养殖用摄像头状态检测和修正方法及系统与流程

1.本技术涉及养殖监测的领域，尤其是涉及一种养殖用摄像头状态检测和修正方法及系统。


背景技术：

2.随着信息技术在社会生产和生活中的不断普及，目前在养殖场中对养殖生物的信息化监控也已经成为常态。
3.目前，为了便于及时了解到养殖场中养殖生物的生存状态，常常在养殖围栏附近设置养殖用摄像头对养殖生物进行拍摄，然后对拍摄的视频进行处理以便于及时获知养殖生物的生存状态。
4.在实现本技术的过程中，发明人发现上述技术至少存在以下问题：养殖用摄像头在正常运行过程中可能会由于其支撑结构松动以及人为等因素拍摄方向发生偏移以及转动等状况，从而影响了养殖生物监测过程的稳定性。


技术实现要素：

5.为了便于提升养殖生物监测过程的稳定性，本技术提供一种养殖用摄像头状态检测和修正方法及系统。
6.第一方面，本技术提供一种养殖用摄像头状态检测和修正方法，采用如下的技术方案：一种养殖用摄像头状态检测和修正方法，包括：对预设的标准监测图片进行训练生成训练特征向量集合；获取养殖用摄像头拍摄的监测图片，通过目标检测算法对所述监测图片进行处理确定有效图像内容；通过sift算法对所述图像内容进行处理获取sift特征向量集合；依据所述训练特征向量集合和所述sift特征向量集合计算所述监测图片和所述标准监测图片之间的匹配率和平均向量距离；对所述向量距离和所述匹配率进行逻辑回归运算生成逻辑回归值；依据预设的判断阈值对所述逻辑回归值进行判断生成判断值；依据所述判断值判断所述养殖用摄像头的状态并依据所述状态对所述养殖用摄像头进行修正。
7.通过采用上述技术方案，先对养殖用摄像头拍摄的正常照片进行训练生成相应的训练特征向量集，获取训练特征向量集的目的是将其作为后续比对的依据；进一步获取养殖监测过程中拍摄的图片并对图片进行处理以获取图片的sift特征向量集，通过对训练特征向量集和sift特征向量集的比较与计算可获取用于体现监测过程中拍摄的图片和正常照片之间相似度的匹配率以及用于体现监测过程中拍摄的图片和正常照片之间差距的平均向量距离；为了直观的体现监测过程中拍摄的图片和正常照片之间差异程度，对匹配率
和平均向量距离做逻辑回归运算得到相应的逻辑回归值，为了便于了解养殖用摄像头是否需要进行修正，再将逻辑回归值与预设的判断阈值进行比较得到比较的结果，也即判断值，最后通过判断值便于知晓养殖用摄像头的状态，并依据状态修正摄像头，如此便于提升养殖生物监测过程的稳定性。
8.在一个具体的可实施方案中，所述对预设的标准监测图片进行训练生成训练特征向量集合，包括：获取所述标准监测图片；计算每张所述标准监测图片的sift特征向量；获取在若干所述标准监测图片中共同出现的且超过预设阈值比例的sift特征向量生成所述训练特征向量集合。
9.通过采用上述技术方案，标准监测图片是摄像头处于正常状态下拍摄的图片，sift特征向量代表的是每张图片的特征，而在若干标准监测图片中共同出现的且超过预设阈值比例的sift特征向量则反映的是所有的标准监测图片的共有特征，也表征养殖用摄像头正常拍摄出的图片该有的特征，这样的共性特征可以判断一张图片是否是正常状态下的养殖用摄像头拍出的。
10.在一个具体的可实施方案中，所述通过目标检测算法对所述监测图片进行处理确定有效图像内容，包括：通过所述目标检测算法确定所述监测图片的外缘检测点；依据所述外缘检测点确定所述监测图片的外缘边界和所述外缘边界对应的外圆；依据所述外圆以及预设的边界距离计算得到内圆；通过所述目标检测算法和所述内圆对所述监测图片进行处理得到内缘边界；依据所述外缘边界和所述内缘边界对所述监测图片进行处理得到所述有效图像内容。
