CN112150506A - 一种目标状态的检测方法、装置、介质及电子设备 - Google Patents
一种目标状态的检测方法、装置、介质及电子设备 Download PDFInfo
- Publication number
- CN112150506A CN112150506A CN202011031707.0A CN202011031707A CN112150506A CN 112150506 A CN112150506 A CN 112150506A CN 202011031707 A CN202011031707 A CN 202011031707A CN 112150506 A CN112150506 A CN 112150506A
- Authority
- CN
- China
- Prior art keywords
- livestock
- animal
- scoring
- target
- sequence
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 39
- 244000144972 livestock Species 0.000 claims abstract description 179
- 238000000034 method Methods 0.000 claims abstract description 56
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 23
- 230000008569 process Effects 0.000 claims abstract description 20
- 241001465754 Metazoa Species 0.000 claims description 56
- 230000033001 locomotion Effects 0.000 claims description 13
- 230000015654 memory Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 8
- 208000030175 lameness Diseases 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 5
- 230000003862 health status Effects 0.000 abstract description 4
- 239000002609 medium Substances 0.000 description 13
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 241000282887 Suidae Species 0.000 description 3
- 238000009395 breeding Methods 0.000 description 3
- 230000001488 breeding effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 241000283690 Bos taurus Species 0.000 description 1
- 241001494479 Pecora Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 239000012120 mounting media Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/70—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in livestock or poultry
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了一种目标状态的检测方法、装置、介质及电子设备。该方法包括:获取牲畜在运动过程中的图像;使用目标检测算法定位画面中的每只牲畜,得到牲畜位置信息,使用追踪算法对各牲畜进行追踪拍摄,得到牲畜的图像序列,通过卷积神经网络,对各牲畜ID的图像序列进行打分;根据打分结果,确定各牲畜ID的牲畜是否处于病态。通过采用本申请所提供的技术方案,可以实现快速的对病态牲畜进行识别,从而确保牲畜的健康状况的效果。
Description
技术领域
本申请实施例涉及牲畜喂养技术领域,尤其涉及一种目标状态的检测方法、装置、介质及电子设备。
背景技术
随着科技水平的快速发展,互联网技术以及智能终端的应用已经涉及到社会生活的各个领域。在牲畜喂养的过程中,以猪只为例,如果猪只存在病态情况,如跛脚,没有及时被察觉的情况下,会影响猪只的正常生长,同时造成料肉比的增加。
