CN111626196B - 基于知识图谱的典型牛科动物身体结构智能分析方法 - Google Patents
基于知识图谱的典型牛科动物身体结构智能分析方法 Download PDFInfo
- Publication number
- CN111626196B CN111626196B CN202010457832.1A CN202010457832A CN111626196B CN 111626196 B CN111626196 B CN 111626196B CN 202010457832 A CN202010457832 A CN 202010457832A CN 111626196 B CN111626196 B CN 111626196B
- Authority
- CN
- China
- Prior art keywords
- neural network
- animal
- cattle
- body structure
- layer
- 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
Links
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
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于知识图谱的典型牛科动物身体结构智能分析方法,包括以下步骤:(1)搭建典型牛科动物身体结构的知识图谱;(2)在知识图谱的指导下建立各层躯体结构检测识别神经网络;(3)输入检测图像或视频对其中的典型牛科动物进行智能识别和结构分割。本发明提供采取了分层,实现了层次化,将目标范围缩小,层层递进,这样不仅可以直接排除与目标数据无关的大部分数据,降低其他数据对所需目标数据干扰,达到提高精度的效果,还可以降低神经网络的复杂度,利用多个简单方便易实现的神经网络达到最终目的。
Description
技术领域
本发明属于计算机应用技术和图像分析技术领域,具体涉及一种基于知识图谱的典型牛科动物身体结构智能分析方法。
背景技术
目前人们对野生动物了解认识,大多是通过对它们进行“偷拍”,然后通过整理分析红外摄像机所拍摄的影像资料,再人为的对它们活动规律以及各种行为进行综合分析。对于圈养动物也是借助摄像机人为对其行为进行监控、管理。
行为常常表现为某种动作或运动形式,一般是外部可识别的变化,一般人们通过分析所拍摄的影像资料中动物身体的各个结构的变化和位置来判断这个动物的行为,比如我们得出它在跑,是因为我们看见了他的腿在往一个方向运动。
近年来,动物行为学的研究获得了蓬勃的发展,主要是把动物行为与生命科学中许多其它的许多分支学科相互渗透在一起,形成了许多新的硏究领域,从不同的角度进一步完整、***地阐述动物行为的原因、机制生或发育、进化与适应功能等问题。但总的来说我国动物行为的现状动物行为的研究在我国正处于起步阶段,研究的内容主要是描述性的,在理论研究方面,在研究的广度和深度方面,与国外存在着很大的差距。
而且随着肉牛、奶牛等的规模化养殖,传统人为管理方式易导致造成牛的应激反应,也不适宜在现代化的牛养殖中继续采用。在牛栏等地加装监控相机已普遍应用,现有技术有通过奶牛的背部上的特征斑进行身份验证,另外还有通过耗牛脸部特征进行身份识别,这些现有方法主要目的都是着重在身份识别,但监控视频数据繁多,人为观看效率低下,急需针对养殖业管理任务的视频智能分析技术。
发明内容
本发明的目的在于提供一种基于知识图谱的典型牛科动物身体结构智能分析方法,利用知识图谱和神经网络技术,不仅实现了对牛的检测识别还重在实现了身体结构的自动分析。
为了实现上述发明目的,本发明具体采用以下技术方案:
基于知识图谱的典型牛科动物身体结构智能分析方法,包括以下步骤:
(1)搭建典型牛科动物身体结构的知识图谱
(1.1)根据典型牛科动物的共同特征、现有的资料分析,将牛的身体构造按照从整体到局部分为不同层次;
(1.2)并搭建对应的知识图谱,根据步骤(1.1)的层次对应的分层勾结知识图谱;
本发明研究对象为典型牛科动物,所有结构是相对固定的,一般具体分的是四层,但是也可以分三层或者五层等其他任何数量的层。优选的为四层,在四层的基础上可以进一步的进行细分或删减,比如在下面的第三层可以不做躯干的细分,可以增加尾巴的细分。
具体的来说一般
第一层:动物整体轮廓;
第二层:动物身体的主要结构部分;
第三层及以下均可视为对动物身体的主要结构部分的细分。
(2)在知识图谱的指导下建立各层躯体结构检测识别神经网络
(2.1)获取并对数据集进行处理;
(2.2)基于数据集训练和优化网络模型;
(3)输入检测图像或视频对其中的典型牛科动物进行智能识别和结构分割;
(3.1)通过摄像头等设备获取关于被检测动物的实时数据;
