CN111652084A - 一种异常蛋鸡识别方法及装置 - Google Patents
一种异常蛋鸡识别方法及装置 Download PDFInfo
- Publication number
- CN111652084A CN111652084A CN202010404184.3A CN202010404184A CN111652084A CN 111652084 A CN111652084 A CN 111652084A CN 202010404184 A CN202010404184 A CN 202010404184A CN 111652084 A CN111652084 A CN 111652084A
- Authority
- CN
- China
- Prior art keywords
- laying hen
- head
- image
- chicken
- laying
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 52
- 241000287828 Gallus gallus Species 0.000 claims abstract description 166
- 230000036541 health Effects 0.000 claims abstract description 103
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 29
- 238000007689 inspection Methods 0.000 claims description 14
- 238000012546 transfer Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 230000004886 head movement Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 230000003862 health status Effects 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 3
- 230000017448 oviposition Effects 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 3
- 210000003128 head Anatomy 0.000 description 171
- 235000013330 chicken meat Nutrition 0.000 description 119
- 241001465754 Metazoa Species 0.000 description 15
- 238000005516 engineering process Methods 0.000 description 12
- 238000003745 diagnosis Methods 0.000 description 10
- 244000144972 livestock Species 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 241000561734 Celosia cristata Species 0.000 description 7
- 210000001520 comb Anatomy 0.000 description 7
- 238000009395 breeding Methods 0.000 description 6
- 230000001488 breeding effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 201000010099 disease Diseases 0.000 description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 244000144977 poultry Species 0.000 description 5
- 235000013594 poultry meat Nutrition 0.000 description 5
- 230000003068 static effect Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000009432 framing Methods 0.000 description 3
- 208000030175 lameness Diseases 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 206010017577 Gait disturbance Diseases 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 208000031295 Animal disease Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000006806 disease prevention Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006353 environmental stress Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 235000021050 feed intake Nutrition 0.000 description 1
- 244000144992 flock Species 0.000 description 1
- 230000005021 gait Effects 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 239000011159 matrix material Substances 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