而由于牲畜养殖行业往往需要进行大量牲畜的喂养,养殖人员很难第一时间发现牲畜的病态。因此,如何对病态的牲畜第一时间发现和处理,就成为了养殖业比较棘手的问题。
发明内容
本申请实施例提供一种目标状态的检测方法、装置、介质及电子设备,可以实现快速的对病态牲畜进行识别,从而确保牲畜的健康状况的效果。
第一方面,本申请实施例提供了一种目标状态的检测方法,该方法包括:
获取牲畜在运动过程中的图像;
使用目标检测算法定位画面中的每只牲畜,得到牲畜位置信息,使用追踪算法对各牲畜进行追踪拍摄,得到牲畜的图像序列;
通过卷积神经网络,对各牲畜ID的图像序列进行打分;
根据打分结果,确定各牲畜ID的牲畜是否处于病态。
进一步的,所述牲畜在运动过程中的图像是基于设置在牲畜通道上方和/或侧方的摄像头获取的。
进一步的,所述牲畜包括猪只;
所述病态包括牲畜的跛脚状态。
进一步的,获取牲畜在运动过程中的图像,包括:
采用摄像头,获取牲畜通道的图像;
使用目标检测模型,检测所述牲畜通道的图像中的目标牲畜,并获得检测结果框;
相应的,采用追踪算法,对每只牲畜的图像进行编码,得到牲畜ID,包括:
采用追踪算法,对目标牲畜的检测结果框进行编码,得到目标牲畜的牲畜ID。
进一步的,通过卷积神经网络,对各牲畜ID的图像序列进行打分,包括:
将各牲畜ID的图像序列依次输入至卷积神经网络,根据所述卷积神经网络的输出结果,确定各牲畜ID的打分序列。
进一步的,根据打分结果,确定各牲畜ID的牲畜是否处于病态,包括:
根据各牲畜ID的打分序列,确定各牲畜ID的是否处于病态。
进一步的,根据各牲畜ID的打分序列,确定各牲畜ID的是否处于病态,包括:
获取各牲畜ID的打分序列;
针对其中一个目标牲畜ID,若所述打分序列中存在连续预设个数的打分小于预设阈值,则确定目标牲畜ID的牲畜处于病态。
第二方面,本申请实施例还提供了一种在线目标状态的检测装置,该装置包括:
图像获取模块,用于获取牲畜在运动过程中的图像;
跟踪拍摄模块,使用目标检测算法定位画面中的每只牲畜,得到牲畜位置信息,使用追踪算法对各牲畜进行追踪拍摄,得到牲畜的图像序列;
打分结果确定模块,用于通过卷积神经网络,对各牲畜ID的图像序列进行打分;
病态识别模块,用于根据打分结果,确定各牲畜ID的牲畜是否处于病态。
第三方面,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,该程序被处理器执行时实现如本申请实施例所述的目标状态的检测方法。
第四方面,本申请实施例提供了一种移动电子设备,包括存储器,处理器及存储在存储器上并可在处理器运行的计算机程序,所述处理器执行所述计算机程序时实现如本申请实施例所述的目标状态的检测方法。
本申请实施例所提供的技术方案,获取牲畜在运动过程中的图像,使用目标检测算法定位每只牲畜在画面中的位置,使用追踪算法进行追踪拍摄,获得每只牲畜的图像序列。对每个牲畜的每张图像使用卷积神经网络进行打分,根据一个牲畜的所有图像的打分结果序列,确定该牲畜是否处于病态。通过采用本申请所提供的技术方案,可以实现快速的对病态牲畜进行识别,从而确保牲畜的健康状况的效果。
附图说明
图1是本申请实施例一提供的目标状态的检测方法的流程图;
图2是本申请实施例二提供的目标状态的检测装置的结构示意图;
图3是本申请实施例四提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本申请,而非对本申请的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理,但是其中的许多步骤可以被并行地、并发地或者同时实施。此外,各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止,但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例一
图1是本申请实施例一提供的目标状态的检测方法的流程图,本实施例可适用于病态牲畜检测的情况,该方法可以由本申请实施例所提供的目标状态的检测装置来执行,该装置可以由软件和/或硬件的方式来实现,并可集成于电子设备中。
如图1所示,所述目标状态的检测方法包括:
S110、获取牲畜在运动过程中的图像。
其中,牲畜可以包括牛、羊以及猪只等。本方案中,由于需要对牲畜是否处于病态进行检测,则在牲畜静止的过程是很难获取到相关数据并作出判断的,因此需要在牲畜运动的过程中进行图像的获取。
在本方案中,可选的,所述牲畜在运动过程中的图像是基于设置在牲畜通道上方和/或侧方的摄像头获取的。
其中,牲畜通道可以是设置在牲畜休息位置和牲畜进食位置之间的通道,可以理解的,牲畜通道的宽度可以控制,以保证牲畜是单只通过的,这样可以避免牲畜之间的相互遮挡,更加有利于图像的获取。
本方案中,牲畜可以是猪只,图像可以是在牲畜被从一个地点赶往另一个地点的过程中拍摄的。摄像头安装在过牲畜通道上方,根据情况进行15-45度斜角调节,还可以设置在侧面,还可以设置在多个角度同时进行拍摄。
本方案中,所述病态包括牲畜的跛脚状态。由于牲畜跛脚会严重影响牲畜的饮食和休息,影响牲畜生长,增加料肉比。及时发现跛脚牲畜有利于提高猪群的健康程度,降低料肉比。
S120、使用目标检测算法定位画面中的每只牲畜,得到牲畜位置信息,使用追踪算法对各牲畜进行追踪拍摄,得到牲畜的图像序列。
其中,追踪的目的是在当前帧找到前一帧确定的对象。因为要在当前帧确定其对象位置,因此需要知道它是如何运动的,换句话说,需要知道运动模型参数。如果对象非常简单且没有什么外貌上的变化,可以使用模板匹配。但是当前模型可能随时随地变换。可以包括BOOSTING,MIL,KCF,TLD,MEDIANFLOW以及GOTURN等。
使用目标检测算法定位画面中的每只牲畜,得到牲畜位置信息,使用追踪算法对各牲畜进行追踪拍摄,得到牲畜的图像序列。例如,通过目标检测算法获得一个牲畜在图像上的位置,使用追踪算法根据位置信息和上一帧图像的位置的重叠情况判断当前牲畜和上一帧图像的牲畜只是否为同一目标,若上一帧牲畜ID为001,当前帧与上一帧的位置重叠程度大于阈值,则认为是同一牲畜,若小于阈值,则认为是新目标,赋予新的ID002,将同一ID的图像归类为同一牲畜图像。
在有了牲畜ID之后,可以对每个牲畜进行跟踪的拍摄,得到各个牲畜的图像序列,可以理解的,图像序列可以是与该牲畜ID相关联的。
本方案中,可选的,获取牲畜在运动过程中的图像,包括:
采用摄像头,获取牲畜通道的图像;
使用目标检测模型,检测所述牲畜通道的图像中的目标牲畜,并获得检测结果框;
相应的,使用目标检测算法定位画面中的每只牲畜,得到牲畜位置信息,使用追踪算法对各牲畜进行追踪拍摄,得到牲畜的图像序列。
其中,使用目标检测算法可以得到图像中的牲畜位置,并以该位置进行框选,得到检测结果框。进而,可以采用追踪算法,对目标牲畜的检测结果框进行编码,得到目标牲畜的牲畜ID。例如在图像中同时存在两只牲畜,则每个检测结果框框选其中一只,并分别进行编码,得到目标牲畜的牲畜ID。
在得到牲畜ID之后,可以针对每个ID,从录取的视频中获取到该牲畜ID的图像序列。
S130、通过卷积神经网络,对各牲畜ID的图像序列进行打分。
其中,卷积神经网络可以采用长短期记忆网络(LSTM,Long Short-Term Memory)是一种时间循环神经网络,是为了解决一般的RNN(循环神经网络)存在的长期依赖问题而专门设计出来的,所有的RNN都具有一种重复神经网络模块的链式形式。在标准RNN中,这个重复的结构模块只有一个非常简单的结构,例如一个tanh层。
本方案中,可选的,通过卷积神经网络,对各牲畜ID的图像序列进行打分,包括:
将各牲畜ID的图像序列依次输入至卷积神经网络,根据所述卷积神经网络的输出结果,确定各牲畜ID的打分序列。
可以理解的,通过卷积神经网络,对各牲畜ID的图像序列进行打分,可以得到图像序列中每一帧图像的一个打分值。由此就可以得到各牲畜ID的打分序列。
S140、根据打分结果,确定各牲畜ID的牲畜是否处于病态。
可以根据打分结果,确定各牲畜ID的牲畜是否处于病态。例如,在一个牲畜ID的打分序列中,存在一个或者多个分数低于设定阈值的打分结果,则可以确定该牲畜处于病态。
本方案中,可选的,根据打分结果,确定各牲畜ID的牲畜是否处于病态,包括:
根据各牲畜ID的打分序列,确定各牲畜ID的是否处于病态。
其中,可以根据打分序列的变化幅度,变化趋势,以及最高分、最低分或者平均分来确定牲畜是否处于病态。
由于打分序列的分值是经过多次输出得到的,可以避免个别分值异常的影响,因此,打分序列可以更加准确的表明牲畜是否处于病态。
在本方案中,可选的,根据各牲畜ID的打分序列,确定各牲畜ID的是否处于病态,包括:
获取各牲畜ID的打分序列;
针对其中一个目标牲畜ID,若所述打分序列中存在连续预设个数的打分小于预设阈值,则确定目标牲畜ID的牲畜处于病态。
此处,预设阈值可以是3、4或者更多,可以通过追踪ID进行统计,当一个追踪ID的所有打分中有连续N张的打分都低于指定阈值时,认为这只猪跛脚了,提醒工作人员进行下一步操作。
本发明的目的是提供一种基于神经网络的跛脚牲畜识别方法,通过获取的视频,使用卷积神经网络获取多个牲畜目标并对多个牲畜目标进行是否跛脚的打分,再利用追踪方法获取视频流中每头猪的轨迹,再使用长短期记忆网络(LSTM)对一只猪的所有图像打分后组成的打分序列进行分类,最终确定牲畜是否是跛脚猪。
本申请实施例所提供的技术方案,获取牲畜在运动过程中的图像;使用目标检测算法定位画面中的每只牲畜,得到牲畜位置信息,使用追踪算法对各牲畜进行追踪拍摄,得到牲畜的图像序列;通过卷积神经网络,对各牲畜ID的图像序列进行打分;根据打分结果,确定各牲畜ID的牲畜是否处于病态。通过采用本申请所提供的技术方案,可以实现快速的对病态牲畜进行识别,从而确保牲畜的健康状况的效果。
实施例二
图2是本申请实施例二提供的目标状态的检测装置的结构示意图。如图2所示,所述目标状态的检测装置,包括:
图像获取模块210,用于获取牲畜在运动过程中的图像;
跟踪拍摄模块220,使用目标检测算法定位画面中的每只牲畜,得到牲畜位置信息,使用追踪算法对各牲畜进行追踪拍摄,得到牲畜的图像序列;
打分结果确定模块230,用于通过卷积神经网络,对各牲畜ID的图像序列进行打分;
病态识别模块240,用于根据打分结果,确定各牲畜ID的牲畜是否处于病态。
本发明,通过摄像头安装在过猪通道上方,根据情况进行15-45度斜角调节;猪被从一个地点赶往另一个地点;使用卷积神经网络对每只猪图像进行提取特征并打分;将一只猪的所有图像打分后的序列统计起来进行分类,同时使用图片信息和时序信息提升了分类的准确性。
上述产品可执行本申请任意实施例所提供的方法,具备执行方法相应的功能模块和有益效果。
实施例三
本申请实施例还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种目标状态的检测方法,该方法包括:
获取牲畜在运动过程中的图像;
使用目标检测算法定位画面中的每只牲畜,得到牲畜位置信息,使用追踪算法对各牲畜进行追踪拍摄,得到牲畜的图像序列;
通过卷积神经网络,对各牲畜ID的图像序列进行打分;
根据打分结果,确定各牲畜ID的牲畜是否处于病态。
存储介质——任何的各种类型的存储器电子设备或存储电子设备。术语“存储介质”旨在包括:安装介质,例如CD-ROM、软盘或磁带装置;计算机***存储器或随机存取存储器,诸如DRAM、DDR RAM、SRAM、EDO RAM,兰巴斯(Rambus)RAM等;非易失性存储器,诸如闪存、磁介质(例如硬盘或光存储);寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外,存储介质可以位于程序在其中被执行的计算机***中,或者可以位于不同的第二计算机***中,第二计算机***通过网络(诸如因特网)连接到计算机***。第二计算机***可以提供程序指令给计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机***中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然,本申请实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的在线目标状态的检测操作,还可以执行本申请任意实施例所提供的目标状态的检测方法中的相关操作。
实施例四
本申请实施例提供了一种电子设备,该电子设备中可集成本申请实施例提供的目标状态的检测装置。图3是本申请实施例四提供的一种电子设备的结构示意图。如图3所示,本实施例提供了一种电子设备300,其包括:一个或多个处理器320;存储装置310,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器320运行,使得所述一个或多个处理器320实现本申请实施例所提供的目标状态的检测方法,该方法包括:
获取牲畜在运动过程中的图像;
使用目标检测算法定位画面中的每只牲畜,得到牲畜位置信息,使用追踪算法对各牲畜进行追踪拍摄,得到牲畜的图像序列;
通过卷积神经网络,对各牲畜ID的图像序列进行打分;
根据打分结果,确定各牲畜ID的牲畜是否处于病态。
当然,本领域技术人员可以理解,处理器320还可以实现本申请任意实施例所提供的目标状态的检测方法的技术方案。
图3显示的电子设备300仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图3所示,该电子设备300包括处理器320、存储装置310、输入装置330和输出装置340;电子设备中处理器320的数量可以是一个或多个,图3中以一个处理器320为例;电子设备中的处理器320、存储装置310、输入装置330和输出装置340可以通过总线或其他方式连接,图3中以通过总线350连接为例。
存储装置310作为一种计算机可读存储介质,可用于存储软件程序、计算机可运行程序以及模块单元,如本申请实施例中的目标状态的检测方法对应的程序指令。
