牛蹄病实时监测方法、装置、电子设备和可读存储介质

1.本发明属于人工智能技术领域，具体涉及一种牛蹄病实时监测方法、装置、电子设备和可读存储介质。


背景技术：

2.牛蹄病一直是困扰规模化牛场的三大主要问题之一，会直接影响着牛的寿命，为养殖场带来了巨大的经济损失，严重损害了牛养殖的效益。
3.在规模养殖中尤为明显，随着牧场规模的不断扩大，存栏量不断增加，而牛蹄病的发病过程又相对较慢，不及时发现和治疗已经对牛养殖带来严重影响。据统计数据显示牛场平均每头牛每年因牛罹患蹄病而损失960-1900元，如何高效、全面、及时的检测牛蹄病，已经成为管理者迫切需要解决的问题。
4.传统人工检测牛蹄病，在规模养殖中，由于养殖数量的原因，很难做到及时检测，并且检测结果受检测人员等因素影响，效率低下，错检漏检时常发生。
5.使用检测设备进行检测，需将牛逐只赶入检测设备中，需要耗费大量人工成本。同时检测时由于设备需要接触牛只，会造成牛的应激反应等，弊端明显。如果采用现有的一些牛行为识别判断跛行方法，往往对于跛行置信度高于90％时，能准确的确定牛是否跛行，但是当跛行置信度在50％-90％的区间时，误检率比较高，可能还需要人工再次判断，不能最大程度的减轻人工成本。


技术实现要素：

6.本发明所要解决的技术问题在于针对上述现有技术的不足，提供了一种牛蹄病实时监测方法、装置、电子设备和可读存储介质，该监测方法利用采集视频数据的同时采集牛的头部最高温度和腿部最高温度，利用牛腿与头温度比值计算补偿值，最后结合牛腿头温度比补偿值和牛的跛行置信度，判断牛是否患牛蹄病；即通过行为识别和体温等数据综合对牛是否罹患牛蹄病进行评判，提高了检测的准确度。
7.为解决上述技术问题，本发明采用的技术方案是：一种牛蹄病实时监测方法，其特征在于，该方法包括：
8.s1、采集牛的视频数据，同时采集在该视频数据采集时间段内牛的头部最高温度和腿部最高温度；
9.s2、将所述视频数据输入跛行检测模型中，得到牛的跛行置信度；
10.s3、根据采集的牛的腿部最高温度与牛的头部最高温度计算比值，称为牛腿头温度比值，再根据公式计算出牛腿头温度比补偿值，结合牛腿头温度比补偿值和牛的跛行置信度，判断牛是否患牛蹄病；
11.所述牛腿头温度比补偿值的计算公式为：
12.com_p＝log
limp_n
(c
mid
/tmp_c)
13.其中，com_p代表牛腿头温度比补偿值；limp_n代表牛的跛行置信度，tmp_c代表牛
腿头温度比值；c
mid
代表牛腿头温度比值的中位值，为常数，取值的范围为0.945到0.985之间。
14.优选地，结合牛腿头温度比补偿值和牛的跛行置信度，判断牛是否患牛蹄病，具体方法为：
15.当牛腿头温度比补偿值和牛的跛行置信度之和大于95.8％时，判读出牛患牛蹄病；
16.当牛腿头温度比补偿值和牛的跛行置信度之和小于45.9％时，判读出牛未患牛蹄病；
17.当牛腿头温度比补偿值和牛的跛行置信度之和处于45.9％～95.8％之间时，再次进行s1-s4的操作，直到判断出牛是患牛蹄病还是未患牛蹄病，结束该牛的监测，进行下一只牛的监测。
18.本发明还提供一种牛蹄病实时监测装置，包括：
19.采集单元，用于采集牛的视频数据，同时采集在该视频数据采集时间段内牛的头部最高温度和腿部最高温度；
20.牛行为识别模块，用于将所述视频数据输入跛行检测模型中，得到牛的跛行置信度；
21.牛蹄病识别模块，用于根据采集的牛的腿部最高温度与牛的头部最高温度计算比值，称为牛腿头温度比值，再根据公式计算出牛腿头温度比补偿值，结合牛腿头温度比补偿值和牛的跛行置信度，判断牛是否患牛蹄病；