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 210000001747 pupil Anatomy 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000011514 reflex Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000011179 visual inspection 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
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- 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
- A01K43/00—Testing, sorting or cleaning eggs ; Conveying devices ; Pick-up devices
- A01K43/04—Grading eggs
- A01K43/10—Grading and stamping
-
- 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
- G06F18/24—Classification techniques
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P60/00—Technologies relating to agriculture, livestock or agroalimentary industries
- Y02P60/80—Food processing, e.g. use of renewable energies or variable speed drives in handling, conveying or stacking
- Y02P60/87—Re-use of by-products of food processing for fodder production
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Environmental Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Computing Systems (AREA)
- Animal Husbandry (AREA)
- Biodiversity & Conservation Biology (AREA)
- Molecular Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种异常蛋鸡识别方法及装置,该方法包括:获取目标采集笼内蛋鸡的待检测视频;将任一图像输入到训练后的深度卷积神经网络中,获取任一图像中每一蛋鸡的鸡头位置和每一蛋鸡的初始健康状态;根据任一图像中每一蛋鸡的鸡头位置和参考图像中每一蛋鸡的鸡头位置,计算任一图像中每一蛋鸡的鸡头摆动系数;根据任一图像中每一蛋鸡的初始健康状态、任一图像中每一蛋鸡的鸡头摆动系数和任一图像中每一蛋鸡的鸡头分类置信参数,获取所述任一图像中每一蛋鸡的最终健康状态;根据待检测视频中每一蛋鸡的最终健康状态,识别出异常蛋鸡。本发明实施例克服了个体目标提取难、应用受限的问题,提高了异常蛋鸡识别精度。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种异常蛋鸡识别方法及装置。
背景技术
随着集约化养殖发展,畜禽养殖密度逐步提高、单栋舍内养殖数目激增,在这种条件下,对动物疾病防控提出了更高的要求,一旦有畜禽出现疾病或亚健康状态,如果没有及时发现与处理,轻则导致个体死亡,重则直接导致整栋舍内蛋鸡的死亡、扑杀,这导致了极大的安全隐患与经济损失。因此,对畜禽动物的健康状态进行实时监控十分必要。目前针对动物健康的巡检,以人工目视的方式为主,这种方式受到标准主观性强、人工劳动强度大、人畜共患病风险升高等因素的影响,往往难以及时、准确地对患病动物进行有效识别,尤其针对疾病初期的动物识别准确率更低。
近年来信息化技术与网络通讯技术发展逐步开始与畜牧业结合,特别是机器视觉技术、深度卷积神经网络、物联网通讯技术,为动物表型信息的自动获取、评价提供了新的技术手段,通过实时采集畜禽舍内的图像,可以实现标准、高速、准确地采集动物表型信息,经过计算机视觉技术分析后,形成动物健康状态判别专家***,可以为畜牧业生产提供高效、准确的数据决策支持,进而提高畜牧生产效率、质量与经济效益,推动现代农业的发展。
规模化、集约化叠层养殖的生产模式中,单位空间内动物个体数量较多、活动空间较小,个体采食量、养殖环境、有害气体浓度等难以维持在稳定水平。在环境胁迫下,身体较弱的动物个体在群体中作为生存竞争的受害者,容易因此陷入恶性循环,健康状态急剧下降,产生呆滞、疾病、甚至死亡的状态。如果这些个体因为抵抗力下降感染各类疾病,还会加剧动物群体爆发大规模危害性疾病的概率。因此,尽早识别健康状态恶化的动物个体,并及时给予关注和处理有重要的生产意义。基于计算机视觉技术、物联网通讯技术、专家***技术,发明一种基于可见光的蛋鸡舍健康巡检机器人巡检方法,实现自动化、非接触地采集蛋鸡群的视频信息,并通过计算机视觉与深度神经网络技术,对蛋鸡的健康状态做出自动分类诊断,同时将诊断结果归档管理,为畜牧生产决策与疫病防控提供技术支持。
某一现有技术提出了一种基于机器视觉识别鸡冠颜色的病鸡检测方法,实现了自动识别病鸡并进行实时报警,他在喂料槽上部署机器视觉***,通过并行算法实现多路视频采集,在LAB颜色中提取鸡冠区域a分量的值,通过专家诊断***分析鸡冠颜色的特征差异,当鸡冠A分量在健康阈值之外时,自动判定该鸡只为病鸡,并向管理员发送报警信息。
另一现有技术开发了一种基于鸡头特征的病鸡识别方法,她以HSV颜色空间中H分量为基础,通过阈值分割得到鸡冠、鸡垂,并通过鸡冠鸡垂部分的几何关系,定位识别鸡头。在鸡头中,分别提取鸡眼瞳孔轮廓与鸡头的形状几何特征,提取鸡冠的H分量共生矩阵特征,采用ARA特征选择算法获得病鸡特征向量,最终用支持向量机基于提取的鸡头特征对病鸡与健康鸡进行分类,识别准确率达到92.5%。