(3.2)将检测图片,输入网络模型,如果当前输入图像拥有神经网络模型所要检测的身体部位,则神经网络模型将分割出对应的具体身体结构区域并进行该结构部位以下的结构部位的检测与分割;如果没有,就终止该结构及以下的结构的检测与分割;最后输出对应检测结果。
最后输出的检测结果一定反应的是输入图像动物肉眼能够看到结构,能够进行实时的结构分析,而不是非要输入一张完整的动物图片起到代替人眼去观察动物结构的作用。
本发明提供的基于知识图谱的典型牛科动物身体结构智能分析方法,基于牛的图片,自动对牛的身体进行结构划分,基于牛的结构划分进行牛的行为分析;采取了分层,实现了层次化,将目标范围缩小,层层递进,这样不仅可以直接排除与目标数据无关的大部分数据,降低其他数据对所需目标数据干扰,达到提高精度的效果,还可以降低神经网络的复杂度,利用多个简单方便易实现的神经网络达到最终目的。
附图说明
图1是本发明的流程图;
图2是实施例的知识图谱;
图3是实施例的神经网络的模型结构。
具体实施方式
为了对本发明作进一步的说明,下面将结合附图及实施例,对本发明的具体实施方式或现有技术中的技术方案进行详细描述。但不应将此理解为本发明仅限于以下的实施例,而是凡基于本发明内容所实现的技术均属于本发明的范围。
研究对象是典型牛科动物,包括黄牛、水牛、奶牛、肉牛、野牦牛等。
具体流程如图1所示,具体步骤为:
1、搭建牛身体结构的知识图谱;如图2所示;
将牛的身体构造按照从整体到局部分为以下四层次:
第一层:牛的整个身体;
第二层:将牛整个身体分为牛头、牛躯干、牛四肢、牛尾巴;
第三层:将牛头分为眼部、鼻部、嘴部、额部;将牛躯干分为颈部、背部、臀部;将牛四肢分为前肢、后肢;
第四层:将嘴部分为唇部、舌部;将额部分为额头、牛角、耳朵;将前肢分为前臂部、掌部、蹄部;将后肢分为小腿部、跗部、跎部;
针对监控视频,这样的四层次划分足够满足管理要求,理论上可对第四层各结构进行进一步划分。
可使用N404j完成知识图谱的搭建但不限于使用Neo4j。本实施例使用Neo4j搭建动物身体结构的知识图谱要经过以下步骤:
1.1数据清洗,生成csv文件;
根据牛按照从整体到局部的思路,通过三元组的方式建立牛的数据模型,明确对象之间的分类,关系以及对象的属性;
1.2使用Neo4j-import导入csv文件;
1.2.1停止Neo4j服务;
1.2.2对1.1中清洗过的数据进行知识抽取,按照从整体到局部的思路,确定对象的类别,属性以及对象之间的关系,将整理好的数据放进相应的.csv文件中;
1.2.3确定数据库名称、***节点、***关系,将.csv文件放在Neo4j安装目录的import 文件夹下,再导入节点和关系;
1.2.4终端输入导入的命令;
1.3最后启动数据库,查看数据。
2、建立各层牛躯体结构检测识别神经网络
按照知识图谱构建(训练和优化)四层神经网络,每一层神经网络不限于一个模型可多个模型;如图3所示:
第一层:获取牛轮廓图像区域的动物检测与分割神经网络模型;
第二层:获取牛头轮廓图像区域、牛躯干轮廓图像区域、牛四肢轮廓图像区域、牛尾巴轮廓图像区域的局部结构检测与分割神经网络模型;
第三层:获取眼部轮廓图像区域、鼻部轮廓图像区域、嘴部轮廓图像区域、额部轮廓图像区域的头部细分神经网络模型;
获取颈部轮廓图像区域、背部轮廓图像区域、臀部轮廓图像区域的躯干细分神经网络模型;
获取前肢轮廓图像区域、后肢轮廓图像区域的四肢细分神经网络模型;
第四层:获取唇部轮廓图像区域、舌部轮廓图像区域的嘴部细分神经网络模型;
获取额头轮廓图像区域、牛角轮廓图像区域、耳朵轮廓图像区域的额部细分神经网络模型;
获取前臂部轮廓图像区域、掌部轮廓图像区域、蹄部轮廓图像区域的前肢细分神经网络模型;
获取小腿部轮廓图像区域、跗部轮廓图像区域、跎部轮廓图像区域的后肢细分神经网络模型。
本实施例每一层神经网络的建立都要经过以下步骤:
2.1对数据集进行制作;
2.1.1获取多张相应的图像,构成相应图像集;
2.1.2对其所需内容进行人工标注,以得到标注框,同时生成对应的标签文件,并将所述标注框确定为临时感兴趣区域;
2.1.3对数据集进行预处理;
2.1.4将数据集(数据集包含图片和标签)按8:1:1的比例分为训练集、验证集和测试集。
其中,2.1.3对数据集进行预处理包括以下步骤:
2.1.3.1随机对所述的训练集、验证集图像采用加权平均法进行灰度化;
2.1.3.2按照所述的训练集、验证集图像的均值和方差,对所述训练集图像进行归一化处理。
2.1.3.3随机对所述的训练集、验证集图像进行平移、转置、镜像、旋转、缩放等几何变换;
2.1.3.4随机对所述的训练集、验证集图像采用频率域法和空间域法进行图像增强。
具体的操作为:
当训练第一层神经网络,需要获取多张牛的轮廓图像,构成牛轮廓的图像集;对图像中牛轮廓进行人工标注,以得到标注框,同时生成对应的标签文件,并将所述标注框确定为临时感兴趣区域;对牛轮廓的数据集进行预处理;将牛轮廓的数据集按8:1:1的比例分为训练集、验证集和测试集。
当训练第二层神经网络,需要获取多张牛的牛头轮廓图像、牛躯干轮廓图像、牛四肢轮廓图像、牛尾巴轮廓图像,构成局部结构的图像集;对图像中牛轮廓进行人工标注,以得到标注框,同时生成对应的标签文件,并将所述标注框确定为临时感兴趣区域;对相应数据集进行预处理;将牛轮廓的数据集按8:1:1的比例分为训练集、验证集和测试集。
当训练第三层神经网络,需要获取多张牛的眼部轮廓图像、鼻部轮廓图像、嘴部轮廓图像、额部轮廓图像,构成牛的头部图像集;对图像中牛的眼部轮廓、鼻部轮廓、嘴部轮廓、额部轮廓进行人工标注,以得到标注框,同时生成对应的标签文件,并将所述标注框确定为临时感兴趣区域;对相应数据集进行预处理;将牛的头部数据集按8:1:1的比例分为训练集、验证集和测试集;
获取多张牛的颈部轮廓图像、背部轮廓图像、臀部轮廓图像,构成牛的躯干图像集;对数据集图像中牛的颈部轮廓、背部轮廓、臀部轮廓进行人工标注,以得到标注框,同时生成对应的标签文件,并将所述标注框确定为临时感兴趣区域;对相应数据集进行预处理;将牛的躯干数据集按8:1:1的比例分为训练集、验证集和测试集;
获取多张牛的前肢轮廓图像、后肢轮廓图像,构成牛的四肢图像集;对数据集图像中牛的前肢轮廓、后肢轮廓进行人工标注,以得到标注框,同时生成对应的标签文件,并将所述标注框确定为临时感兴趣区域;对相应数据集进行预处理;将牛的四肢数据集按8:1:1的比例分为训练集、验证集和测试集。
当训练第四层神经网络,需要获取多张牛的唇部轮廓图像、舌部轮廓图像,构成牛的嘴部图像集;对图像中牛的唇部轮廓、舌部轮廓进行人工标注,以得到标注框,同时生成对应的标签文件,并将所述标注框确定为临时感兴趣区域;对相应数据集进行预处理;将牛的嘴部数据集按8:1:1的比例分为训练集、验证集和测试集;
获取多张牛的额头轮廓图像、牛角轮廓图像、耳朵轮廓图像,构成牛的额部图像集;对数据集图像中牛的额头轮廓、牛角轮廓、耳朵轮廓进行人工标注,以得到标注框,同时生成对应的标签文件,并将所述标注框确定为临时感兴趣区域;对相应数据集进行预处理;将牛的额部数据集按8:1:1的比例分为训练集、验证集和测试集;
获取多张牛的前臂部轮廓图像、掌部轮廓图像、蹄部轮廓图像,构成牛的前肢图像集;对数据集图像中牛的前臂部轮廓、掌部轮廓、蹄部轮廓进行人工标注,以得到标注框,同时生成对应的标签文件,并将所述标注框确定为临时感兴趣区域;对相应数据集进行预处理;将牛的前肢数据集按8:1:1的比例分为训练集、验证集和测试集;
获取多张牛的小腿部轮廓图像、跗部轮廓图像、跎部轮廓图像,构成牛的后肢图像集;对数据集图像中牛的小腿部轮廓、跗部轮廓、跎部轮廓进行人工标注,以得到标注框,同时生成对应的标签文件,并将所述标注框确定为临时感兴趣区域;对相应数据集进行预处理;将牛的后肢数据集按8:1:1的比例分为训练集、验证集和测试集。
2.2训练网络模型;
实施时第一层是Mask R-CNN或DeepLab等,其他层可用YOLO、CenterNet等。
采用ResNet-152卷积基础网络搭建好Mask R-CNN框架和运行环境,将2.1.中准备好的数据集作为训练网络的输入。
首先对学***均得到map值,当map≧0.8时,保存网络模型权重,完成网络模型的建立。
3、输入检测图像或视频对其中的牛进行智能识别和结构分割
3.1通过摄像头等设备获取关于牛的实时数据,可以是一张图片或一段视频,如果是视频需要先进行帧提取变成图像;
3.2将步骤3.1的检测图片或视频,自动依次经过上述四层神经网络模型,输出对应检测结果,如果当前输入图像拥有神经网络模型所要检测的身体部位,则神经网络模型将分割出对应的具体身体结构区域并进行该结构部位以下的结构部位的检测与分割;如果没有,就终止该结构及以下的结构的检测与分割。
比如具体地过程可以是:
3.2.1将原始图像输入第一层神经网络,经动物检测与分割神经网络模型对原始图像进行牛轮廓的特征提取,分割得到牛轮廓图像区域,并以图像文件的方式进行保存同时将任命其各自图像区域的名字;
3.2.2将3.2.1获得的牛轮廓图像区域输入第二层神经网络,经局部结构检测与分割神经网络模型同时对牛轮廓图像区域进行牛头轮廓、牛躯干轮廓、牛四肢轮廓、牛尾巴轮廓的特征提取,分割得到牛头轮廓图像区域、牛躯干轮廓图像区域、牛四肢轮廓图像区域、牛尾巴轮廓图像区域,并以图像文件的方式进行保存同时将任命其各自图像区域的名字;
