CN110400310A - 一种奶牛体况自动评分系统 - Google Patents
一种奶牛体况自动评分系统 Download PDFInfo
- Publication number
- CN110400310A CN110400310A CN201910699343.4A CN201910699343A CN110400310A CN 110400310 A CN110400310 A CN 110400310A CN 201910699343 A CN201910699343 A CN 201910699343A CN 110400310 A CN110400310 A CN 110400310A
- Authority
- CN
- China
- Prior art keywords
- bone
- milk cow
- curved surface
- root
- tail
- 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.)
- Pending
Links
- 235000013336 milk Nutrition 0.000 title claims abstract description 102
- 210000004080 milk Anatomy 0.000 title claims abstract description 101
- 239000008267 milk Substances 0.000 title claims abstract description 101
- 238000011156 evaluation Methods 0.000 title claims abstract description 15
- 210000000988 bone and bone Anatomy 0.000 claims abstract description 96
- 210000003041 ligament Anatomy 0.000 claims abstract description 51
- 238000005259 measurement Methods 0.000 claims abstract description 6
- 241000283690 Bos taurus Species 0.000 claims description 104
- 238000000034 method Methods 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000009434 installation Methods 0.000 claims description 4
- 239000003550 marker Substances 0.000 claims description 3
- 238000005303 weighing Methods 0.000 claims 1
- 238000004458 analytical method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 210000000693 hamate bone Anatomy 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000009395 breeding Methods 0.000 description 2
- 230000001488 breeding effect Effects 0.000 description 2
- 235000013365 dairy product Nutrition 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 210000001981 hip bone Anatomy 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000003750 conditioning effect Effects 0.000 description 1
- 230000000994 depressogenic effect Effects 0.000 description 1
- 210000003692 ilium Anatomy 0.000 description 1
- 238000002559 palpation Methods 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000011410 subtraction method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
-
- 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
- G06T7/0012—Biomedical image inspection
-
- 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
- G06T7/64—Analysis of geometric attributes of convexity or concavity
-
- 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
-
- 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
- G06T2207/30008—Bone
Abstract
本发明提供了一种奶牛体况自动评分系统,包括以下步骤:步骤一:通过传感器与RFID系统获取奶牛背部深度图像;步骤二:定位勾骨并对骶骨韧带的可见度进行检测;骶骨韧带轮廓上左右两侧的两个突起为奶牛勾骨所在的位置;以定位勾骨的y坐标,以及勾骨的大小;得知勾骨的x、y坐标以及其大小以后,即可在深度图像中将其定位以来;选取与凹曲线相切的,且与其距离最小的凸曲线,即包络线;计算勾骨曲面的曲率度;步骤三:将尾根去除并确定针骨位置,计算针骨的曲面曲率;步骤四:开发软件才用曲面曲率对勾骨和针骨所存储的脂肪含量进行客观测量。
Description
技术领域
本发明属于农业养殖领域,特别涉及一种奶牛体况自动评分系统。
背景技术
目前奶牛体况评分方法主要有专业人士判定法、可见光图像分析法和热红外图像分析法。
其中,人工判定方法,是专业人士现场观察和手动触摸奶牛后凭经验完成,费时费力,主观性强,而且后一个专家的评分容易受前一位专家评分的影响;可见光图像分析方法,是将摄像头安装在奶牛通道的上部进行图像采集,然后人工对图像中的奶牛进行解剖学结构定位、描点,通过计算特征点之间的距离、角度等参数来进行奶牛体型鉴定;或者通过一次性拍摄多张图像处理,从中选择没有奶牛粘连、奶牛站姿良好和背景较好的图像进行处理并实现奶牛体况评分面临着图像复杂背景分割、现场光照不均处理等难题,需要人工进行图像选择干预,无法实现自动化的体况评分。而且奶牛站位的差异会大大影响二维图像的采集效果,从而影响计算结果;图像处理方法利用的是二维的图像信息,面临着图像复杂背景分割、现场光照不均处理等难题,而且奶牛站位的差异会大大影响二维图像的采集效果,从而影响计算结果,难以实现完全自动的体况评分。还有相关专利使用红外热像仪加照相机的方法将奶牛热图像数据处理成轮廓图像,并对轮廓图像进行自动打分。
发明内容
针对现有技术所存在的问题,本发明提供了一种奶牛体况自动评分系统,其特征在于,包括以下步骤:
步骤一:通过传感器与RFID系统获取奶牛背部深度图像;
步骤二:定位勾骨并对骶骨韧带的可见度进行检测;骶骨韧带轮廓上左右两侧的两个突起为奶牛勾骨所在的位置;以定位勾骨的y坐标,以及勾骨的大小;得知勾骨的x、y坐标以及其大小以后,即可在深度图像中将其定位以来;选取与凹曲线相切的,且与其距离最小的凸曲线,即包络线;计算勾骨曲面的曲率度;
步骤三:将尾根去除并确定针骨位置,计算针骨的曲面曲率;
步骤四:开发软件才用曲面曲率对勾骨和针骨所存储的脂肪含量进行客观测量。
所述步骤一的实现方法为:
将传感器安装于过道正中间,传感器长轴与过道平行;传感器距离地面三米,并通过平衡仪连接在传感器长轴上;所述传感器与RFID系统配合使用,所述RFID系统与传感器水平相距一点二米,RFID系统设置于离地一点五米处。
所述步骤二具体实现方法为:
步骤1.1:将奶牛背部轮廓按对称线切分为左侧和右侧两部分;
步骤1.2:分别在左侧和右侧远离对称线的位置标识出奶牛的勾骨,记为A、B,则A、B两点的X坐标标识了勾骨的X坐标;
步骤1.3:A、B两点相连得到一条直线,从深度图像上取得该直线上像素值的深度,即可形成一条带深度值的真实曲线,即提取到奶牛骶骨韧带和奶牛骶骨韧带的包络线;
步骤1.4:用骶骨韧带与其包络线之间平均距离来衡量骶骨韧带的可见度,其平均距离计算公式如式(1-1):
式中:VSL为骶骨韧带的可见度;SES为骶骨韧带与其包络线之间的空间的总面积;LSL为骶骨韧带的实际长度;WSL为左勾骨到右勾骨之间的距离;ASL为所有奶牛的WSL值的平均值。
步骤1.5:曲面的表面积与该曲面的底面积的比值为该曲面的曲率值,其计算方法如下式所示:
式中,曲面的表面积为Areas;该曲面的底面积为Areab。
所述步骤三具体实现方法为:
步骤2.1:深度图像中包含了尾根的一列向量构成的曲线;计算该曲线的包络线;
步骤2.2:尾根在所获图像上导致两个间断点,设为D1和D2,;D1与D2相连得到切片,切片中D1与D2之间的值设为零,则完成尾根的去除;
步骤2.3:所述曲线的包络线与该切片之间的距离取得局部最大值,这两个最大值分别定义为M1和M2;在尾根区域内,尾根开始处的间断点最为不明显,即M1和M2的值最小。
步骤2.4:奶牛跨骨的最后侧向奶牛头部方向开始检查,若M1和M2的平均值小于某一阈值时,表明该位置即为尾根开始处;即可检测出尾根区域;尾根区域的左侧和右侧为奶牛的左针骨和右针骨区域;
步骤2.5:计算针骨的曲面曲率;曲面的表面积与该曲面的底面积的比值为该曲面的曲率值,其计算方法如下式所示:
式中,曲面的表面积为Areas;该曲面的底面积为Areab。
进一步地,其绘制过程具体为:迭代地从曲线中取2个点构成直线linei,j。如果直线linei,j与该曲线相切,则直线linei,j中i到j之间的部分属于这条曲线的包络线;否则,对该曲线中第i个点和第j+1的点进行同样的处理和比较,直到曲线的所有点被检测。
进一步地,所述步骤四软件开发具体方法为:使用VS2013MFC编写框架,使用OpenCV2.4.11库和OpenNI2;核心处理算法由Maltab代码C++混合编译得到的,一个共含有三个核心函数;第三方头文件、库文件和DLL文件在3rdparty目录下,将DLL文件夹路径添加到系统环境变量Path里;开发和最终软件使用前,安装Maltab运行时文件MyAppInstaller_mcr.exe;实现深度图像数据采集,手动获取背景和待处理图像,并能够对图像进行分析得到体况得分。
本申请的有益效果:本发明提供的一种奶牛体况自动评分系统中,软件接收到传感器收集的图像和预设的算法,获得奶牛体况的评分值,实现了完全自动化的奶牛体况准确评分,解决了人工现场观察触摸评分方法的费时费力、主观性强问题,适合用于高吞吐量的养殖企业奶牛体况自动评分。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为一种奶牛体况自动评分系统的工作流程图;
图2为勾骨和骶骨韧带检测图;
图3为包络线及骶骨韧带轮廓之间的空间图;
图4为绘制凹曲线包络线的流程图;
图5为尾根分割及针骨定位示意图;
图6为瘦奶牛和胖奶牛骶骨韧带切面线以及其包络线图;
图7为瘦奶牛和胖奶牛的勾骨区域的曲面及其曲率值;
图8为软件界面图;
图9为奶牛体况自动评分系统硬件面布置图。
具体实施方式
本发明提供了一种奶牛体况自动评分系统,使用3D相捕获取奶牛背部深度图像,开发软件奶牛深度图像自动采集系统。通过背景减去法,从深度图像提取牛背部区域。然后定位奶牛脊柱并以计算奶牛脊柱与图像横轴的角度,以该角度对图像进行旋转,旋转后的图像中奶牛区域以图像横轴方向为对称轴,该处理能简化深度图像的后续处理操作。然后对深度图像进行分析,定位奶牛的髂骨、勾骨、针骨以及骶骨,并对其进行曲率和可见度分析,将对应4个特征值输入3个预测模型,比较3个模型的输出结果与真实值之间的差异,最终实现奶牛体况自动评分系统。如图1所示,包括以下步骤:
步骤一:通过传感器与RFID系统获取奶牛背部深度图像;
步骤二:如图2所示,定位勾骨并对骶骨韧带的可见度进行检测;骶骨韧带轮廓上左右两侧的两个突起为奶牛勾骨所在的位置;以定位勾骨的y坐标,以及勾骨的大小;得知勾骨的x、y坐标以及其大小以后,即可在深度图像中将其定位以来;如图3所示,选取与凹曲线相切的,且与其距离最小的凸曲线,即包络线;计算勾骨曲面的曲率度;
步骤三:将尾根去除并确定针骨位置,计算针骨的曲面曲率;
步骤四:开发软件才用曲面曲率对勾骨和针骨所存储的脂肪含量进行客观测量。
如图9所示,所述步骤一的实现方法为:
将传感器安装于过道正中间,传感器长轴与过道平行;传感器距离地面三米,并通过平衡仪连接在传感器长轴上;所述传感器与RFID系统配合使用,所述RFID系统与传感器水平相距一点二米,RFID系统设置于离地一点五米处。
所述步骤二具体实现方法为:
步骤1.1:将奶牛背部轮廓按对称线切分为左侧和右侧两部分;
步骤1.2:分别在左侧和右侧远离对称线的位置标识出奶牛的勾骨,记为A、B,则A、B两点的X坐标标识了勾骨的X坐标;
步骤1.3:A、B两点相连得到一条直线,从深度图像上取得该直线上像素值的深度,即可形成一条带深度值的真实曲线,即提取到奶牛骶骨韧带和奶牛骶骨韧带的包络线;
步骤1.4:用骶骨韧带与其包络线之间平均距离来衡量骶骨韧带的可见度,其平均距离计算公式如式(1-1):
式中:VSL为骶骨韧带的可见度;SES为骶骨韧带与其包络线之间的空间的总面积;LSL为骶骨韧带的实际长度;WSL为左勾骨到右勾骨之间的距离;ASL为所有奶牛的WSL值的平均值。
步骤1.5:曲面的表面积与该曲面的底面积的比值为该曲面的曲率值,其计算方法如下式所示:
式中,曲面的表面积为Areas;该曲面的底面积为Areab。
如图5所示,所述步骤三具体实现方法为:
步骤2.1:深度图像中包含了尾根的一列向量构成的曲线;计算该曲线的包络线;
步骤2.2:尾根在所获图像上导致两个间断点,设为D1和D2,;D1与D2相连得到切片,切片中D1与D2之间的值设为零,则完成尾根的去除;
步骤2.3:所述曲线的包络线与该切片之间的距离取得局部最大值,这两个最大值分别定义为M1和M2;在尾根区域内,尾根开始处的间断点最为不明显,即M1和M2的值最小。
步骤2.4:奶牛跨骨的最后侧向奶牛头部方向开始检查,若M1和M2的平均值小于某一阈值时,表明该位置即为尾根开始处;即可检测出尾根区域;尾根区域的左侧和右侧为奶牛的左针骨和右针骨区域;
步骤2.5:计算针骨的曲面曲率;曲面的表面积与该曲面的底面积的比值为该曲面的曲率值,其计算方法如下式所示:
式中,曲面的表面积为Areas;该曲面的底面积为Areab。
进一步地,如图4所示,包络线绘制过程具体为:迭代地从曲线中取2个点构成直线linei,j。如果直线linei,j与该曲线相切,则直线linei,j中i到j之间的部分属于这条曲线的包络线;否则,对该曲线中第i个点和第j+1的点进行同样的处理和比较,直到曲线的所有点被检测。
进一步地,所述步骤四软件开发具体方法为:使用VS2013MFC编写框架,使用OpenCV2.4.11库和OpenNI2;核心处理算法由Maltab代码C++混合编译得到的,一个共含有三个核心函数;第三方头文件、库文件和DLL文件在3rdparty目录下,将DLL文件夹路径添加到系统环境变量Path里;开发和最终软件使用前,安装Maltab运行时文件MyAppInstaller_mcr.exe;实现深度图像数据采集,手动获取背景和待处理图像,并能够对图像进行分析得到体况得分。
实施例一:对胖奶牛和瘦奶牛分别进行测量:
勾骨与骶骨韧带定位与检测:
为检测出钩骨及骶骨韧带,首先将奶牛背部轮廓按对称线切分为奶左侧(深度图像中的上侧)和右侧(深度图像中的右侧)两部分,如图2所示。分别在左侧和右侧远离对称线的A、B两点标识出奶牛勾骨所在的位置。因此A、B两点的x坐标标识了勾骨的x坐标。
将图2中A、B两点相连接得到一条直线,从深度图像上取得该直线上像素值的深度,即可形成一条带深度值的真实曲线,提取到的奶牛骶骨韧带和它的包络线。
包络线与骶骨韧带之间的空间表明了该头奶牛发展成肥胖奶牛可能存储脂肪的空间,也即该奶牛与自身肥胖状态的距离。用骶骨韧带与其包络线之间平均距离来衡量骶骨韧带的可见度,其平均距离计算公式如式(1-1):
式中:VSL为骶骨韧带的可见度;SES为骶骨韧带与其包络线之间的空间的总面积;LSL为骶骨韧带的实际长度;WSL为左勾骨到右勾骨之间的距离;ASL为所有头奶牛的WSL值的平均值。ASL/WSL用来消除奶牛个体的大小和形状对VSL值的影响。因此VSL独立于奶牛高度和形状。当VSL的值接近于0时,表明骶骨韧带处脂肪含量较大,且基本不见。
骶骨韧带轮廓上左右两侧的两个突起为奶牛勾骨所在的位置。因此可以用骶骨韧带来对勾骨进行定位和分析,以定位勾骨的y坐标,以及勾骨的大小。得知勾骨的x、y坐标以及其大小以后,即可在深度图像中将其定位以来。定位结果如图2所示。然后按式(1-2)所示方法计算勾骨曲面的曲率度CHB(Curvature of hook bone)。
尾根去除和针骨检测:
由于尾根处于两个胯骨(hip bone)之间,因此尾根造成了深度图像中不连续的变化。而且尾根的存在对于后续图像处理与分析造成了干扰。同时尾根包含的奶牛肥瘦信息极少。因此,有必要将尾根从深度图像中去除。图5为尾根分割及针骨定位示意图,图中给出了深度图像中包含尾根的一列向量构成的曲线。
如图5所示,尾根导致了D1和D2两个间断点。在点D1和D2处,该曲线的包络线与该切片之间的距离取得局部最大值,这两个最大值分别定义为M1和M2。切片中D1和D2之间的值被设置为0以去该切片中尾根部分。在尾根区域内,尾根开始处的间断点最为不明显,即M1和M2的值最小。因此可以从奶牛跨骨的最后侧向奶牛头部方向开始检查,若M1和M2的平均值小于某一阈值时,表明该位置即为尾根开始处。即可检测出尾根区域。尾根区域的左侧(图像中的上侧)和右侧(图像中的下侧)即为奶牛的左针骨和右针骨区域。按式(1-2)计算针骨的曲面曲率,设其计算结果为CPB(Curvature of pin bone)。对于胖奶牛,其针骨和尾根基本不可见,因此尾根的长度明显比瘦奶牛短。本研究中,如果某头奶牛其尾根的长度小于50mm,则认为该奶牛的尾根和针骨基本不可见,并设置其CPB的值为1。对于一个特定的奶牛,在比较其尾根长度之前,将尾根长度乘以ASL/WSL进行修正,以消除个体大小对尾根比较的影响。
绘制包络线:
骶骨韧带的可见性是身体状况评分系统中一个重要的指标。它表达出骶骨韧带所存储的脂肪量。本研究中,通过测量骶骨韧带包络线与骶骨韧带轮廓之间的空隙大小来对其可见性进行客观评价。
如图6中所示,较瘦奶牛的骶骨韧带是一个凹曲线,然而较肥胖奶牛的骶骨韧带切面线的凹度减少。当瘦奶牛的脂肪增加变得肥胖BCS值增加时,骶骨韧带切在线的凹陷部分被脂肪填充,瘦奶牛的凹曲线最终变成胖奶牛的凸曲线。本研究中,包络线定义为与凹曲线相切的,且与其距离最小的凸曲线。因此,包络线能够模拟这头奶牛成长成为肥胖奶牛时骶骨韧带切面线的形状。
图4为根据离散点凹曲线绘制其包络线的流程。对于包含M点的凹曲线,迭代地从曲线中取2个点构成直线linei,j。如果直线linei,j与该曲线相切,则直线linei,j中i到j之间的部分属于这条曲线的包络线。否则,对该曲线中第i个点和第j+1的点进行同样的处理和比较,直到曲线的所有点被检测。
计算曲面曲率:
用曲面曲率(surface curvature,SC)对勾骨和针骨所存储的脂肪含量进行客观的测量。瘦奶牛的骨骼比胖奶牛更加尖锐,而且胖奶牛的这些骨骼的曲面曲率值较小,即较平坦。本例定义曲面的表面积与该曲面的底面积的比值为该曲面的曲率值,其计算方法如下式所示:
因此,曲面曲率值与该曲面的高度和大小是独立的。图7为瘦奶牛和胖母牛的钩骨曲面以及它们的曲率值。图中为瘦奶牛的钩骨,该曲面比较尖锐,其曲率值是1.4;图7为胖奶牛的钩骨,其表面是平坦的,而且其曲率值为1.17。
进一步地,所述步骤四软件开发具体方法为:使用VS2013MFC编写框架,使用OpenCV2.4.11库和OpenNI2;核心处理算法由Maltab代码C++混合编译得到的,一个共含有三个核心函数;第三方头文件、库文件和DLL文件在3rdparty目录下,将DLL文件夹路径添加到系统环境变量Path里;开发和最终软件使用前,安装Maltab运行时文件MyAppInstaller_mcr.exe;实现深度图像数据采集,手动获取背景和待处理图像,并能够对图像进行分析得到体况得分;如图8所示,设计软件界面按钮说明为:
“初始化库”对库函数进行初始化,使用前必须单击一次,耗时较正,程序假死是正常现象。
“自动运动”配合RFID读取器实现奶牛图像自动采集和处理。
“启动采集”开启摄像机,采集深度数据,并显示。
“抓取背景”在启动采集的前提下,抓取当前帧作为背景,并显示在背景区。
“保存背景”在抓取后,将背景区图像保存在软件目录下,文件名为bk.tif。
“载入背景”将bk.tif载入到系统中,并在背景区显示。
“抓取图像”在启动采集的前提下,抓取当前帧作为待处理图像,并显示在目标图像区。
“保存图像”在抓取后,将目标区图像保存在软件目录下,文件名为cow.tif。
“载入图像”将cow.tif载入到系统中,并在背景区显示。
“背景减去”对目标图像进行处理,减去背景,消除干扰,结果将保存为cowNoBk.tif,并显示在结果区。
“处理分析”对cowNoBk.tif进行分析,得到体况值,并显示在右侧结果区。如果有错误,并返回BCS值0。
“保存结果”将奶牛ID,分析时间,分析结果格式化保存到TXT文件中。
“设置”对软件参数进行配置。
“退出”关闭流数据,并退出软件。
Claims (6)
1.一种奶牛体况自动评分系统,其特征在于,包括以下步骤:
步骤一:通过传感器与RFID系统获取奶牛背部深度图像;
步骤二:定位勾骨并对骶骨韧带的可见度进行检测;骶骨韧带轮廓上左右两侧的两个突起为奶牛勾骨所在的位置;以定位勾骨的y坐标,以及勾骨的大小;得知勾骨的x、y坐标以及其大小以后,即可在深度图像中将其定位以来;选取与凹曲线相切的,且与其距离最小的凸曲线,即包络线;计算勾骨曲面的曲率度;
步骤三:将尾根去除并确定针骨位置,计算针骨的曲面曲率;
步骤四:开发软件采用曲面曲率对勾骨和针骨所存储的脂肪含量进行客观测量。
2.根据权利要求1所述的一种奶牛体况自动评分系统,其特征在于,所述步骤一的实现方法为:
将传感器安装于过道正中间,传感器长轴与过道平行;传感器距离地面三米,并通过平衡仪连接在传感器长轴上;所述传感器与RFID系统配合使用,所述RFID系统与传感器水平相距一点二米,RFID系统设置于离地一点五米处。
3.根据权利要求1所述的一种奶牛体况自动评分系统,其特征在于,所述步骤二具体实现方法为:
步骤1.1:将奶牛背部轮廓按对称线切分为左侧和右侧两部分;
步骤1.2:分别在左侧和右侧远离对称线的位置标识出奶牛的勾骨,记为A、B,则A、B两点的X坐标标识了勾骨的X坐标;
步骤1.3:A、B两点相连得到一条直线,从深度图像上取得该直线上像素值的深度,即可形成一条带深度值的真实曲线,即提取到奶牛骶骨韧带和奶牛骶骨韧带的包络线;
步骤1.4:用骶骨韧带与其包络线之间平均距离来衡量骶骨韧带的可见度,其平均距离计算公式如式(1-1):
式中:VSL为骶骨韧带的可见度;SES为骶骨韧带与其包络线之间的空间的总面积;LSL为骶骨韧带的实际长度;WSL为左勾骨到右勾骨之间的距离;ASL为所有奶牛的WSL值的平均值;
步骤1.5:曲面的表面积与该曲面的底面积的比值为该曲面的曲率值,其计算方法如下式所示:
式中,曲面的表面积为Areas;该曲面的底面积为Areab。
4.根据权利要求1所述的一种奶牛体况自动评分系统,其特征在于,所述步骤三具体实现方法为:
步骤2.1:深度图像中包含了尾根的一列向量构成的曲线;计算该曲线的包络线;
步骤2.2:尾根在所获图像上导致两个间断点,设为D1和D2,;D1与D2相连得到切片,切片中D1与D2之间的值设为零,则完成尾根的去除;
步骤2.3:所述曲线的包络线与该切片之间的距离取得局部最大值,这两个最大值分别定义为M1和M2;在尾根区域内,尾根开始处的间断点最为不明显,即M1和M2的值最小;
步骤2.4:奶牛跨骨的最后侧向奶牛头部方向开始检查,若M1和M2的平均值小于某一阈值时,表明该位置即为尾根开始处;即可检测出尾根区域;尾根区域的左侧和右侧为奶牛的左针骨和右针骨区域;
步骤2.5:计算针骨的曲面曲率;曲面的表面积与该曲面的底面积的比值为该曲面的曲率值,其计算方法如下式所示:
式中,曲面的表面积为Areas;该曲面的底面积为Areab。
5.根据权利要求2或权利要求3所述的包络线,其特征在于,其绘制过程具体为:迭代地从曲线中取2个点构成直线linei,j;如果直线linei,j与该曲线相切,则直线linei,j中i到j之间的部分属于这条曲线的包络线;否则,对该曲线中第i个点和第j+1的点进行同样的处理和比较,直到曲线的所有点被检测。
6.根据权利要求1所述的一种奶牛体况自动评分系统,其特征在于,所述步骤四软件开发具体方法为:使用VS2013 MFC编写框架,使用OpenCV2.4.11库和OpenNI2;核心处理算法由Maltab代码C++混合编译得到的,一个共含有三个核心函数;第三方头文件、库文件和DLL文件在3rdparty目录下,将DLL文件夹路径添加到系统环境变量Path里;开发和最终软件使用前,安装Maltab运行时文件MyAppInstaller_mcr.exe;实现深度图像数据采集,手动获取背景和待处理图像,并能够对图像进行分析得到体况得分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910699343.4A CN110400310A (zh) | 2019-07-31 | 2019-07-31 | 一种奶牛体况自动评分系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910699343.4A CN110400310A (zh) | 2019-07-31 | 2019-07-31 | 一种奶牛体况自动评分系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110400310A true CN110400310A (zh) | 2019-11-01 |
Family
ID=68326767
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910699343.4A Pending CN110400310A (zh) | 2019-07-31 | 2019-07-31 | 一种奶牛体况自动评分系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110400310A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112331345A (zh) * | 2020-11-26 | 2021-02-05 | 河南科技大学 | 一种基于直接评测模型的奶牛体脂率检测方法 |
CN112508890A (zh) * | 2020-11-26 | 2021-03-16 | 河南科技大学 | 一种基于二级评测模型的奶牛体脂率检测方法 |
CN112825791A (zh) * | 2020-12-25 | 2021-05-25 | 河南科技大学 | 一种基于深度学习与点云凸包化特征的奶牛体况评分方法 |
CN114743219A (zh) * | 2022-04-12 | 2022-07-12 | 内蒙古农业大学 | 一种奶牛运动评分方法及系统,计算机可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2009321691A1 (en) * | 2008-12-03 | 2010-06-10 | Delaval Holding Ab | Arrangement and method for determining a body condition score of an animal |
WO2016023075A1 (en) * | 2014-08-13 | 2016-02-18 | Meat & Livestock Australia Limited | 3d imaging |
US20170020113A1 (en) * | 2014-04-01 | 2017-01-26 | Lely Patent N.V. | Arrangement and method to determine a body condition score of an animal |
CN107635509A (zh) * | 2015-02-27 | 2018-01-26 | 因吉纳瑞股份公司 | 用于确定体况评分、体重和生育状态的改进方法和相关设备 |
CN109508907A (zh) * | 2018-12-24 | 2019-03-22 | 中国科学院合肥物质科学研究院 | 基于深度学习与远程视频的奶牛体况智能评分系统 |
-
2019
- 2019-07-31 CN CN201910699343.4A patent/CN110400310A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2009321691A1 (en) * | 2008-12-03 | 2010-06-10 | Delaval Holding Ab | Arrangement and method for determining a body condition score of an animal |
US20170020113A1 (en) * | 2014-04-01 | 2017-01-26 | Lely Patent N.V. | Arrangement and method to determine a body condition score of an animal |
WO2016023075A1 (en) * | 2014-08-13 | 2016-02-18 | Meat & Livestock Australia Limited | 3d imaging |
CN107635509A (zh) * | 2015-02-27 | 2018-01-26 | 因吉纳瑞股份公司 | 用于确定体况评分、体重和生育状态的改进方法和相关设备 |
CN109508907A (zh) * | 2018-12-24 | 2019-03-22 | 中国科学院合肥物质科学研究院 | 基于深度学习与远程视频的奶牛体况智能评分系统 |
Non-Patent Citations (1)
Title |
---|
赵凯旋: "基于机器视觉的奶牛个体信息感知及行为分析", 《中国博士学位论文全文数据库_农业科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112331345A (zh) * | 2020-11-26 | 2021-02-05 | 河南科技大学 | 一种基于直接评测模型的奶牛体脂率检测方法 |
CN112508890A (zh) * | 2020-11-26 | 2021-03-16 | 河南科技大学 | 一种基于二级评测模型的奶牛体脂率检测方法 |
CN112508890B (zh) * | 2020-11-26 | 2022-12-09 | 河南科技大学 | 一种基于二级评测模型的奶牛体脂率检测方法 |
CN112825791A (zh) * | 2020-12-25 | 2021-05-25 | 河南科技大学 | 一种基于深度学习与点云凸包化特征的奶牛体况评分方法 |
CN112825791B (zh) * | 2020-12-25 | 2023-02-10 | 河南科技大学 | 一种基于深度学习与点云凸包化特征的奶牛体况评分方法 |
CN114743219A (zh) * | 2022-04-12 | 2022-07-12 | 内蒙古农业大学 | 一种奶牛运动评分方法及系统,计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110400310A (zh) | 一种奶牛体况自动评分系统 | |
Salau et al. | Feasibility of automated body trait determination using the SR4K time-of-flight camera in cow barns | |
CN107180438A (zh) | 估计牦牛体尺、体重的方法和相应的便携式计算机装置 | |
Paulus et al. | Surface feature based classification of plant organs from 3D laserscanned point clouds for plant phenotyping | |
Wang et al. | ASAS-NANP SYMPOSIUM: Applications of machine learning for livestock body weight prediction from digital images | |
US10249054B2 (en) | Method and device for automated parameters calculation of an object | |
Bercovich et al. | Development of an automatic cow body condition scoring using body shape signature and Fourier descriptors | |
CN111243005B (zh) | 牲畜估重方法、装置、设备以及计算机可读存储介质 | |
Xia et al. | Plant leaf detection using modified active shape models | |
Liu et al. | A vision-based robust grape berry counting algorithm for fast calibration-free bunch weight estimation in the field | |
WO2018107872A1 (zh) | 一种体型预测方法及设备 | |
US11471218B2 (en) | Hair transplant planning system | |
CN106340000A (zh) | 骨龄评估方法 | |
CN111353416B (zh) | 基于牲畜三维测量的姿态检测方法、系统及存储介质 | |
CN112825791B (zh) | 一种基于深度学习与点云凸包化特征的奶牛体况评分方法 | |
CN111768418A (zh) | 图像分割方法及装置、图像分割模型的训练方法 | |
CN112288793B (zh) | 畜类个体背膘检测方法、装置、电子设备及存储介质 | |
CN110188657A (zh) | 基于卷曲叶片检测的玉米干旱识别方法 | |
CN102855485A (zh) | 一种小麦抽穗的自动检测方法 | |
CN110307903A (zh) | 一种家禽特定部位无接触温度动态测量的方法 | |
González et al. | MyROOT 2.0: An automatic tool for high throughput and accurate primary root length measurement | |
CN108154176A (zh) | 一种针对单一深度图像的3d人体姿态估计算法 | |
CN112508890B (zh) | 一种基于二级评测模型的奶牛体脂率检测方法 | |
CN110414369B (zh) | 一种牛脸的训练方法及装置 | |
CN113057598B (zh) | 一种面向动物活体无屠宰的肉质品质分级方法与系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191101 |
|
RJ01 | Rejection of invention patent application after publication |