CN113191201A - 基于视觉的鸡雏公母智能鉴别方法及*** - Google Patents

基于视觉的鸡雏公母智能鉴别方法及*** Download PDF

Info

Publication number
CN113191201A
CN113191201A CN202110368970.7A CN202110368970A CN113191201A CN 113191201 A CN113191201 A CN 113191201A CN 202110368970 A CN202110368970 A CN 202110368970A CN 113191201 A CN113191201 A CN 113191201A
Authority
CN
China
Prior art keywords
female
male
chick
identification
model
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
Application number
CN202110368970.7A
Other languages
English (en)
Inventor
刘志鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Xiashu Network Technology Co ltd
Original Assignee
Shanghai Xiashu Network Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Xiashu Network Technology Co ltd filed Critical Shanghai Xiashu Network Technology Co ltd
Priority to CN202110368970.7A priority Critical patent/CN113191201A/zh
Publication of CN113191201A publication Critical patent/CN113191201A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • 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
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • 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
    • 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
    • G06V10/40—Extraction of image or video features

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)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于视觉的鸡雏公母智能鉴别方法及***，光学成像模块获取采集若干个鸡雏***处的图像，构成鸡雏公母图像数据集；鸡雏公母鉴别模块根据鸡雏公母图像数据集基础鉴别网络模型，再根据基础鉴别网络模型进行多任务模型学习，获得针对N鸡种的N个鸡雏公母鉴别模型；光学成像模块采集待测鸡雏***处的图像并输入鸡雏公母鉴别模块中，鸡雏公母鉴别模块根据相应鸡种的鸡雏公母鉴别模型，判断输出公母结果。其优点在于通过鉴别模型，判别鸡雏公母，取代了人眼判别的功能，解放人眼；提高正确率、降低人工成本，大大提高工作效率。

Description

基于视觉的鸡雏公母智能鉴别方法及***
技术领域
本发明涉及一种基于视觉的鸡雏公母智能鉴别方法及***。
背景技术
养殖场都实行公母分饲，主要原因在于：养殖场分蛋鸡和肉鸡，在蛋鸡养殖场当然只能养母鸡；而商品肉鸡虽然公母都要，但如果混合饲养的话，由于公鸡发育快，而且会抢食，这会影响到母鸡的生长，因此要保证经济效益也最好分开饲养。所以，及早进行雏鸡性别鉴定，就可以淘汰公鸡或分离雌雄小鸡，也就节约了饲料、禽舍、劳动力等各种饲养费用。
目前主要采用快慢羽鉴别法和翻肛鉴别法进行雏鸡的公母分辨。
快慢羽鉴别法就是雏鸡翼羽生长速度，根据某些品种的鸡的遗传性，将雏鸡翅膀展开可看到两排羽毛，靠近翅膀尖端的为主翼羽，靠近翅膀根部覆盖在主翼羽上端的羽毛称为覆主翼羽，主翼羽长于覆主翼羽称为快羽(母鸡)，反之为慢羽(公鸡)。该方法主要缺点：刚出生的小鸡羽毛未完全发育，快慢羽方法准确率低；快慢羽方法只针对特定种类的鸡有用，方法不具备普适性。
翻肛鉴别是目前行业通用做法。其原理是通过观察***内部公母鸡特征差异，区分公母。公母鸡***主要差异表现为：
Figure BDA0003008495890000021
翻肛鉴别目前存在的问题：
由于公母特征差别非常小，导致鉴别师培训困难，往往需要三个月时间才能基本学会，一年后鉴别准确率才能达到95％以上；公母特征点形状非常小，且需要在强光下才能看见，长时间观察对人眼伤害大；人工分类准确度不高，一般在95％左右；人工分类速度不快，一般为每小时1000-1200只，很难满足企业的生产需求；人工易疲劳，工作到后面准确率和速度会明显下降。
发明内容
本发明提供的一种基于视觉的鸡雏公母智能鉴别方法及***，通过视觉成像技术，拍摄鸡雏***，再通过鉴别模型，判别鸡雏公母，取代了人眼判别的功能，解放人眼；以克服现有技术的缺陷。
本发明提供一种基于视觉的鸡雏公母智能鉴别方法，包括以下步骤：
步骤A、采集若干个鸡雏***处的图像，构成鸡雏公母图像数据集。
步骤B、建立鸡雏公母鉴别模型。
步骤B-1、建立基础鉴别网络模型。
建立位置标签：鸡雏公母图像数据集中每个图像标注鸡雏肝门位置标签。
建立性别标签：鸡雏公母图像数据集中每个图像标注鸡雏公母性别标签。
特征提取：采用CNN多层神经网络提取鸡雏公母图像数据集中每个图像的鸡雏公母的高维特征图。
定位网络：根据鸡雏公母的高维特征图和位置标签，采用回归网络输出***的位置信息。
鉴别网络：根据鸡雏公母的高维特征图、位置信息和性别标签，作为CNN多层神经网络分类模型的输入，建立基础鉴别网络模型。
步骤B-2、基础鉴别网络模型进行多任务模型学习，获得针对N鸡种的N个鸡雏公母鉴别模型。
步骤C、采集待测鸡雏***处的图像并输入相应鸡种的鸡雏公母鉴别模型，鸡雏公母鉴别模型输出公母的判断结果。
进一步，本发明提供一种基于视觉的鸡雏公母智能鉴别方法，还可以具有这样的特征：位置信息为输出坐标(X、Y)以及半径。
进一步，本发明提供一种基于视觉的鸡雏公母智能鉴别方法，还可以具有这样的特征：步骤B-2包括以下步骤：
步骤B-2-1、将多个品种的鸡雏***数据合并为一整个数据集。
步骤B-2-2、在基础鉴别网络模型中使用特征提取网络加定位网络在整个数据集上面进行学习，保存模型。
步骤B-2-3、基于B-2-2保存的模型，固定定位网络参数，在整个数据集上训练特征提取网络和分类网络，保存模型。
步骤B-2-4、循环执行步骤B-2-2和步骤B-2-3设定的次数，保存模型。
步骤B-2-5、基于B-2-4保存的模型采用多任务损失函数，在所有数据集上训练整个模型。
步骤B-2-6、将图像数据按照鸡的品种区分，针对每个品种，基于步骤B-2-5的模型，采用迁移学习，在对应的品种的数据集上继续训练，获得最终的针对N个鸡种鸡雏公母鉴别模型。
进一步，本发明提供一种基于视觉的鸡雏公母智能鉴别方法，还可以具有这样的特征：定位网络采用的损失函数是Smooth L1损失，公式如下：
Figure BDA0003008495890000041
其中，x为预测值，y为位置标签值，N为一次训练的图片数。
进一步，本发明提供一种基于视觉的鸡雏公母智能鉴别方法，还可以具有这样的特征：鉴别网络采用的损失函数是交叉熵损失，公式如下：
Figure BDA0003008495890000042
其中N为一次训练的图片数，C为类别，p为真实概率分布，q为预测概率分布。
进一步，本发明提供一种基于视觉的鸡雏公母智能鉴别方法，还可以具有这样的特征：步骤B-2中，多任务模型学习的综合损失函数如下：
Loss＝α*Lossloc+β*Losscls；
其中，α和β是权重。
另外，发明提供一种基于视觉的鸡雏公母智能鉴别***，包括光学成像模块和鸡雏公母鉴别模块；光学成像模块：采集若干个鸡雏***处的图像，构成鸡雏公母图像数据集；鸡雏公母鉴别模块：根据鸡雏公母图像数据集中每个图像标注鸡雏肝门位置标签；根据鸡雏公母图像数据集中每个图像标注鸡雏公母性别标签；采用CNN多层神经网络提取鸡雏公母图像数据集中每个图像的鸡雏公母的高维特征图；根据鸡雏公母的高维特征图和位置标签，采用回归网络输出***的位置信息；根据鸡雏公母的高维特征图、位置信息和性别标签，作为CNN多层神经网络分类模型的输入，建立基础鉴别网络模型；鸡雏公母鉴别模块：还根据基础鉴别网络模型进行多任务模型学习，获得针对N鸡种的N个鸡雏公母鉴别模型；光学成像模块采集待测鸡雏***处的图像并输入鸡雏公母鉴别模块中，鸡雏公母鉴别模块根据相应鸡种的鸡雏公母鉴别模型，判断输出公母结果。
进一步，发明提供一种基于视觉的鸡雏公母智能鉴别***，还可以具有这样的特征：光学成像模块包括相机、镜头、光源和支架；相机、镜头、光源固定在支架上；支架的位置可调节。
本发明提供一种基于视觉的鸡雏公母智能鉴别方法及***，提升了鸡雏公母鉴别的准确率，提升到98％左右；解决了由于人眼长时间工作导致准确率降低的问题，模型计算不会疲劳；与配套设备组合，鉴别速度比人工更快，能够达到每小时1400只，效率更高。
附图说明
图1是实施例中的光学成像模块的机构示意图。
图2是实施例中的鸡雏***位置的图像。
图3是实施例中基础鉴别网络模型的架构图。
图4是实施例中基于视觉的鸡雏公母智能鉴别的工作流程图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的描述。
实施例
本实施例中，基于视觉的鸡雏公母智能鉴别***，包括光学成像模块和鸡雏公母鉴别模块。光学成像模块获取采集若干个鸡雏***处的图像，构成鸡雏公母图像数据集。鸡雏公母鉴别模块根据鸡雏公母图像数据集基础鉴别网络模型，再根据基础鉴别网络模型进行多任务模型学习，获得针对N鸡种的N个鸡雏公母鉴别模型。光学成像模块采集待测鸡雏***处的图像并输入鸡雏公母鉴别模块中，鸡雏公母鉴别模块根据相应鸡种的鸡雏公母鉴别模型，判断输出公母结果。
如图1所示，本实施例中光学成像模块包括相机2、镜头3、光源4触发开关5和支架构成。支架包括固定座1a和旋转板1b；旋转板1b与固定座1a可旋转连接，通过紧固件调节位置以及固定位置。相机2、镜头3、光源4触发开关5按顺序自上而下固定在旋转板1b上。成像点位6位于光源4的正下方。
相机2采用高清工业相机；镜头3采用远心镜头，利用远心镜头的视差纠正特性，使得鸡雏***这种不在一个平面上的物体得以成像清晰；光源4采用高角度环型光源，使得光源更加集中与鸡雏***处，成像效果更加饱满，如图2所示。
基于视觉的鸡雏公母智能鉴别***的鉴别方法包括以下步骤：
步骤A、光学成像模块采集若干个鸡雏***处的图像，构成鸡雏公母图像数据集。
步骤B、鸡雏公母鉴别模块建立鸡雏公母鉴别模型，分为建立基础鉴别网络模型、多任务模型学习和损失函数三大步骤，具体如下：
步骤B-1、建立基础鉴别网络模型，如图3所示：
建立位置标签：鸡雏公母图像数据集中每个图像标注鸡雏肝门位置标签。
建立性别标签：鸡雏公母图像数据集中每个图像标注鸡雏公母性别标签。
特征提取：采用CNN多层神经网络提取鸡雏公母图像数据集中每个图像的鸡雏公母的高维特征图；该特征用于后续的定位及鉴别网络。
定位网络：根据鸡雏公母的高维特征图和位置标签，采用回归网络输出***的位置信息；该位置信息用于后续的鉴别网络。本实施例中位置信息为输出坐标(X、Y)以及半径构成一个圆形的选定区域。
鉴别网络：根据鸡雏公母的高维特征图、位置信息和性别标签，作为CNN多层神经网络分类模型的输入，建立基础鉴别网络模型。
步骤B-2、基础鉴别网络模型进行多任务模型学习，获得针对N鸡种的N个鸡雏公母鉴别模型。
由基础鉴别网络模型结构可以看出，采用的模型属于多任务输出模型，该模型采用的学习策略叫多任务学习(MTL:Multi-task learning)。此外，由于不同品种的鸡雏***特征有细微差异，针对这种情况，对不同的鸡种采用迁移学习的方法生成对应的模型，从而提高各个品种的识别率。步骤B-2的多任务模型学习包括以下步骤：
步骤B-2-1、将多个品种的鸡雏***数据合并为一整个数据集。
步骤B-2-2、在基础鉴别网络模型中使用特征提取网络加定位网络在整个数据集上面进行学习，保存模型。
步骤B-2-3、基于B-2-2保存的模型，固定定位网络参数，在整个数据集上训练特征提取网络和分类网络，保存模型。
步骤B-2-4、循环执行步骤B-2-2和步骤B-2-3复训练模型3次数，保存模型。
步骤B-2-5、基于B-2-4保存的模型采用多任务损失函数，在所有数据集上训练整个模型。
步骤B-2-6、将图像数据按照鸡的品种区分，针对每个品种，基于步骤B-2-5的模型，采用迁移学习，在对应的品种的数据集上继续训练，获得最终的针对N个鸡种鸡雏公母鉴别模型。
本实施例中，定位网络采用的损失函数是Smooth L1损失，公式如下：
Figure BDA0003008495890000081
其中，x为预测值，y为位置标签值，N为一次训练的图片数。
本实施例中，鉴别网络采用的损失函数是交叉熵损失，公式如下：
Figure BDA0003008495890000091
其中N为一次训练的图片数，C为类别，p为真实概率分布，q为预测概率分布。
本实施例中，多任务模型学习的综合损失函数如下：
Loss＝α*Lossloc+β*Losscls；
其中，α和β是权重。
步骤C、如图4所示，鸡雏公母的公母的鉴别流程为：
触发开关5触发采集信号，相机采集待测鸡雏***处的图像，并将采集到的图像进行图像欲处理，如增强处理等。处理后的图像输入相应鸡种的鸡雏公母鉴别模型中，鸡雏公母鉴别模型输出公母的判断该鸡雏的公母并输出结果。
以上所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。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前提下所获得的所有其它实施例，都属于本发明保护的范围。

Claims (8)

1.一种基于视觉的鸡雏公母智能鉴别方法，其特征在于：包括以下步骤：
步骤A、采集若干个鸡雏***处的图像，构成鸡雏公母图像数据集；
步骤B、建立鸡雏公母鉴别模型；
步骤B-1、建立基础鉴别网络模型；
建立位置标签：鸡雏公母图像数据集中每个图像标注鸡雏肝门位置标签；
建立性别标签：鸡雏公母图像数据集中每个图像标注鸡雏公母性别标签；
特征提取：采用CNN多层神经网络提取鸡雏公母图像数据集中每个图像的鸡雏公母的高维特征图；
定位网络：根据鸡雏公母的高维特征图和位置标签，采用回归网络输出***的位置信息；
鉴别网络：根据鸡雏公母的高维特征图、位置信息和性别标签，作为CNN多层神经网络分类模型的输入，建立基础鉴别网络模型；
步骤B-2、基础鉴别网络模型进行多任务模型学习，获得针对N鸡种的N个鸡雏公母鉴别模型；
步骤C、采集待测鸡雏***处的图像并输入相应鸡种的鸡雏公母鉴别模型，鸡雏公母鉴别模型输出公母的判断结果。
2.如权利要求1所述的基于视觉的鸡雏公母智能鉴别方法，其特征在于：位置信息为输出坐标(X、Y)以及半径。
3.如权利要求1所述的基于视觉的鸡雏公母智能鉴别方法，其特征在于：步骤B-2包括以下步骤：
步骤B-2-1、将多个品种的鸡雏***数据合并为一整个数据集；
步骤B-2-2、在基础鉴别网络模型中使用特征提取网络加定位网络在整个数据集上面进行学习，保存模型；
步骤B-2-3、基于B-2-2保存的模型，固定定位网络参数，在整个数据集上训练特征提取网络和分类网络，保存模型；
步骤B-2-4、循环执行步骤B-2-2和步骤B-2-3设定的次数，保存模型；
步骤B-2-5、基于B-2-4保存的模型采用多任务损失函数，在所有数据集上训练整个模型；
步骤B-2-6、将图像数据按照鸡的品种区分，针对每个品种，基于步骤B-2-5的模型，采用迁移学习，在对应的品种的数据集上继续训练，获得最终的针对N个鸡种鸡雏公母鉴别模型。
4.如权利要求1所述的基于视觉的鸡雏公母智能鉴别方法，其特征在于：
定位网络采用的损失函数是Smooth L1损失，公式如下：
Figure FDA0003008495880000031
其中，x为预测值，y为位置标签值，N为一次训练的图片数。
5.如权利要求4所述的基于视觉的鸡雏公母智能鉴别方法，其特征在于：
鉴别网络采用的损失函数是交叉熵损失，公式如下：
Figure FDA0003008495880000032
其中N为一次训练的图片数，C为类别，p为真实概率分布，q为预测概率分布。
6.如权利要求5所述的基于视觉的鸡雏公母智能鉴别方法，其特征在于：
步骤B-2中，多任务模型学习的综合损失函数如下：
Loss＝α*Lossloc+β*Losscls；
其中，α和β是权重。
7.一种基于视觉的鸡雏公母智能鉴别***，其特征在于：包括光学成像模块和鸡雏公母鉴别模块；
光学成像模块：采集若干个鸡雏***处的图像，构成鸡雏公母图像数据集；
鸡雏公母鉴别模块：根据鸡雏公母图像数据集中每个图像标注鸡雏肝门位置标签；根据鸡雏公母图像数据集中每个图像标注鸡雏公母性别标签；采用CNN多层神经网络提取鸡雏公母图像数据集中每个图像的鸡雏公母的高维特征图；根据鸡雏公母的高维特征图和位置标签，采用回归网络输出***的位置信息；根据鸡雏公母的高维特征图、位置信息和性别标签，作为CNN多层神经网络分类模型的输入，建立基础鉴别网络模型；
鸡雏公母鉴别模块：还根据基础鉴别网络模型进行多任务模型学习，获得针对N鸡种的N个鸡雏公母鉴别模型；
光学成像模块采集待测鸡雏***处的图像并输入鸡雏公母鉴别模块中，鸡雏公母鉴别模块根据相应鸡种的鸡雏公母鉴别模型，判断输出公母结果。
8.如权利要求7所述基于视觉的鸡雏公母智能鉴别***，其特征在于：光学成像模块包括相机、镜头、光源和支架；相机、镜头、光源固定在支架上；支架的位置可调节。
CN202110368970.7A 2021-04-06 2021-04-06 基于视觉的鸡雏公母智能鉴别方法及*** Pending CN113191201A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110368970.7A CN113191201A (zh) 2021-04-06 2021-04-06 基于视觉的鸡雏公母智能鉴别方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110368970.7A CN113191201A (zh) 2021-04-06 2021-04-06 基于视觉的鸡雏公母智能鉴别方法及***

Publications (1)

Publication Number Publication Date
CN113191201A true CN113191201A (zh) 2021-07-30

Family

ID=76975184

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110368970.7A Pending CN113191201A (zh) 2021-04-06 2021-04-06 基于视觉的鸡雏公母智能鉴别方法及***

Country Status (1)

Country Link
CN (1) CN113191201A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108090456A (zh) * 2017-12-27 2018-05-29 北京初速度科技有限公司 一种车道线识别方法及装置
CN108665065A (zh) * 2018-04-25 2018-10-16 清华大学 任务数据的处理方法、装置、设备和存储介质
WO2020114118A1 (zh) * 2018-12-07 2020-06-11 深圳光启空间技术有限公司 面部属性识别方法、装置、存储介质及处理器
CN111401257A (zh) * 2020-03-17 2020-07-10 天津理工大学 一种基于余弦损失非约束条件人脸识别方法
CN112052876A (zh) * 2020-08-04 2020-12-08 烽火通信科技股份有限公司 一种基于改进ra-cnn的细粒度图像检测方法与***
CN112541488A (zh) * 2019-09-20 2021-03-23 四川省畜牧科学研究院 一种用于雏禽翻肛鉴别雌雄的图像识别工作台及识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108090456A (zh) * 2017-12-27 2018-05-29 北京初速度科技有限公司 一种车道线识别方法及装置
CN108665065A (zh) * 2018-04-25 2018-10-16 清华大学 任务数据的处理方法、装置、设备和存储介质
WO2020114118A1 (zh) * 2018-12-07 2020-06-11 深圳光启空间技术有限公司 面部属性识别方法、装置、存储介质及处理器
CN112541488A (zh) * 2019-09-20 2021-03-23 四川省畜牧科学研究院 一种用于雏禽翻肛鉴别雌雄的图像识别工作台及识别方法
CN111401257A (zh) * 2020-03-17 2020-07-10 天津理工大学 一种基于余弦损失非约束条件人脸识别方法
CN112052876A (zh) * 2020-08-04 2020-12-08 烽火通信科技股份有限公司 一种基于改进ra-cnn的细粒度图像检测方法与***

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
JIFENG DAI等: "Instance-aware Semantic Segmentation via Multi-task Network Cascades", 《ARXIV》, 14 December 2015 (2015-12-14), pages 1 - 10 *
X. LI等: "Single-Channel Speech Separation Integrating Pitch Information Based on a Multi Task Learning Framework", 《 IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS, SPEECH AND SIGNAL PROCESSING (ICASSP)》, 8 May 2020 (2020-05-08), pages 7279 - 7283, XP033793126, DOI: 10.1109/ICASSP40776.2020.9053460 *
杨晶晶等: "基于CNN和图像深度特征的雏鸡性别自动鉴别方法", 《》, vol. 51, no. 6, 2 April 2020 (2020-04-02), pages 258 - 263 *
田曦初等: "基于InsightFace的改进教室人脸识别算法及其应用", 《激光与光电子学进展》, vol. 57, no. 22, 3 June 2020 (2020-06-03), pages 304 - 314 *

Similar Documents

Publication Publication Date Title
Lao et al. Automatic recognition of lactating sow behaviors through depth image processing
CN110200598A (zh) 一种大型养殖场体征异常禽类检测***及检测方法
WO2021104007A1 (zh) 一种动物状态监测方法、装置、电子设备及存储介质
CN112288793B (zh) 畜类个体背膘检测方法、装置、电子设备及存储介质
CN113221864A (zh) 多区域深度特征融合的病鸡视觉识别模型构建及应用方法
CN111198549A (zh) 一种基于大数据的家禽养殖监测管理***
CN114463701B (zh) 一种基于多源大数据动物养殖数据挖掘的监测预警***
CN106872467A (zh) 鸡胚成活性检测方法和装置
CN114155377A (zh) 基于人工智能和生长周期分析的禽类自适应喂食方法
Zhou et al. Detection of abnormal chicken droppings based on improved Faster R-CNN
CN113191201A (zh) 基于视觉的鸡雏公母智能鉴别方法及***
CN110532854B (zh) 一种生猪爬跨行为检测方法及***
Zu et al. Joint Feature Target Detection Algorithm of Beak State Based on YOLOv5
Gu et al. A two-stage recognition method based on deep learning for sheep behavior
Ronghua et al. Cow behavioral recognition using dynamic analysis
Abe et al. Comparison of nonlinear functions in male and female chickens at different seasons using restricted Maximum Likelihood Approach
CN113221704A (zh) 基于深度学习的动物姿态识别方法、***及存储介质
CN115019162A (zh) 一种基于深度学习的桑蚕检测方法
Zin et al. An intelligent method for detecting lameness in modern dairy industry
Yeşil et al. Recognition of Hereford and Simmental cattle breeds via computer vision.
Mingxia et al. Evaluation method of limping status of broilers based on dynamic multi-feature variables
CN112215107A (zh) 一种猪的行为识别方法及装置、电子设备和存储介质
Qi et al. Deep Learning Based Image Recognition In Animal Husbandry
Poonnoy et al. Deep convolutional neural networks with transfer learning for estimation of Nile Tilapia mass
Boonchuaychu et al. A skeleton reconstruction algorithm for identifying individual fish fry in a population image

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