一种猪群扎堆检测方法、装置、设备及可读存储介质

摘要

本发明公开了一种猪群扎堆检测方法，该方法通过获取猪舍养殖栏位的图片，并调用预训练的神经网络模型提取猪群前景，通过分类模型自动识别猪群是否扎堆。该方法可以自动检测猪群是否出现扎堆，解决了目前通过人工检测猪群扎堆时存在费事费力和监控不及时的问题；而且通过自动监控识别减少人与猪群的接触，能在一定程度上防止疾病传播，保证猪群健康；同时该方法可以生成精准的扎堆检测结果，可以为猪舍环控、猪群疾病推理与诊断等提供有效可靠的参考信息。本发明还公开了一种猪群扎堆检测装置、设备及可读存储介质，具有相应的技术效果。

说明书

技术领域

本发明涉及智能养殖技术领域，特别是涉及一种猪群扎堆检测方法、装置、设备及可读存储介质。

背景技术

在猪群养殖中，若栏位中出现猪群扎堆(指多头猪堆叠)，说明栏位环境温度过低，或猪群有疾病。准确并及时发现猪群扎堆，提早进行干预，有较大的生产价值。

目前绝大多数的养殖场均采用人工猪群扎堆判断，即使在一些自动化养殖场，也仅能提供简单的养殖环境监控，无法实现猪群扎堆的自动识别。这导致目前一般是通过人力巡检的方式检测猪群是否出现扎堆，但这种人工检测方式不仅费时费力，监控不及时，而且对人员也有较高的要求，不利于集约化生产。

综上所述，如何解决了目前通过人工检测猪群扎堆时存在费事费力和监控不及时的情况，是目前本领域技术人员急需解决的技术问题。

发明内容

本发明的目的是提供一种猪群扎堆检测方法、装置、设备及可读存储介质，以自动检测猪群是否出现扎堆。

为解决上述技术问题，本发明提供如下技术方案：

一种猪群扎堆检测方法，包括：

获取猪舍养殖栏位的图片；

调用预训练的神经网络模型对所述图片进行掩膜识别，确定所述图片中目标栏位中的猪只图片；

调用预训练的扎堆分类模型对所述猪只图片进行扎堆识别，得到扎堆检测结果。

可选地，在所述调用预训练的神经网络模型对所述图片进行掩膜识别之前，还包括：

判断所述图片中色调、清晰度、像素值以及采集角度是否异常；

若存在异常，执行所述获取猪舍养殖栏位的图片的步骤；

若不存在异常，执行所述调用预训练的神经网络模型对所述图片进行掩膜识别的步骤。

可选地，所述调用预训练的神经网络模型对所述图片进行掩膜识别，确定所述图片中目标栏位中的猪只图片，包括：

调用语义分割神经网络模型对所述图片进行掩膜识别，得到语义识别结果；

根据所述语义识别结果中的猪只掩膜对所述目标栏位图片进行裁剪，得到猪只图片。

可选地，所述根据所述语义识别结果中的猪只掩膜对所述目标栏位图片进行裁剪，包括：

根据所述语义识别结果中的猪只掩膜将所述图片中非猪只部分图像的像素值设置为0，得到像素设置图片；

根据所述猪只掩膜的坐标值在所述像素设置图片中裁剪出包括所有猪只的最小矩形，作为所述猪只图片。

可选地，在所述调用预训练的神经网络模型对所述图片进行掩膜识别之前，还包括：

调用实例分割神经网络模型对所述图片进行掩膜识别，得到实例识别结果；

判断所述实例识别结果中栏位掩膜的实例数据是否符合完整目标栏位规则；所述实例数据包括实例数和实例像素坐标；

若不符合，执行所述获取猪舍养殖栏位的图片的步骤；

若符合，执行所述调用预训练的神经网络模型对所述图片进行掩膜识别的步骤。

可选地，在执行所述调用预训练的神经网络模型对所述图片进行掩膜识别的步骤之前，还包括：

根据所述栏位掩膜的像素坐标确定在所述目标栏位中的所述实例识别结果中猪只掩膜的实例数是否达到检测阈值；

若达到，执行所述调用预训练的神经网络模型对所述图片进行掩膜识别的步骤；

若未达到，生成未扎堆的扎堆检测结果。

可选地，所述的猪群扎堆检测方法，还包括：

若所述扎堆检测结果显示猪群扎堆聚集，输出扎堆告警信息。

一种猪群扎堆检测装置，包括：

图片获取单元，用于获取猪舍养殖栏位的图片；

猪群前景提取单元，用于调用预训练的神经网络模型对所述图片进行掩膜识别，确定所述图片中目标栏位中的猪只图片；

扎堆识别单元，用于调用预训练的扎堆分类模型对所述猪只图片进行扎堆识别，得到扎堆检测结果。

一种猪群扎堆检测设备，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现上述猪群扎堆检测方法的步骤。

一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述猪群扎堆检测方法的步骤。

本发明实施例所提供的方法，通过获取猪舍养殖栏位的图片，并调用预训练的神经网络模型提取猪群前景，通过分类模型自动识别猪群是否扎堆。该方法可以自动检测猪群是否出现扎堆，解决了目前通过人工检测猪群扎堆时存在费事费力和监控不及时的问题；而且通过自动监控识别减少人与猪群的接触，能在一定程度上防止疾病传播，保证猪群健康；同时该方法可以生成精准的扎堆检测结果，可以为猪舍环控、猪群疾病推理与诊断等提供有效可靠的参考信息。

相应地，本发明实施例还提供了与上述猪群扎堆检测方法相对应的猪群扎堆检测装置、设备和可读存储介质，具有上述技术效果，在此不再赘述。

附图说明

为了更清楚地说明本发明实施例或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例中一种猪群扎堆检测方法的实施流程图；

图2为本发明实施例中一种猪群扎堆检测装置的结构示意图；

图3为本发明实施例中一种猪群扎堆检测设备的结构示意图。

具体实施方式

本发明的核心是提供一种猪群扎堆检测方法，可以自动检测猪群是否出现扎堆。

为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参考图1，图1为本发明实施例中一种猪群扎堆检测方法的流程图，该方法包括以下步骤：

S101、获取猪舍养殖栏位的图片；

猪舍中包含若干养殖栏位，每个养殖栏位中养殖若干猪只，获取针对猪舍中某个养殖栏位进行图像采集获得的图片，针对该图片进行猪群扎堆的检测。

需要说明的是，本实施例中对于图片的采集过程不做限定，可以根据实际应用场景的需要进行相应设置，比如可以借助猪舍上方的轨道上运行的巡检小车上的(可见光)摄像头，在每个栏位中间采集(可见光)图片；也可以在每个养殖栏位的上方设置专门用于采集对应栏位的摄像头，以采集对应栏位的图像。前者架设的摄像头数量少，采集成本低。本实施例中仅以上述两种图像采集过程为例进行介绍，其它实现过程均可参照本实施例的介绍，在此不再赘述。

S102、调用预训练的神经网络模型对图片进行掩膜(比如图片中有一个圆形物体，我们从一张纸上剪去一个和该物体一模一样大小的圆，把这张纸蒙在图片上，这时候我们只能看见这个圆形物体，这张纸就是掩膜)识别，确定图片中目标栏位中的猪只图片；

本实施例中通过调用预训练的神经网络(一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的)模型进行掩膜推理，再通过模型输出的掩膜进行猪只图片的提取，主要指通过猪只的掩膜识别进行猪只图片的提取。目标栏位指检测扎堆的栏位，也即获取的图片的主要拍摄对象(比如要对栏位1进行扎堆检测时获取针对栏位1作为主要拍摄对象进行拍摄的图片)。猪只图片指仅包含猪只的图片，也可以称为猪群前景(指仅保留图片中指定物体的像素值，其他像素值则设置为0)图片。

本实施例中对于调用的对图片进行掩膜识别的神经网络模型的网络结构类型以及具体网络结构不做限定，可以根据实际精度提取需要进行神经网络模型的设置。

其中，为了提升猪只检测精度，可以调用语义分割(按像素识别图像，标注出图像中每个像素的类别标签)神经网络模型，通过语义分割神经网络模型实现对于猪只的精准检测，则相应地，调用预训练的神经网络模型对图片进行掩膜识别，确定图片中目标栏位中的猪只图片的过程具体可以包括以下步骤：

(1)调用语义分割神经网络模型对图片进行掩膜识别，得到语义识别结果；

语义分割神经网络模型中具体选用的语义分割手段本实施例中不做限定，比如可以基于deeplabv3plus(一种语义分割方法)模型，训练猪群的语义分割神经网络模型，其它语义分割手段在此不再赘述，均可参照本实施例的介绍。另外，需要说明的是，语义分割神经网络模型的训练过程本实施例中不做限定，可以参照相关技术中的模型训练方法，比如可以将样本图片输入至卷积神经网络(一类包含卷积计算且具有深度结构的前馈神经网络)模型中提取深层特征，然后通过上采样和卷积计算图片中猪的掩膜，经大量推理验证收敛后得到训练后的语义分割神经网络模型。

将图片输入至语义分割神经网络模型中，模型对图片进行猪只掩膜特征提取，再通过上采样和卷积计算图片里猪只掩膜，将得到的猪只掩膜作为语义识别结果。

(2)根据语义识别结果中的猪只掩膜对目标栏位图片进行裁剪，得到猪只图片。

猪只掩膜为用于遮挡图片其它非猪只物体的图片，将原始图片与猪只掩膜结合后可以得到仅含有猪只的图片，以此可以进行图片的裁剪。具体的裁剪实现步骤可以根据实际使用需要自行设定，本实施例中不做限定，可选地，一种根据语义识别结果中的猪只掩膜对目标栏位图片进行裁剪的实现步骤如下：

(2.1)根据语义识别结果中的猪只掩膜将图片中非猪只部分图像的像素值设置为0，得到像素设置图片；

基于猪只掩膜，将原始输入的图片中非猪只部分图像的像素值设置为0，即黑色，作为像素设置图片。

(2.2)根据猪只掩膜的坐标值在像素设置图片中裁剪出包括所有猪只的最小矩形，作为猪只图片。

根据猪的掩膜的xy坐标的最大最小值，裁剪包含所有猪只的最小矩形，得到猪只图片(指仅含有猪只的图片)，并保存此图片。

本实施例中仅以上述基于像素设置的裁剪方式为例进行介绍，其它的图片裁剪方式均可参照本实施例的介绍，在此不再赘述。

S103、调用预训练的扎堆分类模型对猪只图片进行扎堆识别，得到扎堆检测结果。

基于神经网络训练扎堆分类模型，用以识别猪群是否扎堆，扎堆分类模型的类型以及具体结构、训练过程本实施例中不做限定，比如可以选用mobilenetv2(一种图像分类方法，同时也是一种骨架网络)扎堆分类模型，本实施例中仅以上述网络结构为例进行介绍，mobilenetv2扎堆分类模型的训练过程可以为获取猪只样本图片(标注有图片类别：扎堆或未扎堆)，输入猪只样本图片至mobilenetv2扎堆分类模型中提取深层特征，然后使用全连接层(用于将把前边提取到的特征综合起来)计算图片所属类别，训练若干次收敛后得到可分类的mobilenetv2扎堆分类模型。

扎堆分类模型进行扎堆识别后生成扎堆检测结果，本实施例中对于扎堆检测结果的形式不做限定，可以为扎堆概率值，可以为密集程度，也可以为扎堆或不扎堆这种分类结果。其中，在生成非分类结果的扎堆检测结果时，需要设定扎堆阈值，比如在扎堆概率值大于0.5时判定为猪群扎堆。

在生成扎堆检测结果后，进一步地，若扎堆检测结果显示猪群扎堆聚集，可以输出扎堆告警信息(发送对象不做限定，可以只向饲养员发送)，以便于饲养员及时干预，保证猪群正常生长。

基于上述介绍，本实施例提供的猪群扎堆检测方法中，通过获取猪舍养殖栏位的图片，并调用预训练的神经网络模型提取猪群前景，通过分类模型自动识别猪群是否扎堆。该方法可以自动检测猪群是否出现扎堆，解决了目前通过人工检测猪群扎堆时存在费事费力和监控不及时的问题；而且通过自动监控识别减少人与猪群的接触，能在一定程度上防止疾病传播，保证猪群健康；同时该方法可以生成精准的扎堆检测结果，可以为猪舍环控、猪群疾病推理与诊断等提供有效可靠的参考信息。

需要说明的是，基于上述实施例，本发明实施例还提供了相应的改进方案。在优选/改进实施例中涉及与上述实施例中相同步骤或相应步骤之间可相互参考，相应的有益效果也可相互参照，在本文的优选/改进实施例中不再一一赘述。

为保证图片识别的精准度，避免其他环境因素的影响，在调用预训练的神经网络模型对图片进行掩膜识别之前，可以进一步执行以下步骤：

(1)判断图片中色调、清晰度、像素值以及采集角度是否异常；

(2)若存在异常，执行获取猪舍养殖栏位的图片的步骤；

(3)若不存在异常，执行调用预训练的神经网络模型对图片进行掩膜识别的步骤。

其中，对于色调的异常判定可以实现光照异常的判定，即剔除采集的照片中光照异常的图片，以避免光照异常照片对猪只检测带来的影响。而对于色调的异常判定具体实现步骤本实施例中不做限定，为加深理解，在此介绍一种实现方式，具体如下：调用opencv(一个开源的跨平台计算机视觉和机器学习软件库)计算图像的HSV值(Hue,Saturation,Value，根据颜色的直观特性而创建的一种颜色空间，这个模型中颜色的参数分别是：色调(H)，饱和度(S)，明度(V))，剔除H小于20的光照异常图片。

对于清晰度的异常判定可以实现图片模糊程度的判定，即剔除采集的图片中模糊的图片，以避免清晰程度低的照片对猪只检测带来的影响。而对于清晰度的异常判定具体实现步骤本实施例中不做限定，为加深理解，在此介绍一种实现方式，具体如下：将原始图片转为灰度图(用灰度表示的图像)，然后平均划分为4块区域(比如可以以田字平均分割图像，检测效果好)，计算每块区域的拉普拉斯算子(在本申请中用于计算二阶导数，发现图片中像素值快速变化的区域，正常图片的边界比较清晰因此方差会比较大，而模糊图片中包含的边界信息很少所以方差会较小)边缘模糊程度值，若任一区域的结果小于指定阈值100，则说明图片模糊，剔除该图片。其中，每块区域的拉普拉斯算子边缘模糊程度值的计算方式可以参照相关技术的实现步骤，一种每块区域的拉普拉斯算子边缘模糊程度值的计算方式如下：首先计算每块区域的拉普拉斯算子，公式如下：

其中，x和y为像素的坐标，f(x,y)为像素的值。

然后计算每块区域的边缘模糊程度值，公式如下：

其中，x

本实施例中仅以上述拉普拉斯算子边缘模糊程度值的计算过程为例进行介绍，其它计算方式均可参照本实施例的介绍，在此不再赘述。

对于像素值的异常判定可以实现采集镜头是否有雾气的判定，即剔除获取图片时镜头上有雾气的图片，以避免镜头的雾气对猪只检测带来的影响。而对于像素值的异常判定具体实现步骤本实施例中不做限定，为加深理解，在此介绍一种实现方式，具体如下：

对图像做最小值滤波处理(取邻域像素最小值作为输出图像的像素值)，最小值滤波公式如下：

其中，x和y为像素的坐标，v

然后统计像素值大于35的个数，若像素个数超过300个，则说明获取图片时镜头上有雾气，剔除该图片。

对于采集角度的异常判定可以实现采集角度异常的图片的剔除，以避免采集角度异常对猪只检测带来的影响。而对于采集角度的异常判定具体实现步骤本实施例中不做限定，为加深理解，在此介绍一种实现方式，具体如下：

首先基于LineSegmentDetector(一种检测直线的方法)直线检测器，计算图像的梯度，LineSegmentDetector直线检测器的公式如下：

gx＝f(x+1,y)-f(x,y)+f(x+1,y+1)-f(x,y+1)

gy＝f(x,y+1)-f(x,y)+f(x+1,y+1)-f(x+1,y)

其中，x和y为像素的坐标，f(x,y)为像素的值。图片每个像素与行列线的夹角，构成一个行列线场，计算行列线场的角度，公式如下：

然后进行排序，从梯度最大的像素开始区域增长，比较当前像素与周围8个像素的degree差，如果小于阈值则加入区域，然后将最后比较并加入的像素作为下次比较的基准像素，如果得到的区域所含像素过少，则舍去该区域。遍历所有像素，找到四个方向上最边界上的像素，然后得到他们的外接矩形，以及矩形两个短边的中点坐标(x1，y1)和(x2，y2)、短边边长width、重心坐标(centerX，centerY)、主方向角弧度degree、角弧度余弦值degreeX、角弧度正弦值degreeY、像素点和角弧度相符的概率probability、像素点场方向与主方向角弧度之差的阈值prec，其中probability是直接使用的阈值占180°的比例，即1/8，prec直接使用的22.5°对应的弧度阈值。然后统计图片中达到指定长度的直线，并统计直线的角度分布。若频数最大的角度不在指定角度范围内，则说明栏位角度异常，剔除该图片。

对于色调、清晰度、像素值以及采集角度的异常判定具体实现步骤本实施例中不做限定，为加深理解，在此介绍上述实现方式为例进行介绍，其它用于实现色调、清晰度、像素值以及采集角度的异常判定实现方式均可参照本申请的介绍，在此不再赘述。

基于上述方法实施例，在步骤S102调用预训练的神经网络模型对图片进行掩膜识别之前，为了避免异常数据对于识别精准度带来的影响，可以进一步执行以下步骤：

(1)调用实例分割(在语义分割的基础上，为属于同一类对象的单独实例提供不同的标签)神经网络模型对图片进行掩膜识别，得到实例识别结果；

实例识别结果中至少包括栏位掩膜，栏位可以指铁栏杆、亚克力板等栏位形态，具体可以根据实际应用对象的需要进行相应模型的设置，在此不做限定。通过实例分割神经网络模型可以实现对于图片中较大物体——栏位的精准识别以及分割。

本实施例中对于实例分割神经网络模型的具体模型结构以及训练推理过程不做限定，为加深理解，在此介绍一种模型的训练过程以及相应的模型推理过程。

训练过程如下：采集(可见光)图片，(人工)标注图片中主栏位的猪只、铁栏杆、亚克力板等对象的轮廓，基于标注的图片训练mask rcnn(一种实例分割方法)实例分割模型，即，输入图片至卷积神经网络模型中提取深层特征，然后用区域建议神经网络生成建议窗口，把建议窗口映射到卷积神经网络的最后一层特征图，通过感兴趣区域对齐层生成固定尺寸的特征图，利用全连接分类、边框、掩膜进行回归，得到实例分割神经网络模型，该模型的主要作用在于得到猪、铁栏杆、亚克力板的掩膜，该模型对于大物体比如铁栏杆、亚克力板的识别精度高，对于猪的掩膜识别精度较低，因此本实施例中选用语义分割神经网络模型以精准分割猪的掩膜。

针对于上述模型训练过程的一种推理过程如下：用训练的实例分割模型对输入的图片进行推理，即，输入图片至卷积神经网络模型中提取特征，然后用区域生成神经网络生成建议窗口，把建议窗口映射到卷积神经网络的最后一层特征图，通过感兴趣区域对齐层生成固定尺寸的特征图，利用全连接分类、边框、掩膜进行回归，该模型会输出各类物体(主要包括猪、铁栏杆、亚克力板)的掩膜。

(2)判断实例识别结果中栏位掩膜的实例数据是否符合完整目标栏位规则；

实例识别结果中包含栏位掩膜(比如铁栏杆、亚克力板的掩膜)，各栏位组成栏位，比如四个连接的铁栏杆围成一个栏位，栏位掩膜显示栏位的位置以及数量，若铁栏杆和亚克力板的实例数据(包括实例数和实例的像素坐标)不符合完整目标栏位规则(具体的规则设置可以根据应用场景的栏位设置方式进行设定，本实施例中对此不做限定)，则说明目标栏位不完整，则图片中对目标栏位没有照全，有可能存在不在照片中的目标栏位的猪只，此时对其进行扎堆检测精准度低，本实施例中剔除栏位不完整的图片，执行步骤(3)。

(3)若不符合，执行获取猪舍养殖栏位的图片的步骤；

(4)若符合，执行调用预训练的神经网络模型对图片进行掩膜识别的步骤。

若栏位掩膜的实例数据符合完整目标栏位规则，证明图片中包含完整的目标栏位，则可以执行调用预训练的神经网络模型对图片进行掩膜识别的步骤进行下一步的扎堆检测。

进一步地，在(4)判定符合，执行调用预训练的神经网络模型对图片进行掩膜识别的步骤之前，可以进一步执行以下步骤：

(5)根据栏位掩膜的像素坐标确定在目标栏位中的实例识别结果中猪只掩膜的实例数是否达到检测阈值；

由于图片中除了目标栏位的猪只外，也可能存在其他栏位的猪只，由于本申请中执行一次可以对一个栏位(即目标栏位)内猪只扎堆情况进行判断，为避免其他栏位猪只对于目标栏位扎堆情况的干扰，根据猪只、栏位(铁栏杆、亚克力板)掩膜的像素坐标，确定位于目标栏位中的猪只，过滤非主要栏位的猪只，修正猪只实例数，若目标栏位内的猪只数量未达到检测阈值(具体数值的设定本实施例中不做限定，可以根据实际使用需要进行设定，比如可以设定为3)，不会产生扎堆情况，则直接生成未扎堆的扎堆检测结果，不进行后续的扎堆检测，以提升检测速度，避免检测资源的浪费。若达到，再执行调用预训练的神经网络模型对图片进行掩膜识别的步骤，启动扎堆检测。

(6)若达到，执行调用预训练的神经网络模型对图片进行掩膜识别的步骤；

(7)若未达到，生成未扎堆的扎堆检测结果。

相应于上面的方法实施例，本发明实施例还提供了一种猪群扎堆检测装置，下文描述的猪群扎堆检测装置与上文描述的猪群扎堆检测方法可相互对应参照。

参见图2所示，该装置包括以下模块：

图片获取单元110主要用于获取猪舍养殖栏位的图片；

猪群前景提取单元120主要用于调用预训练的神经网络模型对图片进行掩膜识别，确定图片中目标栏位中的猪只图片；

扎堆识别单元130主要用于调用预训练的扎堆分类模型对猪只图片进行扎堆识别，得到扎堆检测结果。

相应于上面的方法实施例，本发明实施例还提供了一种猪群扎堆检测设备，下文描述的一种猪群扎堆检测设备与上文描述的一种猪群扎堆检测方法可相互对应参照。

该猪群扎堆检测设备包括：

存储器，用于存储计算机程序；

处理器，用于执行计算机程序时实现上述方法实施例的猪群扎堆检测方法的步骤。

具体的，请参考图3，为本实施例提供的一种猪群扎堆检测设备的具体结构示意图，该猪群扎堆检测设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)322(例如，一个或一个以上处理器)和存储器332，存储器332存储有一个或一个以上的计算机应用程序342或数据344。其中，存储器332可以是短暂存储或持久存储。存储在存储器332的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对数据处理设备中的一系列指令操作。更进一步地，中央处理器322可以设置为与存储器332通信，在猪群扎堆检测设备301上执行存储器332中的一系列指令操作。

猪群扎堆检测设备301还可以包括一个或一个以上电源326，一个或一个以上有线或无线网络接口350，一个或一个以上输入输出接口358，和，一个或一个以上操作系统341。

上文所描述的猪群扎堆检测方法中的步骤可以由猪群扎堆检测设备的结构实现。

相应于上面的方法实施例，本发明实施例还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种猪群扎堆检测方法可相互对应参照。

一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的猪群扎堆检测方法的步骤。

该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。

本领域技术人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。