11.通过采用上述技术方案，在一般情况下，圈养在养殖围栏中的养殖生物常在养殖围栏的中心区域活动，而常在中心区域周遭的环状区域上休息，在进行拍摄图片的处理时，由于养殖生物常在养殖围栏的中心区域活动，所以中心区域的特征向量不仅较多且基本和标准监测图片上中心区域的特征向量不同，因此后续对养殖围栏的中心区域进行特征向量的比对与计算意义不大，故而通过上述方案获取外缘边界和内缘边界，这样便于在实施中将内缘边界内对应的养殖围栏中心区域的图像去除，而只保留外缘边界和内缘边界之间的图像，如此还便于减少获取匹配率和平均向量距离的计算量以提升计算匹配率和平均向量距离的效率。
12.在一个具体的可实施方案中，所述依据所述训练特征向量集合和所述sift特征向量集合计算所述监测图片和所述标准监测图片之间的匹配率和平均向量距离，包括：计算所述训练特征向量集合中的训练特征向量在所述sift特征向量集合中出现的比率得到所述匹配率；依次获取所述sift特征向量，依次计算所述sift特征向量与所述训练特征向量集合中的训练特征向量之间的欧氏距离得到向量距离集合；对所述向量距离集合中的所述欧氏距离进行平均计算得到所述平均向量距离。
13.通过采用上述技术方案，通过获取匹配率便于得知监测时拍摄的图片和标准监测
图片之间的相似程度，通过获取平均向量距离便有知晓监测时拍摄的图片和标准监测图片之间的差异大小。
14.在一个具体的可实施方案中，所述对所述向量距离和所述匹配率进行逻辑回归运算生成逻辑回归值，包括：为所述匹配率匹配第一回归系数，为所述向量距离匹配第二回归系数；依据所述第一回归系数和第二回归系数对所述向量距离和所述匹配率进行逻辑回归运算生成逻辑回归值。
15.通过采用上述技术方案，匹配率和平均向量距离均用于反映监测时拍摄的图片和标准监测图片之间的差异程度，通过对匹配率和平均向量距离作逻辑回归运算可将这两者结合起来并生成相应的逻辑回归值用以表征监测时拍摄的图片和标准监测图片之间的差异程度，如此便于提升放映差异程度直观性。
16.在一个具体的可实施方案中，所述依据所述判断值判断所述养殖用摄像头的状态并依据所述状态对所述养殖用摄像头进行修正，包括：依据所述判断值确定所述养殖用摄像头的状态，所述状态包括正常和异常；在所述养殖用摄像头的状态为异常的情况下对所述养殖用摄像头进行修正。
17.通过采用上述技术方案，通过判断值可以直观的了解到养殖用摄像头的状态，从而便于工人员及时了解状态异常的养殖用摄像头并对状态异常的养殖用摄像头进行修正。
18.在一个具体的可实施方案中，所述判断值有且仅有两种取值包括：与所述状态为正常时对应的第一判断值和与所述状态为异常时对应的第二判断值。
19.通过采用上述技术方案，由于判断值有且仅有两种取值，从而便于与摄像头状态正常与否进行对应。
20.第二方面，本技术提供一种养殖用摄像头状态检测和修正系统，采用如下的技术方案：一种养殖用摄像头状态检测和修正系统，包括：图片训练模块，用于对预设的标准监测图片进行训练生成训练特征向量集合；图像内容确定模块，用于获取养殖用摄像头拍摄的监测图片，通过目标检测算法对所述监测图片进行处理确定有效图像内容；sift运算模块，用于通过sift算法对所述图像内容进行处理获取sift特征向量集合；匹配率和平均向量距离计算模块，用于依据所述训练特征向量集合和所述sift特征向量集合计算所述监测图片和所述标准监测图片之间的匹配率和平均向量距离；逻辑回归值计算模块，用于对所述向量距离和所述匹配率进行逻辑回归运算生成逻辑回归值；判断值生成模块，用于依据预设的判断阈值对所述逻辑回归值进行判断生成判断值；状态判断与修正模块，用于依据所述判断值判断所述养殖用摄像头的状态并依据所述状态对所述养殖用摄像头进行修正。
21.通过采用上述技术方案，先对养殖用摄像头拍摄的正常照片进行训练生成相应的训练特征向量集，获取训练特征向量集的目的是将其作为后续比对的依据；进一步获取养
殖监测过程中拍摄的图片并对图片进行处理以获取图片的sift特征向量集，通过对训练特征向量集和sift特征向量集的比较与计算可获取用于体现监测过程中拍摄的图片和正常照片之间相似度的匹配率以及用于体现监测过程中拍摄的图片和正常照片之间差距的平均向量距离；为了直观的体现监测过程中拍摄的图片和正常照片之间差异程度，对匹配率和平均向量距离做逻辑回归运算得到相应的逻辑回归值，为了便于了解养殖用摄像头是否需要进行修正，再将逻辑回归值与预设的判断阈值进行比较得到比较的结果，也即判断值，最后通过判断值便于知晓养殖用摄像头的状态，并依据状态修正摄像头，如此便于提升养殖生物监测过程的稳定性。
22.第三方面，本技术提供一种计算机设备，采用如下技术方案：包括存储器和处理器，所述存储器上存储有能够被处理器加载并执行如上述任意一种养殖用摄像头状态检测和修正方法的计算机程序。
23.通过采用上述技术方案，先对养殖用摄像头拍摄的正常照片进行训练生成相应的训练特征向量集，获取训练特征向量集的目的是将其作为后续比对的依据；进一步获取养殖监测过程中拍摄的图片并对图片进行处理以获取图片的sift特征向量集，通过对训练特征向量集和sift特征向量集的比较与计算可获取用于体现监测过程中拍摄的图片和正常照片之间相似度的匹配率以及用于体现监测过程中拍摄的图片和正常照片之间差距的平均向量距离；为了直观的体现监测过程中拍摄的图片和正常照片之间差异程度，对匹配率和平均向量距离做逻辑回归运算得到相应的逻辑回归值，为了便于了解养殖用摄像头是否需要进行修正，再将逻辑回归值与预设的判断阈值进行比较得到比较的结果，也即判断值，最后通过判断值便于知晓养殖用摄像头的状态，并依据状态修正摄像头，如此便于提升养殖生物监测过程的稳定性。
24.第四方面，本技术提供一种计算机可读存储介质，采用如下技术方案：存储有能够被处理器加载并执行上述任意一种养殖用摄像头状态检测和修正方法的计算机程序。
25.通过采用上述技术方案，先对养殖用摄像头拍摄的正常照片进行训练生成相应的训练特征向量集，获取训练特征向量集的目的是将其作为后续比对的依据；进一步获取养殖监测过程中拍摄的图片并对图片进行处理以获取图片的sift特征向量集，通过对训练特征向量集和sift特征向量集的比较与计算可获取用于体现监测过程中拍摄的图片和正常照片之间相似度的匹配率以及用于体现监测过程中拍摄的图片和正常照片之间差距的平均向量距离；为了直观的体现监测过程中拍摄的图片和正常照片之间差异程度，对匹配率和平均向量距离做逻辑回归运算得到相应的逻辑回归值，为了便于了解养殖用摄像头是否需要进行修正，再将逻辑回归值与预设的判断阈值进行比较得到比较的结果，也即判断值，最后通过判断值便于知晓养殖用摄像头的状态，并依据状态修正摄像头，如此便于提升养殖生物监测过程的稳定性。
26.综上所述，本技术包括以下至少一种有益技术效果：1.先获取训练特征向量集，进一步获取养殖监测过程中拍摄的图片并对图片进行处理以获取图片的sift特征向量集，通过对训练特征向量集和sift特征向量集的比较与计算可获取用于体现监测过程中拍摄的图片和正常照片之间相似度的匹配率以及用于体现监测过程中拍摄的图片和正常照片之间差距的平均向量距离；为了直观的体现监测过程中拍摄的图片和正常照片之间差异程度，对匹配率和平均向量距离做逻辑回归运算得到相应
的逻辑回归值，为了便于了解养殖用摄像头是否需要进行修正，再将逻辑回归值与预设的判断阈值进行比较得到比较的结果，也即判断值，最后通过判断值便于知晓养殖用摄像头的状态，并依据状态修正摄像头，如此便于提升养殖生物监测过程的稳定性。
27.2.标准监测图片是摄像头处于正常状态下拍摄的图片，sift特征向量代表的是每张图片的特征，而在若干标准监测图片中共同出现的且超过预设阈值比例的sift特征向量则反映的是所有的标准监测图片的共有特征，也表征养殖用摄像头正常拍摄出的图片该有的特征，这样的共性特征可以判断一张图片是否是正常状态下的养殖用摄像头拍出的。
28.3.匹配率和平均向量距离均用于反映监测时拍摄的图片和标准监测图片之间的差异程度，通过对匹配率和平均向量距离作逻辑回归运算可将这两者结合起来并生成相应的逻辑回归值用以表征监测时拍摄的图片和标准监测图片之间的差异程度，如此便于提升放映差异程度直观性。
附图说明
29.图1是本技术实施例1中一种养殖用摄像头状态检测和修正方法的流程示意图。
30.图2是本技术实施例2中一种养殖用摄像头状态检测和修正系统的结构框图。
31.附图标记说明：100、图片训练模块；200、图像内容确定模块；300、sift运算模块；400、匹配率和平均向量距离计算模块；500、逻辑回归值计算模块；600、判断值生成模块；700、状态判断与修正模块。
具体实施方式
32.以下结合附图1-2对本技术作进一步详细说明。
33.实施例1本技术实施例1公开了一种养殖用摄像头状态检测和修正方法。参照图1，养殖用摄像头状态检测和修正方法包括：s100、对预设的标准监测图片进行训练生成训练特征向量集合。
34.具体的s100包括以下步骤：s101、获取标准监测图片。
35.本实施例1以养猪场为应用场景，为了便于实现对猪只实现圈养，在养猪场中会设置若干猪栏，为了便于实现对猪栏中猪只的情况进行监控，一般在每个猪栏的正上方设置一个养殖用摄像头，如此可以通过养殖用摄像头对相应猪栏中的猪只进行拍摄以获取相应的监测图片或者监测视频，进而便于依据监测图片或者监测视频了解猪只的状况。
36.养殖用摄像头安装在猪栏上方后，随着时间的推移其支撑结构可能发生松动，从而可能使养殖用摄像头的拍摄方向发生偏移或者养殖用摄像头发生转动；另外，在工作人员进行养殖的过程中，在移动某些物体（比如长杆）时可能会触碰到养殖用摄像头，从而使养殖用摄像头发生偏移或转动；如此，易于使拍摄出的图片或视频发生猪栏情况拍摄不全以及猪栏情况成像歪斜等情况。
37.在实施中，在养殖用摄像头刚安装在猪栏上的2个小时内，在校正好养殖用摄像头拍摄方向的前提下拍摄30张监测图片，此时拍摄出的猪栏图片相对来说是比较标准的，且将此监测图片记为标准监测图片。
38.s102、计算每张标准监测图片的sift特征向量。
39.每张标准监测图片均有其对应的像素点，获取标准监测图片后通过sift（scale-invariant feature transform，尺度不变特征变换）算法对标准监测图片的像素点构成的矩阵进行sift运算从而得到每张标准监测图片的若干个sift特征向量。
40.s103、获取在若干标准监测图片中共同出现的且超过预设阈值比例的sift特征向量生成训练特征向量集合。
41.在猪只养殖监控系统中预设有阈值比例，且在实施中此阈值比例为60%；为了便于理解，假设通过s101和s102步骤的实施后，每张标准监测图片均产生100个sift特征向量，若有一个sift特征向量在此30张标准监测图片中出现的概率不小于60%，则获取此sift特征向量，也即30张标准监测图片中有不低于18张的标准监测图片均有此sift特征向量，则获取此sift特征向量。
42.按照上述方式类推，将30张标准监测图片中不低于18张的标准监测图片共有的sift特征向量集合到一起，生成训练特征向量集合。可以理解的是，训练特征向量集合中的sift特征向量是大部分标准监测图片共有的特征，可用于体现标准监测图片的共性。
43.在实施中，猪只常在猪栏的中心区域活动，且常在猪栏内的边缘区域休息，这样通过对猪栏内情况进行拍照得到的30张标准监测图片在进行sift运算得到相应的sift特征向量后，可以发现的是，训练特征向量集合中的sift特征向量基本集中在标准监测图片中猪栏内的边缘区域。
44.s200、获取养殖用摄像头拍摄的监测图片，通过目标检测算法对监测图片进行处理确定有效图像内容。
45.具体的s200包括以下步骤：s201、获取养殖用摄像头拍摄的监测图片。
46.完成训练特征向量集合的获取后，在猪只养殖情况的监测过程中继续通过养殖用摄像头拍摄猪栏中养殖情况的监测图片，进一步，将拍摄的监测图片发送至养殖监测系统中保存。
47.s202、通过目标检测算法确定监测图片的外缘检测点。
48.为了能使监测图片和标准监测图片的比较区域尽量一致，便需要确定出每张监测图片中的猪栏内的边缘区域。
49.通过s201获取若干监测图片后，通过目标检测算法对每张监测图片进行运算从而可以获取每张监测图片的外缘检测点，在实施中，目标检测算法采用detectron模型。
50.s203、依据外缘检测点确定监测图片的外缘边界和外缘边界对应的外圆。
51.通过detectron模型可以计算出每张监测图片上的若干个外缘检测点，接着，将若干个外缘检测点依次连接到一起可以得到对应监测图片显示的猪栏的外缘边界。然后，通过detectron模型依据外缘检测点的坐标数据获取能将一张监测图片上所有的监测点均包覆在内的直径最小的外圆，且此外圆可包围其包覆的所有的监测点连接而成的外缘边界。
52.s204、依据外圆以及预设的边界距离计算得到内圆。
53.在养殖监测系统中预设有边界距离，在接下来的实施中，需要计算出便于确定监测图片中猪栏中心区域的内圆，且此内圆和s203步骤中得到的外圆同圆心。上述边界距离也即同圆心的内圆和外圆的半径差值l，且l的表达式如下：
l=()/30；需要说明的是：w表示监测图片的长度，h表示监测图片的宽度。
54.通过s203步骤获知外圆的情况下，可以确定外圆的圆心，进一步结合养殖监测系统中预设的边界距离l，可以确定内圆。
55.s205、通过目标检测算法和内圆对监测图片进行处理得到内缘边界。
56.通过s102步骤获取监测图片的sift特征向量以及通过s204步骤获取内圆后，然后通过目标检测算法获取位于内圆中且靠近内圆的sift特征向量，然后以获取的sift特征向量作为内缘检测点，然后将内缘检测点依次连接在一起形成内缘边界。
57.s206、依据外缘边界和内缘边界对监测图片进行处理得到有效图像内容。
58.通过s203步骤可以获取监测图像中猪栏的外缘边界，通过s205步骤可以获取监测图像中猪栏的内缘边界，对每张监测图片中外缘边界以外的图像内容和内缘边界以内的图像内容作黑化式的隐藏处理，且将外缘边界和内缘边界之间的图像内容记为有效图像内容。
59.s300、通过sift算法对图像内容进行处理获取sift特征向量集合。
60.通过s200步骤可以获取每张监测图片的有效图像内容，在实施中通过sift算法对有效图像内容所在图像区域内的像素点进行sift运算，然后可以获取每张监测图片的若干sift特征向量，且将每个每张监测图片的若干sift特征向量组合成一个sift特征向量集合。
61.s400、依据训练特征向量集合和sift特征向量集合计算监测图片和标准监测图片之间的匹配率和平均向量距离。
