CN112861734A - 一种料槽余食监测方法及*** - Google Patents
一种料槽余食监测方法及*** Download PDFInfo
- Publication number
- CN112861734A CN112861734A CN202110185234.8A CN202110185234A CN112861734A CN 112861734 A CN112861734 A CN 112861734A CN 202110185234 A CN202110185234 A CN 202110185234A CN 112861734 A CN112861734 A CN 112861734A
- Authority
- CN
- China
- Prior art keywords
- trough
- image
- feed
- effective
- images
- 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
- 238000000034 method Methods 0.000 title claims abstract description 94
- 238000012544 monitoring process Methods 0.000 title claims abstract description 82
- 239000010794 food waste Substances 0.000 title claims abstract description 27
- 241000283690 Bos taurus Species 0.000 claims abstract description 30
- 230000011218 segmentation Effects 0.000 claims abstract description 24
- 239000013077 target material Substances 0.000 claims abstract description 24
- 239000000463 material Substances 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims description 66
- 238000005070 sampling Methods 0.000 claims description 37
- 238000013508 migration Methods 0.000 claims description 14
- 230000005012 migration Effects 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 239000006185 dispersion Substances 0.000 claims description 4
- 230000037213 diet Effects 0.000 claims description 3
- 235000005911 diet Nutrition 0.000 claims description 3
- 230000008014 freezing Effects 0.000 claims description 3
- 238000007710 freezing Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000013526 transfer learning Methods 0.000 abstract description 7
- 230000000875 corresponding effect Effects 0.000 description 30
- 230000002354 daily effect Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000009395 breeding Methods 0.000 description 4
- 230000001488 breeding effect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 244000144972 livestock Species 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000005303 weighing Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 235000021050 feed intake Nutrition 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 235000015097 nutrients Nutrition 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 241001494479 Pecora Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000037406 food intake Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial 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
- 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)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种料槽余食监测方法及***,包括:对目标料槽图像进行图像语义分割,获取料槽子图像和牛体子图像,并计算所述料槽子图像占所述目标料槽图像的像素百分比;由所有像素百分比大于第一预设阈值的目标料槽图像,构成有效料槽图像集;将有效料槽图像集中的有效料槽图像输入至剩余饲料识别模型,获取所述有效料槽图像对应的饲料百分比;根据所有饲料百分比的平均值,确定料槽余食的百分比。本发明提供的料槽余食监测方法及***,采用语义分割和基于迁移学***。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种料槽余食监测方法及***。
背景技术
