一种精准检测动物个体健康的方法及系统与存储介质技术方案

本发明专利技术公开了一种精准检测动物个体健康的方法及系统与计算机可读存储介质，该方法包括以下步骤：获取待检测动物的初始图像；检测并为每一只动物分配一个动物ID；跟踪并计算每一只动物的运动量；分别计算单位时长中每个栏位内全部动物的总运动量；当一个栏位内全部动物的总运动量低于预设的总运动量阈值时，找出该栏位内运动量异常的动物；对病死动物进行识别分析。本发明专利技术通过使用人工智能中深度学习算法检测动物的运动量，提高了检测效率和检测的准确度，降低了动物健康状况的判错率，精准地检测出动物的健康程度，为尽快发现病死动物、防止疫情在动物种群中蔓延提供基础数据依据。本发明专利技术降低了牲畜饲养的生产成本，实现了牲畜饲养过程的自动化。饲养过程的自动化。饲养过程的自动化。

【技术实现步骤摘要】
一种精准检测动物个体健康的方法及系统与存储介质


[0001]本专利技术涉及牲畜养殖监控
，具体涉及一种精准检测动物个体健康的方法及系统与计算机可读存储介质。

技术介绍

[0002]在大规模的养殖中，饲养的牲畜圈养在一个个的栏舍内，处于防病防疫考虑，需要实时监控牲畜的健康状况。以猪群为例，需要随时监控并判断猪群的健康程度，以及是否有猪只个体死亡。采取传统人工巡查的方式，很难及时发现猪只的健康异常状况。
[0003]现有技术中，采用耳标标识猪只个体，并直接判断猪只个体的健康状况，但是耳标贵且易坏，同时，实际数据传输效果不佳。
[0004]现有的人工智能算法，可以通过学习病猪、死猪的样本去鉴别个体猪只的健康情况，但精准度有待提升，而且无法鉴别猪群整体的健康程度。

技术实现思路

[0005]本专利技术的目的是提出一种通过计算机视觉方法精准检测动物个体健康的方法及系统与计算机可读存储介质。
[0006]为达到上述目的，本专利技术提出了一种精准检测动物个体健康的方法，所述方法包括以下步骤：获取待检测动物的初始图像；检测出每一只动物并为每一只动物分配一个动物ID；跟踪每一只动物的运动轨迹并计算每一只动物的运动量；分别计算单位时长中每个栏位内全部动物的总运动量；判断每个栏位内全部动物的总运动量是否低于预设的总运动量阈值；当一个栏位内全部动物的总运动量低于预设的总运动量阈值时，找出该栏位内运动量异常的动物。
[0007]进一步，所述检测出每一只动物并为每一只动物分配一个动物ID的步骤包括：利用深度学习的目标检测模型检测出每一只动物；为每一只动物分配一个动物ID。
[0008]进一步，所述动物ID在一个时间段内唯一地标识一只动物，其中，所述时间段为该动物不被遮挡的时长。
[0009]进一步，所述跟踪每一只动物的运动轨迹并计算每一只动物的运动量的步骤包括：利用深度学习的目标跟踪模型跟踪每一只动物；计算每一只动物的运动量。
[0010]进一步，所述总运动量阈值的设置方法采用以下两种方法中的一种：方法一，取相同的单位时长内，各个栏位内全部动物的总运动量的平均值为总运
动量阈值；方法二，取连续多个单位时长内，各个栏位内全部动物的总运动量在一个单位时长内的平均值为总运动量阈值；其中，每一个栏位内的动物数目相同。
[0011]进一步，所述找出该栏位内运动量异常的动物的步骤包括：计算栏位内每一只动物的运动量；将每一只动物的运动量与预设的单只动物运动量阈值比较，并判断每一只动物的运动量是否存在异常；当一只动物的运动量明显低于单只动物运动量阈值时，判定该动物为病死动物。
[0012]进一步，所述单只动物运动量阈值的设置方法包括以下步骤：取历史数据中相同的时间段内，各个动物的运动量的平均值为单只动物运动量阈值。
[0013]进一步，所述当一个栏位内全部动物的总运动量低于预设的总运动量阈值时，找出该栏位内运动量异常的动物的步骤之后，所述方法还包括：对病死动物进行识别；其中包括：依据一只动物的运动量与单只动物运动量阈值的比值，判断该动物的健康状况及健康程度。
[0014]以及，一种动物个体健康检测系统，所述系统包括：图像获取单元，用于获取待测动物的初始图像；第一计算单元，用于通过目标检测模型检测出每一只动物并为每一只动物分配一个动物ID；第二计算单元，用于通过目标跟踪模型跟踪每一只动物的运动轨迹并计算每一只动物的运动量；数据分析处理单元，用于分析并比较各栏位中动物的总运动量数据，判断各个栏位中全部动物的总运动量是否存在异常；第三计算单元，用于识别总运动量异常的栏位中的病死动物。
[0015]以及，一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行实现如上所述的精准检测动物个体健康的方法。
[0016]上述精准检测动物个体健康的方法及系统与计算机可读存储介质中，通过计算机视觉的方法，计算栏位内的全部动物的总运动量，以判别整栏动物的健康程度。首先判断整栏动物是否存在异常，当判定一个栏位内的动物存在异常时，再对该栏位内的单只动物进行个体判断。比较单只动物的运动量，判断该栏位内的单只动物的健康状况。本专利技术通过使用人工智能中深度学习算法检测动物的运动量，提高了检测效率和检测的准确度，降低了动物健康状况的判错率，通过深度学习的目标检测模型和目标跟踪算法模型，更加精准地计算动物的运动量，并通过分析栏位内全部动物的总运动量和单只动物的运动量，更加精准地检测出动物的健康程度，为尽快发现病死动物，防止疫情在动物种群中蔓延提供基础数据依据。本专利技术降低了牲畜饲养的生产成本，实现了牲畜饲养过程的自动化。本专利技术的方法简单，易于实现，成本低廉，便于推广。
附图说明
[0017]图1是本专利技术实施例的精准检测动物个体健康的方法的流程图；图2是本专利技术实施例的一个栏位内饲养动物的初始图像的示意图；图3是本专利技术实施例的动物个体健康检测系统的结构示意图。
具体实施方式
[0018]本实施例以基于深度学习的计算机视觉的精准检测动物个体健康的方法及系统为例，以下将结合具体实施例和附图对本专利技术进行详细说明。
[0019]本专利技术实施例提供的一种精准检测动物个体健康的方法，请参阅图1，包括如下步骤：步骤S10，获取待检测动物的初始图像；具体地，请参阅图2，为了更好地实现对栏位内的动物的监控，需在栏位上方安装高清摄像机，以便拍摄栏位内的全部动物的运动轨迹，摄像机的安装位置应保证其能够拍摄到栏位内的全部，以免拍摄时遗漏动物，或者，动物被其他物体或者动物遮挡，影响提取的数据的完整性和准确性。
[0020]即步骤S10包括：通过高清摄像机采集待检测动物的图像信息。
[0021]步骤S20，检测出每一只动物并为每一只动物分配一个动物ID；具体地，采用圈养方式饲养牲畜时，每一个栏位内都饲养有多只动物，因此需要监控每一只动物的健康状况。
[0022]首先对目标检测模型进行学习训练，以获得较准确的识别效果。本实施例的目标检测模型包括Faster R
‑
CNN、Yolo（You Only Look Once）、SSD（Single Shot MultiBox Defender）等，其原理大致为：获取大量具有目标物体的训练图像，再将所述训练图像输入到目标检测模型，通过目标检测模型提取目标物体的图像特征，并对目标物体及其图像特征进行分类；最后对目标检测模型学习训练效果进行评估，这里选择目标检测模型的loss值进行判断，不同的目标检测模型对与loss值有不同，一般在0.4以下，loss 值越小，目标图像检测的精度越高。
[0023]以Yolo v3目标检测模型为例，YOLO采用一步算法实现目标检测，是一种端到端的目标检测模型。YOLO算法的基本思想是：直接将原始图片分割成互不重合的小方块，卷积后形成特征图，特征图的每个元素对应原始图片中的一个小方块，然后用每个元素预测那些中心点在该小方格内的目标，即通过特征提取网络对输入特征提取特征，得到本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种精准检测动物个体健康的方法，其特征在于，所述方法包括以下步骤：获取待检测动物的初始图像；检测出每一只动物并为每一只动物分配一个动物ID；跟踪每一只动物的运动轨迹并计算每一只动物的运动量；分别计算单位时长中每个栏位内全部动物的总运动量；判断每个栏位内全部动物的总运动量是否低于预设的总运动量阈值；当一个栏位内全部动物的总运动量低于预设的总运动量阈值时，找出该栏位内运动量异常的动物。2.如权利要求1所述的精准检测动物个体健康的方法，其特征在于，所述检测出每一只动物并为每一只动物分配一个动物ID的步骤包括：利用深度学习的目标检测模型检测出每一只动物；为每一只动物分配一个动物ID。3.如权利要求2所述的精准检测动物个体健康的方法，其特征在于，所述动物ID在一个时间段内唯一地标识一只动物，其中，所述时间段为该动物不被遮挡的时长。4.如权利要求1所述的精准检测动物个体健康的方法，其特征在于，所述跟踪每一只动物的运动轨迹并计算每一只动物的运动量的步骤包括：利用深度学习的目标跟踪模型跟踪每一只动物；计算每一只动物的运动量。5.如权利要求1所述的精准检测动物个体健康的方法，其特征在于，所述总运动量阈值的设置方法采用以下两种方法中的一种：方法一，取相同的单位时长内，各个栏位内全部动物的总运动量的平均值为总运动量阈值；方法二，取连续多个单位时长内，各个栏位内全部动物的总运动量在一个单位时长内的平均值为总运动量阈值；其中，每一个栏位内的动物数目相同。6.如权利要求1所述的精准检测动物个体健康的方法，其特征在于，所...

【专利技术属性】
技术研发人员：柯海滨，刘云明，胡娜，
申请(专利权)人：深圳喜为智慧科技有限公司，
类型：发明
国别省市：