22.所述牛腿头温度比补偿值的计算公式为：
23.com_p＝log
limp_n
(c
mid
/tmp_c)
24.其中，com_p代表牛腿头温度比补偿值；limp_n代表牛的跛行置信度，tmp_c代表牛腿头温度比值；c
mid
代表牛腿头温度比值的中位值，为常数，取值的范围为0.945到0.985之间。
25.优选地，所述牛蹄病识别模块还用于：
26.当牛腿头温度比补偿值和牛的跛行置信度之和大于95.8％时，判读出牛患牛蹄病；
27.当牛腿头温度比补偿值和牛的跛行置信度之和小于45.9％时，判读出牛未患牛蹄病；
28.当牛腿头温度比补偿值和牛的跛行置信度之和处于45.9％～95.8％之间时，再次进行s1-s4的操作，直到判断出牛是患牛蹄病还是未患牛蹄病，结束该牛的监测，进行下一只牛的监测。
29.优选地，所述采集单元包括可见光模块和热成像模块；所述可见光模块用于牛的可见光的视频数据采集；所述热成像模块用于牛的热成像视频流的采集，并识别出牛的头部和腿部，且采集到牛的头部和腿部的最高温度。
30.优选地，还包括调度模块，用于完成上一只牛的患牛蹄病的监测后，调度进行下一只牛的监测。
31.优选地，还包括预警模块，所述预警模块与牛蹄病识别模块连接，用于当牛蹄病识别模块监测到牛只患牛蹄病后进行预警。
32.优选地，还包括数据存储模块，用于存储采集的牛的视频数据，和存储同时采集在该视频数据采集时间段内牛的头部最高温度和腿部最高温度。
33.本发明还提供一种电子设备，其特征在于，所述电子设备包括：
34.至少一个处理器；以及，
35.与所述至少一个处理器通信连接的存储器；其中，
36.所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1-7中任一项所述的基于轨道摄像机器人的牛蹄病实时监测方法。
37.本发明还提供一种计算机可读存储介质，其存储有计算机指令，所述计算机指令被操作以执行所述基于轨道摄像机器人的牛蹄病实时监测方法。
38.本发明与现有技术相比具有以下优点：
39.1、本发明采集视频数据的同时采集牛的头部最高温度和腿部最高温度，利用采集牛的头部最高温度和腿部最高温度计算牛腿与头温度比值计算补偿值，用于补偿由牛视频数据输入跛行检测模型中得到牛的跛行置信度，该跛行置信度是现有技术中行为识别中获得牛蹄病置信度，现有技术中，跛行置信度高于90％时，能准确地确定牛是否跛行，但是当跛行置信度在50％-90％的区间时，误检率比较高，而且常常还需要人为再次判断。真是针对该技术难题，本发明用补偿值补偿跛行置信度，从而达到跛行置信度更加准确的目的。结合牛腿头温度比补偿值和牛的跛行置信度，判断牛是否患牛蹄病；即通过牛的行为识别和体温等数据综合对牛是否罹患牛蹄病进行评判，提高了牛的检测的准确度。
40.2、本发明在补偿值补偿跛行置信度对牛是否患牛蹄病进行判断，从而达到跛行置信度更加准确的目的，当补偿后，仍不能判断是否罹患蹄病时，需重复再次采集该牛的视频和腿和头部最高温度数据，再次判断，直到判断出该牛是患牛蹄病还是未患牛蹄病，结束该牛的监测，进行下一只牛的监测。
41.下面通过附图和实施例对本发明的技术方案作进一步的详细说明。
附图说明
42.图1为本发明实施例1公开的一种牛蹄病实时监测方法的流程示意图。
43.图2为本发明实施例2公开的一种牛蹄病实时监测装置的结构示意图。
44.图3为本发明实施例2轨道摄像机器人的结构示意图。
具体实施方式
45.实施例1
46.如图1所示，本发明实施例的一种牛蹄病实时监测方法，该方法包括：
47.s1、采集牛的视频数据，同时采集在该视频数据采集时间段内牛的头部最高温度和腿部最高温度；
