Document
拖动滑块完成拼图
个人中心

预订订单
商城订单
发布专利 发布成果 人才入驻 发布商标 发布需求

请提出您的宝贵建议,有机会获取IP积分或其他奖励

投诉建议

在线咨询

联系我们

龙图腾公众号
专利交易 商标交易 积分商城 国际服务 IP管家助手 科技果 科技人才 会员权益 需求市场 关于龙图腾 更多
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 兰州大学侯扶江获国家专利权

兰州大学侯扶江获国家专利权

买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!

龙图腾网获悉兰州大学申请的专利一种基于机器视觉的家畜采食偏好监测方法及系统获国家发明授权专利权,本发明授权专利权由国家知识产权局授予,授权公告号为:CN121392970B

龙图腾网通过国家知识产权局官网在2026-05-05发布的发明授权授权公告中获悉:该发明授权的专利申请号/专利号为:202511715734.2,技术领域涉及:G06V40/20;该发明授权一种基于机器视觉的家畜采食偏好监测方法及系统是由侯扶江;赵苇康设计研发完成,并于2025-11-21向国家知识产权局提交的专利申请。

一种基于机器视觉的家畜采食偏好监测方法及系统在说明书摘要公布了:本发明提供了一种基于机器视觉的家畜采食偏好监测方法及系统,通过佩戴在家畜上的传感器和摄像头采集实时视频和位置信息,获取运动轨迹和采食动作序列,形成初步数据集;随后采用图像预处理去除噪声并增强对比度,确定清晰采食帧序列;利用卷积神经网络提取关键帧中的植物轮廓和纹理特征,分割潜在牧草区域;再通过颜色和形状信息与预设数据库匹配,确认具体牧草种类;最终运用随机森林分类器整合时间序列数据,计算采食频率和偏好指标,解决了数据采集不精准、牧草识别困难以及行为分析不全面的问题。本发明显著提升了畜牧业智能化水平,实现了精准饲养决策,优化了牧草资源利用并提高了家畜健康产出。

本发明授权一种基于机器视觉的家畜采食偏好监测方法及系统在权利要求书中公布了:1.一种基于机器视觉的家畜采食偏好监测方法,其特征在于,所述方法包括: 通过佩戴在家畜上的可穿戴传感器和摄像头设备采集实时视频数据和位置信息,获取家畜在草地环境中的运动轨迹和采食动作序列,得到初步行为数据集; 根据初步行为数据集,采用图像预处理技术去除噪声和增强对比度,获得采食帧序列; 采用卷积神经网络对采食帧序列的关键帧进行特征提取,针对关键帧中出现的植物轮廓和纹理特征,确定潜在牧草区域,获得分割后的图像区域; 获取分割后的图像区域内的颜色和形状信息,若颜色和形状信息与预设的牧草种类数据库匹配度高于阈值,则确认具体牧草种类,获得识别结果集; 根据识别结果集,采用随机森林分类器整合时间序列数据,确定家畜对不同牧草种类的采食频率和偏好模式,得到综合偏好指标; 采用卷积神经网络对采食帧序列的关键帧进行特征提取,针对关键帧中出现的植物轮廓和纹理特征,确定潜在牧草区域,获得分割后的图像区域的方法包括: 采用卷积神经网络对采食帧序列中的关键帧进行处理,针对每一帧图像提取植物轮廓信息和纹理信息,得到图像分类识别结果,具体过程包括: 将关键帧的图像数据输入CAMResNet18网络结构,首先经过一个卷积核为7×7、步距为2的卷积层conv1,再经过批归一化处理、激活函数以及一个3×3的最大池化层下采样,将输入图像变为特征图像; conv2~conv5添加了残差结构的卷积块,4个卷积模块进行浅层至深层的特征提取,每个卷积块包括两个残差单元,每个残差单元又包括两个卷积层,即通过堆叠3×3卷积来提取植物轮廓信息和纹理信息,每隔2个卷积层引入残差结构; 在第一个卷积层和最后一个卷积层后引入注意力单元; 经过残差连续卷积后输出的图像再经过数据归一化处理和全局自适应平滑池化,输入至展平层进行卷积,将多维数据一维化; 最后,将一维化的图像输入至全连接层,并通过softmax分类器输出分类识别结果; 注意力单元包括通道注意力模块和空间注意力模块; 通道注意力模块包括: McF=σMLPAF+MLPMF; F1′=McFF; 式中,Mc·为通道注意力权重函数,F为图像输入特征,A·为平均池化层函数,M·为最大池化层函数,MLP·为多层感知机函数,σ·为sigmoid函数,F1′为使用通道注意力模块得到的特征,表示逐像素相乘; 空间注意力模块包括: 可学习高斯核Gσ: Gσi,j=exp-i-c2+j-c22σ2; 式中,i,j为图像的像素位置,c为核中心,σ为标准差,随网络一起反向传播更新,exp·为自然指数函数; 平滑卷积: Asmooth=AGσ; 式中,Asmooth为平滑后的注意力图,A为网络输出的粗注意力图,表示带padding的二维卷积; min-max归一化: Anorm=Asmooth-minAmaxA-minA+ε; 式中,Anorm表示归一化后的注意力图,minA、maxA是平滑后的注意力图上全局最小、最大值;ε为常数,防止除0; 加权图像输入特征: F2′=FAnorm; 式中,F2′为使用空间注意力模块得到的特征; 最终通过加权融合的方式,获得注意力单元输出的图像特征F′: F′=aF1′+bF2′; 式中,a、b为权重系数。

如需购买、转让、实施、许可或投资类似专利技术,可联系本专利的申请人或专利权人兰州大学,其通讯地址为:730030 甘肃省兰州市城关区天水南路222号;或者联系龙图腾网官方客服,联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。