CN115471502B - 基于计算机视觉的畜牧粪便快速检测方法 - Google Patents
基于计算机视觉的畜牧粪便快速检测方法 Download PDFInfo
- Publication number
- CN115471502B CN115471502B CN202211352598.1A CN202211352598A CN115471502B CN 115471502 B CN115471502 B CN 115471502B CN 202211352598 A CN202211352598 A CN 202211352598A CN 115471502 B CN115471502 B CN 115471502B
- Authority
- CN
- China
- Prior art keywords
- pixel
- pixel point
- abnormal
- video frame
- current moment
- 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
- 239000010871 livestock manure Substances 0.000 title claims abstract description 18
- 210000003608 fece Anatomy 0.000 title claims description 29
- 238000001514 detection method Methods 0.000 title claims description 14
- 241001465754 Metazoa Species 0.000 title claims description 12
- 230000002159 abnormal effect Effects 0.000 claims abstract description 162
- 230000008859 change Effects 0.000 claims abstract description 47
- 238000000034 method Methods 0.000 claims abstract description 47
- 238000009825 accumulation Methods 0.000 claims abstract description 38
- 230000029142 excretion Effects 0.000 claims description 64
- 241000282887 Suidae Species 0.000 claims description 30
- 238000012545 processing Methods 0.000 abstract description 5
- 241000282898 Sus scrofa Species 0.000 description 49
- 238000009826 distribution Methods 0.000 description 31
- 230000008569 process Effects 0.000 description 17
- 230000033001 locomotion Effects 0.000 description 14
- 210000002700 urine Anatomy 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000005286 illumination Methods 0.000 description 5
- 238000004140 cleaning Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 244000144972 livestock Species 0.000 description 4
- 239000003086 colorant Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000009395 breeding Methods 0.000 description 2
- 230000001488 breeding effect Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 1
- 241000894006 Bacteria Species 0.000 description 1
- 241000282994 Cervidae Species 0.000 description 1
- 206010010356 Congenital anomaly Diseases 0.000 description 1
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 241001233242 Lontra Species 0.000 description 1
- 241000772415 Neovison vison Species 0.000 description 1
- 241000286209 Phasianidae Species 0.000 description 1
- 241000282485 Vulpes vulpes Species 0.000 description 1
- 244000052616 bacterial pathogen Species 0.000 description 1
- 210000000601 blood cell Anatomy 0.000 description 1
- 210000000085 cashmere Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000013872 defecation Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 235000013601 eggs Nutrition 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002550 fecal effect Effects 0.000 description 1
- 244000144992 flock Species 0.000 description 1
- 238000011010 flushing procedure Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 229910000037 hydrogen sulfide Inorganic materials 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 244000000010 microbial pathogen Species 0.000 description 1
- 210000004080 milk Anatomy 0.000 description 1
- 239000008267 milk Substances 0.000 description 1
- 235000013336 milk Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 244000144977 poultry Species 0.000 description 1
- 238000004062 sedimentation Methods 0.000 description 1
- 230000036578 sleeping time Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 210000002268 wool Anatomy 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
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种基于计算机视觉的畜牧粪便快速检测方法,该方法包括:获取历史时刻无猪的视频帧图像,根据像素值的变化构建像素点的初始高斯模型,并获取当前时刻和当前时刻之前的历史时刻对应的视频帧图像;获取异常像素点,计算异常像素点的像素差异,构建异常像素点的像素差异函数,进而计算异常像素点的稳定程度;将稳定程度大于程度阈值的异常像素点在连续帧的图像上的稳定程度进行求解,得到综合累积程度;将综合累积程度大于初始累积程度的异常像素点的初始高斯模型进行更新,根据更新前后的高斯模型参数计算粪便量,进而判断是否需要清理。本发明提高了对猪的粪便识别的准确性。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于计算机视觉的畜牧粪便快速检测方法。
背景技术
畜牧,是指采用畜、禽等已经被我们人类人工饲养驯化的动物,或者鹿、狐、貂、水獭、鹌鹑等野生动物的生理机能,通过人工饲养、繁殖,使其将牧草和饲料等植物能转变为动物能,以取得肉、蛋、奶、羊毛、山羊绒、皮张、蚕丝和药材等畜产品的生产过程。猪是人工饲养的最常见的家畜,在养殖过程中,人们一般大多会建立猪舍对猪进行圈养。
然而在猪舍相对封闭的条件下,堆积的粪尿不仅会产生氨气、硫化氢等有害气体,还容易造成病菌和微生物的大量繁殖。生猪长期在这样的环境下生长,很容易感染疾病。因此需要经常对猪的粪便进行清洗,以保持猪舍内部环境的干净卫生。水冲清粪是大型养猪场较为常用的清粪方法,该方法利用水流将粪便冲到舍外,再经排粪沟排至沉淀池或化粪池。该方法设备简单,效率高,故障少,有利于场区卫生,易于控制疫病传染。但是基建投资大,粪便处理工程大,耗水量多。清洗频率较高会产生较高的生产成本,且容易导致猪感冒,而较低的清洗频率又容易滋生细菌,故何时对猪舍内的粪便进行清理就显得尤为重要。
现在常采集猪舍内***区域的图像,利用图像处理的手段对采集到的图像进行识别,获得猪的粪便量,进而判断是否需要对粪便进行清理。而现有的对猪粪便的识别过程是根据粪便颜色相对于***区域灰度差异较大的原理,使用阈值分割技术对粪便进行提取。但是可能会存在拍摄图像时猪正处于***状态,与粪便池发生遮挡,由于猪本身的花色较多,其颜色相对***区域差异也较大,且现有技术未考虑猪在***区域的运动产生的灰度异常,容易导致将猪错误的识别为粪便。此外由于自然光照的影响,粪便的灰度值并不是一个稳定值,存在一定的灰度波动,使得阈值分割并不好确定分割阈值,因此现有方法仍存在一定的局限性。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于计算机视觉的畜牧粪便快速检测方法,所采用的技术方案具体如下:
获取历史设定时间段内猪舍***区域中无猪的视频帧图像,根据图像中的像素点在各视频帧图像上对应位置像素值的变化构建像素点的初始高斯模型;获取当前时刻和当前时刻之前的历史时刻对应的视频帧图像;其中,所有视频帧图像中像素点的位置一一对应;
根据像素点在当前时刻的视频帧图像中的像素值与该像素点的初始高斯模型判断像素点是否异常,若异常将该像素点记为异常像素点;获取各异常像素点在当前时刻以及之前的历史时刻的视频帧图像上像素值的差异,得到异常像素点的像素差异;构建异常像素点的像素差异函数,根据像素差异和所述像素差异函数得到异常像素点在各时刻的稳定程度;
设置程度阈值,若当前时刻的异常像素点的稳定程度大于程度阈值时,计算异常像素点在当前时刻与之前的历史时刻的稳定程度之和,得到异常像素点的综合累积程度;
设置初始累积程度,若异常像素点的综合累积程度小于初始累积程度,则不对初始高斯模型进行更新;若大于初始累积程度,则对该异常像素点对应的初始高斯模型进行更新;根据初始高斯模型参数和更新后高斯模型参数据计算粪便量,根据粪便量和设定阈值判断当前时刻是否需要对粪便进行清理。
优选地,所述当前时刻之前的历史时刻包括上一时刻和上上一时刻,即当前时刻之前的历史时刻包括多个时刻。
优选地,所述根据像素点在当前时刻的视频帧图像中的像素值与该像素点的初始高斯模型判断像素点是否异常具体为:
对于一个像素点,获取该像素点的初始高斯模型对应的高斯参数,根据所述高斯参数确定该像素点的像素范围;若该像素点在当前时刻的视频帧图像中的像素值处于该像素范围内,则该像素点为正常的像素点;若该像素点在当前时刻的视频帧图像中的像素值不在该像素范围内,则该像素点为异常的像素点。
优选地,所述异常像素点的像素差异的获取方法具体为:
其中,表示第a个异常像素点的像素差异,/>表示第a个异常像素点在当前时刻的视频帧图像中的像素值,/>表示第a个异常像素点在当前时刻之前的上一历史时刻的视频帧图像中的像素值,/>表示第a个异常像素点在当前时刻之前的上上一历史时刻的视频帧图像中的像素值。
优选地,所述构建异常像素点的像素差异函数具体为:
优选地,所述稳定程度的获取方法具体为:
其中,表示第a个异常像素点在当前时刻的稳定程度,/>表示像素差异函数,/>表示第a个异常像素点在当前时刻的视频帧图像中的像素值,/>表示第a个异常像素点在当前时刻之前的上一历史时刻的视频帧图像中的像素值,e为自然常数。
优选地,所述根据初始高斯模型参数和更新后高斯模型参数据计算粪便量具体为:
其中,表示当前时刻猪舍***区域内的粪便量,/>和/>分别表示第a个异常像素点的初始高斯模型的均值和均方差,/>和/>分别表示第a个异常像素点更新后高斯模型的均值和均方差,N为所有对初始高斯模型进行更新的异常像素点的数量。
本发明实施例至少具有如下有益效果:
本发明根据猪的移动导致灰度变化差异大以及猪的***时间相对比较短的特点,根据连续帧图像上像素点灰度的稳定程度判断像素点的稳定程度,猪舍***区域中各个位置上的像素点灰度相对于无猪时该像素点的灰度分布之间的差异程度判断猪舍内的粪便量,避免了由猪与***区域颜色差异较大而错误的将猪识别为粪便的现象出现,提高了对猪的粪便识别的准确性。同时,通过对比单个像素点已有高斯分布的稳定程度相对于当前时刻像素点灰度值产生的稳定程度之间的相对大小,判断是否需要对该像素点的高斯分布进行更新,避免由猪在***时短时间停止运动造成对高斯分布的错误更新现象的出现,进一步提高检测识别的准确性,提高检测效率。并且通过获取历史时刻中猪舍的***区域内没有猪的图像,进行灰度变化的分析,考虑了自然光照的影响而存在的灰度波动,使得后续对猪舍的***区域内粪便的识别更加准确。
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和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅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它附图。
图1是本发明的一种基于计算机视觉的畜牧粪便快速检测方法的方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于计算机视觉的畜牧粪便快速检测方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于计算机视觉的畜牧粪便快速检测方法的具体方案。
实施例:
本发明所针对的主要场景为:利用相机在固定位置采集猪舍内部***区域图像,对图像进行处理,根据图像内的特征信息计算***区域内的粪便量,从而判断是否需要对猪舍内***区域的粪便进行清理。
本发明的主要目的是:利用机器视觉,通过对猪舍内部***区域图像进行实时监控,获取各个时刻的猪舍内部图像,通过分析一段检测时间内,养殖过程中猪舍***区域相对于无猪时***区域的灰度变化提取粪便区域,以评估当前时刻中猪舍***区域内的粪便量,从而判断是否需要进行粪便清理。
请参阅图1,其示出了本发明一个实施例提供的一种基于计算机视觉的畜牧粪便快速检测方法的步骤流程图,该方法包括以下步骤:
步骤一,获取历史设定时间段内猪舍***区域中无猪的视频帧图像,根据图像中的像素点在各视频帧图像上对应位置像素值的变化构建像素点的初始高斯模型;获取当前时刻和当前时刻之前的历史时刻对应的视频帧图像;其中,所有视频帧图像中像素点的位置一一对应。
首先,需要说明的是,猪其实是爱干净的动物,有的猪会把吃食区域和睡觉区域区分开来,而猪也有性格,有的爱干净,有的邋遢。由于猪的***行为主要表现在不在吃睡的地方排便,并且具有一定的区域性和时间性,而这些行为特点并不是人们调教的,而是它们继承下来的,是先天性的。而猪有一个特点,类似羊群效应,因此猪舍在建造过程中往往会利用爱干净的猪的***习性,在布局猪圈的时候,把猪的粪便清理在想要猪***的地方,然后保持猪睡觉的地方干燥,从而实现猪在指定位置进行***粪便。故在实际检测过程中只需要对猪舍中的***区域进行视频监控即可。
在良好的管理条件下,猪不会在吃睡的区域内***粪便,能够保持其睡卧的区域的干净整洁,能够在远离睡卧的区域的一个固定区域内进行***粪便。因此,猪舍内部通常被划分为躺卧区域、进食区域、饮水区域、***区域和活动区域等多个区域,以实现猪群的管理。
由于猪舍内存在光照变化,为了保证对粪便检测的准确性,本发明首先采集历史数据中一段设定时间段内猪舍中没有猪的图像,并对采集到的图像进行灰度化处理后得到各个时刻对应的视频帧图像。其中,对图像进行灰度化的方法为公知技术,在此不再详细介绍。
根据该设定时间段内连续的视频帧图像中对应像素点的像素值,利用EM算法对采集到的视频帧图像中各个像素点拟合单高斯模型,得到各个像素点的初始高斯模型。其中,第i个像素点初始高斯模型对应的参数为,/>和/>分别为第i个像素点的初始高斯模型所对应的均值和方差。且单高斯模型为像素点的灰度稳定分布模型。
同时,由于相机的位置固定,则采集到历史时刻中连续的视频帧图像中各像素点的位置均互相对应,即相同位置的像素点的像素坐标相等,故通过在每张视频帧图像上位置相同的像素点的像素值变化拟合单高斯模型。并且在选择历史时刻中的一段设定时间段内的图像时,应当选择与当前时刻较为相近的一段时间,而设定时间段的取值实施者可根据需求进行设置,但是应当保持在该设定时间段内猪舍的***区域内没有猪出现,且该设定时间段内猪舍的***区域内存在较少量的粪便,或者***区域较为干净不存在粪便。
然后,由于***区域中各个像素点建立的初始高斯模型允许像素点的灰度存在一定程度的波动,因此对光照细微变化存在一定的包容性。即历史时刻中的一段设定时间段内猪舍的***区域由于光照变化存在的像素点的像素值变化,进而能够获得像素点的初始高斯模型。
但是由于猪的粪便颜色呈黄褐色,成堆而松散,与***区域中的漏粪地板颜色差异较大,因此当图像中的一个像素点的像素值不能满足高斯分布,表示该像素点出现的像素值变化并不是由光照造成的,则该像素点不属于漏粪底板部分的像素点,可以将该像素点视为一个异常的像素点。
考虑到猪向***区域的移动也会造成***区域内部分像素点的像素值发生异常状况,因此异常的像素点不一定属于粪便部分的像素点,故还需要对异常的像素点进行筛选。由粪便造成的异常的像素点与猪移动造成的异常的像素点的区别在于,粪便不会自主移动,而猪***完成后会离开***区域,故在图像中,由粪便造成的异常的像素点会在连续多帧视频帧图像中均存在异常状况,即由粪便造成的异常的像素点的像素值在连续多帧视频帧图像中是相对稳定分布的。
而由于猪移动造成的异常的像素点,若猪正在移动过程中,则异常的像素点的像素值在连续的视频帧图像中的变化较大,若猪正静止在***区域进行***粪便时,则异常的像素点的像素值在连续的视频帧图像中不会发生变化或者变化较小,但是连续的时间相较于由于粪便造成的异常的像素点的像素值不会发生变化的时间较短。故需要对连续的视频帧图像上像素点的像素值变化情况进行分析。
其中,需要说明的是,猪的整个***过程可大致分为:进入到***区域的移动过程,停止移动开始***,***完成并离开***区域。
最后,采集当前时刻和当前时刻之前的历史时刻对应的图像,并对采集到的图像进行灰度化处理得到各个时刻的视频帧图像。其中,当前时刻之前的历史时刻包括但不限于上一时刻和上上一时刻。在本实施例中,以连续的三个时刻对应的三帧视频帧图像之间的像素差异情况进行说明,即获取当前时刻对应的视频帧图像和之前的连续的两个历史时刻对应的视频帧图像。同时,按照时间的先后顺序,将上上一时刻的视频帧图像记为第一时刻的视频帧图像,将上一时刻的视频帧图像记为第二时刻的视频帧图像。对连续多帧视频帧图像进行分析时,实施者可根据实际情况选择具体的图像帧数。
需要说明的是,在本实施例中涉及到的视频帧图像均为灰度图像。
步骤二,根据像素点在当前时刻的视频帧图像中的像素值与该像素点的初始高斯模型判断像素点是否异常,若异常将该像素点记为异常像素点;获取各异常像素点在当前时刻以及之前的历史时刻的视频帧图像上像素值的差异,得到异常像素点的像素差异;构建异常像素点的像素差异函数,根据像素差异和所述像素差异函数得到异常像素点在各时刻的稳定程度。
具体地,根据像素点在当前时刻的视频帧图像中的像素值,判断像素值是否满足该像素点的初始高斯模型。对于一个像素点,获取该像素点的初始高斯模型对应高斯参数,所述高斯参数为均值和方差,根据所述高斯参数确定该像素点的像素范围;若该像素点在当前时刻的视频帧图像中的像素值处于该像素范围内,则该像素点为正常的像素点;若该像素点在当前时刻的视频帧图像中的像素值不在该像素范围内,则该像素点为异常的像素点。
例如,对于第i个像素点,将第i个像素点的初始高斯模型记为,该初始高斯模型对应的高斯参数为/>,/>和/>分别为第i个像素点的初始高斯模型所对应的均值和方差,根据所述均值和方差确定第i个像素点的像素范围为/>。则当第i个像素点在当前时刻的视频帧图像上的像素值处于像素范围/>内时,认为第i个像素点为正常的像素点,即当前时刻***区域内相较于历史时刻在该像素点位置处并未发生变化,也就是说并未出现粪便,不需要对其进行后续的分析。否则认为第i个像素点为异常的像素点,需要对其进行一步判断第i个像素点异常的原因,即是由于粪便还是由于猪移动而产生的像素值异常。故可以按照相同的方法获取当前时刻的视频帧图像上所有像素点是否发生异常状况,并将所有出现异常的像素点记为异常像素点。
由于需要对连续的视频帧图像上对应像素点的像素值差异进行分析,则通过获取像素点在相邻视频帧图像中像素值的差值来获取相邻视频帧图像的像素值差异,为了能够清晰的表达像素值差异的变化情况,将相邻两帧视频帧图像中像素值的差值进行比较,得到对应像素点的像素差异。且像素值的差值变化越大,对应像素点的像素差异的取值就越大。
计算异常像素点的像素差异,用公式表示为:
其中,表示第a个异常像素点的像素差异,/>表示第a个异常像素点在当前时刻的视频帧图像中的像素值,/>表示第a个异常像素点在当前时刻之前的上一历史时刻的视频帧图像中的像素值,即表示第a个异常像素点在第二时刻的视频帧图像中的像素值,/>表示第a个异常像素点在当前时刻之前的上上一历史时刻的视频帧图像中的像素值,即表示第a个异常像素点在第一时刻的视频帧图像中的像素值。
表示第a个异常像素点在当前时刻和上一时刻的视频帧图像上的像素值差值,/>表示第a个异常像素点在上一时刻和上上一时刻的视频帧图像上的像素值差值,这两个差值反映了相邻帧视频帧图像上像素点的像素值的差异,该差异越小,异常像素点的像素差异的取值就越小,表示当前时刻异常像素点的像素值较为稳定。该差异越大,异常像素点的像素差异的取值就越大,表示当前时刻异常像素点的像素值较不稳定,即变化较大。
根据异常像素点的像素差异构建像素差异函数,其中像素差异表示异常像素点在当前时刻相对于上一时刻的像素值变化情况以及上一时刻相对于上上一时刻的像素值变化情况之间的比值,用以表示连续帧的视频帧图像之间的像素值稳定程度,故通过异常像素点的像素差异构建函数表达式,用该函数可以表示连续帧的视频帧图像之间像素值变化的差异情况,基于此,可以利用数学建模的方法拟合出像素差异函数,则像素差异函数用公式表示为:
其中,表示像素差异函数,/>表示第a个异常像素点的像素差异。像素差异函数/>的函数图像近似于高斯分布,当/>趋近于1时,/>越接近于1,当/>越远离1时,即/>越大于1或者越小于1时,/>越接近于0。
当连续帧的视频帧图像之间的像素值变化情况的差异较大时,可能是由于猪从进入***区域的移动状态到停止状态造成了像素值变化情况的差异发生较大的变化,或者是由于猪由停止状态到离开***区域的移动状态中造成了像素值变化情况的差异发生较大的变化,则此时异常像素点的像素差异x的取值越远离1,则对应的像素差异函数f(x)的取值越趋近于0,此时则表明该异常像素点在当前时刻的视频帧图像上的像素值并不是一个稳定的值,在对猪的粪便分布情况进行分析时该异常像素点的像素值参考程度较小。
当连续帧的视频帧图像之间的像素值变化情况的差异较小时或者基本没有差异,可能是由于猪的不断移动造成部分异常像素点的像素值持续发生较大的变化,例如,若猪处于不断移动的状态,获得的当前时刻以及上一时刻和上上一时刻这三个时刻的连续帧的图像,其中猪正处于不断移动的状态。则当前时刻和上一时刻的视频帧图像之间的像素值变化较大,上一时刻和上上一时刻的视频帧图像之间的像素值变化也较大,当这两个像素值变化的趋势相同时,则像素值变化情况的差异较小或者基本没有差异。则此时异常像素点的像素差异x的取值越趋近于1,则对应的像素差异函数f(x)的取值越趋近于1。
当连续帧的视频帧图像之间的像素值变化情况的差异较小时或者基本没有差异,也可能是由于存在粪便部分而形成稳定的像素值分布,使得连续帧的视频帧图像上像素点的像素值变化较小。例如,若***区域内存在粪便,由于粪便不会自行移动,认为连续的三个时刻的视频帧图像中均存在粪便,当前时刻和上一时刻的视频帧图像之间的像素值变化较小,上一时刻和上上一时刻的视频帧图像之间的像素值变化也较小,且整体变化趋势相同,则像素值的变化情况的差异较小或者基本没有差异。则此时异常像素点的像素差异x的取值越趋近于1,则对应的像素差异函数f(x)的取值越趋近于1。
为了分析连续帧的视频帧图像之间的像素值变化情况的差异较小或者基本没有差异的具体原因,结合当前时刻和上一时刻的视频帧图像之间的像素值差值的倒数对对应的像素差异函数进行修正,得到异常像素点在当前时刻的稳定程度。
当是由于猪的不断移动造成部分异常像素点的像素值持续发生较大的变化时,当前时刻和上一时刻的视频帧图像之间的像素值差值较大,说明当前时刻的稳定程度较低,其差值的倒数的取值较小,则各异常像素点在当前时刻的稳定程度的取值较小。
当是由于存在粪便部分而形成稳定的像素值分布时,当前时刻和上一时刻的视频帧图像之间的像素值差值较小,说明当前时刻的稳定程度较高,其差值的倒数的取值较大,则各异常像素点在当前时刻的稳定程度的取值较大。因此当前时刻和上一时刻的视频帧图像之间的像素值差值与像素点在当前时刻的稳定程度为负相关关系,但并非线性关系。
基于此,计算各异常像素点在当前时刻的稳定程度,用公式表示为:
其中,表示第a个异常像素点在当前时刻的稳定程度,/>表示像素差异函数,/>表示第a个异常像素点在当前时刻的视频帧图像中的像素值,/>表示第a个异常像素点在当前时刻之前的上一历史时刻的视频帧图像中的像素值,e为自然常数。
若异常像素点在当前时刻相对于上一时刻的像素值变化较小时,取值越小,/>取值越大,说明当前时刻该像素点的像素值存在累积现象,在连续帧的视频帧图像之间的像素值变化均较小,则对应的稳定程度的取值就越大,从而得到异常像素点的像素值稳定分布时的稳定程度。
按照上述相同的方法可以计算获得异常像素点在各时刻对应的稳定程度,而当获取的连续帧的视频帧图像中存在由正常到开始出现异常像素点的情况时,将开始出现异常像素点的视频帧图像对应的时刻记为初始时刻,对该时刻下的视频帧图像中的每个异常像素点设置一个稳定程度的取值,实施者可根据实际情况进行设置,例如,若在当前时刻之前的历史时刻中已经对猪舍中***区域清理过,则可将初始时刻的视频帧图像中的异常像素点的稳定程度的取值设置为0。
本发明根据连续帧图像中对应像素点的灰度差异变化情况评估当前时刻该点灰度值的稳定程度,从而根据像素点的稳定程度确定该点在高斯分布更新过程中的参考程度,避免了由于猪与***区域颜色差异较大而错误的将猪识别为粪便的现象出现,提高了对于粪便识别的准确性。
步骤三,设置程度阈值,若当前时刻的异常像素点的稳定程度大于程度阈值时,计算异常像素点在当前时刻与之前的历史时刻的稳定程度之和,得到异常像素点的综合累积程度。
需要说明的是,考虑到猪在***过程中也是不会发生移动的,上述步骤中是根据连续帧的视频帧图像之间的像素值变化判断异常像素点像素值的稳定程度,容易将由于猪在***过程中而停止运动产生的异常像素点,错误的认为是具有较为稳定的像素值的像素点,后续将根据异常像素点的稳定程度对该像素点的初始高斯模型进行更新。
但是由于猪每天的睡觉时间最高可以达到20个小时,故在对猪舍中***区域进行实时监控时,猪的***过程相对较短,在***过程对应的时间段内的视频帧图像上像素值的稳定程度较低,其中只有猪正在***时的极短的时间段内视频帧图像上像素值的稳定程度相对较高。而在其他时刻,猪舍的***区域内存在粪便的视频帧图像形成的像素值分布稳定程度更高,且时间较长。
因此,在后续判断***区域内是否存在稳定程度较高的部分,而对初始高斯模型进行更新时,需要结合已有的高斯分布模型对应的像素值的稳定程度以及当前时刻像素点产生的稳定程度的相对大小进行比较,判断是否需要对高斯分布模型进行更新。因此,首先需要判断异常像素点的稳定程度是否较为稳定,并对较为稳定的异常像素点的稳定程度进行累加。
具体地,设置程度阈值,在本实施例中程度阈值的取值为,该取值实施者可根据实际情况进行设置。若第a个异常像素点在当前时刻的稳定程度小于程度阈值时,即,则认为当前时刻的视频帧图像中第a个异常像素点的像素值变化较大,其稳定程度较低,则该像素点不是由于***区域内存在粪便而造成的像素点的像素值异常,故在当前时刻不需要对该像素点进行后续的分析。
其中,若当前时刻的视频帧图像中所有异常像素点的稳定程度均小于程度阈值时,则说明当前时刻中每个异常像素点的像素值变化均较大,稳定程度均较低,则在当前时刻***区域中不可能存在粪便,因此也不需要对***区域的粪便进行清理,则实施者可继续进行下一时刻的分析判断。
若第a个异常像素点在当前时刻的稳定程度大于程度阈值时,即,则认为当前时刻的视频帧图像中第a个异常像素点的像素值变化较小,其稳定程度较高,则该像素点是由于***区域内存在粪便而造成的像素点的像素值异常,故需要获取连续帧的视频帧图像中该像素点的稳定程度的累积值。具体地,对第a个异常像素点在当前时刻的稳定程度、在上一时刻的稳定程度和上上一时刻的稳定程度进行求和,得到第a个异常像素点在当前时刻的综合累积程度,记为/>。
步骤四,设置初始累积程度,若异常像素点的综合累积程度小于初始累积程度,则不对初始高斯模型进行更新;若大于初始累积程度,则对该异常像素点对应的初始高斯模型进行更新;根据初始高斯模型参数和更新后高斯模型参数据计算粪便量,根据粪便量和设定阈值判断当前时刻是否需要对粪便进行清理。
首先,设置初始累积程度,记为。实施者可根据具体的场景进行设置初始累积程度的取值,具体地,若在获取各像素点的初始高斯模型对应的设定时间段之前较短的时间内,已经对猪舍的***区域中的粪便进行清理,则在该设定时间段内猪舍的***区域中存在的粪便量很少或者几乎没有,则可将初始累积程度的取值设置为一个较小的值。若在获取各像素点的初始高斯模型对应的设定时间段内,猪舍的***区域中已经存在一部分粪便,但是并未达到需要清理的量,故可将初始累积程度的取值设置为一个较大的值。
然后,第a个异常像素点在当前时刻的综合累积程度小于初始累积程度时,即,则认为当前时刻该像素点的像素值变化产生的稳定程度低于已经存在的像素点的像素值变化的稳定程度,第a个异常像素点在当前时刻的视频帧图像上的像素值组成高斯分布模型的稳定程度较低,则在当前时刻不对其进行更新。
第a个异常像素点在当前时刻的综合累积程度大于初始累积程度时,即,则认为当前时刻该像素点的像素值变化产生的稳定程度高于已经存在的像素点的像素值变化的稳定程度,第a个异常像素点在当前时刻的视频帧图像上的像素值组成高斯分布模型的稳定程度较高,在当前时刻对其初始高斯模型进行更新。
具体地,获取第a个异常像素点的初始高斯模型的均值和方差,根据第a个异常像素点在当前时刻的视频帧图像中的像素值,利用高斯背景建模的方法对模型进行更新,该技术为公知技术,在此只做简单的说明,具体更新过程如下:
其中,和/>分别表示第a个异常像素点更新后的高斯分布模型的均值和方差,和/>分别表示第a个异常像素点的初始高斯模型的均值和方差,/>为一个常数,表示高斯模型更新过程的更新参数,实施者可根据实际情况进行设置,/>表示第a个异常像素点在当前时刻的视频帧图像中的像素值。
按照相同的方法对当前时刻的视频帧图像中所有综合累积程度满足要求的异常像素点的高斯分布模型进行更新。同时,当一个异常像素点的高斯分布模型在当前时刻更新完成之后,该异常像素点的稳定程度可能仍在增加,故在获取该像素点在下一时刻的综合累积时刻后,应当将下一时刻的综合累积程度与当前时刻的累积程度进行对比判断稳定程度是否发生变化。直到之后的某一时刻对应的稳定程度为0时,此时需要将该像素点对应的综合累积程度作为该像素点的初始累积程度,进行后续的判断。
需要说明的是,猪舍的***区域中某个位置上原本存在粪便,则在该位置上对应的图像中像素值存在较为稳定的现象,对应一个初始综合累积程度。但是在对猪舍的***区域进行监控时,猪移动到***区域进行***粪便,可能对该位置产生遮挡,而猪的***粪便的过程也存在像素值较为稳定的现象,对应在当前时刻产生了一个新的综合累积程度。此时需要进行比较判断,新产生的综合累积程度与原有的初始累积程度的相对大小,进而判断哪种情况下的像素值变化更加稳定,进而判断是否需要对该像素点的初始高斯模型进行更新,以避免由于猪的移动对粪便检测过程造成的干扰。
最后,由于粪便不会自行移动,因此当***区域中存在粪便后,粪便部分像素点的像素值逐渐变成了一个稳定的分布,而这个稳定的分布会与无猪时的稳定分布存在差异,此时只需要判断当前时刻,***区域的像素值分布与无猪时的像素值分布之间存在的差异即可判断当前猪舍内部***区域中的粪便量。
基于此,根据各异常像素点更新后的高斯模型与初始高斯模型对应的参数的差异程度评估异常像素点对应的差异程度,用该差异程度可以表示猪舍***区域内的粪便量,用公式表示为:
其中,表示当前时刻猪舍***区域内的粪便量,/>和/>分别表示第a个异常像素点的初始高斯模型的均值和均方差,/>和/>分别表示第a个异常像素点更新后高斯模型的均值和均方差,N为所有对初始高斯模型进行更新的异常像素点的数量。
对设定阈值的取值进行设置,当前时刻猪舍的***区域内的粪便量大于设定阈值时,则认为在当前时刻由于存在粪便而导致视频帧图像中像素值的变化较大,当前时刻猪舍的***区域中的粪便量过多,需要对其进行清理。当前时刻猪舍的***区域内的粪便量小于设定阈值时,则认为在当前时刻可能存在粪便,但存在的粪便量较少导致当前时刻的视频帧图像中像素值的变化较小,则认为当前时刻猪舍的***区域中的粪便量还未达到需要清理的程度,故不需要对其进行清理,继续对猪舍的***区域进行监控。
需要说明的是,按照上述方法对猪舍的***区域进行实时的监控,当需要对猪舍的***区域中粪便进行清理时,各异常像素点可能均为粪便部分的像素点,此时各个异常像素点的像素值分布情况则可认为是粪便部分的像素点的像素值分布,在后续对粪便的检测过程中,可根据粪便部分像素点的像素值分布,进行判断各个像素点的像素值是否满足该分布即可判断该像素点是否为粪便像素点,从而实现粪便的快速检测。进而在再根据像素值分布对应的高斯模型之间的差异对粪便量进行评估,从而判断是否需要进行粪便清理。根据猪的粪便颜色的相似性,最终得到猪的粪便颜色的高斯分布,使得在后续猪的粪便检测过程中只需要判断图像中各个像素点是否满足粪便的高斯分布,从而实现粪便的快速检测,提高了检测效率。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (4)
1.一种基于计算机视觉的畜牧粪便快速检测方法,其特征在于,该方法包括以下步骤:
获取历史设定时间段内猪舍***区域中无猪的视频帧图像,根据图像中的像素点在各视频帧图像上对应位置像素值的变化构建像素点的初始高斯模型;获取当前时刻和当前时刻之前的历史时刻对应的视频帧图像;其中,所有视频帧图像中像素点的位置一一对应;
根据像素点在当前时刻的视频帧图像中的像素值与该像素点的初始高斯模型判断像素点是否异常,若异常将该像素点记为异常像素点;获取各异常像素点在当前时刻以及之前的历史时刻的视频帧图像上像素值的差异,得到异常像素点的像素差异;构建异常像素点的像素差异函数,根据像素差异和所述像素差异函数得到异常像素点在各时刻的稳定程度;
设置程度阈值,若当前时刻的异常像素点的稳定程度大于程度阈值时,计算异常像素点在当前时刻与之前的历史时刻的稳定程度之和,得到异常像素点的综合累积程度;
设置初始累积程度,若异常像素点的综合累积程度小于初始累积程度,则不对初始高斯模型进行更新;若大于初始累积程度,则对该异常像素点对应的初始高斯模型进行更新;根据初始高斯模型参数和更新后高斯模型参数据计算粪便量,根据粪便量和设定阈值判断当前时刻是否需要对粪便进行清理;
所述构建异常像素点的像素差异函数具体为:
所述稳定程度的获取方法具体为:
其中,表示第a个异常像素点在当前时刻的稳定程度,表示像素差异函数,表示第a个异常像素点在当前时刻的视频帧图像中的像素值,表示第a个异常像素点在当前时刻之前的上一历史时刻的视频帧图像中的像素值,e为自然常数,表示第a个异常像素点的像素差异;
所述根据初始高斯模型参数和更新后高斯模型参数据计算粪便量具体为:
2.根据权利要求1所述的一种基于计算机视觉的畜牧粪便快速检测方法,其特征在于,所述当前时刻之前的历史时刻包括上一时刻和上上一时刻,即当前时刻之前的历史时刻包括多个时刻。
3.根据权利要求1所述的一种基于计算机视觉的畜牧粪便快速检测方法,其特征在于,所述根据像素点在当前时刻的视频帧图像中的像素值与该像素点的初始高斯模型判断像素点是否异常具体为:
对于一个像素点,获取该像素点的初始高斯模型对应的高斯参数,根据所述高斯参数确定该像素点的像素范围;若该像素点在当前时刻的视频帧图像中的像素值处于该像素范围内,则该像素点为正常的像素点;若该像素点在当前时刻的视频帧图像中的像素值不在该像素范围内,则该像素点为异常的像素点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211352598.1A CN115471502B (zh) | 2022-11-01 | 2022-11-01 | 基于计算机视觉的畜牧粪便快速检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211352598.1A CN115471502B (zh) | 2022-11-01 | 2022-11-01 | 基于计算机视觉的畜牧粪便快速检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115471502A CN115471502A (zh) | 2022-12-13 |
CN115471502B true CN115471502B (zh) | 2023-03-24 |
Family
ID=84337993
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211352598.1A Active CN115471502B (zh) | 2022-11-01 | 2022-11-01 | 基于计算机视觉的畜牧粪便快速检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115471502B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116095347B (zh) * | 2023-03-09 | 2023-07-11 | 中节能(临沂)环保能源有限公司 | 基于视频分析的建筑工程安全施工方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113554685A (zh) * | 2021-08-02 | 2021-10-26 | 中国人民解放军海军航空大学航空作战勤务学院 | 遥感卫星运动目标检测方法、装置、电子设备及存储介质 |
CN114820931A (zh) * | 2022-04-24 | 2022-07-29 | 江苏鼎集智能科技股份有限公司 | 基于虚拟现实的智慧城市cim可视化实时成像方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102024146B (zh) * | 2010-12-08 | 2012-11-07 | 江苏大学 | 猪舍监控视频中前景提取方法 |
JP6190750B2 (ja) * | 2013-04-16 | 2017-08-30 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカPanasonic Intellectual Property Corporation of America | ***物検知システム、***物検知方法、および、***物検知プログラム |
CN103983216B (zh) * | 2014-05-20 | 2016-09-28 | 中国科学院自动化研究所 | 基于机器视觉和场地防滑道的粪量检测方法 |
CN110233991A (zh) * | 2019-06-03 | 2019-09-13 | 上海眼控科技股份有限公司 | 一种用于视频监控中视频遮挡的检测方法及*** |
CN110232359B (zh) * | 2019-06-17 | 2021-10-01 | ***通信集团江苏有限公司 | 滞留物检测方法、装置、设备及计算机存储介质 |
CN110443830B (zh) * | 2019-08-14 | 2022-12-02 | 大连海事大学 | 一种基于混合高斯背景模型的降水云团检测方法 |
CN112544491A (zh) * | 2020-12-11 | 2021-03-26 | 北京享云智汇科技有限公司 | 一种识别圈养动物腹泻的方法及*** |
CN113344542B (zh) * | 2021-06-23 | 2022-03-18 | 广州弘广畜禽设备有限公司 | 一种清粪设备的数据处理*** |
CN114342910A (zh) * | 2022-01-04 | 2022-04-15 | 阳光电源股份有限公司 | 一种激光驱鸟方法及相关装置 |
CN114851194A (zh) * | 2022-04-26 | 2022-08-05 | 北京市商汤科技开发有限公司 | 清洁机器人的拾物方法、装置及其相关设备和存储介质 |
-
2022
- 2022-11-01 CN CN202211352598.1A patent/CN115471502B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113554685A (zh) * | 2021-08-02 | 2021-10-26 | 中国人民解放军海军航空大学航空作战勤务学院 | 遥感卫星运动目标检测方法、装置、电子设备及存储介质 |
CN114820931A (zh) * | 2022-04-24 | 2022-07-29 | 江苏鼎集智能科技股份有限公司 | 基于虚拟现实的智慧城市cim可视化实时成像方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115471502A (zh) | 2022-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zheng et al. | Automatic recognition of lactating sow postures from depth images by deep learning detector | |
Van Hertem et al. | Predicting broiler gait scores from activity monitoring and flock data | |
Kelly et al. | Behaviour of 3-week weaned pigs in Straw-Flow®, deep straw and flatdeck housing systems | |
Princz et al. | Behaviour of growing rabbits under various housing conditions | |
Poppe et al. | Validation of resilience indicators by estimating genetic correlations among daughter groups and with yield responses to a heat wave and disturbances at herd level | |
CN115471502B (zh) | 基于计算机视觉的畜牧粪便快速检测方法 | |
Garcia et al. | Lameness detection challenges in automated milking systems addressed with partial least squares discriminant analysis | |
Yang et al. | A deep learning method for monitoring spatial distribution of cage-free hens | |
Pereira et al. | Cluster index for estimating thermal poultry stress (gallus gallus domesticus) | |
CA3093190A1 (en) | System and method for determining animal behavioral phenotypes | |
CN112544491A (zh) | 一种识别圈养动物腹泻的方法及*** | |
De Vries et al. | Improving the time efficiency of identifying dairy herds with poorer welfare in a population | |
Boualit et al. | Environmentally mediated reproductive success predicts breeding dispersal decisions in an early successional amphibian | |
Jensen et al. | Predicting pen fouling in fattening pigs from pig position | |
Liu et al. | Separate weighing of male and female broiler breeders by electronic platform weigher using camera technologies | |
Berg et al. | Using welfare outcomes to control intensification: the Swedish Model. | |
Karadavut et al. | Comparison of growth curve models in Japanese quail raised in cages enriched with different colored lights | |
CN109359624B (zh) | 基于神经网络的蛋鸡采食行为的预测方法及预测装置 | |
Oliveira et al. | Evaluation of nesting behavior of individual laying hens in an enriched colony housing by using RFID technology | |
Exadaktylos et al. | Chapter Automatic Identification and Interpretation of Animal Sounds, Application to Livestock Production Optimisation | |
US20230404040A1 (en) | Animal husbandry system | |
Vaughan et al. | Urination and defecation by group-housed dairy calves | |
Dongre et al. | Applications of artificial neural networks for enhanced livestock productivity: A review | |
Ojukwu et al. | Development of a computer vision system to detect inactivity in group-housed pigs | |
CN115226644A (zh) | 一种猪只分群饲喂管理装置和*** |
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 |