CN109459119B - 一种体重测量方法、设备和计算机可读存储介质 - Google Patents

一种体重测量方法、设备和计算机可读存储介质 Download PDF

Info

Publication number
CN109459119B
CN109459119B CN201811210433.4A CN201811210433A CN109459119B CN 109459119 B CN109459119 B CN 109459119B CN 201811210433 A CN201811210433 A CN 201811210433A CN 109459119 B CN109459119 B CN 109459119B
Authority
CN
China
Prior art keywords
image
measured
weight
trained
matrix
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
Application number
CN201811210433.4A
Other languages
English (en)
Other versions
CN109459119A (zh
Inventor
王博
李春华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
JD Digital Technology Holdings Co Ltd
Jingdong Technology Holding Co Ltd
Original Assignee
JD Digital Technology Holdings Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by JD Digital Technology Holdings Co Ltd filed Critical JD Digital Technology Holdings Co Ltd
Priority to CN201811210433.4A priority Critical patent/CN109459119B/zh
Publication of CN109459119A publication Critical patent/CN109459119A/zh
Priority to PCT/CN2019/103274 priority patent/WO2020078111A1/zh
Application granted granted Critical
Publication of CN109459119B publication Critical patent/CN109459119B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01G—WEIGHING
    • G01G17/00—Apparatus for or methods of weighing material of special form or property
    • G01G17/08—Apparatus for or methods of weighing material of special form or property for weighing livestock
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例公开了一种体重测量方法，所述方法包括：获取针对待测量对象的待监测图像信息，并对所述待监测图像信息进行图像识别得到所述待测量对象的轮廓；基于所述待测量对象的轮廓确定待测量对象的姿势；基于所述待测量对象的姿势和体重映射矩阵，计算所述待测量对象的体重；其中，所述体重映射矩阵是预先训练得到的。本发明的实施例同时还公开了一种体重测量设备和计算机可读存储介质。

Description

一种体重测量方法、设备和计算机可读存储介质
技术领域
本发明涉及通信领域中的图像处理技术，尤其涉及一种体重测量方法、设备和计算机可读存储介质。
背景技术
我国已经成为猪肉生产第一大国，猪肉产量和消费量占全球一半以上。基于此，随着现代畜牧业的不断发展，一些企业已经开始将自动化控制、计算机视觉等技术应用在养猪领域中，以提高对猪场的管控能力，改善猪场生产环境，提高工作人员效率。在养殖过程中，定期检测猪体重变化，进而调整栏位、喂食量等，对提高养殖效率有着重要意义。
现有的猪体重测量方式主要分为接触式和非接触式两类：接触式测量方法又分为直接测量方法和间接测量方法；直接测量主要借助磅秤、电子秤等工具；间接测量主要通过对猪的体长、胸围、臀围等体尺指标进行测量，然后通过经验公式进行推算得到猪的体重；非接触式的测量方法主要依靠摄像头采集猪的图像，然后借助数字图像处理技术对猪的体重进行估计。
但是，发明人发现现有技术中的传统接触式存在测量方法费时费力，且存在较大的误差；同时，发明人发现现有技术中的非接触式方法，至少存在使用范围有限，且需基于人机交互才能实现，导致维护成本和操作难度较大。
发明内容
为解决上述技术问题，本发明实施例期望提供一种体重测量方法、设备和计算机可读存储介质，解决了现有技术中对猪的体重进行测量时存在的测误差较大且成本较高的问题，实现了对猪的体重的准确测量，且降低了操作难度和维护成本；同时，具有普遍适用性。
本发明的技术方案是这样实现的：
一种体重测量方法，所述方法包括：
获取针对待测量对象的待监测图像信息，并对所述待监测图像信息进行图像识别得到所述待测量对象的轮廓；
基于所述待测量对象的轮廓确定待测量对象的姿势；
基于所述待测量对象的姿势和体重映射矩阵，计算所述待测量对象的体重；其中，所述体重映射矩阵是预先训练得到的。
上述方案中，所述获取待监测图像信息，并对所述待监测图像信息进行图像识别得到所述待测量对象的轮廓，包括：
通过图像采集器获取所述待监测图像信息；
采用特定图像分割算法对所述待监测图像信息进行图像识别，从所述待监测图像信息中确定所述待测量对象的轮廓。
上述方案中，所述基于所述待测量对象的轮廓确定待测量对象的姿势，包括：
获取针对所述待测量对象的标准姿势；
基于所述标准姿势和所述待测量对象的轮廓，确定所述待测量对象的姿势。
上述方案中，所述基于所述标准姿势和所述待测量对象的轮廓，确定所述待测量对象的姿势，包括：
获取姿势为所述标准姿势的图像，并将所述姿势为标准姿势的图像的格式转换为预设格式得到第一图像；
获取所述待测量对象的轮廓对应的图像，并将所述待测量对象的轮廓对应的图像的格式转换为预设格式得到第二图像；
计算所述第二图像与所述第一图像的匹配度；
若所述第二图像与所述第一图像的匹配度大于或等于预设阈值，确定所述待测量对象的姿势为匹配度大于或等于预设阈值的所述第一图像对应的标准姿势。
上述方案中，所述方法还包括：
若所述匹配度小于预设阈值，将所述第二图像按照预定方向和预设角度旋转得到第三图像，并计算所述第三图像与所述第一图像的匹配度；
若所述第三图像与所述第一图像的匹配度大于或等于预设阈值，确定所述待测量对象的姿势为匹配度大于或等于预设阈值的所述第一图像对应的标准姿势；
若所述第三图像与所述第一图像的匹配度小于预设阈值，将所述第三图像按照所述预定方向和所述预定角度旋转；
若按照所述预定方向和预定角度旋转一周后，旋转后的每一图像与所述第一图像的匹配度均小于所述预设阈值，确定所述待测量对象的姿势为无效姿势。
上述方案中，所述计算所述第二图像与所述第一图像的匹配度，包括：
获取所述第一图像与所述第二图像中相同区域对应的第一面积；
计算所述第一图像的面积与所述第二图像的面积的和值，得到第二面积；
计算所述第一面积与所述第二面积的比值，得到所述第二图像与所述第一图像的匹配度。
上述方案中，所述获取待监测图像信息，并对所述待监测图像信息进行图像识别得到待测量对象的轮廓之前，还包括：
获取预设数量的且满足预定条件的待训练对象；其中，所述待训练对象的姿势为标准姿势；
获取所述待监测图像信息中的每个像素点上包括的所述待训练对象的数量，并基于所述待训练对象的数量生成第一目标矩阵；
基于所述待训练对象的体重和所覆盖的像素的像素面积，生成第二目标矩阵；
基于所述第二目标矩阵和所述第一目标矩阵，生成所述体重映射矩阵。
上述方案中，所述获取所述待监测图像信息中的每个像素点上包括的所述待训练对象的数量，并基于所述待训练对象的数量生成第一目标矩阵，包括：
设置M*N的第一矩阵；其中，所述M*N为所述待监测图像信息的尺寸；
依次遍历所述预设数量的待训练对象的轮廓，并对每一待训练对象的轮廓进行处理得到每一待训练对象的目标部分；
获取所述待监测图像信息中的每个像素点上包括的所述待训练对象的目标部分的数量值；
按照像素点与所述第一矩阵的对应关系，将所述数量值赋值至所述第一矩阵中得到所述第一目标矩阵；其中，所述像素点与所述第一矩阵中的元素之间具有对应关系。
上述方案中，所述基于所述待训练对象的体重和所覆盖的像素的像素面积，生成第二目标矩阵，包括：
设置M*N的第二矩阵；其中，所述M*N为所述待监测图像信息的尺寸；
测量每一待训练对象的体重，并计算每一待训练对象的目标部分在待监测图像信息中所覆盖的像素的像素面积；
基于每一所述待训练对象的体重和所述像素面积，计算每个待训练对象所覆盖像素点中每个像素点对应的体重权值；
将所述预设数量个待训练对象所覆盖像素点中相同像素点对应的体重权值相加，得到所述待监测图像信息中每个像素点对应的体重权值；
按照像素点与所述第二矩阵的对应关系，将所述体重权值赋值至所述第二矩阵中得到第二目标矩阵。
上述方案中，所述基于所述待测量对象的姿势和体重映射矩阵，计算所述待测量对象的体重，包括：
若所述待测量对象的姿势为标准姿势，获取所述待测量对象的目标部分在所述待监测图像信息中所覆盖的像素点的位置；
基于所述像素点的位置生成M*N的掩码矩阵；
基于所述掩码矩阵和所述体重映射矩阵，计算所述待测量对象的体重。
一种体重测量设备，所述设备包括：处理器、存储器和通信总线；
所述通信总线用于实现处理器和存储器之间的通信连接；
所述处理器用于执行存储器中存储的体重测量程序，以实现以下步骤：
获取针对待测量对象的待监测图像信息，并对所述待监测图像信息进行图像识别得到待测量对象的轮廓；
基于所述待测量对象的轮廓确定待测量对象的姿势；
基于所述待测量对象的姿势和体重映射矩阵，计算所述待测量对象的体重；其中，所述体重映射矩阵是预先训练得到的。
一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述的体重测量方法的步骤。
因为采用获取针对待测量对象的待监测图像信息，并对待监测图像信息进行图像识别得到待测量对象的轮廓，然后基于待测量对象的轮廓确定待测量对象的姿势，最后基于待测量对象的姿势和体重映射矩阵计算待测量对象的体重，如此，在无需人工参与的情况下，只需要从针对待测量对象的待监测图像信息中提取待测量对象的轮廓，并基于待测量对象的轮廓和预先训练得到的体重映射矩阵就可以实现对待测量对象的体重的测量，解决了现有技术中对猪的体重进行测量时存在的测误差较大且成本较高的问题，实现了对猪的体重的准确测量，且降低了操作难度和维护成本；同时，具有普遍适用性。
附图说明
图1为本发明的实施例提供的一种体重测量方法的流程示意图；
图2为本发明的实施例提供的另一种体重测量方法的流程示意图；
图3为本发明的实施例提供的一种待测量对象的标准姿势的示意图；
图4为本发明的实施例提供的又一种体重测量方法的流程示意图；
图5为本发明的实施例提供的一种体重测量设备的结构示意图。
具体实施方式
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。
本发明的实施例提供一种体重测量方法，参照图1所示，该方法包括以下步骤：
步骤101、获取针对待测量对象的待监测图像信息，并对待监测图像信息进行图像识别得到待测量对象的轮廓。
其中，步骤101获取针对待测量对象的待监测图像信息，并对待监测图像信息进行图像识别得到待测量对象的轮廓可以由体重测量设备来实现；待监测图像信息是使用摄像机对待测量对象进行拍摄后获取得到的；待监测图像信息中可以包括一张图像信息也可以包括多张图像信息，具体可以根据实际的应用场景来确定。待测量对象的轮廓可以是通过对待监测图像信息中包括的待测量对象进行图像识别后得到的。
步骤102、基于待测量对象的轮廓确定待测量对象的姿势。
其中，步骤102基于待测量对象的轮廓确定待测量对象的姿势可以由体重测量设备来实现；将待测量对象的轮廓对应的图像与标准姿势的图像进行匹配处理，并根据匹配处理后的结果确定待测量对象的姿势。
步骤103、基于待测量对象的姿势和体重映射矩阵，计算待测量对象的体重。
其中，体重映射矩阵是预先训练得到的。
需要说明的是，步骤103基于待测量对象的姿势和体重映射矩阵，计算待测量对象的体重可以由体重测量设备来实现；体重测量设备可以根据待测量对象的姿势获取与待测量对象的姿势对应的体重映射矩阵，并根据待测量对象的掩码矩阵与体重映射矩阵计算待测量对象的体重。
本发明的实施例所提供的体重测量方法，获取待监测图像信息，并对待监测图像信息进行图像识别得到待测量对象的轮廓，然后基于待测量对象的轮廓确定待测量对象的姿势，最后基于待测量对象的姿势和体重映射矩阵计算待测量对象的体重，如此，在无需人工参与的情况下，只需要从针对待测量对象的待监测图像信息中提取待测量对象的轮廓，并基于待测量对象的轮廓和预先训练得到的体重映射矩阵就可以实现对待测量对象的体重的测量，解决了现有技术中对猪的体重进行测量时存在的测误差较大且成本较高的问题，实现了对猪的体重的准确测量，且降低了操作难度和维护成本；同时，具有普遍适用性。
基于前述实施例本发明的实施例提供一种体重测量方法，参照图2所示，该方法包括以下步骤：
步骤201、体重测量设备通过图像采集器获取针对待测量对象的待监测图像信息。
其中，待监测图像信息可以是通过图像采集器来采集实现监测的；图像采集器可以是单目摄像头，例如单目相机。在一种可行的实现方式中，待监测图像信息可以包括多张数量的待监测图像；当然，待监测图像信息也可以指的是待监测视频。
步骤202、体重测量设备获取预设数量的且满足预定条件的待训练对象。
其中，待训练对象的姿势为标准姿势。
需要说明的是，预设数量是一个可以根据实际的应用需求和应用场景调整的数量，且预设数量与获取到的标准姿势的数量有关联关系；在一种可行的实现方式中，预设数量可以是获取到的标准姿势的数量的整数倍；若获取到的标准姿势的数量是两个(即包括两种标准姿势)，那么预设数量就可以是2的整数倍；例如，预设数量可以是1000，其中，待训练对象均是姿势为标准姿势的对象；例如，待训练对象可以包括500个姿势为第一种标准姿势的待训练对象，还可以包括500个姿势为第二种标准姿势的待训练对象。
此外，预定条件可以指的是待训练对象覆盖采集到的画面中的各个部位，且待训练对象涵盖各种不同类型的对象。也就是说，待训练对象可以是通过摄像头对预先对需要进行训练的对象进行监测，然后从众多数量的对象中挑选出预设数量并且覆盖摄像头采集到的画面中的各个部位的对象后得到的。
步骤203、体重测量设备获取待监测图像信息中的每个像素点上包括的待训练对象的数量，并基于待训练对象的数量生成第一目标矩阵。
其中，待监测图像信息中的每个像素点上包括的待训练对象的数量，可以指的是待监测图像信息的画面中包括的像素点中每个像素点上出现过待训练对象的数量。
第一目标矩阵可以是根据获取到的待训练对象的数量和初始化设置的第一矩阵生成的，第一矩阵的行数和列数与待监测图像信息的尺寸所指示的数值相同。在一种可行的实现方式中，第一目标矩阵可以是用于记录每个像素点处出现过的待训练对象的数量的。
步骤204、体重测量设备基于待训练对象的体重和所覆盖的像素的像素面积，生成第二目标矩阵。
其中，待训练对象的体重是体重测量设备实时测量待训练对象后获取得到的；同时，像素面积是体重测量设备获取待训练对象在待监测图像信息中所占据的像素点的总的像素面积后得到的。
第二目标矩阵可以是根据获取到的待训练对象的体重、像素面积和初始化设置的第二矩阵生成的，第二矩阵的行数和列数与待监测图像信息的尺寸所指示的数值相同。在一种可行的实现方式中，第二目标矩阵可以是用于记录每个像素点处出现过的待训练对象的累积体重权值的。
步骤205、体重测量设备基于第二目标矩阵和第一目标矩阵，生成体重映射矩阵。
其中，在获取得到第一目标矩阵和第二目标矩阵后，可以用第二目标矩阵除以第一目标矩阵后，得到的商即为体重映射矩阵。
步骤206、体重测量设备采用特定图像分割算法对待监测图像信息进行图像识别，从待监测图像信息中确定待测量对象的轮廓。
其中，特定图像分割算法可以指的是掩码区域卷积神经网络(Mask Regions WithConvolutional Neural Network，Mask R-CNN)。待测量对象的轮廓可以是采用Mask R-CNN算法对待监测图像信息中的对象进行分割以及边缘检测后得到的。
步骤207、体重测量设备获取针对待测量对象的标准姿势。
其中，标准姿势可以是根据实际的应用需求和应用场景，并结合对测量对象的实物设置的；标准姿势可以是每个待测量对象均是具有的且普遍适用的姿势，本发明实施例中对获取的标准姿势不限定具体的数量；若待测量对象是需要进行测量的猪，那么本发明实施例中获取的标准姿势可以包括两种(也即两个)；如图3所示，标准姿势具体可以包括两种姿势：图3的图3a中所示出的第一种标准姿势A和图3的图3b中所示出的第二种标准姿势B；其中，第一种标准姿势可以是站立姿势，第二种标准姿势可以是侧卧姿势。
步骤208、体重测量设备基于标准姿势和待测量对象的轮廓，确定待测量对象的姿势。
其中，根据待测量对象的轮廓获取待测量对象的轮廓所对应的图像与标准姿势对应的图像相同部分的面积，并根据该面积计算上面提及的两张图像之间的匹配度，进而根据匹配度与预设阈值的大小关系确定待测量对象的姿势。
步骤209、体重测量设备基于待测量对象的姿势和体重映射矩阵，计算待测量对象的体重。
其中，本发明实施例中的待训练对象和待测量对象可以是任何需要进行体重计算的对象；在一种可行的实现方式中待训练对象和待测量对象可以包括不同类型的需要进行体重计算的动物，例如可以是家禽类。
需要说明的是，本实施例中与其它实施例中相同步骤和相同内容的说明，可以参照其它实施例中的描述，此处不再赘述。
本发明的实施例所提供的体重测量方法，在无需人工参与的情况下，只需要从针对待测量对象的待监测图像信息中提取待测量对象的轮廓，并基于待测量对象的轮廓和预先训练得到的体重映射矩阵就可以实现对待测量对象的体重的测量，同时因为待监测图像是使用单目摄像头采集的，从而解决了现有技术中对猪的体重进行测量时存在的测误差较大且成本较高的问题，实现了对猪的体重的准确测量，且降低了操作难度和维护成本；同时，具有普遍适用性。
基于前述实施例，本发明的实施例提供一种体重测量方法，参照图4所示，该方法包括以下步骤：
步骤301、体重测量设备通过图像采集器获取针对待测量对象的待监测图像信息。
步骤302、体重测量设备获取预设数量的且满足预定条件的待训练对象。
步骤303、体重测量设备获取待监测图像信息中的每个像素点上包括的待训练对象的数量，并基于待训练对象的数量生成第一目标矩阵。
其中，步骤303可以通过以下方式来实现：
步骤303a、体重测量设备设置M*N的第一矩阵。
其中，M*N为待监测图像信息的尺寸。
在本发明的其它实施例中，M的取值可以为待监测图像信息的尺寸对应的长度值，N的取值可以为待监测图像信息的尺寸对应的宽度值。在一种可行的实现方式中，若待监测图像信息的尺寸为1280*1024，那么M的值可以为，N的值可以为1024，即第一矩阵为1280*1024的矩阵。需要说明的是，第一矩阵是初始化后的矩阵，其对应的元素的值均为0。
步骤303b、体重测量设备依次遍历预设数量的待训练对象的轮廓，并对每一待训练对象的轮廓进行处理得到每一待训练对象的目标部分。
其中，待训练对象的轮廓可以是采用Mask R-CNN算法对获取到的待训练对象进行分割以及边缘检测后得到的。
本发明实施例中的待监测图像信息可以为二维平面图像，待训练对象可以是猪体，考虑到在二维平面图像中，猪体主要重量分布在猪身部分，腿部、尾部以及头部重量分布相对较少，为了提高算法准确性，可以使用图像处理方法去除掉猪体轮廓较为突出的猪身部分；进而，仅使用猪身部分面积作为训练体重映射矩阵和估计体重的有效面积。也就是说，目标部分可以是根据待训练对象具体所指代的对象的实物来确定，可以是能够代表该待训练对象的体重的有效部分。在一种可行的实现方式中，若待训练对象可以是猪体，那么目标部分就可以是猪的猪身部分。
步骤303c、体重测量设备获取待监测图像信息中的每个像素点上包括的待训练对象的目标部分的数量值。
其中，本发明实施例中的待监测图像信息中的每个像素点上包括的待训练对象的目标部分的数量值，可以指的是待监测图像信息的画面中包括的像素点中每个像素点上出现过待训练对象的目标部分的数量。
步骤303d、体重测量设备按照像素点与第一矩阵的对应关系，将数量值赋值至第一矩阵中得到第一目标矩阵。
其中，像素点与第一矩阵中的元素之间具有对应关系。
在本发明的其它实施例中，因为第一矩阵的规格与待监测图像信息的尺寸相同，因此待监测图像信息中的每个像素点与第一矩阵中的元素之间具有一一对应的关系。第一目标矩阵可以是使用数量值对第一矩阵中元素的值进行更新后得到的M*N的矩阵。在一种可行的实现方式中，若待监测图像信息中的某个像素点上出现过的待训练对象的目标部分的数量为400，那么对应的第一矩阵中与这个像素点对应的元素的值为400。
需要说明的是，若第一矩阵为wn(x,y)，待训练对象的目标部分为P′i；那么，第一目标矩阵可以采用如下公式(1)生成：
Figure BDA0001832299900000111
其中，x和y分别表示像素点的横纵坐标；公式(1)表示，如果像素点上出现了一次待训练对象的目标部分，则与该像素点对应的第一矩阵中对应的元素的值加1；若像素点上为出现待训练对象的目标部分，则该像素点对应的第一矩阵中对应的元素的值不变；第一矩阵的所有元素均赋值完成后更新后的矩阵则为第一目标矩阵。
步骤304、体重测量设备基于待训练对象的体重和所覆盖的像素的像素面积，生成第二目标矩阵。
步骤304a、体重测量设备设置M*N的第二矩阵。
其中，第二矩阵的规格与第一矩阵的规格的相同，且第二矩阵也是初始化后形成的矩阵，其对应的元素的值均为0。
步骤304b、体重测量设备测量每一待训练对象的体重，并计算每一待训练对象的目标部分在待监测图像信息中所覆盖的像素的像素面积。
其中，待训练对应的体重可以是使用磅秤、电子秤等工具称量用于进行训练的姿势为第一种标准姿势(或姿势为第二种标准姿势)的500头猪的实际体重后得到的。像素面积可以指的是每一头猪的猪身部分在待监测图像信息中所覆盖的所有像素点形成的区域的面积。
步骤304c、体重测量设备基于每一待训练对象的体重和像素面积，计算每个待训练对象所覆盖像素点中每个像素点对应的体重权值。
其中，每个待训练对象所覆盖像素点中每个像素点对应的体重权值，可以是用每一个待训练对象的实际体重除以像素面积后得到的。
步骤304d、体重测量设备将预设数量个待训练对象所覆盖像素点中相同像素点对应的体重权值相加，得到待监测图像信息中每个像素点对应的体重权值。
在一种可行的实现方式中，若待监测图像信息中某一个像素点上出现过400个待训练对象，这个400个待训练对象的体重权值分别为a1、a2、a3……a400，那么待监测图像信息中对应的这个像素点的体重权值为a1+a2+a3+……+a400。
步骤304e、体重测量设备按照像素点与第二矩阵的对应关系，将体重权值赋值至第二矩阵中得到第二目标矩阵。
其中，因为第二矩阵的规格与待监测图像信息的尺寸相同，因此待监测图像信息中的每个像素点与第二矩阵中的元素具有一一对应的关系。第二目标矩阵可以是使用体重权值对第二矩阵中元素的值进行更新后得到的M*N的矩阵。在一种可行的实现方式中，若待监测图像信息中的某个像素点对应的体重权值为300，那么对应的第一矩阵中与这个像素点对应的元素的值为300。
需要说明的是，若第二矩阵为Wm(x,y)，待训练对象的实际体重为Mi，待训练对象的目标部分对应的像素面积为Si；那么，第二目标矩阵可以采用如下公式(2)生成：
Figure BDA0001832299900000121
其中，公式(2)表示，训练对象的目标部分所覆盖的每一个像素点对应的第二矩阵中对应的元素的值均加待训练对象的实际体重除以像素面积后得到的商值；若像素点未被训练对象的目标部分所覆盖，则第二矩阵中对应的元素的值不变；第二矩阵的所有元素均赋值完成后更新后的矩阵则为第二目标矩阵。
步骤305、体重测量设备基于第二目标矩阵和第一目标矩阵，生成体重映射矩阵。
需要说明的是，在生成体重映射矩阵过程中，待训练对象按照预先选定的标准姿势进行分类；若标准姿势包括两种，此时需将待训练对象分成两类；第一类为姿势为第一种标准姿势的待训练对象，第二类为姿势为第二种标准姿势的待训练对象。后续进行体重映射矩阵生成时根据第一类待训练对象训练得到第一体重映射矩阵，根据第二类待训练对象训练得到第二体重映射矩阵。当然，实际应用中也可以只得到一个体重映射矩阵或者更多的体重映射矩阵，具体可以根据获取的标准姿势的数量来确定。
步骤306、体重测量设备采用特定图像分割算法对待监测图像信息进行图像识别，从待监测图像信息中确定待测量对象的轮廓。
步骤307、体重测量设备获取针对待测量对象的标准姿势。
步骤308、体重测量设备获取姿势为标准姿势的图像，并将姿势为标准姿势的图像的格式转换为预设格式得到第一图像。
其中，预设格式为二值化格式；二值化指的是将图像中的背景部分设置1，前景部分设为0后得到的图像；第一图像可以是将提取到姿势为标准姿势的图像进行二值化，然后进行尺寸缩放后得到的。
步骤309、体重测量设备获取待测量对象的轮廓对应的图像，并将待测量对象的轮廓对应的图像的格式转换为预设格式得到第二图像。
其中，第二图像可以是将待测量对象的轮廓对应的图进行二值化，然后进行尺寸缩放后得到的；需要说明的是，若待监控图像信息中包括多个待测量对象，那么此时就可以得到多张与之数量对应的第二图像。
需要说明，获取第一图像和第二图像时尺寸缩放比例可以相同，例如姿势为第一种标准姿势的图像的尺寸缩放比例可以为200*80，姿势为第二种标准姿势的图像的尺寸缩放比例可以为200*100。
步骤310、体重测量设备计算第二图像与第一图像的匹配度。
其中，步骤310计算第二图像与第一图像的匹配度可以通过以下方式来实现：
步骤310a、体重测量设备获取第一图像与第二图像中相同区域对应的第一面积。
其中，第一面积可以是将第一图像与第二图像进行对比，计算第一图像和第二图像中相同部分对应的区域的面积来得到的。
步骤310b、体重测量设备计算第一图像的面积与第二图像的面积的和值，得到第二面积。
其中，第二面积可以是将第一图像的面积和第二图像面积相加得到的。
步骤310c、体重测量设备计算第一面积与第二面积的比值，得到第二图像与第一图像的匹配度。
其中，若第一图像标识为Mref，第二图像标识为m，那么第二图像与第一图像的匹配度R可以采用公式(3)来计算得到：
Figure BDA0001832299900000141
步骤311、若第二图像与第一图像的匹配度大于或等于预设阈值，体重测量设备确定待测量对象的姿势为匹配度大于或等于预设阈值的第一图像对应的标准姿势。
其中，若标准姿势包括第一种标准姿势和第二种标准姿势，那么第一图像包括两张图像；若第二图像与第一图像中姿势为第一种标准姿势的图像的匹配度大于或等于预设阈值，那么待测量对象的姿势为第一种标准姿势；若第二图像与第一图像中姿势为第二种标准姿势的图像的匹配度大于或等于预设阈值，那么待测量对象的姿势为第二种标准姿势；预设阈值可以是根据实际的应用场景和具体的需求设置的。
步骤312、若匹配度小于预设阈值，体重测量设备将第二图像按照预定方向和预设角度旋转得到第三图像，并计算第三图像与第一图像的匹配度。
其中，预定方向和预设角度可以是预先设置的方向和角度；在一种可行的实现方式中，预定方向可以为顺时针或者逆时针，预设角度可以为45°。
步骤313、若第三图像与第一图像的匹配度小于预设阈值，体重测量设备将第三图像按照预定方向和预定角度旋转。
其中，若第三图像与第一图像的匹配度大于或等于预设阈值，体重测量设备确定待测量对象的姿势为匹配度大于或等于预设阈值的第一图像对应的标准姿势。
若初始得到的第二图像与第一图像中两张图像的匹配度均小于预设阈值，那延顺时针(或逆时针)方向将第二图像旋转45°得到第三图像，若第三图像与第一图像中姿势为第一种标准姿势的图像的匹配度大于或等于预设阈值，那么待测量对象的姿势为第一种标准姿势；若第二图像与第一图像中姿势为第二种标准姿势的图像的匹配度大于或等于预设阈值，那么待测量对象的姿势为第二种标准姿势。
步骤314、若按照预定方向和预定角度旋转一周后，旋转后的每一图像与第一图像的匹配度均小于预设阈值，体重测量设备确定待测量对象的姿势为无效姿势。
其中，若第三图像与第一图像中的两张图像的匹配度均小于预设阈值，那继续延顺时针(或逆时针)方向将第二图像旋转45°得到新的图像，如果新的图像与第一图像中的任一图像的匹配度大于或等于预设阈值，此时可以得到待测量对象的姿势为匹配度大于或等于预设阈值的图像对应的标准姿势；如果新的图像与第一图像中的任一图像的匹配度均小于预设阈值，那继续延顺时针(或逆时针)方向将第二图像旋转45°；若将第二图像旋转一周(360°)后，旋转过程中得到的所有图像与第一图像中的两张图像的匹配度均小于预设阈值，此时确定待测量对象的姿势为无效姿势，将其对应的轮廓标注为无效轮廓，不对该待测量对象运行后续的体重估计。
步骤315、体重测量设备基于待测量对象的姿势和体重映射矩阵，计算待测量对象的体重。
步骤315a、若待测量对象的姿势为标准姿势，获取待测量对象的目标部分在待监测图像信息中所覆盖的像素点的位置。
步骤315b、基于像素点的位置生成M*N的掩码矩阵。
其中，掩码矩阵可以是采用如下方式生成的：先初始化设置一M*N的第三矩阵，第三矩阵的规格与第一矩阵的规格的相同，且是初始化后形成的矩阵，其对应的元素的值均为0；计算待测量对象的目标部分在待监测图像信息中所覆盖的像素点位置，并将第三矩阵中与该像素点对应的元素的值标记为1，与待测量对象的目标部分未覆盖的像素点对应的元素的值记为0，最终生成M*N的掩码矩阵。其中，待监测图像信息中的每个像素点与第三矩阵中的元素具有一一对应的关系。
步骤315c、基于掩码矩阵和体重映射矩阵，计算待测量对象的体重。
其中，将掩码矩阵与对应的体重映射矩阵相乘，然后将得到的新的矩阵中的每一个元素的值相加，得到和即为待测量对象的体重。在本发明的其它实施例中，若待测量对象的姿势为第一种标准姿势，那么可以将体重映射矩阵中的第一体重映射矩阵与该掩码矩阵相乘，然后将得到的新的矩阵中的每一个元素的值相加得到该待测量对象的体重；若待测量对象的姿势为第二种标准姿势，那么可以将体重映射矩阵中的第二体重映射矩阵与该掩码矩阵相乘，然后将得到的新的矩阵中的每一个元素的值相加得到该待测量对象的体重。
若从待监测图像信息中识别得到多个待测量的对象，那么可以采用本发明实施例中提供的体重测量方法对每一个待测量对象的体重进行测量。
需要说明的是，本实施例中与其它实施例中相同步骤和相同内容的说明，可以参照其它实施例中的描述，此处不再赘述。
本发明的实施例所提供的体重测量方法，在无需人工参与的情况下，只需要从针对待测量对象的待监测图像信息中提取待测量对象的轮廓，并基于待测量对象的轮廓和预先训练得到的体重映射矩阵就可以实现对待测量对象的体重的测量，解决了现有技术中对猪的体重进行测量时存在的测误差较大且成本较高的问题，实现了对猪的体重的准确测量，且降低了操作难度和维护成本；同时，具有普遍适用性。
基于前述实施例，本发明的实施例提供一种体重测量设备，该设备可以应用于图1～2和4对应的实施例提供的一种体重测量方法中，参照图5所示，该设备可以包括：处理器41、存储器42和通信总线43，其中：
通信总线43用于实现处理器41和存储器42之间的通信连接；
处理器41用于执行存储器42中存储的体重测量程序，以实现以下步骤：
获取针对待测量对象的待监测图像信息，并对待监测图像信息进行图像识别得到待测量对象的轮廓；
基于待测量对象的轮廓确定待测量对象的姿势；
基于待测量对象的姿势和体重映射矩阵，计算待测量对象的体重；
其中，体重映射矩阵是预先训练得到的。
在本发明的其他实施例中，处理器41用于执行存储器42中存储的获取待监测图像信息，并对待监测图像信息进行图像识别得到待测量对象的轮廓，以实现以下步骤：
通过图像采集器获取待监测图像信息；
采用特定图像分割算法对待监测图像信息进行图像识别，从待监测图像信息中确定待测量对象的轮廓。
在本发明的其他实施例中，处理器41用于执行存储器42中存储的基于待测量对象的轮廓确定待测量对象的姿势，以实现以下步骤：
获取针对待测量对象的标准姿势；
基于标准姿势和待测量对象的轮廓，确定待测量对象的姿势。
在本发明的其他实施例中，处理器41用于执行存储器42中存储的基于标准姿势和待测量对象的轮廓，确定待测量对象的姿势，以实现以下步骤：
获取姿势为标准姿势的图像，并将姿势为标准姿势的图像的格式转换为预设格式得到第一图像；
获取待测量对象的轮廓对应的图像，并将待测量对象的轮廓对应的图像的格式转换为预设格式得到第二图像；
计算第二图像与第一图像的匹配度；
若第二图像与第一图像的匹配度大于或等于预设阈值，确定待测量对象的姿势为匹配度大于或等于预设阈值的第一图像对应的标准姿势。
在本发明的其他实施例中，处理器41用于执行存储器42中存储的体重测量程序，还可以实现以下步骤：
若匹配度小于预设阈值，将第二图像按照预定方向和预设角度旋转得到第三图像，并计算第三图像与第一图像的匹配度；
若第三图像与第一图像的匹配度大于或等于预设阈值，确定待测量对象的姿势为匹配度大于或等于预设阈值的第一图像对应的标准姿势；
若第三图像与第一图像的匹配度小于预设阈值，将第三图像按照预定方向和预定角度旋转；
若按照预定方向和预定角度旋转一周后，旋转后的每一图像与第一图像的匹配度均小于预设阈值，确定待测量对象的姿势为无效姿势。
在本发明的其他实施例中，处理器41用于执行存储器42中存储的计算第二图像与第一图像的匹配度，以实现以下步骤：
获取第一图像与第二图像中相同区域对应的第一面积；
计算第一图像的面积与第二图像的面积的和值，得到第二面积；
计算第一面积与第二面积的比值，得到第二图像与第一图像的匹配度。
在本发明的其他实施例中，处理器41用于执行存储器42中存储的获取待监测图像信息，并对待监测图像信息进行图像识别得到待测量对象的轮廓之前，以实现以下步骤：
获取预设数量的且满足预定条件的待训练对象；其中，待训练对象的姿势为标准姿势；
获取待监测图像信息中的每个像素点上包括的待训练对象的数量，并基于待训练对象的数量生成第一目标矩阵；
基于待训练对象的体重和所覆盖的像素的像素面积，生成第二目标矩阵；
基于第二目标矩阵和第一目标矩阵生成体重映射矩阵。
在本发明的其他实施例中，处理器41用于执行存储器42中存储的获取待监测图像信息中的每个像素点上包括的待训练对象的数量，并基于待训练对象的数量生成第一目标矩阵，以实现以下步骤：
设置M*N的第一矩阵；
其中，M*N为待监测图像信息的尺寸；
依次遍历预设数量的待训练对象的轮廓，并对每一待训练对象的轮廓进行处理得到每一待训练对象的目标部分；
获取待监测图像信息中的每个像素点上包括的待训练对象的目标部分的数量值；
按照像素点与第一矩阵的对应关系，将数量值赋值至第一矩阵中得到第一目标矩阵；
其中，像素点与第一矩阵中的元素之间具有对应关系。
在本发明的其他实施例中，处理器41用于执行存储器42中存储的基于待训练对象的体重和所覆盖的像素的像素面积，生成第二目标矩阵，以实现以下步骤：
设置M*N的第二矩阵；
测量每一待训练对象的体重，并计算每一待训练对象的目标部分在待监测图像信息中所覆盖的像素的像素面积；
基于每一待训练对象的体重和像素面积，计算每个待训练对象所覆盖像素点中每个像素点对应的体重权值；
将预设数量个待训练对象所覆盖像素点中相同像素点对应的体重权值相加，得到待监测图像信息中每个像素点对应的体重权值；
按照像素点与第二矩阵的对应关系，将体重权值赋值至第二矩阵中得到第二目标矩阵。
在本发明的其他实施例中，处理器41用于执行存储器42中存储的基于待测量对象的姿势和体重映射矩阵计算待测量对象的体重，以实现以下步骤：
若待测量对象的姿势为标准姿势，获取待测量对象的目标部分在待监测图像信息中所覆盖的像素点的位置；
基于像素点的位置生成M*N的掩码矩阵；
基于掩码矩阵和体重映射矩阵，计算待测量对象的体重。
需要说明的是，本实施例中处理器所执行的步骤的具体实现过程，可以参照图1～2和4对应的实施例提供的体重测量方法中的实现过程，此处不再赘述。
本发明的实施例所提供的体重测量设备，在无需人工参与的情况下，只需要从针对待测量对象的待监测图像信息中提取待测量对象的轮廓，并基于待测量对象的轮廓和预先训练得到的体重映射矩阵就可以实现对待测量对象的体重的测量，解决了现有技术中对猪的体重进行测量时存在的测误差较大且成本较高的问题，实现了对猪的体重的准确测量，且降低了操作难度和维护成本；同时，具有普遍适用性。
基于前述实施例本发明的实施例提供一种计算机可读存储介质，该计算机可读存储介质存储有一个或者多个程序，该一个或者多个程序可被一个或者多个处理器执行，以实现如下步骤：
获取待监测图像信息，并对待监测图像信息进行图像识别得到待测量对象的轮廓；
基于待测量对象的轮廓确定待测量对象的姿势；
基于待测量对象的姿势和体重映射矩阵，计算待测量对象的体重；
其中，体重映射矩阵是预先训练得到的。
在本发明的其他实施例中，该一个或者多个程序可被一个或者多个处理器执行，以实现如下步骤：
通过图像采集器获取待监测图像信息；
采用特定图像分割算法对待监测图像信息进行图像识别，从待监测图像信息中确定待测量对象的轮廓。
在本发明的其他实施例中，该一个或者多个程序可被一个或者多个处理器执行，以实现如下步骤：
获取针对待测量对象的标准姿势；
基于标准姿势和待测量对象的轮廓，确定待测量对象的姿势。
在本发明的其他实施例中，该一个或者多个程序可被一个或者多个处理器执行，以实现如下步骤：
获取姿势为标准姿势的图像，并将姿势为标准姿势的图像的格式转换为预设格式得到第一图像；
获取待测量对象的轮廓对应的图像，并将待测量对象的轮廓对应的图像的格式转换为预设格式得到第二图像；
计算第二图像与第一图像的匹配度；
若第二图像与第一图像的匹配度大于或等于预设阈值，确定待测量对象的姿势为匹配度大于或等于预设阈值的第一图像对应的标准姿势。
在本发明的其他实施例中，该一个或者多个程序可被一个或者多个处理器执行，以实现如下步骤：
若匹配度小于预设阈值，将第二图像按照预定方向和预设角度旋转得到第三图像，并计算第三图像与第一图像的匹配度；
若第三图像与第一图像的匹配度大于或等于预设阈值，确定待测量对象的姿势为匹配度大于或等于预设阈值的第一图像对应的标准姿势；
若第三图像与第一图像的匹配度小于预设阈值，将第三图像按照预定方向和预定角度旋转；
若按照预定方向和预定角度旋转一周后，旋转后的每一图像与第一图像的匹配度均小于预设阈值，确定待测量对象的姿势为无效姿势。
在本发明的其他实施例中，该一个或者多个程序可被一个或者多个处理器执行，以实现如下步骤：
获取第一图像与第二图像中相同区域对应的第一面积；
计算第一图像的面积与第二图像的面积的和值，得到第二面积；
计算第一面积与第二面积的比值，得到第二图像与第一图像的匹配度。
在本发明的其他实施例中，该一个或者多个程序可被一个或者多个处理器执行，以实现如下步骤：
获取预设数量的且满足预定条件的待训练对象；
获取待监测图像信息中的每个像素点上包括的待训练对象的数量，并基于待训练对象的数量生成第一目标矩阵；
基于待训练对象的体重和所覆盖的像素的像素面积，生成第二目标矩阵；
基于第二目标矩阵和第一目标矩阵，生成体重映射矩阵。
在本发明的其他实施例中，该一个或者多个程序可被一个或者多个处理器执行，以实现如下步骤：
设置M*N的第一矩阵；
其中，M*N为待监测图像信息的尺寸；
依次遍历预设数量的待训练对象的轮廓，并对每一待训练对象的轮廓进行处理得到每一待训练对象的目标部分；
获取待监测图像信息中的每个像素点上包括的待训练对象的目标部分的数量值；
按照像素点与第一矩阵的对应关系，将数量值赋值至第一矩阵中得到第一目标矩阵；
其中，像素点与第一矩阵中的元素之间具有对应关系。
在本发明的其他实施例中，该一个或者多个程序可被一个或者多个处理器执行，以实现如下步骤：
设置M*N的第二矩阵；
测量每一待训练对象的体重，并计算每一待训练对象的目标部分在待监测图像信息中所覆盖的像素的像素面积；
基于每一待训练对象的体重和像素面积，计算每个待训练对象所覆盖像素点中每个像素点对应的体重权值；
将预设数量个待训练对象所覆盖像素点中相同像素点对应的体重权值相加，得到待监测图像信息中每个像素点对应的体重权值；
按照像素点与第二矩阵的对应关系，将体重权值赋值至第二矩阵中得到第二目标矩阵。
在本发明的其他实施例中，该一个或者多个程序可被一个或者多个处理器执行，以实现如下步骤：
获取待测量对象在待监测图像信息中所覆盖的像素点的位置；
基于像素点的位置生成M*N的掩码矩阵；
基于掩码矩阵和体重映射矩阵，计算待测量对象的体重。
需要说明的是，本实施例中处理器所执行的步骤的具体实现过程，可以参照图1～2和4对应的实施例提供的体重测量方法中的实现过程，此处不再赘述。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。

Claims (11)

1.一种体重测量方法，其特征在于，所述方法包括：
获取针对待测量对象的待监测图像信息，并对所述待监测图像信息进行图像识别得到所述待测量对象的轮廓；
基于所述待测量对象的轮廓确定待测量对象的姿势；
基于所述待测量对象的姿势和体重映射矩阵，计算所述待测量对象的体重；其中，所述体重映射矩阵是预先训练得到的；
其中，所述获取针对待测量对象的待监测图像信息之后，所述对所述待监测图像信息进行图像识别得到所述待测量对象的轮廓之前，所述方法还包括：
获取预设数量的且满足预定条件的待训练对象；其中，所述待训练对象的姿势为标准姿势；
获取所述待监测图像信息中的每个像素点上包括的所述待训练对象的数量，并基于所述待训练对象的数量生成第一目标矩阵，所述第一目标矩阵用于记录所述每个像素点处出现过的所述待训练对象的数量；
基于所述待训练对象的体重和所覆盖的像素的像素面积，生成第二目标矩阵，所述第二目标矩阵用于记录所述每个像素点处出现过的所述待训练对象的累积体重权值；
基于所述第二目标矩阵和所述第一目标矩阵，生成所述体重映射矩阵。
2.根据权利要求1所述的方法，其特征在于，所述获取针对待测量对象的待监测图像信息，并对所述待监测图像信息进行图像识别得到所述待测量对象的轮廓，包括：
通过图像采集器获取所述待监测图像信息；
采用特定图像分割算法对所述待监测图像信息进行图像识别，从所述待监测图像信息中确定所述待测量对象的轮廓。
3.根据权利要求1所述的方法，其特征在于，所述基于所述待测量对象的轮廓确定待测量对象的姿势，包括：
获取针对所述待测量对象的标准姿势；
基于所述标准姿势和所述待测量对象的轮廓，确定所述待测量对象的姿势。
4.根据权利要求3所述的方法，其特征在于，所述基于所述标准姿势和所述待测量对象的轮廓，确定所述待测量对象的姿势，包括：
获取姿势为所述标准姿势的图像，并将所述姿势为标准姿势的图像的格式转换为预设格式得到第一图像；
获取所述待测量对象的轮廓对应的图像，并将所述待测量对象的轮廓对应的图像的格式转换为预设格式得到第二图像；
计算所述第二图像与所述第一图像的匹配度；
若所述第二图像与所述第一图像的匹配度大于或等于预设阈值，确定所述待测量对象的姿势为匹配度大于或等于预设阈值的所述第一图像对应的标准姿势。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
若所述匹配度小于预设阈值，将所述第二图像按照预定方向和预定角度旋转得到第三图像，并计算所述第三图像与所述第一图像的匹配度；
若所述第三图像与所述第一图像的匹配度大于或等于预设阈值，确定所述待测量对象的姿势为匹配度大于或等于预设阈值的所述第一图像对应的标准姿势；
若所述第三图像与所述第一图像的匹配度小于预设阈值，将所述第三图像按照所述预定方向和所述预定角度旋转；
若按照所述预定方向和预定角度旋转一周后，旋转后的每一图像与所述第一图像的匹配度均小于所述预设阈值，确定所述待测量对象的姿势为无效姿势。
6.根据权利要求4或5所述的方法，其特征在于，所述计算所述第二图像与所述第一图像的匹配度，包括：
获取所述第一图像与所述第二图像中相同区域对应的第一面积；
计算所述第一图像的面积与所述第二图像的面积的和值，得到第二面积；
计算所述第一面积与所述第二面积的比值，得到所述第二图像与所述第一图像的匹配度。
7.根据权利要求1所述的方法，其特征在于，所述获取所述待监测图像信息中的每个像素点上包括的所述待训练对象的数量，并基于所述待训练对象的数量生成第一目标矩阵，包括：
设置M*N的第一矩阵；其中，所述M*N为所述待监测图像信息的尺寸；
依次遍历所述预设数量的待训练对象的轮廓，并对每一待训练对象的轮廓进行处理得到每一待训练对象的目标部分；
获取所述待监测图像信息中的每个像素点上包括的所述待训练对象的目标部分的数量值；
按照像素点与所述第一矩阵的对应关系，将所述数量值赋值至所述第一矩阵中得到所述第一目标矩阵；其中，所述像素点与所述第一矩阵中的元素之间具有对应关系。
8.根据权利要求1所述的方法，其特征在于，所述基于所述待训练对象的体重和所覆盖的像素的像素面积，生成第二目标矩阵，包括：
设置M*N的第二矩阵；其中，所述M*N为所述待监测图像信息的尺寸；
测量每一待训练对象的体重，并计算每一待训练对象的目标部分在待监测图像信息中所覆盖的像素的像素面积；
基于每一所述待训练对象的体重和所述像素面积，计算每个待训练对象所覆盖像素点中每个像素点对应的体重权值；
将所述预设数量个待训练对象所覆盖像素点中相同像素点对应的体重权值相加，得到所述待监测图像信息中每个像素点对应的体重权值；
按照像素点与所述第二矩阵的对应关系，将所述体重权值赋值至所述第二矩阵中得到第二目标矩阵。
9.根据权利要求1、7或8任一所述的方法，其特征在于，所述基于所述待测量对象的姿势和体重映射矩阵，计算所述待测量对象的体重，包括：
若所述待测量对象的姿势为标准姿势，获取所述待测量对象的目标部分在所述待监测图像信息中所覆盖的像素点的位置；
基于所述像素点的位置生成M*N的掩码矩阵；
基于所述掩码矩阵和所述体重映射矩阵，计算所述待测量对象的体重。
10.一种体重测量设备，其特征在于，所述设备包括：处理器、存储器和通信总线；
所述通信总线用于实现处理器和存储器之间的通信连接；
所述处理器用于执行存储器中存储的体重测量程序，以实现以下步骤：
获取针对待测量对象的待监测图像信息，并对所述待监测图像信息进行图像识别得到所述待测量对象的轮廓；
基于所述待测量对象的轮廓确定待测量对象的姿势；
基于所述待测量对象的姿势和体重映射矩阵，计算所述待测量对象的体重；其中，所述体重映射矩阵是预先训练得到的；
所述处理器，还用于在所述获取针对待测量对象的待监测图像信息之后，所述对所述待监测图像信息进行图像识别得到所述待测量对象的轮廓之前，获取预设数量的且满足预定条件的待训练对象；其中，所述待训练对象的姿势为标准姿势；获取所述待监测图像信息中的每个像素点上包括的所述待训练对象的数量，并基于所述待训练对象的数量生成第一目标矩阵，所述第一目标矩阵用于记录所述每个像素点处出现过的所述待训练对象的数量；基于所述待训练对象的体重和所覆盖的像素的像素面积，生成第二目标矩阵，所述第二目标矩阵用于记录所述每个像素点处出现过的所述待训练对象的累积体重权值；基于所述第二目标矩阵和所述第一目标矩阵，生成所述体重映射矩阵。
11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1至9中任一项所述的体重测量方法的步骤。
CN201811210433.4A 2018-10-17 2018-10-17 一种体重测量方法、设备和计算机可读存储介质 Active CN109459119B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201811210433.4A CN109459119B (zh) 2018-10-17 2018-10-17 一种体重测量方法、设备和计算机可读存储介质
PCT/CN2019/103274 WO2020078111A1 (zh) 2018-10-17 2019-08-29 一种体重测量方法、设备和计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811210433.4A CN109459119B (zh) 2018-10-17 2018-10-17 一种体重测量方法、设备和计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN109459119A CN109459119A (zh) 2019-03-12
CN109459119B true CN109459119B (zh) 2020-06-05

Family

ID=65607887

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811210433.4A Active CN109459119B (zh) 2018-10-17 2018-10-17 一种体重测量方法、设备和计算机可读存储介质

Country Status (2)

Country Link
CN (1) CN109459119B (zh)
WO (1) WO2020078111A1 (zh)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109459119B (zh) * 2018-10-17 2020-06-05 京东数字科技控股有限公司 一种体重测量方法、设备和计算机可读存储介质
CN110065855B (zh) * 2019-04-21 2024-01-23 苏州科技大学 多轿厢电梯控制方法及控制系统
CN110426112B (zh) * 2019-07-04 2022-05-13 平安科技（深圳）有限公司 一种生猪体重测量方法及装置
CN110672189A (zh) * 2019-09-27 2020-01-10 北京海益同展信息科技有限公司 体重估计方法、装置、系统和存储介质
CN111126636A (zh) * 2019-12-31 2020-05-08 杭州铁哥们环保科技有限公司 智能回收废钢的方法
CN111401386B (zh) * 2020-03-30 2023-06-13 深圳前海微众银行股份有限公司 牲畜舍栏的监控方法、装置、智能巡航机器人及存储介质
CN113532616A (zh) * 2020-04-15 2021-10-22 阿里巴巴集团控股有限公司 基于计算机视觉的体重估计方法、装置及系统
CN111507432A (zh) * 2020-07-01 2020-08-07 四川智迅车联科技有限公司 农险理赔智能称重方法、系统、电子设备和存储介质
CN111862189B (zh) * 2020-07-07 2023-12-05 京东科技信息技术有限公司 体尺信息确定方法、装置、电子设备和计算机可读介质
CN112233144B (zh) * 2020-09-24 2024-05-28 中国农业大学 水下鱼体重量测量方法及装置
CN112511767B (zh) * 2020-10-30 2022-08-02 山东浪潮科学研究院有限公司 一种视频拼接方法及设备、存储介质
CN112330677A (zh) * 2021-01-05 2021-02-05 四川智迅车联科技有限公司 基于图像的高精度称重方法、系统、电子设备及存储介质
CN114001810A (zh) * 2021-11-08 2022-02-01 厦门熵基科技有限公司 一种体重计算方法及装置
CN115620210B (zh) * 2022-11-29 2023-03-21 广东祥利科技有限公司 基于图像处理的电子线料的性能确定方法及系统
CN117789243A (zh) * 2023-05-25 2024-03-29 安佑生物科技集团股份有限公司 一种同栏猪只日均重估算方法、设备及存储介质

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7515734B2 (en) * 2006-03-27 2009-04-07 Eyecue Vision Technologies Ltd. Device, system and method for determining compliance with a positioning instruction by a figure in an image
JP6083638B2 (ja) * 2012-08-24 2017-02-22 国立大学法人 宮崎大学 動物体の体重推定装置、及び体重推定方法
CN103983334B (zh) * 2014-05-20 2017-01-11 联想(北京)有限公司 一种信息处理的方法及电子设备
US9921660B2 (en) * 2014-08-07 2018-03-20 Google Llc Radar-based gesture recognition
CN104778374A (zh) * 2015-05-04 2015-07-15 哈尔滨理工大学 一种基于图像处理识别方法的自动膳食评估装置
CN105784083B (zh) * 2016-04-05 2018-05-18 北京农业信息技术研究中心 基于立体视觉技术的奶牛体型测量方法和系统
CN106529400A (zh) * 2016-09-26 2017-03-22 深圳奥比中光科技有限公司 移动终端及其人体监测方法、装置
CN106780530B (zh) * 2016-12-15 2019-06-14 广州视源电子科技股份有限公司 一种体型预测方法及设备
CN107194987B (zh) * 2017-05-12 2021-12-10 西安蒜泥电子科技有限责任公司 对人体测量数据进行预测的方法
CN109459119B (zh) * 2018-10-17 2020-06-05 京东数字科技控股有限公司 一种体重测量方法、设备和计算机可读存储介质

Also Published As

Publication number Publication date
WO2020078111A1 (zh) 2020-04-23
CN109459119A (zh) 2019-03-12

Similar Documents

Publication Publication Date Title
CN109459119B (zh) 一种体重测量方法、设备和计算机可读存储介质
CN111795704B (zh) 一种视觉点云地图的构建方法、装置
CN108764048B (zh) 人脸关键点检测方法及装置
Wang et al. ASAS-NANP SYMPOSIUM: Applications of machine learning for livestock body weight prediction from digital images
CN110634161B (zh) 一种基于点云数据的工件位姿快速高精度估算方法及装置
CN106485695B (zh) 基于统计形状模型的医学图像Graph Cut分割方法
CN109472828B (zh) 一种定位方法、装置、电子设备及计算机可读存储介质
CN111968235A (zh) 一种物体姿态估计方法、装置、系统和计算机设备
CN104392223B (zh) 二维视频图像中的人体姿态识别方法
KR20120048370A (ko) 물체 자세 인식장치 및 이를 이용한 물체 자세 인식방법
CN107240117B (zh) 视频中运动目标的跟踪方法和装置
CN109740659B (zh) 一种图像匹配方法及装置、电子设备、存储介质
CN105260750A (zh) 一种奶牛识别方法及系统
CN111145205B (zh) 基于红外图像的多猪只场景下猪体温检测方法
CN110207702B (zh) 目标定位的方法及装置
JP2015219868A (ja) 情報処理装置、情報処理方法、プログラム
CN109559342B (zh) 动物体长的测量方法和装置
JP5704909B2 (ja) 注目領域検出方法、注目領域検出装置、及びプログラム
JP2015111128A (ja) 位置姿勢計測装置、位置姿勢計測方法、およびプログラム
CN113888612A (zh) 动物点云多视角实时采集与3d重建方法、装置及系统
CN115222912A (zh) 目标位姿估计方法、装置、计算设备及存储介质
CN110458177B (zh) 图像深度信息的获取方法、图像处理装置以及存储介质
CN115880428A (zh) 一种基于三维技术的动物检测数据处理方法、装置及设备
Park et al. Depth image correction for intel realsense depth camera
CN109214398B (zh) 一种从连续图像中量测杆体位置的方法和系统

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
CB02 Change of applicant information

Address after: Room 221, 2nd floor, Block C, 18 Kechuang 11th Street, Daxing Economic and Technological Development Zone, Beijing, 100176

Applicant after: JINGDONG DIGITAL TECHNOLOGY HOLDINGS Co.,Ltd.

Address before: Room 221, 2nd floor, Block C, 18 Kechuang 11th Street, Daxing Economic and Technological Development Zone, Beijing, 100176

Applicant before: BEIJING JINGDONG FINANCIAL TECHNOLOGY HOLDING Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant
CP01 Change in the name or title of a patent holder

Address after: Room 221, 2nd floor, Block C, 18 Kechuang 11th Street, Daxing Economic and Technological Development Zone, Beijing, 100176

Patentee after: Jingdong Technology Holding Co.,Ltd.

Address before: Room 221, 2nd floor, Block C, 18 Kechuang 11th Street, Daxing Economic and Technological Development Zone, Beijing, 100176

Patentee before: Jingdong Digital Technology Holding Co.,Ltd.

Address after: Room 221, 2nd floor, Block C, 18 Kechuang 11th Street, Daxing Economic and Technological Development Zone, Beijing, 100176

Patentee after: Jingdong Digital Technology Holding Co.,Ltd.

Address before: Room 221, 2nd floor, Block C, 18 Kechuang 11th Street, Daxing Economic and Technological Development Zone, Beijing, 100176

Patentee before: JINGDONG DIGITAL TECHNOLOGY HOLDINGS Co.,Ltd.

CP01 Change in the name or title of a patent holder