48.进一步地，所述牛的视频数据为牛的可见光视频数据；牛的头部最高温度和腿部最高温度通过采集牛的热成像视频获得；
49.s2、将所述牛的视频数据输入跛行检测模型中，得到牛的跛行置信度；
50.进一步地，输入跛行检测模型中的牛的视频数据为牛的可见光视频数据；所述跛
行检测模型通过以下方法训练生成，该方法为：
51.采集了13个牛场，1928头罹患牛蹄病牛只，3649段牛只跛行视频。
52.将采集的视频数据按照每秒30帧进行拆解，拆解成图片，然后再将图片中的行为进行人工标注，形成标注文件，将标注文件处理后形成有效的输入文件。将输入文件，包括拆解后的图片，标注信息和类别等内容喂给slowfast深度训练模型，设置迭代次数为40万次，进行深度学习计算，计算完成后将会生成牛只跛行识别模型。
53.行为识别模型主要训练参数如下：
54.batch_size:16#批次
55.checkpoint_period:6#检测周期
56.auto_resume:true#是否自动恢复
57.num_frames:64#帧数量
58.sampling_rate:2#抽样率
59.ensemble_method:max#集合方法
60.reverse_input_channel:true#是否使用反向输入通道
61.fusion_conv_channel_ratio:2#融合信道比
62.fusion_kernel_sz:7#融合核数
63.depth:50#计算深度
64.s3、根据采集的牛的腿部最高温度与牛的头部最高温度计算比值，称为牛腿头温度比值，再根据公式计算出牛腿头温度比补偿值，结合牛腿头温度比补偿值和牛的跛行置信度，判断牛是否患牛蹄病；
65.所述牛腿头温度比补偿值的计算公式为：
66.com_p＝log
limp_n
(c
mid
/tmp_c)
67.其中，com_p代表牛腿头温度比补偿值；limp_n代表牛的跛行置信度，tmp_c代表牛腿头温度比值；c
mid
代表牛腿头温度比值中位值，该值为常数，会根据采样时实际室外温度进行微调，该值的范围为0.945到0.985之间。
68.本实施例中，监测的牛包含了犊牛、青年牛、成年牛。采集数据时保证所采采集牛只在相同的室温下进行。采集的可见光、热成像视频拍摄角度、拍摄时长都是相同的。采集的牛只没有除蹄病外的其他疾病。同时对热成像视频采集的牛只进行了牛头部和腿部的识别，并得到牛头部和腿部温度和腿部最高温度，对可见光视频数据对应牛只进行检测是否罹患蹄病。跛行检测模型识别结果以下简称为牛跛行置信度，牛腿部最高温度和牛头部最高温度比，以下简称牛腿头温度比。所述牛腿头温度比补偿值的计算公式是通过以下方法获得：
69.s1、采集小型牛场3个，养殖规模在800-1000头，一个牛场主要做肉牛养殖，主要品种为西门塔尔牛，以公牛为主。另两个牛场主要做奶牛养殖，主要品种为荷斯坦奶牛，以母牛为主。共计采集可见光视频以及热成像视频数据487条。
70.s2、采集中型牛场5个，养殖规模在2000-3000头，两个牛场主要做肉牛养殖，主要品种为西门塔尔牛、鲁西黄牛，以公牛为主。三个牛场主要做奶牛养殖，主要品种为荷斯坦奶牛，以母牛为主。共计采集可见光视频以及热成像视频数据1053条。
71.s3、采集大型牛场2个，养殖规模在8000-10000头，两个牛场主要做奶牛养殖，主要
品种为荷斯坦奶牛，以母牛为主。共计采集可见光视频以及热成像视频数据2109条。
72.根据样本采集和检测结果，统计得出以下数据：
[0073][0074]
从统计数据可以看出，跛行置信度和牛腿头温度比值正相关，当跛行置信度高时，牛腿头温度比值也相应升高。根据牛腿头温度比值以及牛蹄病的实际统计计算，提出了所述牛腿头温度比补偿值的计算公式。
[0075]
进一步地，结合牛腿头温度比补偿值和牛的跛行置信度，判断牛是否患牛蹄病，具体方法为：
[0076]
当牛腿头温度比补偿值和牛的跛行置信度之和大于95.8％时，判读出牛患牛蹄病；
[0077]
当牛腿头温度比补偿值和牛的跛行置信度之和小于45.9％时，判读出牛未患牛蹄病；
[0078]
当牛腿头温度比补偿值和牛的跛行置信度之和处于45.9％～95.8％之间时，再次进行s1-s4的操作，直到判断出牛是患牛蹄病还是未患牛蹄病，结束该牛的监测，进行下一只牛的监测。
[0079]
实施例2
[0080]
如图2所示，本发明实施例还提供一种牛蹄病实时监测装置，包括：
[0081]
采集单元101，用于采集牛的视频数据，同时采集在该视频数据采集时间段内牛的头部最高温度和腿部最高温度；
[0082]
牛行为识别模块102，所述牛行为识别模块与采集单元连接，用于将所述视频数据输入跛行检测模型中，得到牛的跛行置信度；
[0083]
牛蹄病识别模块103，所述牛蹄病识别模块与采集单元和牛行为识别模块连接，用
于根据采集的牛的腿部最高温度与牛的头部最高温度计算比值，称为牛腿头温度比值，再根据公式计算出牛腿头温度比补偿值，结合牛腿头温度比补偿值和牛的跛行置信度，判断牛是否患牛蹄病；
[0084]
所述牛腿头温度比补偿值的计算公式为：
[0085]
com_p＝log
limp_n
(c
mid
/tmp_c)
[0086]
其中，com_p代表牛腿头温度比补偿值；limp_n代表牛的跛行置信度，tmp_c代表牛腿头温度比值；c
mid
代表牛腿头温度比值中位值，为常数，该值会根据实际室外温度进行微调，该值的范围为0.945到0.985之间。
[0087]
本实施例中，所述牛蹄病识别模块还用于：
[0088]
当牛腿头温度比补偿值和牛的跛行置信度之和大于95.8％时，判读出牛患牛蹄病；
[0089]
当牛腿头温度比补偿值和牛的跛行置信度之和小于45.9％时，判读出牛未患牛蹄病；
[0090]
当牛腿头温度比补偿值和牛的跛行置信度之和处于45.9％～95.8％之间时，再次进行s1-s4的操作，直到判断出牛是患牛蹄病还是未患牛蹄病，结束该牛的监测，进行下一只牛的监测。
[0091]
本实施例中，所述采集单元包括可见光模块5和热成像模块6，所述可见光模块5用于牛的可见光的视频数据采集；所述热成像模块6用于牛的热成像视频流的采集，并识别出牛的头部和腿部，且采集到牛的头部和腿部的最高温度。
[0092]
进一步地，识别牛的头部的具体过程为：采集的牛的可见光和热成像视频，使用fastrcnn算法识别牛头部轮廓，并将识别的结果和热成像视频数据融合，得到牛头轮廓所对应的温度数值，使用牛体温范围过滤异常数据后，取最高温度进行记录。在视频中根据视频时长取10个采样点分别进行计算，最后将计算的结果取平均值即为头部最高温。
[0093]
进一步地，识别牛腿部的具体过程为所述腿部最高温检测模块，采集的牛的可见光和热成像视频，使用fastrcnn算法识别牛腿部轮廓，并将识别的结果和热成像视频数据融合，得到牛腿轮廓所对应的温度数值，使用牛体温范围过滤异常数据后，取最高温度进行记录。在视频中根据视频时长取10个采样点分别进行计算，最后将计算的结果取平均值即为腿部最高温。
[0094]
本实施例中，所述可见光模块采用3.5-98mm焦距，f1.35-f3.7光圈数的镜头，能够输出1080p分辨率，能够保存数据为yuyv格式。所述热成像模块采用温度分辨率为100～150mk的镜头，图像捕捉频率为30hz。
[0095]
如图3所示，本实施例中，所述可见光模块5和热成像模块6安装在轨道摄像机器人主体上，所述轨道摄像机器人主体包括轨道1、可移动支架2和轨道机器人设备3，以及轨道摄像机器人控制模块4，所述轨道机器人设备3通过可移动支架2安装在轨道1上，所述可见光模块5和热成像模块6安装在所述轨道机器人设备3上，所述轨道摄像机器人控制模块4与轨道机器人设备3电连接，用于实现控制轨道机器人设备3的移动控制；所述轨道摄像机器人主体安装到距离检测牛2.5m-3m的位置，轨道1和被检测牛的角度呈30度，以保证可见光模块5和热成像模块6能够全面的采集牛的全身数据。
[0096]
本实施例中，还包括预警模块104，所述预警模块104与牛蹄病识别模块103连接，
用于当牛蹄病识别模块监测到牛只患牛蹄病后向预警模块发送信息，预警模块对该牛进行预警，比如通知相关工作人员对该牛进行健康情况处置。
[0097]
本实施例中，还包括调度模块105，所述调度模块105与牛蹄病识别模块103连接，用于完成上一只牛的患牛蹄病的监测后，调度进行下一只牛的监测。进一步地，当确定上一只牛患牛蹄病或者未缓牛蹄病之后，调度模块给轨道摄像机器人控制模块4发出指令，控制轨道机器人设备3移动，则可见光模块5和热成像模块6移动到对下一只牛数据的采集位置，进行牛蹄病监测。
[0098]
本实施例中，还包括数据存储模块106，所述数据存储模块106与采集单元101连接，用于存储采集的牛的视频数据，和存储同时采集在该视频数据采集时间段内牛的头部最高温度和腿部最高温度。具体地，所述数据存储模块106通过网络数据传输的方式与可见光模块5和热成像模块6连接，网络数据传输的方式为采用能够支持4g网络\5g网络和以太网方式接入互联网，上行支持tcp、mqtt、iot协议的网络传输模式。
[0099]
采用本发明实施例1中的检测方法和实施例2中监测装置在实际检测中，根据实际罹患牛蹄病和采样检测结果进行统计，得出以下数据：
[0100]
识别率＝识别成功数量/识别数量
[0101]
漏检率＝(采样中真正患病数量
–
识别成功数量)/采样中真正患病数量
[0102]
采集设备：2套；
[0103]
数据采集时间段：0-24时；
[0104]
数据采集时长：累计采集15天；
[0105]
数据采集样本数量：奶牛：1415头；
[0106]
视频数据时长：713小时；
[0107]
累计识别数量：308头；
[0108]
累计识别成功数量：297头；
[0109]
累计识别率：96.43％；
[0110]
采样中真正患病数量：315头；
[0111]
漏检率：5.71％
[0112]
累计识别率超过95％，达到了96.43％，达到预期，漏检率为5.71％，远高于人工进行检测。因本实施例中的方法可以长期采集，没有人力成本，完全可以不间断对所有牛进行多次采集，将多次采集的数据进行综合判断，将会极大的提高累计识别率和降低漏检率。
[0113]
实施例3
[0114]
本实施例提供一种电子设备，所述电子设备包括：
[0115]
至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行实施例1所述的牛蹄病实时监测方法。
[0116]
实施例4
[0117]
本实施例提供一种计算机可读存储介质，其存储有计算机指令，所述计算机指令被操作以执行实施例1所述的牛蹄病实时监测方法。
[0118]
以上所述，仅是本发明的较佳实施例，并非对本发明作任何限制。凡是根据发明技术实质对以上实施例所作的任何简单修改、变更以及等效变化，均仍属于本发明技术方案
的保护范围内。