3.2.3将3.2.2获得的牛头轮廓图像区域、牛躯干轮廓图像区域、牛四肢轮廓图像区域输入第三层神经网络,同时经头部细分神经网络模型、躯干细分神经网络模型、躯干细分神经网络模型分别对牛头轮廓图像区域进行眼部轮廓、鼻部轮廓、嘴部轮廓、额部轮廓特征提取;对牛躯干轮廓图像区域进行颈部轮廓、背部轮廓、臀部轮廓特征提取、对牛四肢轮廓图像区域进行前肢轮廓、后肢轮廓特征提取,最后分割得到眼部轮廓图像区域、鼻部轮廓图像区域、嘴部轮廓图像区域、额部轮廓图像区域、颈部轮廓图像区域、背部轮廓图像区域、臀部轮廓图像区域、前肢轮廓图像区域、后肢轮廓图像区域,并以图像文件的方式进行保存同时将任命其各自图像区域的名字;
3.2.4将3.2.3获得的嘴部轮廓图像区域、额部轮廓图像区域、前肢轮廓图像区域、后肢轮廓图像区域输入第四层神经网络,同时经嘴部细分神经网络模型、额部细分神经网络模型、前肢细分神经网络模型、后肢细分神经网络模型分别对嘴部轮廓图像区域进行唇部轮廓图像、舌部轮廓图像特征提取;对额部轮廓图像区域进行额头轮廓、牛角轮廓、耳朵轮廓特征提取;对前肢轮廓图像区域进行前臂部轮廓、掌部轮廓、蹄部轮廓特征提取;对后肢轮廓图像区域进行小腿部轮廓、跗部轮廓、跎部轮廓特征提取,最后分割得到唇部轮廓图像区域、舌部轮廓图像区域、额头轮廓图像区域、牛角轮廓图像区域、耳朵轮廓图像区域、前臂部轮廓图像区域、掌部轮廓图像区域、蹄部轮廓图像区域、小腿部轮廓图像区域、跗部轮廓图像区域、跎部轮廓图像区域,并以图像文件的方式进行保存同时将任命其各自图像区域的名字;
3.3待完成四层神经网络模型的检测与分割,创立文件夹用于保存所有3.2生成的图像文件。
Claims (2)
1.基于知识图谱的典型牛科动物身体结构智能分析方法,其特征在于,包括以下步骤:
(1)搭建典型牛科动物身体结构的知识图谱;
步骤(1)具体包括以下步骤:
(1.1)根据典型牛科动物的共同特征、现有的资料分析,将牛的身体构造按照从整体到局部分为不同层次;
(1.2)并搭建对应的知识图谱,根据步骤(1.1)的层次对应的分层勾结知识图谱;
第一层:动物整体轮廓;
第二层:动物身体的主要结构部分;
第三层及以下均可视为对动物身体的主要结构部分的细分;
(2)在知识图谱的指导下建立各层躯体结构检测识别神经网络;
(3)输入检测图像或视频对其中的典型牛科动物进行智能识别和结构分割;
步骤(3)具体包括以下步骤:
(3.1)通过摄像头设备获取关于被检测动物的实时数据;
(3.2)将检测图片,输入网络模型,如果当前输入图像拥有神经网络模型所要检测的身体部位,则神经网络模型将分割出对应的具体身体结构区域并进行该结构部位以下的结构部位的检测与分割;如果没有,就终止该结构及以下的结构的检测与分割;最后输出对应检测结果。
2.根据权利要求1所述的基于知识图谱的典型牛科动物身体结构智能分析方法,其特征在于,步骤(2)具体包括以下步骤:
(2.1)获取并对数据集进行处理;
(2.2) 基于数据集训练和优化网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010457832.1A CN111626196B (zh) | 2020-05-27 | 2020-05-27 | 基于知识图谱的典型牛科动物身体结构智能分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010457832.1A CN111626196B (zh) | 2020-05-27 | 2020-05-27 | 基于知识图谱的典型牛科动物身体结构智能分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111626196A CN111626196A (zh) | 2020-09-04 |
CN111626196B true CN111626196B (zh) | 2023-05-16 |
Family
ID=72271120
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010457832.1A Active CN111626196B (zh) | 2020-05-27 | 2020-05-27 | 基于知识图谱的典型牛科动物身体结构智能分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111626196B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108389614A (zh) * | 2018-03-02 | 2018-08-10 | 西安交通大学 | 基于图像分割与卷积神经网络构建医学影像图谱的方法 |
CN108765449A (zh) * | 2018-05-16 | 2018-11-06 | 南京信息工程大学 | 一种基于卷积神经网络的图像背景分割和识别方法 |
CN109886245A (zh) * | 2019-03-02 | 2019-06-14 | 山东大学 | 一种基于深度学习级联神经网络的行人检测识别方法 |
WO2019144575A1 (zh) * | 2018-01-24 | 2019-08-01 | 中山大学 | 一种快速行人检测方法及装置 |
CN110084296A (zh) * | 2019-04-22 | 2019-08-02 | 中山大学 | 一种基于特定语义的图表示学习框架及其多标签分类方法 |
CN110287777A (zh) * | 2019-05-16 | 2019-09-27 | 西北大学 | 一种自然场景下的金丝猴躯体分割算法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111133438A (zh) * | 2017-12-27 | 2020-05-08 | 英特尔公司 | 使用统计相关性模型的关键点引导的人类属性识别 |
WO2020072918A1 (en) * | 2018-10-05 | 2020-04-09 | The Trustees Of Princeton University | Automated system to measure multi-animal body part dynamics |
CN110210485A (zh) * | 2019-05-13 | 2019-09-06 | 常熟理工学院 | 基于注意力机制指导特征融合的图像语义分割方法 |
CN110766013A (zh) * | 2019-09-25 | 2020-02-07 | 浙江农林大学 | 一种基于卷积神经网络的鱼类识别方法和装置 |
CN114092859A (zh) * | 2021-11-25 | 2022-02-25 | 扬州大学 | 一种面向视频流的奶牛知识图谱构建方法 |
-
2020
- 2020-05-27 CN CN202010457832.1A patent/CN111626196B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019144575A1 (zh) * | 2018-01-24 | 2019-08-01 | 中山大学 | 一种快速行人检测方法及装置 |
CN108389614A (zh) * | 2018-03-02 | 2018-08-10 | 西安交通大学 | 基于图像分割与卷积神经网络构建医学影像图谱的方法 |
CN108765449A (zh) * | 2018-05-16 | 2018-11-06 | 南京信息工程大学 | 一种基于卷积神经网络的图像背景分割和识别方法 |
CN109886245A (zh) * | 2019-03-02 | 2019-06-14 | 山东大学 | 一种基于深度学习级联神经网络的行人检测识别方法 |
CN110084296A (zh) * | 2019-04-22 | 2019-08-02 | 中山大学 | 一种基于特定语义的图表示学习框架及其多标签分类方法 |
CN110287777A (zh) * | 2019-05-16 | 2019-09-27 | 西北大学 | 一种自然场景下的金丝猴躯体分割算法 |
Non-Patent Citations (1)
Title |
---|
基于视频的行人重识别研究;徐思敏;中国优秀硕士学位论文全文数据库(第06期);I138-1065 * |
Also Published As
Publication number | Publication date |
---|---|
CN111626196A (zh) | 2020-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Amraei et al. | Broiler weight estimation based on machine vision and artificial neural network | |
Wurtz et al. | Recording behaviour of indoor-housed farm animals automatically using machine vision technology: A systematic review | |
CN111723729B (zh) | 基于知识图谱的监控视频犬类姿态和行为智能识别方法 | |
CN107667903B (zh) | 基于物联网的畜牧养殖活体体重监测方法 | |
CN111294565A (zh) | 一种智能化养猪监测方法和管理端 | |
Subedi et al. | Tracking floor eggs with machine vision in cage-free hen houses | |
