CN107667903A

CN107667903A - 基于物联网的畜牧养殖活体体重监测方法

Info

Publication number: CN107667903A
Application number: CN201710621368.3A
Authority: CN
Inventors: 李安颖; 田晓娜; 李昌明; 李亚宁
Original assignee: Beijing Aoyun Animal Husbandry Science And Technology Co
Current assignee: Beijing Zhongwei Zhuoyi Technology Co.,Ltd.
Priority date: 2017-07-27
Filing date: 2017-07-27
Publication date: 2018-02-09
Anticipated expiration: 2037-07-27
Also published as: CN107667903B

Abstract

本发明公开了一种基于物联网的畜牧养殖活体体重监测方法，由摄像头和传感器收集数据，数据收集完成，将数据传输至单板机，由单板机进行数据整合，将整合后数据传送至本地终端C/S端进行下一步处理；在本地终端C/S上，首先对采集的RGB图像进行活体识别，结合深度摄像头的深度点云数据，推导出3D点云图像；同时，将RGB、3D点云图像，以及传感器收集的活体的个体信息和环境变量上传至云服务器；云服务器根据上传的个体信息和环境变量对3D点云图像进行清洗和降噪，到达水准以后，进行体积还原得出活体体积后，并计算质量；将得出活体质量结果返给C/S端，如果对此质量的误差有异议，可手动勘误，勘误后记录并上传至云服务器。

Description

基于物联网的畜牧养殖活体体重监测方法

技术领域

本发明涉及农业物联网领域，特别涉及一种基于农业物联网的畜牧养殖活体体重监测方法。

背景技术

2015年中国GDP为67.67万亿，其中农业9万亿，畜牧业超过3万亿人民币。2015年中国饲料企业近7000家，其中年产值5亿元以上的有500家；规模以上定点生猪屠宰企业近2700家；年出栏在五千头以上的生猪养殖场： 20000余家。2010年-2016年是农牧产业迅速整合时期，饲料企业从1.1万家减少到6000家；生猪屠宰企业从4万家减少到1.7万家；生猪规模养殖率从 30％提高到60％；2020年万头以上猪场将达20000家。从以上数据可以看出，农牧业已经形成了万亿级的产业规模、拥有数万家规模化的企业，并且农牧业也已经进入了迅速整合时期。但是农牧业产业数据确存在一系列的问题：A、数据孤岛。农牧产业存在产业链长、数据离散、数据失真、数据割裂、数据断点、食品安全追溯断点等问题，由于农牧业数据采集是依靠各级畜牧局层层上报方式，无法保证数据的真实性和科学性。B、信息孤岛。终端消费需求信息无法上传；猪周期波动造成企业经营不稳，上下游企业博弈；政府产业扶植和扶贫政策无法真正惠民。因此，关于农牧业数据的信息化现状需要亟待改善。

例如，中国是最大的猪肉生产国和消费国，我国的猪肉生产量和消费量都占全球的50％以上，作为13亿人口的大国，“猪粮安天下”，生猪的生产是关系国计民生的一件大事。在生猪生产(养殖)过程中，猪只体重是最核心的指标。生猪养殖收益关键是生猪出栏体重、出栏时的生猪价格，而成本主要是饲料成本、人力成本、医药成本、死淘率、固定资产的折旧等。这其中最关键的变量是出栏体重、出栏价格、肉料比。目前的养殖技术主要是人为干预的地秤测重，这样的方式极易引起生猪的应激反应，生猪易出现厌食、呕吐、体重下降等应激反应，因此，养殖场无法进行频繁称重，无法进行精确养殖。

目前公开了以下几种技术，但这些方法获取的体重数据容易猪的活动影响导致测定不准确，结果不稳定，且获取的数据有限，不利于大数据监测。如 CN104871999 A公开了一种智能集约化家畜、家禽监测系统及方法，其包括体重随机测定装置、料量消耗量测定装置，其中，所述的体重随机测定装置，其动态实时、智能测定所控制动物群体的体重数据，结合每日群体体重差异获得平均日增重的群体参数；所述的料量消耗量测定装置，其获得动态实时的饲粮消耗量参数；所述的体重随机测定装置和料量消耗测定装置分别将体重信息和料量消耗信息通过传输网络传输至数据处理中心，数据处理中心将处理后的数据发送至数据接收终端。其中体重随机测定装置包括在引水口处安装的体重智能测定仪，其为三个重量传感器，在家畜从进入口中进入后，在引水口处的重量传感器获取重量信息。

