健康监测***,所述***包括:
图像采集设备,用于采集奶牛的行走图像;
存储设备,用于存储每个奶牛的ID及每个奶牛的形态特征和标准步态特征;
控制器,用于从所述图像采集设备采集的奶牛的行走图像中提取监测的奶牛的形态特征和实测步态特征,并将监测的奶牛的实测步态特征与其所对应的标准步态特征对比,将比对结果输入训练好的健康状态预测模型,获取所述健康状态预测模型输出的奶牛的健康状态预测结果;
报警设备,用于所述健康状态预测结果达到预设的报警条件时,发出报警信号,所述报警信号包括所述奶牛的ID和所述健康状态预测结果。
可选地,所述控制器包括:
图像识别模块,用于从所述图像采集设备采集的奶牛的多个行走图像中提取监测的奶牛的形态特征和实测步态特征;
身份识别模块,用于将所述监测的奶牛的形态特征与所述存储设备中存储的每个奶牛的形态特征进行比对,确定所述奶牛的ID;
特征比对模块,用于根据所述奶牛的ID从所述存储设备中获取所述奶牛对应的标准步态特征,计算所述监测的奶牛的实测步态特征与所述标准步态特征的差值;
状态预测模块,用于将所述实测步态特征与所述标准步态特征的差值输入所述健康状态预测模型,得到输出的健康状态预测结果。
可选地,所述控制器还还包括模型训练模块,用于构建基于深度学习的健康状态预测模型,并采用训练集训练所述健康状态预测模型至收敛。
可选地,所述模型训练模块还用于采集多个奶牛的实测步态特征与标准步态特征,计算所述实测步态特征与所述标准步态特征的差值,并获取所述差值的健康状态标记,将所述差值和所对应的健康状态标记加入所述训练集。
可选地,所述基于深度学习的健康状态预测模型为卷积神经网络模型,所述卷积神经网络模型包括卷积层、池化层、全连接层和softmax分类层。
可选地,所述图像采集设备和所述控制器设置于一移动装置上,所述控制器在所述图像采集设备采集的图像中检测到奶牛时,控制所述移动装置跟踪所述检测到的奶牛,并控制所述图像采集设备继续采集所述奶牛的图像至图像数量到达预设数量阈值。
可选地,所述控制器在所述图像采集设备采集的图像中检测到奶牛时,从所述图像采集设备采集的奶牛的多个行走图像中提取监测的奶牛的形态特征,将所述监测的奶牛的形态特征与所述存储设备中存储的每个奶牛的形态特征进行比对,确定所述奶牛的ID,根据所述奶牛的ID判断所述奶牛前一次健康预测时间与当前时间的间隔是否大于预设时间阈值,如果是,则所述控制器控制所述移动装置跟踪所述检测到的奶牛,并控制所述图像采集设备继续采集所述奶牛的图像至图像数量到达预设数量阈值;
所述报警设备发出报警信号时,所述报警信号还包括所述移动装置当前的位置。
可选地,所述控制器根据所述奶牛的ID判断所述奶牛前一次健康预测时间与当前时间的间隔是否大于预设时间阈值之后,如果否,则所述控制器忽略该奶牛的图像,并控制所述移动装置继续沿预设的路线行进。
本发明实施例还提供一种基于步态识别的奶牛健康监测方法,采用所述的基于步态识别的奶牛健康监测***,所述方法包括如下步骤:
所述图像采集设备采集奶牛的行走图像;
所述控制器从所述图像采集设备采集的奶牛的行走图像中提取监测的奶牛的形态特征和实测步态特征;
所述控制器将所述监测的奶牛的形态特征与所述存储设备中存储的每个奶牛的形态特征进行比对,确定所述奶牛的ID;
所述控制器根据所述奶牛的ID从所述存储设备中获取所述奶牛对应的标准步态特征,计算所述监测的奶牛的实测步态特征与所述标准步态特征的差值;
所述控制器将比对结果输入训练好的健康状态预测模型,获取所述健康状态预测模型输出的奶牛的健康状态预测结果;
所述健康状态预测结果达到预设的报警条件时,所述报警设备发出报警信号,所述报警信号包括所述奶牛的ID和所述健康状态预测结果。
可选地,所述图像采集设备和所述控制器设置于一移动装置上,所述控制器将所述监测的奶牛的形态特征与所述存储设备中存储的每个奶牛的形态特征进行比对,确定所述奶牛的ID之后,所述方法还包括如下步骤:
所述控制器根据所述奶牛的ID判断所述奶牛前一次健康预测时间与当前时间的间隔是否大于预设时间阈值;
如果是,则所述控制器控制所述移动装置跟踪所述检测到的奶牛,并控制所述图像采集设备继续采集所述奶牛的图像至图像数量到达预设数量阈值;
如果否,则所述控制器忽略该奶牛的图像,并控制所述移动装置继续沿预设的路线行进。
综上所述,与现有技术相比,本发明可以通过图像采集设备来采集奶牛的实测步态特征,并与标准步态特征进行比对,然后基于健康预测模型来准确预测奶牛的健康状态,提高了奶牛健康监测的准确性和效率,大大减轻了人工观测的负担,在预测的健康状态较差时,及时发出报警信号,提醒工作人员注意,便于问题的及时排查。
附图说明
图1为本发明一实施例的基于步态识别的奶牛健康监测***的结构示意图;
图2为本发明一实施例的控制器的结构示意图;
图3为本发明一实施例的基于步态识别的奶牛健康监测方法的流程图;
图4为本发明一实施例的判定是否进行健康状态预测的流程图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的实施方式;相反,提供这些实施方式使得本发明将全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的结构,因而将省略对它们的重复描述。
所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本发明的实施方式的充分理解。然而,本领域技术人员应意识到,没有特定细节中的一个或更多,或者采用其它的方法、组元、材料等,也可以实践本发明的技术方案。在某些情况下,不详细示出或描述公知结构、材料或者操作以避免模糊本发明。
如图1所示,为了解决现有技术中的技术问题,本发明提供了一种基于步态识别的奶牛健康监测***,包括:
图像采集设备100,用于采集奶牛的行走图像,所述图像采集设备100可以采用摄像头等设备来实现;
存储设备200,用于存储每个奶牛的ID及每个奶牛的形态特征和标准步态特征;所述存储设备200可以是内置于服务器内部的存储设备,也可以是外置的移动硬盘等具有数据存储能力的设备;
控制器300,用于从所述图像采集设备采集的奶牛的行走图像中提取监测的奶牛的形态特征和实测步态特征,并将监测的奶牛的实测步态特征与其所对应的标准步态特征对比,将比对结果输入训练好的健康状态预测模型,获取所述健康状态预测模型输出的奶牛的健康状态预测结果;
报警设备400,用于所述健康状态预测结果达到预设的报警条件时,发出报警信号,所述报警信号包括所述奶牛的ID和所述健康状态预测结果。所述报警设备400可以是具有显示屏的声光报警器,在所述健康状态预测结果达到预设的报警条件时,发出声光报警信号,并且在所述显示屏上显示所述奶牛的ID和所述健康状态预测结果,方便工作人员快速定位到奶牛。所述报警设备400还可以包括通讯设备,例如GPRS通讯设备、4G通讯设备、CDMA通讯设备等等,从而可以向工作人员的用户终端发送报警信号,使得工作人员无论身处何地均能够及时获取到报警信息。
因此,本发明可以通过图像采集设备100来采集奶牛的实测步态特征,并通过控制器300与存储设备200中的标准步态特征进行比对,然后控制器300基于健康预测模型来准确预测奶牛的健康状态,提高了奶牛健康监测的准确性和效率,大大减轻了人工观测的负担,在预测的健康状态较差时,报警设备400可以及时发出报警信号,提醒工作人员注意,便于问题的及时排查。,健康状态分类可以是分为多个等级,例如健康、亚健康、不健康、情况危急等,在奶牛出现不健康甚至情况危急的情况时,可以及时进行报警。
如图2所示,在该实施例中,所述控制器300包括如下各个模块:
图像识别模块310,用于从所述图像采集设备采集的奶牛的多个行走图像中提取监测的奶牛的形态特征和实测步态特征,奶牛的形态特征可以包括但不限于奶牛的面部特征、奶牛的花斑分布特征、奶牛的身体尺寸特征等等,形态特征可以是从一张图像中提取得到的,实测步态特征则需要从多张连续拍摄的图像中提取得到;
身份识别模块320,用于将所述监测的奶牛的形态特征与所述存储设备中存储的每个奶牛的形态特征进行比对,确定所述奶牛的ID;此处可以是图像比对,或者通过计算实测的形态特征向量与存储的形态特征向量之间的欧式距离或余弦相似度的方式来进行比对,将与实测的形态特征最接近的存储的形态特征的奶牛的ID作为监测的奶牛的ID;
特征比对模块330,用于根据所述奶牛的ID从所述存储设备中获取所述奶牛对应的标准步态特征,计算所述监测的奶牛的实测步态特征与所述标准步态特征的差值,此处即为计算实测步态特征向量与标准步态特征向量的差值;
状态预测模块340,用于将所述实测步态特征与所述标准步态特征的差值输入所述健康状态预测模型,得到输出的健康状态预测结果。