Garcia et al. | Lameness detection challenges in automated milking systems addressed with partial least squares discriminant analysis | |
Tscharke et al. | Review of methods to determine weight and size of livestock from images | |
Bist et al. | Mislaying behavior detection in cage-free hens with deep learning technologies | |
Noe et al. | Automatic detection and tracking of mounting behavior in cattle using a deep learning-based instance segmentation model | |
CN112288793B (zh) | 畜类个体背膘检测方法、装置、电子设备及存储介质 | |
CN114049550A (zh) | 基于深度学习的笼养死亡肉鸡自动识别方法 | |
Guo et al. | Detecting broiler chickens on litter floor with the YOLOv5-CBAM deep learning model | |
CN111860118A (zh) | 一种基于人工智能的人体行为分析方法 | |
Khairunissa et al. | Detecting poultry movement for poultry behavioral analysis using the Multi-Object Tracking (MOT) algorithm | |
Wang et al. | Establishment of broiler quality estimation model based on depth image and BP neural network | |
Witte et al. | Evaluation of deep learning instance segmentation models for pig precision livestock farming | |
CN111626196B (zh) | 基于知识图谱的典型牛科动物身体结构智能分析方法 | |
US11672255B2 (en) | Method for evaluating a health state of an anatomical element, related evaluation device and related evaluation system | |
CN112036328A (zh) | 银行客户满意度计算方法及装置 | |
CN108090562B (zh) | 基于类别树的深度学习方法和神经网络*** | |
Rodrigues et al. | Butterfly species identification using convolutional neural network | |
Chavez-Guerrero et al. | Classification of Domestic Dogs Emotional Behavior Using Computer Vision | |
CN111652084A (zh) | 一种异常蛋鸡识别方法及装置 | |
Bastiaansen et al. | Continuous real-time cow identification by reading ear tags from live-stream video |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20200922 Address after: No. 8 Road, Xindu Xindu District of Chengdu city of Sichuan Province in 610500 Applicant after: SOUTHWEST PETROLEUM University Address before: 8 / F, block B, building 3, No. 200, Tianfu 5th Street, hi tech Zone, Chengdu, Sichuan 610094 Applicant before: Chengdu yanhexi Technology Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |