CN108961330B - 基于图像的猪体长测算方法及系统 - Google Patents
基于图像的猪体长测算方法及系统 Download PDFInfo
- Publication number
- CN108961330B CN108961330B CN201810652266.2A CN201810652266A CN108961330B CN 108961330 B CN108961330 B CN 108961330B CN 201810652266 A CN201810652266 A CN 201810652266A CN 108961330 B CN108961330 B CN 108961330B
- Authority
- CN
- China
- Prior art keywords
- ear tag
- image
- pig body
- pig
- contour
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000001514 detection method Methods 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000013527 convolutional neural network Methods 0.000 claims description 25
- 238000005259 measurement Methods 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 4
- 210000000746 body region Anatomy 0.000 claims description 3
- 230000005764 inhibitory process Effects 0.000 claims description 3
- 230000036541 health Effects 0.000 abstract description 3
- 241000282898 Sus scrofa Species 0.000 description 134
- 239000000243 solution Substances 0.000 description 9
- 241000282887 Suidae Species 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000002372 labelling Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000037396 body weight Effects 0.000 description 2
- 238000009395 breeding Methods 0.000 description 2
- 230000001488 breeding effect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 244000052769 pathogen Species 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
Abstract
本发明公开了一种基于图像的猪体长测算方法及系统，其中猪体长测算方法包括：对样本图像中的猪身体位置和耳标位置以及猪身体轮廓点和耳标轮廓点进行标注；根据猪身体位置和耳标位置训练特征检测模型；根据猪身体轮廓点和耳标轮廓点训练轮廓点回归模型；确定体长测算图像中的猪身体位置和耳标位置；确定体长测算图像中的标定轮廓点位置和耳标轮廓点位置；计算猪身体和耳标的像素长度；计算猪身体的实际体长。通过本发明的技术方案，保证了测量人员的安全性和卫生健康，提高了获取猪体长数据的效率，且成本大大降低。
Description
技术领域
本发明涉及图像识别技术领域，尤其涉及一种基于图像的猪体长测算方法和一种基于图像的猪体长测算系统。
背景技术
在猪的养殖过程中，猪的体长是反应猪生长状况的重要指标，及时监测猪的体长指标对于猪的养殖生产、经营决策具有重要的意义。
在保险理赔中根据死猪体长进行保险理赔比使用体重的方式更加合理，可以避免在理赔过程中向死猪身体注水等人为增加猪重量的方式进行骗保。
在传统生产中体长参数的获取主要是通过使用尺子进行手工测量，这种测量方式需要耗费大量的时间和劳动力，效率低下，猪在测量过程中的挣扎会严重影响测量的准确率。在保险理赔过程中很多死猪身体已经感染病菌或者腐烂，通过手工测量的方式会产生比较严重的卫生问题。
在现有技术中，有研究使用通过在猪的背部认为粘贴一个固定大小的纸片作为参考进行体重的测算，这个过程需要人的干预，无法解决安全和卫生的问题，并且由于参照物无法统一标准且容易被替换也无法以用于保险理赔阶段。还有一套可以利用在猪舍的体重体长测算系统，但是需要架设两台距离固定的图像采集设备，由于位置固定其使用场景具有很大局限性。此外，现有基于图像的体长测算方法，对图像采集设备的数量、角度等都具有较高的要求，或者需要固定放置的参照物，限制了其使用场景。现有的如faster-rcnn之类的深度学习的物体检测框架，仅仅能够定位图像中物体的大体坐标，无法做到对图像中物体的精确定位。
发明内容
针对上述问题中的至少之一，本发明提供了一种基于图像的猪体长测算方法及系统，利用样本图像训练基于深度学习的对猪身体和耳标进行标定的检测模型，根据检测模型确定体长测算图像中猪身体和耳标的位置和轮廓，从而根据耳标大小计算出猪身体的体长，不需要同猪进行接触，保证了测量人员的安全性和卫生健康，极大地提高了获取猪体长数据的效率，且成本大大降低。
为实现上述目的，本发明提供了一种基于图像的猪体长测算方法，包括：采集样本图像，对所述样本图像中的猪身体位置和耳标位置以及猪身体轮廓点和耳标轮廓点进行标注；对所述样本图像进行预处理和归一化处理；根据所述样本图像的所述猪身体位置和所述耳标位置训练猪身体和耳标的特征检测模型；根据所述样本图像的所述猪身体轮廓点和所述耳标轮廓点训练所述猪身体和所述耳标的轮廓点回归模型；利用所述特征检测模型确定体长测算图像中的猪身体位置和耳标位置；利用所述轮廓点回归模型确定所述体长测算图像中的标定轮廓点位置和耳标轮廓点位置；根据所述标定轮廓点位置计算所述猪身体的像素长度，根据所述耳标轮廓点位置计算所述耳标的像素长度；根据所述猪身体的像素长度、所述耳标的像素长度以及所述耳标的实际尺寸计算所述猪身体的实际体长。
在上述技术方案中，优选地，所述根据所述样本图像的所述猪身体位置和所述耳标位置训练猪身体和耳标的特征检测模型具体包括：获取所述样本图像中所述猪身体和所述耳标的候选区域；利用多层卷积神经网络提取所述候选区域的特征；根据提取的特征将所述候选区域分类为猪身体候选区域和耳标候选区域；对所述猪身体候选区域和耳标候选区域分别利用非极大抑制方法进行合并，得到所述样本图像中的猪身体区域和耳标区域。
在上述技术方案中，优选地，所述根据所述样本图像的所述猪身体轮廓点和所述耳标轮廓点训练所述猪身体和所述耳标的轮廓点回归模型具体包括：利用卷积神经网络对所述猪身体图像和所述耳标图像进行特征提取，得到轮廓关键点信息和所述卷积神经网络预测的对应轮廓点信息；利用卷积神经网络对图像中的猪身体轮廓和耳标轮廓进行回归预测。
在上述技术方案中，优选地，所述根据所述样本图像的所述猪身体轮廓点和所述耳标轮廓点训练所述猪身体和所述耳标的轮廓点回归模型具体包括：利用卷积神经网络对所述猪身体图像和所述耳标图像进行特征提取，得到轮廓关键点信息和所述卷积神经网络预测的对应轮廓点信息；通过式(1)带有L2正则化项的欧氏距离损失函数进行优化，
其中，m为猪身体轮廓或耳标轮廓上的关键点个数，Pi为人工标注的第i个对应的轮廓坐标，f(x)i为输入图像经过卷积神经网络预测的第i个轮廓坐标，wt为卷积神经网络的权重参数；利用卷积神经网络对图像中的猪身体轮廓和耳标轮廓进行回归预测。
在上述技术方案中，优选地，所述根据标定轮廓点位置计算猪身体的像素长度并根据耳标轮廓点位置计算耳标的像素长度具体包括：选择猪耳根和猪尾根作为所述猪身体轮廓点中的标定轮廓点，根据式(2)计算所述标定轮廓点之间的欧氏距离作为所述猪身体在所述体长测算图像中的像素长度，
其中，(x1,y1)，(x2,y2)为所述猪耳根点和所述猪尾根点在所述体长测算图像中的坐标位置；根据耳标轮廓点的位置计算所述耳标在所述体长测算图像中的像素长度d2；根据式(3)计算所述猪身体的实际体长lpig，