CN104573188 A公开了一种基于大数据猪行为方式分析的育肥猪舍设计方法：包括选取发育程度接近的猪仔若干只，为所有猪仔佩戴用于识别身份的 RFID，在每个所述猪舍内设置体重测量装置，每天测定每头猪的体重；优选在每个猪舍的中部安装围栏，并在围栏处的地面上设置体重感应器，在围栏的边缘安装RFID接收器，每天固定时间使猪按顺序通过围栏，以测定每头猪的体重，在每个所述猪舍内安装可以360度旋转的摄像机，用于获取猪在整个育肥期内的日行走距离；具体的，利用计算机图像处理技术，对摄像机拍摄到的视频进行处理，建立图像坐标系，分别选取每头猪为焦点猪，利用软件计算出每个焦点猪的日行走距离，将采集到的猪的体重和日行走距离以数据流的方式存储，数据流格式为：采集时间+猪编号+日行走距离+体重。

发明内容

本发明提供了一种基于物联网技术的畜牧养殖活体体重监测方法，能够做到实时高频测重，使得养殖企业可以获得活体的实时体重增长数据，便于及时调整饲喂方式、方法，提高养殖效率。

本发明公开了一种基于深度数据的畜牧养殖活体体重监测方法，该方法包括

首先由摄像头和传感器收集数据，摄像头收集活体的RGB图像和深度图像，传感器，收集活体的个体信息(包括：日龄，编号，品种，类型)和环境变量(包括：光照强度，有害气体，可吸入颗粒物，活体体温等)；

数据收集完成，将数据传输至单板机，由单板机进行数据整合，将整合后数据传送至本地终端C/S端进行下一步处理；

在本地终端C/S上，首先对采集的RGB图像进行活体识别，经过识别以后，结合深度摄像头的深度点云数据，推到出3D点云图像；同时，将RGB图像，3D点云图像，以及传感器收集的活体的个体信息和环境变量上传至云服务器；

云服务器首先根据上传的个体信息和环境变量对3D点云图像进行清洗和降噪，到达水准以后，云服务器开始对3D点云图像凭借个体信息和环境变量利用积分算法开始进行体积还原，得出活体体积后，云服务器利用机器学习原理对该活体计算质量；

将得出活体质量结果返给C/S端，如果对此质量的误差有异议，通过选择手动勘误，勘误后记录并上传至云服务器。

本发明公开了一种基于多视图的畜牧养殖活体体重监测方法，该方法包括：

首先由摄像头和传感器收集数据，摄像头收集活体的多角度的RGB图像，传感器，收集活体的个体信息(包括：日龄，编号，品种，类型)和环境变量 (包括：光照强度，有害气体，可吸入颗粒物，活体体温等)；

数据收集完成，将数据传输至单板机，由单板机进行数据整合，将整合后的数据传送至本地终端C/S端进行下一步处理；

在本地终端C/S端上，将多角度RGB图像，以及传感器收集的活体的个体信息和环境变量上传至云服务器；

云服务器会将得到的单活体多角度的RGB图像根据多视图3D建模的算法进行还原3D建模，建模完成后根据积分算法算出活体体积，得出活体体积后，云服务器，利用机器学习原理对该活体计算质量。

本发明公开了一种基于多视角深度数据的畜牧养殖活体体重监测方法，该方法包括：

首先由摄像头和传感器收集数据，摄像头收集活体的多视角RGB图像和多视角深度图像，传感器收集活体的个体信息(包括：日龄，编号，品种，类型)和环境变量(包括：光照强度，有害气体，可吸入颗粒物，活体体温等)；

在本地终端C/S端上，首先对采集的RGB图像进行活体识别，经过识别以后，结合深度摄像头的深度点云数据，推到出3D点云图像；同时，将RGB 图像，3D点云图像，以及传感器收集的活体的个体信息和环境变量上传至云服务器；

云服务器首先根据上传的该个体的信息和环境变量对3D点云图像进行清洗和降噪，到达水准以后，建模完成后凭借个体信息和环境变量同时利用积分算法开始进行体积还原，得出活体体积后，云服务器利用机器学习原理对该活体计算质量；

将得出的活体质量返给C/S端，如果对此质量的误差有异议，通过选择手动勘误，勘误后记录并上传至云服务器。

所述畜牧养殖活体优选猪、牛、羊、马、驴中的一种，更优选为猪。

所述方法还包括饲料喂养信息监测模块收集喂养数据，喂养参数信息包括饲料剩余量、饲料营养成分、进水量和进食量，并将喂养数据与活体体重数据相比较关联，以调整喂养方法来控制畜牧养殖活体的体重变化。

本发明的数据处理步骤依次包括：图像的识别、图像识别区域的3D点云数据的双边滤波去噪、3D点云离群点的去除、积分计算体积以及机器学习计算出重量；

(1)其中图像识别数据的处理方法为：

1、将原图划分为S×S的网格。

2、每一个网格会预测B个bounding box和confidence得分，五元组具体为(x，y，w，h，Pr(Object)*IOU^truth _pred)(x，y，w，h，Pr(Object)* IOUpredtruth)，其中Pr(Object)表示当前位置是一个Object的概率，IOU 是预测的box和groundtruth之间的重叠概率，其中x，y是中心坐标。

3、每一个网格预测类别概率：C_i＝Pr(Class_i|Object)。

4、预测的时候，将类条件概率和置信度相乘：

Pr(Class_i|Object)*Pr(Object)*IOU^pred _truth＝Pr(Class_i)*IOU^pred _truth；

(2)图像识别区域的3D点云数据的双边滤波去噪的方法为：

设点云模型中的测点集合为Cloud＝{p₁，p₂，，，p_n}p_iIR³，任一测点pICloud 的k-邻域为N(p)，通过最小二乘法在N(p)内构造的平面称为点p在邻域 N(p)上的切平面，记作T(p)。T(p)的单位法矢就是点p处的单位法矢n。对于邻域N(p)，可将空间R³分解为两个子空间的直和：其中，N 为邻域在p点沿法矢方向的一维空间，而S²为过点p的二维切平面空间。在局部范围内，定义S²为视平面。双边滤：

其中，N(p)为p的邻域，p_iI N(p)。p^c为p在S2上的投影。这里利用投影平面上的距离而不是直接的三维空间距离，因为邻域点集中与当前点等距离的点，其在切平面上的投影距离大的点对当前点的影响较大，应该给予较大的权值。n为p点法矢，n_i为p_i法矢。W_C、W_S分别是以R_c、R_s为标准差的高斯核函数，R_c控制光顺程度而R_s控制特征保持程度，W_C类似于图像中的双边滤波，称为空间域权重；W_S捕获邻域点间法矢的变化，当前点法向与邻域点法向的夹角越大，W_S越小，因此能够更好地保持模型中的特征，称为特征域权重。d即为法矢方向调整的距离，由p^＝p+n#d得到光顺后点的坐标。

(3)3D点云离群点的去除方法为：

If Kd为NULL，则设dist为infinite并返回

//进行二叉查找，生成搜索路径

Kd_point＝&Kd；//Kd-point中保存k-d tree根节点地址

nearest＝Kd_point-＞Node-data；//初始化最近邻点

while(Kd_point)

push(Kd_point)到search_path中；//search_path是一个堆栈结构，存储着搜索路径节点指针

s＝Kd_point-＞split；//确定待分割的方向

If target[s]＜＝Kd_point-＞Node-data[s]//进行二叉查找

Kd_point＝Kd_point-＞left；

else

Kd_point＝Kd_point-＞right；

nearest＝search_path

Max_dist＝Dist(nearest，target)；//直接取最后叶子节点作为回溯前的初始最近邻点

//回溯查找

while(search_path！＝NULL)

back_point＝从search_path取出一个节点指针；//从 search_path堆栈弹栈

s＝back_point-＞split；//确定分割方向

If Dist(target[s]，back_point-＞Node-data[s])＜Max_dist //判断还需进入的子空间

If target[s]＜＝back_point-＞Node-data[s]

Kd_point＝back_point-＞right；//如果target位于左子空间，就应进入右子空间

else

Kd_point＝back_point-＞left；//如果target位于右子空间，就应进入左子空间

将Kd_point压入search_path堆栈；

If Dist(nearest，target)＞Dist(Kd_Point-＞Node-data， target)

nearest＝Kd_point-＞Node-data；//更新最近邻点

Min_dist＝Dist(Kd_point-＞Node-data，target)；

上述算法中Kd、target为三个维度的点云数据(点云的X，Y，Z 坐标值)。

(4)积分计算体积方法为：V＝∑_i，i((x_i-x_i-1)*(y_j-y_j-1)*(z_ij+z_i-1j z_ij-1+z_i-1j-1)/4)；x为整理后的目标区域点云数据的X坐标值，y为整理后的目标区域点云数据的Y坐标值，z为整理后的目标区域点云数据的Z坐标值。

(5)机器学习计算重量方法为：M＝V*ρ(V，l，w，d，q，p…)其中V为个体体积，l为体长、w为体宽、d为日龄、q为品种、p为环境参数。其中ρ (V，l，w，d，q，p…)函数为大数据机器学习所得权重拟合函数。

本发明与现有的技术相比，更加精准，高效，性价比高，技术门槛低等优势。

在精准度方面由于是将深度数据还原为3D点云数据，经过高级算法，可以完全做到还原3D建模，在有3D建模的前提下，对于机器学习测算物体质量，拥有更加优秀的纠正效率，极大降低误差。

传感器传回的环境变量和个体信息，我们通过算法，将环境的影响不同品种的不同生长周期的规律经过大量的数据学习，得到最真实的建模，再次对活体质量进行纠正，最大程度的降低误差。

如果由于图像不清晰，或者等其他原因，导致误差偏大，我们可以通过手动勘误的方式，手动勘误。手动勘误可以让机器学习到更加精准，正确的数据，从而使得以后的计算误差会更小，直至理想状态。

效率方面，传统活体测重每只大概用时5～10分钟，并且，由于活体总是移动，会有误差，传统地秤还需要校验，本发明可以将一只活体测重的时间压缩至5～7秒以内，极大地提高效率，节省人力物力成本。

在成本控制方面，深度摄像头返回的点云，经过其他数据转为3D点云进行建模比传统的多摄像头建模价格低廉的多，传统的摄像头多视图法建模的精准度根据能提供的画面数量而还原出高精准的3D建模，越是精准需要的摄像头就愈多，成本就越是昂贵，与产品化的理念背道而驰。

技术门槛方面，深度摄像头3D成像比传统的摄像头3D成像技术门槛低很多，传统的摄像头3D建模对于动态物体的技术门槛没有到民用产品化的程度，相对于传统摄像头来说深度摄像头3D建模的技术已经非常成熟并且开源；可供各界免费使用；另外，传统的双目或者单目摄像头的校准，需要专业的技术人员进行操作，而深度摄像头不需要校准，从人工方面，变相的节省了人工和技术成本。

附图说明

图1基于深度数据的活体测重的结构框图

图2基于多视图的活体测重的结构框图

图3基于多视角深度数据的活体测重的结构框图

具体实施方式

实施例1：图1示出了一种深度数据的活体测重的模型，首先由摄像头和传感器收集数据，摄像头收集生猪养殖活体的RGB图像和深度图像，传感器，收集活体的个体信息(包括：日龄，编号，品种，类型)和环境变量(包括：光照强度，有害气体，可吸入颗粒物，活体体温等)；

其中数据处理步骤依次包括：图像的识别、图像识别区域的3D点云数据的双边滤波去噪、3D点云离群点的去除、积分计算体积以及机器学习计算出重量；

具体数据处理步骤如下：

(1)图像识别数据的处理：

1、将原图划分为S×S的网格。

3、每一个网格预测类别概率：C_i＝Pr(Class_i|Object)。

4、预测的时候，将类条件概率和置信度相乘：

Pr(Class_i|Object)*Pr(Object)*IOU^pred _truth＝Pr(Class_i)*IOU^pred _truth；

(2)图像识别区域的3D点云数据的双边滤波去噪的方法为：

设点云模型中的测点集合为Cloud＝{p₁，p₂，，，p_n}p_iIR³，任一测点pI Cloud 的k-邻域为N(p)，通过最小二乘法在N(p)内构造的平面称为点p在邻域上的切平面，记作T(p)。T(p)的单位法矢就是点p处的单位法矢n。对于邻域N(p)，可将空间R³分解为两个子空间的直和：其中，N 为邻域在p点沿法矢方向的一维空间，而S²为过点p的二维切平面空间。在局部范围内，定义S²为视平面。双边滤：

(3)3D点云离群点的去除方法为：

If Kd为NULL，则设dist为infinite并返回

//进行二叉查找，生成搜索路径

Kd_point＝&Kd；//Kd-point中保存k-d tree根节点地址

nearest＝Kd_point-＞Node-data；//初始化最近邻点

while(Kd_point)

s＝Kd_point-＞split；//确定待分割的方向

If target[s]＜＝Kd_point-＞Node-data[s]//进行二叉查找

Kd_point＝Kd_point-＞left；

else

Kd_point＝Kd_point-＞right；

nearest＝search_path

//回溯查找

while(search_path！＝NULL)

s＝back_point-＞split；//确定分割方向

If target[s]＜＝back_point-＞Node-data[s]

else

将Kd_point压入search_path堆栈；

If Dist(nearest，target)＞Dist(Kd_Point-＞Node-data， target)

nearest＝Kd_point-＞Node-data；//更新最近邻点

Min_dist＝Dist(Kd_point-＞Node-data，target)；

实施例2：图2示出了一种基于多视图的活体测重模型，首先由摄像头和传感器收集数据，摄像头收集生猪养殖活体的多角度的RGB图像，传感器，收集活体的个体信息(包括：日龄，编号，品种，类型)和环境变量(包括：光照强度，有害气体，可吸入颗粒物，活体体温等)；

其中数据处理步骤依次包括：图像的识别、图像识别区域的3D点云数据的双边滤波去噪、3D点云离群点的去除、积分计算体积以及机器学习计算出重量；具体处理方法同实施例1。

同时还包括饲料喂养信息监测模块来收集喂养数据，喂养参数信息包括饲料剩余量、饲料营养成分、进水量和进食量，并将喂养数据与活体体重数据相比较关联，以调整喂养方法来控制生猪的体重变化。

实施例3：图3示出了一种基于多视角深度数据的活体测重模型，首先由摄像头和传感器收集数据，摄像头收集牛养殖活体的多视角RGB图像和多视角深度图像，传感器收集活体的个体信息(包括：日龄，编号，品种，类型)和环境变量(包括：光照强度，有害气体，可吸入颗粒物，活体体温等)；

云服务器首先根据上传的该个体的信息和环境变量对3D点云图像进行清洗和降噪，到达水准以后，云服务器开始基于多视角3D点云图像利用寻找不规则多边形和凸包以及三角面片技术进行高精准的3D建模，建模完成后凭借个体信息和环境变量同时利用积分算法开始进行体积还原，得出活体体积后，云服务器利用机器学习原理对该活体计算质量；

本发明，与现有的技术相比，更加精准，高效，性价比高，技术门槛低等优势。

本领域技术人员能够对上文所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换或改进等，均应包含在本发明权利要求的保护范围之内。

Claims

1.一种基于深度数据的畜牧养殖活体体重监测方法，其特征在于，该方法包括：

首先由摄像头和传感器收集数据，摄像头收集活体的RGB图像和深度图像，传感器，收集活体的个体信息和环境变量；

2.根据权利要求1所述的方法，其特征在于：个体信息包括日龄、编号、品种以及类型；环境变量包括光照强度、有害气体、可吸入颗粒物以及活体体温。

3.一种基于多视图的畜牧养殖活体体重监测方法，该方法包括：

首先由摄像头和传感器收集数据，摄像头收集活体的多角度的RGB图像，传感器，收集活体的个体信息和环境变量；

4.根据权利要求3所述的方法，其特征在于：个体信息包括日龄、编号、品种以及类型；环境变量包括光照强度、有害气体、可吸入颗粒物以及活体体温。

5.一种基于多视角深度数据的畜牧养殖活体体重监测方法，该方法包括：

首先由摄像头和传感器收集数据，摄像头收集活体的多视角RGB图像和多视角深度图像，传感器收集活体的个体信息和环境变量；

在本地终端C/S端上，首先对采集的RGB图像进行活体识别，经过识别以后，结合深度摄像头的深度点云数据，推到出3D点云图像；同时，将RGB图像，3D点云图像，以及传感器收集的活体的个体信息和环境变量上传至云服务器；

云服务器首先根据上传的该个体的信息和环境变量对3D点云图像进行清洗和降噪，到达水准以后，云服务器开始基于多视角3D点云图像进行高精准的3D建模算法并还原3D建模，建模完成后凭借个体信息和环境变量同时利用积分算法开始进行体积还原，得出活体体积后，云服务器利用机器学习原理对该活体计算质量；

6.根据权利要求5所述的方法，其特征在于：个体信息包括日龄、编号、品种以及类型；环境变量包括光照强度、有害气体、可吸入颗粒物以及活体体温。

7.根据权利要求5所述的方法，其特征在于：云服务器开始基于多视角3D点云图像利用寻找不规则多边形和凸包以及三角面片技术进行高精准的3D建模。

8.根据权利要求1-7任意一项所述的方法，其特征在于：所述畜牧养殖活体优选猪、牛、羊、马、驴中的一种，更优选为猪。

9.根据权利要求1-7任意一项所述的方法，其特征在于：所述方法还包括饲料喂养信息监测模块收集喂养数据，喂养参数信息包括饲料剩余量、饲料营养成分、进水量和进食量，并将喂养数据与活体体重数据相比较关联，以调整喂养方法来控制畜牧养殖活体的体重变化。