在该实施例中,所述控制器还还包括模型训练模块,用于构建基于深度学习的健康状态预测模型,并采用训练集训练所述健康状态预测模型至收敛,例如采用梯度下降法进行模型训练,训练至损失函数小于预设损失阈值。所述基于深度学习的健康状态预测模型为卷积神经网络模型。卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks),是深度学习(deep learning)的代表算法之一。所述卷积神经网络模型包括卷积层、池化层、全连接层和softmax分类层,所述卷积层和所述池化层用于进行特征提取,在卷积层进行特征提取后,输出的特征图会被传递至池化层进行特征选择和信息过滤。所述softmax分类层用于对所述特征进行分类,确定所对应的健康状态分类,所述全连接层用于连接所述池化层和所述softmax分类层。卷积神经网络中的全连接层等价于传统前馈神经网络中的隐含层。全连接层位于卷积神经网络隐含层的最后部分,并只向其它全连接层传递信号。在其他实施方式中,所述健康状态预测模型还可以采用其他类型的模型,例如支持向量机等,均属于本发明的保护范围之内。
在该实施例中,所述模型训练模块还用于采集多个奶牛的实测步态特征与标准步态特征,计算所述实测步态特征与所述标准步态特征的差值,并获取所述差值的健康状态标记,将所述差值和所对应的健康状态标记加入所述训练集。
在该实施例中,所述图像采集设备和所述控制器设置于一移动装置上,所述移动装置可以是一个移动小车,该移动小车可以包括万向轮和驱动所述万向轮转动的驱动电机,所述控制器可以控制所述驱动电机的开启和关闭,并且可以控制所述驱动电机的转速和转向,从而控制所述移动装置移动。所述控制器在所述图像采集设备采集的图像中检测到奶牛时,控制所述移动装置跟踪所述检测到的奶牛,并控制所述图像采集设备继续采集所述奶牛的图像至图像数量到达预设数量阈值。
所述移动装置跟踪所述检测到的奶牛可以采用现有技术中的跟踪算法,例如检测奶牛的形态,预测奶牛的运动方向,根据奶牛的预测运动方向确定移动小车下一时刻的运动方向,使得移动小车跟随奶牛运动,从而可以更方便地采集到活动中的奶牛的步态特征。
在该实施例中,所述控制器在所述图像采集设备采集的图像中检测到奶牛时,从所述图像采集设备采集的奶牛的多个行走图像中提取监测的奶牛的形态特征,将所述监测的奶牛的形态特征与所述存储设备中存储的每个奶牛的形态特征进行比对,确定所述奶牛的ID,根据所述奶牛的ID判断所述奶牛前一次健康预测时间与当前时间的间隔是否大于预设时间阈值,如果是,则所述控制器控制所述移动装置跟踪所述检测到的奶牛,并控制所述图像采集设备继续采集所述奶牛的图像至图像数量到达预设数量阈值。
所述报警设备发出报警信号时,所述报警信号还包括所述移动装置当前的位置,可以更加方便于工作人员快速定位到健康出现问题的奶牛的位置。所述移动装置上进一步可以设置GPS定位设备,以获取所述移动装置当前的位置。
在该实施例中,所述控制器根据所述奶牛的ID判断所述奶牛前一次健康预测时间与当前时间的间隔是否大于预设时间阈值之后,如果否,则所述控制器忽略该奶牛的图像,并控制所述移动装置继续沿预设的路线行进。由此,通过所述控制器控制所述移动装置带动所述图像采集设备沿预设的路线行进,可以保证一段时间内将所有奶牛的健康数据均采集到,避免因为奶牛数量繁多而出现遗漏或重复检测的情况,大大提高了奶牛群体健康监测的效率和准确率。
如图3所示,本发明实施例还提供一种基于步态识别的奶牛健康监测方法,采用所述的基于步态识别的奶牛健康监测***,所述方法包括如下步骤:
所述图像采集设备采集奶牛的行走图像;
所述控制器从所述图像采集设备采集的奶牛的行走图像中提取监测的奶牛的形态特征和实测步态特征;
所述控制器将所述监测的奶牛的形态特征与所述存储设备中存储的每个奶牛的形态特征进行比对,确定所述奶牛的ID;
所述控制器根据所述奶牛的ID从所述存储设备中获取所述奶牛对应的标准步态特征,计算所述监测的奶牛的实测步态特征与所述标准步态特征的差值;
所述控制器将比对结果输入训练好的健康状态预测模型,获取所述健康状态预测模型输出的奶牛的健康状态预测结果;
所述健康状态预测结果达到预设的报警条件时,所述报警设备发出报警信号,所述报警信号包括所述奶牛的ID和所述健康状态预测结果。此处,所述报警设备发出报警信号,可以是直接将报警信号发送到工作人员的用户终端,也可以是通过声光报警器进行声光报警,并将报警信号中包含的所述奶牛的ID和所述健康状态预测结果显示在显示屏上。
因此,本发明可以通过图像采集设备来采集奶牛的实测步态特征,并通过控制器与存储设备中的标准步态特征进行比对,然后控制器基于健康预测模型来准确预测奶牛的健康状态,提高了奶牛健康监测的准确性和效率,大大减轻了人工观测的负担,在预测的健康状态较差时,报警设备可以及时发出报警信号,提醒工作人员注意,便于问题的及时排查。,健康状态分类可以是分为多个等级,例如健康、亚健康、不健康、情况危急等,在奶牛出现不健康甚至情况危急的情况时,可以及时进行报警。
如图4所示,在该实施例中,所述图像采集设备和所述控制器设置于一移动装置上,所述控制器将所述监测的奶牛的形态特征与所述存储设备中存储的每个奶牛的形态特征进行比对,确定所述奶牛的ID之后,所述方法还包括如下步骤:
所述控制器根据所述奶牛的ID判断所述奶牛前一次健康预测时间与当前时间的间隔是否大于预设时间阈值;
如果是,则所述控制器控制所述移动装置跟踪所述检测到的奶牛,并控制所述图像采集设备继续采集所述奶牛的图像至图像数量到达预设数量阈值;
如果否,则所述控制器忽略该奶牛的图像,并控制所述移动装置继续沿预设的路线行进。
由此,通过所述控制器控制所述移动装置带动所述图像采集设备沿预设的路线行进,可以保证一段时间内将所有奶牛的健康数据均采集到,避免因为奶牛数量繁多而出现遗漏或重复检测的情况,大大提高了奶牛群体健康监测的效率和准确率。
本发明的基于步态识别的奶牛健康监测方法中,各个步骤的具体实施方式可以采用上述基于步态识别的奶牛健康监测***的各个模块的功能实现方式,此处不予赘述。
综上所述,与现有技术相比,本发明可以通过图像采集设备来采集奶牛的实测步态特征,并与标准步态特征进行比对,然后基于健康预测模型来准确预测奶牛的健康状态,提高了奶牛健康监测的准确性和效率,大大减轻了人工观测的负担,在预测的健康状态较差时,及时发出报警信号,提醒工作人员注意,便于问题的及时排查。
在此说明书中,本发明已参照其特定的实施例作了描述。但是,很显然仍可以作出各种修改和变换而不背离本发明的精神和范围。因此,说明书和附图应被认为是说明性的而非限制性的。
Claims (10)
1.一种基于步态识别的奶牛健康监测***,其特征在于,所述***包括:
图像采集设备,用于采集奶牛的行走图像;
存储设备,用于存储每个奶牛的ID及每个奶牛的形态特征和标准步态特征;
控制器,用于从所述图像采集设备采集的奶牛的行走图像中提取监测的奶牛的形态特征和实测步态特征,并将监测的奶牛的实测步态特征与其所对应的标准步态特征对比,将比对结果输入训练好的健康状态预测模型,获取所述健康状态预测模型输出的奶牛的健康状态预测结果;
报警设备,用于所述健康状态预测结果达到预设的报警条件时,发出报警信号,所述报警信号包括所述奶牛的ID和所述健康状态预测结果。
2.根据权利要求1所述的基于步态识别的奶牛健康监测***,其特征在于,所述控制器包括:
图像识别模块,用于从所述图像采集设备采集的奶牛的多个行走图像中提取监测的奶牛的形态特征和实测步态特征;
身份识别模块,用于将所述监测的奶牛的形态特征与所述存储设备中存储的每个奶牛的形态特征进行比对,确定所述奶牛的ID;
特征比对模块,用于根据所述奶牛的ID从所述存储设备中获取所述奶牛对应的标准步态特征,计算所述监测的奶牛的实测步态特征与所述标准步态特征的差值;
状态预测模块,用于将所述实测步态特征与所述标准步态特征的差值输入所述健康状态预测模型,得到输出的健康状态预测结果。
3.根据权利要求1所述的基于步态识别的奶牛健康监测***,其特征在于,所述控制器还还包括模型训练模块,用于构建基于深度学习的健康状态预测模型,并采用训练集训练所述健康状态预测模型至收敛。
4.根据权利要求3所述的基于步态识别的奶牛健康监测***,其特征在于,所述模型训练模块还用于采集多个奶牛的实测步态特征与标准步态特征,计算所述实测步态特征与所述标准步态特征的差值,并获取所述差值的健康状态标记,将所述差值和所对应的健康状态标记加入所述训练集。
5.根据权利要求3所述的基于步态识别的奶牛健康监测***,其特征在于,所述基于深度学习的健康状态预测模型为卷积神经网络模型,所述卷积神经网络模型包括卷积层、池化层、全连接层和softmax分类层。
6.根据权利要求1所述的基于步态识别的奶牛健康监测***,其特征在于,所述图像采集设备和所述控制器设置于一移动装置上,所述控制器在所述图像采集设备采集的图像中检测到奶牛时,控制所述移动装置跟踪所述检测到的奶牛,并控制所述图像采集设备继续采集所述奶牛的图像至图像数量到达预设数量阈值。
7.根据权利要求6所述的基于步态识别的奶牛健康监测***,其特征在于,所述控制器在所述图像采集设备采集的图像中检测到奶牛时,从所述图像采集设备采集的奶牛的多个行走图像中提取监测的奶牛的形态特征,将所述监测的奶牛的形态特征与所述存储设备中存储的每个奶牛的形态特征进行比对,确定所述奶牛的ID,根据所述奶牛的ID判断所述奶牛前一次健康预测时间与当前时间的间隔是否大于预设时间阈值,如果是,则所述控制器控制所述移动装置跟踪所述检测到的奶牛,并控制所述图像采集设备继续采集所述奶牛的图像至图像数量到达预设数量阈值;
所述报警设备发出报警信号时,所述报警信号还包括所述移动装置当前的位置。
8.根据权利要求7所述的基于步态识别的奶牛健康监测***,其特征在于,所述控制器根据所述奶牛的ID判断所述奶牛前一次健康预测时间与当前时间的间隔是否大于预设时间阈值之后,如果否,则所述控制器忽略该奶牛的图像,并控制所述移动装置继续沿预设的路线行进。
9.一种基于步态识别的奶牛健康监测方法,其特征在于,采用权利要求1至8中任一项所述的基于步态识别的奶牛健康监测***,所述方法包括如下步骤:
所述图像采集设备采集奶牛的行走图像;
所述控制器从所述图像采集设备采集的奶牛的行走图像中提取监测的奶牛的形态特征和实测步态特征;
所述控制器将所述监测的奶牛的形态特征与所述存储设备中存储的每个奶牛的形态特征进行比对,确定所述奶牛的ID;
所述控制器根据所述奶牛的ID从所述存储设备中获取所述奶牛对应的标准步态特征,计算所述监测的奶牛的实测步态特征与所述标准步态特征的差值;
所述控制器将比对结果输入训练好的健康状态预测模型,获取所述健康状态预测模型输出的奶牛的健康状态预测结果;
所述健康状态预测结果达到预设的报警条件时,所述报警设备发出报警信号,所述报警信号包括所述奶牛的ID和所述健康状态预测结果。
10.根据权利要求9所述的基于步态识别的奶牛健康监测方法,其特征在于,所述图像采集设备和所述控制器设置于一移动装置上,所述控制器将所述监测的奶牛的形态特征与所述存储设备中存储的每个奶牛的形态特征进行比对,确定所述奶牛的ID之后,所述方法还包括如下步骤:
所述控制器根据所述奶牛的ID判断所述奶牛前一次健康预测时间与当前时间的间隔是否大于预设时间阈值;
如果是,则所述控制器控制所述移动装置跟踪所述检测到的奶牛,并控制所述图像采集设备继续采集所述奶牛的图像至图像数量到达预设数量阈值;
如果否,则所述控制器忽略该奶牛的图像,并控制所述移动装置继续沿预设的路线行进。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010510350.8A CN111611978A (zh) | 2020-06-08 | 2020-06-08 | 基于步态识别的奶牛健康监测***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010510350.8A CN111611978A (zh) | 2020-06-08 | 2020-06-08 | 基于步态识别的奶牛健康监测***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111611978A true CN111611978A (zh) | 2020-09-01 |
Family
ID=72197337
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010510350.8A Withdrawn CN111611978A (zh) | 2020-06-08 | 2020-06-08 | 基于步态识别的奶牛健康监测***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111611978A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112257608A (zh) * | 2020-10-23 | 2021-01-22 | 成都希盟泰克科技发展有限公司 | 一种牦牛养殖健康状态监测方法 |
CN112528772A (zh) * | 2020-11-27 | 2021-03-19 | 中国农业大学 | 基于热红外的奶牛跛行运动特征检测方法及装置 |
CN114896441A (zh) * | 2022-06-07 | 2022-08-12 | 连云港东旺奶牛养殖有限公司 | 一种奶牛信息化智能养殖方法及*** |
-
2020
- 2020-06-08 CN CN202010510350.8A patent/CN111611978A/zh not_active Withdrawn
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112257608A (zh) * | 2020-10-23 | 2021-01-22 | 成都希盟泰克科技发展有限公司 | 一种牦牛养殖健康状态监测方法 |
CN112528772A (zh) * | 2020-11-27 | 2021-03-19 | 中国农业大学 | 基于热红外的奶牛跛行运动特征检测方法及装置 |
CN114896441A (zh) * | 2022-06-07 | 2022-08-12 | 连云港东旺奶牛养殖有限公司 | 一种奶牛信息化智能养殖方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111611978A (zh) | 基于步态识别的奶牛健康监测***及方法 | |
CN110738127B (zh) | 基于无监督深度学习神经网络算法的安全帽识别方法 | |
CN113963315A (zh) | 一种复杂场景下实时视频多人行为识别方法及*** | |
EP4137901A1 (en) | Deep-learning-based real-time process monitoring system, and method therefor | |
CN110765906A (zh) | 一种基于关键点的行人检测算法 | |
CN108229407A (zh) | 一种视频分析中的行为检测方法与*** | |
CN101969548A (zh) | 基于双目摄像的主动视频获取方法及装置 | |
CN104020751A (zh) | 基于物联网的校园安全监测***及方法 | |
CN106341661A (zh) | 巡逻机器人 | |
CN115527340A (zh) | 一种基于无人机与监控摄像的智慧工地安全监测***及方法 | |
CN112235537A (zh) | 一种变电站现场作业安全预警方法 | |
CN113014870B (zh) | 一种基于乘客姿态快速估计的地铁闸机通行逃票识别方法 | |
CN107256034B (zh) | 一种基于无人机的变配电室多点环境数据采集*** | |
CN112836683A (zh) | 用于便携式摄像设备的车牌识别方法、装置、设备和介质 | |
CN114943858A (zh) | 数据中心巡检***、电池异常识别方法、设备及存储介质 | |
CN111062238A (zh) | 基于人体骨架信息及多目标跟踪的扶梯流量监测方法及*** | |
KR20150031530A (ko) | 무인 항공 감시 장치를 이용한 영상 감시 방법 및 장치 | |
CN106767823A (zh) | 基于不完全信息情况下的智能移动路径规划方法 | |
Soman et al. | A Novel Fall Detection System using Mediapipe | |
CN114800615A (zh) | 基于多源感知的机器人实时调度***及方法 | |
CN111178134B (zh) | 一种基于深度学习与网络压缩的摔倒检测方法 | |
Hyodo et al. | Feature representation learning for calving detection of cows using video frames | |
CN113221776A (zh) | 一种基于人工智能对反刍动物一般行为识别的方法 | |
CN117416695B (zh) | 一种行李传输轨道机器人*** | |
CN118042418B (zh) | 基于移动终端的老人安全出行智能监管处理*** |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200901 |
|
WW01 | Invention patent application withdrawn after publication |