随着养殖行业的快速发展,养殖数量不断增加、经营规模不断扩大,养殖技术水平也不断的提高,但是在整个养殖行业依旧存在饲料添加不合理、管理成本高等问题。在养殖场饲喂管理中一般有三个日粮:调配日粮、投喂日粮、采食日粮。三个日粮统一是提高饲喂精确程度、降低管理成本的重要途径。生产中,采食日粮通常是采用监测料槽剩料情况,进而反馈调整投喂日粮,保证饲喂足够的饲料的同时,还需防止空槽,同时减少剩料量,避免不必要的饲料浪费。料槽余食量已成为考评牛场饲喂人员工作业绩的重要指标。
目前,料槽余食的监测方法主要有两种,一种是人工监测,另一种是机器视觉方法。
生产中普遍采用人工监测的方法。该方法采用人工统一收集料槽剩余饲料,然后使用称重设备分批称重,人工记录并整合数据,结合投放的总饲料量,计算得到牛舍总体的剩余饲料量。人工监测的方法需要消耗大量人工成本和时间成本,通常每天只测量1次,且信息量有限,不能得到不同料槽剩料分布情况。机器视觉方法是近年来新发展起来的另一种料槽余食监控的方法。一般是通过目标区域RGB颜色分类,以检测获得饲料所在位置、饲料所占的面积比重、饲料的剩余值等信息。
人工监测的方法存在着误差大、管理困难、成本高等问题,缺乏有效的自动调控方法与***。现有的机器视觉方法,是通过RGB颜色范围来判断饲料部分,并且需要人为的将饲料槽底色涂为光滑的白色,判断饲料槽为空白的条件是图像采集的颜色为白色,投放饲料的方式势必受限制,必须将饲料均匀、轻薄、全面的投放到白色料槽内,这种检测料草剩余度的先验假设条件太过苛刻,且没有给出排除牛体遮挡饲料槽的方案。这使得该方法与实地环境适应性不强,不适合实际生产中的运用,进而限制了饲料剩余检测技术的推广。
有鉴于此,一种适应性较强、有效、简易、智能、部署简单,且能满足剩余饲料监控需求的算法显得格外迫切。
发明内容
针对现有技术存在的问题,本发明实施例提供一种料槽余食监测方法及***。
本发明提供一种料槽余食监测方法,包括:对目标料槽图像进行图像语义分割,获取料槽子图像和牛体子图像,并计算料槽子图像占所述目标料槽图像的像素百分比;所述目标料槽图像为料槽图像集中的任一帧;所述料槽图像集是按第一预设采样频率在第一预设时间段内采集的;由所有像素百分比大于第一预设阈值的目标料槽图像,构成有效料槽图像集;将有效料槽图像集中的有效料槽图像分别输入至预先训练好的剩余饲料识别模型,获取由剩余饲料识别模型输出的与每帧有效料槽图像对应的饲料百分比;根据所有饲料百分比的平均值,确定料槽余食的百分比。
根据本发明提供的一种料槽余食监测方法,在第二预设时间段内,若所有料槽图像所对应的平均像素百分比大于第二预设阈值,则将第一预设采样频率调整至第二预设采样频率,并按第二预设采样频率继续采集料槽图像;所述第二预设采样频率高于第一预设采样频率。
根据本发明提供的一种料槽余食监测方法,在将所述有效料槽图像集中的有效料槽图像分别输入至预先训练好的剩余饲料识别模型之前,还包括:按照像素百分比的由高到低,对所述有效料槽图像集中的有效料槽图像进行排序,获取有效料槽图像序列;
相应地,所述将所述有效料槽图像集中的有效料槽图像分别输入至预先训练好的剩余饲料识别模型,包括:选取所述有效料槽图像序列中的排序靠前的N帧有效料槽图像,分别输入至预先训练好的所述剩余饲料识别模型。
根据本发明提供的一种料槽余食监测方法,在对目标料槽图像进行图像语义分割之前还包括:在将所述目标料槽图像的像素进行统一调整至预设像素后,采用离差标准化对所述目标料槽图像进行归一化处理。
根据本发明提供的一种料槽余食监测方法,所述剩余饲料识别模型是通过在原始迁移网络模型后加入自定义神经网络层构成的;所述自定义神经网络层包括全连接层、遗忘层和全局平均池化层。
根据本发明提供的一种料槽余食监测方法,还包括对所述剩余饲料识别模型进行预训练,具体为:冻结所述原始迁移网络模型的全部参数层,并利用训练样本集对所述剩余饲料识别模型进行初步预训练;解冻所述原始迁移网络模型的全部参数层,并利用所述训练样本集对初步预训练后的所述剩余饲料识别模型进行重新预训练。
根据本发明提供的一种料槽余食监测方法,所述利用训练样本集对所述剩余饲料识别模型进行初步预训练,包括:
对于任意一个训练样本,将所述训练样本输入至所述剩余饲料识别模型,输出所述训练样本对应的标定饲料百分比概率;利用交叉熵损失函数,根据所述训练样本对应的标定饲料百分比概率和所述训练样本中的饲料百分比标签计算损失值;若所述损失值小于预设阈值,则所述初步预训练完成。
本发明还提供一种料槽余食监测***,包括:图像处理单元,用于对目标料槽图像进行图像语义分割,获取料槽子图像和牛体子图像,并计算所述料槽子图像占所述目标料槽图像的像素百分比;所述目标料槽图像为料槽图像集中的任一帧;所述料槽图像集是按第一预设采样频率在第一预设时间段内采集的;由所有像素百分比大于第一预设阈值的目标料槽图像,构成有效料槽图像集;
图像识别单元,用于将所述有效料槽图像集中的有效料槽图像分别输入至预先训练好的剩余饲料识别模型,获取由所述剩余饲料识别模型输出的与每帧所述有效料槽图像对应的饲料百分比;
数据运算单元,用于根据所有所述饲料百分比的平均值,确定所述料槽余食的百分比。
本发明还提供一种电子设备,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,所述处理器执行所述程序时实现如上述任一种所述料槽余食监测方法的步骤。
本发明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如上述任一种所述料槽余食监测方法的步骤。
本发明提供的料槽余食监测方法及***,采用语义分割和基于迁移学***。
附图说明
为了更清楚地说明本发明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是本发明提供的料槽余食监测方法的流程示意图之一;
图2是本发明提供的料槽余食监控数据传输的示意图;
图3是本发明提供的料槽余食监控数据采集的示意图;
图4是本发明提供的料槽余食监测方法的流程示意图之二;
图5是本发明提供的料槽余食监测方法的流程示意图之三;
图6是本发明提供的料槽余食监测***的结构示意图;
图7是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明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。
需要说明的是,在本发明实施例的描述中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
下面结合图1-图7描述本发明实施例所提供的料槽余食监测方法和***。
图1是本发明提供的料槽余食监测方法的流程示意图,如图1所示,包括但不限于以下步骤:
步骤101:对目标料槽图像进行图像语义分割,获取料槽子图像和牛体子图像,并计算所述料槽子图像占所述目标料槽图像的像素百分比。
其中,所述目标料槽图像为料槽图像集中的任一帧;所述料槽图像集是按第一预设采样频率在第一预设时间段内采集的。
饲料中含有多种营养物质,牲畜正常采食饲料不仅满足了每天所需的营养物质,而且增强了身体素质,减少患病概率,增加经济效益。剩余饲料量增多,会影响到饲养管理成本,同时也反映出牲畜可能出现的一些健康状况,间接反映出整个牲畜棚的运行状态是否正常。为了便于说明,在后续实施例中均以检测牛舍剩余饲料监测为例进行说明,其不视为对本发明保护范围的具体限定,即本发明提供的料槽余食监测方法可以运用于牛舍、羊舍、猪舍等牲畜棚内剩余饲料监测。
本发明提供的料槽余食监测方法,其整体方案是:通过基于语义分割和迁移学习的图像识别方法,对采集的料槽图像进行识别,以获取料槽内剩余饲料的百分比。本发明不需要对牛舍料槽改造,节约了前期牛舍改造的成本;对饲料投喂方式不再有严格限制,只要投放在料槽范围内即可,且不限制饲料的投喂厚度。提出了一种解决牛体遮挡料槽的解决方案,可以得到相对完整的料槽识别图片;使用饲料剩余百分比代替饲料剩余量,排除了饲料差异对剩余量的影响。
图2是是本发明提供的料槽余食监控数据传输的示意图,图3是本发明提供的料槽余食监控数据采集的示意图,如图2和图3所示,通过在牛舍的料槽上方设置图像采集终端1,如:可以在牛舍过道护栏的顶部固定两列图像采集终端1,设其总数为K个。可以结合牛场情况,如料槽的设置位置、料槽的设置高度等,对每个图像采集终端1的摄像头角度进行调整,例如在对牛舍内料槽进行拍摄时,每个图像采集终端1负责采集1.5m长度内的料槽图像,这样K个图像采集终端1相互结合则能够完成对整个牛舍内所有料槽的监控。
可选地,可以为所有图像采集终端1配置控制开关4,该控制开关4可以配置为对所有图像采集终端1进行统一启停,也可以配置为独立控制每个图像采集终端1的启停,这样方便饲养员结合实际需求控制图像采集终端1的工作状态。
可选地,如图3所示,控制开关4在牛舍的两端分别设置一个,均可独立控制图像设备的开启和关闭,控制开关4开启后图像采集终端1则自动进行图像采集。
例如,在某一时间段内,在整个牛舍中仅仅有1号和2号栏内饲养了牛,而3-6号栏内的牛已经出栏了,则仅仅需要对1号和2号栏处的料槽内的余食进行监控,此时仅需要开启位于1号和2号栏上方的图像采集终端1。
为便于说明,后续实施例中均以整个牛舍中的所有牛栏中均正常投喂为例进行说明。
在饲养员需要统计料槽内的料槽余食的百分比时,即可以将图像采集终端1的开关打开,图像采集终端1自动采集各自对应区域内的料槽图像,并自动对采集到的料槽图像进行命名,其命名方式可以是“设备编号_序列编号”。其中,“设备编号”可以是预先为每个图像采集终端1定义的编号,分别为1-K。“序列编号”是每个图像采集终端1所采集的料槽图像的编号,可以按采集的先后,自动编号。例如:设备编号为“5”的图像采集终端1,将其采集的料槽图像依次编号为“005_001”、“005_002”、“005_003”…;设备编号为“9”的图像采集终端1,将其采集的料槽图像依次编号为“009_001”、“009_002”、“009_003”。
在每次进行料槽余食的百分比统计时,可以按预先设置图像采集终端1按第一采样频率(如15秒/张)在第一预设时间段内(如10分钟)持续进行料槽图像的采集,则每个图像采集终端1在这一时间段内可以采集到40张料槽图像,则K个图像采集终端1共采集到40*K个料槽图像。将所有料槽图像组建成一个料槽图像集。
可选地,每个图像采集终端1实时的将其采集的料槽图像实时上传到远程服务器2中。在远程服务器端,可以对接收到的所有料槽图像进行预处理,如图像归一化后,在将所有料槽图像组建成一个料槽图像集。
进一步地,信息接收设备3可以实时从远程服务器2中调取所述料槽图像集,并对料槽图像集中的任一料槽图像(称作目标料槽图像)进行图像语义分割,以从每一帧目标料槽图像分割出料槽子图像和牛体子图像两个不同的实体图像,并统计分割出的料槽子图像和牛体子图像的总像素点占该目标料槽图像的百分比,作为所述目标料槽图像的像素百分比。
其中,本发明所采用的图像语义分割方法可以采用金字塔场景分析网络(PyramidScene Parsing Network,PSPNet)来实现,也可以基于支持向量机或随机森林分类方法进行分割,对此本发明实施例不作具体的限定。
由于剩余饲料检测的实际场景中,所获取的料槽图像中只有牛头部和饲料两个部分,饲料槽占视野中面积较大,牛头部占饲料槽的百分比在一定范围内变化,故用于训练的实例数量较少。
可选地,本发明提供的PSPNet与传统PSPNet网络相比,本申请中PSPNet网络通过调整金字塔池化模型(Pyramid Pooling Module,PPM)的pooling层次,并结合实际场景,修改平均池化得到的尺寸。修改后,平均池化得到1*1、5*5、7*7的PPM,其更大的感受野会得到更小的pooling尺寸,更利于捕获大物体;其更小的感受野会得到更大的pooling尺寸,更利于捕获小物体,从而使输出适应不同大小的物体。
故本发明中所采取的PSPNet网络相比于现有的PSPNet网络,减少了一层池化层,降低了模型的计算复杂度,同时达到了识别牛头部和饲料槽的目的。
可选地,上述对目标料槽图像进行语义分割也可以在远程服务器2中进行。
步骤102,由所有像素百分比大于第一预设阈值的目标料槽图像,构成有效料槽图像集。
由于牛在就食时是将头部伸进料槽中,所以在拍摄的料槽图像中可能会存在牛体遮挡饲料槽的情况,则可能对识别结果产生较大的影响。在任一目标料槽图像中存在牛体遮挡饲料槽的情况下,该目标料槽图像所对应的料槽子图像占该目标料槽图像的像素百分比会降低,且牛体遮挡饲料槽的面积越大,该百分比会越低。
因此,为了克服现有识别方法的不足,本发明提供的料槽余食监测方法,在对第一预设时间段内采集的所有的40*K帧料槽图像分别进行一次语义分割处理之后,计算出每帧料槽图像的像素百分比之后,通过设置第一预设阈值,仅从上述40*K帧料槽图像中筛选出牛体未遮挡饲料槽,或遮挡部分极少的那一部分料槽图像,作为料槽余食监测的分析对象。
例如:将第一预设阈值设置为95%,那么仅挑选料槽图像集中像素百分比大于95%的目标料槽图像,保存至远程服务器2,构成有效料槽图像集,而将像素百分比小于或等于95%的料槽图像删除。
步骤103,将所述有效料槽图像集中的有效料槽图像分别输入至预先训练好的剩余饲料识别模型,获取由所述剩余饲料识别模型输出的与每帧所述有效料槽图像对应的饲料百分比。
其中,剩余饲料识别模型可以是利用训练集预先训练好的深度神经网络,并经过反复试验以优化该模型的卷积神经网络的超参数和排布结构,得到了训练效果好的剩余饲料识别模型。
将步骤103中所构建的有效料槽图像集中的每一帧料槽图像(有效料槽图像),分别输入至剩余饲料识别模型,则可以获取由该模型输出的对每一帧料槽图像的识别结果,即获取到每一帧料槽图像对应的饲料百分比。
假设,在步骤103中的有效料槽图像集中的有效料槽图像的总数为T个,则利用剩余饲料识别模型对上述T帧有效料槽图像分别进行识别,获取T个饲料百分比。
步骤104,根据所有所述饲料百分比的平均值,确定所述料槽余食的百分比。
计算上述T个饲料百分比的平均值,作为本次监测的料槽余食的百分比。
作为可选地,本发明考虑对槽余食预测的结果采用平滑处理,在剩余饲料识别模型中,模型预测结果为标定“饲料百分比”的概率,对概率较高的前两个预测结果进行平滑处理,具体过程如下:
经过上述平滑处理可以消除模型预测结果的单一性,同时中和两个高概率预测结果,对于两个预测概率相差不大的情况,有显著平滑的作用。
本发明提供的料槽余食监测方法,采用语义分割和基于迁移学***。
基于上述实施例的内容,作为一种可选实施例,在第二预设时间段内,若所有料槽图像所对应的平均像素百分比大于第二预设阈值,则将所述第一预设采样频率调整至第二预设采样频率,并按所述第二预设采样频率继续采集料槽图像;所述第二预设采样频率高于所述第一预设采样频率。
本次监测的总时长为第一预设时间段,在整个监测的过程中,还可以检验任一时间段内的图像采集效果。如在总监测时长为10分钟的情况下,统计在开始采集到数据采集到9分钟这一时间段内所所采集的所有料槽图像的百分比,并计算所有料槽图像的百分比的平均值作为平均像素百分比。
将获取的平均像素百分比与第二预设阈值进行比较,若平均像素百分比小于或等于第二预设阈值,则说明在0-9分钟内所采集的图像质量不高;若平均像素百分比大于第二预设阈值,说明在0-9分钟内所采集的图像质量较高,则可以增加图像采集终端1的采样频率,以采集更多的料槽图像。
例如:设第二预设阈值为98%,在数据采集在第九分钟时,计算出0-9分钟内的平均像素百分比大于98%,将将每个图像采集终端1的采样频率由之前的15秒/帧修改为3秒/帧,直至10分钟采样时间结束为止。
进一步地,也可以将整个牛舍划分为不同的区域,并分区域统计每个区域内的图像采集终端1在第二预设时间段内的平均像素百分比。在任一区域对应的平均像素百分比大于第二预设阈值的情况下,将该区域内所有的图像采集终端1的采样频率提高,而对于平均像素百分比不大于第二预设阈值的区域内的图像采集终端1,则不进行调整。
进一步地,还可以设置第三预设阈值(第三预设阈值<第一预设阈值<第二预设阈值),在任一区域对应的平均像素百分比小于第三预设阈值的情况下,则降低该区域内所有的图像采集终端1的采样频率。
可选地,对于始终不符合采样标准的采集区域(即平均像素百分比始终小于第三预设阈值的区域),可以使用饲料百分比的平均值代替这一区域的实际剩余值。
本发明提供的料槽余食监测方法,在余食监测的过程中,通过分区域验证图像采集效果,适当的增加未发生牛体遮掩料槽区域的图像采集频率,能够有效地提高有效料槽图像集的数量,提高检测的精度。
基于上述实施例的内容,作为一种可选实施例,在将所述有效料槽图像集中的有效料槽图像分别输入至预先训练好的剩余饲料识别模型之前,还包括:按照像素百分比的由高到低,对所述有效料槽图像集中的有效料槽图像进行排序,获取有效料槽图像序列;
相应地,所述将所述有效料槽图像集中的有效料槽图像分别输入至预先训练好的剩余饲料识别模型,包括:选取所述有效料槽图像序列中的排序靠前的N帧有效料槽图像,分别输入至预先训练好的所述剩余饲料识别模型。
在步骤102构建出有效料槽图像集之后,可以对应地确定出该有效料槽图像集总每一帧有效料槽图像的像素百分比。
例如:有效料槽图像集中的有效料槽图像的总数为T,那么可以确定出T个像素百分比。
将上述T个像素百分比,按照由高到低的顺序进行排序,则可以构成一个包含T个像素百分比的有效料槽图像序列。
从上述有效料槽图像序列中筛选出像素百分比最高的N个(N<T)有效料槽图像,作为最终的识别对象,分别输入至预先训练好的所述剩余饲料识别模型。
本发明提供的料槽余食监测方法,采用像素百分比的高低排序的方法,从中剔除一部分像素百分比较低的图像,即从所有的料槽图像中删除牛体遮掩料槽面积较大的部分图像,能够进一步的提高监测的精度。
基于上述实施例的内容,作为一种可选实施例,在对目标料槽图像进行图像语义分割之前还包括:在将所述目标料槽图像的像素进行统一调整至预设像素后,采用离差标准化对所述目标料槽图像进行归一化处理。
具体地,在将获取的所有料槽图像上传至远程服务器2后,在对所有料槽图像中的任一目标料槽图像进行图像语义分割之前,在远程服务器2中首先将目标料槽图像的像素统一调整为299*299像素。然后,对调整后的目标料槽图像进行归一化预处理,包括:
采用了离差标准化方法(Min-Max Normalization),把目标料槽图像数据变成(0,1),以使其更加符合神经网络的内部结构,将有量纲的表达式,经过变换转换为无量纲的表达式成为纯量,其计算公式为:
x′=(x-xmin)/(xmax-xmin);
其中,xmax为样本数据的最大值,xmin为样本数据的最小值,x表示目标料槽图像数据,x′为归一化后的数据。
其中,归一化可以避免一些不必要的数值问题,且输入变量的数量级不至于会引起数值问题。经过归一化处理后,各个特征对目标函数的影响权重是一致的,这样的好处是在提高迭代求解的精度。
本发明提供的料槽余食监测方法,通过对待识别的目标料槽图像进行预处理,能有效提高迭代求解的收敛速度,提高迭代求解的精度,。
基于上述实施例的内容,作为一种可选实施例,所述剩余饲料识别模型是通过在原始迁移网络模型后加入自定义神经网络层构成的;所述自定义神经网络层包括全连接层、遗忘层和全局平均池化层。
具体地,本发明提供的料槽余食监测方法是通过在原始迁移网络后加入多层识别神经网络,即添加由全连接层、遗忘层、全局平均池化等组成的自定义神经网络层,组成适合预测剩余饲料识别预测的网络。
需要说明的是,本发明所构建的原始迁移网络模型之所以选择采用迁移网络作为主干网络的原因包括:
如果大规模训练的原始训练数据集中的数据足够通用,可以使用这些数据训练出的剩余饲料识别模型,以用于提取料槽图像中的图像纹理、形状、色度的卷积层前半部分是可以被其他模型移植使用,用于图像基础特征的提取。即使这些图像的并不相关,也可以使用迁移的卷积网络进行提取特征,因为不同图像的特征种类大致是一样的,这也是深度学习优于浅层学习的重要原因。而迁移学习的神经网络恰恰可以使用较少的图像训练出较为准确的识别模型。
基于上述实施例的内容,作为一种可选实施例,本发明提供的料槽余食监测方法,还可以包括对所述剩余饲料识别模型进行预训练,具体为:
冻结所述原始迁移网络模型的全部参数层,并利用训练样本集对所述剩余饲料识别模型进行初步预训练;解冻所述原始迁移网络模型的全部参数层,并利用所述训练样本集对初步预训练后的所述剩余饲料识别模型进行重新预训练。
整个预训练的过程主要包括两个部分:
其一,将原始迁移网络的全部特征提取层冻结,并对自定义添加的神经网络层参数依照训练迭代更新。采用上述方式对整个剩余饲料识别模型进行初步预训练。其中,初步预训练的损失函数可以使用交叉熵损失函数L(y,p):
其中N是样本个数;K是类别个数;yik表示第i个样本,在第k个类别上的取值;pik表示第i个样本,预测为第k个类别的概率。
其二,解冻原始迁移网络的被冻结的全部参数层,并利用预先构建的训练样本集对整个剩余饲料识别模型进行训练,直至训练结果收敛为止,获取训练好的剩余饲料识别模型。
本发明实施例通过对剩余饲料识别模型采用分层预训练的方法进行训练,能够有效地提高训练的精度,增强模型的鲁棒性。
基于上述实施例的内容,作为一种可选实施例,所述利用训练样本集对所述剩余饲料识别模型进行初步预训练,包括:对于任意一个训练样本,将所述训练样本输入至所述剩余饲料识别模型,输出所述训练样本对应的标定饲料百分比概率;利用交叉熵损失函数,根据所述训练样本对应的标定饲料百分比概率和所述训练样本中的饲料百分比标签计算损失值;若所述损失值小于预设阈值,则所述初步预训练完成。
具体地,在获得多个训练样本之后,对于任意一个训练样本,将该训练样本中的料槽图像和饲料百分比标签同时输入至剩余饲料识别模型,输出该训练样本对应的预测概率,其中预测概率指的是该训练样本针对不同饲料百分比对应的预测概率。
在此基础上,利用预设损失函数根据训练样本对应的预测概率和训练样本中的饲料百分比标签计算损失值。其中,饲料百分比标签可以表示为one-hot向量,预设损失函数可以为交叉熵损失函数。在其他实施例中,泄漏程度标签的表示方式和预设损失函数可以根据实际需求进行设置,此处不做具体限定。
在计算获得损失值之后,本次训练过程结束,再利用误差反向传播算法更新剩余饲料识别模型中的模型参数,之后再进行下一次训练。在训练的过程中,若针对某个训练样本计算获得的损失值小于预设阈值,则剩余饲料识别模型训练完成。
本发明实施例提供的料槽余食监测方法,对于任意一个训练样本,将训练样本输入至剩余饲料识别模型,输出训练样本对应的预测概率;利用预设损失函数根据训练样本对应的预测概率和训练样本中的饲料百分比标签计算损失值;若损失值小于预设阈值,则剩余饲料识别模型训练完成。该方法通过对剩余饲料识别模型进行训练,有利于将剩余饲料识别模型的损失值控制在预设的范围内,从而有利于提高剩余饲料识别模型进行饲料百分比检测的精度。
图4是本发明提供的料槽余食监测方法的流程示意图之二,如图4所示,该方法包括但不限于以下步骤:
步骤4-1,在完成整个监测***的初始化之后,开启图像采集终端1所对应的控制开关4。
步骤4-2,在第一预设时间段10分钟内,控制每个图像采集终端1按照15秒/帧的采样频率进行料槽图像的采集。每个图像采集终端1实时的将采集的料槽图像上传至远程服务器2。
步骤4-3,远程服务器2对接收到的料槽图像进行归一化处理后,构建料槽图像集,并对每一帧图像进行语义图像分割处理,以确定每一帧图像的像素百分比。
步骤4-4,在采集时长达到9分钟的时候,计算所采集的所有料槽图像的平均像素百分比。
步骤4-5,在确定上述平均像素百分比始终小于95%的情况下,则保持每个图像采集终端1的当前采样频率不变;
在确定上述平均像素百分比始终大于95%的情况下,则将每个图像采集终端1的当前采样频率调整至3秒/帧。
步骤4-6,基于当前采样频率,获取在总时长10分钟内所采集的所有料槽图像,并确定每帧料槽图像所对应的像素百分比。
步骤4-7,对所有料槽图像进行最有数据筛选,包括将所有料槽图像所对应的像素百分比进行排序,并从中筛选出预设数量的排序靠前的部分料槽图像。
步骤4-8,基于迁移学习方法,检测每帧料槽图像所对应的剩余饲料比例,包括:构建剩余饲料识别模型,并利用该模型对输入的每帧料槽图像进行识别,以确定每帧料槽图像对应的饲料百分比。
步骤4-9,汇总并计算识别结果。由于剩余饲料识别模型技能针对单一的输入图像进行饲料百分比的识别,在完成对所有输入的料槽图像的图像识别工作后,将所有饲料百分比的平均值,作为整个牛舍的料槽余食的百分比。
步骤4-10,将最终数据发送至牛场的信息接收设备3。
图5是本发明提供的料槽余食监测方法的流程示意图之三,如图5所示,该方法包括但不限于以下步骤:
步骤5-1,获取牛舍饲料槽区域图像,包括:将图像采集终端1的控制开关4开启,控制图像采集终端1按预设采样频率采集料槽图像,其采样时长为第一预设时长。
步骤5-2,借助网络将采集的料槽图像传输至远程服务器2。
步骤5-3,对每帧料槽图像进行图像语义分割,以筛选出其中料槽占比负荷要求的图像,即筛选出像素百分比大于第一预设阈值有效料槽图像,构建有效料槽图像集。
步骤5-4,采用图像识别技术,对有效料槽图像集中的每帧图像进行识别,获取每帧料槽图像所对应的饲料百分比。
步骤5-5,计算所有料槽图像的饲料百分比的平均值,以确定牛舍整体饲料的剩余比例。
本发明提供的料槽余食监测方法,适用于大部分常规牛舍,将训练好的识别模型配置到远程服务器中,图像采集设备按固定间隔和固定角度安装到特定位置,采集牛舍饲料槽内的饲料图片,将图像传输到远程服务器上,调用训练好的图像识别模型,可以识别出剩余饲料的百分比,再将汇总的数据传输到牛舍所在的接收设备上。本发明突破了传统人工进行剩余料监控的限制,在不需要人工测量称重的情况下,识别出每个饲料采集区域的剩余百分比,并得到整个牛舍的剩余饲料平均比例。相比于其他技术,还具有轻量级、易部署、使用条件宽泛等优点。便于牛舍的管理和信息采集,提高牛舍内采食日粮监控的数字化程度和智能化水平。
图6是本发明提供的料槽余食监测***的结构示意图,如图6所示,主要包括:图像处理单元601、图像识别单元602和数据运算单元603,其中:
图像处理单元601主要用于对目标料槽图像进行图像语义分割,获取料槽子图像和牛体子图像,并计算所述料槽子图像占所述目标料槽图像的像素百分比;所述目标料槽图像为料槽图像集中的任一帧;所述料槽图像集是按第一预设采样频率在第一预设时间段内采集的;由所有像素百分比大于第一预设阈值的目标料槽图像,构成有效料槽图像集;
图像识别单元602主要用于将所述有效料槽图像集中的有效料槽图像分别输入至预先训练好的剩余饲料识别模型,获取由所述剩余饲料识别模型输出的与每帧所述有效料槽图像对应的饲料百分比;
数据运算单元603主要用于根据所有所述饲料百分比的平均值,确定所述料槽余食的百分比。
需要说明的是,本发明实施例提供的料槽余食监测***,在具体执行时,可以基于上述任一实施例所述的料槽余食监测方法来实现,对此本实施例不作赘述。
本发明提供的料槽余食监测***,采用语义分割和基于迁移学***。
图7是本发明提供的电子设备的结构示意图,如图7所示,该电子设备可以包括:处理器(processor)710、通信接口(CommunicationsInterface)720、存储器(memory)730和通信总线740,其中,处理器710,通信接口720,存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑指令,以执行料槽余食监测方法,该方法包括:对目标料槽图像进行图像语义分割,获取料槽子图像和牛体子图像,并计算料槽子图像占所述目标料槽图像的像素百分比;所述目标料槽图像为料槽图像集中的任一帧;所述料槽图像集是按第一预设采样频率在第一预设时间段内采集的;由所有像素百分比大于第一预设阈值的目标料槽图像,构成有效料槽图像集;将有效料槽图像集中的有效料槽图像分别输入至预先训练好的剩余饲料识别模型,获取由剩余饲料识别模型输出的与每帧有效料槽图像对应的饲料百分比;根据所有饲料百分比的平均值,确定料槽余食的百分比。
此外,上述的存储器730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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法所提供的料槽余食监测方法,该方法包括:对目标料槽图像进行图像语义分割,获取料槽子图像和牛体子图像,并计算料槽子图像占所述目标料槽图像的像素百分比;所述目标料槽图像为料槽图像集中的任一帧;所述料槽图像集是按第一预设采样频率在第一预设时间段内采集的;由所有像素百分比大于第一预设阈值的目标料槽图像,构成有效料槽图像集;将有效料槽图像集中的有效料槽图像分别输入至预先训练好的剩余饲料识别模型,获取由剩余饲料识别模型输出的与每帧有效料槽图像对应的饲料百分比;根据所有饲料百分比的平均值,确定料槽余食的百分比。
又一方面,本发明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料槽余食监测方法,该方法包括:对目标料槽图像进行图像语义分割,获取料槽子图像和牛体子图像,并计算料槽子图像占所述目标料槽图像的像素百分比;所述目标料槽图像为料槽图像集中的任一帧;所述料槽图像集是按第一预设采样频率在第一预设时间段内采集的;由所有像素百分比大于第一预设阈值的目标料槽图像,构成有效料槽图像集;将有效料槽图像集中的有效料槽图像分别输入至预先训练好的剩余饲料识别模型,获取由剩余饲料识别模型输出的与每帧有效料槽图像对应的饲料百分比;根据所有饲料百分比的平均值,确定料槽余食的百分比。
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)
1.一种料槽余食监测方法,其特征在于,包括:
对目标料槽图像进行图像语义分割,获取料槽子图像和牛体子图像,并计算所述料槽子图像占所述目标料槽图像的像素百分比;所述目标料槽图像为料槽图像集中的任一帧;所述料槽图像集是按第一预设采样频率在第一预设时间段内采集的;
由所有像素百分比大于第一预设阈值的目标料槽图像,构成有效料槽图像集;
将所述有效料槽图像集中的有效料槽图像分别输入至预先训练好的剩余饲料识别模型,获取由所述剩余饲料识别模型输出的与每帧所述有效料槽图像对应的饲料百分比;
根据所有所述饲料百分比的平均值,确定所述料槽余食的百分比。
2.根据权利要求1所述的料槽余食监测方法,其特征在于,在第二预设时间段内,若所有料槽图像所对应的平均像素百分比大于第二预设阈值,则将所述第一预设采样频率调整至第二预设采样频率,并按所述第二预设采样频率继续采集料槽图像;
所述第二预设采样频率高于所述第一预设采样频率。
3.根据权利要求1所述的料槽余食监测方法,其特征在于,在将所述有效料槽图像集中的有效料槽图像分别输入至预先训练好的剩余饲料识别模型之前,还包括:
按照像素百分比的由高到低,对所述有效料槽图像集中的有效料槽图像进行排序,获取有效料槽图像序列;
相应地,所述将所述有效料槽图像集中的有效料槽图像分别输入至预先训练好的剩余饲料识别模型,包括:
选取所述有效料槽图像序列中的排序靠前的N帧有效料槽图像,分别输入至预先训练好的所述剩余饲料识别模型。
4.根据权利要求1所述的料槽余食监测方法,其特征在于,在对目标料槽图像进行图像语义分割之前还包括:
在将所述目标料槽图像的像素进行统一调整至预设像素后,采用离差标准化对所述目标料槽图像进行归一化处理。
5.根据权利要求1所述的料槽余食监测方法,其特征在于,所述剩余饲料识别模型是通过在原始迁移网络模型后加入自定义神经网络层构成的;
所述自定义神经网络层包括全连接层、遗忘层和全局平均池化层。
6.根据权利要求5所述的料槽余食监测方法,其特征在于,还包括对所述剩余饲料识别模型进行预训练,具体为:
冻结所述原始迁移网络模型的全部参数层,并利用训练样本集对所述剩余饲料识别模型进行初步预训练;
解冻所述原始迁移网络模型的全部参数层,并利用所述训练样本集对初步预训练后的所述剩余饲料识别模型进行重新预训练。
7.根据权利要求6所述的料槽余食监测方法,其特征在于,所述利用训练样本集对所述剩余饲料识别模型进行初步预训练,包括:
对于任意一个训练样本,将所述训练样本输入至所述剩余饲料识别模型,输出所述训练样本对应的标定饲料百分比概率;
利用交叉熵损失函数,根据所述训练样本对应的标定饲料百分比概率和所述训练样本中的饲料百分比标签计算损失值;
若所述损失值小于预设阈值,则所述初步预训练完成。
8.一种料槽余食监测***,其特征在于,包括:
图像处理单元,用于对目标料槽图像进行图像语义分割,获取料槽子图像和牛体子图像,并计算所述料槽子图像占所述目标料槽图像的像素百分比;所述目标料槽图像为料槽图像集中的任一帧;所述料槽图像集是按第一预设采样频率在第一预设时间段内采集的;由所有像素百分比大于第一预设阈值的目标料槽图像,构成有效料槽图像集;
图像识别单元,用于将所述有效料槽图像集中的有效料槽图像分别输入至预先训练好的剩余饲料识别模型,获取由所述剩余饲料识别模型输出的与每帧所述有效料槽图像对应的饲料百分比;
数据运算单元,用于根据所有所述饲料百分比的平均值,确定所述料槽余食的百分比。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述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计算机程序时实现如权利要求1至7任一项所述料槽余食监测方法步骤。
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,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述料槽余食监测方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110185234.8A CN112861734A (zh) | 2021-02-10 | 2021-02-10 | 一种料槽余食监测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110185234.8A CN112861734A (zh) | 2021-02-10 | 2021-02-10 | 一种料槽余食监测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112861734A true CN112861734A (zh) | 2021-05-28 |
Family
ID=75988024
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110185234.8A Pending CN112861734A (zh) | 2021-02-10 | 2021-02-10 | 一种料槽余食监测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112861734A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113570636A (zh) * | 2021-06-16 | 2021-10-29 | 北京农业信息技术研究中心 | 一种风机通风量检测方法及装置 |
CN115049934A (zh) * | 2022-08-11 | 2022-09-13 | 山东万牧农业科技有限公司郯城分公司 | 基于图像处理的禽类饲料智能检测方法 |
CN115526880A (zh) * | 2022-10-17 | 2022-12-27 | 仲恺农业工程学院 | 一种用于笼养肉鸽料槽剩料的判别方法 |
CN117528038A (zh) * | 2024-01-08 | 2024-02-06 | 中博农畜牧科技股份有限公司 | 一种基于深度学习的奶牛饲喂草料状态监测预警***及方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130048737A1 (en) * | 2011-08-25 | 2013-02-28 | Elwha LLC, a limited liability company of the State of Delaware | Systems, devices, admixtures, and methods including transponders for indication of food attributes |
CN103303337A (zh) * | 2013-05-14 | 2013-09-18 | 上海交通大学 | 基于图像序列的铁路扣件自适应定位方法及高速探测*** |
JP2016019229A (ja) * | 2014-07-10 | 2016-02-01 | キヤノン株式会社 | 撮像装置、表示装置、及び撮影システム |
WO2016184431A1 (zh) * | 2015-05-20 | 2016-11-24 | 王向恒 | 一种基于本地计算的视频监控方法及其终端 |
CN109034036A (zh) * | 2018-07-19 | 2018-12-18 | 青岛伴星智能科技有限公司 | 一种视频分析方法、教学质量评估方法及***、计算机可读存储介质 |
CN109498857A (zh) * | 2018-12-29 | 2019-03-22 | 刘铁楠 | 一种基于图像识别的引流监控***及方法 |
CN110210570A (zh) * | 2019-06-10 | 2019-09-06 | 上海延华大数据科技有限公司 | 基于深度学习的糖尿病视网膜病变图像多分类方法 |
CN110796043A (zh) * | 2019-10-16 | 2020-02-14 | 北京海益同展信息科技有限公司 | 容器检测、饲喂检测方法、装置及饲喂*** |
US20200064444A1 (en) * | 2015-07-17 | 2020-02-27 | Origin Wireless, Inc. | Method, apparatus, and system for human identification based on human radio biometric information |
CN110852396A (zh) * | 2019-11-15 | 2020-02-28 | 苏州中科华影健康科技有限公司 | 一种宫颈图像的样本数据处理方法 |
CN110956608A (zh) * | 2019-10-10 | 2020-04-03 | 北京海益同展信息科技有限公司 | 一种剩余食料检测方法、装置、电子设备及存储介质 |
-
2021
- 2021-02-10 CN CN202110185234.8A patent/CN112861734A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130048737A1 (en) * | 2011-08-25 | 2013-02-28 | Elwha LLC, a limited liability company of the State of Delaware | Systems, devices, admixtures, and methods including transponders for indication of food attributes |
CN103303337A (zh) * | 2013-05-14 | 2013-09-18 | 上海交通大学 | 基于图像序列的铁路扣件自适应定位方法及高速探测*** |
JP2016019229A (ja) * | 2014-07-10 | 2016-02-01 | キヤノン株式会社 | 撮像装置、表示装置、及び撮影システム |
WO2016184431A1 (zh) * | 2015-05-20 | 2016-11-24 | 王向恒 | 一种基于本地计算的视频监控方法及其终端 |
US20200064444A1 (en) * | 2015-07-17 | 2020-02-27 | Origin Wireless, Inc. | Method, apparatus, and system for human identification based on human radio biometric information |
CN109034036A (zh) * | 2018-07-19 | 2018-12-18 | 青岛伴星智能科技有限公司 | 一种视频分析方法、教学质量评估方法及***、计算机可读存储介质 |
CN109498857A (zh) * | 2018-12-29 | 2019-03-22 | 刘铁楠 | 一种基于图像识别的引流监控***及方法 |
CN110210570A (zh) * | 2019-06-10 | 2019-09-06 | 上海延华大数据科技有限公司 | 基于深度学习的糖尿病视网膜病变图像多分类方法 |
CN110956608A (zh) * | 2019-10-10 | 2020-04-03 | 北京海益同展信息科技有限公司 | 一种剩余食料检测方法、装置、电子设备及存储介质 |
CN110796043A (zh) * | 2019-10-16 | 2020-02-14 | 北京海益同展信息科技有限公司 | 容器检测、饲喂检测方法、装置及饲喂*** |
CN110852396A (zh) * | 2019-11-15 | 2020-02-28 | 苏州中科华影健康科技有限公司 | 一种宫颈图像的样本数据处理方法 |
Non-Patent Citations (3)
Title |
---|
万叶晶 等: "一种基于时空相关性和异常检测的改进WSN节能策略", 《传感技术学报》, vol. 30, no. 08, pages 1267 - 1273 * |
曹晏飞 等: "蛋鸡发声与机械噪声特征提取及分类识别", 《农业工程学报》, vol. 30, no. 18, pages 190 - 197 * |
杨秋妹 等: "猪只饮水行为机器视觉自动识别", 《农业机械学报》, vol. 49, no. 06, pages 232 - 238 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113570636A (zh) * | 2021-06-16 | 2021-10-29 | 北京农业信息技术研究中心 | 一种风机通风量检测方法及装置 |
CN113570636B (zh) * | 2021-06-16 | 2024-05-10 | 北京农业信息技术研究中心 | 一种风机通风量检测方法及装置 |
CN115049934A (zh) * | 2022-08-11 | 2022-09-13 | 山东万牧农业科技有限公司郯城分公司 | 基于图像处理的禽类饲料智能检测方法 |
CN115049934B (zh) * | 2022-08-11 | 2022-12-16 | 山东万牧农业科技有限公司郯城分公司 | 基于图像处理的禽类饲料智能检测方法 |
CN115526880A (zh) * | 2022-10-17 | 2022-12-27 | 仲恺农业工程学院 | 一种用于笼养肉鸽料槽剩料的判别方法 |
CN117528038A (zh) * | 2024-01-08 | 2024-02-06 | 中博农畜牧科技股份有限公司 | 一种基于深度学习的奶牛饲喂草料状态监测预警***及方法 |
CN117528038B (zh) * | 2024-01-08 | 2024-03-26 | 中博农畜牧科技股份有限公司 | 一种基于深度学习的奶牛饲喂草料状态监测预警***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112861734A (zh) | 一种料槽余食监测方法及*** | |
AU2019101786A4 (en) | Intelligent pig group rearing weighing method and apparatus, electronic device and storage medium | |
CN110839557B (zh) | 母猪发情监测方法、装置、***、电子设备及存储介质 | |
KR101877271B1 (ko) | 로드셀 기반의 가축 중량 측정 시스템 및 이를 이용한 가축의 표준중량 추정방법 | |
CN113516201B (zh) | 一种基于深度神经网络的肉兔料盒中余料量的估算方法 | |
CN110532899B (zh) | 基于热成像的母猪产前行为分类方法及*** | |
KR20190128589A (ko) | 기계학습 예측 모델에 기초한 최적의 소 출하 시점 결정 방법 | |
CN110991222B (zh) | 一种物体状态监测、母猪发情监测方法、装置及*** | |
Dohmen et al. | Image-based body mass prediction of heifers using deep neural networks | |
CN107610122B (zh) | 一种基于Micro-CT的单籽粒谷物内部虫害检测方法 | |
CN116778430B (zh) | 肉牛养殖的疾病监测***及其方法 | |
CN110826592A (zh) | 一种基于全卷积神经网络的对虾养殖残饵计数方法 | |
Amraei et al. | Development of a transfer function for weight prediction of live broiler chicken using machine vision | |
CN111587069A (zh) | 用于监控家畜动物的食物摄取的方法及设备 | |
CN117036820B (zh) | 一种基于视觉图像的猪只分类模型及其方法 | |
CN113989538A (zh) | 基于深度图像的鸡群均匀度估测方法、装置、***及介质 | |
CN117351404A (zh) | 一种奶牛分娩应激程度判识方法及*** | |
CN117063868A (zh) | 一种鱼池智能投喂方法 | |
CN111461117A (zh) | 一种牦牛牛犊的生长环境监控***及监控方法 | |
CN115019162A (zh) | 一种基于深度学习的桑蚕检测方法 | |
CN115739671A (zh) | 一种渔获物分拣***及方法 | |
CN115777560A (zh) | 一种基于机器视觉分析技术的母猪智能化饲喂*** | |
CN115266752A (zh) | 一种鸡胸肉白色条纹等级判定的方法及装置 | |
CN114612898A (zh) | 一种基于YOLOv5网络的荔枝蒂蛀虫羽化率检测方法 | |
KR20230033068A (ko) | 축산 동물의 행동 패턴을 기반으로 한 스마트 축사 관리 시스템 및 방법 |
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 |