CN111243005A - 牲畜估重方法、装置、设备以及计算机可读存储介质 - Google Patents
牲畜估重方法、装置、设备以及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111243005A CN111243005A CN202010014446.5A CN202010014446A CN111243005A CN 111243005 A CN111243005 A CN 111243005A CN 202010014446 A CN202010014446 A CN 202010014446A CN 111243005 A CN111243005 A CN 111243005A
- Authority
- CN
- China
- Prior art keywords
- livestock
- point cloud
- point
- points
- target
- 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
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/70—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in livestock or poultry
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种牲畜估重方法、装置、设备以及计算机可读存储介质。其中方法包括:获取以俯视视角拍摄的圈舍点云图;根据圈舍点云图中各点的曲率值以及相互位置关系,将圈舍点云图中的各点聚类为多个点云集;结合牲畜体型特点,从各点云集中筛选出若干牲畜点云集;从牲畜点云集中提取牲畜的背部轮廓;基于背部轮廓,确定目标牲畜以及目标牲畜的体尺信息;利用体尺信息以及预先构建的估重模型,获得目标牲畜的体重。本发明充分利用了机器视觉、立体图像处理等技术,可以无接触且免人工地测量出牲畜体尺以及体重,因而能够大幅降低人工成本,并提升牲畜生长指标检测效率。
Description
技术领域
本发明涉及机器视觉技术领域,尤其涉及一种基于图像处理的牲畜估重方法、装置、设备以及计算机可读存储介质。
背景技术
在牲畜饲养阶段,需要依据牲畜体重确定饲料更换时间,精确了解圈舍内每头牲畜的体重,可协助饲养者决定最佳换料时间。并且,牲畜按体重分群,能够提高每圈牲畜的均匀度,降低牲畜之间的打斗,提高料肉比。而牲畜的体重以及体尺指标能够为饲养者提供饲养管理和转群的依据,有效地反映牲畜生长状态,是反映养殖过程牲畜健康与否的重要手段,同时将体重以及体尺数据与牲畜的采食量、饮水量和生长状态等数据结合,对研发牲畜生长过程监控系统,实现饲养者每日的收益计算以及指导实际生产均具有重要意义。
在规模化养殖中,保持养殖效率和生产节律的重要环节就是牲畜整进整出,以及保证出栏牲畜体重的均一性。但牲畜个体之间存在差异以及环境和疫病等因素,即便饲养配方相同,也很难做到牲畜体重保持一致,因而在实际养殖场景中,各牲畜的体尺和体重数据存在差别,有必要对牲畜个体的体尺以及体重进行测量。传统的牲畜体尺信息是由人工利用皮尺或者测杖等工具直接测量牲畜获得,而体重则是利用电子磅秤进行称重。在测量中,由于人为因素以及接触测量的方式导致牲畜产生应激反应,使得牲畜体尺参数以及体重测量的误差较大,测量精度不高。当然,随着技术更迭,也出现了趋于自动化的畜牧养殖方案,但是通常在获得体尺数据以及体重数据两方面仍无法避免人工的参与,例如饲养员仍需要接触测量相关设备或工具,包括驱赶牲畜到特定的测量区域等。
由此可见,在面对获取体尺以及体重两项重要参数方面上,现有技术无非脱离人工干预,这便导致了人工成本增高以及检测效率降低的问题。
发明内容
针对上述问题,本发明考虑到将物联网、人工智能、大数据以及图像处理技术充分渗透到农牧业养殖领域,具体是通过获取养殖环境的图像信息,对牲畜体尺数据进行全自动化的智能测量,并结合数据分析对牲畜进行估重。据此,本发明提供了一种牲畜估重方法、装置以及设备,本发明还相应提供了一种计算机可读存储介质以及一种计算机程序产品,通过以上形式,能够大幅降低人工成本并提升测量精度以及牲畜指标检测效率。
关于上述本发明采用的技术方案具体如下:
第一方面,本发明提供了一种牲畜估重方法,包括:
获取以俯视视角拍摄的圈舍点云图;
根据所述圈舍点云图中各点的曲率值以及相互位置关系,将所述圈舍点云图中的各点聚类为多个点云集;
结合牲畜体型特点,从各所述点云集中筛选出若干牲畜点云集;
从所述牲畜点云集中提取牲畜的背部轮廓;
基于所述背部轮廓,确定目标牲畜以及所述目标牲畜的体尺信息;
利用所述体尺信息以及预先构建的估重模型,获得所述目标牲畜的体重。
在其中一种可能的实现方式中,所述结合牲畜体型特点,从各所述点云集中筛选出若干牲畜点云集包括:
构建各所述点云集的外接立体框;
求取所述外接立体框的多维尺寸,并确定所述外接立体框中所含的点数量以及重心点;
利用所述多维尺寸、所述点数量、所述重心点以及预设的牲畜体型先验知识,从各所述点云集中筛选出所述牲畜点云集。
在其中一种可能的实现方式中,所述从所述牲畜点云集中提取牲畜的背部轮廓包括:
对各所述牲畜点云集进行坐标矫正;
利用矫正后的所述牲畜点云集,在设定的坐标面上进行投影,得到所述背部轮廓。
在其中一种可能的实现方式中,基于所述背部轮廓,确定目标牲畜包括:
结合牲畜体型特点,在各所述牲畜点云集的背部轮廓上设定参考中线;
检测相应的所述牲畜点云集相对于所述参考中线的点云分布情况;
根据所述点云分布情况以及预设的对称策略,确定出目标牲畜点云集,并将所述目标牲畜点云集表征为所述目标牲畜。
在其中一种可能的实现方式中,基于所述背部轮廓,确定目标牲畜的体尺信息包括:
以所述目标牲畜为单位,在各所述目标牲畜的背部轮廓线上获取体尺特征点,其中所述体尺特征点包括如下一种或多种:中心基准点、腰部特征点、胯部特征点、肩部特征点、颈部特征点、臀部特征点以及体长特征点;
根据所述体尺特征点计算所述体尺信息,其中所述体尺信息包括如下一种或多种:腰宽、胯宽、肩宽、臀宽、颈宽、背部面积以及体长。
在其中一种可能的实现方式中,所述在各所述目标牲畜的背部轮廓线上获取体尺特征点包括:
构建各所述目标牲畜的背部轮廓的坐标系;
根据相对于所述坐标系的空间关系,在所述背部轮廓线上确定出所述体尺特征点;
和/或
构建各所述目标牲畜的背部轮廓的最小外接包络框;
确定所述背部轮廓线上与最小外接包络框的重合点;
基于所述重合点以及相邻的所述重合点之间所述背部轮廓上的凹线段,在所述背部轮廓线上确定出所述体尺特征点。
在其中一种可能的实现方式中,所述根据相对于所述坐标系的空间关系,在所述背部轮廓线上确定出所述体尺特征点包括:
将所述背部轮廓的中心作为坐标系的原点,并基于原点设置坐标轴得到若干坐标象限;
获取各坐标象限内的所述背部轮廓线上各点到相应坐标轴或坐标面的距离;
根据所述距离以及由牲畜体型特点预设的坐标正负值区分模板,确定出所述体尺特征点。
在其中一种可能的实现方式中,构建所述估重模型包括:
采集牲畜在完整成长周期中的不同时期对应的多体尺数据和体重数据;
利用线性回归方法对多体尺数据和体重数据进行分析,筛选出特定的体尺信息;
基于特定的体尺信息以及体重数据的关系,构建体重估算回归模型。
第二方面,本发明提供了一种牲畜估重装置,包括:
圈舍点云图获取模块,用于获取以俯视视角拍摄的圈舍点云图;
点云聚类模块,用于根据所述圈舍点云图中各点的曲率值以及相互位置关系,将所述圈舍点云图中的各点聚类为多个点云集;
牲畜点云筛选模块,用于结合牲畜体型特点,从各所述点云集中筛选出若干牲畜点云集;
背部轮廓提取模块,用于从所述牲畜点云集中提取牲畜的背部轮廓;
目标牲畜及体尺确定模块,用于基于所述背部轮廓,确定目标牲畜以及所述目标牲畜的体尺信息;
估重模块,用于利用所述体尺信息以及预先构建的估重模型,获得所述目标牲畜的体重。
在其中一种可能的实现方式中,所述牲畜点云筛选模块包括:
立体框构建单元,用于构建各所述点云集的外接立体框;
框内点云参数获取单元,用于求取所述外接立体框的多维尺寸,并确定所述外接立体框中所含的点数量以及重心点;
牲畜点云筛选单元,用于利用所述多维尺寸、所述点数量、所述重心点以及预设的牲畜体型先验知识,从各所述点云集中筛选出所述牲畜点云集。
在其中一种可能的实现方式中,所述背部轮廓提取模块包括:
坐标矫正单元,用于对各所述牲畜点云集进行坐标矫正;
背部轮廓获取单元,用于利用矫正后的所述牲畜点云集,在设定的坐标面上进行投影,得到所述背部轮廓。
在其中一种可能的实现方式中,所述目标牲畜及体尺确定模块具体包括:
参考中线设定单元,用于结合牲畜体型特点,在各所述牲畜点云集的背部轮廓上设定参考中线;
点云分布检测单元,用于检测相应的所述牲畜点云集相对于所述参考中线的点云分布情况;
目标牲畜确定单元,用于根据所述点云分布情况以及预设的对称策略,确定出目标牲畜点云集,并将所述目标牲畜点云集表征为所述目标牲畜。
在其中一种可能的实现方式中,所述目标牲畜及体尺确定模块具体包括:
体尺特征点获取单元,用于以所述目标牲畜为单位,在各所述目标牲畜的背部轮廓线上获取体尺特征点,其中所述体尺特征点包括如下一种或多种:中心基准点、腰部特征点、胯部特征点、肩部特征点、颈部特征点、臀部特征点以及体长特征点;
体尺信息计算单元,用于根据所述体尺特征点计算所述体尺信息,其中所述体尺信息包括如下一种或多种:腰宽、胯宽、肩宽、臀宽、颈宽、背部面积以及体长。
在其中一种可能的实现方式中,所述体尺特征点获取单元包括:
背部坐标系构建组件,用于构建各所述目标牲畜的背部轮廓的坐标系;
体尺特征点第一确定组件,用于根据相对于所述坐标系的空间关系,在所述背部轮廓线上确定出所述体尺特征点;
和/或
外接包络构建组件,用于构建各所述目标牲畜的背部轮廓的最小外接包络框;
重合点确定组件,用于确定所述背部轮廓线上与最小外接包络框的重合点;
体尺特征点第二确定组件,用于基于所述重合点以及相邻的所述重合点之间所述背部轮廓上的凹线段,在所述背部轮廓线上确定出所述体尺特征点。
在其中一种可能的实现方式中,所述体尺特征点第一确定组件包括:
坐标原点及象限构建子组件,用于将所述背部轮廓的中心作为坐标系的原点,并基于原点设置坐标轴得到若干坐标象限;
测距子组件,用于获取各坐标象限内的所述背部轮廓线上各点到相应坐标轴或坐标面的距离;
体尺特征点确定子组件,用于根据所述距离以及由牲畜体型特点预设的坐标正负值区分模板,确定出所述体尺特征点。
在其中一种可能的实现方式中,估重模块包括估重模型构建单元;
所述估重模型构建单元具体包括:
体尺及体重采集组件,用于采集牲畜在完整成长周期中的不同时期对应的多体尺数据和体重数据;
体尺信息筛选组件,用于利用线性回归方法对多体尺数据和体重数据进行分析,筛选出特定的体尺信息;
回归模型构建组件,用于基于特定的体尺信息以及体重数据的关系,构建体重估算回归模型。
第三方面,本发明提供了一种牲畜估重设备,包括:
一个或多个处理器、存储器以及一个或多个计算机程序,所述存储器可以采用非易失性存储介质,其中所述一个或多个计算机程序被存储在所述存储器中,所述一个或多个计算机程序包括指令,当所述指令被所述设备执行时,使得所述设备执行如第一方面或者第一方面的任一可能实现方式中的所述方法。
第四方面,本发明提供了一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,当其在计算机上运行时,使得计算机执行如第一方面或者第一方面的任一可能实现方式中的所述方法。
第五方面,本发明还提供了一种计算机程序产品,当所述计算机程序产品被计算机执行时,用于执行第一方面或者第一方面的任一可能实现方式中的所述方法。
在第五方面的一种可能的设计中,该产品涉及到的相关程序可以全部或者部分存储在与处理器封装在一起的存储器上,也可以部分或者全部存储在不与处理器封装在一起的存储介质上。
综上各方面,本发明的核心构思在于利用深度图像中点云技术,以俯视视角从散乱的点云中逐步锁定到目标牲畜,并由其背部点云自动获取到体尺信息,进而由体尺信息结合反映牲畜个体生长趋势的估重模型,自动估算出牲畜体重数据。可见本发明充分利用了机器视觉、立体图像处理等技术,可以无接触且免人工地测量出牲畜体尺以及体重,因而能够大幅降低人工成本以及人工对测量精度的干扰,并提升牲畜生长指标检测效率。
附图说明
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步描述,其中:
图1为本发明提供的牲畜估重方法的实施例的流程图;
图2为本发明提供的筛选牲畜点云集的实施例的流程图;
图3为本发明提供的确定目标牲畜的实施例的流程图;
图4为本发明提供的标注体尺特征点的背部轮廓的示意图;
图5为本发明提供的确定体尺特征点的一种实施例的流程图;
图6为本发明提供的确定体尺特征点的另一种实施例的流程图;
图7为本发明提供的构建估重模型的实施例的流程图;
图8为本发明提供的牲畜估重装置的实施例的方框示意图。
具体实施方式
下面详细描述本发明的实施例,实施例的示例在附图中示出,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例是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
针对现有方式依赖人工参与的问题,本发明可以通过搭建养殖环境的自动化图像采集设施,并基于立体视觉技术进行自动化无接触式的牲畜体尺及体重测量。例如可以先采集圈舍的三维图像,然后基于聚类以及随机采样一致性的算法进行对像分割,在牲畜成群的复杂场景中,通过预设的筛选策略从各对象中得到目标图像。再对目标的背部轮廓提取体尺特征点,并依据牲畜体型特点,求取到诸如背部面积、肩宽、腰臀宽、体长等主要的体尺信息,进而估出牲畜体重,这个过程既自动、高效且准确地获取到牲畜体尺数据,又可以基于该体尺数据获取到体重数据。
具体来说,本发明提供的牲畜估重方法的至少一种实施例,可如图1所示,包括:
步骤S1、获取以俯视视角拍摄的圈舍点云图。
实施时可以在牲畜圈舍的上方布置支持获取深度图像的深度摄像头,例如Kinect摄像头等,摄像头可以灵活布置到高度1.5米到4米之间的位置,但并不限于布置在圈舍的正上方也不限定摄像头的数量,完全可以根据实际圈舍情况以及牲畜日常活动范围按需设定摄像头的空间位置,只要能够清晰采集到牲畜群的俯视图像数据即可,换言之,所称俯视仅是表明摄像头的视野采集方向是由上至下的。深度摄像头凭借立体视觉技术,可以获取到物体表面的点序列位置,通过彼此相对的位置结构偏差关系,建立三维的点云图像信息。即便摄像头作为参考点在高度上可进行变化,并且摄像头和牲畜的相对位置也会随之改变,但是获取牲畜群的表面点序列之间的距离并不会改变。因此牲畜群点云内部点间的关系并不受到摄像头高度的影响,即物体自身的尺寸值是固定的,与实际体尺数据之间的误差可忽略不计。
此外,还需要说明两点:
其一、本实施例在获取点云图像时不采用多向视角,一方面考虑到硬件成本,另一方面也是考虑到采集便利性以及自动化程度。因为采取诸如侧向视角拍摄牲畜的身侧点云图,则必须要避免牲畜群之间的遮挡干扰,因而仍会需要人工参与将牲畜驱赶到某个特定测量区域进行图像采集,因此本实施例强调出只需要采集的是俯视点云图,以便达到节省多向视角产生的硬件成本以及额外的人工成本的效果。
其二、获取到圈舍点云图后,还可以在执行后续处理前,对圈舍点云图进行预处理,因为点云图的成像会根据不同的深度摄像头设备以及相应需求,有彩色点云和黑白点云之分,因而在其他实施例中可以结合实际情况,进行去除噪声、增强对比度以及配准点云等预先操作。
步骤S2、根据所述圈舍点云图中各点的曲率值以及相互位置关系,将所述圈舍点云图中的各点聚类为多个点云集。
本步骤在实施过程中,可以结合现有的点云滤波技术,对圈舍点云图可能所包含的各物体对象进行分割。对于深度图像的分割,主要是根据空间、几何和纹理等特征对点云数据进行划分,使得同一划分条件内的点云拥有相似的特征。具体的点云分割技术本身不是本申请的重点,因而此处仅是对其算法思想进行介绍:可预先设置空的种子点序列和空的聚类数组,之后从散乱点云中随机或按曲率选择初始种子点,将其加入到种子点序列中,并搜索邻域点。对每一个邻域点,比较邻域点的法线与当前种子点的法线之间的夹角以及色彩平滑过渡情况,即是在空间和色彩角度给予约束条件,将符合条件的邻域点划分为一类。然后检查每一个邻域点的曲率值,小于曲率阈值的邻域点加入到种子点序列中;接着,在进行种子点邻域判断后,利用新加入的种子点继续进行搜索扩展,重复进行以上过程,直到种子点序列被清空,获得属于同一类的点云集合,并将其加入到聚类数组。最后利用曲率值从小到大排序,依次选择点云图中的点并重复以上步骤,这样就通过同类区域拓展实现了点云的分割,也即是将原始点云图简化为多个点云集。其中涉及的主要步骤可参考如下:
(1)构建k-tree。在对散乱点云进行分割之前,为了加快对邻域点的搜索,提高分割效率,可以在立体维度上建立点云数据之间的拓扑信息。首先计算得到X方向上的坐标中值点,将此点作为根节点A,垂直于此方向划分为两个区域,比A点坐标值小的点划分到左子树中,而坐标值大于A点划分到右子树中;然后再计算左、右子树中各点在Y方向的中值点,确定出B、C两点,二者分别为上述左右子树在Y轴上的中值点;再计算所有子树中各点在Z轴的中值点,以此类推,沿各维度方向进行划分直至最后一个子树由一个节点组成为止,便完成了对散乱点云的拓扑构建。
(2)种子节点的选取和拓展准则的设定。可将曲率最小的点设置为种子节点,选取点云中曲率最小的点开始拓展,之所以选取曲率最小的点是因为这些点位于更为平坦的区域,而从平坦的区域开始拓展则可以减少区段总数,避免重叠分割。
并且,可以对待分割点云各个点的曲率进行估计排序,曲面中某一点的平均曲率Kh为
式2中,αij、βij分别为连接Pi和Pj边的对角。
设定空间阈值范围,对邻域点种子面之间的生长半径以及垂直距离进行阈值判断。如果符合阈值条件,则将当前点添加到一个点云集,直到每个孤立点都分类完毕。
此处还可以将聚类后的点云集中点数量大于设定的最大数目阈值或者小于最小数目阈值的点云集删除,以此排除非法点云集的干扰,最终得到的聚类结果记为C={C1,C2,...,CM}。分割后的聚类结果即表示多个点云集,结合本发明场景其中可以包括合法牲畜点云集、非法牲畜点云集和圈舍设施点云集等。当然,还可以定义每个点云集C到坐标原点(可以设定深度摄像头所处俯视图中的位置为坐标原点)的聚类距离为
式3中,n代表点云集Cn所包含的点数量,xi、yi、zi代表该点云集内各点坐标。对于彩色点云图像还可以在该空间三维的约束前提下,结合各点色彩差异变化的维度,进行如上点云集聚类。
还需要指出的是,上述仅是介绍性说明,并非本发明的限定以及侧重点,实施时可参考现有的其他点云分割算法。
步骤S3、结合牲畜体型特点,从各所述点云集中筛选出若干牲畜点云集。
如上所述,经由聚类得到的点云集,虽然已经排除了明显非法的点云集,但不能排除其中还包括非牲畜对象,因而本步骤的主要作用是提出非牲畜对象。
具体实现方式则可以有多样选择,例如结合多种牲畜体型外特点,可包括但不限于背部凹陷部位、类椭圆体型、耳尾等显著器官以及体色等,设计相应的辨识区分算法,将不具备以上一种或多种体型特点的点云集排除在外。在某些实施例中还可以根据前文聚类算法中提供的点云集到原点距离的公式,并结合3D点云图呈现出点阵高度以及牲畜高度特性,进行牲畜对象的判断,例如,由于设置深度摄像头时必然需要考虑到视野范围内的牲畜出现的概率,因而较佳方式是将深度摄像头设置在牲畜群经常出没的位置的上方,那么也因此,越接近摄像头原点的点云集对象大概率更可能是牲畜对象,当然,为了提升此假设的可靠性,还需结合牲畜高度条件,从而可有如下公式:
也即是对于类水平面xOy上,最为接近摄像头,且在垂直方向上满足牲畜正常体高特点的点云集,则视为牲畜点云集。
此外,在本发明的另一些较佳实施例中,可通过点云集的自身特点,例如长、宽、高等特征判断点云集的覆盖范围,再结合先验的牲畜体型知识,筛选出牲畜点云集。
具体参考图2所示,可包括如下步骤:
步骤S31、构建各点云集的外接立体框;
步骤S32、求取所述外接立体框的多维尺寸,并确定所述外接立体框中所含的点数量以及重心点;
步骤S33、利用所述多维尺寸、所述点数量、所述重心点以及预设的牲畜体型先验知识,从各点云集中筛选出牲畜点云集。
在实际操作中需知,这里所述的多维尺寸即是外接立体框(可以是长方体)的长宽高,而对于点数量的统计以及点云重心的获取则可参考现有的图像处理技术,获得上述点云集的自身特性后,利用预先基于牲畜体型特点构建的判别机制,例如牲畜对象通常长宽高在一定的比例范围内,同时点数量需满足一定要求,并且点云的重心位置具有活体生物的分布特点等等,由此便可过滤掉非牲畜点云集。
步骤S4、从所述牲畜点云集中提取牲畜的背部轮廓。
如上所述,本实施例采用俯视视角,因而对于筛选出的牲畜点云集而言,大部分点云集表征的实质上是牲畜背部区域点云的集合,因而可以提取到牲畜的背部轮廓。同时,也是考虑到传统的测量场景中,总是依赖人工利用测量工具接触式地选取牲畜身体上的测量点,比如肩部、颈部、腰部和臀部等,由于实际牲畜的自主性活动和身形结构,在测量过程中不能准确定位测量点,因而会导致测量误差。而根据牲畜身躯的几何特性可知,这些测量点往往是在整个牲畜身躯的竖直投影中,据此,为了快速且准确提取到后续的体尺数据,可以将筛选出的牲畜点云集在xOy平面上进行投影获得背部轮廓。
这里还需补充的是,在进行坐标面投影前,为了保证投影出的背部轮廓精准并为后续求取体尺信息提供可靠的数据基准,还可以在投影前先进行坐标系重构,即对每个牲畜点云集进行归一化处理。目的是调整、矫正牲畜点云集的坐标,使得待后续处理的牲畜点云集均处于统一且标准的测量条件下。在一些实施例中,可以利用基于地面法向量矫正的点云归一化方法,具体步骤可参考如下:
(1)利用主成分分析法(PCA)获取各牲畜点云集的局部坐标系。
(2)结合前述分割步骤中的地面法向量,矫正该局部坐标系,获取新的牲畜点云集局部坐标系。
(3)选取新的局部坐标系和图像全局坐标系下的多组对应点,利用奇异值分解方法(SVD)求得变换矩阵,然后利用变换矩阵将各牲畜点云集归一到全局坐标系。
(4)最后,基于牲畜的体型结构特点,矫正全局坐标系下的各牲畜点云集的空间位置、朝向等。
步骤S5、基于所述背部轮廓,确定目标牲畜以及所述目标牲畜的体尺信息。
设计本步骤的初衷是考虑到本发明应用场景的特殊性,因为在实际圈舍的复杂环境中,难以确保牲畜点云集所表征的牲畜体态的完整性和标准性。因而,可以理解前述步骤S3是一种初步筛选构思,而本步骤的目的是从中明确出所需的目标牲畜,并由目标牲畜进行体尺信息的确定。
首先说,利用背部轮廓确定目标牲畜的实现构思即是根据深度三维数据判断出各牲畜点云集表征的牲畜所处的当前姿态,从中遴选较为理想的目标牲畜,所谓理想姿态,例如足以完整表征出单个牲畜的标准站立姿态。本发明在此给出至少一种基于点云几何对称关系的实施参考,如图3所示,可以包括如下步骤:
步骤S51、结合牲畜体型特点,在各所述牲畜点云集的背部轮廓上设定参考中线;
步骤S52、检测相应的所述牲畜点云集相对于所述参考中线的点云分布情况;
步骤S53、根据所述点云分布情况以及预设的对称策略,确定出目标牲畜点云集,并将所述目标牲畜点云集表征为所述目标牲畜。
如上所述,对称性作为一种几何属性,在三维几何模型的语义分析领域发挥着重要作用,通过将背部轮廓进行对称性检测,排除了牲畜躺卧、多牲畜骑跨、叠压等非理想的牲畜姿态情况。在该实施例的具体操作中,可以在经由矫正后的单个牲畜点云集的坐标系中,确定出纵向贯穿轮廓的主轴中线作为对称参考,即可以是牲畜背部的脊椎线。然后建立通过该参考中线且垂直于xOy面的平面,此处可以理解为沿着参考中线形成的垂直面将该牲畜的立体点云图由头至尾进行纵切,这样就分为了参考中心左右且在背部轮廓范围内的两部分子点云集Cleft和Cright。再计算左、右子点云集上的各点或相应的背部轮廓线上的点分别到参考中线的距离或距离均值dleft和dright;或者分别统计在背部轮廓范围内的左、右子点云集的点数量,当然也可以将左、右子点云集的前述距离和点数量综合考量,无论选用哪种策略,只要满足预设的对称阈值条件,便可以判断出当前的该牲畜点云集是对称分部的,由此便从若干牲畜点云集中确定出若干目标牲畜点云集,也即是确定了所述目标牲畜。
其次说,当确定出理想的目标牲畜后,并已有了前述步骤获得的该目标牲畜的背部轮廓,便可以根据牲畜体尺特征的分布规律,求取出该目标牲畜的体尺信息。具体来说,可以分为主要两个过程:(1)以目标牲畜为单位,在各目标牲畜的背部轮廓线上获取体尺特征点,其中所述体尺特征点即是指确定牲畜特定部位的位置且用于后续计算体尺数据的特征点,可以包括但不限于如下一种或多种:中心基准点、腰部(腹部)特征点、胯部(髋部)特征点、肩部特征点、颈部特征点、臀部特征点以及体长特征点。体尺特征点的具体选取可结合实际情况,针对不同的牲畜选择出能够有效反映体型变化的特征点即可,并且,以本发明强调的俯视视角而言,上述体尺特征点也是源自目标牲畜的背部轮廓,换言之,对于肩部、腹部、臀部等特征点,实际上皆可以是背部轮廓线上的端点,对此本发明将在后文做具体介绍。(2)根据所述体尺特征点计算所述体尺信息,其中所述体尺信息可以包括但不限于如下一种或多种:腰(腹)宽、胯(髋)宽、肩宽、臀宽、颈宽、背部面积以及体长,同理地,针对不同的牲畜可选择性地求出能够有效反映体型变化并适应后续估重计算的体尺信息。在获得上述体尺特征点之后,涉及宽度的体尺信息自然可通过相应的体尺特征点的间距进行计算,而对于背部面积以及体长而言,在获得了背部轮廓以及臀肩(颈)等位置基础上,也可简易算出,本发明不对此做过多赘述,只以计算体长的一个示例做参考性说明,计算体长时可以基于背部轮廓两侧的臀部特征点做第一线端,并基于背部轮廓两侧的肩部特征点做第二线段,将两个线端的中点相连为第三线端,第三线端的长度则可作为体长。
关于前文提及的在各所述目标牲畜的背部轮廓线上获取体尺特征点的具体实现方式,本发明提供了至少两种思路。
(一)构建各目标牲畜的背部轮廓的坐标系,根据相对于所述坐标系的空间关系,在背部轮廓线上确定出所述体尺特征点。
该坐标系可以但不限于是由在先步骤矫正后的坐标系,背部轮廓线上各点必然存在与该坐标系的空间位置关系,并且在建立坐标系的过程中便可以确定出该目标牲畜点云集的中心基准点并以此作为坐标原点,同时相应的X轴、Y轴以及Z轴也相应获得,尤其可以指出的是,如图4示出,在构建坐标系的同时也会自然将图4中的Y轴与背部轮廓线的交点P2和P5确定为牲畜的腰部(腹部)特征点,这是牲畜体型的结构特点自然决定的,即对于一个完整的背部轮廓而言,贯穿中部的轴线通常是脊椎线和腰(腹)线。
基于此,本发明给出了一个具体的实施方案以获得其他体尺特征点,参考图5所示,包括如下步骤:
步骤S510、将背部轮廓的中心作为坐标系的原点,并基于原点设置坐标轴得到若干坐标象限;
步骤S520、获取各坐标象限内的背部轮廓线上各点到相应坐标轴或坐标面的距离;
步骤S530、根据所述距离以及由牲畜体型特点预设的坐标正负值区分模板,确定出体尺特征点。
具体结合图4来说,按X轴和Y轴将背部轮廓线划分为四个象限,如图4中示出1、2、3、4。例如,在确定肩部特征点和臀部特征点时,可分别计算背部轮廓两端的轮廓线上各点在其各自象限内到XOZ平面(或X轴)的最大距离,由此可以得到分别处于四个象限内的四个体尺特征点。但对于进行图像处理的计算机而言,此时并不知道四个点中哪些点表征肩部、哪些点表征臀部,此时可以调用牲畜体型特点预设的坐标正负值区分模板,也即是预先将四个点的坐标值正负关系进行规定,那么则可以通过比对坐标值正负的方式,分辨出臀部特征点即为P3和P6,肩部特征点即为P1和P4;当然,在本发明的某些实施方式中,还可以计算出待定的此四个点的平均曲率以及特征直方图,比较两个特征直方图与臀部点云的特征直方图在特征空间内的距离,距离接近或曲率小的则可认为是臀部特征点,另两个自然即为肩部特征点,反之亦然。
而关于体长,如前文介绍,可以获得P1和P4的中点P7,以及P3和P6的中点P8,P7和P8两点的长度即可作为体长,也就是说P7和P8即为前述体长特征点。
这里尤其需要说明的是,对于某些牲畜而言,胯部体征尤为能够表征出牲畜的发育情况,也即是和生长趋势以及体重息息相关。具体地,在利用本发明验证体尺信息预估猪只体重的准确性时,发现在相同育肥周期内,由于不同猪只的吃食量和运动量等生活习性差异,导致生长期间身形存在差异。通过观察不同周期内猪只生长变化以及比对不同体重的猪只身形差异,更深入地发现出猪只腹部和后腿臀部之间会存在一个不同程度的凹陷,即为腰腹后部的胯部,此凹陷的由来经分析是,育肥猪的腹部会囤积较多的脂肪,而后腿则是日常运动的承重发力点,肉质则更为紧致,这样就形成了此区域出现凹陷属性,而凭借该属性再结合其他体尺信息,则可以更为全面地评估猪只的育肥程度,即区分出猪只的“胖瘦”,进而也就影响了体重的预估。对此特点,在本发明中可以求取腰部与臀部之间(3、4象限)的背部轮廓线段上各点到XOZ平面(或X轴)的最小距离,从而便可以获得如图4示出的P9和P10两个胯部特征点。
(二)本发明还提供了另一种在背部轮廓线上确定体尺特征点的实施方式,如图6所示,可以包括如下步骤:
步骤S511、构建各目标牲畜的背部轮廓的最小外接包络框;
步骤S521、确定背部轮廓线上与最小外接包络框的重合点;
步骤S531、基于重合点以及相邻的重合点之间所述背部轮廓上的凹线段,在所述背部轮廓线上确定出体尺特征点。
也即是在背部轮廓上构建出最小的外接多边形,该外接多边形必然与背部轮廓线上的某些端点重合,并且外接多边形的边是直线,则会在相邻的两个重合点之间形成一个向内凹的轮廓线段。基于对牲畜体型的分析,重合点中必然存在体尺特征点,而且一般而言,长度较长的轮廓凹线段表明牲畜体型在此位置发生较为明显的变化,因而轮廓凹线段也可以作为判定体尺特征点的依据(如前文提及的胯部特征点)。例如可以计算轮廓凹线段中各点到相对应的包络线段的距离,距离最远的点也被称为拐点或角点,其中也可能存在所需的体尺特征点。之后则可以结合牲畜体型特点或预先设定的先验标准,从重合点以及凹线段中确定出体尺特征点。
对于上述两种确定体尺特征点的思路还需说明的是,二者既可以单独使用,也可以合并使用,例如为了获得某些特定牲畜的关键部位特征点,则可以在坐标系的若干象限范围内,设计局部包络线,并通过计算凹线段上各点到坐标轴/面或者包络线的距离确定出该关键部位的位置。
最后执行步骤S6、利用所述体尺信息以及预先构建的估重模型,获得所述目标牲畜的体重。
对于本步骤涉及的估重模型,也是本申请的重要改进之一,在构建该估重模型的过程中,本发明是从反映日常生长性能的体重指标入手,实时获取个体生长随日龄变化的信息,并依据每天实测数据与畜牧业规范的育种数据进行比对,并调整每天饲养配方,以实现整体牲畜均匀生长。从中,在获得了体尺数据和体重数据的变化趋势以及相应关系后,训练并构建出该估重模型。具体可以参考如图7示出的构建所述估重模型的实施示例,包括:
步骤S61、采集牲畜在完整成长周期中的不同时期对应的多体尺数据和体重数据;
步骤S62、利用线性回归方法对多体尺数据和体重数据进行分析,筛选出特定的体尺信息;
步骤S63、基于特定的体尺信息以及体重数据的关系,构建体重估算回归模型。
以某育猪圈舍为例(其他牲畜种类同理),前期采集到大量猪只样本(体重范围在一个预设区间内)在不同成长期的体尺数据和实测体重数据,利用线性回归的思想分析出猪只体重和体尺随时间基本呈现出线性增长趋势,更为具体地,分析出其中胯部宽度与腰部宽度的增长趋势基本一致,而胯部又能更为明显地区分出不同周期内不同猪只的胖瘦差异,因而在该示例中,从体尺信息中筛选出猪只的胯宽、肩宽、臀宽、背部面积和体长五个特征,用于估测猪只体重(当然,不同的测试方式、环境以及不同的牲畜种类,上述规律必然存在具有针对性的差异,从而选取哪些体尺信息作为估重参数以及构建估重模型的输入数据,则可进行相应调整,此处不作赘述)。
在本示例进行建模阶段,还可以采用多元线性回归的方法,其中Weight代表猪只体重,wh代表腰胯宽,ws代表肩宽,wb代表臀宽,S代表背部面积,L代表体长。β,β1,...,β15代表待确认的参数。
Weight=β+β1S+β2L+β3wh+β4ws+β5wb+β6wh*S*L+β7wh*wS*S+β8wb*wS*S+β9wh*wS*S+β10wh*wS*wb+β11wh 2+β12ws 2+β13wb 2+β14S2+β15L2
通过实际数据可以训练出β,β1,...,β15的取值(参见下文,此数值仅为示例性),由此得出本示例的估重模型,在实际使用时便可以代入前述体尺信息,以此实现对猪只体重的估测,而其他牲畜估重同理。
Weight=-15.98-0.91S+33.23L+126.76wh-25.28ws+84.71wb-2.98*wh*S*L-15.01*wh*wS*S+10.51*wb*ws*S+519.22*wh*wS*S-344.61*wh*wS*wb+228.92*wh 2+72.90*ws 2-83.97*wb 2+0.07*S2-3.32*L2
综上所述,本发明的核心构思在于利用深度图像中点云技术,以俯视视角从散乱的点云中逐步锁定到目标牲畜,并由其背部点云自动获取到体尺信息,进而由体尺信息结合反映牲畜个体生长趋势的估重模型,自动估算出牲畜体重数据。可见本发明充分利用了机器视觉、立体图像处理等技术,可以无接触且免人工干预地测量出牲畜体尺以及体重,因而能够大幅降低人工成本以及人工对测量精度的干扰,并提升牲畜生长指标检测效率。
相应于上述各实施例及优选方案,本发明还提供了一种牲畜估重装置的实施例,如图8所示,具体可以包括如下部件:
圈舍点云图获取模块10,用于获取以俯视视角拍摄的圈舍点云图;
点云聚类模块20,用于根据所述圈舍点云图中各点的曲率值以及相互位置关系,将所述圈舍点云图中的各点聚类为多个点云集;
牲畜点云筛选模块30,用于结合牲畜体型特点,从各所述点云集中筛选出若干牲畜点云集;
背部轮廓提取模块40,用于从所述牲畜点云集中提取牲畜的背部轮廓;
目标牲畜及体尺确定模块50,用于基于所述背部轮廓,确定目标牲畜以及所述目标牲畜的体尺信息;
估重模块60,用于利用所述体尺信息以及预先构建的估重模型,获得所述目标牲畜的体重。
在其中一种可能的实现方式中,所述牲畜点云筛选模块包括:
立体框构建单元,用于构建各所述点云集的外接立体框;
框内点云参数获取单元,用于求取所述外接立体框的多维尺寸,并确定所述外接立体框中所含的点数量以及重心点;
牲畜点云筛选单元,用于利用所述多维尺寸、所述点数量、所述重心点以及预设的牲畜体型先验知识,从各所述点云集中筛选出所述牲畜点云集。
在其中一种可能的实现方式中,所述背部轮廓提取模块包括:
坐标矫正单元,用于对各所述牲畜点云集进行坐标矫正;
背部轮廓获取单元,用于利用矫正后的所述牲畜点云集,在设定的坐标面上进行投影,得到所述背部轮廓。
在其中一种可能的实现方式中,所述目标牲畜及体尺确定模块具体包括:
参考中线设定单元,用于结合牲畜体型特点,在各所述牲畜点云集的背部轮廓上设定参考中线;
点云分布检测单元,用于检测相应的所述牲畜点云集相对于所述参考中线的点云分布情况;
目标牲畜确定单元,用于根据所述点云分布情况以及预设的对称策略,确定出目标牲畜点云集,并将所述目标牲畜点云集表征为所述目标牲畜。
在其中一种可能的实现方式中,所述目标牲畜及体尺确定模块具体包括:
体尺特征点获取单元,用于以所述目标牲畜为单位,在各所述目标牲畜的背部轮廓线上获取体尺特征点,其中所述体尺特征点包括如下一种或多种:中心基准点、腰部特征点、胯部特征点、肩部特征点、颈部特征点、臀部特征点以及体长特征点;
体尺信息计算单元,用于根据所述体尺特征点计算所述体尺信息,其中所述体尺信息包括如下一种或多种:腰宽、胯宽、肩宽、臀宽、颈宽、背部面积以及体长。
在其中一种可能的实现方式中,所述体尺特征点获取单元包括:
背部坐标系构建组件,用于构建各所述目标牲畜的背部轮廓的坐标系;
体尺特征点第一确定组件,用于根据相对于所述坐标系的空间关系,在所述背部轮廓线上确定出所述体尺特征点;
和/或
外接包络构建组件,用于构建各所述目标牲畜的背部轮廓的最小外接包络框;
重合点确定组件,用于确定所述背部轮廓线上与最小外接包络框的重合点;
体尺特征点第二确定组件,用于基于所述重合点以及相邻的所述重合点之间所述背部轮廓上的凹线段,在所述背部轮廓线上确定出所述体尺特征点。
在其中一种可能的实现方式中,所述体尺特征点第一确定组件包括:
坐标原点及象限构建子组件,用于将所述背部轮廓的中心作为坐标系的原点,并基于原点设置坐标轴得到若干坐标象限;
测距子组件,用于获取各坐标象限内的所述背部轮廓线上各点到相应坐标轴或坐标面的距离;
体尺特征点确定子组件,用于根据所述距离以及由牲畜体型特点预设的坐标正负值区分模板,确定出所述体尺特征点。
在其中一种可能的实现方式中,估重模块包括估重模型构建单元;
所述估重模型构建单元具体包括:
体尺及体重采集组件,用于采集牲畜在完整成长周期中的不同时期对应的多体尺数据和体重数据;
体尺信息筛选组件,用于利用线性回归方法对多体尺数据和体重数据进行分析,筛选出特定的体尺信息;
回归模型构建组件,用于基于特定的体尺信息以及体重数据的关系,构建体重估算回归模型。
应理解以上图8所示的牲畜估重装置的各个部件的划分仅仅是一种逻辑功能的划分,实际实现时可以全部或部分集成到一个物理实体上,也可以物理上分开。且这些部件可以全部以软件通过处理元件调用的形式实现;也可以全部以硬件的形式实现;还可以部分部件以软件通过处理元件调用的形式实现,部分部件通过硬件的形式实现。例如,某个上述模块可以为单独设立的处理元件,也可以集成在电子设备的某一个芯片中实现。其它部件的实现与之类似。此外这些部件全部或部分可以集成在一起,也可以独立实现。在实现过程中,上述方法的各步骤或以上各个部件可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如,以上这些部件可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application Specific Integrated Circuit;以下简称:ASIC),或,一个或多个微处理器(Digital Singnal Processor;以下简称:DSP),或,一个或者多个现场可编程门阵列(Field Programmable Gate Array;以下简称:FPGA)等。再如,这些部件可以集成在一起,以片上系统(System-On-a-Chip;以下简称:SOC)的形式实现。
综合上述各实施例及其优选方案,本领域技术人员可以理解的是,在实际操作中,本发明适用于多种实施方式,本发明以下述载体作为示意性说明:
(1)一种牲畜估重装置设备,其可以包括:
一个或多个处理器、存储器以及一个或多个计算机程序,其中所述一个或多个计算机程序被存储在所述存储器中,所述一个或多个计算机程序包括指令,当所述指令被所述设备执行时,使得所述设备执行前述实施例或等效实施方式的步骤/功能。
(2)一种可读存储介质,在可读存储介质上存储有计算机程序或上述装置,当计算机程序或上述装置被执行时,使得计算机执行前述实施例或等效实施方式的步骤/功能。
在本发明所提供的几个实施例中,任一功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的某些技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以如下所述软件产品的形式体现出来。
(3)一种计算机程序产品(该产品可以包括上述装置),该计算机程序产品在终端设备上运行时,使终端设备执行前述实施例或等效实施方式的牲畜估重方法。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到上述实施方法中的全部或部分步骤可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,上述计算机程序产品可以包括但不限于是指APP;接续前文再做补充说明,上述设备/终端可以是一台计算机设备(例如手机、PC终端、云平台、服务器、服务器集群或者诸如媒体网关等网络通信设备等)。并且,该计算机设备的硬件结构还可以具体包括:至少一个处理器,至少一个通信接口,至少一个存储器和至少一个通信总线;处理器、通信接口、存储器均可以通过通信总线完成相互间的通信。其中,处理器可能是一个中央处理器CPU、DSP、微控制器或数字信号处理器,还可包括GPU、嵌入式神经网络处理器(Neural-network ProcessUnits;以下简称:NPU)和图像信号处理器(Image Signal Processing;以下简称:ISP),该处理器还可包括特定集成电路ASIC,或者是被配置成实施本发明实施例的一个或多个集成电路等,此外,处理器可以具有操作一个或多个软件程序的功能,软件程序可以存储在存储器等存储介质中;而前述的存储器/存储介质可以包括:非易失性存储器(non-volatilememory),例如非可移动磁盘、U盘、移动硬盘、光盘等,以及只读存储器(Read-Only Memory;以下简称:ROM)、随机存取存储器(Random Access Memory;以下简称:RAM)等。
本发明实施例中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示单独存在A、同时存在A和B、单独存在B的情况。其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项”及其类似表达,是指的这些项中的任意组合,包括单项或复数项的任意组合。例如,a,b和c中的至少一项可以表示:a,b,c,a和b,a和c,b和c或a和b和c,其中a,b,c可以是单个,也可以是多个。
本领域技术人员可以意识到,本说明书中公开的实施例中描述的各模块、单元及方法步骤,能够以电子硬件、计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方式来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
以及,本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可。尤其,对于装置、设备等实施例而言,由于其基本相似于方法实施例,所以相关之处可参见方法实施例的部分说明即可。以上所描述的装置、设备等实施例仅仅是示意性的,其中作为分离部件说明的模块、单元等可以是或者也可以不是物理上分开的,即可以位于一个地方,或者也可以分布到多个地方,例如系统网络的节点上。具体可根据实际的需要选择其中的部分或者全部模块、单元来实现上述实施例方案的目的。本领域技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上依据图式所示的实施例详细说明了本发明的构造、特征及作用效果,但以上仅为本发明的较佳实施例,需要言明的是,上述实施例及其优选方式所涉及的技术特征,本领域技术人员可以在不脱离、不改变本发明的设计思路以及技术效果的前提下,合理地组合搭配成多种等效方案;因此,本发明不以图面所示限定实施范围,凡是依照本发明的构想所作的改变,或修改为等同变化的等效实施例,仍未超出说明书与图示所涵盖的精神时,均应在本发明的保护范围内。
Claims (12)
1.一种牲畜估重方法,其特征在于,包括:
获取以俯视视角拍摄的圈舍点云图;
根据所述圈舍点云图中各点的曲率值以及相互位置关系,将所述圈舍点云图中的各点聚类为多个点云集;
结合牲畜体型特点,从各所述点云集中筛选出若干牲畜点云集;
从所述牲畜点云集中提取牲畜的背部轮廓;
基于所述背部轮廓,确定目标牲畜以及所述目标牲畜的体尺信息;
利用所述体尺信息以及预先构建的估重模型,获得所述目标牲畜的体重。
2.根据权利要求1所述的牲畜估重方法,其特征在于,所述结合牲畜体型特点,从各所述点云集中筛选出若干牲畜点云集包括:
构建各所述点云集的外接立体框;
求取所述外接立体框的多维尺寸,并确定所述外接立体框中所含的点数量以及重心点;
利用所述多维尺寸、所述点数量、所述重心点以及预设的牲畜体型先验知识,从各所述点云集中筛选出所述牲畜点云集。
3.根据权利要求1所述的牲畜估重方法,其特征在于,所述从所述牲畜点云集中提取牲畜的背部轮廓包括:
对各所述牲畜点云集进行坐标矫正;
利用矫正后的所述牲畜点云集,在设定的坐标面上进行投影,得到所述背部轮廓。
4.根据权利要求3所述的牲畜估重方法,其特征在于,基于所述背部轮廓,确定目标牲畜包括:
结合牲畜体型特点,在各所述牲畜点云集的背部轮廓上设定参考中线;
检测相应的所述牲畜点云集相对于所述参考中线的点云分布情况;
根据所述点云分布情况以及预设的对称策略,确定出目标牲畜点云集,并将所述目标牲畜点云集表征为所述目标牲畜。
5.根据权利要求1所述的牲畜估重方法,其特征在于,基于所述背部轮廓,确定目标牲畜的体尺信息包括:
以所述目标牲畜为单位,在各所述目标牲畜的背部轮廓线上获取体尺特征点,其中所述体尺特征点包括如下一种或多种:中心基准点、腰部特征点、胯部特征点、肩部特征点、颈部特征点、臀部特征点以及体长特征点;
根据所述体尺特征点计算所述体尺信息,其中所述体尺信息包括如下一种或多种:腰宽、胯宽、肩宽、臀宽、颈宽、背部面积以及体长。
6.根据权利要求5所述的牲畜估重方法,其特征在于,所述在各所述目标牲畜的背部轮廓线上获取体尺特征点包括:
构建各所述目标牲畜的背部轮廓的坐标系;
根据相对于所述坐标系的空间关系,在所述背部轮廓线上确定出所述体尺特征点;
和/或
构建各所述目标牲畜的背部轮廓的最小外接包络框;
确定所述背部轮廓线上与最小外接包络框的重合点;
基于所述重合点以及相邻的所述重合点之间所述背部轮廓上的凹线段,在所述背部轮廓线上确定出所述体尺特征点。
7.根据权利要求6所述的牲畜估重方法,其特征在于,所述根据相对于所述坐标系的空间关系,在所述背部轮廓线上确定出所述体尺特征点包括:
将所述背部轮廓的中心作为坐标系的原点,并基于原点设置坐标轴得到若干坐标象限;
获取各坐标象限内的所述背部轮廓线上各点到相应坐标轴或坐标面的距离;
根据所述距离以及由牲畜体型特点预设的坐标正负值区分模板,确定出所述体尺特征点。
8.根据权利要求1~7任一项所述的牲畜估重方法,其特征在于,构建所述估重模型包括:
采集牲畜在完整成长周期中的不同时期对应的多体尺数据和体重数据;
利用线性回归方法对多体尺数据和体重数据进行分析,筛选出特定的体尺信息;
基于特定的体尺信息以及体重数据的关系,构建体重估算回归模型。
9.一种牲畜估重装置,其特征在于,包括:
圈舍点云图获取模块,用于获取以俯视视角拍摄的圈舍点云图;
点云聚类模块,用于根据所述圈舍点云图中各点的曲率值以及相互位置关系,将所述圈舍点云图中的各点聚类为多个点云集;
牲畜点云筛选模块,用于结合牲畜体型特点,从各所述点云集中筛选出若干牲畜点云集;
背部轮廓提取模块,用于从所述牲畜点云集中提取牲畜的背部轮廓;
目标牲畜及体尺确定模块,用于基于所述背部轮廓,确定目标牲畜以及所述目标牲畜的体尺信息;
估重模块,用于利用所述体尺信息以及预先构建的估重模型,获得所述目标牲畜的体重。
10.根据权利要求9所述的牲畜估重装置,其特征在于,所述目标牲畜及体尺确定模块具体包括:
体尺特征点获取单元,用于以所述目标牲畜为单位,在各所述目标牲畜的背部轮廓线上获取体尺特征点,其中所述体尺特征点包括如下一种或多种:中心基准点、腰部特征点、胯部特征点、肩部特征点、颈部特征点、臀部特征点以及体长特征点;
体尺信息计算单元,用于根据所述体尺特征点计算所述体尺信息,其中所述体尺信息包括如下一种或多种:腰宽、胯宽、肩宽、臀宽、颈宽、背部面积以及体长。
11.一种牲畜估重设备,其特征在于,包括:
一个或多个处理器、存储器以及一个或多个计算机程序,其中所述一个或多个计算机程序被存储在所述存储器中,所述一个或多个计算机程序包括指令,当所述指令被所述设备执行时,使得所述设备执行如权利要求1~8任一项所述的牲畜估重方法。
12.一种计算机可读存储介质,其特征在于,该计算机可读存储介质中存储有计算机程序,当其在计算机上运行时,使得计算机执行如权利要求1~8任一项所述的牲畜估重方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010014446.5A CN111243005B (zh) | 2020-01-07 | 2020-01-07 | 牲畜估重方法、装置、设备以及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010014446.5A CN111243005B (zh) | 2020-01-07 | 2020-01-07 | 牲畜估重方法、装置、设备以及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111243005A true CN111243005A (zh) | 2020-06-05 |
CN111243005B CN111243005B (zh) | 2023-05-23 |
Family
ID=70872436
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010014446.5A Active CN111243005B (zh) | 2020-01-07 | 2020-01-07 | 牲畜估重方法、装置、设备以及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111243005B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112017231A (zh) * | 2020-08-27 | 2020-12-01 | 中国平安财产保险股份有限公司 | 基于单目摄像头的人体体重识别方法、装置及存储介质 |
CN112288793A (zh) * | 2020-11-06 | 2021-01-29 | 洛阳语音云创新研究院 | 畜类个体背膘检测方法、装置、电子设备及存储介质 |
CN112801118A (zh) * | 2021-02-26 | 2021-05-14 | 潘志乐 | 基于人工智能和大数据的肉猪出栏效益评估系统及方法 |
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 |
CN113344001A (zh) * | 2021-07-02 | 2021-09-03 | 河南牧原智能科技有限公司 | 一种生物体估重方法、装置、设备及存储介质 |
CN113449638A (zh) * | 2021-06-29 | 2021-09-28 | 西藏新好科技有限公司 | 一种基于机器视觉技术的猪只图像理想帧的筛选方法 |
CN115759789A (zh) * | 2023-01-06 | 2023-03-07 | 联通(四川)产业互联网有限公司 | 一种基于ai算法的智慧养殖智能管理系统 |
CN116309442A (zh) * | 2023-03-13 | 2023-06-23 | 北京百度网讯科技有限公司 | 挑拣信息的确定方法及目标对象的挑拣方法 |
CN116363141A (zh) * | 2023-06-02 | 2023-06-30 | 四川省畜牧科学研究院 | 一种妊娠母猪智能体型评价装置及系统 |
CN116687386A (zh) * | 2023-08-07 | 2023-09-05 | 青岛市畜牧工作站(青岛市畜牧兽医研究所) | 牛体形数据综合校准的雷达探测系统及方法 |
CN117745036A (zh) * | 2024-02-18 | 2024-03-22 | 四川金投科技股份有限公司 | 一种基于特征识别及近场通信的牲畜信息管理方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105913444A (zh) * | 2016-05-03 | 2016-08-31 | 华南农业大学 | 基于软激光测距的牲畜体型轮廓重构方法及体况评分方法 |
US20180350010A1 (en) * | 2017-06-02 | 2018-12-06 | Performance Livestock Analytics, Inc. | Adaptive livestock growth modeling using machine learning approaches to predict growth and recommend livestock management operations and activities |
CN110288580A (zh) * | 2019-06-25 | 2019-09-27 | 深圳德里克设备有限公司 | 牲畜体重的测量方法、测量装置及可读存储介质 |
-
2020
- 2020-01-07 CN CN202010014446.5A patent/CN111243005B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105913444A (zh) * | 2016-05-03 | 2016-08-31 | 华南农业大学 | 基于软激光测距的牲畜体型轮廓重构方法及体况评分方法 |
US20180350010A1 (en) * | 2017-06-02 | 2018-12-06 | Performance Livestock Analytics, Inc. | Adaptive livestock growth modeling using machine learning approaches to predict growth and recommend livestock management operations and activities |
CN110288580A (zh) * | 2019-06-25 | 2019-09-27 | 深圳德里克设备有限公司 | 牲畜体重的测量方法、测量装置及可读存储介质 |
Non-Patent Citations (2)
Title |
---|
尹令等: "多视角深度相机的猪体三维点云重构及体尺测量", 《农业工程学报》 * |
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 (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112017231A (zh) * | 2020-08-27 | 2020-12-01 | 中国平安财产保险股份有限公司 | 基于单目摄像头的人体体重识别方法、装置及存储介质 |
CN112017231B (zh) * | 2020-08-27 | 2024-04-05 | 中国平安财产保险股份有限公司 | 基于单目摄像头的人体体重识别方法、装置及存储介质 |
CN112288793A (zh) * | 2020-11-06 | 2021-01-29 | 洛阳语音云创新研究院 | 畜类个体背膘检测方法、装置、电子设备及存储介质 |
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 |
CN112801118B (zh) * | 2021-02-26 | 2024-02-02 | 潘志乐 | 基于人工智能和大数据的肉猪出栏效益评估系统及方法 |
CN112801118A (zh) * | 2021-02-26 | 2021-05-14 | 潘志乐 | 基于人工智能和大数据的肉猪出栏效益评估系统及方法 |
CN113449638A (zh) * | 2021-06-29 | 2021-09-28 | 西藏新好科技有限公司 | 一种基于机器视觉技术的猪只图像理想帧的筛选方法 |
CN113449638B (zh) * | 2021-06-29 | 2023-04-21 | 北京新希望六和生物科技产业集团有限公司 | 一种基于机器视觉技术的猪只图像理想帧的筛选方法 |
CN113344001A (zh) * | 2021-07-02 | 2021-09-03 | 河南牧原智能科技有限公司 | 一种生物体估重方法、装置、设备及存储介质 |
CN115759789A (zh) * | 2023-01-06 | 2023-03-07 | 联通(四川)产业互联网有限公司 | 一种基于ai算法的智慧养殖智能管理系统 |
CN116309442A (zh) * | 2023-03-13 | 2023-06-23 | 北京百度网讯科技有限公司 | 挑拣信息的确定方法及目标对象的挑拣方法 |
CN116309442B (zh) * | 2023-03-13 | 2023-10-24 | 北京百度网讯科技有限公司 | 挑拣信息的确定方法及目标对象的挑拣方法 |
CN116363141B (zh) * | 2023-06-02 | 2023-08-18 | 四川省畜牧科学研究院 | 一种妊娠母猪智能体型评价装置及系统 |
CN116363141A (zh) * | 2023-06-02 | 2023-06-30 | 四川省畜牧科学研究院 | 一种妊娠母猪智能体型评价装置及系统 |
CN116687386B (zh) * | 2023-08-07 | 2023-10-31 | 青岛市畜牧工作站(青岛市畜牧兽医研究所) | 牛体形数据综合校准的雷达探测系统及方法 |
CN116687386A (zh) * | 2023-08-07 | 2023-09-05 | 青岛市畜牧工作站(青岛市畜牧兽医研究所) | 牛体形数据综合校准的雷达探测系统及方法 |
CN117745036A (zh) * | 2024-02-18 | 2024-03-22 | 四川金投科技股份有限公司 | 一种基于特征识别及近场通信的牲畜信息管理方法及系统 |
CN117745036B (zh) * | 2024-02-18 | 2024-04-30 | 四川金投科技股份有限公司 | 一种基于特征识别及近场通信的牲畜信息管理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111243005B (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111243005B (zh) | 牲畜估重方法、装置、设备以及计算机可读存储介质 | |
CN107667903B (zh) | 基于物联网的畜牧养殖活体体重监测方法 | |
Wang et al. | ASAS-NANP SYMPOSIUM: Applications of machine learning for livestock body weight prediction from digital images | |
CN110986788B (zh) | 一种基于三维点云牲畜表型体尺数据的自动测量方法 | |
Wongsriworaphon et al. | An approach based on digital image analysis to estimate the live weights of pigs in farm environments | |
US20230281265A1 (en) | Method for estimating body size and weight of pig based on deep learning | |
Zhang et al. | Algorithm of sheep body dimension measurement and its applications based on image analysis | |
Liu et al. | Automatic estimation of dairy cattle body condition score from depth image using ensemble model | |
CN112288793B (zh) | 畜类个体背膘检测方法、装置、电子设备及存储介质 | |
CN110569735A (zh) | 一种基于奶牛背部体况的分析方法及装置 | |
CN113920138A (zh) | 一种基于rgb-d相机的奶牛体尺检测装置及其检测方法 | |
Lu et al. | Extracting body surface dimensions from top-view images of pigs | |
CN110490161B (zh) | 一种基于深度学习的圈养动物行为分析方法 | |
Li et al. | A posture-based measurement adjustment method for improving the accuracy of beef cattle body size measurement based on point cloud data | |
CN114155377A (zh) | 基于人工智能和生长周期分析的禽类自适应喂食方法 | |
CN114022489A (zh) | 家畜点云双向断层区域分割方法及装置 | |
CN113706512A (zh) | 一种基于深度学习和深度相机的生猪体重测量方法 | |
Liu et al. | Estimation of weight and body measurement model for pigs based on back point cloud data | |
Zhang et al. | Body weight estimation of yak based on cloud edge computing | |
CN111166338B (zh) | 一种基于tof深度数据的妊娠母猪体尺计算方法 | |
Nishide et al. | Calf robust weight estimation using 3D contiguous cylindrical model and directional orientation from stereo images | |
Qin et al. | Identification of body size characteristic points based on the Mask R-CNN and correlation with body weight in Ujumqin sheep | |
CN114693883A (zh) | 一种基单视角3d点云的生猪体尺测量及体重预测方法 | |
Yuan et al. | Stress-free detection technologies for pig growth based on welfare farming: A review | |
CN112801118B (zh) | 基于人工智能和大数据的肉猪出栏效益评估系统及方法 |
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 |