再一现有技术为了尽早发现步态异常、存在跛行可能的病鸡,针对肉鸡个体开发了一种基于机器视觉技术的黄羽肉鸡跛行状态定量评价方法,从肉鸡行走过程中视频中提取肉鸡的速度、步幅、步幅差等变量,随后基于决策树算法对肉鸡的步态进行五类分级(GS0-GS4),从而实现对肉鸡跛行状态进行自动预警和判别,该方法有助于实现早期不明显异常肉鸡个体的自动识别。
目前针对集约化养殖中异常蛋鸡的检测方法,主要是通过人工目视巡检,以及基于机器视觉的自动化智能判别方法,其中人工巡检工作负担重、劳动力密集,常因人员疏忽、误判导致异常蛋鸡的发现被延误,导致严重损失,此外人工巡检还容易导致舍内出现蛋鸡炸群等应激反射、人畜共患病风险升高。
现有技术中基于机器视觉的方法具有非侵入性、实时性、不间断性,正在逐步被应用于健康异常动物的检测,这是畜牧信息化领域的一个新方向,但是针对集约化养殖的蛋鸡而言,这种方法的缺陷主要是难以从复杂环境与蛋鸡群体中分离定位到蛋鸡个体,同时针对健康异常蛋鸡个体的评价标准通常以静态图像为依据,信息量小、方法单一、模型鲁棒性差,无法满足实际生产需求的精确率与误判率。
发明内容
为了解决上述问题,本发明实施例提供一种异常蛋鸡识别方法及***。
第一方面,本发明实施例提供一种异常蛋鸡识别方法,该方法包括:
获取目标采集笼内蛋鸡的待检测视频;
对于所述待检测视频中的任一图像,将所述任一图像输入到训练后的深度卷积神经网络中,获取所述任一图像中每一蛋鸡的鸡头位置和每一蛋鸡的初始健康状态,其中,训练后的深度卷积神经网络以不同初始健康状态的蛋鸡图像为训练样本、以蛋鸡图像中每一蛋鸡的鸡头位置和蛋鸡图像中每一蛋鸡的初始健康状态为标签训练得到,所述初始健康状态包括健康蛋鸡和体弱蛋鸡;
根据所述任一图像中每一蛋鸡的鸡头位置和参考图像中每一蛋鸡的鸡头位置,计算所述任一图像中每一蛋鸡的鸡头摆动系数,所述参考图像为所述待检测视频中的另一帧图像;
根据所述任一图像中每一蛋鸡的初始健康状态、所述任一图像中每一蛋鸡的鸡头摆动系数和所述任一图像中每一蛋鸡的鸡头分类置信参数,获取所述任一图像中每一蛋鸡的最终健康状态,所述任一图像中每一蛋鸡的鸡头分类置信参数由训练后的深度卷积神经网络中softmax函数生成;
根据所述待检测视频中每一蛋鸡的最终健康状态,识别出异常蛋鸡。
优选地,所述根据所述任一图像中每一蛋鸡的鸡头位置和参考图像中每一蛋鸡的鸡头位置,计算所述任一图像中每一蛋鸡的鸡头摆动系数,具体包括:
对于任一蛋鸡,根据所述任一蛋鸡的鸡头所在目标矩形的坐标、所述任一图像中所述任一蛋鸡的鸡头所在目标矩形的长度、所述任一图像中所述任一蛋鸡的鸡头所在目标矩形的宽度、所述参考图像中所述任一蛋鸡的鸡头所在目标矩形的坐标、所述参考图像中所述任一蛋鸡的鸡头所在目标矩形的长度和所述参考图像中所述任一蛋鸡的鸡头所在目标矩形的宽度,获取所述任一蛋鸡的姿态转移值,鸡头位置为鸡头所在目标矩形的坐标;
若所述姿态转移值大于预设阈值,根据所述任一图像和所述参考图像之间的时间间隔,获取所述任一蛋鸡的单次头部移动速度;
根据所述任一蛋鸡的单次头部移动速度和预设移动速度,获取所述任一蛋鸡的鸡头摆动系数。
优选地,所述根据所述任一蛋鸡的鸡头所在目标矩形的坐标、所述任一图像中所述任一蛋鸡的鸡头所在目标矩形的长度、所述任一图像中所述任一蛋鸡的鸡头所在目标矩形的宽度、所述参考图像中所述任一蛋鸡的鸡头所在目标矩形的坐标、所述参考图像中所述任一蛋鸡的鸡头所在目标矩形的长度和所述参考图像中所述任一蛋鸡的鸡头所在目标矩形的宽度,获取所述任一蛋鸡的姿态转移值,具体计算公式如下:
P=|xk-xt|+|yk-yt|+|ak-at|+|bk-bt|,
其中,P表示所述姿态转移值,xk表示所述任一图像中任一蛋鸡的鸡头所在目标矩形的横坐标,yk表示所述任一图像中任一蛋鸡的鸡头所在目标矩形的纵坐标,xt表示所述参考图像中任一蛋鸡的鸡头所在目标矩形的横坐标,yt表示所述参考图像中任一蛋鸡的鸡头所在目标矩形的纵坐标,ak表示所述任一图像中任一蛋鸡的鸡头所在目标矩形的长度,at表示所述任一图像中任一蛋鸡的鸡头所在目标矩形的宽度,bk表示所述参考图像中任一蛋鸡的鸡头所在目标矩形的长度,bt表示所述参考图像中任一蛋鸡的鸡头所在目标矩形的宽度。
优选地,所述根据所述任一图像和所述参考图像之间的时间间隔,获取所述任一蛋鸡的单次头部移动速度,具体计算公式如下:
M=50·(k-t),
其中,M表示所述单次头部移动速度,k表示所述任一图像的帧数,t表示所述参考图像的帧数。
优选地,所述根据所述任一蛋鸡的单次头部移动速度和预设移动速度,获取所述任一蛋鸡的鸡头摆动系数,具体包括:
对于任一图像,根据所述任一图像中所述任一蛋鸡的单次头部移动速度,获取所述任一图像中所述任一蛋鸡的鸡头摆动特征值,具体计算公式为:
其中,Pi为第i帧图像中所述任一蛋鸡的鸡头摆动特征值,Mi为第i帧图像中所述任一蛋鸡的单次头部移动速度,v表示所述预设移动速度;
根据所述待检测视频中每一图像中所述任一蛋鸡的鸡头摆动特征值的平均值,获取所述任一蛋鸡的鸡头摆动系数。
优选地,所述任一图像中每一蛋鸡的鸡头分类置信参数,具体计算公式如下:
其中,Q表示所述鸡头分类置信参数,w表示每个分类特征的权重,i表示分类标签,j表示分类特征标签,j≤n。
优选地,所述根据所述任一图像中每一蛋鸡的初始健康状态、所述任一图像中每一蛋鸡的鸡头摆动系数和所述任一图像中每一蛋鸡的鸡头分类置信参数,获取所述任一图像中每一蛋鸡的最终健康状态,具体包括:
对于任一蛋鸡,若所述任一蛋鸡的初始健康状态为体弱蛋鸡,且所述任一蛋鸡的鸡头分类置信参数大于第一预设阈值,则所述任一蛋鸡的最终健康状态为体弱蛋鸡;
若所述任一蛋鸡的初始健康状态为体弱蛋鸡,且所述任一蛋鸡的鸡头分类置信参数不大于所述第一预设阈值,且所述任一蛋鸡的鸡头摆动系数小于第二预设阈值,则所述任一蛋鸡的最终健康状态为体弱蛋鸡,否则所述任一蛋鸡的最终健康状态为健康蛋鸡;
若所述任一蛋鸡的初始健康状态为健康蛋鸡,且所述任一蛋鸡的鸡头分类置信参数大于所述第一预设阈值,则所述任一蛋鸡的最终健康状态为健康蛋鸡;
若所述任一蛋鸡的初始健康状态为健康蛋鸡,且所述任一蛋鸡的鸡头分类置信参数不大于所述第一预设阈值,且所述任一蛋鸡的鸡头摆动系数大于所述第二预设阈值,则所述任一蛋鸡的最终健康状态为健康蛋鸡,否则所述任一蛋鸡的最终健康状态为体弱蛋鸡。