62.具体的s400包括以下步骤：s401、计算训练特征向量集合中的训练特征向量在sift特征向量集合中出现的比率得到匹配率。
63.通过对标准监测图片的预先训练可以获取由训练特征向量构成的训练特征向量集合，通过s300步骤可以获取每张监测图片有效图像内容的sift特征向量集合。
64.在实施中，采用遍历的方式将训练特征向量集合中每个训练特征向量依次和监测图片有效图像内容的sift特征向量集合中的sift特征向量进行比对，若监测图片有效图像内容的sift特征向量集合中有和进行比对的训练特征向量一致的sift特征向量，则将此sift特征向量记录下来，按照上述方式将训练特征向量集合中所有的训练特征向量比对完，然后计数被记录下来的sift特征向量的数量，然后将记录下来的sift特征向量的数量与sift特征向量集合中sift特征向量的总数量相比，得到比率记并为匹配率。可以理解的是，匹配率表征的是监测图片和标准监测图片之间的相似程度。
65.s402、依次获取sift特征向量，依次计算sift特征向量与训练特征向量集合中的训练特征向量之间的欧氏距离得到向量距离集合。
66.每张监测图片对应的sift特征向量集合中均有若干个sift特征向量，每次从sift特征向量集合中不重复选出一个sift特征向量，并计算此sift特征向量与训练特征向量集合中每个训练特征向量之间的欧氏距离，然后计算下一个sift特征向量与训练特征向量集合中每个训练特征向量之间的欧氏距离，按照上述方式计算出sift特征向量集合中所有
sift特征向量与训练特征向量集合中每个训练特征向量之间的欧氏距离；进一步，将计算得到的所有欧氏距离组合成向量距离集合。
67.s403、对向量距离集合中的欧氏距离进行平均计算得到平均向量距离。
68.为了便于直观地了解一张监测图片和标准监测图片之间的差距，需要将向量距离集合中的所有欧氏距离统计数量化，也即计算向量距离集合中的所有欧氏距离的平均值，并将得到平均值记为平均向量距离，平均向量距离用以表征监测图片和标准监测图片之间的差异程度。
69.s500、对向量距离和匹配率进行逻辑回归运算生成逻辑回归值。
70.具体的s500包括以下步骤：s501、为匹配率匹配第一回归系数，为向量距离匹配第二回归系数。
71.从一个角度思考，匹配率表征的是监测图片和标准监测图片之间的相似程度，从另一个角度思考，匹配率和平均向量距离类似，也可表征监测图片和标准监测图片之间的差异程度。
72.匹配率和平均向量距离是决定监测图片和标准监测图片之间的差异程度的两个变量，为了能综合这两个变量从而能更直观的了解监测图片和标准监测图片之间的差异程度，可以引入logistic regression（逻辑回归算法）综合匹配率和平均向量距离这两个变量。
73.虽然匹配率和平均向量距离均是决定监测图片和标准监测图片之间的差异程度的变量，但是匹配率和平均向量距离决定监测图片和标准监测图片之间的差异程度的权重是不同的，故而，通过logistic regression对匹配率和平均向量距离进行处理过程中，结合历史实验数据先为匹配率匹配用于体现匹配率所占权重大小的第一回归系数，还为平均向量距离匹配用于平均向量距离所占权重大小的第二回归系数。
74.s502、依据第一回归系数和第二回归系数对向量距离和匹配率进行逻辑回归运算生成逻辑回归值。
75.通过s401步骤获取匹配率，通过s403步骤获取平均向量距离，通过s501步骤互获取第一回归系数和第二回归系数；进一步，通过第一回归系数和第二回归系数对匹配率和平均向量距离做逻辑回归运算，也即通过第一回归系数和第二回归系数对匹配率和平均向量距离做加权运算，从而得到用于直观体现监测图片和标准监测图片之间差异程度的逻辑回归值。