存储装置310可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储装置310可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储装置310可进一步包括相对于处理器320远程设置的存储器,这些远程存储器可以通过网络连接。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置330可用于接收输入的数字、字符信息或语音信息,以及产生与电子设备的用户设置以及功能控制有关的键信号输入。输出装置340可包括显示屏、扬声器等电子设备。
本申请实施例提供的电子设备,可以实现快速的对病态牲畜进行识别,从而确保牲畜的健康状况的效果。
上述实施例中提供的目标状态的检测装置、介质及电子设备可运行本申请任意实施例所提供的目标状态的检测方法,具备运行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节,可参见本申请任意实施例所提供的目标状态的检测方法。
注意,上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解,本申请不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此,虽然通过以上实施例对本申请进行了较为详细的说明,但是本申请不仅仅限于以上实施例,在不脱离本申请构思的情况下,还可以包括更多其他等效实施例,而本申请的范围由所附的权利要求范围决定。
Claims (10)
1.一种目标状态的检测方法,其特征在于,包括:
获取牲畜在运动过程中的图像;
使用目标检测算法定位画面中的每只牲畜,得到牲畜位置信息,使用追踪算法对各牲畜进行追踪拍摄,得到牲畜的图像序列;
通过卷积神经网络,对各牲畜ID的图像序列进行打分;
根据打分结果,确定各牲畜ID的牲畜是否处于病态。
2.根据权利要求1所述的方法,其特征在于,所述牲畜在运动过程中的图像是基于设置在牲畜通道上方和/或侧方的摄像头获取的。
3.根据权利要求2所述的方法,其特征在于,所述牲畜包括牲畜;
所述病态包括牲畜的跛脚状态。
4.根据权利要求3所述的方法,其特征在于,获取牲畜在运动过程中的图像,包括:
采用摄像头,获取牲畜通道的图像;
使用目标检测模型,检测所述牲畜通道的图像中的目标牲畜,并获得检测结果框;
相应的,采用追踪算法,对每只牲畜的图像进行编码,得到牲畜ID,包括:
采用追踪算法,对目标牲畜的检测结果框进行编码,得到目标牲畜的牲畜ID。
5.根据权利要求1所述的方法,其特征在于,通过卷积神经网络,对各牲畜ID的图像序列进行打分,包括:
将各牲畜ID的图像序列依次输入至卷积神经网络,根据所述卷积神经网络的输出结果,确定各牲畜ID的打分序列。
6.根据权利要求5所述的方法,其特征在于,根据打分结果,确定各牲畜ID的牲畜是否处于病态,包括:
根据各牲畜ID的打分序列,确定各牲畜ID的是否处于病态。
7.根据权利要求6所述的方法,其特征在于,根据各牲畜ID的打分序列,确定各牲畜ID的是否处于病态,包括:
获取各牲畜ID的打分序列;
针对其中一个目标牲畜ID,若所述打分序列中存在连续预设个数的打分小于预设阈值,则确定目标牲畜ID的牲畜处于病态。
8.一种目标状态的检测装置,其特征在于,包括:
图像获取模块,用于获取牲畜在运动过程中的图像;
跟踪拍摄模块,使用目标检测算法定位画面中的每只牲畜,得到牲畜位置信息,使用追踪算法对各牲畜进行追踪拍摄,得到牲畜的图像序列;
打分结果确定模块,用于通过卷积神经网络,对各牲畜ID的图像序列进行打分;
病态识别模块,用于根据打分结果,确定各牲畜ID的牲畜是否处于病态。
9.一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,该程序被处理器执行时实现如权利要求1-7中任一所述的目标状态的检测方法。
10.一种移动电子设备,包括存储器,处理器及存储在存储器上并可在处理器运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-7中任一所述的目标状态的检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011031707.0A CN112150506A (zh) | 2020-09-27 | 2020-09-27 | 一种目标状态的检测方法、装置、介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011031707.0A CN112150506A (zh) | 2020-09-27 | 2020-09-27 | 一种目标状态的检测方法、装置、介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112150506A true CN112150506A (zh) | 2020-12-29 |
Family
ID=73894776
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011031707.0A Pending CN112150506A (zh) | 2020-09-27 | 2020-09-27 | 一种目标状态的检测方法、装置、介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112150506A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080247603A1 (en) * | 2007-03-30 | 2008-10-09 | Gerda Roxana Tomic | Portable tool for determining meat quality |
CN107133604A (zh) * | 2017-05-25 | 2017-09-05 | 江苏农林职业技术学院 | 一种基于椭圆拟合和预测性神经网络的猪步态异常检测方法 |
CN107707875A (zh) * | 2017-09-20 | 2018-02-16 | 翔创科技(北京)有限公司 | 牲畜监控方法、计算机程序、存储介质及电子设备 |
CN108052964A (zh) * | 2017-12-05 | 2018-05-18 | 翔创科技(北京)有限公司 | 牲畜状态检测方法、计算机程序、存储介质及电子设备 |
CN108664878A (zh) * | 2018-03-14 | 2018-10-16 | 广州影子控股股份有限公司 | 基于卷积神经网络的猪只身份识别方法 |
US20190138829A1 (en) * | 2017-09-21 | 2019-05-09 | VIMOC Technologies, Inc. | System and method for building an edge cnn system for the internet of things |
CN110532926A (zh) * | 2019-10-09 | 2019-12-03 | 江苏农林职业技术学院 | 基于深度学习的猪神经性疾病智能测报方法 |
CN111008561A (zh) * | 2019-10-31 | 2020-04-14 | 重庆小雨点小额贷款有限公司 | 一种牲畜的数量确定方法、终端及计算机存储介质 |
CN111630604A (zh) * | 2017-11-20 | 2020-09-04 | 纳诺全球公司 | 基于生物细胞或生物物质的检测的数据收集和分析 |
CN111680551A (zh) * | 2020-04-28 | 2020-09-18 | 平安国际智慧城市科技股份有限公司 | 监控牲畜数量的方法、装置、计算机设备及存储介质 |
-
2020
- 2020-09-27 CN CN202011031707.0A patent/CN112150506A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080247603A1 (en) * | 2007-03-30 | 2008-10-09 | Gerda Roxana Tomic | Portable tool for determining meat quality |
CN107133604A (zh) * | 2017-05-25 | 2017-09-05 | 江苏农林职业技术学院 | 一种基于椭圆拟合和预测性神经网络的猪步态异常检测方法 |
CN107707875A (zh) * | 2017-09-20 | 2018-02-16 | 翔创科技(北京)有限公司 | 牲畜监控方法、计算机程序、存储介质及电子设备 |
US20190138829A1 (en) * | 2017-09-21 | 2019-05-09 | VIMOC Technologies, Inc. | System and method for building an edge cnn system for the internet of things |
CN111630604A (zh) * | 2017-11-20 | 2020-09-04 | 纳诺全球公司 | 基于生物细胞或生物物质的检测的数据收集和分析 |
CN108052964A (zh) * | 2017-12-05 | 2018-05-18 | 翔创科技(北京)有限公司 | 牲畜状态检测方法、计算机程序、存储介质及电子设备 |
CN108664878A (zh) * | 2018-03-14 | 2018-10-16 | 广州影子控股股份有限公司 | 基于卷积神经网络的猪只身份识别方法 |
