CN112766171B - 一种喷淋方法、装置、***及介质 - Google Patents
一种喷淋方法、装置、***及介质 Download PDFInfo
- Publication number
- CN112766171B CN112766171B CN202110082314.0A CN202110082314A CN112766171B CN 112766171 B CN112766171 B CN 112766171B CN 202110082314 A CN202110082314 A CN 202110082314A CN 112766171 B CN112766171 B CN 112766171B
- Authority
- CN
- China
- Prior art keywords
- image
- preset
- image data
- area
- spraying
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
-
- 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
- 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
- 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
-
- 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
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种喷淋方法、装置、***及介质。喷淋方法包括:获取预设区域的第一图像数据;基于预先训练的图像分割模型对第一图像数据进行图像分割,得到包含预设动物身体的身体图像;根据身体图像的面积,按预设置的第一喷淋策略控制喷淋装置。本方案通过获取预设区域的图像数据,通过对图像数据进行图像切割,提取出图像数据中包含预设动物身体的身体图像,根据身体图像的面积,控制喷淋装置的工作状态,根据实时监控的图像数据中动物身体的位置情况决定是否喷水,无需人工参与,节省大量水资源和人力资源。
Description
技术领域
本发明涉及自动化控制技术领域,尤其涉及一种喷淋方法、装置、***及介质。
背景技术
随着我国经济的不断发展、人们生活水平的不断提高,人们的消费观念和消费水平也有了很大的转变与提升。在这个契机下,奶牛养殖行业也得到了快速发展,养殖规模不断壮大。
然而,夏季高温对于牛场来说是一项非常严峻的考验,天气炎热非常容易导致奶牛出现热应激现象。奶牛热应激会影响奶牛的生产性能,损害养殖场的经济效益。由于我国幅员辽阔,从北方到南方,从东北到西北,夏季热应激期间热应激不断加剧。每年夏季来临或者气温骤升时,奶牛采食量往往大幅下降,接踵而来的是产奶量下降、牛奶质量不稳定、奶牛繁殖性能逐渐下降、***炎发病率上升、蹄病在秋后爆发等等。夏季高温不仅仅只在奶牛养殖场对于奶牛产生影响,在各个类型的养殖场中都会因为高温而对养殖的牲畜产生不同程度的影响。
发明内容
为了解决现有技术存在的问题,本发明的至少一个实施例提供了一种喷淋方法、装置、***及存储介质。
第一方面,本发明实施例提供了一种喷淋方法,所述喷淋方法包括:
获取预设区域的第一图像数据;
基于预先训练的图像分割模型对所述第一图像数据进行图像分割,得到包含预设动物身体的身体图像;
根据所述身体图像的面积,按预设置的第一喷淋策略控制喷淋装置。
基于上述技术方案,本发明实施例还可以做出如下改进。
结合第一方面,在第一方面的第一种实施例中,所述图像分割模型的训练方法,具体包括:
构建图像分割模型;
获取所述预设区域的多张样本图像数据;其中,所述样本图像数据中标记了预设动物身体的样本身体图像;
将所述样本图像数据分别输入所述图像分割模型,得到所述图像分割模型分别输出的包括所述预设动物身体的预测身体图像;
计算每张所述预测身体图像与对应的所述样本身体图像的损失函数数值;
判断所述损失函数数值是否均小于或等于预设阈值;
当所述损失函数数值均小于或等于预设阈值时,所述图像分割模型收敛,得到训练完成的所述图像分割模型;
当任一所述损失函数数值大于预设阈值时,则调整所述图像分割模型中的参数,重新得到每张样本图像数据对应的预测身体图像,并分别计算每张所述预测身体图像与对应的所述样本身体图像的损失函数数值,直至所述损失函数数值均小于或等于所述预设阈值,得到训练完成的所述图像分割模型。
结合第一方面的第一种实施例,在第一方面的第二种实施例中,所述将所述样本图像数据分别输入所述图像分割模型,得到所述图像分割模型分别输出的包括所述预设动物身体的预测身体图像,包括:
通过所述图像分割模型中的第一预设尺寸的卷积层对所述样本图像数据进行下采样,得到第二图像数据;其中,所述卷积层设置有至少两个;
通过所述图像分割模型中的第二预设尺寸的反卷积层对所述第二图像数据进行上采样,得到所述预测身体图像;其中,所述反卷积层设置有至少两个。
