Способ создания видеоматериалов для машинного анализа для построения шарнирных моделей животных крупного рогатого скота Российский патент 2023 года по МПК G06T1/40 G06V10/82 G06V40/10 

Изобретение относится к области обработки изображений и оптическому распознаванию символов. Изобретение относится к способам подготовки набора видеороликов для машинного анализа и может быть использовано при подготовке видеороликов и фотографий, предназначенных для построения шарнирных моделей животных КРС.

Известна методика подбора фотографий - Способ индивидуальной идентификации особей (RU 2520035 С1, 20.06.2014), в котором фотографируют особи и по полученным снимкам составляют банк данных.

Недостатком известной методики является невозможность создания подробной базы данных для идентификации животных по морде.

Известна методика подготовки наборов фотографий для машинного анализа для персональной идентификации животных по морде. Известная методика подготовки наборов фотографий для машинного анализа для персональной идентификации животных по морде осуществляет фотографирование животных крупным планом: полностью морду и частично шею, при этом морды животных размещают в фокусе, съемку проводят в разных ракурсах - основные ракурсы: анфас, слева, справа. С каждого животного осуществляют не менее 30 фото, разделяя между всеми фотоаппаратами, смартфонами и ракурсами; снимают циклом: сначала фото всех животных одним фотоаппаратом, затем - другим; изображения формируют при хорошем освещении, с правильной цветопередачей; экспозицию настраивают по телу (морде) животного, фотографирование осуществляют с приоритетом выдержки не менее 1/125 с. В качестве экспозамера и фокусировки используют центральный, одноточечный замер; для каждого животного для всех фото фиксируют его табельный номер и кличку; полученные фото в цифровом формате в машиночитаемом виде сохраняют на носителе данных (RU 2754095 С1, 26.08.2021).

Недостатком известного метода является то, что использование видео материалов, в отличие от фотографий в патенте №2754095, позволяет исследователю получить больше информации об объекте съемки и уменьшить вероятность использования кадров со смазами, плохими ракурсами и прочих отклонений от целевых характеристик. А при съемке собак надо учитывать, что они очень подвижные, поэтому такой подход позволяет в целом повысить качество собранных данных, т.к. не требует получения идеальных фотокадров (в отличие от патента №2754095), а позволяет выбрать на втором этапе разметки нужные кадры в хорошем качестве и нужном ракурсе.

Технологии обработки видеоданных в автоматическом режиме глубокими нейронными сетями на настоящее время являются лидером по качеству и устойчивости функционирования среди подобных алгоритмов машинного зрения. Но разработка нейросетевых алгоритмов подразумевает применение соответствующих наборов данных для обучения и тестирования сетей. Данная методика как раз и содержит методические рекомендации, направленные на формирование соответствующих датасетов.

Машинный анализ при помощи глубоких нейронных сетей видеороликов с проходом животных позволяет формировать шарнирную модель для конкретной особи на снимаемых объектах. Следовательно, применение технологий автоматического машинного анализа видеоданных и формирование шарнирных моделей для конкретных особей животных позволяет создать базу для интеллектуализации деятельности соответствующих хозяйств, зоотехников, ветеринаров и т.п., снизить уровень ошибок из-за недостаточной квалификации специалистов, поднять технологическую культуру персонала, и, как следствие, увеличить производительность труда.

Технической задачей изобретения является создание способа подготовки наборов видеороликов, позволяющего посредством машинного анализа формировать шарнирные модели животных КРС.

Технический результат - создание компактных и эффективных датасетов, позволяющих ускорить обучение нейронных сетей, увеличить обобщающую способность и устойчивость функционирования нейронных сетей, возможность построения шарнирных моделей животных КРС, своевременное устранение заболеваний, минимизация ошибок и упрощение процесса формирования требуемых наборов данных для нейросетевых алгоритмов.

Технический результат достигается тем, что способ создания видеоматериалов для машинного анализа для построения шарнирных моделей животных крупного рогатого скота осуществляет видеосъемку животных при их проходе по коридору с 2-х видеокамер синхронно, съемку проводят в разных ракурсах: корпус в профиль (справа или слева), корпус сбоку, при этом съемку каждого животного осуществляют продолжительностью не менее 3 сек., видеоролики формируют при хорошем освещении, с правильной цветопередачей, экспозицию настраивают по корпусу животного, съемку осуществляют с приоритетом выдержки не более 1/125 с., причем в качестве экспозамера и фокусировки используют центральный, одноточечный замер, а полученные видеоролики в цифровом формате в машиночитаемом виде сохраняют на носителе данных.

Предложенный способ подготовки наборов видеороликов осуществляется в соответствии с методикой, которая составлена в достаточно подробном виде и направлена на минимизацию ошибок и упрощение процесса формирования требуемых наборов данных.

1. Для съемки видео необходимо выбрать место, где животные проходят не менее 5 метров по одному, при этом видеокамеры должны быть установлены в таких точках, с которых хорошо просматриваются спина, голова и копыта животного на всем протяжении прохода.

2. Во время съемки видеокамеры должны быть зафиксированы.

3. Спина и копыта коров должны быть в фокусе, с проработкой деталей (правильная экспозиция).

4. Съемка требуется в разных ракурсах:

a. Корпус в профиль (справа или слева);

b. Корпус сбоку.