lpig＝d1/d2*ltag (3)
其中，ltag为耳标的实际长度。
在上述技术方案中，优选地，所述体长测算图像在输入所述特征检测模型和所述轮廓点回归模型之前进行预处理和归一化处理。
在上述技术方案中，优选地，所述猪身体位置和所述耳标位置利用矩形框位置坐标表示，所述矩形框位置坐标包括矩形左上角X坐标、矩形左上角Y坐标、矩形右下角X坐标和矩形右下角Y坐标。
在上述技术方案中，优选地，所述根据耳标轮廓点的位置计算所述耳标在所述体长测算图像中的像素长度d2具体包括：利用最小二乘法根据所述耳标轮廓点的位置回归出所述耳标的椭圆区域；利用式(4)计算所述耳标的像素长度，
其中，l为所述椭圆区域的长轴像素长度，s为所述椭圆区域的短轴像素长度。
本发明还提出一种基于图像的猪体长测算系统，应用上述技术方案中任一项所述的基于图像的猪体长测算方法，包括：图像采集模块，用于采集样本图像和体长测算图像，并对所述样本图像中的猪身体位置、耳标位置、猪身体轮廓点和耳标轮廓点进行标注；预处理模块，用于对采集到的所述样本图像和所述体长测算图像进行预处理和归一化处理；特征检测模型训练模块，用于利用所述样本图像的猪身体位置和耳标位置训练猪身体和耳标的特征检测模型；轮廓点回归模型训练模块，用于利用所述样本图像的猪身体轮廓点和所述耳标轮廓点训练所述猪身体和所述耳标的轮廓点回归模型；特征检测模块，用于利用所述特征检测模型确定所述体长测算图像中的猪身体位置和耳标位置；轮廓点检测模块，用于利用所述轮廓点回归模型确定所述体长测算图像中的标定轮廓点位置和耳标轮廓点位置；长度计算模块，用于计算所述体长测算图像中的所述猪身体和所述耳标的像素长度，以及用于计算所述猪身体的实际体长。
与现有技术相比，本发明的有益效果为：利用样本图像训练基于深度学习的对猪身体和耳标进行标定的检测模型，根据检测模型确定体长测算图像中猪身体和耳标的位置和轮廓，从而根据耳标大小计算出猪身体的体长，不需要同猪进行接触，保证了测量人员的安全性和卫生健康，极大地提高了获取猪体长数据的效率，且成本大大降低。
附图说明
图1为本发明一种实施例公开的基于图像的猪体长测算方法的流程示意图；
图2为本发明一种实施例公开的利用模型预测猪体长的流程示意图；
图3为本发明一种实施例公开的对样本图像进行位置标注的示意图；
图4为本发明一种实施例公开的对样本图像进行轮廓点标注的示意图；
图5为本发明一种实施例公开的基于图像的猪体长测算系统的示意框图。
图中，各组件与附图标记之间的对应关系为：
11.猪身体，12.耳标，13.猪身体位置，14.耳标位置，20.基于图像的猪体长测算系统，21.图像采集模块，22.预处理模块，23.特征检测模型训练模块，24.轮廓点回归模型训练模块，25.特征检测模块，26.轮廓点检测模块，27.长度计算模块。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，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的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。
下面结合附图对本发明做进一步的详细描述：
如图1至图4所示，根据本发明提供的一种基于图像的猪体长测算方法，包括：步骤S11，采集样本图像，对样本图像中的猪身体位置13和耳标位置14以及猪身体轮廓点和耳标轮廓点进行标注；步骤S12，对样本图像进行预处理和归一化处理；步骤S13，根据样本图像的猪身体位置13和耳标位置14训练猪身体11和耳标12的特征检测模型；步骤S14，根据样本图像的猪身体轮廓点和耳标轮廓点训练猪身体11和耳标12的轮廓点回归模型；步骤S15，利用特征检测模型确定体长测算图像中的猪身体位置13和耳标位置14；步骤S16，利用轮廓点回归模型确定体长测算图像中的标定轮廓点位置和耳标轮廓点位置；步骤S17，根据标定轮廓点位置计算猪身体11的像素长度，根据耳标轮廓点位置计算耳标12的像素长度；步骤S18，根据猪身体11的像素长度、耳标12的像素长度以及耳标12的实际尺寸计算猪身体11的实际体长。
具体地，如图3和图4所示，收集一定数量的养殖场中猪的图像作为样本图像，对样本图像进行猪身体位置13和耳标位置14的标定，以及对样本图像进行猪身体轮廓点和耳标轮廓点的标定。在图3和图4中猪身体图像采用线条描绘是为了对猪身体11和耳标12的标定情况进行清楚的说明，在实际实践过程中样本图像和体长测算图像均为采集到的包含有猪身体11和耳标12的图像。在采集和标定完成后，需要对原始图像进行预处理和归一化处理。具体地，原始图像中每个像素点的像素值是在0-255之间的整数，通过归一化方法将每个像素的像素值归一化到0-1之间的浮点数。
具体地，利用样本图像训练检测模型，再利用检测模型对体长检测图像进行测算的过程利用了深度学习技术。深度学习方法可以根据特征的任务需求提取图像中包含的高判别性的图像特征，其在计算机视觉领域取得了巨大进步，基于深度学习的物体检测算法可以应用于生产环境，对物体检测的准确率相当高。此外，在上述实施例中，优选地，体长测算图像在输入特征检测模型和轮廓点回归模型之前进行预处理和归一化处理，以保证对体长测算图像预测的准确度。
在上述实施例中，优选地，步骤S13中，根据样本图像的猪身体位置13和耳标位置14训练猪身体11和耳标12的特征检测模型具体包括：获取样本图像中猪身体11和耳标12的候选区域，其中，猪身体11和耳标12的候选区域生成的方式为使用选择搜索(selectivesearch)或者区域建议网络(RPN)；利用多层卷积神经网络提取候选区域的特征，特征的提取可以使用vgg、resnet等不同的网络结构；根据提取的特征将候选区域分类为猪身体候选区域和耳标候选区域，以及样本图像中的背景区域；对猪身体候选区域和耳标候选区域分别利用非极大抑制方法进行合并，得到样本图像中的猪身体区域和耳标区域。对于利用深度学习的物体检测器选择faster-rcnn、ssd、yolo等任意检测器，该技术为现有技术，在此不再赘述。
在上述实施例中，优选地，步骤S14中，根据样本图像的猪身体轮廓点和耳标轮廓点训练猪身体11和耳标12的轮廓点回归模型具体包括：利用卷积神经网络对猪身体图像和耳标图像进行特征提取，得到轮廓关键点信息和卷积神经网络预测的对应轮廓点信息；为了达到最佳的预测效果，还可选用通过式(1)带有L2正则化项的欧氏距离损失函数进行优化，
其中，m为猪身体轮廓或耳标轮廓上的关键点个数，Pi为人工标注的第i个对应的轮廓坐标，f(x)i为输入图像经过卷积神经网络预测的第i个轮廓坐标，wt为卷积神经网络的权重参数，D为带有L2正则化项的欧氏距离损失函数值；经过优化后利用卷积神经网络对图像中的猪身体轮廓和耳标轮廓进行回归预测。在该实施例中，对于卷积神经网络的选取可以按照实际的需要进行选择，如VGG、ResNet、MobileNet、shufflenet等，根据性能和准确率的要求适当的调整网络模型的结构和参数量，本发明对卷积神经网络的结构不做限制。
在上述实施例中，优选地，步骤S17中，根据标定轮廓点位置计算猪身体11的像素长度并根据耳标轮廓点位置计算耳标12的像素长度具体包括：选择猪耳根和猪尾根作为猪身体轮廓点中的标定轮廓点，根据式(2)计算标定轮廓点之间的欧氏距离作为猪身体11在体长测算图像中的像素长度，
其中，(x1,y1)，(x2,y2)为猪耳根点和猪尾根点在体长测算图像中的坐标位置；根据耳标轮廓点的位置计算耳标12在体长测算图像中的像素长度d2；根据式(3)计算猪身体11的实际体长lpig，
lpig＝d1/d2*ltag (3)
其中，ltag为耳标12的实际长度。
具体地，长度的计算方式可以根据本发明的具体实践情况选择不同的轮廓关键点进行计算，本发明对此不做限制。
在上述实施例中，优选地，猪身体位置13和耳标位置14利用矩形框位置坐标表示，矩形框位置坐标包括矩形左上角X坐标、矩形左上角Y坐标、矩形右下角X坐标和矩形右下角Y坐标，利用矩形框位置坐标中的四个坐标值来确定猪身体位置13和耳标位置14，从而将猪身体11区域和耳标12区域的图像截取出来，然后利用轮廓点回归模型对猪身体11的轮廓点和耳标12的轮廓点进行精确定位。
在上述实施例中，优选地，根据耳标轮廓点的位置计算耳标12在体长测算图像中的像素长度d2具体包括：利用最小二乘法根据耳标轮廓点的位置回归出耳标12的椭圆区域；利用式(4)计算耳标12的像素长度，
其中，l为椭圆区域的长轴像素长度，s为椭圆区域的短轴像素长度。
如图5所示，本发明还提出一种基于图像的猪体长测算系统20，应用上述实施例中任一项的基于图像的猪体长测算方法，包括：图像采集模块21，用于采集样本图像和体长测算图像，并对样本图像中的猪身体位置13、耳标位置14、猪身体轮廓点和耳标轮廓点进行标注；预处理模块22，用于对采集到的样本图像和体长测算图像进行预处理和归一化处理；特征检测模型训练模块23，用于利用样本图像的猪身体位置13和耳标位置14训练猪身体11和耳标12的特征检测模型；轮廓点回归模型训练模块24，用于利用样本图像的猪身体轮廓点和耳标轮廓点训练猪身体11和耳标12的轮廓点回归模型；特征检测模块25，用于利用特征检测模型确定体长测算图像中的猪身体位置13和耳标位置14；轮廓点检测模块26，用于利用轮廓点回归模型确定体长测算图像中的标定轮廓点位置和耳标轮廓点位置；长度计算模块27，用于计算体长测算图像中的猪身体11和耳标12的像素长度，以及用于计算猪身体11的实际体长。
利用基于图像的猪体长测算系统20对体长测算图像中的猪体长进行测算时，具体方法参照上述实施例公开的基于图像的猪体长测算方法，在此不再赘述。
以上所述为本发明的实施方式，根据本发明提出的基于图像的猪体长测算方法及系统，利用样本图像训练基于深度学习的对猪身体和耳标进行标定的检测模型，根据检测模型确定体长测算图像中猪身体和耳标的位置和轮廓，从而根据耳标大小计算出猪身体的体长，不需要同猪进行接触，用户仅仅需要拍摄一张带有耳标和猪身体的图像就能对猪身体的实际体长进行测算，操作简单快速，保证了测量人员的安全性和卫生健康，提高了获取猪体长数据的效率。在保险理赔等领域，使用体长作为理赔指标避免了养殖户通过注水等方式骗取保费的行为，使得理赔过程更加公正。此外，不需要设置固定位置大小的参照物，也不需要架设具有复杂要求的图像采集设备，具有更低的使用成本。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于图像的猪体长测算方法，其特征在于，包括：
采集样本图像，对所述样本图像中的猪身体位置和耳标位置以及猪身体轮廓点和耳标轮廓点进行标注；
对所述样本图像进行预处理和归一化处理；
根据所述样本图像的所述猪身体位置和所述耳标位置训练猪身体和耳标的特征检测模型，具体包括：
获取所述样本图像中所述猪身体和所述耳标的候选区域；
利用多层卷积神经网络提取所述候选区域的特征；
根据提取的特征将所述候选区域分类为猪身体候选区域和耳标候选区域；
对所述猪身体候选区域和耳标候选区域分别利用非极大抑制方法进行合并，得到所述样本图像中的猪身体区域和耳标区域；
根据所述样本图像的所述猪身体轮廓点和所述耳标轮廓点训练所述猪身体和所述耳标的轮廓点回归模型，具体包括：
利用卷积神经网络对所述猪身体图像和所述耳标图像进行特征提取，得到轮廓关键点信息和所述卷积神经网络预测的对应轮廓点信息；
利用卷积神经网络对图像中的猪身体轮廓和耳标轮廓进行回归预测；利用所述特征检测模型确定体长测算图像中的猪身体位置和耳标位置；
利用所述轮廓点回归模型确定所述体长测算图像中的标定轮廓点位置和耳标轮廓点位置；
根据所述标定轮廓点位置计算所述猪身体的像素长度，根据所述耳标轮廓点位置计算所述耳标的像素长度，具体包括：
选择猪耳根和猪尾根作为所述猪身体轮廓点中的标定轮廓点，计算所述标定轮廓点之间的欧氏距离作为所述猪身体在所述体长测算图像中的像素长度d1；
根据耳标轮廓点的位置计算所述耳标在所述体长测算图像中的像素长度d2；
根据所述猪身体的像素长度、所述耳标的像素长度以及所述耳标的实际尺寸计算所述猪身体的实际体长lpig，计算公式(1)为：
lpig＝d1/d2*ltag (1)
其中，ltag为耳标的实际长度。
2.根据权利要求1所述的基于图像的猪体长测算方法，其特征在于，所述根据所述样本图像的所述猪身体轮廓点和所述耳标轮廓点训练所述猪身体和所述耳标的轮廓点回归模型具体包括：
利用卷积神经网络对所述猪身体图像和所述耳标图像进行特征提取，得到轮廓关键点信息和所述卷积神经网络预测的对应轮廓点信息；
通过式(2)带有L2正则化项的欧氏距离损失函数进行优化，
其中，m为猪身体轮廓或耳标轮廓上的关键点个数，Pi为人工标注的第i个对应的轮廓坐标，f(x)i为输入图像经过卷积神经网络预测的第i个轮廓坐标，wt为卷积神经网络的权重参数；
利用卷积神经网络对图像中的猪身体轮廓和耳标轮廓进行回归预测。
3.根据权利要求1所述的基于图像的猪体长测算方法，其特征在于，所述根据所述标定轮廓点位置计算所述猪身体在所述体长测算图像中的像素长度并计算所述耳标的像素长度具体包括：
选择猪耳根和猪尾根作为所述猪身体轮廓点中的标定轮廓点，根据式(3)计算所述标定轮廓点之间的欧氏距离作为所述猪身体在所述体长测算图像中的像素长度，
其中，(x1,y1)，(x2,y2)为所述猪耳根点和所述猪尾根点在所述体长测算图像中的坐标位置。
4.根据权利要求1所述的基于图像的猪体长测算方法，其特征在于，所述体长测算图像在输入所述特征检测模型和所述轮廓点回归模型之前进行预处理和归一化处理。
5.根据权利要求1所述的基于图像的猪体长测算方法，其特征在于，所述猪身体位置和所述耳标位置利用矩形框位置坐标表示，所述矩形框位置坐标包括矩形左上角X坐标、矩形左上角Y坐标、矩形右下角X坐标和矩形右下角Y坐标。
6.根据权利要求1所述的基于图像的猪体长测算方法，其特征在于，所述根据耳标轮廓点的位置计算所述耳标在所述体长测算图像中的像素长度d2具体包括：
利用最小二乘法根据所述耳标轮廓点的位置回归出所述耳标的椭圆区域；
利用式(4)计算所述耳标的像素长度，
其中，l为所述椭圆区域的长轴像素长度，s为所述椭圆区域的短轴像素长度。
7.一种基于图像的猪体长测算系统，应用权利要求1至6中任一项所述的基于图像的猪体长测算方法，其特征在于，包括：
图像采集模块，用于采集样本图像和体长测算图像，并对所述样本图像中的猪身体位置、耳标位置、猪身体轮廓点和耳标轮廓点进行标注；
预处理模块，用于对采集到的所述样本图像和所述体长测算图像进行预处理和归一化处理；
特征检测模型训练模块，用于利用所述样本图像的猪身体位置和耳标位置训练猪身体和耳标的特征检测模型；
轮廓点回归模型训练模块，用于利用所述样本图像的猪身体轮廓点和所述耳标轮廓点训练所述猪身体和所述耳标的轮廓点回归模型；
特征检测模块，用于利用所述特征检测模型确定所述体长测算图像中的猪身体位置和耳标位置；
轮廓点检测模块，用于利用所述轮廓点回归模型确定所述体长测算图像中的标定轮廓点位置和耳标轮廓点位置；
长度计算模块，用于计算所述体长测算图像中的所述猪身体和所述耳标的像素长度，以及用于计算所述猪身体的实际体长。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810652266.2A CN108961330B (zh) | 2018-06-22 | 2018-06-22 | 基于图像的猪体长测算方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810652266.2A CN108961330B (zh) | 2018-06-22 | 2018-06-22 | 基于图像的猪体长测算方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108961330A CN108961330A (zh) | 2018-12-07 |
| CN108961330B true CN108961330B (zh) | 2021-04-30 |
Family
ID=64486120
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810652266.2A Active CN108961330B (zh) | 2018-06-22 | 2018-06-22 | 基于图像的猪体长测算方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108961330B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109785337B (zh) * | 2018-12-25 | 2021-07-06 | 哈尔滨工程大学 | 一种基于实例分割算法的栏内哺乳动物清点方法 |
| CN110175503A (zh) * | 2019-04-04 | 2019-08-27 | 财付通支付科技有限公司 | 长度获取方法、装置、保险理赔系统、介质及电子设备 |
| CN110288646A (zh) * | 2019-06-21 | 2019-09-27 | 北京邮电大学 | 一种基于图像的人体尺寸计算方法及装置 |
| CN110728708B (zh) * | 2019-12-19 | 2020-06-26 | 艾伯资讯（深圳）有限公司 | 基于机器视觉的牛体尺测量方法 |
| CN111967548A (zh) * | 2020-07-28 | 2020-11-20 | 武汉新视野风险管理科技有限公司 | 一种动物耳标识别方法、设备、系统及存储介质 |
| CN112669167A (zh) * | 2020-12-15 | 2021-04-16 | 中国农业大学 | 一种预测商品猪生产性能的方法及其应用 |
| CN113177564B (zh) * | 2021-05-16 | 2023-07-25 | 河南牧原智能科技有限公司 | 一种计算机视觉猪只关键点识别方法 |
| CN113762745A (zh) * | 2021-08-24 | 2021-12-07 | 北京小龙潜行科技有限公司 | 基于机器视觉的生猪体型外貌评定方法及装置 |
| CN114022907B (zh) * | 2021-12-27 | 2022-07-19 | 东北农业大学 | 一种基于深度学习的猪只体表测温装置及方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103884280A (zh) * | 2014-03-14 | 2014-06-25 | 中国农业大学 | 一种移动式多猪圈猪体尺体重监测系统 |
| CN106446766A (zh) * | 2016-07-25 | 2017-02-22 | 浙江工业大学 | 一种视频中人脸特征点的稳定检测方法 |
| CN107180438A (zh) * | 2017-04-26 | 2017-09-19 | 清华大学 | 估计牦牛体尺、体重的方法和相应的便携式计算机装置 |
| CN107464249A (zh) * | 2017-06-13 | 2017-12-12 | 内蒙古农业大学 | 一种羊只无接触体尺测量方法 |
| KR20180032488A (ko) * | 2016-09-22 | 2018-03-30 | 주식회사 아토즈소프트 | 이미지를 이용한 어류 종류 및 체장 측정 방법 |
-
2018
- 2018-06-22 CN CN201810652266.2A patent/CN108961330B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103884280A (zh) * | 2014-03-14 | 2014-06-25 | 中国农业大学 | 一种移动式多猪圈猪体尺体重监测系统 |
| CN106446766A (zh) * | 2016-07-25 | 2017-02-22 | 浙江工业大学 | 一种视频中人脸特征点的稳定检测方法 |
| KR20180032488A (ko) * | 2016-09-22 | 2018-03-30 | 주식회사 아토즈소프트 | 이미지를 이용한 어류 종류 및 체장 측정 방법 |
| CN107180438A (zh) * | 2017-04-26 | 2017-09-19 | 清华大学 | 估计牦牛体尺、体重的方法和相应的便携式计算机装置 |
| CN107464249A (zh) * | 2017-06-13 | 2017-12-12 | 内蒙古农业大学 | 一种羊只无接触体尺测量方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于图像处理的杜泊羊体重估算模型研究;郝雪萍;《中国优秀硕士学位论文全文数据库 信息科技辑》;20180115(第01期);论文第4-15页、第36-45页 * |