CN110532926A (zh) * | 2019-10-09 | 2019-12-03 | 江苏农林职业技术学院 | 基于深度学习的猪神经性疾病智能测报方法 |
CN111008561A (zh) * | 2019-10-31 | 2020-04-14 | 重庆小雨点小额贷款有限公司 | 一种牲畜的数量确定方法、终端及计算机存储介质 |
CN111680551A (zh) * | 2020-04-28 | 2020-09-18 | 平安国际智慧城市科技股份有限公司 | 监控牲畜数量的方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109165552B (zh) | 一种基于人体关键点的姿态识别方法、***及存储器 | |
US11004209B2 (en) | Methods and systems for applying complex object detection in a video analytics system | |
CN107491752B (zh) | 一种基于深度学习的自然场景中船牌文字识别方法、装置 | |
CN110276309B (zh) | 视频处理方法、装置、计算机设备及存储介质 | |
JP2013210968A (ja) | 物体検出装置及びその方法、プログラム | |
Guzhva et al. | Now you see me: Convolutional neural network based tracker for dairy cows | |
CN112434566A (zh) | 客流统计方法、装置、电子设备及存储介质 | |
CN110688873A (zh) | 多目标追踪方法及人脸识别方法 | |
CN113191180A (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
CN112446333A (zh) | 基于重检测的球类目标跟踪方法及*** | |
CN110929555B (zh) | 脸部识别方法与使用此方法的电子装置 | |
EP3432575A1 (en) | Method for performing multi-camera automatic patrol control with aid of statistics data in a surveillance system, and associated apparatus | |
CN115984320A (zh) | 基于长短期运动预测和有序数据关联的多目标跟踪方法 | |
CN111950507B (zh) | 数据处理和模型训练方法、装置、设备及介质 | |
CN112150506A (zh) | 一种目标状态的检测方法、装置、介质及电子设备 | |
CN112560621A (zh) | 基于动物图像的识别方法、装置、终端及介质 | |
US10438066B2 (en) | Evaluation of models generated from objects in video | |
CN115272340A (zh) | 工业产品缺陷检测方法和装置 | |
KR20150137698A (ko) | 농장에서의 움직임 개체의 이동 궤적 트래킹 방법 및 장치 | |
CN114492664A (zh) | 一种猪只盘点方法、装置、设备及存储介质 | |
CN114385993A (zh) | 身份检测方法、设备和可读介质 | |
Chang et al. | Utilizing machine learning to improve the distance information from depth camera | |
CN112598707A (zh) | 一种实时视频流对象检测和跟踪方法 | |
Guo et al. | Vision-Based Cow Tracking and Feeding Monitoring for Autonomous Livestock Farming: The YOLOv5s-CA+ DeepSORT-Vision Transformer | |
US20240074412A1 (en) | System and method for analyzing meting behavior of an animal species |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201229 |
|
RJ01 | Rejection of invention patent application after publication |