第二方面,本发明实施例提供一种异常蛋鸡识别装置,包括:图像传感器、工控一体机和移动车,其中,所述工控一体机安装在所述移动车上,所述图像传感器与所述工控一体机连接;
所述移动车用于围绕目标采集笼进行巡检;
所述图像传感器用于采集所述目标采集笼内蛋鸡的待检测视频;
所述工控一体机用于根据所述待检测视频,利用第一方面提供的一种异常蛋鸡识别方法,识别出异常蛋鸡。
第三方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现本发明第一方面提供的一种异常蛋鸡识别方法的步骤。
第四方面,本发明实施例提供一种非暂态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本发明第一方面提供的一种异常蛋鸡识别方法的步骤。
本发明实施例提供的一种异常蛋鸡识别方法及装置,首次将深度卷积神经网络运用于集约化叠层群体笼养环境中针对个体蛋鸡的识别,克服了个体目标提取难、应用受限的问题;同时首次将蛋鸡头部摆动的动态参数引入健康评价体系内,克服了静态图像采集难、图像质量不高导致的误判问题,并使诊断方法更丰富、诊断依据更可靠,同时该方法与人工巡检标准贴近,具备更高的智能性,可以达到甚至超过人工巡检的准确率。
附图说明
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一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种异常蛋鸡识别方法的流程图;
图2为本发明实施例中深度卷积神经网络的模型结构示意图;
图3为本发明实施例中一种异常蛋鸡识别装置的结构示意图;
图4为本发明实施例该异常蛋鸡识别装置的***工作流程图;
图5为本发明实施例提供的一种电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例针对叠层笼养蛋鸡群中健康状态异常个体检测困难的问题,提供基于机器视觉和图像处理的异常蛋鸡在线识别方法,目的在于实现蛋鸡舍内实时自动监控并发现状态异常的蛋鸡,并通过无线网络将相关信息实时上传,实现患病蛋鸡的自动测报功能。集成机器视觉、物联网通讯技术,构建蛋鸡健康异常个体测报方法与***,提高蛋鸡中的信息化与智能化水平,降低养殖风险。
图1为本发明实施例提供的一种异常蛋鸡识别方法的流程图,如图1所示,该方法包括:
S1,获取目标采集笼内蛋鸡的待检测视频;
对目标采集笼内进行视频拍摄,将目标采集笼中蛋鸡的视频作为待检测视频,采集视频结束后,对待检测视频按照时间序列进行分帧处理,得到图像数据流。
S2,对于所述待检测视频中的任一图像,将所述任一图像输入到训练后的深度卷积神经网络中,获取所述任一图像中每一蛋鸡的鸡头位置和每一蛋鸡的初始健康状态,其中,训练后的深度卷积神经网络以不同初始健康状态的蛋鸡图像为训练样本、以蛋鸡图像中每一蛋鸡的鸡头位置和蛋鸡图像中每一蛋鸡的初始健康状态为标签训练得到,所述初始健康状态包括健康蛋鸡和体弱蛋鸡;
将待检测视频中的每一帧图像都输入到训练后的深度卷积神经网络中,就可以得到每一帧图像中每个蛋鸡的鸡头所在位置和每个蛋鸡的初始健康状态,本发明实施例中,由于出现疾病的蛋鸡通常表现为目光呆滞和头部移动缓慢,因此本发明实施例通过深度卷积神经网络跟踪并定位视频中蛋鸡个体的头部区域,基于蛋鸡头部摆动特征与头部形态特征建立线性决策模型,对蛋鸡健康状态进行二分类判断。
为了方便说明,本发明实施例中以待检测视频中任意一帧图像为例进行说明,将该图像输入到训练后的深度卷积神经网络中后,就可以得到该图像中每个蛋鸡的鸡头位置和每个蛋鸡的初始健康状态,每个蛋鸡的鸡头位置用矩形圈出来,其中矩形圆心的坐标就是蛋鸡的鸡头坐标,蛋鸡的初始健康状态包括2种状态,分别为健康蛋鸡和体弱蛋鸡(也就是疾病蛋鸡),通过训练后的深度卷积神经网络可以得到蛋鸡的初始健康状态,初始健康状态只是本发明实施例中对蛋鸡的第一次判断。
具体地,本发明实施例中深度卷积神经网络为FasterR-CNN深度卷积神经网络,训练后的深度卷积神经网络是以不同健康状态的蛋鸡图像为训练样本,本发明实施例中训练采用3000张图片,健康蛋鸡1500张、体弱蛋鸡1500张;每张图片内有1-6只蛋鸡的头部,预先对头部分别进行框选标记后,将框选标记作为图像中蛋鸡的头部位置,将标签与图像对应后作训练为基础数据。3000组基础数据随机按照6:2:2分为训练集、验证集、测试集。训练采用VGG-16网络结构,使用softmax+Cross Entropy进行损失评估。训练过程中单个像素的损失函数定义如公式(1)、公式(2)所示。
图2为本发明实施例中深度卷积神经网络的模型结构示意图,如图2所示,该深度卷积神经网络用于实现鸡头分类识别与坐标定位。
S3,根据所述任一图像中每一蛋鸡的鸡头位置和参考图像中每一蛋鸡的鸡头位置,计算所述任一图像中每一蛋鸡的鸡头摆动系数,所述参考图像为所述待检测视频中的另一帧图像;
然后根据该图像中每个蛋鸡的鸡头所在矩形坐标和参考图像中每个蛋鸡的鸡头所在矩形坐标,计算该图像中每个蛋鸡的鸡头摆动系数,参考图像为该待检测视频中的另外一幅图像,通过两个图像中鸡头位置,得到该蛋鸡的鸡头摆动系数,鸡头摆动系数可以表示待检测视频中每个蛋鸡的头部摆动动态行为。
本发明实施例将蛋鸡头部摆动的动态参数引入健康评价体系内,克服了静态图像采集难、图像质量不高导致的误判问题,并使诊断方法更丰富、诊断依据更可靠。
S4,根据所述任一图像中每一蛋鸡的初始健康状态、所述任一图像中每一蛋鸡的鸡头摆动系数和所述任一图像中每一蛋鸡的鸡头分类置信参数,获取所述任一图像中每一蛋鸡的最终健康状态,所述任一图像中每一蛋鸡的鸡头分类置信参数由训练后的深度卷积神经网络中softmax函数生成;
根据该图像中每个蛋鸡的初始健康状态、该蛋鸡的鸡头摆动系数和该蛋鸡的鸡头分类置信参数,对每个蛋鸡的健康状态进行二次判断,结合鸡头部多次摆动瞬时速度的平均值与形态特征,以此评估蛋鸡的最终健康状态,从而进一步提高了异常蛋鸡识别精度。
S5,根据所述待检测视频中每一蛋鸡的最终健康状态,识别出异常蛋鸡。
根据待检测视频中每个蛋鸡的最终健康状态,找出最终健康状态为体弱蛋鸡的蛋鸡,由于每个蛋鸡的头部位置坐标是已知的,可以根据头部位置坐标找出对应的异常蛋鸡。
本发明实施例提供的一种异常蛋鸡识别方法,首次将深度卷积神经网络运用于集约化叠层群体笼养环境中针对个体蛋鸡的识别,克服了个体目标提取难、应用受限的问题;同时首次将蛋鸡头部摆动的动态参数引入健康评价体系内,克服了静态图像采集难、图像质量不高导致的误判问题,并使诊断方法更丰富、诊断依据更可靠,同时该方法与人工巡检标准贴近,具备更高的智能性,可以达到甚至超过人工巡检的准确率。
在上述实施例的基础上,优选地,所述根据所述任一图像中每一蛋鸡的鸡头位置和参考图像中每一蛋鸡的鸡头位置,计算所述任一图像中每一蛋鸡的鸡头摆动系数,具体包括:
对于任一蛋鸡,根据所述任一蛋鸡的鸡头所在目标矩形的坐标、所述任一图像中所述任一蛋鸡的鸡头所在目标矩形的长度、所述任一图像中所述任一蛋鸡的鸡头所在目标矩形的宽度、所述参考图像中所述任一蛋鸡的鸡头所在目标矩形的坐标、所述参考图像中所述任一蛋鸡的鸡头所在目标矩形的长度和所述参考图像中所述任一蛋鸡的鸡头所在目标矩形的宽度,获取所述任一蛋鸡的姿态转移值,鸡头位置为鸡头所在目标矩形的坐标;
若所述姿态转移值大于预设阈值,根据所述任一图像和所述参考图像之间的时间间隔,获取所述任一蛋鸡的单次头部移动速度;
根据所述任一蛋鸡的单次头部移动速度和预设移动速度,获取所述任一蛋鸡的鸡头摆动系数。
具体地,本发明实施例中利用将蛋鸡头部利用矩形标注出来,分别根据该任一图像和该参考图像中蛋鸡的鸡头所在目标矩形的长度、目标矩形的宽度、目标矩形的横坐标和目标矩形的纵坐标,计算出该蛋鸡的姿态转移值。
如果该蛋鸡的姿态转移值大于预设阈值,说明在这段时间内该蛋鸡的头部发生了一次摆动,则可以进一步判断。根据该图像和参考图像之间的时间间隔,计算出该蛋鸡的单次头部移动速度。
然后根据该蛋鸡的单次头部移动速度和预设移动速度,预设移动速度为正常蛋鸡的头部摆动最大速度,感觉该蛋鸡的单次头部移动速度和正常蛋鸡的头部摆动最大速度之间的大小关系,计算该蛋鸡的鸡头摆动系数。
在上述实施例的基础上,优选地,所述根据所述任一蛋鸡的鸡头所在目标矩形的坐标、所述任一图像中所述任一蛋鸡的鸡头所在目标矩形的长度、所述任一图像中所述任一蛋鸡的鸡头所在目标矩形的宽度、所述参考图像中所述任一蛋鸡的鸡头所在目标矩形的坐标、所述参考图像中所述任一蛋鸡的鸡头所在目标矩形的长度和所述参考图像中所述任一蛋鸡的鸡头所在目标矩形的宽度,获取所述任一蛋鸡的姿态转移值,具体计算公式如下:
P=|xk-xt|+|yk-yt|+|ak-at|+|bk-bt|,
其中,P表示所述姿态转移值,xk表示所述任一图像中任一蛋鸡的鸡头所在目标矩形的横坐标,yk表示所述任一图像中任一蛋鸡的鸡头所在目标矩形的纵坐标,xt表示所述参考图像中任一蛋鸡的鸡头所在目标矩形的横坐标,yt表示所述参考图像中任一蛋鸡的鸡头所在目标矩形的纵坐标,ak表示所述任一图像中任一蛋鸡的鸡头所在目标矩形的长度,at表示所述任一图像中任一蛋鸡的鸡头所在目标矩形的宽度,bk表示所述参考图像中任一蛋鸡的鸡头所在目标矩形的长度,bt表示所述参考图像中任一蛋鸡的鸡头所在目标矩形的宽度。
上述公式中,k表示任一图像在待检测视频中的帧数,t表示参考图像在待检测视频中的帧数。
本发明实施例中,如果姿态转移值大于预设阈值,说明该蛋鸡的鸡头发生了一次摆动,预设阈值表示蛋鸡的头部发生摆动时的最小数值,该最小数值可以根据实验进行测量得到,预设阈值的取值为90-150之间。
在上述实施例的基础上,优选地,所述根据所述任一图像和所述参考图像之间的时间间隔,获取所述任一蛋鸡的单次头部移动速度,具体计算公式如下:
M=50·(k-t),
其中,M表示所述单次头部移动速度,k表示所述任一图像的帧数,t表示所述参考图像的帧数。
M的单位为毫秒。
在上述实施例的基础上,优选地,所述根据所述任一蛋鸡的单次头部移动速度和预设移动速度,获取所述任一蛋鸡的鸡头摆动系数,具体包括:
对于任一图像,根据所述任一图像中所述任一蛋鸡的单次头部移动速度,获取所述任一图像中所述任一蛋鸡的鸡头摆动特征值,具体计算公式为:
其中,Pi为第i帧图像中所述任一蛋鸡的鸡头摆动特征值,Mi为第i帧图像中所述任一蛋鸡的单次头部移动速度,v表示所述预设移动速度;
根据所述待检测视频中每一图像中所述任一蛋鸡的鸡头摆动特征值的平均值,获取所述任一蛋鸡的鸡头摆动系数。
蛋鸡头部摆动的快慢是蛋鸡健康状态的衡量标准。鸡头部摆动不连续,通常为间断性摆动,摆动后保持小段时间的静止,则鸡头两个不同位置状态之间的时间可以反映蛋鸡头部摆动速度。
具体地,实验测定正常蛋鸡单次摆动过程耗时一般不超过160毫秒,因此,本发明实施例中,v的取值为160,在单次诊断中,鸡头摆动系数取待检测视频中鸡头摆动的平均速度值,定义如下公式所示:
其中,P表示所述鸡头摆动系数,pi表示第i帧图像的鸡头摆动特征值,n表示待检测视频中所有图像的帧数。
在上述实施例的基础上,优选地,所述任一图像中每一蛋鸡的鸡头分类置信参数,具体计算公式如下:
其中,Q表示所述鸡头分类置信参数,w表示每个分类特征的权重,i表示分类标签,j表示分类特征标签,j≤n。
在上述实施例的基础上,优选地,所述根据所述任一图像中每一蛋鸡的初始健康状态、所述任一图像中每一蛋鸡的鸡头摆动系数和所述任一图像中每一蛋鸡的鸡头分类置信参数,获取所述任一图像中每一蛋鸡的最终健康状态,具体包括:
对于任一蛋鸡,若所述任一蛋鸡的初始健康状态为体弱蛋鸡,且所述任一蛋鸡的鸡头分类置信参数大于第一预设阈值,则所述任一蛋鸡的最终健康状态为体弱蛋鸡;
若所述任一蛋鸡的初始健康状态为体弱蛋鸡,且所述任一蛋鸡的鸡头分类置信参数不大于所述第一预设阈值,且所述任一蛋鸡的鸡头摆动系数小于第二预设阈值,则所述任一蛋鸡的最终健康状态为体弱蛋鸡,否则所述任一蛋鸡的最终健康状态为健康蛋鸡;
若所述任一蛋鸡的初始健康状态为健康蛋鸡,且所述任一蛋鸡的鸡头分类置信参数大于所述第一预设阈值,则所述任一蛋鸡的最终健康状态为健康蛋鸡;
若所述任一蛋鸡的初始健康状态为健康蛋鸡,且所述任一蛋鸡的鸡头分类置信参数不大于所述第一预设阈值,且所述任一蛋鸡的鸡头摆动系数大于所述第二预设阈值,则所述任一蛋鸡的最终健康状态为健康蛋鸡,否则所述任一蛋鸡的最终健康状态为体弱蛋鸡。
具体地,本发明实施例中,第一预设阈值的取值为0.6~0.8,第二预设阈值的取值为20~50。
图3为本发明实施例中一种异常蛋鸡识别装置的结构示意图,如图3所示,该装置包括:图像传感器301、工控一体机302和移动车303,其中,所述工控一体机302安装在所述移动车303上,所述图像传感器301与所述工控一体机连接;
所述移动车用于围绕目标采集笼进行巡检;
