确定动物畜群中动物的身份的方法和装置与流程

计算;推算;计数设备的制造及其应用技术1.本发明涉及用于确定动物畜群中动物的身份的方法和装置，并且特别地，但不限于用于确定在挤奶厅或进入挤奶厅、在旋转挤奶平台的隔间或进入旋转挤奶平台的隔间、或者在单一隔间挤奶装置的隔间或进入单一隔间挤奶装置的隔间的这样的动物畜群中的动物(例如，奶牛、山羊等)的身份的方法和装置。背景技术：2.重要的是识别挤奶厅(例如旋转挤奶平台)的隔间中各动物的身份，以便可以单独确定那个动物的产奶量和产奶的其它方面。此外，由于挤奶期间在挤奶厅的隔间中有规律地喂养动物，因此在通过自动喂食系统喂养动物的情况下，可以正确识别挤奶厅的隔间中各动物的身份也是重要的，因此在各挤奶周期中向动物供应正确的饮食饲料和正确数量的饮食饲料。3.虽然有各种用于确定动物的身份的系统，例如rfid动物标识系统，但出于各种原因，确定在挤奶厅或旋转挤奶平台的相应隔间中动物的身份的准确性并不总是正确的。4.因此需要一种方法来解决这个问题，并且还需要一种装置来解决这个问题。技术实现要素：5.本发明针对提供用于解决该问题的方法和装置。6.根据本发明，提供了一种用于确定动物畜群中动物的身份的方法，该方法包括用图像捕获设备捕获动物的至少一部分的图像，将捕获的图像或从捕获的图像计算的特征向量与和动物的身份交叉引用的畜群的相应动物的多个存储的参考图像或存储的参考特征向量进行比较，直到检测到将捕获的图像与参考图像之一匹配或将计算出的特征向量与参考特征向量之一匹配的最佳匹配，并基于该最佳匹配确定动物的身份。7.在本发明的一个实施例中，相应动物的参考图像以电子形式存储，并且将捕获的图像与各参考图像顺序地进行比较，直到识别出最佳匹配。8.在本发明的一个实施例中，捕获各动物的多于一个图像，并且那个动物的多于一个捕获的图像与参考图像进行比较，直到识别出最佳匹配。9.在本发明的另一方面，相应动物中的各动物的多个参考图像以电子形式存储，并且使用统计采样最佳匹配方法将捕获的图像与参考图像顺序地进行比较，直到识别出最佳匹配。10.在本发明的一个实施例中，各参考图像包括对应动物的二维图像。11.在本发明的另一个实施例中，各参考图像包括对应动物的三维图像。12.在本发明的另一个实施例中，各捕获的图像包括图像中的捕获的动物的二维图像，并且在本发明的另一个实施例中，各捕获的图像包括图像中的捕获的动物的三维图像。13.优选地，相应动物的参考图像是动物的大致类似部分的参考图像。优选地，各捕获的图像包括对应动物的一部分。14.优选地，各对应动物的参考图像是对应动物的近似类似部分的参考图像。15.在本发明的一个方面中，每次捕获动物的图像并与对应动物的一个或多个参考图像匹配时，更新各对应动物的一个或多个参考图像。16.在本发明的另一方面中，各动物的先前捕获的图像被存储在参考图像数据文件中作为那个动物的参考图像，并且优选地，各参考图像数据文件与对应动物的身份交叉引用。优选地，通过计算机中配置的学习模型将捕获的图像与参考图像进行比较，将捕获的图像传递通过学习模型以与各动物的各参考图像数据文件中的参考图像进行比较直到识别出最佳匹配。有利地，学习模型包括深度学习模型。17.在本发明的一个实施例中，将各动物的捕获的图像的特点与相应动物的参考图像的对应特点进行比较，直到识别出最佳匹配。18.优选地，各参考图像以电子形式存储。19.在本发明的另一个实施例中，该方法还包括通过独立识别系统独立地确定畜群中相应动物的身份。20.优选地，独立识别系统包括基于电子的识别系统。有利地，独立识别系统基于基于射频的识别系统。理想地，独立识别系统被配置用于读取存储在动物体内或动物身上的电子可读识别码。优选地，识别码以电子方式存储在电子介质中。21.在本发明的一个实施例中，为畜群中的各动物都提供了用于存储动物识别码的存储设备。22.在本发明的一个实施例中，将各动物的从捕获的图像与那个动物的参考图像的比较中识别出的身份与由独立识别系统为那个动物确定的身份进行比较，并且如果这两个确定的身份属于同一个动物，那么将那个动物的捕获图像存储为那个动物的经确认的参考图像。优选地，如果通过将捕获的图像与用于动物之一的参考图像进行比较识别出的那个动物的身份与由独立识别系统为那个动物确定的身份不同，那么产生冲突提醒信号，提醒那个动物的两个确定的身份之间的冲突。23.在本发明的一个实施例中，各动物的特征向量是从那个动物的多个捕获的图像计算的。24.优选地，畜群中的相应动物的参考特征向量对于相应动物中的各动物都是唯一的。25.优选地，参考特征向量被存储在包括畜群的相应动物的参考特征向量的数据集中。26.在本发明的一个实施例中，各动物的参考特征向量包括至少一个与那个动物相关的度量。27.优选地，与各动物相关的至少一个度量包括从那个动物的参考图像推导的要素的度量。有利地，与各动物相关的至少一个度量包括从那个动物的参考图像计算出的要素的度量。28.有利地，各动物的参考特征向量包括包含那个动物的多个度量的矩阵。29.优选地，各动物的度量矩阵中的各度量是从那个动物的一个或多个参考图像计算的。30.有利地，各参考图像或多个图像以数字形式存储，并且各动物的各度量是根据那个动物的参考图像的数字形式计算的。31.在本发明的另一个实施例中，畜群的相应动物的参考图像包括相应动物的类似部分的图像。32.在本发明的一个实施例中，将各动物的通过计算出的特征向量与那个动物的参考特征向量的比较识别出的身份与由独立识别系统为那个动物确定的身份进行比较，并且如果这两个确定的身份属于同一个动物，那么将那个动物的计算出的特征向量存储为那个动物的经确认的参考特征向量。33.优选地，如果动物之一的通过将计算出的特征向量与那个动物的参考特征向量进行比较识别出的身份与由独立识别系统为那个动物确定的身份不同，那么产生冲突提醒信号以提醒那个动物的两个确定的身份之间的冲突。34.在本发明的另一个实施例中，畜群的动物组的参考特征向量被分类为参考特征向量的相应分类组，由此各分类组的各动物的参考特征向量的至少一个度量包括那个分类组的那个动物的参考图像的要素的度量，所述要素是那个分类组的动物的参考图像共有的要素。35.优选地，各分类组的各参考特征向量包括从中计算那个参考特征向量的参考图像的一个或多个要素的多于一个度量，所述要素是从中计算那个分类组的参考特征向量的参考图像共有的一个或多个要素。36.有利地，各分类组的参考特征向量包括从中计算那个分类组的相应参考特征向量的参考图像共有的一个或多个要素的度量的相应矩阵。37.优选地，畜群的动物的参考图像包括由图像捕获设备捕获的图像。38.有利地，畜群的动物的参考图像包括由图像捕获设备捕获的相应动物的图像。39.优选地，畜群中各动物的参考特征向量包括从捕获的对应动物的参考图像计算出的参考特征向量。40.在本发明的一个实施例中，从相应动物的参考图像中选择畜群中相应动物的参考特征向量，使得相应参考特征向量的度量矩阵中的度量彼此充分间隔开，从而相应动物的参考特征向量是可彼此区分的。41.在本发明的另一个实施例中，通过度量学习模型从相应动物的参考图像生成相应动物的参考特征向量。42.在本发明的另一个实施例中，为各动物存储多于一个参考特征向量，各动物的特征向量是从该动物的相应参考图像计算的。43.优选地，为各动物存储不多于预定义数量的参考特征向量。44.优选地，各动物的参考图像向量在每次刚刚捕获的那个动物的图像的计算出的特征向量与那个动物的参考特征向量匹配时被更新，并且从刚刚计算出的那个动物的图像计算出的特征向量与那个动物的其它存储的参考特征向量一起存储为那个动物的参考特征向量。45.有利地，每次为各动物存储的参考特征向量的数量超过存储的特征向量的预定义数量时，从存储的参考特征向量中删除不是经确认的参考特征向量的最旧的存储的参考特征向量，并且如果为那个动物存储的所有参考特征向量都是经确认的参考特征向量，那么删除最旧的那个经确认的参考特征向量。46.在本发明的另一个实施例中，每次对于从刚刚捕获的动物的图像计算的计算出的特征向量没有找到匹配时，那个计算出的特征向量被认为是新动物的特征向量，并且被存储为新动物的参考特征向量，并产生指示已检测到新动物的新动物提醒信号，并且新动物的身份将与那个新动物的存储的参考特征向量交叉引用。47.在本发明的一个实施例中，对从刚刚捕获的动物的图像中计算的各计算出的特征向量，确定计算出的特征向量最接近的动物的参考特征向量的分类组，并且计算出的特征向量与那个分类组的参考特征向量进行比较，直到检测到计算出的特征向量与那个分类组的参考特征向量之一的最佳匹配。48.在本发明的另一个实施例中，如果未识别出从刚刚捕获的图像计算的计算出的特征向量与参考特征向量的确定的最接近的分类组的参考特征向量的最佳匹配，那么将计算出的特征向量与其它分类组的参考特征向量进行比较，直到确定与参考特征向量之一的最佳匹配。49.优选地，各捕获的图像都经过学习模型，并且该学习模型从捕获的图像计算对应的特征向量。50.有利地，学习模型包括一次性深度学习模型，用于允许创建和包括添加到畜群的新动物的新参考特征向量，以动态添加到学习模型。