牲畜体重的测量方法、测量装置及可读存储介质
技术领域
本发明涉及牲畜养殖技术领域,特别涉及一种牲畜体重的测量方法、测量装置及可读存储介质。
背景技术
在养殖行业中,通常需要了解牲畜在养殖过程中的实时体重状况,继而可以对其健康状况进行评估。在相关技术中,通常将牲畜逐一驱赶至体重秤上测量体重,或为牲畜一一配置监测体重的重力传感器。将牲畜逐一驱赶至体重秤上测量体重,增加了人力成本;在驱赶牲畜的过程中,牲畜会产生应激反应,影响其健康。为牲畜一一配置监测体重的重力传感器,需要将已经建好的养殖舍进行改建以安装重力传感器,需要耗费大量人力物力,成本较高。
发明内容
本发明提供一种牲畜体重的测量方法、测量装置及可读存储介质。
本发明实施方式的牲畜体重的测量方法,包括:
获取所述牲畜的三维图像数据,所述三维图像数据包括二维图像、与所述二维图像对应的深度图像和点云数据;
根据所述三维图像数据在所述二维图像提取所述牲畜的轮廓区域;
将所述三维图像数据及所述牲畜的轮廓区域输入预设的测重模型以测量所述牲畜的体重。
本发明实施方式的牲畜体重的测量方法,通过牲畜的三维图像数据来测量牲畜的体重,测量较为准确,实现了无接触、无驱赶、零伤害的牲畜体重测量,无需对养殖舍进行改建,避免耗费大量人力物力,成本较低。
在某些实施方式中,根据所述三维图像数据在所述二维图像提取所述牲畜的轮廓区域,包括:
根据所述三维图像数据在所述二维图像定位所述牲畜的位置;
根据所述牲畜的位置在所述二维图像提取所述牲畜的轮廓区域。
在某些实施方式中,根据所述三维图像数据在所述二维图像定位所述牲畜的位置,包括:
采用基于深度学习的算法在所述二维图像定位所述牲畜的位置。
在某些实施方式中,根据所述牲畜的位置在所述二维图像提取所述牲畜的轮廓区域,包括:
采用基于深度学习的算法在所述二维图像提取所述牲畜的轮廓区域。
在某些实施方式中,所述预设的测重模型包括基于深度神经网络的回归模型。
本发明实施方式的牲畜体重的测量装置包括:
获取模块,所述获取模块用于获取所述牲畜的三维图像数据,所述三维图像数据包括二维图像、与所述二维图像对应的深度图像和点云数据;
提取模块,所述提取模块用于根据所述三维图像数据在所述二维图像提取所述牲畜的轮廓区域;
测重模块,所述测重模块用于将所述三维图像数据及所述牲畜的轮廓区域输入预设的测重模型以测量所述牲畜的体重。
本发明实施方式的牲畜体重的测量装置,通过牲畜的三维图像数据来测量牲畜的体重,测量较为准确,实现了无接触、无驱赶、零伤害的牲畜体重测量,无需对养殖舍进行改建,避免耗费大量人力物力,成本较低。
在某些实施方式中,所述提取模块包括定位单元和提取单元,所述定位单元用于根据所述三维图像数据在所述二维图像定位所述牲畜的位置,所述提取单元用于根据所述牲畜的位置在所述二维图像提取所述牲畜的轮廓区域。
在某些实施方式中,所述测量装置包括训练模块,所述训练模块用于采用基于深度神经网络回归算法训练所述预设的测重模型。
本发明实施方式的牲畜体重的测量装置包括存储器和处理器,所述存储器存储有计算机程序,所述处理器用于执行所述程序以实现上述任一实施方式所述的测量方法的步骤。
本发明实施方式的牲畜体重的测量装置,通过牲畜的三维图像数据来测量牲畜的体重,测量较为准确,实现了无接触、无驱赶、零伤害的牲畜体重测量,无需对养殖舍进行改建,避免耗费大量人力物力,成本较低。
本发明实施方式的计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时,实现上述任一实施方式所述的测量方法的步骤。
本发明实施方式的计算机可读存储介质,通过牲畜的三维图像数据来测量牲畜的体重,测量较为准确,实现了无接触、无驱赶、零伤害的牲畜体重测量,无需对养殖舍进行改建,避免耗费大量人力物力,成本较低。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施方式的描述中将变得明显和容易理解,其中:
图1是本发明实施方式的牲畜体重的测量方法的流程示意图;
图2是本发明实施方式的牲畜体重的测量装置的模块示意图;
图3是本发明实施方式的牲畜体重的测量装置的另一模块示意图;
图4是本发明实施方式的牲畜体重的测量方法的另一流程示意图;
图5是本发明实施方式的牲畜体重的测量装置的又一模块示意图;
图6是本发明实施方式的牲畜体重的测量装置的再一模块示意图。
主要元件符号说明:
测量装置100、获取模块10、提取模块20、定位单元22、提取单元24、测重模块30、训练模块40、存储器110、处理器120、预设的测重模型200、三维信息采集设备300。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的实施方式在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的实施方式的描述中,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发明的实施方式的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本发明的实施方式的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接或可以相互通讯;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明的实施方式中的具体含义。
请参阅图1-图3,本发明实施方式的牲畜体重的测量方法可由本发明实施方式的牲畜体重的测量装置100实现。测量方法包括:
步骤S110:获取牲畜的三维图像数据,三维图像数据包括二维图像、与二维图像对应的深度图像和点云数据;
步骤S120:根据三维图像数据在二维图像提取牲畜的轮廓区域;
步骤S130:将三维图像数据及牲畜的轮廓区域输入预设的测重模型200以测量牲畜的体重。
本发明实施方式的牲畜体重的测量方法,通过牲畜的三维图像数据来测量牲畜的体重,测量较为准确,实现了无接触、无驱赶、零伤害的牲畜体重测量,无需对养殖舍进行改建,避免耗费大量人力物力,成本较低。
可以理解,在养殖行业中,牲畜可以养殖在楼房结构的养殖场,养殖场包括至少一层楼房。每一层楼房内均设有多个养殖舍。每个养殖舍可以养殖一头牲畜或多头牲畜。在本发明中,养殖舍养殖一头牲畜。在牲畜的养殖过程中,可以通过牲畜的实时体重状况对其健康状况进行评估,因此需要实时监测牲畜的体重。
由于牲畜的三维信息与牲畜的立体信息相关,即与牲畜的体积存在映射关系。本发明利用牲畜的三维图像数据在二维图像提取牲畜的轮廓区域,然后将三维图像数据及牲畜的轮廓区域输入预设的测重模型200进行三维立体重建以测量牲畜的体重,提升了体重测量的准确性。本发明可以在无接触、无驱赶的情况下测量牲畜的体重,无接触避免了疫情传染,无驱赶避免了驱赶牲畜的过程中发生的任何意外伤害,从而实现了无接触、无驱赶、零伤害的牲畜体重测量。
另外,在本发明中,无需对养殖舍进行改建,可以在每个养殖舍安装三维信息采集设备300以采集牲畜的三维图像数据。每个养殖舍养殖一头牲畜,因此,可以保证三维信息采集设备300所采集的三维图像数据是同一头牲畜的。三维信息采集设备300可以通过有线或无线的方式与测量装置100连接,三维信息采集设备300可安装在测量装置100或与测量装置100是分开的。因此,在步骤S110中,测量装置100从三维信息采集设备300获取牲畜的三维图像数据。如此,避免对养殖舍进行改建,从而避免耗费大量人力物力,成本较低。因此,本发明实施方式的测量方法易于推广。
三维信息采集设备300可以是双目立体视觉摄像头、TOF(Time of Flight)摄像头、或结构光摄像头。三维图像数据包括二维图像、与二维图像对应的深度图像和点云数据。二维图像可以是彩色(RGB)图像、灰度图像。深度图像包含深度数据,深度图像中每个像素点的数据包含摄像头与牲畜的实际距离。点云数据可以通过深度图像获得。同一个三维信息所采集设备采集的二维图像和深度图像的像素点坐标一一对应,即深度图像中的每一个像素点在二维图像上的位置与深度图像的每一个像素点在深度图像上的位置相同。
在其他实施方式中,牲畜的三维图像数据可以通过具备三维信息采集功能的电子设备(如手机、平板电脑、可穿戴设备等)采集,电子设备可通过无线的方式与测量装置100连接。在步骤S110中,测量装置100从电子设备获取牲畜的三维图像数据。
请参阅图4,在某些实施方中,步骤S120包括:
步骤S122:根据三维图像数据在二维图像定位牲畜的位置;
步骤S124:根据牲畜的位置在二维图像提取牲畜的轮廓区域。
可以理解,二维图像包含牲畜的轮廓区域和背景。在本实施方式中,先在二维图像定位牲畜的位置,然后在二维图像提取牲畜的轮廓区域,可以减少干扰,保证牲畜的轮廓区域提取完整。
进一步地,步骤S122包括:采用基于深度学习的算法在二维图像定位牲畜的位置。具体地,基于深度学习的算法包括MTCNN算法。
当采用基于深度学习的MTCNN算法在二维图像定位牲畜的位置时,首先将二维图像调整到不同的比例,以构建图像金字塔,从而实现三级网络框架(P-Net,R-Net,O-Net)的输入。Proposal Network(P-Net)网络是全卷积网络,通过浅层的CNN生成牲畜的轮廓区域的候选窗和边界框的回归向量,并用该边界框做回归,对候选窗进行校准,然后通过非极大值抑制(NMS)来合并重叠的候选窗。Refine Network(R-Net)网络使用N-Net改善候选窗,将通过P-Net的候选窗输入R-Net中,继续通过边界框回归和非极大值抑制来去掉那些false-positive区域。Output Network(O-Net)网络使用O-Net输出最终的定位框和5个特征点位置,从而在二维图像定位牲畜的位置。
在其他实施方式中,也可以采用基于深度学习的Compact Cascade CNN算法在二维图像定位牲畜的位置。Compact Cascade CNN算法与MTCNN算法类似,也是采用三个级联的网络框架。
进一步地,步骤S124包括:采用基于深度学习的算法在二维图像提取牲畜的轮廓区域。具体地,基于深度学习的算法包括Mask R-CNN算法。
可以理解,定位了牲畜在二维图像的位置后,可以采用基于深度学习的Mask R-CNN算法给出牲畜的轮廓边界框,并且对边界框内的各个像素是否属于该牲畜进行标记,从而可以将牲畜的轮廓区域提取出来。
在某些实施方式中,预设的测重模型200包括基于深度神经网络的回归模型。