所述图像传感器用于采集所述目标采集笼内蛋鸡的待检测视频;
所述工控一体机用于根据所述待检测视频,利用一种异常蛋鸡识别方法,识别出异常蛋鸡。
具体地,图像传感器安装于可移动巡检机器人上,从正对鸡栏40-70cm处,通过水平角度采集笼内蛋鸡的待检测视频,帧频为20帧/秒,针对每个位置采集10s后停止。视频由机器人上安装的工控机通过上述异常蛋鸡检测算法进行实时处理与识别,并判断视野内是否有健康状态异常的蛋鸡,判断结束后,将识别结果通过4G或WIFI网络实时传输至云服务器。
图4为本发明实施例该异常蛋鸡识别装置的***工作流程图,如图4所示,首先进行***初始化,完成准备工作后,工控一体机控制图像传感器进行视频拍摄,如果视频采集时间达到10s,说明这一段视频采集完毕,然后按照时间序列抽取图像,并识别每帧图像中的鸡头位置,对鸡头位置进行定位与跟踪,分别获取鸡头摆动参数和分类置信参数后,输入到蛋鸡健康评价模型中,所谓的蛋鸡健康评价模型就是根据蛋鸡的初始健康状态、蛋鸡的鸡头摆动参数和分类置信参数,得出蛋鸡的最终健康状态。
并将每个蛋鸡的健康状态通过4G或WIFI网络实时传送至云服务器,如果发现状态异常的蛋鸡,同时发送报警短信至指定管理员手机,便与及时处理体弱蛋鸡。
本实施例为与上述方法实施例对应的装置实施例,详情请参考上述方法实施例,本装置实施例在此不再赘述。
本发明实施例提供一种异常蛋鸡识别装置,该装置实时跟踪蛋鸡头部的位置与形态,提取视频中对蛋鸡头部的运动状态,对蛋鸡头部摆动动态行为、头部静态形状进行定量评价,由评价结果可以实现针对集约化叠层笼养蛋鸡健康状态的自动化巡检,并实时发现鸡群中存在的健康状态异常蛋鸡个体,本方法尤其针对蛋鸡健康异常个体的早期诊断有更好的效果,做到鸡群中弱鸡、病鸡的早发现、早诊断、早报告、早处理,从而有效降低集约化蛋鸡养殖的损失风险,提高畜牧产业的数字化、标准化、智能化水平,保障动物福利水平与养殖主体的经济效益。
图5为本发明实施例提供的一种电子设备的实体结构示意图,如图5所示,该电子设备可以包括:处理器(processor)501、通信接口(Communications Interface)502、存储器(memory)503和总线504,其中,处理器501,通信接口502,存储器503通过总线504完成相互间的通信。通信接口502可以用于电子设备的信息传输。处理器501可以调用存储器503中的逻辑指令,以执行包括如下的方法:
获取目标采集笼内蛋鸡的待检测视频;
对于所述待检测视频中的任一图像,将所述任一图像输入到训练后的深度卷积神经网络中,获取所述任一图像中每一蛋鸡的鸡头位置和每一蛋鸡的初始健康状态,其中,训练后的深度卷积神经网络以不同初始健康状态的蛋鸡图像为训练样本、以蛋鸡图像中每一蛋鸡的鸡头位置和蛋鸡图像中每一蛋鸡的初始健康状态为标签训练得到,所述初始健康状态包括健康蛋鸡和体弱蛋鸡;
根据所述任一图像中每一蛋鸡的鸡头位置和参考图像中每一蛋鸡的鸡头位置,计算所述任一图像中每一蛋鸡的鸡头摆动系数,所述参考图像为所述待检测视频中的另一帧图像;
根据所述任一图像中每一蛋鸡的初始健康状态、所述任一图像中每一蛋鸡的鸡头摆动系数和所述任一图像中每一蛋鸡的鸡头分类置信参数,获取所述任一图像中每一蛋鸡的最终健康状态,所述任一图像中每一蛋鸡的鸡头分类置信参数由训练后的深度卷积神经网络中softmax函数生成;
根据所述待检测视频中每一蛋鸡的最终健康状态,识别出异常蛋鸡。
此外,上述的存储器503中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明上述各方法实施例的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明实施例还提供一种非暂态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执行上述各实施例提供的传输方法,例如包括:
获取目标采集笼内蛋鸡的待检测视频;
对于所述待检测视频中的任一图像,将所述任一图像输入到训练后的深度卷积神经网络中,获取所述任一图像中每一蛋鸡的鸡头位置和每一蛋鸡的初始健康状态,其中,训练后的深度卷积神经网络以不同初始健康状态的蛋鸡图像为训练样本、以蛋鸡图像中每一蛋鸡的鸡头位置和蛋鸡图像中每一蛋鸡的初始健康状态为标签训练得到,所述初始健康状态包括健康蛋鸡和体弱蛋鸡;
根据所述任一图像中每一蛋鸡的鸡头位置和参考图像中每一蛋鸡的鸡头位置,计算所述任一图像中每一蛋鸡的鸡头摆动系数,所述参考图像为所述待检测视频中的另一帧图像;
根据所述任一图像中每一蛋鸡的初始健康状态、所述任一图像中每一蛋鸡的鸡头摆动系数和所述任一图像中每一蛋鸡的鸡头分类置信参数,获取所述任一图像中每一蛋鸡的最终健康状态,所述任一图像中每一蛋鸡的鸡头分类置信参数由训练后的深度卷积神经网络中softmax函数生成;
根据所述待检测视频中每一蛋鸡的最终健康状态,识别出异常蛋鸡。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种异常蛋鸡识别方法,其特征在于,包括:
获取目标采集笼内蛋鸡的待检测视频;
对于所述待检测视频中的任一图像,将所述任一图像输入到训练后的深度卷积神经网络中,获取所述任一图像中每一蛋鸡的鸡头位置和每一蛋鸡的初始健康状态,其中,训练后的深度卷积神经网络以不同初始健康状态的蛋鸡图像为训练样本、以蛋鸡图像中每一蛋鸡的鸡头位置和蛋鸡图像中每一蛋鸡的初始健康状态为标签训练得到,所述初始健康状态包括健康蛋鸡和体弱蛋鸡;
根据所述任一图像中每一蛋鸡的鸡头位置和参考图像中每一蛋鸡的鸡头位置,计算所述任一图像中每一蛋鸡的鸡头摆动系数,所述参考图像为所述待检测视频中的另一帧图像;
根据所述任一图像中每一蛋鸡的初始健康状态、所述任一图像中每一蛋鸡的鸡头摆动系数和所述任一图像中每一蛋鸡的鸡头分类置信参数,获取所述任一图像中每一蛋鸡的最终健康状态,所述任一图像中每一蛋鸡的鸡头分类置信参数由训练后的深度卷积神经网络中softmax函数生成;
根据所述待检测视频中每一蛋鸡的最终健康状态,识别出异常蛋鸡。
2.根据权利要求1所述的异常蛋鸡识别方法,其特征在于,所述根据所述任一图像中每一蛋鸡的鸡头位置和参考图像中每一蛋鸡的鸡头位置,计算所述任一图像中每一蛋鸡的鸡头摆动系数,具体包括:
对于任一蛋鸡,根据所述任一蛋鸡的鸡头所在目标矩形的坐标、所述任一图像中所述任一蛋鸡的鸡头所在目标矩形的长度、所述任一图像中所述任一蛋鸡的鸡头所在目标矩形的宽度、所述参考图像中所述任一蛋鸡的鸡头所在目标矩形的坐标、所述参考图像中所述任一蛋鸡的鸡头所在目标矩形的长度和所述参考图像中所述任一蛋鸡的鸡头所在目标矩形的宽度,获取所述任一蛋鸡的姿态转移值,鸡头位置为鸡头所在目标矩形的坐标;
若所述姿态转移值大于预设阈值,根据所述任一图像和所述参考图像之间的时间间隔,获取所述任一蛋鸡的单次头部移动速度;
根据所述任一蛋鸡的单次头部移动速度和预设移动速度,获取所述任一蛋鸡的鸡头摆动系数。
3.根据权利要求2所述的异常蛋鸡识别方法,其特征在于,所述根据所述任一蛋鸡的鸡头所在目标矩形的坐标、所述任一图像中所述任一蛋鸡的鸡头所在目标矩形的长度、所述任一图像中所述任一蛋鸡的鸡头所在目标矩形的宽度、所述参考图像中所述任一蛋鸡的鸡头所在目标矩形的坐标、所述参考图像中所述任一蛋鸡的鸡头所在目标矩形的长度和所述参考图像中所述任一蛋鸡的鸡头所在目标矩形的宽度,获取所述任一蛋鸡的姿态转移值,具体计算公式如下:
P=|xk-xt|+|yk-yt|+|ak-at|+|bk-bt|,
其中,P表示所述姿态转移值,xk表示所述任一图像中任一蛋鸡的鸡头所在目标矩形的横坐标,yk表示所述任一图像中任一蛋鸡的鸡头所在目标矩形的纵坐标,xt表示所述参考图像中任一蛋鸡的鸡头所在目标矩形的横坐标,yt表示所述参考图像中任一蛋鸡的鸡头所在目标矩形的纵坐标,ak表示所述任一图像中任一蛋鸡的鸡头所在目标矩形的长度,at表示所述任一图像中任一蛋鸡的鸡头所在目标矩形的宽度,bk表示所述参考图像中任一蛋鸡的鸡头所在目标矩形的长度,bt表示所述参考图像中任一蛋鸡的鸡头所在目标矩形的宽度。
4.根据权利要求2所述的异常蛋鸡识别方法,其特征在于,所述根据所述任一图像和所述参考图像之间的时间间隔,获取所述任一蛋鸡的单次头部移动速度,具体计算公式如下:
M=50·(k-t),
其中,M表示所述单次头部移动速度,k表示所述任一图像的帧数,t表示所述参考图像的帧数。
7.根据权利要求1所述的异常蛋鸡识别方法,其特征在于,所述根据所述任一图像中每一蛋鸡的初始健康状态、所述任一图像中每一蛋鸡的鸡头摆动系数和所述任一图像中每一蛋鸡的鸡头分类置信参数,获取所述任一图像中每一蛋鸡的最终健康状态,具体包括:
对于任一蛋鸡,若所述任一蛋鸡的初始健康状态为体弱蛋鸡,且所述任一蛋鸡的鸡头分类置信参数大于第一预设阈值,则所述任一蛋鸡的最终健康状态为体弱蛋鸡;
若所述任一蛋鸡的初始健康状态为体弱蛋鸡,且所述任一蛋鸡的鸡头分类置信参数不大于所述第一预设阈值,且所述任一蛋鸡的鸡头摆动系数小于第二预设阈值,则所述任一蛋鸡的最终健康状态为体弱蛋鸡,否则所述任一蛋鸡的最终健康状态为健康蛋鸡;
若所述任一蛋鸡的初始健康状态为健康蛋鸡,且所述任一蛋鸡的鸡头分类置信参数大于所述第一预设阈值,则所述任一蛋鸡的最终健康状态为健康蛋鸡;
若所述任一蛋鸡的初始健康状态为健康蛋鸡,且所述任一蛋鸡的鸡头分类置信参数不大于所述第一预设阈值,且所述任一蛋鸡的鸡头摆动系数大于所述第二预设阈值,则所述任一蛋鸡的最终健康状态为健康蛋鸡,否则所述任一蛋鸡的最终健康状态为体弱蛋鸡。
8.一种异常蛋鸡识别装置,其特征在于,包括:图像传感器、工控一体机和移动车,其中,所述工控一体机安装在所述移动车上,所述图像传感器与所述工控一体机连接;
所述移动车用于围绕目标采集笼进行巡检;
所述图像传感器用于采集所述目标采集笼内蛋鸡的待检测视频;
所述工控一体机用于根据所述待检测视频,利用权利要求1至7任一所述的异常蛋鸡识别方法,识别出异常蛋鸡。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述的异常蛋鸡识别方法的步骤。
10.一种非暂态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如权利要求1至7任一项所述的异常蛋鸡识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010404184.3A CN111652084B (zh) | 2020-05-13 | 2020-05-13 | 一种异常蛋鸡识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010404184.3A CN111652084B (zh) | 2020-05-13 | 2020-05-13 | 一种异常蛋鸡识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111652084A true CN111652084A (zh) | 2020-09-11 |
CN111652084B CN111652084B (zh) | 2023-04-25 |
Family
ID=72346231
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010404184.3A Active CN111652084B (zh) | 2020-05-13 | 2020-05-13 | 一种异常蛋鸡识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111652084B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113256703A (zh) * | 2021-06-03 | 2021-08-13 | 河北农业大学 | 一种基于图像处理的鸡冠形态测定方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109558892A (zh) * | 2018-10-30 | 2019-04-02 | 银河水滴科技(北京)有限公司 | 一种基于神经网络的目标识别方法及*** |
CN109583297A (zh) * | 2018-10-25 | 2019-04-05 | 清华大学 | 视网膜oct体数据识别方法及装置 |
CN110414313A (zh) * | 2019-06-06 | 2019-11-05 | 平安科技(深圳)有限公司 | 异常行为告警方法、装置、服务器及存储介质 |
-
2020
- 2020-05-13 CN CN202010404184.3A patent/CN111652084B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109583297A (zh) * | 2018-10-25 | 2019-04-05 | 清华大学 | 视网膜oct体数据识别方法及装置 |
CN109558892A (zh) * | 2018-10-30 | 2019-04-02 | 银河水滴科技(北京)有限公司 | 一种基于神经网络的目标识别方法及*** |
CN110414313A (zh) * | 2019-06-06 | 2019-11-05 | 平安科技(深圳)有限公司 | 异常行为告警方法、装置、服务器及存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113256703A (zh) * | 2021-06-03 | 2021-08-13 | 河北农业大学 | 一种基于图像处理的鸡冠形态测定方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN111652084B (zh) | 2023-04-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fang et al. | Comparative study on poultry target tracking algorithms based on a deep regression network | |
Okinda et al. | A machine vision system for early detection and prediction of sick birds: A broiler chicken model | |
Zhou et al. | Near-infrared imaging to quantify the feeding behavior of fish in aquaculture | |
Wurtz et al. | Recording behaviour of indoor-housed farm animals automatically using machine vision technology: A systematic review | |
Yang et al. | Feeding behavior recognition for group-housed pigs with the Faster R-CNN | |
Neethirajan | ChickTrack–a quantitative tracking tool for measuring chicken activity | |
CN104008367B (zh) | 基于计算机视觉的育肥猪的自动行为分析***及方法 | |
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 | |
US10058076B2 (en) | Method of monitoring infectious disease, system using the same, and recording medium for performing the same | |
Bhoj et al. | Image processing strategies for pig liveweight measurement: Updates and challenges | |
JP2019205425A (ja) | 死亡鶏検知システム、鶏生死判定プログラム、および鶏生死判定装置 | |
CN108460370B (zh) | 一种固定式家禽生命信息报警装置 | |
Bist et al. | Mislaying behavior detection in cage-free hens with deep learning technologies | |
CN113662530B (zh) | 一种猪只生理生长状态监测预警方法 | |
Tscharke et al. | Review of methods to determine weight and size of livestock from images | |
Aydin et al. | Automatic identification of activity and spatial use of broiler chickens with different gait scores | |
CN115830078A (zh) | 生猪多目标跟踪及行为识别方法、计算机设备与存储介质 | |
Guo et al. | Automatic detection of brown hens in cage-free houses with deep learning methods | |
CN111652084B (zh) | 一种异常蛋鸡识别方法及装置 | |
Evangelista et al. | Detection of japanese quails (coturnix japonica) in poultry farms using yolov5 and detectron2 faster r-cnn | |
CN113989538A (zh) | 基于深度图像的鸡群均匀度估测方法、装置、***及介质 | |
CN112434577A (zh) | 奶牛跛行检测方法及奶牛跛行检测装置 | |
Wang et al. | Application of artificial intelligence techniques in meat processing: A review | |
Ojukwu et al. | Development of a computer vision system to detect inactivity in group-housed pigs | |
CN114569129A (zh) | 畜禽的情绪监控方法以及畜禽的情绪监控装置 |
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 |