51.优选地，学习模型基于度量学习。52.在本发明的一个实施例中，度量学习模型被配置为在特征空间中生成畜群中相应动物的参考特征向量，使得度量彼此充分间隔开，以便允许各动物的参考特征向量可与畜群中相应的其它动物的参考特征向量区分开来。53.在本发明的另一个实施例中，各捕获的图像的特征向量的计算以及将其与畜群的参考特征向量的数据集进行比较是通过由信号处理器中配置的学习模型训练的神经网络来执行的。有利地，学习模型包括一次性深度学习模型，该模型允许从一个或仅几个参考图像起创建和包括添加到畜群的对应动物的附加参考特征向量，以动态添加到学习模型。优选地，学习模型基于度量学习，并且有利地，能够区分畜群中的动物，从而可以随后根据来自那个动物的捕获的图像的对应计算出的特征向量识别畜群中的各动物。54.优选地，度量学习模型被配置为在特征空间中为畜群中的相应动物生成参考特征向量，使得所有类别的度量彼此间隔开足够远，从而它们允许各动物的参考特征向量可与畜群中其它各动物的参考特征向量区分开来。55.采用度量学习模型的优点是它允许从相对少量的从对应参考图像计算的初始参考特征向量起相对快速地计算和累积参考特征向量的数据集。这是由于度量学习模型的以下能力：在每次捕获新动物的图像时为新动物计算参考特征向量，使得新动物的特征向量的度量与其它动物的特征向量的度量是可区分的，并且一旦计算出新动物的特征向量，那个动物的特征向量就与参考特征向量的数据集一起存储为那个动物的参考特征向量。56.提供基于度量学习的学习模型相对于标准深度学习分类器的优点是度量学习模型所需的初始数据集显著少于标准深度学习分类器所需的初始数据集。标准深度学习分类器从大数据集进行训练，该数据集必须在一长段时间内收集并仔细管理以涵盖平衡数量的各种数据，以便学习各动物的识别。通过使学习模型基于度量学习，只要求一个或几个具有特征向量的参考图像，并且可以容易地从原始的一个或几个具有特征向量的参考图像以及从相应动物的捕获的图像构建多个参考特征向量的数据集。57.在本发明的另一个实施例中，学习模型包括将模型从对应捕获的图像生成的各特征向量与所有存储的识别出的动物的先前捕获的图像的各参考特征向量的度量矩阵进行比较。在本发明的这个实施例中，各动物的先前捕获的特征向量被存储在数据文件中作为参考“指纹”或各动物的缩短的数据表示，并且各数据文件与对应动物的身份交叉引用。58.优选地，根据捕获的动物之一的图像计算出的特征向量与畜群的参考特征向量的数据集的比较通过距离函数执行，该距离函数优选地计算在欧几里得空间中一对特征向量之间的距离。59.在本发明的一个实施例中，从畜群中动物的捕获的图像计算出的特征向量通过学习模型，用于与各动物的各数据文件中的参考“指纹”特征向量进行比较，直到生成其参考特征向量最接近计算出的特征向量的动物的身份的有序列表。优选地，动物的预测的身份被选择为具有参考特征向量的动物，其中其一对特征向量之间的距离最接近从捕获的图像计算的计算出的特征向量并且在某个预定义的阈值距离内。60.在本发明的另一个实施例中，基于例如已经可用于那个动物的捕获的图像的数量、那个动物的捕获的图像的特征向量与存储在畜群中动物的参考特征向量的数据集中的那个动物的参考特征向量的距离、以及该动物的身份是否仅通过从该动物的捕获的图像计算出的特征向量与畜群中动物的参考特征向量的数据集的比较来确定的或者也是通过独立识别系统确定的之一，通过包含优先级更新那个动物的特征向量的度量的矩阵。61.在本发明的另一个实施例中，通过基于例如到期日期的排除优先级、通过特定数据离群测量或在欧几里得空间中的接近性来从畜群中动物的参考特征向量的数据集中删除参考特征向量，以限制畜群的动物的参考特征的数据集的存储要求，并限制将从各捕获的图像计算出的各特征向量与存储在畜群中动物的参考特征向量的数据集中的参考特征向量进行比较所需的计算时间。62.在本发明的另一个实施例中，当在预测的动物的可能身份与由独立识别系统确定的那个动物的身份之间确定了差异、或者动物没有被成功识别的情况下，提供允许从外部源输入那个动物的身份的规定。63.在本发明的一个实施例中，外部源可以包括人机接口或机器对机器接口，其中那个动物的身份将从另一个系统的数据库被输入。64.在本发明的进一步的实施例中，学习模型被配置为与动物畜群或多个动物畜群一起使用，并且在本发明的另一个实施例中，学习模型被配置用于构造一个或多个畜群的动物的参考特征向量的数据集。65.在本发明的另一个实施例中，学习模型被配置为远程或本地地在信号处理器上执行，例如在农场主的计算机上执行，该计算机已经具有与畜群中动物的身份交叉引用的那些动物的捕获的图像的数据集。66.在本发明的另一个实施例中，各动物的参考图像是那个动物的不同部分的图像。67.在本发明的另一个实施例中，各动物的捕获的图像包括该动物的小于对应参考图像的区域的区域的图像。68.在本发明的进一步的实施例中，各动物的参考图像中的至少一些包括各动物的头部、耳朵、尾部、肩部和尾巴中的一个或多个的图像。69.优选地，各动物的捕获的图像包括与参考图像的动物的部分的区域类似的动物的区域。70.在本发明的另一个实施例中，各动物的至少部分的捕获的图像包括该动物的大于对应参考图像的动物的该部分的区域的区域。71.在本发明的一个实施例中，各动物的参考图像中的至少一个表示从上方观察时对应动物的视图。72.在本发明的另一个实施例中，各动物的参考图像中的至少一个表示当从动物的一侧观察时对应动物的视图。73.在本发明的另一个实施例中，各动物的参考图像中的至少一个表示当从动物的两侧观察时对应动物的视图。74.优选地，各动物的参考图像中的至少一个表示当从动物的前面观察时对应动物的视图。75.在本发明的另一个实施例中，各动物的参考图像中的至少一个表示当从动物的后部观察时对应动物的视图。76.在本发明的另一个实施例中，各动物的参考图像中的至少一个表示当从动物的上方以及从动物的前面、后面和侧面之一以一角度观察时对应动物的视图。77.在本发明的另一个实施例中，为各动物存储来自相对于动物的不同视点的至少两个参考图像。78.在本发明的一个实施例中，通过从那个动物的捕获的图像中识别该动物的至少一部分的形状并将该动物的那至少一部分的形状与相应动物的参考图像的对应部分的形状进行比较来确定动物的身份。79.在本发明的另一个实施例中，各动物的参考图像中的至少一个包括那个动物的独特特征。80.优选地，各动物的独特特征包括那个动物的固有特征。81.在本发明的另一个实施例中，各动物的独特特征包括应用于或附接到那个动物的独特特征。82.优选地，应用于各动物的独特特征包括独特的图形符号、独特的标记、一个或多个识别字母、一个或多个识别数字、以及字母数字代码之一。83.在本发明的另一个实施例中，各动物的参考图像包括固有的独特特征以及应用于或附接到动物的独特特征中的一个或两者。84.优选地，参考图像以数字方式存储。85.有利地，捕获的图像和参考图像由数字图像捕获设备捕获。86.在本发明的一个实施例中，图像由数字视频图像捕获设备捕获。87.在本发明的另一个实施例中，捕获的图像和参考图像由电荷耦合设备捕获。88.在本发明的另一个实施例中，捕获的图像和参考图像由cmos设备捕获。89.在本发明的另一个实施例中，图像捕获设备包括使用cmos技术的光子混合器设备。90.在本发明的一个实施例中，图像捕获设备位于动物上方，与要捕获动物的图像的位置相邻，以便产生从动物上方向下看的图像。91.在本发明的另一个实施例中，各动物的捕获的图像在被配置用于分离动物的挑选板条箱(drafting crate)附近被捕获。92.在本发明的另一个实施例中，图像捕获设备位于喂食站附近，在该喂食站中为动物提供水和食物中的一种或多种。93.在本发明的另一个实施例中，图像捕获设备被定位成用于捕获挤奶厅和单一隔间挤奶装置之一的隔间内或与其相邻的动物的图像。94.在本发明的进一步的实施例中，图像捕获设备位于朝向隔间一端靠近隔间的位置。95.优选地，所确定的动物的身份与动物所在隔间的标识号交叉引用。96.在本发明的另一个实施例中，当动物在隔间内时监测动物所在的隔间的产奶量，并计算动物在隔间内期间动物产生的奶量并与动物的身份交叉引用地被存储。97.在本发明的一个实施例中，独立识别系统被配置为当动物进入挤奶厅、挤奶厅之一的隔间和单一隔间挤奶装置之一时确定动物的身份。98.在本发明的另一个实施例中，在各挤奶周期期间监测各动物的产奶量、奶成分、喷奶量和挤奶时间中的一个或多个，并与动物的身份交叉引用地存储产奶量、奶成分、喷奶量和挤奶时间中的一个或多个。99.在本发明的进一步的实施例中，根据从动物监测的奶识别各动物的健康问题，并且那个动物的任何识别出的不利健康问题都与动物的身份交叉引用地被存储。100.在本发明的更进一步的实施例中，向各动物供应饲料，并监测供应给动物的饲料，以及计算动物在各挤奶周期期间消耗的饲料的重量并与动物的身份交叉引用地存储动物在各挤奶周期期间消耗的饲料的重量。101.在本发明的一个实施例中，畜群中各动物的至少一个参考辅助特点与动物的身份交叉引用地被存储，并且该方法还包括通过以下来确定各动物的身份：确定各动物的与至少一个存储的参考辅助特点对应的至少一个辅助特点，并将至少一个确定的辅助特点与畜群中动物的存储的参考辅助特点进行比较直到找到所确定的辅助特点与参考辅助特点之一的最佳匹配，并将动物的身份确定为匹配参考辅助特点的动物的身份。102.优选地，对于各被识别的动物，所确定的辅助特点中的一个或多个被存储为与那个动物的身份交叉引用的那个动物的参考辅助特点中最近的一个或多个。103.有利地，为各动物存储不多于预定义数量的参考辅助特点中的各个参考辅助特点，并且当已经达到为各动物存储的各个参考辅助特点的数量时，那个动物的对应参考辅助特点中最旧的一个被删除。104.在本发明的另一个实施例中，参考辅助特点包括畜群的相应动物中各动物的所消耗饲料的参考重量、参考产奶量、参考奶成分、参考喷奶量和参考挤奶时间中的一个或多个，并且该方法还包括确定各动物在各挤奶周期期间所消耗饲料的重量、产奶量、奶成分、喷奶量和挤奶时间中的一个或多个。105.在本发明的另一个实施例中，参考辅助特点之一包括具有不利健康问题的畜群中各动物的至少一个参考不利健康问题。优选地，为具有不利健康问题的各动物确定不利健康问题。106.有利地，根据动物的捕获的图像之一或根据从动物监测的奶从各动物推导不利健康问题。107.在本发明的另一个实施例中，参考辅助特点之一包括畜群中各动物的参考跛足分数。优选地，各动物的跛足分数是从那个动物的捕获的图像中确定的。108.在本发明的一个实施例中，该方法被配置为在信号处理器中执行。109.优选地，该方法被配置为在计算机中执行。110.本发明还提供了一种用于确定在挤奶厅和单一隔间挤奶装置之一的隔间中或进入其中的动物畜群中动物的身份的方法，该方法包括用图像捕获设备捕获隔间中的或当动物进入隔间时的动物的至少一部分的图像，将捕获的图像或从捕获的图像计算出的特征向量与和动物的身份交叉引用的畜群中相应动物的多个存储的参考图像或存储的参考特征向量进行比较直到检测到将捕获的图像与参考图像之一匹配或将计算出的特征向量与参考特征向量之一匹配的最佳匹配，并基于该最佳匹配确定动物的身份。111.此外，本发明提供了一种用于确定动物畜群中动物身份的装置，该装置包括用于存储与相应动物的身份交叉引用的畜群中相应动物的多个参考图像或参考特征向量的第一存储部件、用于捕获动物的至少一部分的图像的图像捕获设备、用于将捕获的动物的图像与存储在第一存储部件中的参考图像进行比较或用于将计算出的特征向量与存储在第一存储部件中的参考特征向量进行比较直到检测到将捕获的图像与参考图像之一匹配或将从捕获的图像计算的计算出的特征向量与参考特征向量之一匹配的最佳匹配的比较部件、以及用于基于该最佳匹配确定动物的身份的部件。112.优选地，相应动物的参考图像以电子形式存储在第一存储部件中。113.在本发明的一个实施例中，相应动物中的每一个的多个参考图像以电子形式存储在第一存储部件中，并且比较部件被配置为使用统计采样最佳匹配方法将捕获的图像与参考图像顺序地进行比较，直到识别出最佳匹配。114.在本发明的另一个实施例中，各对应动物的参考图像是对应动物的近似类似部分的参考图像。115.优选地，图像捕获设备被配置为捕获相应动物的一部分的图像。116.有利地，每次捕获动物的图像并与对应动物的一个或多个参考图像匹配时，更新各对应动物的参考图像中的一个或多个。117.优选地，各动物的先前捕获的图像作为那个动物的参考图像存储在第一存储器中的参考图像数据文件中，并且各参考图像数据文件与对应动物的身份交叉引用。118.有利地，比较部件被配置为学习模型。优选地，比较部件包括深度学习模型。119.在本发明的一个实施例中，各参考图像以电子形式存储在第一存储部件中。120.在本发明的一个实施例中，该装置还包括用于独立于该装置确定畜群中相应动物的身份的独立系统。优选地，独立识别系统包括基于电子的识别系统。有利地，独立识别系统基于基于射频的识别系统。优选地，独立识别系统被配置用于读取存储在动物体内或动物身上的电子可读识别码。121.在本发明的一个实施例中，识别码以电子方式存储在电子介质中。122.在本发明的另一个实施例中，将各动物的从计算出的图像与那个动物的参考图像的比较中识别出的身份与由独立识别系统为那个动物确定的身份进行比较，并且如果这两个确定的身份属于同一个动物，那么将那个动物的捕获的图像存储在第一存储部件中作为那个动物的经确认的参考图像。优选地，如果动物之一的通过将捕获的图像与用于那个动物的参考图像进行比较而识别出的身份与由独立识别系统为那个动物确定的身份不同，那么产生冲突提醒信号以提醒那个动物的两个确定的身份之间的冲突。123.在本发明的另一个实施例中，参考特征向量被存储在第一存储部件中作为包括畜群中相应动物的参考特征向量的数据集。124.在本发明的一个实施例中，各参考图像以数字形式存储在第一存储器中，并且各参考特征向量的各度量是从那个动物的参考图像的数字形式计算的。125.在本发明的另一个实施例中，将各动物的从计算出的特征向量与那个动物的参考特征向量的比较中识别出的身份与由独立识别系统为那个动物确定的身份进行比较，并且如果这两个确定的身份属于同一个动物，那么将那个动物的计算出的特征向量存储在第一存储部件中作为那个动物的经确认的参考特征向量。126.在本发明的进一步的实施例中，如果动物之一的通过将计算出的特征向量与那个动物的参考特征向量进行比较识别出的身份与由独立识别系统为那个动物确定的身份不同，那么产生冲突提醒信号以提醒那个动物的两个确定的身份之间的冲突。127.在本发明的一个实施例中，畜群中的动物组的参考特征向量被存储在第一存储部件中的参考特征向量的相应分类组中，由此各分类组的各动物的参考特征向量的至少一个度量包括那个分类组的那个动物的参考图像的要素的度量，所述要素是那个分类组的动物的参考图像共有的要素。128.优选地，各分类组的各参考特征向量包括从中计算那个参考特征向量的参考图像的一个或多个要素的多于一个度量，所述要素是从中计算那个分类组的参考特征向量的参考图像共有的一个或多个要素。129.有利地，各分类组的参考特征向量包括从中计算那个分类组的相应参考特征向量的参考图像共有的一个或多个要素的度量的相应矩阵。130.在本发明的一个实施例中，该装置包括信号处理器。131.优选地，信号处理器包括计算机。132.在本发明的另一个实施例中，信号处理器被配置为从畜群中相应动物的参考图像中选择相应动物的参考特征向量，使得相应参考特征向量的度量矩阵中的度量彼此充分间隔开，使得相应动物的参考特征向量可彼此区分开来。133.优选地，信号处理器被配置为执行学习模型的步骤以从相应动物的参考图像生成相应动物的参考特征向量。134.有利地，各动物的多于一个参考特征向量被存储在第一存储部件中。135.在本发明的一个实施例中，信号处理器被配置为每次刚刚捕获的那个动物的图像的计算出的特征向量与那个动物的参考特征向量匹配时更新各动物的参考特征向量，并且信号处理器被配置为将从刚刚计算出的那个动物的图像计算出的特征向量与和那个动物的身份交叉引用的那个动物的其它存储的参考特征向量一起存储在第一存储部件中作为那个动物的最近的参考特征向量。136.优选地，各动物的不多于预定义数量的参考特征向量被存储在第一存储部件中。137.在本发明的另一个实施例中，信号处理器被配置为每次为各动物存储的参考特征向量的数量超过存储的特征向量的预定义数量时，从那个动物的存储的参考特征向量中删除不是经确认的参考特征向量的那个动物最旧的存储的参考特征向量，并且如果为那个动物存储的所有参考特征向量都是经确认的参考特征向量，那么信号处理器被配置为删除那个动物的经确认的参考特征向量中最旧的一个。138.优选地，每次对于从刚刚捕获的动物的图像计算的计算出的特征向量没有找到匹配时，信号处理器被配置为将计算出的特征向量存储在第一存储部件中作为作为新动物的那个动物的参考特征向量，并产生指示已检测到新动物的新动物提醒信号，并且将新动物的身份录入第一存储部件中并与刚刚存储的那个新动物的参考特征向量交叉引用。139.有利地，对于从刚刚捕获的动物图像计算的各计算出的特征向量，信号处理器被配置为确定计算出的特征向量最接近的动物的参考特征向量的分类组，并且比较部件将计算出的特征向量与那个分类组的参考特征向量进行比较直到检测到计算出的特征向量与那个分类组的参考特征向量之一的最佳匹配。140.在本发明的一个实施例中，如果没有检测到从刚刚捕获的图像计算的计算出的特征向量与确定的最接近分类组的参考特征向量的最佳匹配，那么比较部件将计算出的特征向量与其它分类组的参考特征向量进行比较直到确定与参考特征向量之一的最佳匹配。141.在本发明的一个实施例中，信号处理器被配置为执行学习模型的步骤，并且各捕获的图像都经历学习模型的步骤以计算特征向量。142.优选地，信号处理器被配置为一次性深度学习模型，用于允许创建和包含添加到畜群的对应动物的附加参考特征向量以动态添加到学习模型。143.有利地，在其中配置信号处理器的学习模型基于度量学习。144.优选地，信号处理器被配置为执行用于区分畜群中的动物的学习模型的步骤，以便随后畜群中的各动物可以根据从那个动物的捕获的图像计算的对应计算出的特征向量被识别。145.有利地，信号处理器被配置为执行在特征空间中生成畜群中相应动物的参考特征向量的度量学习模型的步骤，使得度量彼此充分间隔开以便允许各动物的参考特征向量可与畜群中的其它各个动物的参考特征向量区分开来。146.在本发明的一个实施例中，参考图像以数字方式存储。147.优选地，捕获的图像和参考图像由图像捕获设备以数字形式捕获。148.在本发明的一个实施例中，图像捕获设备包括数字视频图像捕获设备。149.在本发明的另一个实施例中，图像捕获设备包括电荷耦合设备。150.在本发明的另一个实施例中，图像捕获设备包括cmos设备。151.在本发明的进一步的实施例中，图像捕获设备包括使用cmos技术的光子混合器设备。152.在本发明的一个实施例中，图像捕获设备被定位成用于捕获挤奶厅和单一隔间挤奶装置之一的隔间内或与其相邻的动物的图像。153.在本发明的另一个实施例中，图像捕获设备位于朝向隔间一端靠近隔间的位置。154.在本发明的进一步的实施例中，所确定的动物身份与动物所在的隔间的标识号交叉引用。155.此外，本发明提供了一种包括信号处理器的装置，该信号处理器被配置用于执行根据本发明的方法。156.另外，本发明提供了一种包括信号处理器的装置，该信号处理器被配置为执行用于确定在挤奶厅和单一隔间挤奶装置之一的隔间内或进入其中的动物畜群中动物的身份的方法。157.本发明还提供了一种挤奶厅，包括根据本发明的用于确定动物畜群中动物的身份的装置，该装置的图像捕获设备被定位成捕获在挤奶厅的隔间内或附近的动物的图像。158.在本发明的一个实施例中，该装置的图像捕获设备被定位成当动物在挤奶厅的隔间中时捕获动物的图像。159.在本发明的另一个实施例中，该装置的图像捕获设备被定位成在动物进入挤奶厅的隔间之后捕获动物的图像。160.在本发明的进一步的实施例中，图像捕获设备位于隔间上方的一水平处。161.在本发明的另一个实施例中，图像捕获设备位于朝着隔间的一端的位置处。162.在本发明的另一个实施例中，独立动物识别系统被定位成用于在动物进入挤奶厅时从相应动物读取电子可读代码。163.优选地，独立动物识别系统被定位成用于在动物处于通向挤奶厅的通道中时从相应动物读取电子可读代码。164.有利地，独立动物识别系统被定位成用于在各动物即将进入隔间时从相应动物读取电子可读代码。165.在本发明的一个实施例中，提供了一种用于监测来自各隔间的奶的部件。166.在本发明的另一个实施例中，用于监测来自各隔间的奶的部件被配置为监测各动物的产奶量、奶成分、喷奶量和挤奶时间中的一个。167.在本发明的另一个实施例中，信号处理器被配置为存储与动物的身份交叉引用的指示各动物的产奶量、奶成分、喷奶量和挤奶时间中的至少一个的数据。168.在本发明的一个实施例中，提供了一种监测部件，用于监测各挤奶周期期间的产奶量、奶成分、喷奶量和挤奶时间中的一个或多个，并且信号处理器被配置为与动物的身份交叉引用地存储所监测的产奶量、奶成分、喷奶量和挤奶时间中的一个或多个。169.在本发明的另一个实施例中，信号处理器被配置为从由各动物的监测部件监测的奶中识别各动物的健康问题，并且信号处理器被配置为与动物的身份交叉引用地存储那个动物的任何识别出的不利健康问题。170.在本发明的进一步的实施例中，向各动物供应饲料，并且向动物供应饲料，并且提供监测部件用于监测饲料，并且信号处理器被配置为计算在各挤奶周期期间动物消耗的饲料的重量，并与动物的身份交叉引用地存储计算出的重量。171.在本发明的一个实施例中，畜群中各动物的一个参考辅助特点与动物的身份交叉引用地被存储，并且信号处理器被配置用于通过确定与至少一个存储的参考辅助特点对应的各动物的至少一个辅助特点并将至少一个确定的辅助特点与畜群中动物的存储的参考辅助特点进行比较直到找到所确定的辅助特点与参考辅助特点之一的最佳匹配来确定那个动物的身份，并且信号处理器还被配置为将动物的身份确定为匹配参考辅助特点的动物的身份。172.在本发明的另一个实施例中，对于各被识别的动物，信号处理器被配置为将确定的辅助特点中的一个或多个与那个动物的身份交叉引用地存储为那个动物的参考辅助特点中最近的一个或多个。173.在本发明的另一个实施例中，为各动物存储不多于预定义数量的参考辅助特点中的每一个，并且当已经达到为各动物存储的各参考辅助特点的数量时，信号处理器被配置为删除那个动物的对应参考辅助特点中最旧的一个。174.在本发明的另一个实施例中，参考辅助特点包括畜群中相应动物中每一个的所消耗饲料的参考重量、参考产奶量、参考奶成分、参考喷奶量和参考挤奶时间中的一个或多个，并且信号处理器被配置为确定各动物在各挤奶周期期间所消耗饲料的重量、产奶量、奶成分、喷奶量和挤奶时间中的一个或多个。175.在本发明的另一个实施例中，参考辅助特点之一包括具有不利健康问题的畜群中各动物的至少一个参考不利健康问题。176.在本发明的进一步的实施例中，信号处理器被配置为对于具有不利健康问题的各动物确定不利健康问题。177.在本发明的另一个实施例中，信号处理器被配置为根据各动物的捕获的图像之一或根据从各动物监测的奶中推导来自各动物的不利健康问题。178.在本发明的另一个实施例中，参考辅助特点之一包括畜群中各动物的参考跛足分数。179.在本发明的进一步的实施例中，信号处理器被配置为从捕获的各动物的图像中确定那个动物的跛足分数。180.在本发明的一个实施例中，挤奶厅包括多个隔间。181.在本发明的另一个实施例中，挤奶厅包括旋转挤奶厅，该旋转挤奶厅在可旋转平台上具有多个隔间。182.在本发明的另一个实施例中，挤奶厅包括单一隔间挤奶装置。183.另外，本发明提供了一种单一隔间挤奶装置，包括用于确定动物畜群中动物的身份的装置，该装置的图像捕获设备位于单个隔间中或与其相邻，用于捕获隔间内动物的图像。184.本发明还提供了一种包括信号处理器的装置，该信号处理器被配置用于执行根据本发明的方法。185.另外，本发明提供了一种包括信号处理器的装置，该信号处理器被配置用于执行用于确定在挤奶厅和单一隔间挤奶装置之一的隔间中或进入其中的动物畜群中动物的身份的方法。186.此外，本发明提供了一种挤奶厅，其包括根据本发明的用于确定动物畜群中动物的身份的装置，该装置的图像捕获设备被定位成捕获在挤奶厅的隔间中或与其相邻的动物的图像。187.本发明的优点很多。本发明的一个特别重要的优点是，根据本发明的方法和装置允许准确地识别挤奶装置的各隔间中的各动物、或者挑选板条箱中的各动物或多个动物或者靠近喂食站或饮水槽的一个或多个动物的身份。这是通过以下事实来实现的：通过识别各动物的一个或多个图像来识别动物。当提供独立于装置的独立动物识别系统时，实现了本发明的进一步的优点，因为独立动物识别系统或者确认动物的身份，或者如果两个确定的身份不同，那么产生冲突提醒信号，从而将注意力吸引到动物的两个确定的身份的冲突。188.对于本领域技术人员而言，根据将要描述的本发明的实施例，本发明的这些和许多其它优点将变得显而易见。附图说明189.本发明将从以下参考附图仅以示例方式给出的一些优选实施例的描述中得到更清楚的理解，其中：190.图1是同样根据本发明的挤奶厅的根据本发明的旋转挤奶平台的示意性俯视图，191.图2是同样根据本发明的用于与图1的旋转挤奶平台一起使用的用于确定动物的身份的装置的框图表示，192.图3是根据本发明的另一个实施例的与图1的旋转挤奶平台一起使用的用于确定动物的身份的装置的框图，193.图4是根据本发明的另一个实施例的与图1的旋转挤奶平台一起使用的用于确定动物的身份的装置的框图，194.图5是根据本发明的另一个实施例的旋转挤奶平台的示意性俯视图，以及195.图6是根据本发明的另一个实施例的与图5的旋转挤奶平台一起使用的用于确定动物的身份的装置的框图。具体实施方式196.参考附图并首先参考其中的图1和2，图示了根据本发明的挤奶厅，其总体上由附图标记1指示。挤奶厅1包括旋转平台3，该旋转平台3包括围绕平台3周向布置的多个隔间5，用于在挤奶期间容纳相应的动物，例如奶牛、山羊等。进入通道6将动物排成一排地容纳到平台3上，使得随着平台在箭头a的方向旋转，当隔间5与进入通道6顺序地对准时，进入通道6中的动物顺序地进入隔间5。离开通道7从平台3延伸，用于当隔间5与离开通道7顺序地对准时容纳来自平台3的动物，在这个阶段，在平台3上完成了一圈的各动物的挤奶应当完成。197.提供了也根据本发明并且总体上由附图标记12指示的装置，在下文中详细描述，用于确定旋转平台3的隔间5中动物畜群中动物的身份。装置12包括信号处理器14，信号处理器14控制装置12的操作，并且在确定了相应隔间5中动物的身份后，动物的身份被存储并与相应动物所在的隔间5的标识号交叉引用，如下面将描述的。在本发明的这个实施例中，信号处理器14包括微处理器14，但是将认识到的，可以提供任何其它合适的信号处理器。198.还提供了独立于装置12的独立识别系统9用于识别动物，并且在本发明的这个实施例中，独立识别系统9包括rfid动物识别系统9。动物识别系统9被配置为将动物识别为从进入通道6顺序地进入平台3的隔间5的畜群的动物。199.rfid动物识别系统9的rfid读取器10位于与邻近挤奶平台3的进入通道6的位置相邻的支撑件(未示出)上。rfid读取器10被配置为读取相应动物的rfid标签(未示出)，当动物从进入通道6顺序地进入隔间5时，rfid标签通常通过项圈附接到动物或附接到相应动物的耳朵。本领域技术人员将理解的rfid标签包含用于识别动物的相应电子可读动物识别码。当动物即将进入相应隔间5时，动物识别码由rfid读取器10读取。当动物即将从进入通道6进入与进入通道6对准的隔间5时，rfid动物识别系统9读取来自rfid读取器10的指示所读取的代码的信号，并确定各动物的身份。当动物即将从进入通道6进入隔间5时，rfid动物识别系统9顺序地产生指示动物的身份的信号。装置12的微处理器14读取由rfid动物识别系统9产生的指示动物的身份的信号，并与检测到动物进入的隔间5的标识号交叉引用地存储各动物的身份，如下面也将描述的。200.首先转向装置12，装置12包括图像捕获设备，在本发明的这个实施例中，由数码相机15提供，这将在下面更详细地描述，用于在隔间5刚刚移动到与进入通道6不对准使得隔间5中的动物不能离开隔间的程度时捕获各隔间中动物的一个或多个图像。在本发明的这个实施例中，相机15位于隔间5上方的一水平处并且在旋转方向上(即，在隔间5与进入通道6对准时从隔间5的位置开始在箭头a的方向上)偏移。除了在箭头a的方向上偏移之外，相机15还定位成与隔间5的内端相邻，使得相机15被配置为在从上向下看动物时捕获动物的一个或多个图像，包括背部顶部、动物头部顶部和动物面部的可见部分。201.如果要在挤奶厅中挤奶的一个或多个畜群中的所有动物在动物的背部顶部、头部顶部或在面部都具有固有的区别特征，那么装置12被配置为根据那些固有的区别特征确定动物的身份。否则，可以为动物中的一些或全部提供附加的区别特征，诸如可以附接到或应用于动物的符号。这种区别符号例如可以是那个动物独有的图形符号、包括一系列字母、一系列数字或独特的字母、数字或字母数字代码的代码，或者可替代地，区别符号可以是是条形码或qr码，所有这些都将直接识别动物。此类符号或代码可以直接印在动物的背上，或者可以通过带子等附接到动物身上，并且在动物身上被定向为当动物在隔间5中时处于相机15的视线范围内。202.可替代地或附加地，装置12可以被配置为根据动物的身体、尾部、头部和/或面部的形状和/或动物的其它特点来确定动物的身份。通常，相机15被定位成使得要捕获其图像的动物或动物的一部分基本上填满相机的视场。203.在本发明的这个实施例中，相机15包括基于cmos技术的光子混合器设备并且被配置为产生三维飞行时间数据，以便产生动物的三维图像。但是，将理解的是，可以使用其它合适的相机(视频和静态两者)，并且合适的相机可以包括电荷耦合设备、基于cmos的设备、立体成像或结构化光三维扫描设备，以及被配置为产生动物的二维或三维图像的其它此类视频或静态相机或任何其它合适设备。微处理器14从相机15读取数字数据信号，该数字数据信号指示相应动物的捕获的图像。204.装置12包括第一存储器17，通常是随机存取存储器，其以数字形式存储畜群中所有动物的参考图像。参考图像是三维图像并且与动物畜群的相应的对应动物的身份交叉引用地存储在第一存储器17中。通常，各动物的身份都存储为唯一识别号。在对应动物的图像数据文件中为各动物存储预定义数量的参考图像，参考图像在第一存储器17中被存储并与动物的身份交叉引用。参考图像最初是从与相机15在动物位于相关隔间5中时捕获动物的图像相同的方向捕获的相应动物的图像。因此，存储在第一存储器17中的参考图像包括如上面所讨论的相应动物的任何区别特征，在一些或全部动物都包括此类特征的情况下，可以是固有的区别特征，或者是对应动物的其它特点，或应用于或附接到动物的区别特征。205.比较部件，在这种情况下是也位于装置12中的图像识别元件19，在微处理器14的控制下操作，用于将各动物的各捕获的图像原样地与存储在第一存储器17中的畜群的动物的图像数据文件中存储的参考图像进行比较，并且用于识别与捕获的图像最佳匹配的参考图像。206.在识别出最佳匹配时，微处理器14被配置为读取存储在第一存储器17中的动物的身份，该身份与一个或多个匹配的参考图像的图像数据文件交叉引用。微处理器14被配置为然后与识别那个动物所在的平台3的隔间5的标识号交叉引用地将动物的身份存储在第二存储器20(例如随机存取存储器)中。207.在本发明的这个实施例中，图像识别元件19被编程为根据深度学习模型进行操作，该深度学习模型被配置为执行预定义的机器学习图像匹配算法，该算法基于统计分析最佳匹配基础执行匹配。208.在本发明的这个实施例中，由微处理器14将捕获的图像传递通过图像识别元件19中的深度学习模型，其将各捕获的图像与存储在相应动物的各图像数据文件中的各参考图像进行比较直到检测到将动物(所捕获的图像的主体)与参考图像的动物之一匹配的最佳匹配。深度学习模型将各捕获的图像的特点和区别特征与参考图像的特点和区别特征进行比较，以便识别最佳匹配。209.在匹配过程期间，使用本领域技术人员将理解的统计分析采样最佳匹配方法将捕获的图像与各动物的各参考图像进行比较。但是，对于本领域技术人员来说将显然的是，可以使用用于将各动物的捕获的图像与相应动物的参考图像进行比较的任何其它匹配方法，并且设想一般而言各动物的多个参考图像将存储在第一存储器7中。此外，将认识到的是，图像识别元件19的功能可以在微处理器14中的软件中或在任何其它合适的信号处理器中实现。210.在本发明的这个实施例中，如上面所讨论的微处理器14在各动物从进入通道6进入平台3的对准的隔间5时从rfid动物识别系统9读取指示动物的身份的信号。微处理器14确定与进入通道6对准并且预期识别出的动物将进入的隔间5的标识号。由rfid动物识别系统9识别出的动物的身份与隔间5的标识号交叉引用并存储在第二存储器20中。一旦装置12随后从由相机15捕获的那个隔间5中动物的图像识别出那个隔间5中动物的身份，微处理器14就将来自从rfid系统9读取的信号和来自动物的捕获的图像的那个隔间5中动物的两个确定的身份进行比较。如果动物的两个确定的身份匹配，那么将这个的指示存储在与动物的身份交叉引用的第二存储器20中，并且将捕获的那个隔间5中的动物的图像存储在第一存储器17中作为那个动物的最近参考图像，并被确认为那个动物的经确认的参考图像。211.但是，如果那个隔间5中的动物的两个确定的身份不匹配，那么微处理器14向提醒设备22输出冲突提醒信号，提醒设备22激活警报以引起注意这个事实，即，基于在由相机15捕获的那个隔间5中动物的捕获的图像的动物的确定的身份与由rfid系统9识别出的那个隔间5中动物的确定的身份不同。212.冲突提醒信号可以是向挤奶厅1中的人员警告身份冲突问题的可听警报信号，或者它可以是激活发送器以将文本消息传输到农场主或传输到云系统的信号，这将提醒农场主在那个隔间5中的动物的两个确定的身份之间存在冲突。此外，微处理器14被配置为在第二存储器20中建立(raise)与和那个动物相关的存储的数据对应的标记，该标记指示该动物可能与rfid系统9识别出的动物不是同一个动物。挤奶厅中的人或农场主然后可以调查那个特定隔间5中动物的两个身份的冲突，然后可以通过用于向微处理器14输入数据的合适接口将那个隔间5中动物的正确身份输入到微处理器14。然后微处理器14对第二存储器20中存储的数据进行适当的校正。213.最初，各动物的参考图像数据文件中的第一存储器17中仅存储少量参考图像，例如各动物的三个或四个参考图像。但是，在各动物在挤奶厅1中经历多个挤奶周期的一段时间内，由于识别出捕获的图像与参考图像之一的各最佳匹配，因此那个动物的最近捕获的图像作为那个动物的最近参考图像存储在那个动物的参考图像数据文件中的第一存储器17中。这个过程一直持续到那个动物的预定义数量的参考图像已存储在参考图像数据文件中并与那个动物的身份交叉引用。预定义数量的参考图像通常是三十个参考图像。一旦存储并与各动物交叉引用的参考图像的数量达到那个动物的参考图像的预定义数量，下一次捕获并匹配那个动物的图像时，就将保存那个捕获的图像并将其存储在第一存储器17中那个动物的参考图像数据文件中作为那个动物的最近参考图像，并且从那个动物的参考图像数据文件中删除不是经确认的参考图像的那个动物的最旧保存的参考图像，从而将对应参考图像数据文件中各动物的存储的参考图像的数量维持恒定在参考图像的预定义数量。如果在那个动物的参考图像数据文件中不存在作为未确认的参考图像的参考图像，那么删除最旧的经确认的参考图像。214.在本发明的这个实施例中，微处理器14被配置为监测隔间5中动物的其它方面，包括来自相应动物的产奶量。提供监测系统(未示出)，用于监测从各动物开始挤奶到那个动物挤奶完成的各隔间的牛奶输出量。微处理器14从监测系统读取信号并确定各挤奶周期期间各动物的产奶量，并且各动物的产奶量被存储在第二存储器20中并与相关动物的身份交叉引用。215.此外，监测系统(未示出)还被配置为监测来自各动物的牛奶中的疾病和其它健康问题，并在确定动物的任何疾病或负面健康问题时，从动物的奶检测到的与这些疾病和负面健康问题相关的数据被传送到微处理器14，微处理器14与相关动物的身份交叉引用地在第二存储器20中存储和交叉引用这些数据。用于监测奶中的疾病和其它健康问题的监测系统可以被配置为监测奶中的细菌计数，监测奶中的血液，以及监测奶中指示动物健康问题的其它指标。216.在本发明的这个实施例中，还为挤奶厅中的各隔间5提供喂食系统(也未示出)，并且在确定隔间5中各动物的身份后，为那个动物提供合适的饲料并且针对那个动物的预定义数量的饲料被分配到对应隔间5的食槽(未示出)中。在离开平台3的各动物上，对刚刚被动物腾出的隔间5的食槽中剩余的饲料量进行称重，并将剩余在食槽中的饲料量的重量传送给微处理器14，微处理器14确定那个动物消耗的食物的量。各动物消耗的食物的量与相关动物的身份交叉引用地存储在第二存储器20中。217.通过经由任何合适的通信接口(例如，经由硬线连接、wi-fi、经由云、互联网或任何其它合适的通信手段)与微处理器14通信，与各动物相关的存储在第二存储器20中的所有数据对于农场主或其他人来说容易获得。218.在使用中，当动物通过进入通道6并随着平台3的旋转顺序地进入隔间5时，rfid动物识别系统9在各动物进入与进入通道6对准的隔间5时从其耳朵或其它标签读取信号。微处理器14从rfid动物识别系统9读取各动物的身份以及该动物将要进入的隔间5的标识号。微处理器14然后将与隔间5的标识号交叉引用的那个动物的身份存储在第二存储器20中。219.一旦动物已进入与进入通道6对准的隔间5并且平台3已经旋转以促使隔间5与进入通道6充分不对准到动物不再能够离开隔间5的程度，相机15捕获刚刚移动到与进入通道6不对准的隔间5中的动物的一个或多个图像。微处理器14读取捕获的图像。微处理器14然后激活图像识别元件19以将捕获的图像与第一存储器17中的参考图像进行比较，并确定捕获的图像与参考图像的最佳匹配，如上面所讨论的。然后微处理器14从第一存储器17中读取与由图像识别元件19识别为最佳匹配的参考图像对应的动物的身份。微处理器14然后将动物的身份与那个动物所在的平台3的隔间5的标识号交叉引用地存储在第二存储器20中。220.微处理器14然后将基于那个动物的捕获的图像确定的那个隔间5中动物的身份与那个隔间5的由rfid动物识别系统9确定的动物的确定的身份进行比较。如果两个确定的身份匹配，那么微处理器14确认那个隔间5中动物的身份。微处理器14还将捕获的那个动物的图像作为那个动物的最近参考图像存储在那个动物的参考图像数据文件中的第一存储器17中，并且如果参考图像数据文件中存储的那个动物的参考图像的数量将超过参考图像的预定义数量，那么删除那个动物的参考图像中最旧的一个，如上面所讨论的。221.另一方面，如果动物的两个确定的身份不匹配，那么微处理器14激活产生冲突警报信号的警报设备22，该警报信号可以是可听的或视觉的警报，或者可以包括用于传输指示警报状况的信号或文本消息的发送器。此外，微处理器14在第二存储器20中针对动物的身份设置标志，该标志指示从捕获的动物的图像确定的两个确定的动物的身份与由rfid识别系统9确定的身份之间的冲突。222.如上面所讨论的，微处理器14还监测相应动物的挤奶，并且指示各动物的产奶量和动物的任何健康问题的数据与对应动物的身份交叉引用地存储在第二存储器20中。由各动物消耗的饲料的量也与动物的身份交叉引用地存储在第二存储器20中。223.现在参考图3，现在将描述根据本发明并且总体上由附图标记30指示的装置的第二实施例，用于确定图1的旋转平台3的隔间5中的动物的身份。装置30与图2的装置12基本类似，并且类似的组件由相同的附图标记识别。装置30与装置12之间的主要区别在于已经省略了图像识别元件19。在本发明的这个实施例中，还包括微处理器的信号处理器14被配置为将从平台1的隔间5中的各动物的一个或多个捕获的图像计算出的数据与存储在第一存储器17中并与相应动物的身份交叉引用的畜群中的动物的参考图像进行比较，并根据从捕获的动物的图像计算的计算出的数据识别动物，如现在将描述的。224.在本发明的这个实施例中，用于动物畜群中的相应动物的参考特征向量的数据集存储在第一存储器17中并且与相应动物的身份交叉引用。各动物的参考特征向量包括最初从由相机15或由另一个数码相机捕获的对应动物的一个并且一般而言是多个捕获的图像推导的度量的矩阵，该数码相机优选地是与相机15类似的数码相机。用于各动物的度量是从那个动物的一个或多个原始捕获的图像计算的，并且是最初选择的，使得用于相应动物的度量适合于将畜群中的动物彼此区分开来。当已经为各动物计算出度量的矩阵时，它被存储在第一存储器17中作为参考特征向量的数据集中那个动物的参考特征向量并且与那个动物的身份交叉引用。下面将描述参考特征向量的初始推导。225.一旦已经准备好用于畜群的相应动物的参考特征向量的数据集并将其存储在第一存储器17中，每次动物将要进入平台3的隔间5之一时，如参考图1和2所描述的，由微处理器14从rfid系统9读取那个动物的身份，并与那个动物即将进入的隔间5的标识号交叉引用地存储在第二存储器20中。一旦动物在隔间5中并且隔间5已经与进入通道6不对准到动物不能离开隔间5的程度，相机15就捕获那个隔间5中动物的一个并且一般而言是多个图像。在本发明的这个实施例中，微处理器14被编程为计算特征向量，该特征向量包括来自捕获的一个或多个图像的相关度量的矩阵，该矩阵与用于畜群的数据集的参考特征向量的度量的矩阵对应。微处理器14还被编程为将那个动物的计算出的特征向量与存储在第一存储器17中的参考特征向量的数据集进行比较。226.微处理器14被编程为使用由度量学习模型训练的神经网络执行从那个动物的捕获图像计算的计算出的特征向量与参考特征向量的数据集的比较。度量学习模型将那个动物的计算出的特征向量与数据集中畜群的动物的参考特征向量进行比较。如果计算出的特征向量几乎与其完全对应的只有一个参考特征向量，那么微处理器14被编程为选择那个参考特征向量作为最佳匹配。然后微处理器14将那个参考特征向量的动物的身份确定为动物的预测的身份。动物的预测的身份与动物的预测的身份交叉引用地存储在第二存储器20中。然后将动物的预测的身份与已经从rfid系统9读取并存储在第二存储器20中的预测的身份相关的隔间5中的动物的身份进行比较。如果动物的预测的身份与从rfid系统9读取的那个动物的身份相似，那么那个动物的预测的身份被确认并与那个动物所在的平台3的隔间5的标识号交叉引用地被存储。此外，为那个动物计算的特征向量作为那个动物的最近确认的参考特征向量存储在第一存储器17中。227.另一方面，如果为那个动物计算的特征向量不产生单个最佳匹配，而是产生与畜群中多个动物的参考特征向量的多个可能的匹配，那么微处理器14被编程为选择对于那个动物最接近计算出的特征向量的预定义数量的可能匹配的参考特征向量。在这种情况下，微处理器14被编程为选择最接近的五个匹配参考特征向量，然后按照与计算出的特征向量的接近性的次序对它们进行排名，最接近的匹配被排在第一位。微处理器14被编程为然后将所选择的预定义数量的最接近的参考特征向量的动物的身份与已经从用于正在为其寻找计算出的特征向量的匹配的动物所在的隔间5的动物的rfid系统9读取的动物的身份进行比较。如果预定义数量的最接近的匹配参考特征向量之一的动物之一的身份与从rfid系统9读取的那个动物的身份相似，那么那个动物的身份被确认为从rfid系统9读取并与动物所在的平台3的隔间5的标识号交叉引用地存储在第二存储器20中的那个动物的身份。然后将那个动物的计算出的特征向量存储在第一存储器中并确认为那个动物的最近参考特征向量。228.但是，如果所选择的那个动物的预定义数量的可能匹配参考特征向量与那个动物的隔间5中已经从rfid系统9读取的那个动物的身份不匹配，那么激活警报器22以产生冲突提醒信号，该冲突提醒信号指示在动物的身份(其计算的特征向量已经从动物的捕获的图像计算出)与从rfid系统9读取的动物的身份之间存在冲突。在这个阶段，挤奶厅1的农场主或主管必须解决所述冲突并通过装置30的接口31输入动物的正确身份。接口31可以是手动接口，或者是机器对机器接口，并且如果是手动接口，那么通常由键盘、触摸屏或语音识别接口提供。另一方面，如果接口是机器对机器接口，那么微处理器14将被配置为从存储在另一个计算机中的数据库中读取动物的身份。229.如上面所讨论的，每次当从动物的捕获的图像计算的计算出的特征向量与那个动物的参考特征向量成功匹配时，参考特征向量的数据集被更新。通常，在第一存储器17中针对各动物存储参考特征向量文件，其中为那个动物存储预定义数量的参考特征向量，其方式类似于在参考图1和2描述的本发明的实施例中将预定义数量的参考图像存储在相应动物的参考图像数据文件中。如上面所讨论的，每次从动物的捕获的图像计算出的特征向量与畜群中的动物之一的参考特征向量匹配时，将计算出的特征向量作为最近参考特征向量添加到那个动物的参考特征向量数据文件。一旦将预定义数量的参考特征向量存储在各动物的参考特征向量文件中，每次将新的参考特征向量添加到那个动物的参考特征向量文件时，删除不是经确认的参考特征向量的最旧的存储的参考特征向量。如果存储在那个动物的参考特征向量文件中的所有参考特征向量都是经确认的参考特征向量，那么删除那个动物的参考特征向量文件中最旧的经确认的参考特征向量。230.现在转向动物畜群的参考特征向量的数据集的初始推导，最初，数据集是从可以是畜群中的一个或多个动物的动物的一个或几个图像构建的，或者可以是与畜群的动物相似类型的动物。随着动物的图像被顺序捕获，从各动物的捕获的图像中计算包括度量的矩阵的特征向量。计算出的特征向量与所存储的一个或几个存储的图像进行比较，并且如果没有找到匹配，那么计算出的捕获的特征向量作为那个动物的参考特征向量存储在第一存储器17中并被认为是畜群的新动物的特征向量，并与从rfid系统9读取的那个动物的身份交叉引用，依此类推，直到已经在第一存储器17中组装并存储畜群的动物的参考特征向量的数据集。在参考特征向量的数据集的初始组装期间，计算和比较从对应捕获的图像计算出的各特征向量是使用由度量学习模型训练的神经网络被计算并与存储器17中已经存储的参考特征向量进行比较的，以便将所述度量适当间隔开，从而各动物的特征向量的度量的矩阵可与畜群中其它动物的特征向量区分开来。一旦与从rfid系统9读取的相应动物的身份交叉引用的参考特征向量的完整数据集已存储在第一存储器17中，此后当动物进入平台3的隔间5时对动物的识别与已经描述的类似。231.现在参考图4，根据本发明的另一个实施例的用于确定旋转挤奶平台的隔间中动物畜群中动物的身份的装置40与参考图1和2描述的挤奶厅1的旋转挤奶平台3相似。根据本发明的这个实施例的装置40与参考图3描述的装置30基本类似，并且类似的组件由相同的附图标记识别。装置40的微处理器14被编程为计算特征向量，所述特征向量与由装置30的微处理器14根据由相机15捕获的动物的图像计算的特征向量基本类似。装置40的微处理器14被编程为将计算出的特征向量与存储在第一存储器17中的动物的参考特征向量进行比较。232.但是，在本发明的这个实施例中，为了最小化各计算出的特征向量与畜群的动物的参考特征向量的必须进行的比较次数，进而减少确定计算出的特征向量的最佳匹配所需的时间，将相应动物的参考特征向量分类为分类组。分类组被结构化为使得分类组的动物的参考特征向量(各自包括从其推导那个参考特征向量的动物的参考图像的至少一个要素的至少一个度量)，并且至少一个要素对于那个分类组的动物的参考图像是共有的，并且从中推导那个分类组的动物的参考特征向量。优选地，分类组的参考特征向量各自包括至少一个要素的多于一个度量，并且优选地，从其推导那个参考特征向量的动物的参考图像的多于一个要素的多于一个度量，并且至少一个要素或多于一个要素对于那个分类组的动物的参考图像是共有的并且已从其推导那个分类组的动物的参考特征向量。233.微处理器14由经度量学习模型训练的神经网络编程，以最初确定所捕获的动物的一个或多个图像的一个或多个要素，将从中计算那个动物的特征向量的度量。当已经从一个或多个图像计算出特征向量的度量的度量矩阵时，微处理器14被编程为最初搜索参考特征向量的分类组，这些参考特征向量是从类似要素或已经从中计算刚刚计算出的特征向量的要素计算的。在确定刚刚计算出的特征向量与参考特征向量的那个分类组的参考特征向量之一的最佳匹配，或计算出的特征向量与多个参考特征向量的多个紧密匹配时，微处理器14被编程为继续确定动物的身份，如已经参考图3的装置30描述的。234.另一方面，如果计算出的特征向量与相关分类组的参考特征向量没有出现最佳匹配，或者如果未检测到计算出的特征向量与相关分类组的多个参考特征向量紧密匹配，那么微处理器14被编程为继续将计算出的参考特征向量与分类组中的其它分类组的参考特征向量进行比较，从最接近已搜索的参考特征向量的分类组的分类组开始搜索。在完成将计算出的参考特征向量与所有分类组的参考特征向量进行比较时，如果没有确定最佳匹配，或者如果没有检测到计算出的参考特征向量与参考特征向量中的一个或多个的紧密匹配，那么微处理器14被编程为根据参考图3描述的装置30继续操作。235.在本发明的这个实施例中，各计算出的特征向量与参考特征向量的比较是由微处理器14在经学习模型训练的神经网络的控制下执行的。度量学习模型理想地包括一次性深度学习模型，以便允许动态地从一个或仅几个参考图像为对应的动物创建附加的参考特征向量，以包括在新添加到畜群的相应的对应动物的数据文件中。通过使用度量学习模型，从捕获的那个动物的图像中选择并计算各特征向量的度量，使得计算出的度量(其随后成为那个动物的参考特征向量的度量)可与畜群中其它动物的参考特征向量的度量区分开来。理想情况下，度量学习模型被配置为在特征空间中生成相应动物的参考特征向量，使得相应分类组的特征向量的度量彼此间隔足够远，以允许各动物的参考特征向量可与畜群中其它各动物的参考特征向量区分开来。236.现在参考图5和6，图示了根据本发明另一个实施例的旋转挤奶厅，其总体上由附图标记50指示。挤奶厅50与参考图1和2描述的挤奶厅1基本类似，并且类似的组件由相同的附图标记识别。挤奶厅50包括装置55，该装置55与参考图4描述的用于确定挤奶厅50的旋转平台3的相应隔间5中的动物畜群中动物的身份的装置40基本类似。还提供了与挤奶厅1的rfid动物识别系统9类似的rfid动物识别系统9，用于确定进入与平台3的进入通道6对准的隔间5的各动物的身份，如已经参考图1和2的挤奶厅1描述的。237.除了图1和2的实施例的挤奶厅1的特征之外，挤奶厅50的旋转平台3还设有喂食槽58，各隔间5提供一个喂食槽58。喂食槽58位于平台3上，与相应隔间5的内端相邻。用于向相应隔间5的喂食槽58供应饮食饲料的喂食系统60包括一个或多个饲料源62，饮食饲料从该饲料源62供应到喂食槽58。各喂食槽58支撑在对应的称重单元63上，用于对对应喂食槽58中的饮食饲料进行称重。在第三存储部件(即，第三存储器64)中存储并交叉引用指示畜群中相应动物的适当饮食饲料及其数量的数据，并且可由微处理器14读取。微处理器14被编程，使得当如上所述确定旋转平台3的隔间5中动物的身份时，微处理器14从第三存储器64中读取指示那个动物的饮食饲料及其数量的数据，并操作喂食系统60以将该饮食饲料及其适当的量分配到那个动物所在的隔间5的喂食槽58中。238.微处理器14被编程为在与那个喂食槽58对应的隔间5与离开通道7对准时从各喂食槽58的称重单元63读取信号并且确定离开那个隔间5的动物所消耗的饲料的重量。微处理器14被编程为在第四存储器65中存储各动物消耗的饮食饲料的详细信息及其重量，与动物的身份交叉引用，用那个动物消耗饮食饲料的挤奶周期的日期和时间加日期和时间戳。239.此外，来自旋转平台3的各隔间5的奶通过监测部件(即，流量计67和牛奶成分分析设备68，它们分别产生指示来自平台3各动物的产奶量的信号，以及各动物生产的奶的成分)。微处理器14被编程为读取来自平台3的各隔间5的流量计67的信号并且基于在各挤奶周期期间动物所在的隔间5计算平台3上的各动物的产奶量。微处理器14被编程为将计算出的各动物的产奶量存储在第四存储器65中，与动物的身份交叉引用，用挤奶周期的日期和时间加日期和时间戳。微处理器14被编程为读取来自对应隔间5的牛奶成分分析设备68的信号并计算在动物的各挤奶周期期间来自各动物的奶的成分。微处理器14被编程为在第四存储器65中存储计算出的各动物的奶成分，与动物的身份交叉引用，用挤奶周期的日期和时间加日期和时间戳。240.微处理器14被编程为根据所捕获的各动物的一个或多个图像计算各动物的跛足分数，例如，根据动物背部的曲率和动物的步态，所述分数与动物跛足的程度按比例从零增加。跛足分数的零值指示动物不是跛足的。微处理器14被编程为将计算出的各动物的跛足分数存储在第四存储器65中，与动物的身份交叉引用，用挤奶周期的日期和时间加日期和时间戳。241.在本发明的这个实施例中，畜群中各动物的参考辅助特点被存储在第一存储器17中，与对应动物的身份交叉引用。存储在第一存储器17中的动物的参考辅助特点是相应动物的参考产奶量、参考奶成分、应当消耗的饲料的参考重量和参考跛足分数。242.微处理器14在各动物的各挤奶周期结束时被编程为将那个动物在那个挤奶周期的计算出的产奶量、计算出的奶成分、饲料的计算出的重量和计算出的跛足分数分别与存储在第一存储器17中的那个动物的参考产奶量、参考奶成分、饲料参考重量和参考跛足分数进行比较。如果刚计算出的产奶量、刚计算出的奶成分、刚计算出的消耗的饲料重量和刚计算出的跛足分数分别与那个动物的最近的参考产奶量、参考奶成分、参考饲料重量和参考跛足分数相匹配，那么动物的身份得到确认。如果计算出的奶产量、奶成分、饲料消耗重量和动物跛足分数中的任何一个与那个动物相应的最近参考奶产量、参考奶成分、饲料参考重量和参考跛足分数之间存在大的差异，那么产生冲突提醒信号以提醒差异，从而可以进一步检查从计算出的那个动物的特征向量确定的动物的身份和由rfid动物识别系统9确定的身份。243.微处理器14还可以被编程为通过将各动物的计算出的辅助特点(即，那个动物的计算出的产奶量、计算出的奶成分、计算出的消耗的饲料重量和计算出的跛足分数)与畜群中所有动物的对应参考辅助特点进行比较直到找到计算出的辅助特点与参考辅助特点的最佳匹配来确定动物的身份。那个动物的身份然后将被确定为该动物的身份，其参考辅助特点匹配计算出的辅助特点或与其最接近。微处理器14将被编程为以与微处理器14被编程为将计算出的各动物的一个或多个特征向量与参考特征向量进行比较的类似方式执行计算出的辅助特点与参考辅助特点的比较以确定最佳匹配或最接近计算出的辅助特点的那些参考辅助特点，以便找出最佳匹配或与计算出的一个或多个特征向量最接近的参考特征向量。244.此外，微处理器14将被编程为将根据计算出的辅助特点为各动物确定的身份与根据计算出的那个动物的特征向量并根据rfid动物识别系统确定的那个动物的身份进行比较。如果三个确定的身份匹配，那么为那个动物确定的身份将得到确认。如果确定的身份中的一个或多个与另一个或其它身份不匹配，那么将产生冲突信号，以便允许如已经描述的那样进一步调查那个动物的身份。245.微处理器14被编程为将参考辅助特点存储在第一存储器17中。最初，在各动物在挤奶厅的旋转挤奶平台3上经历的第一挤奶周期中，将没有为那个动物存储的参考辅助特点。在各动物的第一挤奶周期结束时，并且当那个动物的身份得到确认，并且已经计算出那个动物的产奶量、奶成分、消耗的饲料重量和跛足分数时，那个动物的计算出的产奶量、计算出的奶成分、计算出的消耗的饲料重量和计算出的跛足分数存储在第一存储器17中，与那个动物的身份交叉引用，作为那个动物的参考产奶量、参考奶成分、参考消耗的饲料重量和参考跛足分数。微处理器14被配置为将各动物的预定义数量的各参考辅助特点存储在第一存储器17中。在这种情况下，各参考辅助特点的预定义数量对于各动物的各参考辅助特点为十个。在各挤奶周期结束时，一旦已经确认了各动物的身份，微处理器14就在第一存储器17中将计算出的奶产量、计算出的奶成分、计算出的饲料消耗重量和计算出的跛足分数存储为那个动物的最近参考奶产量、最近参考奶成分、最近消耗的饲料重量和最近参考跛足分数，与那个动物的身份交叉引用，带有日期和时间戳。在为各动物存储的各参考辅助特点的数量达到预定义的十个的情况下，当下一次的计算那个动物的产奶量、奶成分、消耗的饲料重量和跛足分数被存储在第一存储器17中分别作为下一个最近的参考产奶量、奶成分、消耗的饲料重量和跛足分数时，从第一存储器17中删除那个动物的相应参考产奶量、参考奶成分、参考消耗的饲料重量和参考跛足分数中最旧的一个。246.还设想可以以与参考将参考特征向量分类到分类组中所描述的方式有些相似的方式将参考辅助特点分类到分类组中。在将参考辅助特点分类到分类组中时，设想在相应预定义体积范围内产生的奶产量的动物将根据它们的奶产量被分类到分类组中。类似地，相应动物的奶成分可以被分类到预定义范围内，由此奶成分的特定关键成分在相应预定义百分比范围内，并且动物将基于它们的奶成分被分类到适当的组中。在动物消耗的饲料的参考重量的情况下，动物将被分类到消耗的饲料重量的预定义范围的分类组中。类似地，在跛足分数的情况下，动物将被分类到相应跛足分数范围的分类组中。247.农场主或其它授权用户可以访问存储在装置55和挤奶厅50的第一、第二、第三和第四存储器17、20、64和65中的与相应动物相关的存储的数据。248.在其它方面，挤奶厅50类似于挤奶厅1，并且装置55的操作和rfid动物识别系统9及其操作类似于参考图3和4描述的装置40和50。249.虽然装置55已被描述为存储参考辅助特点，虽然这是期望的，但它不是必需的。此外，将认识到的是，虽然参考辅助特点已被描述为包括特定特点，但可以计算和存储任何其它合适的参考辅助特点。不用说，虽然各动物的产奶量、奶成分、消耗的饲料重量和跛足分数已被描述为作为参考辅助特点进行计算和存储，但是将认识到的是，这些辅助特点中只有一个或两个可以被计算，并且动物的这些辅助特点中仅一个、一些或全部可以被存储为参考辅助特点。例如，设想参考辅助特点可以仅包括产奶量和奶成分。可替代地，参考辅助特点可以包括产奶量、奶成分和消耗的饲料重量。在另一种情况下，参考辅助特点可以仅包括产奶量和跛足分数，或者仅包括产奶量和消耗的饲料重量，或者产奶量、消耗的饲料重量和跛足分数的组合。在其它情况下，设想参考辅助特点可以仅包括奶成分、消耗的饲料重量和跛足分数，而在其它实施例中，参考辅助特点可以仅包括消耗的饲料重量和跛足分数，或者仅包括奶成分和跛足分数。而在其它实施例中，设想参考辅助特点可以仅包括奶成分和消耗的饲料重量。250.不用说，奶产量、奶成分、消耗的饲料重量和跛足分数中的两个或更多个的任何其它组合都可以被用作参考辅助特点。251.虽然已经描述了用于确定动物的身份的装置用在包括旋转平台的挤奶厅中，但是该装置可以用在任何挤奶厅中，无论是包括旋转平台的挤奶厅还是任何其它类型的挤奶厅，例如，其中隔间并排布置成细长的行或以人字形布局的挤奶厅。在此类挤奶厅的情况下，设想将在挤奶厅的各隔间附近提供图像捕获设备，或者可替代地，单个相机可以位于挤奶厅的进入点处，在该进入点处，确定动物进入相应隔间的次序，并且不会改变。252.还设想用于确定动物的身份的装置可以用于在除挤奶厅的隔间内或附近以外的任何位置确定动物的身份。例如，该装置可以被提供用于确定在挑选板条箱中、在单一隔间挤奶装置中或在任何其它位置处的动物的身份。253.还将认识到的是，虽然图像捕获设备已被描述为特定类型的相机，但相机可以是任何其它合适的类型，但理想地，将能够产生指示所捕获的图像的数字电子信号。254.还将认识到的是，虽然已经描述了单个相机，但是在本发明的一些实施例中，设想可以提供多个相机用于从不同角度捕获动物的图像，并且所捕获的来自相应不同角度的动物的图像中的一些或全部将与存储在第一存储器中的畜群的相应动物的对应参考图像进行比较。255.还设想在参考图2描述的装置12的实施例中，微处理器14可以被编程为执行图像识别元件19的图像识别功能，并且在这种情况下，图像识别元件19可以被免除。还设想参考图像和/或参考特征向量可以存储在被配置在微处理器中的存储器中，并且还设想存储在第二存储器中的数据也可以存储在被配置在微处理器中的存储器中，如存储在第三和第四存储器中的数据可以存储在信号处理器的存储器中一样。256.虽然根据本发明的装置已被描述用在挤奶厅中，但可以设想该装置也可以用在单一隔间挤奶装置中。在这种情况下，设想相机将位于单一隔间挤奶装置中，例如，在隔间中动物上方一水平处，并且优选地，在动物的前方，并且rfid系统将位于挤奶装置的隔间的人口外部但与隔间的入口相邻。根据本发明的装置也可以与直的挤奶厅结合使用。257.虽然rfid动物识别系统已被描述为在动物进入挤奶厅的隔间时对其进行识别，但设想rfid动物识别系统可以位于任何合适的位置，在该位置处它将识别在任何合适或期望位置处的动物，设想在某些情况下，rfid动物识别系统可以被定位成识别隔间中的动物，并且在这种情况下，设想rfid动物识别系统的读取器部分将位于隔间中、与隔间相邻，或者实际上与图像捕获设备相邻。设想在本发明的一些实施例中可以省略独立的动物识别系统。258.虽然图像捕获设备已被描述为在与各隔间相关的特定位置提供，但对于本领域技术人员来说，图像捕获设备可以位于隔间中的任何合适位置并且图像捕获设备的位置将取决于要捕获其图像的动物的区域并且还将取决于要为各动物计算的特征向量的性质。259.当然可以认识到的是，当动物在隔间内时，可以随时激活一个或多个图像捕获设备，并且在捕获动物的一个或多个图像之后可以在任何时候激活用于确定动物的身份的装置，以确定动物的身份。不用说，用于从所捕获的其一个或多个图像中确定动物的身份的装置可以位于挤奶厅或单一隔间挤奶装置的远程位置，并且可以位于远程计算机中，例如，在云计算机中。260.还将认识到的是，虽然从捕获的一个或多个图像计算的特征向量已被描述为包括度量的矩阵，但在本发明的一些实施例中，各特征向量可以包括单个度量或仅几个度量。不用说，各参考向量的一个或多个度量可以从任何合适的一个或多个要素推导，其尺寸、形状、位置、颜色或任何其它方面将用于区分一种动物与另一种动物。261.设想在本发明的许多实施例中，为了计算各特征向量的度量的矩阵，将要求捕获那个动物的许多动物图像，并且在本发明的一些实施例中，将要求捕获的图像是捕获的视频剪辑。设想为了使得能够计算跛足分数，特别是如果跛足分数基于动物的步态，那么将要求各动物的一个或多个捕获的视频剪辑。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!