CN111639629A

CN111639629A - 一种基于图像处理的猪只体重测量方法、装置及存储介质

Info

Publication number: CN111639629A
Application number: CN202010543162.5A
Authority: CN
Inventors: 邰伟鹏; 冷勇; 桂再鑫
Original assignee: Anhui Gongda Information Technology Co ltd; Anhui University of Technology AHUT
Current assignee: Anhui Gongda Information Technology Co ltd; Anhui University of Technology AHUT
Priority date: 2020-06-15
Filing date: 2020-06-15
Publication date: 2020-09-08
Anticipated expiration: 2040-06-15
Also published as: CN111639629B

Abstract

本发明公开了一种基于图像处理的猪只体重测量方法、装置及存储介质，属于猪只体重测量技术领域。针对现有技术中存在的猪只称重过程中耗费大量人力物力的问题，本发明提供了一种基于图像处理的猪只体重测量方法、装置及存储介质，测量方法包括以下步骤：对猪只图像进行预处理；对预处理后的猪只图像进行猪脸特征识别，判断是否存在完整的猪脸特征，若存在，则提取猪脸图像中的特征数据；将猪脸图像的特征数据与预设特征权重模型进行匹配，得到该猪脸图像对应的猪只体重。本发明能够根据采集到的猪脸图像计算出对应猪的体重，无需人工进行干预，提高了生产效率，降低人工的成本。

Description

一种基于图像处理的猪只体重测量方法、装置及存储介质

技术领域

本发明涉及猪只体重测量技术领域，更具体地说，涉及一种基于图像处理的猪只体重测量方法、装置及存储介质。

背景技术

养殖户为了获得最大的利润，在销售时，猪的体重应该在一个范围内。如果猪的体重低于或高于这个范围，那么会导致利润降低、资源浪费。为了及时的了解猪的体重信息，需要定期的测量猪的体重，但给猪称重并不是一样容易的事情，尤其是需要让猪平稳的站在称上一段时间，因此可以采用数字图像处理的技术来减低测量猪只体重的难度。

数字图像处理技术能够让计算机处理一定的图像数据，利用数字图像处理技术可以提取猪的特征，通过识别不同的特征再根据不同特征对应的权重可以估算出猪的体重。

目前，现有的猪的体重测量方式如：称重笼、称重车、体重测量尺等方式，需要耗费较大的人力将猪驱赶至称重笼或者称重车内，效率较低，不利于快速的获取到猪的体重。采用体尺的方式测量猪只体重需要人工去测量猪的身体数据，需要耗费较大的人力成本。

经检索，已有相关专利方案公开。如中国专利申请，申请号201810045686.4，公开日期2018.08.17，专利名称：基于人脸图像的体重监测方法、系统及移动终端，公开了是一种基于人脸图像的体重监测方法、系统及移动终端，包括如下步骤：获取目标人脸图像；提取所述目标人脸图像的面部特征数据；依据所述目标人脸图像的面部特征数据与预设的人脸图像样本中的面部特征数据之间的相似度比对结果，分析出所述目标人脸图像中所描绘的人物的体重；以及当判断出所述人物的体重与预设的人体标准体重数据的差值大于设定值时，发出提示信息。从而判断使用者体重的趋势和估算使用者现有的体重，提醒使用者现在的体重身体状况，测量方法简便，全自动完成，提高测量操作的便捷性，提升了移动终端的用户体验。但其不足之处在于该专利只适用于人的体重的检测，不适用其他的生物，不能应用到猪只体重测量当中来。

发明内容

1.要解决的技术问题

针对现有技术中存在的猪只称重过程中耗费大量人力物力的问题，本发明提供了一种基于图像处理的猪只体重测量方法、装置及存储介质，它通过采集到猪只图像，提取猪脸特征，与预设的猪脸特征权重进行匹配，得出猪只体重，实现了无需人工参与的猪只体重测量，降低了人工成本。

2.技术方案

本发明的目的通过以下技术方案实现。

一种基于图像处理的猪只体重测量方法，包括以下步骤：

对猪只图像进行预处理；

对预处理后的猪只图像进行猪脸特征识别，判断是否存在完整的猪脸特征，若存在，则提取猪脸图像中的特征数据；

将猪脸图像的特征数据与预设特征权重模型进行匹配，得到该猪脸图像对应的猪只体重。

进一步的，对猪只图像进行预处理，具体包括以下步骤：

对猪只图像进行灰度处理，得到灰度图像；

对灰度图像进行滤波处理。

更进一步的，对预处理后的猪只图像进行猪脸特征识别，判断是否存在完整的猪脸特征，具体包括以下步骤：

训练Haar分类器；

使用Haar分类器对猪只图像进行检测，依次检测是否存在猪脸的面部轮廓、双眼、单只眼睛和鼻子，若存在，则在图像中标记特征所对应的区域；

判断检测结果是否存在完整的猪脸特征，若存在，则提取猪只图像中的特征数据。

更进一步的，将猪脸图像的特征数据与预设特征权重模型进行匹配，具体包括以下步骤：

通过最小二乘法回归计算计算预设样本中的猪脸特征数据，得到对应猪只体重的权重模型；

根据猪脸特征数据和权重模型，计算得到目标猪只的体重。

更进一步的，通过最小二乘法回归计算计算预设样本中的猪脸特征数据，得到对应猪只体重的权重模型，具体包括以下步骤：

对猪脸特征样本进行线性拟合，得到权重模型：

h_θ(x₁，x₂，...x_n)＝θ₀+θ₁x₁+...+θ_nx_n

其中，θ_i(i＝0，1，2...n)为模型参数，x_i(i＝0，1，2...n)为每个样本的n个特征值；

建立损失函数：

通过损失函数对拟合函数的θ_i(i＝0，1，...n)求导，并令导数为0，可得：

对上式进行求解，得到权重模型参数θ_i(i＝0，1，2...n)的值。

一种基于图像处理的猪只体重测量装置，包括：

预处理单元，用于对猪只图像进行预处理；

猪脸特征识别单元，用于对预处理后的猪只图像进行猪脸特征识别，判断是否存在完整的猪脸特征，若存在，则提取猪脸图像中的特征数据；

权重匹配单元，用于将猪脸图像的特征数据与预设特征权重模型进行匹配，得到该猪脸图像对应的猪只体重。

进一步的，预处理单元包括：

灰度处理模块，用于对猪只图像进行灰度处理，得到灰度图像；

滤波处理模块，用于对灰度图像进行滤波处理。

更进一步的，猪脸特征识别单元包括：

训练模块，用于训练Haar分类器；

检测模块，用于使用Haar分类器对猪只图像进行检测，依次检测是否存在猪脸的面部轮廓、双眼、单只眼睛和鼻子，若存在，则在图像中标记特征所对应的区域；

判断模块，用于判断检测结果是否存在完整的猪脸特征，若存在，则提取猪只图像中的特征数据。

更进一步的，权重匹配单元包括：

权重模型计算模块，用于通过最小二乘法回归计算计算预设样本中的猪脸特征数据，得到对应猪只体重的权重模型；

体重计算模块，用于根据猪脸特征数据和权重模型，计算得到目标猪只的体重。

一种计算机可读存储介质，其上存储有指令，所述指令在被处理器执行时，使得所述处理器执行如权利要求1-5中任一项所述的猪只体重测量方法。

3.有益效果

相比于现有技术，本发明的优点在于：

本方法通过预先训练猪脸、双眼、单只眼睛和猪鼻子的特定的Haar分类器，将特定Haar分类器应用到识别猪脸及猪脸上的器官，具有较好的稳健性，能够准确识别猪脸及相应器官。由于猪的眼睛会随着猪的体重呈线性增长，基于这一特性，本方法预先建立权重模型，通过最小二乘法回归分析样本数据中不同特征对应的权重，得到完善的权重模型，该模型具有普遍适用性，对于测量同品种的猪只体重时准确率较高，通过固定位置的摄像头采集猪只图像，提取出猪脸特征，通过权重模型自动匹配猪只体重，相较于称重笼、称重车和体重测量尺子，本方法无需人工参与，大大降低了人工成本，提高了生产效率。

附图说明

图1为本发明实施例中猪只体重测量方法的应用场景示意图；

图2为本发明实施例中猪只体重测量方法的流程示意图；

图3为本发明实施例中猪只图像预处理的流程示意图；

图4为本发明实施例中猪脸特征识别的示意图；

图5为本发明实施例中猪只图像检测与标记的示意图；

图6为本发明实施例中猪脸特征数据的示意图；

图7为本发明实施例中权重匹配的流程示意图；

图8为本发明实施例中猪只体重测量装置的结构框图；

图9为本发明实施例中预处理单元的结构框图；

图10为本发明实施例中猪脸特征识别单元的结构框图；

图11为本发明实施例中权重匹配单元的结构框图；

具体实施方式

下面结合说明书附图和具体的实施例，对本发明作详细描述。

如图1所示，本实施例提供了一种基于图像处理的猪只体重测量方法，应用于一种基于图像处理的猪只体重测量系统，该系统包括摄像头101和服务器102，摄像头101设置于场地的固定位置，摄像头101可通过网络将数据发送至服务器102，服务器102可以是独立的服务器，也可以是多个服务器组成的服务器集群，用于对摄像头发送的数据进行处理，本实施例中，所述数据为摄像头101采集的猪只图像。

本实施例主要以该数码管数字识别方法应用于上述图1中的摄像头101和服务器102来举例说明，如图2所示，本方法包括以下步骤：

步骤S100、对上述图1中摄像头101采集到的猪只图像进行预处理。

具体的，本实施例中，所述预处理把灰度处理和滤波处理，对于采集到的猪只图像，在对猪只图像进行猪脸识别和体重识别之前，需要先对图像进行预处理，避免外界因素对猪脸特征的影响。

如图3所示，对猪只图像进行预处理，具体包括以下步骤：

步骤S101、对猪只图像进行灰度处理；

具体的，由于采集到的猪只图像为彩色图像，因此需要先对图像进行灰度处理，将彩色的猪只图像转化为灰度图像，本实施例中使用加权平均法对图像进行处理，加权平均法根据重要性及其它指标，将三个分量以不同的权值进行加权平均，由于人眼对绿色的敏感最高，对蓝色敏感最低，因此，原始彩色图像数据转换为灰度图的公式表示如下：

Gray＝0.299·R+0.587·G+0.114·B

其中Gray为转换后的灰度图像，R、G、B分别表示彩色图像中红色、绿色和蓝色分量。灰度化后的图像由三通道变为单通道，也可以减少后续识别算法所需的运算量。

步骤S102、对灰度图像进行滤波处理。

具体的，步骤S101中处理得到的灰度图像可能有灰尘等噪声，可能会干扰后面对猪脸特征的识别，因此需要对图像进行滤波降噪处理。本实施例中，对灰度图像进行高斯滤波处理，定义一个3×3的高斯滤波器模板，以模板的中心位置为坐标原点进行取样，模板在各个位置的坐标如下所示：

(-1，1)(0，1)(1，1)

(-1，0)(0，0)(1，0)

(-1，-1)(0，-1)(1，-1)

其中，将各个位置的坐标带入到高斯函数中，得到的值就是模板的系数，模板中各个元素值的计算公式如下：

其中(x，y)为图像的像素点坐标，在图像处理中可认为是整数，σ为标准差。

根据计算得到的模板系数，可以用于对图像进行卷积滤波运算，去除图像中的噪声点，从而得到滤波降噪后的图像，提高后续识别的准确率。

步骤S200、对预处理后的图像进行猪脸特征识别，判断是否存在完整的猪脸特征，若存在，则提取猪脸图像中的特征数据。

具体的，在得到过滤后的猪只图像后，需要对猪只图像进行猪脸特征识别，判断图像中是否存在完整的猪脸特征，如果没有猪脸特征或者没有完整的猪脸特征，说明该猪只图像无法提取出完整的特征数据，由于后续的猪只体重识别需要根据特征数据来进行匹配，特征数据不完整可能会导致重量识别的准确率下降，因此不对该图像进行后续猪只体重识别处理，在减少算法的运算量的同时，提高了猪只体重测量算法的准确率。本实施例中，使用OpenCV中的Haar分类器对猪只图像进行检测。

如图4所示，对预处理后的猪只图像进行猪脸特征识别，判断是否存在完整的猪脸特征具体包括以下步骤：

步骤S201、训练Haar分类器。

具体的，在对猪脸识别之前，需要先使用600张与待估算体重的同品种猪只的完整面部样本图片数据对Haar分类器进行训练和后续的权重值的计算，使Haar分类器能够在猪只图像中准确地检测到猪脸区域，以及猪脸区域中的各个关键器官，即关键特征点。

所述训练Haar分类器，具体包括以下步骤：

步骤S211、创建Harr分类器的正样本：

(1)在上述600张与待估算体重的同品种猪只的完整面部样本图片中分别截取猪脸区域图片、单只眼睛区域图片、双眼区域图片、鼻子区域图片，由于每只猪有两只眼睛，截取的单只眼睛图片数据共1200张。

(2)在截取好图像后，将上述正样本的图像像素尺寸调整为28×28。

(3)生成正样本。本实施例中，正样本的描述文件格式为：图片名称加图片后缀、空格、包含特征数、图片在二维坐标上的位置信息，以上述样本为例：image1.jpg 1 0 0 2727。

步骤S212、创建Harr分类器的负样本：

负样本的具体要求为：负样本可以来自于任意的图片，但这些图片不能包含目标特征，负样本由背景描述文件来描述，背景描述文件是一个文本文件，每一行包含了一个负样本图片的文件名。

步骤S213、训练Haar分类器：

使用opencv中的opencv_traincascade模块进行训练。

创建Haar分类器训练样本。

步骤S202、使用Haar分类器对猪只图像进行检测，依次检测是否存在猪脸的面部轮廓、双眼、单只眼睛和鼻子，若存在，则在图像中标记特征所对应的区域。

具体的，依次对猪脸的关键区域进行识别并标记，判断是否检测到猪脸特征，如果上述步骤(1)-(4)中任意一个步骤的特征未被检测到，则不进行下一步检测，减少运算量；如果检测到猪脸特征，则在图像中标记对应的区域。

如图5所示，具体检测和标记过程包括以下步骤：

(1)使用检测猪脸的Haar分类器检测采集到的图像中是否存在猪脸，若存在猪脸则标记猪脸区域为L1；

(2)在上述步骤(1)成功检测到猪脸的基础上，使用检测猪的双眼的Haar分类器检查上述步骤(1)中猪脸区域L1中是否存在猪的双眼，若存在双眼则标记双眼位置为L2。

(3)在上述步骤(2)成功检测到猪双眼的基础上，使用检测猪的单只眼睛的Haar分类器进行单只眼睛的检测，若成功检测到单只眼睛，则标记为L3-1或L3-2，其中L3-1为根据位置判断出的左眼，L3-2为根据位置判断出的右眼。

(4)在上述步骤(3)成功检测到猪的双眼的基础上，使用检测猪的鼻子的Haar分类器检测采集到的图像中是否存在猪的鼻子，若存在猪的鼻子则标记猪鼻子区域为L4。

步骤S203、判断检测结果是否存在完整的猪脸特征，若存在，则提取猪只图像中的特征数据。

具体的，所述存在完整的猪脸特征，指猪只图像中包括猪脸的面部轮廓、左右眼、双眼和鼻子区域，在检测完图像后，判断检测结果是否存在完整的猪脸特征，若存在，则根据图像中标记的区域提取特征数据，所述特征数据为步骤S202中检测到并被标记的关键点区域L1、L2、L3-1，L3-2、L4之间的距离，用于后续的猪只体重匹配识别；若不存在，则不对该图像进行处理。如图6所示，本实施例所述的特征数据包括以下11个猪脸特征数据：

左右眼中心之间的距离，标记为特征1；左右眼中心连线中点到鼻子区域中点的距离，标记为特征2；左右眼中心连线中点到鼻子区域的垂直距离，标记为特征3；距离3到鼻子区域中兴点垂直距离，标记为特征4；左眼区域左边框与猪脸区域左边框的距离，标记为特征5；左眼区域上边框与猪脸区域上边框的距离，标记为特征6；左眼区域下边距离，标记为特征7；右眼区域左边框与猪脸区域左边框的距离，标记为特征8；右眼区域上边框与猪脸区域上边框的距离，标记为特征9；右眼区域下边距离，标记为特征10；鼻子下边距离，标记为特征11。

上述所有的距离均为像素点之间的欧式距离，欧式距离的表述如下：

步骤S300、将猪脸图像的特征数据与预设特征权重模型进行匹配，得到该猪脸图像对应的猪只体重。

如图7所示，所述根据猪脸图像的特征数据与猪脸特征权重进行匹配，具体包括以下步骤：

步骤S301、通过最小二乘法回归，计算预设样本中的猪脸特征数据，得到对应猪只体重的权重模型。

具体的，由于猪的一些面部器官会随着猪的体重呈线性增长，因此可以通过对预设样本进行如上述步骤S100到S300中的处理，得到若干组猪脸特征数据，对这些猪脸特征数据进行计算，得到一个具有普遍适用性的权重模型，用于测量猪只的体重。与传统的称重笼、称重车和体重测量尺子相比，本实施例所提供的猪只体重测量方法无需人工参与，只需通过对目标猪只的图像进行识别检测得到猪脸特征数据，将特征数据与权重模型进行匹配，即可得到目标猪只的体重，从而降低了人工成本，提高生产效率。通过最小二乘法回归计算上述600张与待估算体重的同品种猪只的完整面部样本图片数据中的猪脸特征数据，得到对应猪只体重的权重模型，具体包括以下步骤：

(1)对若干个猪脸特征样本进行线性拟合，得到权重模型的拟合函数为：

h_θ(x₁，x₂，...x_n)＝θ₀+θ₁x₁+...+θ_nx_n

其中，θ_i(i＝0，1，2...n)为模型参数，x_i(i＝0，1，2...n)为每个样本的n个特征值。

(2)建立损失函数：

(3)通过损失函数对拟合函数的θ_i(i＝0，1，...n)求导，并令导数为0，可得：

(4)经过上述计算，得到一个n+1元一次方程组，该方程组有n+1个方程，对该方程组进行求解，可得到n+1个未知的θ，所述θ即为上述对应的权重值，n+1个θ即权重模型中的模型参数θ_i(i＝0，1，2...n)，也称权重参数。本实施例中，n取值为11，对应为上述11个特征。最终得到的权重模型如下：

h_θ(x₁，x₂，...x₁₁)＝θ₀+θ₁x₁+...+θ₁₁x₁₁

其中θ_i(i＝0，1，2...11)为权重参数值，x_i(i＝0，1，2...11)为每个样本的11个特征值。

步骤S302、根据猪脸特征数据和权重模型，计算得到目标猪只的体重。

具体的，本实施例中，将步骤S300中提取出的11个特征与根据预设样本得到的猪脸权重模型进行匹配，最终得出目标猪脸的猪只体重。

与上述实施例提供的基于图像处理的猪只体重测量方法相对应，本发明实施例还提供一种基于图像处理的猪只体重测量装置，由于本发明实施例提供的基于图像处理的猪只体重测量装置与上述实施例提供的基于图像处理的猪只体重测量方法相对应，因此上述基于图像处理的猪只体重测量方法的实施方式也适用于本实施例提供基于图像处理的猪只体重测量装置，在本实施例中不再详细描述。

如图8所示，一种基于图像处理的猪只体重测量装置，包括：

预处理单元1010，用于对猪只图像进行预处理；

猪脸特征识别单元1020，用于对预处理后的猪只图像进行猪脸特征识别，判断是否存在完整的猪脸特征，若存在，则提取猪脸图像中的特征数据；

权重匹配单元1030，用于将猪脸图像的特征数据与预设特征权重模型进行匹配，得到该猪脸图像对应的猪只体重。

如图9所示，预处理单元1010包括：

灰度处理模块1011，用于对猪只图像进行灰度处理，得到灰度图像；

滤波处理模块1012，用于对灰度图像进行滤波处理。

如图10所示，猪脸特征识别单元1020包括：

训练模块1021，用于训练Haar分类器；

检测模块1022，用于使用Haar分类器对猪只图像进行检测，依次检测猪脸的面部轮廓、双眼、单只眼睛和鼻子；

判断模块1023，用于判断是否存在完整的猪脸特征，若存在，则在图像中标记特征所对应的区域。

如图11所示，权重匹配单元1030包括：

权重模型计算模块1031，用于通过最小二乘法回归计算计算预设样本中的猪脸特征数据，得到对应猪只体重的权重模型；

体重计算模块1032，用于根据猪脸特征数据和权重模型，计算得到目标猪只的体重。

本申请的实施例也可以被实现为计算机可读存储介质，根据本申请实施例的计算机可读存储介质上存储有计算机可读指令，当所述计算机可读指令由处理器运行时，可以执行参照以上附图描述的根据本申请实施例的方法。所述计算机可读存储介质包括但不限于例如易失性存储器和/或非易失性存储器，所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等，所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。

以上示意性的对本发明及其实施方式进行了描述，该描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。所以，如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。此外，“包括”一词不排除其他元件或步骤，在元件前的“一个”一词不排除包括“多个”该元件。产品权利要求中陈述的多个元件也可以由一个元件通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

Claims

1.一种基于图像处理的猪只体重测量方法，其特征在于，包括以下步骤：

对猪只图像进行预处理；

对预处理后的猪只图像进行猪脸特征识别，判断是否存在完整的猪脸特征，若存在，则提取猪只图像中的特征数据；

2.根据权利要求1所述的一种基于图像处理的猪只体重测量方法，其特征在于，对猪只图像进行预处理，具体包括以下步骤：

对猪只图像进行灰度处理，得到灰度图像；

对灰度图像进行滤波处理。

3.根据权利要求2所述的一种基于图像处理的猪只体重测量方法，其特征在于，对预处理后的猪只图像进行猪脸特征识别，判断是否存在完整的猪脸特征，具体包括以下步骤：

训练Haar分类器；

4.根据权利要求3所述的一种基于图像处理的猪只体重测量方法，其特征在于，将猪脸图像的特征数据与预设特征权重模型进行匹配，具体包括以下步骤：

根据猪脸特征数据和权重模型，计算得到目标猪只的体重。

5.根据权利要求1-4任一所述的一种基于图像处理的猪只体重测量方法，其特征在于，通过最小二乘法回归计算计算预设样本中的猪脸特征数据，得到对应猪只体重的权重模型，具体包括以下步骤：

对猪脸特征样本进行线性拟合，得到权重模型：

h_θ(x₁，x₂，...x_n)＝θ₀+θ₁x₁+...+θ_nx_n

建立损失函数：

6.一种基于图像处理的猪只体重测量装置，其特征在于，包括：

预处理单元，用于对猪只图像进行预处理；

7.根据权利要求6所述的一种基于图像处理的猪只体重测量装置，其特征在于，预处理单元包括：

滤波处理模块，用于对灰度图像进行滤波处理。

8.根据权利要求7所述的一种基于图像处理的猪只体重测量装置，其特征在于，猪脸特征识别单元包括：

训练模块，用于训练Haar分类器；

9.根据权利要求8所述的一种基于图像处理的猪只体重测量装置，其特征在于，权重匹配单元包括：

10.一种计算机可读存储介质，其上存储有指令，所述指令在被处理器执行时，使得所述处理器执行如权利要求1-5中任一项所述的体重测量方法。