结合第一方面的第二种实施例,在第一方面的第三种实施例中,所述通过所述图像分割模型中的第二预设尺寸的反卷积层对所述第二图像数据进行上采样之前,所述喷淋方法包括:
通过所述图像分割模型中的两个不对称卷积层对所述第二图像数据进行级联卷积,得到第二图像数据,执行所述图像分割模型中的第二预设尺寸的反卷积层对所述第二图像数据进行上采样的步骤。
结合第一方面的第二种实施例,在第一方面的第四种实施例中,所述通过所述图像分割模型中的第二预设尺寸的反卷积层对所述第二图像数据进行上采样之前,所述喷淋方法包括:
通过所述图像分割模型中的空洞卷积层对所述第二图像数据进行卷积,得到第二图像数据,执行所述图像分割模型中的第二预设尺寸的反卷积层对所述第二图像数据进行上采样的步骤。
结合第一方面或第一方面的第一、第二、第三或第四种实施例,在第一方面的第五种实施例中,所述根据所述身体图像的面积,按预设置的第一喷淋策略控制喷淋装置,包括:
判断所述身体图像的面积在所述第一图像数据的面积中的占比是否大于或等于预设比例阈值;
若所述身体图像的面积在所述第一图像数据的面积中的占比大于或等于预设比例阈值,则控制所述喷淋装置喷水;
若所述身体图像的面积在所述第一图像数据的面积中的占比小于预设比例阈值,则按预设置的第二喷淋策略控制所述喷淋装置。
结合第一方面的第五种实施例,在第一方面的第六种实施例中,所述若所述身体图像的面积在所述第一图像数据的面积中的占比小于预设比例阈值,则按预设置的第二喷淋策略控制所述喷淋装置,包括:
若身体图像的面积在所述第一图像数据的面积中的占比小于预设比例阈值,则获取所述喷淋装置的工作状态;所述工作状态包括:喷水和未喷水;
若所述喷淋装置的工作状态为喷水,则记录所述身体图像的面积在所述第一图像数据的面积中的占比小于预设比例阈值的时长,并在所述时长大于或等于预设时长,控制所述喷淋装置停止喷水;
若所述喷淋装置的工作状态为未喷水,则不控制所述喷淋装置。
第二方面,本发明实施例提供了一种喷淋装置,所述喷淋装置包括:
图像采集模块,用于获取预设区域的第一图像数据;
图像处理模块,用于基于预先训练的图像分割模型对所述第一图像数据进行图像分割,得到包含预设动物身体的身体图像;
喷淋装置控制模块,用于根据所述身体图像的面积,按预设置的第一喷淋策略控制喷淋装置。
第三方面,本发明实施例提供了一种喷淋***,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;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现第一方面中任一实施例所述的喷淋方法。
第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现第一方面中任一实施例所述的喷淋方法。
本发明的上述技术方案与现有技术相比具有如下优点:本发明实施例通过获取预设区域的图像数据,通过对图像数据进行图像切割,提取出图像数据中包含预设动物身体的身体图像,根据身体图像的面积,控制喷淋装置的工作状态,根据实时监控的图像数据中动物身体的位置情况决定是否喷水,无需人工参与,节省大量水资源和人力资源。
附图说明
图1是本发明实施例提供的一种喷淋方法流程示意图;
图2是本发明另一实施例提供的一种喷淋方法流程示意图;
图3是本发明又一实施例提供的一种喷淋方法流程示意图其一;
图4是本发明又一实施例提供的一种喷淋方法流程示意图其二;
图5是本发明又一实施例提供的一种喷淋方法流程示意图其三;
图6是本发明又一实施例提供的一种喷淋装置结构示意图;
图7是本发明又一实施例提供的图像采集模块拍摄的区域示意图;
图8是本发明又一实施例提供的图像采集模块安装位置示意图;
图9是本发明又一实施例提供的一种喷淋***结构示意图。
附图中,各标号所代表的部件列表如下:
1:图像采集设备;2:过道。
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的一部分实施例,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,都属于本发明保护的范围。
如图1所示,本发明实施例提供了一种喷淋方法。参照图1,喷淋方法包括如下步骤:
S11、获取预设区域的第一图像数据。
在本实施例中,通过对预设区域进行图像数据采集,得到第一图像数据,其中,预设区域可以是养殖场中的牲畜生活、活动的区域,比如,牲畜集中生活的区域,牲畜外出活动的过道等区域,具体的,比如,在奶牛场中,奶牛往返挤奶区域的过道和往返活动草场的过道内,由于奶牛会进行运动,特别是在草场内会有太阳直射,奶牛的体温会有一定程度的升高,要是没有人工降温的话,奶牛会出现热应激现象,影响奶牛的采食量和产奶量,严重的会导致奶牛生病。
在本实施例中,可以通过摄像头或拍摄装置拍摄预设区域的视频图像,从视频图像中实时提取相应的图像,也可以直接拍摄图像,在本步骤中,获取预设区域内的图像数据可以通过红外检测装置对预设区域进行监控,当预设区域内出现活动物体时,再进行图像获取,还可以对拍摄的图像进行动物识别,当图像中出现活动物体时,再进行图像获取。
S12、基于预先训练的图像分割模型对第一图像数据进行图像分割,得到包含预设动物身体的身体图像。
在本实施例中,预先训练的图像分割模型可以是基于卷积神经网络构建而成,也可以是其他深度学习方法构建,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。
在本实施例中,可以通过图像样本和图像样本中划分得到的身体图像样本对图像分割模型进行训练,得到上述图像分割模型。在本步骤中通过图像分割模型对上述步骤中采集到的第一图像数据进行图像分割,得到图像数据中的动物身体的身体图像。
S13、根据身体图像的面积,按预设置的第一喷淋策略控制喷淋装置。
在本实施例中,根据身体图像的面积,即预设动物在第一图像数据中所占的面积,确认是否控制喷淋装置是否进行喷水,具体的,可以根据摄像装置的装置参数和预设区域与拍摄装置的间距,计算得到身体图像的面积对应在真实场景下的面积,比如,若是拍摄装置所拍摄的区域的面积过大,那牛在图像中的面积就会越小,此时若确认牛的身体都处于预设区域内时,可以控制喷淋装置开始喷淋,若根据图像确认的牛的身体只有一部分处于预设区域内时,可以不控制喷淋装置喷淋,以提高***的容错率,避免浪费水资源,具体的,可以结合拍摄的预设区域的面积设置一预设面积阈值,若牛体处于预设区域内的面积达到预设面积阈值时,则控制喷淋装置喷淋,若牛体处于预设区域内的面积未达到预设面积阈值时,则不进行喷淋。
在本实施例中,当然也可以不计算牛在预设区域内出现的真实面积,可以提前录入所拍摄的预设区域的面积,根据身体图像的面积在第一图像数据中的占比对喷淋装置进行控制,比如,身体面积的面积在第一图像数据的面积的占比达到一预设占比值时,控制喷淋装置进行喷淋,其中,预设占比值需要根据预设区域的面积进行确定,预设区域的面积越大,预设占比值就越小,具体的数值可以由用户自行设置,还可以通过***进行设定,本方案对此不做特别限定。
在本实施例中,本方案通过获取预设区域的图像数据,通过对图像数据进行图像切割,提取出图像数据中包含预设动物身体的身体图像,根据身体图像的面积,控制喷淋装置的工作状态,根据实时监控的图像数据中动物身体的位置情况决定是否喷水,无需人工参与,节省大量水资源和人力资源。
如图2所示,本发明实施例提供了一种图像分割模型的训练方法,通过训练方法训练得到的图像分割模型应用于如图1所示喷淋方法,实现对第一图像数据进行图像分割;具体包括如下步骤:
S21、构建图像分割模型。
在本实施例中,可以通过深度学习方法建立图像分割模型,比如,无人监督的预训练模型、卷积神经网络、循环神经网络、递归神经网络等深度学习方法。
S22、获取预设区域的多张样本图像数据;其中,样本图像数据中标记了预设动物身体的样本身体图像。
在本实施例中,获取预设区域内的的样本图像数据,可以由人为主动拍摄,也可以将历史记录中拍摄得到的第一图像数据作为样本图像数据,并在样本图像数据对包括预设动图身体的样本身体图像进行标记,以实现对于图像分割模型的训练。
S23、将样本图像数据分别输入图像分割模型,得到图像分割模型分别输出的包括预设动物身体的预测身体图像。
在本实施例中,将样本图像数据分别输入图像分割模型中,并得到基于该样本图像数据分割得到的包含预设动物身体的预测身体图像,通过对预测身体图像的模型训练结果即确定此时模型情况。
S24、计算每张预测身体图像与对应的样本身体图像的损失函数数值。
在本实施例中,由于每张样本图像数据输入到图像分割模型后,均可以得到一张相应的预测身体图像,在本步骤中,计算预测身体图像与对应的样本图像数据的损失函数数值,比如,可以将预测身体图像和对应的样本身体图像转换为灰度图,比对两张图片中的对应点位像素是否一致,并得到两张图像中不一致的像素占所有像素的比例,作为损失函数数值;还可以通过将预测身体图像与样本身体图像进行比对,确定预测身体图像中包含样本身体图像的面积和不包含样本身体图像的面积,根据预测身体图像中与样本身体图像一致的区域和与样本身体图像不一致的区域来确定损失函数数值,预测身体图像中与样本身体图像一致的区域越大,损失函数数值越小,而预测身体图像中与样本身体图像不一致的区域越大,损失函数数值越大,具体的,可以根据所占比例计算得到损失函数,比如:
其中,L为损失函数数值,S1为预测身体图像中与样本身体图像一致的区域的面积,S样本为样本身体图像的面积,S2为预测身体图像中与样本身体图像不一致的区域,S预测为预测身体图像的面积。
S25、判断损失函数数值是否均小于或等于预设阈值。
S26a、当损失函数数值均小于或等于预设阈值时,图像分割模型收敛,得到训练完成的图像分割模型。
在本实施例中,通过设定预设阈值,当各个预测身体图像与样本身体图像的损失函数值均小于预设阈值时,则说明该图像分割模型可以良好的分割出图像数据中包含预设动物身体的身体图像,具体的,为提高图像分割模型的分割精度,可以适当缩小预设阈值的数值,当然预设阈值的数值越小,本方案中的图像分割模型就越难以收敛,所以可以参考本方案的使用,适当选取预设阈值,提高数据处理效率。
S26b、当任一损失函数数值大于预设阈值时,则调整图像分割模型中的参数,重新得到每张样本图像数据对应的预测身体图像,并分别计算每张预测身体图像与对应的样本身体图像的损失函数数值,直至损失函数数值均小于或等于预设阈值,得到训练完成的图像分割模型。
在本实施例中,当任一损失函数数值大于预设阈值时,则说明图像分割模型并未收敛,此时调整图像分割模型中的参数,重新进行上述步骤,直至图像分割模型分割得到的预测身体图像与相应的样本身体图像的损失函数数值均小于或等于预设阈值,即图像分割模型收敛。
如图3所示,在本实施例中,S23中将样本图像数据分别输入图像分割模型,得到图像分割模型分别输出的包括预设动物身体的预测身体图像,包括如下步骤:
S31、通过图像分割模型中的第一预设尺寸的卷积层对样本图像数据进行下采样,得到第二图像数据;其中,卷积层设置有至少两个。
在本实施例中,下采样原理:对于一幅图像I尺寸为M*N,对其进行s倍下采样,即得到(M/s)*(N/s)尺寸的得分辨率图像,当然s应该是M和N的公约数才行,如果考虑的是矩阵形式的图像,就是把原始图像s*s窗口内的图像变成一个像素,这个像素点的值就是窗口内所有像素的均值。
在本实施例中,在图像分割模型中,通过第一预设尺寸的卷积层对样本图像数据进行下采样,使得图像数据进行缩小,实现对于图像数据中的特征点的汇总,以降低后续图像处理量。
S32、通过图像分割模型中的第二预设尺寸的反卷积层对第二图像数据进行上采样,得到预测身体图像;其中,反卷积层设置有至少两个。
在本实施例中,上采样原理:像放大几乎都是采用内插值方法,即在原有图像像素的基础上在像素点之间采用合适的插值算法***新的元素。插值算法可以采用传统插值方法、基于边缘的插值方法和基于区域的插值方法。
在本实施例中,通过两个反卷积层进行上采样,还原特征分辨率得到图像特征,结合上述实施例中最终得到样本图像数据中的预测身体图像,可以通过对图像特征进行像素级别的分类,即完成对于每个像素是否是预测身体图像的分类,而上述模型的训练过程也就是对分类的参数进行训练。
在本实施例中,S32通过图像分割模型中的第二预设尺寸的反卷积层对第二图像数据进行上采样之前,喷淋方法包括:通过图像分割模型中的两个不对称卷积层对第二图像数据进行级联卷积,得到第二图像数据,执行图像分割模型中的第二预设尺寸的反卷积层对第二图像数据进行上采样的步骤。
在本实施例中,考虑到卷积层权重有相当大的冗余,在步骤S32之前,还可以通过两个不对称卷积层级联来缩小计算量,具体的,比如可以用5x1和1x5的两个不对称卷积层级联来缩小计算量。
在本实施例中,S32通过图像分割模型中的第二预设尺寸的反卷积层对第二图像数据进行上采样之前,喷淋方法包括:通过图像分割模型中的空洞卷积层对第二图像数据进行卷积,得到第二图像数据,执行图像分割模型中的第二预设尺寸的反卷积层对第二图像数据进行上采样的步骤。
在本实施例中,在步骤S32之前,还可以通过引入空洞卷积减小计算量、增大感受野,而且引入空洞卷积也不会影响到特征图的分辨率,提高对于样本图像数据最终的分类识别效果。
如图4所示,本发明实施例提供了一种喷淋方法。参照图4,喷淋方法按包括如下步骤:
S41、获取预设区域的第一图像数据。
有关步骤S41,详细可参见步骤S11中的描述,本实施例在此不再赘述。
S42、基于预先训练的图像分割模型对第一图像数据进行图像分割,得到包含预设动物身体的身体图像。
有关步骤S42,详细可参见步骤S12中的描述,本实施例在此不再赘述。
S43、判断身体图像的面积在第一图像数据的面积中的占比是否大于或等于预设比例阈值。
在本实施例中,根据第一图像数据对应的预设区域的真实面积的大小,在本步骤中设置合适的预设比例阈值,比如,当第一图像数据对应的预设区域的真实面积较大时,那拍摄到的对象在第一图像数据中的占比就越小,反之,预设区域的真实面积越小,那拍摄到的对象在第一图像数据中的占比就越大,所以,在本步骤中,根据设置的拍摄装置所拍摄的第一图像数据的真实面积设置预设比例阈值,以确保本方案的触发精度。
在本实施例中,通过计算身体图像的面积在第一图像数据的占比,并判断占比是否大于或等于预设比例阈值,若占比大于或等于预设比例阈值,则可以说明预设动物的身体有一部分位于预设区域内,且身体的面积符合条件。
S44a、若身体图像的面积在第一图像数据的面积中的占比大于或等于预设比例阈值,则控制喷淋装置喷水。
S44b、若身体图像的面积在第一图像数据的面积中的占比小于预设比例阈值,则按预设置的第二喷淋策略控制喷淋装置。
在本实施例中,在身体图像的面积符合上述条件时,控制喷淋装置进行喷水,实现对出现在预设区域内的动物的降温,实现自动喷水,既减少了人力成本,同时提高养殖质量。
如图5所示,在本实施例中,若身体图像的面积在第一图像数据的面积中的占比小于预设比例阈值,则按预设置的第二喷淋策略控制喷淋装置,包括如下步骤:
S51、若身体图像的面积在第一图像数据的面积中的占比小于预设比例阈值,则获取喷淋装置的工作状态;工作状态包括:喷水和未喷水。
在本实施例中,当身体图像的面积在第一图像数据的面积中的占比小于预设比例阈值时,说明拍摄到的图像数据中的身体图像的面积已经少于所设置的面积,但是由于拍摄的是活动物体的身体图像,所以,可能存在所拍摄的图像中的身体图像的面积小于所设置的面积,而动物还处于预设区域附近的情况,为降低出现误判导致喷水暂停,可以通过设置多组拍摄装置,实时监控多个预设区域的情况,来控制是否进行喷水,比如,在牛场的牛行进的通道,当两头牛之间的间隔较长,而只有一个拍摄装置监控一预设区域时,前一头牛进入并通过预设区域后,后一头牛还未进入预设区域,此时就会出现图像数据中的身体图像的面积在第一图像数据的面积中的占比小于预设比例阈值,但是,若是直接停止喷水,那后一头牛再进入预设区域内又要进行喷水,频繁的启动容易造成装置的损坏,而且,上述情况在养殖场中是十分常见的。
S52、若喷淋装置的工作状态为喷水,则记录身体图像的面积在第一图像数据的面积中的占比小于预设比例阈值的时长,并在时长大于或等于预设时长,控制喷淋装置停止喷水。
S53、若喷淋装置的工作状态为未喷水,则不控制喷淋装置。
在本实施例中,为避免喷淋装置频繁的启动和关闭,在出现图像数据中的预设动物的身体图像在第一图像数据的面积中的占比小于预设比例阈值时,开始计时,当计时时长大于或等于预设时长后,再控制喷淋装置停止喷水,若是计时时长小于预设时长,图像数据中的预设动物的身体图像在第一图像数据的面积中的占比就大于或等于预设比例阈值,那就不用控制喷淋装置停止喷水,以避免喷淋装置频繁的启动和关闭。
如图6所示,本发明实施例提供了一种喷淋装置,喷淋装置包括:图像采集模块11、图像处理模块12和喷淋装置控制模块13。
在本实施例中,图像采集模块11,用于获取预设区域的第一图像数据。具体的,图像采集模块11可以是图像采集设备,通过图像采集设备对预设区域进行图像数据采集,得到第一图像数据,其中,预设区域可以是养殖场中的牲畜生活、活动的区域,比如,牲畜集中生活的区域,牲畜外出活动的过道等区域。
在本实施例中,图像采集设备可以是摄像头、拍摄装置等,通过摄像头或拍摄装置拍摄预设区域的视频图像,从视频图像中实时提取相应的图像,也可以直接拍摄图像,在本步骤中,获取预设区域内的图像数据还可以通过红外检测装置对预设区域进行监控,当预设区域内出现活动物体时,再进行图像获取,还可以对拍摄的图像进行动物识别,当图像中出现活动物体时,再进行图像获取。
具体的,如图7、图8所示,图像采集设备1可以设置在如图所示牛通过的过道2上方,实时采集过道的图像数据,并基于该图像数据完成对于喷淋装置的控制,当然,图像采集设备还可以设置其他如上述实施例所述的位置,本方案对此不做特别限定。
在本实施例中,图像处理模块12,用于基于预先训练的图像分割模型对第一图像数据进行图像分割,得到包含预设动物身体的身体图像。
在本实施例中,喷淋装置控制模块13,用于根据身体图像的面积,按预设置的第一喷淋策略控制喷淋装置。
在本实施例中,图像处理模块12,具体用于构建图像分割模型;获取预设区域的多张样本图像数据;其中,样本图像数据中标记了预设动物身体的样本身体图像;将样本图像数据分别输入图像分割模型,得到图像分割模型分别输出的包括预设动物身体的预测身体图像;计算每张预测身体图像与对应的样本身体图像的损失函数数值;判断损失函数数值是否均小于或等于预设阈值;当损失函数数值均小于或等于预设阈值时,图像分割模型收敛,得到训练完成的图像分割模型;当任一损失函数数值大于预设阈值时,则调整图像分割模型中的参数,重新得到每张样本图像数据对应的预测身体图像,并分别计算每张预测身体图像与对应的样本身体图像的损失函数数值,直至损失函数数值均小于或等于预设阈值,得到训练完成的图像分割模型。
在本实施例中,图像处理模块12,还用于通过图像分割模型中的第一预设尺寸的卷积层对样本图像数据进行下采样,得到第二图像数据;其中,卷积层设置有至少两个;通过图像分割模型中的第二预设尺寸的反卷积层对第二图像数据进行上采样,得到预测身体图像;其中,反卷积层设置有至少两个。
在本实施例中,图像处理模块12,还用于通过图像分割模型中的两个不对称卷积层对第二图像数据进行级联卷积,得到第二图像数据,执行图像分割模型中的第二预设尺寸的反卷积层对第二图像数据进行上采样的步骤。
在本实施例中,图像处理模块12,还用于通过图像分割模型中的空洞卷积层对第二图像数据进行卷积,得到第二图像数据,执行图像分割模型中的第二预设尺寸的反卷积层对第二图像数据进行上采样的步骤。
在本实施例中,喷淋装置控制模块13,具体用于判断身体图像的面积在第一图像数据的面积中的占比是否大于或等于预设比例阈值;若身体图像的面积在第一图像数据的面积中的占比大于或等于预设比例阈值,则控制喷淋装置喷水;若身体图像的面积在第一图像数据的面积中的占比小于预设比例阈值,则按预设置的第二喷淋策略控制喷淋装置。
在本实施例中,喷淋装置控制模块13,具体用于若身体图像的面积在第一图像数据的面积中的占比小于预设比例阈值,则获取喷淋装置的工作状态;工作状态包括:喷水和未喷水;若喷淋装置的工作状态为喷水,则记录身体图像的面积在第一图像数据的面积中的占比小于预设比例阈值的时长,并在时长大于或等于预设时长,控制喷淋装置停止喷水;若喷淋装置的工作状态为未喷水,则不控制喷淋装置。
如图9所示,本发明实施例提供了一种喷淋***,包括处理器1110、通信接口1120、存储器1130和通信总线1140,其中,处理器1110,通信接口1120,存储器1130通过通信总线1140完成相互间的通信;
存储器1130,用于存放计算机程序;
处理器1110,用于执行存储器1130上所存放的程序,实现如下喷淋方法:
获取预设区域的第一图像数据;
基于预先训练的图像分割模型对第一图像数据进行图像分割,得到包含预设动物身体的身体图像;
根据身体图像的面积,按预设置的第一喷淋策略控制喷淋装置。
本发明实施例提供的电子设备,处理器1110通过执行存储器1130上所存放的程序通过获取预设区域的图像数据,通过对图像数据进行图像切割,提取出图像数据中包含预设动物身体的身体图像,根据身体图像的面积,控制喷淋装置的工作状态,根据实时监控的图像数据中动物身体的位置情况决定是否喷水,无需人工参与,节省大量水资源和人力资源。
上述电子设备提到的通信总线1140可以是外设部件互连标准(PeripheralComponentInterconnect,简称PCI)总线或扩展工业标准结构(ExtendedIndustryStandardArchitecture,简称EISA)总线等。该通信总线1140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1120用于上述电子设备与其他设备之间的通信。
存储器1130可以包括随机存取存储器(RandomAccessMemory,简称RAM),也可以包括非易失性存储器(non-volatilememory),例如至少一个磁盘存储器。可选的,存储器1130还可以是至少一个位于远离前述处理器1110的存储装置。
上述的处理器1110可以是通用处理器,包括中央处理器(CentralProcessingUnit,简称CPU)、网络处理器(NetworkProcessor,简称NP)等;还可以是数字信号处理器(DigitalSignalProcessing,简称DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit,简称ASIC)、现场可编程门阵列(Field-ProgrammableGateArray,简称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。
本发明实施例提供了计算机可读存储介质,计算机可读存储介质存储有一个或者多个程序,一个或者多个程序可被一个或者多个处理器执行,以实现上述任一实施例的喷淋方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时,全部或部分地产生按照本发明实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘SolidStateDisk(SSD))等。
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 (9)
1.一种喷淋方法,其特征在于,所述喷淋方法包括:
获取预设区域的第一图像数据;
基于预先训练的图像分割模型对所述第一图像数据进行图像分割,得到包含预设动物身体的身体图像;
根据所述身体图像的面积,按预设置的第一喷淋策略控制喷淋装置;
其中,根据所述身体图像的面积,按预设置的第一喷淋策略控制喷淋装置,包括:判断所述身体图像的面积在所述第一图像数据的面积中的占比是否大于或等于预设比例阈值;若所述身体图像的面积在所述第一图像数据的面积中的占比大于或等于预设比例阈值,则控制所述喷淋装置喷水;若所述身体图像的面积在所述第一图像数据的面积中的占比小于预设比例阈值,则按预设置的第二喷淋策略控制所述喷淋装置;
其中,所述图像分割模型的训练方法,具体包括:构建图像分割模型;获取所述预设区域的多张样本图像数据;其中,所述样本图像数据中标记了预设动物身体的样本身体图像;将所述样本图像数据分别输入所述图像分割模型,得到所述图像分割模型分别输出的包括所述预设动物身体的预测身体图像;计算每张所述预测身体图像与对应的所述样本身体图像的损失函数数值;判断所述损失函数数值是否均小于或等于预设阈值;当所述损失函数数值均小于或等于预设阈值时,所述图像分割模型收敛,得到训练完成的所述图像分割模型。
2.根据权利要求1所述的喷淋方法,其特征在于,所述图像分割模型的训练方法,还包括:当任一所述损失函数数值大于预设阈值时,则调整所述图像分割模型中的参数,重新得到每张样本图像数据对应的预测身体图像,并分别计算每张所述预测身体图像与对应的所述样本身体图像的损失函数数值,直至所述损失函数数值均小于或等于所述预设阈值,得到训练完成的所述图像分割模型。
3.根据权利要求2所述的喷淋方法,其特征在于,所述将所述样本图像数据分别输入所述图像分割模型,得到所述图像分割模型分别输出的包括所述预设动物身体的预测身体图像,包括:
通过所述图像分割模型中的第一预设尺寸的卷积层对所述样本图像数据进行下采样,得到第二图像数据;其中,所述卷积层设置有至少两个;
通过所述图像分割模型中的第二预设尺寸的反卷积层对所述第二图像数据进行上采样,得到所述预测身体图像;其中,所述反卷积层设置有至少两个。
4.根据权利要求3所述的喷淋方法,其特征在于,所述通过所述图像分割模型中的第二预设尺寸的反卷积层对所述第二图像数据进行上采样之前,所述喷淋方法包括:
通过所述图像分割模型中的两个不对称卷积层对所述第二图像数据进行级联卷积,得到第二图像数据,执行所述图像分割模型中的第二预设尺寸的反卷积层对所述第二图像数据进行上采样的步骤。
5.根据权利要求3所述的喷淋方法,其特征在于,所述通过所述图像分割模型中的第二预设尺寸的反卷积层对所述第二图像数据进行上采样之前,所述喷淋方法包括:
通过所述图像分割模型中的空洞卷积层对所述第二图像数据进行卷积,得到第二图像数据,执行所述图像分割模型中的第二预设尺寸的反卷积层对所述第二图像数据进行上采样的步骤。
6.根据权利要求1所述的喷淋方法,其特征在于,所述若所述身体图像的面积在所述第一图像数据的面积中的占比小于预设比例阈值,则按预设置的第二喷淋策略控制所述喷淋装置,包括:
若身体图像的面积在所述第一图像数据的面积中的占比小于预设比例阈值,则获取所述喷淋装置的工作状态;所述工作状态包括:喷水和未喷水;
若所述喷淋装置的工作状态为喷水,则记录所述身体图像的面积在所述第一图像数据的面积中的占比小于预设比例阈值的时长,并在所述时长大于或等于预设时长,控制所述喷淋装置停止喷水;
若所述喷淋装置的工作状态为未喷水,则不控制所述喷淋装置。
7.一种喷淋装置,其特征在于,所述喷淋装置包括:
图像采集模块,用于获取预设区域的第一图像数据;
图像处理模块,用于基于预先训练的图像分割模型对所述第一图像数据进行图像分割,得到包含预设动物身体的身体图像;
喷淋装置控制模块,用于根据所述身体图像的面积,按预设置的第一喷淋策略控制喷淋装置;
其中,所述喷淋装置控制模块,具体用于判断身体图像的面积在第一图像数据的面积中的占比是否大于或等于预设比例阈值;若身体图像的面积在第一图像数据的面积中的占比大于或等于预设比例阈值,则控制喷淋装置喷水;若身体图像的面积在第一图像数据的面积中的占比小于预设比例阈值,则按预设置的第二喷淋策略控制喷淋装置;
其中,所述图像处理模块,具体还用于构建图像分割模型;获取所述预设区域的多张样本图像数据;其中,所述样本图像数据中标记了预设动物身体的样本身体图像;将所述样本图像数据分别输入所述图像分割模型,得到所述图像分割模型分别输出的包括所述预设动物身体的预测身体图像;计算每张所述预测身体图像与对应的所述样本身体图像的损失函数数值;判断所述损失函数数值是否均小于或等于预设阈值;当所述损失函数数值均小于或等于预设阈值时,所述图像分割模型收敛,得到训练完成的所述图像分割模型。
8.一种喷淋***,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;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1~6中任一所述的喷淋方法。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现权利要求1~6中任一所述的喷淋方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110082314.0A CN112766171B (zh) | 2021-01-21 | 2021-01-21 | 一种喷淋方法、装置、***及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110082314.0A CN112766171B (zh) | 2021-01-21 | 2021-01-21 | 一种喷淋方法、装置、***及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112766171A CN112766171A (zh) | 2021-05-07 |
CN112766171B true CN112766171B (zh) | 2023-01-31 |
Family
ID=75702440
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110082314.0A Active CN112766171B (zh) | 2021-01-21 | 2021-01-21 | 一种喷淋方法、装置、***及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112766171B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113522583B (zh) * | 2021-06-10 | 2022-03-11 | 深圳远荣智能制造股份有限公司 | 一种物品的喷涂方法、装置、终端和存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107633237B (zh) * | 2017-09-30 | 2020-05-29 | 北京金山安全软件有限公司 | 图像背景分割方法、装置、设备及介质 |