5. Недопустимо слипание в кадре туловищ коров, при этом допустимо частичное экранирование элементами стойла или частями тел других животных.

6. С каждой коровы необходимо примерно 3-4 видео, допустима непрерывная съемка проходящих животных (например, коров после дойки).

7. Съемка должна вестись с 2-х видеокамер одновременно с возможностью синхронизации потоков для сопоставления животного с нескольких ракурсов.

8. Видеоролики должны формироваться при хорошем освещении, с правильной цветопередачей, без явных шумов.

9. Экспозицию настраивать необходимо по корпусу или копытам животного, яркие блики от источников освещения, окон - игнорировать.

10. Видеосъемку осуществлять с приоритетом выдержки (не более 1/125 с) с целью минимизации эффектов смаза.

11. В качестве экспозамера и фокусировки использовать центральный, одноточечный замер.

12. Вотермарки с датой и временем, иные «значки» на видео - недопустимы.

13. Какая-либо обработка видео - запрещена.

14. Видео должны быть максимально разнообразны: разные коровы, ракурс съемки, освещение.

15. Желательно, чтобы видеотехника писала метаданные видеоролика: дальность фокусировки до объекта, выдержка и т.п.

16. Настоятельно рекомендуется перед началом серийной съемки на объекте произвести тренировочные видеосеты (около 5-ти видео) с животными, близкими по размерам и «фактуре» животным целевой группы. Причем должна использоваться штатная видеотехника. Полученные данные необходимо направить специалистам ИПУ РАН для оценки и выработки рекомендаций по видео технике и/или точке съемки.

17. Для каждой коровы (для всех видео) необходимо зафиксировать ее табельный номер, а также кличку при ее наличии.

18. Видео основного набора данных размещаются в папках, организованных по следующей структуре:

19. Животное/ГГГГ.ММ.ДД (съемки)/Время(прогона)/Видеокамера/видеофайлы;

20. Документ с последовательностью «Табельный номер, Кличка» для каждой коровы по мере ее появления в видео.

21. Фото необходимо выкладывать в облако, в виде zip (rar) архива (без сжатия), это необходимо, чтобы облака не пережимали видео и не снижали качество.

22. Пересыл видео через мессенджеры, соц. сети, дисковые приложения и т.п.- запрещен.

Шарнирная модель коровы представляет собой предобученную глубокую нейронную сеть, которая по фото- видео-изображениям декодирует (распознает) опорно-двигательный аппарат коровы и кодирует его (представляет) в виде математической формализации скелета коровы в виде графа, где: вершины - костные элементы скелета, ребра - суставы. Структура графа и его параметры (как-то подвижность суставов) кодируется в нейросети на этапе обучения.

Шарнирная модель позволяет распознавать параметры, патологии и особенности состояния (развития) опорно-двигательного аппарата коровы на более качественном уровне, так как аналитические алгоритмы фактически оперируют оценками скелета животного, как в статике (поза), так и в динамике (походка).

Предложенное техническое решение создает компактные и эффективные датасеты, позволяющие ускорить обучение нейронных сетей, увеличить обобщающую способность и устойчивость функционирования нейронных сетей. Разработка нейросетевых алгоритмов подразумевает применение соответствующих наборов данных для обучения и тестирования сетей. Данная методика содержит методические рекомендации, направленные на формирование соответствующих датасетов.

Изобретение относится к способам подготовки набора видеороликов для машинного анализа и может быть использовано при подготовке видеороликов и фотографий, предназначенных для построения шарнирных моделей животных КРС. Осуществляют видеосъемку животных при их проходе по коридору с 2-х видеокамер синхронно. Съемку проводят в разных ракурсах: корпус в профиль справа или слева, корпус 1/2 сбоку, при этом съемку каждого животного осуществляют продолжительностью не менее 3 с. Видеоролики формируют при хорошем освещении с правильной цветопередачей, экспозицию настраивают по корпусу животного, съемку осуществляют с приоритетом выдержки не более 1/125 с, причем в качестве экспозамера и фокусировки используют центральный одноточечный замер. Полученные видеоролики в цифровом формате в машиночитаемом виде сохраняют на носителе данных. Технический результат - обеспечение создания компактных и эффективных датасетов, позволяющих ускорить обучение нейронных сетей, увеличить обобщающую способность и устойчивость функционирования нейронных сетей, возможность построения шарнирных моделей животных КРС, своевременное устранение заболеваний, минимизация ошибок и упрощение процесса формирования требуемых наборов данных для нейросетевых алгоритмов.

Способ создания видеоматериалов для машинного анализа для построения шарнирных моделей животных крупного рогатого скота, характеризующийся тем, что осуществляют видеосъемку животных при их проходе по коридору с 2-х видеокамер синхронно, съемку проводят в разных ракурсах: корпус в профиль справа или слева, корпус сбоку, при этом съемку каждого животного осуществляют продолжительностью не менее 3 с, видеоролики формируют при хорошем освещении с правильной цветопередачей, экспозицию настраивают по корпусу животного, съемку осуществляют с приоритетом выдержки не более 1/125 с, причем в качестве экспозамера и фокусировки используют центральный одноточечный замер, а полученные видеоролики в цифровом формате в машиночитаемом виде сохраняют на носителе данных.