[发明专利]一种弱差猪自动检测标记方法和系统在审
申请号: | 202110806700.X | 申请日: | 2021-07-16 |
公开(公告)号: | CN113537064A | 公开(公告)日: | 2021-10-22 |
发明(设计)人: | 张玉良;高杰临;陶江辉;彭佳勇;黄煜;王宏建;冯英豪 | 申请(专利权)人: | 河南牧原智能科技有限公司 |
主分类号: | G06K9/00 | 分类号: | G06K9/00;G06T7/00;G06N3/04;G06N3/08 |
代理公司: | 北京集佳知识产权代理有限公司 11227 | 代理人: | 豆贝贝 |
地址: | 473000 河南省南*** | 国省代码: | 河南;41 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 弱差猪 自动检测 标记 方法 系统 | ||
1.一种弱差猪自动检测标记方法,其特征在于,包括:
S1,对指定栏位的猪只进行拍照并获得猪只照片;
S2,对所述猪只图片通过图像质量判定模型进行质量筛选,获得质量合格照片;
S3,采用目标检测模型对所述质量合格照片进行弱差猪识别,并输出识别结果,所述识别结果包含目标的外接矩形框、弱差猪类别标签、可信度;
S4,根据对各类所述弱差猪的识别效果可信度设定的对应的阈值,对所述目标检测模型计算出的各类弱差猪识别结果进行筛选,并在剔除各类低于各自阈值的弱差猪识别结果后,将筛选后的识别结果中交并比大于一定阈值的识别结果进行合并,将两个弱差猪类别标签和两个可信度连接在一起,经过交并比操作后的识别结果为最终识别结果并输出。
2.如权利要求1所述弱差猪自动检测标记方法和系统,其特征在于,所述S1包括:
在人工模式下收到使用者通过交互设备发送的拍照信号或在自动化模式下摄像头到达指定时间点或位置点时,拍照设备对指定栏位的猪只进行拍照,并获得猪只照片。
3.如权利要求2所述弱差猪自动检测标记方法,其特征在于,所述S2包括:
所述图像质量判定模型为采用ResNet、EfficientNet、VGG中任意一种构建分类模型。
4.如权利要求3所述弱差猪自动检测标记方法,其特征在于,所述目标检测模型为采用SSD、YOLO系列、RCNN系列在内的任意一种构建的目标检测或实例分割模型。
5.如权利要求4所述弱差猪自动检测标记方法,其特征在于,在所述S4之后,还包括:
对检测出的所述弱差猪根据所述最终识别结果进行不同颜色的物理标记。
6.如权利要求5所述弱差猪自动检测标记方法,其特征在于,在所述S4之后,还包括:
获取所述最终识别结果对应所述弱差猪所在的栏位信息以及所述弱差猪对应的个体信息,匹配数据库中同一栏位或同一猪只的历史数据,并将当前所述最终识别结果与历史数据进行对比分析获得猪群健康状况趋势结果;
根据所述猪群健康状况趋势结果以及所述最终识别结果对应的弱差猪类型形成猪群管理建议输出。
7.如权利要求6所述弱差猪自动检测标记方法,其特征在于,在所述S4之后,还包括:
采用可视化设备显示所述弱差猪的物理标记、所述猪群健康趋势以及所述猪群管理建议。
8.一种弱差猪自动检测标记系统,其特征在于,包括:
感知模块,用于对指定栏位的猪只进行拍照并获得猪只照片;
计算模块,用于在接收所述猪只照片后对所述猪只图片进行质量筛选,获得质量合格照片,采用目标检测模型对所述质量合格照片进行弱差猪识别,并输出识别结果,所述识别结果包含目标的外接矩形框、弱差猪类别标签、可信度,根据对各类所述弱差猪的识别效果可信度设定的对应的阈值,对所述目标检测模型计算出的各类弱差猪识别结果进行筛选,并在剔除各类低于各自阈值的弱差猪识别结果后,将筛选后的识别结果中交并比大于一定阈值的识别结果进行合并,将两个弱差猪类别标签和两个可信度连接在一起,经过交并比操作后的识别结果为最终识别结果并输出。
9.如权利要求8所述弱差猪自动检测标记方法,其特征在于,还包括与所述计算模块连接的执行模块、分析模块以及可视化模块,所述执行模块采用标记工具依据所述最终识别结果对所述弱差猪进行不同颜色的物理标记,所述分析模用于分析所述最终识别结果,根据所述最终识别结果对应所述弱差猪所在的栏位信息以及所述弱差猪对应的个体信息,匹配数据库中同一栏位或同一猪只的历史数据,并将当前所述最终识别结果与历史数据进行对比分析获得猪群健康状况趋势结果,并根据所述猪群健康状况趋势结果以及所述最终识别结果对应的弱差猪类型形成猪群管理建议输出,所述可视化模块用于采用可视化设备显示所述弱差猪的物理标记、所述猪群健康趋势以及所述猪群管理建议。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于河南牧原智能科技有限公司,未经河南牧原智能科技有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202110806700.X/1.html,转载请声明来源钻瓜专利网。