可以理解,预设的测重模型200可以为预先训练的基于深度神经网络的回归模型。具体地,以预处理的三维图像数据及牲畜的轮廓区域数据为训练数据,三维图像数据与牲畜的轮廓区域数据一一对应。首先,将三维图像数据与牲畜的轮廓区域数据进行归一化处理,然后建立学习模型进行训练。由于深度神经网络具有多层结构,能够处理数据中复杂的非线性关系且对数据的规律极易有着独特的优势。采用深度神经网络回归算法,以平方误差和作为损失函数进行模型训练,可以使训练后的预设的测重模型200很好地收敛。
在步骤S130中,将牲畜的二维图像、深度图像和点云数据及牲畜的轮廓区域输入预设的测重模型200进行三维立体重建,根据牲畜的体积测量获得牲畜的体重。
需要说明的是,在本发明中,牲畜可以是猪、牛、羊等。
请参阅图2,本发明实施方式的牲畜体重的测量装置100包括获取模块10、提取模块20和测重模块30。获取模块10用于获取牲畜的三维图像数据。三维图像数据包括二维图像、与二维图像对应的深度图像和点云数据。提取模块20用于根据三维图像数据在二维图像提取牲畜的轮廓区域。测重模块30用于将三维图像数据及牲畜的轮廓区域输入预设的测重模型200以测量牲畜的体重。
本发明实施方式的牲畜体重的测量装置100,通过牲畜的三维图像数据来测量牲畜的体重,测量较为准确,实现了无接触、无驱赶、零伤害的牲畜体重测量,无需对养殖舍进行改建,避免耗费大量人力物力,成本较低。
请参阅图5,在某些实施方式中,提取模块20包括定位单元22和提取单元24。定位单元22用于根据三维图像数据在二维图像定位牲畜的位置,提取单元24用于根据牲畜的位置在二维图像提取牲畜的轮廓区域。
在某些实施方式中,定位单元22用于采用基于深度学习的算法在二维图像定位牲畜的位置。具体地,基于深度学习的算法包括MTCNN算法。
在某些实施方式中,提取单元24用于采用基于深度学习的算法在二维图像提取牲畜的轮廓区域。具体地,基于深度学习的算法包括Mask R-CNN算法。
请参阅图6,在某些实施方式中,测量装置100包括训练模块40。训练模块40用于采用深度神经网络回归算法训练预设的测重模型200。
需要说明的是,上述实施方式的牲畜体重的测量方法的解释说明和有益效果也适用于本发明实施方式的牲畜体重的测量装置100,为避免冗余,在此不再详细展开。
请参阅图3,本发明实施方式的牲畜体重的测量装置100包括存储器110和处理器120。存储器110存储有计算机程序,处理器120用于执行程序以实现上述任一实施方式的测量方法的步骤。
本发明实施方式的牲畜体重的测量装置100,通过牲畜的三维图像数据来测量牲畜的体重,测量较为准确,实现了无接触、无驱赶、零伤害的牲畜体重测量,无需对养殖舍进行改建,避免耗费大量人力物力,成本较低。
可以理解,计算机程序包括计算机程序代码。计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。存储器110可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart MediaCard,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。处理器120可以是中央处理单元(CentralProcessing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
需要说明的是,上述实施方式的牲畜体重的测量方法的解释说明和有益效果也适用于本发明实施方式的牲畜体重的测量装置,为避免冗余,在此不再详细展开。
本发明实施方式的计算机可读存储介质,其上存储有计算机程序,程序被处理器执行时,实现上述任一实施方式的测量方法的步骤。
本发明实施方式的计算机可读存储介质,通过牲畜的三维图像数据来测量牲畜的体重,测量较为准确,实现了无接触、无驱赶、零伤害的牲畜体重测量,无需对养殖舍进行改建,避免耗费大量人力物力,成本较低。
可以理解,计算机程序包括计算机程序代码。计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读存储介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、以及软件分发介质等。
需要说明的是,上述实施方式的牲畜体重的测量方法的解释说明和有益效果也适用于本发明实施方式的计算机可读存储介质,为避免冗余,在此不再详细展开。
在本说明书的描述中,参考术语“一个实施方式”、“一些实施方式”、“示意性实施方式”、“示例”、“具体示例”或“一些示例”等的描述意指结合所述实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理模块的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。
应当理解,本发明的实施方式的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明的各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施方式进行变化、修改、替换和变型。