76.s600、依据预设的判断阈值对逻辑回归值进行判断生成判断值。
77.通过s502得到的逻辑回归值可以数值的方式表征监测图片和标准监测图片之间差异程度，但是养殖监测系统仅仅依靠难以根据逻辑回归值确定养殖用摄像头的状态，为此，可通过历史实验数据总结出判断阈值作为养殖用摄像头状态的判断依据。
78.当逻辑回归值大于判断阈值时，判断值为第一判断值；当逻辑回归值不大于判断阈值时，判断值为第二判断值。
79.s700、依据判断值判断养殖用摄像头的状态并依据状态对养殖用摄像头进行修正。
80.具体的s700包括以下步骤：s701、依据判断值确定养殖用摄像头的状态，状态包括正常和异常。
81.在实施中第一判断值为1，且当第一判断值为1时表征养殖用摄像头的状态为异常；养殖监测系统在第一判断值为1时向工作人员发出报警信息。
82.在实施中第一判断值为0，且当第一判断值为0时表征养殖用摄像头的状态为正常。
83.s702、在养殖用摄像头的状态为异常的情况下对养殖用摄像头进行修正。
84.在实施中，当工作人员接收到报警信息后，实地检查相应的养殖用摄像头并对养殖用摄像头进行修正，直至第一判断值为0。
85.图1为一个实施例中养殖用摄像头状态检测和修正方法的流程示意图。应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行；除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行；并且图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
86.实施例2本技术实施例2公开了一种养殖用摄像头状态检测和修正系统。参照图2，养殖用摄像头状态检测和修正系统包括：图片训练模块100，用于对预设的标准监测图片进行训练生成训练特征向量集合；图像内容确定模块200，用于获取养殖用摄像头拍摄的监测图片，通过目标检测算法对监测图片进行处理确定有效图像内容；sift运算模块300，用于通过sift算法对图像内容进行处理获取sift特征向量集合；匹配率和平均向量距离计算模块400，用于依据训练特征向量集合和sift特征向量集合计算监测图片和标准监测图片之间的匹配率和平均向量距离；逻辑回归值计算模块500，用于对向量距离和匹配率进行逻辑回归运算生成逻辑回归值；判断值生成模块600，用于依据预设的判断阈值对逻辑回归值进行判断生成判断值；状态判断与修正模块700，用于依据判断值判断养殖用摄像头的状态并依据状态对养殖用摄像头进行修正。
87.实施例3在本实施例3中公开了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述一种养殖用摄像头状态检测和修正方法的步骤。此处一种养殖用摄像头状态检测和修正方法的步骤可以是上述各个实施例的一种养殖用摄像头状态检测和修正方法中的步骤。
88.实施例4在本实施例4中公开了一种计算机可读存储介质，其存储有能够被处理器加载并执行如上述一种养殖用摄像头状态检测和修正方法的计算机程序，该计算机可读存储介质例如包括：u盘、移动硬盘、只读存储器(read-onlymemory，rom)、随机存取存储器
(randomaccessmemory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
89.本具体实施例仅仅是对本发明的解释，其并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本发明的权利要求范围内都受到专利法的保护。