| 基于计算机视觉技术育肥猪体重分析研究;张凯 等;《农机化研究》;20170531;第32-36页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108961330A (zh) | 2018-12-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108961330B (zh) | 基于图像的猪体长测算方法及系统 | |
| CN109141248B (zh) | 基于图像的猪体重测算方法及系统 | |
| CN109785337B (zh) | 一种基于实例分割算法的栏内哺乳动物清点方法 | |
| CN108961269B (zh) | 基于图像的猪体重测算方法及系统 | |
| CN107767376B (zh) | 基于深度学习的x线片骨龄预测方法及系统 | |
| CN107895367B (zh) | 一种骨龄识别方法、系统及电子设备 | |
| CN109977780A (zh) | 一种基于深度学习算法的硅藻的检测与识别方法 | |
| US20170367685A1 (en) | Method for processing 3d image data and 3d ultrasonic imaging method and system | |
| CN109635875A (zh) | 一种基于深度学习的端到端网口检测方法 | |
| CN111339912B (zh) | 一种基于遥感影像识别牛羊的方法和系统 | |
| CN108921057B (zh) | 基于卷积神经网络的对虾形态测量方法、介质、终端设备及装置 | |
| Zhang et al. | Development and validation of a visual image analysis for monitoring the body size of sheep | |
| CN110448335A (zh) | 一种基于超声图像的胎儿头围全自动测量方法和装置 | |
| CN104546000B (zh) | 一种基于形状特征的超声图像膀胱容积测量方法及装置 | |
| CN113947734A (zh) | 一种猪只体征信息采集方法及系统 | |
| WO2020119167A1 (zh) | 数据处理方法、装置、系统和介质 | |
| CN110427943A (zh) | 一种基于r-cnn的智能电表数值识别方法 | |
| CN109961030A (zh) | 路面修补信息检测方法、装置、设备及存储介质 | |
| CN108764210B (zh) | 一种基于参照物的猪重识别的方法及系统 | |
| CN112184791A (zh) | 一种基于cnn-lstm神经网络的牦牛体重预测方法 | |
| CN114049325A (zh) | 轻量化人脸口罩佩戴检测模型的构建方法及应用 | |
| CN116052211A (zh) | 一种基于知识蒸馏的YOLOv5s轻量级羊只品种识别方法及系统 | |
| CN107292340A (zh) | 基于卷积神经网络的侧线鳞识别方法 | |
| CN110051384B (zh) | 结合医学统计信息的胎儿颈背透明物位置检测方法及系统 | |
| CN107563327B (zh) | 一种基于自步反馈的行人重识别方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: Room 203, Floor 2, Building 6, Qinghe Xisanqi East Road, Haidian District, Beijing 100,089 Patentee after: Beijing Shenzhi Hengji Technology Co.,Ltd. Address before: 0706-003, 113 Zhichun Road, Haidian District, Beijing 100086 Patentee before: SHENYUAN HENGJI TECHNOLOGY CO.,LTD. |