CN108596184B (zh) * | 2018-04-25 | 2021-01-12 | 清华大学深圳研究生院 | 图像语义分割模型的训练方法、可读存储介质及电子设备 |
CN111027380A (zh) * | 2019-11-05 | 2020-04-17 | 北京海益同展信息科技有限公司 | 喷头控制方法、装置、计算机设备和存储介质 |
CN111199535B (zh) * | 2019-11-28 | 2023-11-03 | 京东科技信息技术有限公司 | 一种动物状态监测方法、装置、电子设备及存储介质 |
CN111932546A (zh) * | 2020-08-20 | 2020-11-13 | 展讯通信(上海)有限公司 | 图像分割模型训练方法、图像分割方法、装置、设备及介质 |
-
2021
- 2021-01-21 CN CN202110082314.0A patent/CN112766171B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112766171A (zh) | 2021-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110426112B (zh) | 一种生猪体重测量方法及装置 | |
KR20240053658A (ko) | 물고기 부피 추정, 중량 추정, 및 분석 값 생성을 위한 시스템 및 방법 | |
CN111460990B (zh) | 一种基于大数据的高寒牧区草原虫害监测预警***及方法 | |
WO2021088700A1 (zh) | 喷头控制方法、装置、计算机设备和存储介质 | |
WO2021104007A1 (zh) | 一种动物状态监测方法、装置、电子设备及存储介质 | |
CN111199535A (zh) | 一种动物状态监测方法、装置、电子设备及存储介质 | |
CN112766171B (zh) | 一种喷淋方法、装置、***及介质 | |
CN110287902B (zh) | 畜禽存活检测方法、装置、设备及计算机程序产品 | |
KR102141582B1 (ko) | 영상분석을 활용한 어미돼지의 분만시점 예측 방법 및 장치 | |
CN112883915B (zh) | 一种基于迁移学习的麦穗自动识别方法和*** | |
CN111783745A (zh) | 一种应用于池塘养殖的鱼类健康判断方法、装置及计算机可读存储介质 | |
CN107392119A (zh) | 一种基于Spark Streaming的奶牛场监控视频实时过滤方法与*** | |
CN111260895A (zh) | 报警信息的发送方法及装置、存储介质和电子装置 | |
CN111325181B (zh) | 一种状态监测方法、装置、电子设备及存储介质 | |
CN116824626A (zh) | 一种动物异常状态人工智能识别的方法 | |
CN115468598A (zh) | 一种猪舍环境智慧监控方法及*** | |
Kashiha et al. | Weight estimation of pigs using top-view image processing | |
CN112101291B (zh) | 一种牲畜的护理方法、装置、介质及电子设备 | |
CN113989538A (zh) | 基于深度图像的鸡群均匀度估测方法、装置、***及介质 | |
CN111414811A (zh) | 猪只饮水监测***及方法 | |
Majewski et al. | Prediction of the remaining time of the foraging activity of honey bees using spatio-temporal correction and periodic model re-fitting | |
KR102332252B1 (ko) | 영상 분석 기반의 반추 동물의 발정행동패턴 분석 장치 및 방법 | |
Sahu et al. | A Survey: Machine Learning and Deep Learning in Wheat Disease Detection and Classification | |
CN112131973A (zh) | 一种饲料处理监管方法、***、设备及存储介质 | |
Owalekar et al. | An agri vigilance system based on computer vision and deep learning |
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 | ||
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. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |