CN109636779A - 识别家禽体积体尺的方法、装置及存储介质 - Google Patents
识别家禽体积体尺的方法、装置及存储介质 Download PDFInfo
- Publication number
- CN109636779A CN109636779A CN201811397764.3A CN201811397764A CN109636779A CN 109636779 A CN109636779 A CN 109636779A CN 201811397764 A CN201811397764 A CN 201811397764A CN 109636779 A CN109636779 A CN 109636779A
- Authority
- CN
- China
- Prior art keywords
- poultry
- image
- information
- chicken
- ruler
- 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.)
- Granted
Links
- 244000144977 poultry Species 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000003860 storage Methods 0.000 title claims abstract description 6
- 238000005259 measurement Methods 0.000 claims abstract description 22
- 230000011218 segmentation Effects 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 230000009466 transformation Effects 0.000 claims description 26
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 10
- 210000003746 feather Anatomy 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 4
- 241000287828 Gallus gallus Species 0.000 abstract description 39
- 230000008569 process Effects 0.000 abstract description 3
- 239000000284 extract Substances 0.000 abstract description 2
- 239000011159 matrix material Substances 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000009304 pastoral farming Methods 0.000 description 1
- 235000015277 pork Nutrition 0.000 description 1
- 238000009374 poultry farming Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/02—Affine transformations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种识别家禽体积体尺的方法、装置及存储介质，包括：获取鸡只彩色图与视差图、计算点云信息与世界坐标、计算体积体尺。本发明使用深度摄像头获取测量场景的图像信息，通过算法快速分割出鸡只，并且不需要外部夹持装置固定被测鸡只，在不影响鸡只正常活动的同时利用计算机视觉简单有效的提取出鸡只体积体尺信息。由于深度摄像头不受光线强弱影响，对于鸡场光线不稳定的场景有很好的适应性，且算法处理能很好的提高测量精度，利用视觉非接触性测量鸡只体积体尺信息，测量简便且有利于鸡只的健康生长。
Description
技术领域
本发明涉及视觉检测研究领域，具体涉及一种识别家禽体积体尺的方法、装置及存储介质。
背景技术
据统计，到2025年，世界人口预计将超过80亿，到2050年预计将达到96亿人。这意味着需要更加有效的家禽畜牧生产方法来提供足够的食物来源。如肉鸡、肉猪等家禽在家禽养殖中占据着重要的地位，是主要的食物来源之一，对其养殖发育规律分析与健康预警进行研究具有重要的意义。
家禽的体积体尺信息是养殖过程中一个重要的指标。该信息测量涉及不规则物体的体积测量，并没有一个具体的数学公式算法。传统的测量方法包括接触式和非接触式两种，接触式的方法主要是人工从养殖场中捕捉较具代表性的家禽，然后人工利用卷尺和规尺等进行手动测量，费时费力，精确度不高。非接触式测量包括利用昂贵的激光扫描仪、超声波技术等进行测量，这类测量方式不是用于家禽养殖场的养殖条件。目前虽也有研究人员提出采用视觉测量的方式进行测量的，但普遍存在对光照条件要求高、算法不稳定等缺陷。
发明内容
本发明的一个目的在于克服现有技术的缺点与不足，提供一种识别家禽体积体尺的方法，该方法利用彩色图像和视差图，综合图像信息和点云信息，能够实现准确测量。
本发明的另一个目的在于提供一种识别家禽体积体尺的装置，该装置具有识别准确的优点。
本发明的目的通过以下的技术方案实现：识别家禽体积体尺的方法，包括步骤：
通过深度摄像头获取测量场景的图像，所述图像包括彩色图和视差图；
若所述图像中出现目标家禽，则从所述图像中分割出家禽；
对所述分割出的家禽计算点云信息，根据点云坐标测算体积体尺。
本发明通过采用深度摄像头对家禽进行非接触性测量，使得不受光线强弱影响，对于养殖场等光线不稳定的场景有很好的适应性，便于提高测量精度。
优选的，判断当前图像中是否出现目标家禽，方法是：利用家禽所具有的普遍特征信息，将彩色图转化到YCbCr空间并且在CbCr平面进行投影，利用统计椭圆模型分割出家禽羽毛轮廓，然后与视差图检测到的最近物体轮廓做交并比(Intersection-over-Union，IoU)，若交并比大于阈值，则判断为目标家禽。
优选的，从图像中分割出家禽的步骤是：在识别出当前视差图和彩色图中存在目标家禽后，采用椭圆肤色模型进行色彩分割和识别，将目标家禽的特征区域部分按照其轮廓从原图像中框选出来；然后将轮廓外的背景剔除。
优选的，从图像中分割出家禽后，进行仿射变换，步骤是：根据目标家禽特征区域部分的轮廓，计算其最小外接矩形，仿射变换根据该最小外接矩形将特征区域部分的轮廓摆正。从而方便后续体积体尺信息的计算。
优选的，从图像中分割出家禽后，对点云信息进行回归模型拟合修正。以对点云信息中缺失的信息进行补偿，提高后续计算的精度。
优选的，根据点云信息，采用累计积分算法进行体积的计算，将点云信息进行透视变换获取世界坐标，根据世界坐标计算真实体尺信息。
一种识别家禽体积体尺的装置，包括：
图像获取模块，用于通过深度摄像头获取测量场景的图像，所述图像包括彩色图和视差图；
目标提取模块，用于判断图像中是否出现目标家禽，如果出现则从所述图像中分割出家禽；
计算模块，用于对所述分割出的家禽计算点云信息，根据点云坐标测算体积体尺。
优选的，目标提取模块包括一用于判断图像中是否出现目标家禽的判断模块，判断模块执行方法：利用家禽所具有的普遍特征信息，将彩色图转化到YCbCr空间并且在CbCr平面进行投影，利用统计椭圆模型分割出家禽羽毛轮廓，然后与视差图检测到的最近物体轮廓做交并比，若交并比大于阈值，则判断为目标家禽。
优选的，目标提取模块包括一用于从图像中分割出家禽的分割模块，分割模块执行方法：在识别出当前视差图和彩色图中存在目标家禽后，采用椭圆肤色模型进行色彩分割和识别，将目标家禽的特征区域部分按照其轮廓从原图像中框选出来；然后将轮廓外的背景剔除。
优选的，所述识别家禽体积体尺的装置包括仿射变换模块，仿射变换模块用于：根据目标家禽特征区域部分的轮廓，计算其最小外接矩形，仿射变换根据该最小外接矩形将特征区域部分的轮廓摆正。
本发明与现有技术相比，具有如下优点和有益效果：
本发明是一套集家禽分割、深度信息提取、体积体尺测量为一体的系统，适用于室内外家禽养殖场的环境，系统利用深度摄像头可实现对家禽样本的采集并实时监测家禽的体积体尺状况，可为家禽养殖发育规律分析与健康预警提供重要的参考数据。同时对其他不规则物体测量具有重要参考意义。
附图说明
图1是本发明可以应用于其中的示例性系统架构图。
图2是本实施例用于识别鸡只的装置示意图。
图3是本实施例识别家禽体积体尺方法的总体图。
图4是本实施例识别家禽体积体尺方法的细分图。
图5是本实施例通过检测最近物体提取目标鸡只的步骤图。
图6是本实施例求取体积信息时的积分原理图。
图7是用于识别鸡只的一个具体实例，其中(a)为剔除背景后的原图，(b)为用最小外接矩形框选后的二值化的视差图，(c)为仿射变换摆正后的视差图，(d)为深度伪视差图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与发明相关的部分。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互结合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本发明的识别家禽体积体尺的方法的示例性系统框架。系统框架包括网络设备103、探测设备102、被测家禽101；探测设备102与网络设备103通过有线、或者无线通信链路或者光纤电缆等等来连接通信。在实践中，网络设备103可以通过安装相应的客户端应用来提供相应的网络服务。本实施例中探测设备102采用与网络设备103配置的深度摄像头。为了便于说明，本实施例中被测家禽101以鸡只为例。如图2所示，深度摄像头固定在一吊架上，或者直接固定在养殖场天花板上，用于捕捉目标鸡只，然后将图像信息和点云信息均传输到网络设备中进行识别处理，处理后可得到体积体尺信息与伪色彩图、三维模型等。
参考图3，本实施例识别鸡只体积体尺的方法，概括来说包括三大部分，分别是获取鸡只彩色图与视差图、计算点云信息与世界坐标、计算体积体尺，其中重点是在取得彩色图与视差图后，根据图像信息得到需要的数据信息。
参考图4，其示出了本发明识别鸡只体积体尺的方法的一个实施例的流程。该方法包括以下步骤：
步骤1，获取彩色图和视差图。
在本实施例中，深度摄像头采集彩色图和视差图，分别获取彩色图像信息和点云信息，这里所述的彩色图像信息可以为RGB图像，图像可采用JPG/PNG等常见格式。点云信息为目标鸡只的点云信息。
实践中可将深度摄像头固定在鸡场某个具有好视角的位置，无其他干扰遮挡，或者搭载在移动设备上。
步骤2，通过检测最近物体提取目标鸡只。
实践中，由于深度摄像头是采用了飞行时间(Time of flight，ToF)主动光源技术，利用红外反射关系直接获取深度信息的设备，所以被测物体如果不是最近物体，中间被其他物体部分遮挡干扰就会出现点云信息部分缺失，从而影响测量信息准确性。
为此，本实施例中，首先判断当前被检测的场景中返回的最近物体信息是否是目标鸡只，参见图5，步骤是：
S201：采用形态学处理方法对点云信息进行修正。
由于采集的原始视差图往往会有噪点，为了去除噪声干扰，可采用高斯滤波先过滤掉部分噪声，再通过图像金字塔与腐蚀膨胀操作处理视差图，方便后面通过连通域寻找鸡只轮廓，以便正确框选目标鸡只。
S202：检测最近物体是否为目标鸡只。
利用鸡只所具有的普遍特征信息，将彩色图转化到YCbCr空间并且在CbCr平面进行投影，利用统计椭圆模型快速分割出鸡只羽毛轮廓，并与视差图检测到的最近物体轮廓做交并比(IoU)，来判断是否为目标鸡只。
具体的，经过前人学者大量的皮肤统计信息可以知道，如果将羽毛肤色信息映射到YCbCr空间，则在CbCr二维空间中这些羽毛肤色像素点近似成一个椭圆分布。因此如果得到了一个CbCr的椭圆，下次来一个坐标(Cr,Cb)只需判断它是否在椭圆内(包括边界)，如果是，则可以判断其为羽毛肤色，否则就是非羽毛肤色像素点。统计椭圆模型的公式是：
最近物体信息的获取是利用深度摄像头得到的视差图，当前最近物体的距离加上20cm的距离作为保留，用阈值算法将此距离内的面积保留下来显示为白色，背景部分显示为黑色，该图作为视差图。
交并比(Intersection-over-Union，IoU)，目标检测中使用的一个概念，是产生的候选框(candidate bound)与原标记框(ground truth bound)的交叠率，即它们的交集与并集的比值。最理想情况是完全重叠，即比值为1。
将利用统计椭圆模型分割出来的鸡只轮廓与点云信息分割出的鸡只轮廓做交并比，若IoU超过0.8即认为是鸡只轮廓。
S203：将目标鸡只从图像中分割出来。
采用椭圆肤色模型进行色彩分割和识别，将目标鸡只的特征区域部分按照其轮廓从原图像中框选出来。
步骤3，针对框选出的特征图像进行预处理，剔除背景。
为了增加用户直观感受，可在彩色图中剔除背景只保留上述步骤框选出来的特征区域，得到图7(a)所示附图。同时为了后续体积体尺计算，也对视差图进行同样的处理，仅保留特征部分的信息，得到图7(b)所示附图。
由于深度摄像头返回的深度图轮廓边缘容易出现噪点与信息缺失，本发明先将轮廓外部分噪点滤除以提高检测精度，具体滤除方法是先将轮廓点云信息储存在vector向量中通过轮询法将最外三层像素点删除。
步骤4，仿射变换。
实践中，由于目标鸡只会进行移动，不是静态不变的，为了便于后续进行累计积分算法与体尺计算，本实施例中对步骤3框选出的特征图像以及点云信息均进行仿射变换摆正，得到图7(c)所示附图
仿射变换的功能是从二维坐标到二维坐标之间的线性变换，且保持二维图形的“平直性”和“平行性”。仿射变换可以通过一系列的原子变换的复合来实现，包括平移、缩放、翻转、旋转和剪切。这类变换可以用一个3*3的矩阵M来表示，其最后一行为(0，0，1)。该变换矩阵将原坐标为(x,y)变换为新坐标(x',y')，
本步骤的矩阵M可通过鸡只轮廓的最小外界矩形的中心点与旋转角度算出，仿射变换只需进行旋转将鸡只的方框进行摆正，方便后续累计积分算法计算体积。
步骤5，对点云信息进行回归模型拟合修正。
实践中，由于深度摄像头本身精度问题，边角易出现信息缺失与噪点。加之步骤4的仿射变换也会使点云图中出现一些边角的信息缺失，为此，本实施例对步骤4返回的点云信息进行回归模型拟合修正，拟合修正的方法是利用中间有效点云信息建立回归方程拟合边角缺失信息，从而补偿精度损失。
回归方程拟合曲线基本原理：幂函数可逼近任意函数。
上式中，N表示多项式阶数。本实施例中N取5，则上述的方程表示为：
y＝k0+k1x+k2x2+k3x3+k4x4+k5x5
共有6个未知数，仅需6个点即可求解；
可表示为矩阵方程：Y＝UK
Y的维数为[R*1]，U的维数[R*6]，K的维数[6*1]。
R>6时，超定方程求解：
K＝(UTU)-1UTY。
步骤6，计算体积体尺。
先将点云信息进行透视变换等操作获得实际世界坐标距离信息。
在此基础上，采用累计积分算法进行体积的近似计算，该方法采用微积分思想，如图6所示，将物体分割为无数个面，将每个面分割为无数个小梯形来累计计算出面积进而求取体积。
将深度图通过仿射变换摆正后，利用c++中的vector模板向量将框中的物体从上往下、从左到右将每个点云数据存入vector向量中，以完成对最近物体的线切割与信息保存。并且将最近物体最外围点云存入vector模板向量中，以最外围的平均深度作为最远距离基准线。如图6所示，本实施例采用累积计算方法进行近似计算,即先计算每一切片的体积,再将这些切片体积进行累加得到整个物体的体积。具体步骤：
先计算ΔS，即线条上第j点、第j+1点与被测图像上两点云深度信息构成一个小梯形面积，将i线条按此方法累积计算即可得到Si的面积，具体公式为：
其中n为i线条上储存的点云个数，yi,j为i线条上高度信息，y0,表示最远距离基准线的高度信息。
计算相邻两切面Si与Si+1之间的距离ΔZ，由于深度图已经摆正：
其中m为i+1线条上储存的点云个数。
相邻两切面Si与Si+1之间的体积为：
dVz＝Si×ΔZ
总体积V为：
其中Z为物体切割线条的总数。
至于其他体尺信息，可根据鸡只特征点进行图像处理，例如采用骨架抽取等算法定位，再根据点云信息进行透视变换获取世界坐标计算真实体尺信息。
步骤7，保存点云txt文件。
本实施例中，可将最终修正输出的点云信息离线存放至txt文件。在实践中，点云信息txt文件可导入三维软件直观查看鸡只三维模型。
另外，为了提高用户的直观感受，根据实际鸡只离深度摄像头的远近，在得到的鸡只三维模型上加上色彩，得到伪色彩距离图像，如图7(d)所示。
实施例2
本实施例除下述特征外其他结构同实施例1。
一种识别家禽体积体尺的装置，包括：
一、图像获取模块。
用于通过深度摄像头获取测量场景的图像，所述图像包括彩色图和视差图。
二、目标提取模块。
包括判断模块和分割模块，其中：
判断模块，用于判断图像中是否出现目标家禽，判断的方法是：利用家禽所具有的普遍特征信息，将彩色图转化到YCbCr空间并且在CbCr平面进行投影，利用统计椭圆模型分割出家禽羽毛轮廓，然后与视差图检测到的最近物体轮廓做交并比，若交并比大于阈值，则判断为目标家禽。
分割模块，用于从图像中分割出家禽，分割的方法是：在识别出当前视差图和彩色图中存在目标家禽后，采用椭圆肤色模型进行色彩分割和识别，将目标家禽的特征区域部分按照其轮廓从原图像中框选出来；然后将轮廓外的背景剔除。
三、计算模块。
用于根据点云信息，采用累计积分算法进行体积的计算，将点云信息进行透视变换获取世界坐标，根据世界坐标计算真实体尺信息。
本实施例中，所述识别家禽体积体尺的装置还包括仿射变换模块，仿射变换模块用于：根据目标家禽特征区域部分的轮廓，计算其最小外接矩形，仿射变换根据该最小外接矩形将特征区域部分的轮廓摆正。
本实施例中，在分割模块从图像中分割出家禽后，再经过一修正模块对点云信息进行回归模型拟合修正。以对点云信息中缺失的信息进行补偿，提高后续计算的精度。
本申请实施例还提供了一种计算机可读存储介质，其上储存有计算机程序，所述计算机程序被处理器执行时实现如本实施例描述的识别家禽体积体尺的方法。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (10)
1.识别家禽体积体尺的方法，其特征在于，包括步骤：
通过深度摄像头获取测量场景的图像，所述图像包括彩色图和视差图；
若所述图像中出现目标家禽，则从所述图像中分割出家禽；
对所述分割出的家禽计算点云信息，根据点云坐标测算体积体尺。
2.根据权利要求1所述的识别家禽体积体尺的方法，其特征在于，判断当前图像中是否出现目标家禽，方法是：利用家禽所具有的普遍特征信息，将彩色图转化到YCbCr空间并且在CbCr平面进行投影，利用统计椭圆模型分割出家禽羽毛轮廓，然后与视差图检测到的最近物体轮廓做交并比，若交并比大于阈值，则判断为目标家禽。
3.根据权利要求1所述的识别家禽体积体尺的方法，其特征在于，从图像中分割出家禽的步骤是：在识别出当前视差图和彩色图中存在目标家禽后，采用椭圆肤色模型进行色彩分割和识别，将目标家禽的特征区域部分按照其轮廓从原图像中框选出来；然后将轮廓外的背景剔除。
4.根据权利要求1所述的识别家禽体积体尺的方法，其特征在于，从图像中分割出家禽后，进行仿射变换，步骤是：根据目标家禽特征区域部分的轮廓，计算其最小外接矩形，仿射变换根据该最小外接矩形将特征区域部分的轮廓摆正。
5.根据权利要求1所述的识别家禽体积体尺的方法，其特征在于，从图像中分割出家禽后，对点云信息进行回归模型拟合修正；
根据点云信息，采用累计积分算法进行体积的计算，将点云信息进行透视变换获取世界坐标，根据世界坐标计算真实体尺信息。
6.一种识别家禽体积体尺的装置，其特征在于，包括：
图像获取模块，用于通过深度摄像头获取测量场景的图像，所述图像包括彩色图和视差图；
目标提取模块，用于判断图像中是否出现目标家禽，如果出现则从所述图像中分割出家禽；
计算模块，用于对所述分割出的家禽计算点云信息，根据点云坐标测算体积体尺。
7.根据权利要求6所述的识别家禽体积体尺的装置，其特征在于，目标提取模块包括一用于判断图像中是否出现目标家禽的判断模块，判断模块执行方法：利用家禽所具有的普遍特征信息，将彩色图转化到YCbCr空间并且在CbCr平面进行投影，利用统计椭圆模型分割出家禽羽毛轮廓，然后与视差图检测到的最近物体轮廓做交并比，若交并比大于阈值，则判断为目标家禽。
8.根据权利要求6所述的识别家禽体积体尺的装置，其特征在于，目标提取模块包括一用于从图像中分割出家禽的分割模块，分割模块执行方法：在识别出当前视差图和彩色图中存在目标家禽后，采用椭圆肤色模型进行色彩分割和识别，将目标家禽的特征区域部分按照其轮廓从原图像中框选出来；然后将轮廓外的背景剔除。
9.根据权利要求6所述的识别家禽体积体尺的装置，其特征在于，所述识别家禽体积体尺的装置包括仿射变换模块，仿射变换模块用于：根据目标家禽特征区域部分的轮廓，计算其最小外接矩形，仿射变换根据该最小外接矩形将特征区域部分的轮廓摆正。
10.一种计算机可读存储介质，其上储存有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如本权利要求1-5任一项描述的识别家禽体积体尺的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811397764.3A CN109636779B (zh) | 2018-11-22 | 2018-11-22 | 识别家禽体积体尺的方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811397764.3A CN109636779B (zh) | 2018-11-22 | 2018-11-22 | 识别家禽体积体尺的方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109636779A true CN109636779A (zh) | 2019-04-16 |
| CN109636779B CN109636779B (zh) | 2021-02-19 |
Family
ID=66068899
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811397764.3A Active CN109636779B (zh) | 2018-11-22 | 2018-11-22 | 识别家禽体积体尺的方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109636779B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110110687A (zh) * | 2019-05-15 | 2019-08-09 | 江南大学 | 基于颜色信息和三维轮廓信息的树上水果自动识别方法 |
| CN110189347A (zh) * | 2019-05-15 | 2019-08-30 | 深圳市优博讯科技股份有限公司 | 一种测量物体体积的方法及终端 |
| CN110296660A (zh) * | 2019-06-26 | 2019-10-01 | 北京海益同展信息科技有限公司 | 牲畜体尺检测方法与装置 |
| CN111144276A (zh) * | 2019-12-24 | 2020-05-12 | 北京深测科技有限公司 | 一种用于牧场的监测预警方法 |
| CN112150535A (zh) * | 2020-08-25 | 2020-12-29 | 北京大学 | 智能手机中声波与图像融合的食物体积测量方法及系统 |
| CN112907546A (zh) * | 2021-02-25 | 2021-06-04 | 北京农业信息技术研究中心 | 肉牛体尺非接触测量装置及方法 |
| CN112927282A (zh) * | 2021-01-25 | 2021-06-08 | 华南农业大学 | 一种基于机器视觉的畜禽脚参数自动测量方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103226708A (zh) * | 2013-04-07 | 2013-07-31 | 华南理工大学 | 一种基于Kinect的多模型融合视频人手分割方法 |
| CN103530892A (zh) * | 2013-10-21 | 2014-01-22 | 清华大学深圳研究生院 | 一种基于Kinect传感器的双手跟踪方法与装置 |
| KR20150081773A (ko) * | 2014-01-07 | 2015-07-15 | 디노플러스 (주) | 인체 관절 정보를 이용한 신장 측정장치 및 그 방법 |
| CN106097352A (zh) * | 2016-06-15 | 2016-11-09 | 深圳市易奉亲智慧养老科技有限公司 | 基于视频图像的人体定位方法及装置 |
| CN106683073A (zh) * | 2015-11-11 | 2017-05-17 | 杭州海康威视数字技术股份有限公司 | 一种车牌的检测方法及摄像机和服务器 |
| US20170154471A1 (en) * | 2014-06-26 | 2017-06-01 | Korea Advanced Institute Of Science And Technology | Apparatus and method for providing augmented reality interaction service |
| CN107368810A (zh) * | 2017-07-20 | 2017-11-21 | 北京小米移动软件有限公司 | 人脸检测方法及装置 |
| CN107481274A (zh) * | 2017-08-11 | 2017-12-15 | 武汉理工大学 | 一种三维作物点云的鲁棒性重构方法 |
| CN107667903A (zh) * | 2017-07-27 | 2018-02-09 | 北京奥云牧数据科技有限公司 | 基于物联网的畜牧养殖活体体重监测方法 |
| CN108682000A (zh) * | 2018-02-12 | 2018-10-19 | 中国农业大学 | 基于Kinect视频的猪体长体宽检测方法 |
| CN108701376A (zh) * | 2016-02-09 | 2018-10-23 | 英特尔公司 | 三维图像的基于识别的对象分割 |
-
2018
- 2018-11-22 CN CN201811397764.3A patent/CN109636779B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103226708A (zh) * | 2013-04-07 | 2013-07-31 | 华南理工大学 | 一种基于Kinect的多模型融合视频人手分割方法 |
| CN103530892A (zh) * | 2013-10-21 | 2014-01-22 | 清华大学深圳研究生院 | 一种基于Kinect传感器的双手跟踪方法与装置 |
| KR20150081773A (ko) * | 2014-01-07 | 2015-07-15 | 디노플러스 (주) | 인체 관절 정보를 이용한 신장 측정장치 및 그 방법 |
| US20170154471A1 (en) * | 2014-06-26 | 2017-06-01 | Korea Advanced Institute Of Science And Technology | Apparatus and method for providing augmented reality interaction service |
| CN106683073A (zh) * | 2015-11-11 | 2017-05-17 | 杭州海康威视数字技术股份有限公司 | 一种车牌的检测方法及摄像机和服务器 |
| CN108701376A (zh) * | 2016-02-09 | 2018-10-23 | 英特尔公司 | 三维图像的基于识别的对象分割 |
| CN106097352A (zh) * | 2016-06-15 | 2016-11-09 | 深圳市易奉亲智慧养老科技有限公司 | 基于视频图像的人体定位方法及装置 |
| CN107368810A (zh) * | 2017-07-20 | 2017-11-21 | 北京小米移动软件有限公司 | 人脸检测方法及装置 |
| CN107667903A (zh) * | 2017-07-27 | 2018-02-09 | 北京奥云牧数据科技有限公司 | 基于物联网的畜牧养殖活体体重监测方法 |
| CN107481274A (zh) * | 2017-08-11 | 2017-12-15 | 武汉理工大学 | 一种三维作物点云的鲁棒性重构方法 |
| CN108682000A (zh) * | 2018-02-12 | 2018-10-19 | 中国农业大学 | 基于Kinect视频的猪体长体宽检测方法 |
Non-Patent Citations (5)
| Title |
|---|
| ANDERS KROGH MORTENSEN等: ""Weight prediction of broiler chickens using 3D computer vision"", 《COMPUTERS AND ELECTRONICS IN AGRICULTURE》 * |
| WEN SU等: ""Color Image Segmentation Combining Rough Depth Information"", 《CCCV 2015: COMPUTER VISION》 * |
| XIAOLIN ZHUANG等: ""Development of an early warning algorithm to detect sick broilers"", 《COMPUTERS AND ELECTRONICS IN AGRICULTURE》 * |
| 杨帆等编著: "《精通图像处理经典算法：MATLAB版》", 28 February 2018, 北京航空航天大学出版社 * |
| 王可等: ""基于单视角点云镜像的猪只体尺测量方法"", 《农业机械学报》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110110687A (zh) * | 2019-05-15 | 2019-08-09 | 江南大学 | 基于颜色信息和三维轮廓信息的树上水果自动识别方法 |
| CN110189347A (zh) * | 2019-05-15 | 2019-08-30 | 深圳市优博讯科技股份有限公司 | 一种测量物体体积的方法及终端 |
| CN110296660A (zh) * | 2019-06-26 | 2019-10-01 | 北京海益同展信息科技有限公司 | 牲畜体尺检测方法与装置 |
| CN110296660B (zh) * | 2019-06-26 | 2021-03-02 | 北京海益同展信息科技有限公司 | 牲畜体尺检测方法与装置 |
| CN111144276A (zh) * | 2019-12-24 | 2020-05-12 | 北京深测科技有限公司 | 一种用于牧场的监测预警方法 |
| CN111144276B (zh) * | 2019-12-24 | 2023-04-18 | 北京深测科技有限公司 | 一种用于牧场的监测预警方法 |
| CN112150535A (zh) * | 2020-08-25 | 2020-12-29 | 北京大学 | 智能手机中声波与图像融合的食物体积测量方法及系统 |
| CN112927282A (zh) * | 2021-01-25 | 2021-06-08 | 华南农业大学 | 一种基于机器视觉的畜禽脚参数自动测量方法 |
| CN112907546A (zh) * | 2021-02-25 | 2021-06-04 | 北京农业信息技术研究中心 | 肉牛体尺非接触测量装置及方法 |
| CN112907546B (zh) * | 2021-02-25 | 2024-04-05 | 北京农业信息技术研究中心 | 肉牛体尺非接触测量装置及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109636779B (zh) | 2021-02-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109636779A (zh) | 识别家禽体积体尺的方法、装置及存储介质 | |
| Luo et al. | Vision-based extraction of spatial information in grape clusters for harvesting robots | |
| Gibbs et al. | Approaches to three-dimensional reconstruction of plant shoot topology and geometry | |
| CN102657532B (zh) | 基于人体姿态识别的身高测量方法及装置 | |
| Hamraz et al. | A robust approach for tree segmentation in deciduous forests using small-footprint airborne LiDAR data | |
| Medeiros et al. | Modeling dormant fruit trees for agricultural automation | |
| Popescu et al. | Measuring individual tree crown diameter with lidar and assessing its influence on estimating forest volume and biomass | |
| Van Leeuwen et al. | Canopy surface reconstruction from a LiDAR point cloud using Hough transform | |
| Elfiky et al. | Automation of dormant pruning in specialty crop production: An adaptive framework for automatic reconstruction and modeling of apple trees | |
| Teixidó et al. | Definition of linear color models in the RGB vector color space to detect red peaches in orchard images taken under natural illumination | |
| Peuhkurinen et al. | Preharvest measurement of marked stands using airborne laser scanning | |
| CN104715493A (zh) | 一种运动人体姿态估计的方法 | |
| CN109544612A (zh) | 基于特征点几何表面描述的点云配准方法 | |
| CN103489006A (zh) | 一种基于计算机视觉的水稻病虫草害诊断方法 | |
| Paturkar et al. | Making use of 3D models for plant physiognomic analysis: A review | |
| CN110307903A (zh) | 一种家禽特定部位无接触温度动态测量的方法 | |
| CN114353680A (zh) | 森林资源信息生成构造、方法及存储介质 | |
| CN106339717A (zh) | 一种基于混合多尺度特征模型的活立木快速识别方法 | |
| CN109978937A (zh) | 一种基于深度学习和特征部位检测的牛体尺测量系统 | |
| WO2013160663A2 (en) | A system and method for image analysis | |
| Korpela et al. | The performance of a local maxima method for detecting individual tree tops in aerial photographs | |
| CN110136192A (zh) | 一种基于深度学习和特征部位检测的牛体尺算法 | |
| CN115115954A (zh) | 基于无人机遥感的松材线虫病疫区变色立木智能识别方法 | |
| Vauhkonen | Estimating single-tree attributes by airborne laser scanning: methods based on computational geometry of the 3-D point data | |
| Leeuwen et al. | Stem detection and measuring DBH using terrestrial laser scanning. |
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 |