经由图像分割的饲喂槽体积估计制造技术

本发明专利技术公开了用于分割动物饲喂槽的实施方案。在一些实施方案中，饲喂槽被分割成包括可达动物饲料的区段和包括不可达动物饲料的其他区段。在一些实施方案中，经由通过LIDAR传感器或无源光学传感器捕获的饲喂槽的成像数据生成对区段中的每个区段中的饲料的体积估计。在一些情况下，体积估计触发警报，从而指示饲料短缺或需要上推操作以将饲料从不可达区段移动到可达区段。饲喂事件的划分以及对剩余饲料的体积估计提供了对拒绝体积的确定，该拒绝体积在确定动物食欲方面是有用的。绝体积在确定动物食欲方面是有用的。绝体积在确定动物食欲方面是有用的。

【技术实现步骤摘要】
【国外来华专利技术】经由图像分割的饲喂槽体积估计
[0001]相关申请的交叉引用
[0002]本申请要求2021年2月10日提交的美国临时申请63/147,902号的权益，该临时申请全文以引用方式并入本文。

技术介绍

[0003]畜牧业是一个竞争激烈的行业。市场需要动物产品以非常有竞争力的成本并且在严格的健康和安全法规下递送。确保递送有竞争力的动物产品的一个方面是密切管理动物的饲喂。这不仅包括提供给动物的食物的类型，而且还包括饲料递送的量和时间。适当饲喂动物对于建立适当的体重和营养是至关重要的。通常经由使用饲喂槽来饲喂动物，该饲喂槽根据需要为动物食用的饲料提供储存位置。因此，需要改善管理动物饲喂槽的方法。
附图说明
[0004]图1示出了饲喂槽的示例性分割。
[0005]图2示出了实施所公开的实施方案中的一个或多个实施方案的系统的示例性部署。
[0006]图3是在所公开的实施方案中的一个或多个实施方案中实施的系统的概览图。
[0007]图4是示出示例性饲料可用性度量的表格。
[0008]图5是由所公开的实施方案中的一个或多个实施方案生成的示例性报告。
[0009]图6是由所公开的实施方案中的一个或多个实施方案实施的示例性报告。
[0010]图7是在所公开的实施方案中的一个或多个实施方案中实施的示例性报告。
[0011]图8是在所公开的实施方案中的一个或多个实施方案中生成的示例性报告。
[0012]图9是根据本公开的一些示例的示例性机器学习模块。
[0013]图10是示出所公开的实施方案中的一个或多个实施方案中的数据流的图。
[0014]图11示出了用于机器学习模型的示例性训练数据流。
[0015]图12是示例性机器学习模型数据流。
[0016]图13是确定饲喂槽的多个区段中的饲料的体积和/或重量的示例性方法的流程图。
[0017]图14示出了示例性机器的框图，在该机器上可执行本文所述的技术(例如，方法)中的任一者或多者。
具体实施方式
[0018]如上所述，动物饲喂的正确管理对于向市场递送有竞争力的动物产品是重要的。动物的饲喂有时经由使用饲喂槽来完成，该饲喂槽是用于由多个动物使用的饲料的常见存储区域。相对常见的是，在重新填充饲料之前，饲喂槽的至少一部分中的食物被动物吃光。例如，饲喂槽的容易达到的部分中的食物被首先吃光，而饲喂槽的更难以达到的部分容纳食物更长的时间段。在一些环境中，饲喂槽靠近水槽的区域中的食物也被首先吃光。饲料在
饲喂槽内的这种不均匀分布可妨碍动物的饲喂，因为可用于向动物提供饲料的总面积较小。在具有相对大量动物的围栏中，一些动物可能被迫等待进食，直到其他动物自愿远离饲喂槽的包括饲料的部分。使动物饲喂进一步复杂化的是，一些动物相对于其进食的区域有领地意识，并且在“它们的”区域中的饲料供应耗尽之后可能不会移动到饲喂槽的容纳饲料的不同区域。
[0019]共享饲喂槽具有附加的问题。例如，当动物食用饲料时，它们可能趋于将一些食物推离饲喂区域(例如用它们的鼻子或嘴)。这种推离过程导致饲料的一些部分变得对动物而言不可达。农民习惯于将饲喂槽内的饲料推回到动物可达到的位置中。然而，这种手动过程不一定如所需要的那样频繁地发生，从而导致至少一些食物由于其不可达而在饲喂槽中腐坏。
[0020]因此，在饲料的获取和/或分配不均匀的环境中，即使在槽中提供的饲料的总量可能是理想的量，但是在该槽内的食物的不均匀分配和消耗可导致动物的次优饲喂。一些动物可能无法获得足够的食物，这部分地是由于与其他动物竞争饲喂槽容纳食物的部分处的空间。食物摄入不足的动物通常具有较低的体重和/或产奶量(例如奶牛)。由于食物供应不足，动物还可能经历更严重的不良健康后果。
[0021]所公开的实施方案认识到现有的解决方案不能充分地管理由多个动物使用的饲喂槽的饲料供应。此外，现有解决方案不呈现关于饲料可用性的可操作信息，也不呈现指示可达与不可达饲料可用性的信息。
[0022]所公开的实施方案还认识到，拒绝在饲喂槽管理方面起重要作用。拒绝是指动物不吃的饲料的量。所公开的实施方案中的一些实施方案从递送到每个饲喂槽的食物量中减去这些量，从而确定动物的饲料摄入量。摄入量是相对重要的度量，因为其指示了动物所消耗的食物的量。摄入量用于确定效率和收益性的性能度量。摄入量也是估计未来饲喂量的基础。例如，为了确定提供给动物的饲料量，在先前时间段期间的摄入量是高度相关的。现有的解决方案依赖于拒绝的手动记录，这是耗时、昂贵且易出错的过程。当依赖于拒绝的手动记录时，许多生产者不称量拒绝的重量以获得准确的测量结果，而是基于视觉分析来估计该量。这导致可能非常不准确的估计，从而导致不准确的摄入值。这种不准确性导致饲喂槽管理效率的降低。另外，拒绝的这些手动估计不一定能区分自愿不食用的食物与因为其不可达而未被食用的“拒绝”部分。这在拒绝和摄入量估计中引入了进一步的不准确性，从而进一步削弱了饲喂槽管理的有效性。
[0023]所公开的实施方案总体涉及一种饲喂槽图像分析方法，其提供对饲料可用性度量的确定以识别饲喂程序中的缺陷。这些能力包括识别饲喂槽的通常被动物大量使用的区域的能力，并且因此应当相比于饲喂槽的其他不太受欢迎的区域储存更大量的食物。一些实施方案识别一天中需要较多次数或较大频率的食物上推操作的时间，以减少不可达食物的量并维持饲喂槽中的饲料供应。当检测到饲喂槽中的某些状况时，所公开的实施方案中的一些实施方案生成警报。例如，一些实施方案生成指示饲料应当在饲喂槽内重新分配的警报，例如，作为该槽的一些部分中的食物耗尽而其他部分有大量饲料剩余的结果。
[0024]一些实施方案分析饲喂槽图像以在任何剩余食物被移除之前不久确定可达和不可达的饲料量。该自动化过程比先前的手动过程更准确且耗时更少，该先前的手动过程包括在每个饲喂槽或动物围栏内对任何拒绝量进行称重。不可达饲料量的自动确定还进一步
改善了拒绝量的准确性。拒绝量的增加的准确性提高了摄入量确定的准确性。因此，所公开的实施方案提供了对动物食欲的更准确的确定，这在现有方法中是不可获得的。
[0025]图1示出了饲喂槽的示例性分割。图像100示出了已经被划分为六个区段的饲喂槽。标记为区段102a、区段102b和区段102c的第一组区段位于动物进入区域104附近。标记为区段106a、区段106b和区段106c的第二组区段进一步远离动物进入区域104。区段102a
‑
102c和区段106a
‑
106c中的每一者由区段边界限定。区段边界的一部分在图1中标记。例如，区段102a由边界108a、边界108b、边界108c和边界108d限定。区段106a由边界110a、边界110b、边界110c和边界110d限定。由于图1所示的区段本质上是大致矩形的，所以特定区段的一些边界彼此平行，而特定区段的其他边界彼此垂直。图1中所示的区段以行的形式布置。例如，区段102a
‑
102本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种方法，所述方法包括：建立饲喂槽的区段边界，所述区段边界包围所述饲喂槽的区域的一部分并且限定至少两个封闭区段；经由成像传感器获得表示所述饲喂槽的成像数据；基于所述成像数据并使用至少一个处理器电路：确定所述至少两个封闭区段中的相应封闭区段内的饲料的相应体积；确定所确定的相应体积是否满足对应的标准；以及基于所确定的体积中的至少一个体积是否满足所述对应的标准来生成到另一设备的输出信号。2.根据权利要求1所述的方法，其中建立所述区段边界包括限定封闭区段的相应行，所述行沿所述饲喂槽纵向延伸且基本上彼此平行。3.根据权利要求2所述的方法，其中所述相应行中的第一行中的相应封闭区段对应于所述相应行中的第二行中的相应封闭区段。4.根据权利要求1所述的方法，其中所述成像传感器是光检测和测距(LIDAR)传感器，所述成像数据是第一LIDAR点云，并且所述相应体积的确定基于所述第一LIDAR点云。5.根据权利要求4所述的方法，所述方法还包括：将所述第一LIDAR点云提供给机器学习模型；以及使用所述机器学习模型建立第一行封闭区段与第二行封闭区段之间的边界的位置。6.根据权利要求5所述的方法，所述方法还包括从所述机器学习模型获得所述第一行封闭区段的第二边界和所述第二行封闭区段的第三边界，其中确定饲料的所述相应体积包括：基于所述第一边界和所述第二边界确定所述第一行封闭区段中的饲料体积；以及基于所述第一边界和所述第三边界确定所述第二行封闭区段中的所述饲料体积。7.根据权利要求4所述的方法，其中确定所述相应体积确定了参考LIDAR点云与所述第一LIDAR点云之间的差异。8.根据权利要求1所述的方法，其中所述成像传感器是无源光学成像传感器，并且所述方法还包括将所述成像数据提供给机器学习模型，以及从所述机器学习模型接收标记数据，所述标记数据表示对相应封闭区段内的饲料的相应体积的估计。9.根据权利要求1所述的方法，所述方法还包括将所述成像数据提供给机器学习模型，以及从所述机器学习模型接收所述饲喂槽是否包括不可达饲料区域的指示，其中建立所述相应区段边界包括限定对应于不可达饲料区域的至少一个相应封闭区段。10.根据权利要求1所述的方法，所述方法还包括：使得在显示器上显示所述饲喂槽的图像；以及接收限定所述区段边界的输入，其中对相应封闭区段内的饲料的所述相应体积的确定基于所接收的输入。11.根据权利要求1所述的方法，所述方法还包括接收限定相应区段边界的至少一个维度的输入。12.根据权利要求1所述的方法，所述方法还包括基于第一封闭区段中的满足标准的确定饲料体积来确定饲料短缺状况，所述第一封闭区段由第一行封闭区段边界中的所述区段
边界限定，其中所述输出信号由所确定的饲料短缺状况触发。13.根据权利要求12所述的方法，所述方法还包括基于由另一行封闭区段中的所述区段边界限定的另一个封闭区段中的第二确定饲料体积来确定所述饲料短缺状况是由于不可达饲料。14.根据权利要求1所述的方法，其中所述区段边界限定第一行封闭区段和第二行封闭区段。15.根据权利要求14所述的方法，所述方法还包括：检测饲喂事件；以及基于所述第一行中的相应封闭区段中的剩余饲料的所确定的相应体积来确定所述第一行中的所述相应封闭区段的拒绝体积，其中所述输出信号的生成基于所确定的拒绝体积。16.根据权利要求15所述的方法，其中所述饲喂事件的检测基于一天中的时间。17.根据权利要求15所述的方法，所述方法还包括捕获所述饲喂槽的图像，其中所述饲喂事件的检测基于所述图像。18.根据权利要求14所述的方法，所述方法还包括：基于所述第二行区段中的相应封闭区段中的饲料的所确定的相应体积，确定所述第二行区段中的每个区段的不可达拒绝体积，其中所述输出信号的生成基于所确定的不可达拒绝体积。19.根据权利要求18所述的方法，所述方法还包括通过对所述第一行和所述第二行的对应封闭区段中的拒绝体积和不可达拒绝体积求和来确定测量的拒绝，其中所述输出信号的生成基于所确定的测量的拒绝体积。20.根据权利要求2所述的方法，所述方法还包括：接收来自传感器的输入；以及基于所述输入确定饲料的密度。21.根据权利要求20所述的方法，其中所述传感器包括秤。22.根据权利要求20所述的方法，其中所述传感器包括水分传感器。23.根据权利要求20所述的方法，所述方法还包括基于所确定的体积和所述饲料的密度来确定饲料重量，其中所述输出信号的生成基于所确定的饲料重量。24.根据权利要求1所述的方法，所述方法还包括基于所述输出信号生成警报。25.根据权利要求1所述的方法，所述方法还包括基于所述输出信号控制机械化喂料机的操作。26.根据权利要求25所述的方法，其中所述控制操作包括触发所述机械化喂料机以分配饲料。27.根据权利要求25所述的方法，其中所述控制操作包括建立待在由所述区段边界限定的相应封闭区段内分配的饲料量。28.根据权利要求25所述的方法，其中所述控制操作包括触发将饲料从不可达封闭区段上推到可达封闭区段。29.一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质包括指令，所述指令在被执行时将硬件处理电路系统配置为执行操作，所述操作包括：
建立饲喂槽的区段边界，所述区段边界包围所述饲喂槽的区域的一部分并且限定至少两个封闭区段；经由成像传感器获得表示所述饲喂槽的成像数据；基于所述成像数据并使用至少一个处理器电路：确定所述至少两个封闭区段中的相应封闭区段内的饲料的相应体积；确定所确定的相应体积是否满足对应的标准；以及基于所确定的体积中的至少一个体积是否满足所述对应的标准来生成到另一设备的输出信号。30.根据权利要求29所述的非暂态计算机可读存储介质，其中建立所述区段边界包括限定封闭区段的相应行，所述行沿所述饲喂槽纵向延伸且基本上彼此平行。31.根据权利要求30所述的非暂态计算机可读存储介质，其中所述相应行中的第一行中的相应封闭区段对应于所述相应行中的第二行中的相应封闭区段。32.根据权利要求29所述的非暂态计算机可读存储介质，其中所述成像传感器是光检测和测距(LIDAR)传感器，所述成像数据是第一LIDAR点云，并且所述相应体积的确定基于所述第一LIDAR点云。33.根据权利要求32所述的非暂态计算机可读存储介质，所述操作还包括：将所述第一LIDAR点云提供给机器学习模型；以及使用所述机器学习模型建立第一行封闭区段与第二行封闭区段之间的边界的位置。34.根据权利要求33所述的非暂态计算机可读存储介质，所述操作还包括从所述机器学习模型获得所述第一行封闭区段的第二边界和所述第二行封闭区段的第三边界，其中确定饲料的所述相应体积包括：基于所述第一边界和所述第二边界确定所述第一行封闭区段中的饲料体积；以及基于所述第一边界和所述第三边界确定所述第二行封闭区段中的所述饲料体积。35.根据权利要求32所述的非暂态计算机可读存储介质，其中确定所述相应体积确定了参考LIDAR点云与所述第一LIDAR点云之间的差异。36.根据权利要求29所述的非暂态计算机可读存储介质，其中所述成像传感器是无源光学成像传感器，并且所述操作还包括将所述成像数据提供给机器学习模型，以及从所述机器学习模型接收标记数据，所述标记数据表示对相应封闭区段内的饲料的相应体积的估计。37.根据权利要求29所述的非暂态计算机可读存储介质，所述操作还包括将所述成像数据提供给机器学习模型，以及从所述机器学习模型接收所述饲喂槽是否包括不可达饲料区域的指示，其中建立所述相应区段边界包括限定对应于不可达饲料区域的至少一个相应封闭区段。38.根据权利要求29所述的非暂态计算机可读存储介质，所述操作还包括：使得在显示器上显示所述饲喂槽的图像；以及接收限定所述区段边界的输入，其中对相应封闭区段内的饲料的所述相应体积的确定基于所接收的输入。39.根据权利要求29所述的非暂态计算机可读存储介质，所述操作还包括接收限定相应区段边界的至少一个维度的输入。
40.根据权利要求29所述的非暂态计算机可读存储介质，所述操作还包括基于第一封闭区段中的满足标准的确定饲料体...

【专利技术属性】
技术研发人员：N，
申请(专利权)人：CAN科技公司，
类型：发明
国别省市：