CN111898326A - 一种基于移动视角的猪的体重和膘情变化检测方法 - Google Patents
一种基于移动视角的猪的体重和膘情变化检测方法 Download PDFInfo
- Publication number
- CN111898326A CN111898326A CN202010883035.XA CN202010883035A CN111898326A CN 111898326 A CN111898326 A CN 111898326A CN 202010883035 A CN202010883035 A CN 202010883035A CN 111898326 A CN111898326 A CN 111898326A
- Authority
- CN
- China
- Prior art keywords
- pork pig
- pig
- pork
- view
- dimensional model
- 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.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/22—Yield analysis or yield optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
为了解决现有技术中存在的上述技术问题,本发明公开了一种基于移动视角的猪的体重和膘情变化检测方法,用枪机拍摄肉猪俯视图并检测猪头尾关键点,根据猪头尾关键点坐标调用球机拍摄肉猪的后视图和侧视图,用猪身关键点检测网络检测猪身关键点,用猪轮廓语义分割网络检测肉猪轮廓,根据肉猪后视图、侧视图中肉猪身关键点和肉猪后视轮廓图、侧视图轮廓图优化肉猪标准三维模型,根据优化后的最优猪三维模型的数据得出肉猪的膘情和体重,对每个肉猪的体重和生长速度进行统计,根据出栏效益公式得到肉猪的出栏效益。可实现无接触的肉猪体重和膘情检测,并进行出栏决策。
Description
技术领域
本发明涉及人工智能和深度学习领域,具体涉及一种基于移动视角的猪的体重和膘情变化检测方法。
背景技术
目前,我国养猪业正不断向规模化、专业化、智能化、精细化方向发展。精细化要求饲养员要对养猪场每个肉猪个体的身体情况进行检测,以便有针对性地改善肉猪的饲养方案。在肉猪的饲养过程中,需要对肉猪的膘情进行监测。膘情指的是牲畜长膘的情况,良好的膘情能保证肉猪的肉质,过肥或者过瘦都会影响猪肉的质量。
现有对猪膘情的监测方法一般都是人工检测,如2019年11月16日公开的CN110495421 A“一种提高母猪繁殖性能的母猪饲喂模式及配套的母猪饲料”中公开了一种用电子背膘测定仪检测母猪膘情的方法。但是对于规模化养殖来说,使用人工方法对养殖场的猪逐个测量膘情,费时费力且成本偏高。
发明内容
为了解决现有技术中存在的上述技术问题,本发明公开了一种基于移动视角的猪的体重和膘情变化检测方法,用枪机拍摄肉猪俯视图并检测猪头尾关键点,根据猪头尾关键点坐标调用球机拍摄肉猪的后视图和侧视图,用猪身关键点检测网络检测猪身关键点,用猪轮廓语义分割网络检测肉猪轮廓,根据肉猪后视图、侧视图中肉猪身关键点和肉猪后视轮廓图、侧视图轮廓图优化肉猪标准三维模型,根据优化后的最优猪三维模型得出肉猪的膘情和体重,对每个肉猪的体重和生长速度进行统计,根据出栏效益公式得到肉猪的出栏效益。可实现无接触的肉猪体重和膘情检测,并进行出栏决策。
一种基于移动视角的猪的体重和膘情变化检测方法,其特征在于,包括以下步骤:
建立猪舍的BIM;
建立肉猪标准三维模型;
在猪舍顶部设置俯视的枪机,在猪舍周围设置轨道,在轨道上设置若干个可移动球机;
在BIM地面平面上建立二维轨道模型,通过球机的传感器获得每个球机在与轨道等高平面上的二维坐标,将球机的坐标信息输入BIM里,得到每个球机在BIM地面平面上的坐标;
以肉猪颈部上侧关键点和尾巴根部关键点连线的中点为根节点,根节点属于肉猪身关键点;
用顶部枪机采集肉猪俯视图,输入猪头尾关键点检测网络标注肉猪头尾关键点,输出肉猪头尾关键点热力图;
将肉猪头尾关键点热力图投影在BIM地面平面上并计算肉猪头尾关键点的二维坐标;
计算BIM地面平面上以肉猪头部关键点为端点经过肉猪尾部关键点的射线L1与轨道的交点B的坐标,选择到交点B路径最短的球机b移动到交点,令球机b水平转动,使球机光轴和L1平行,然后使肉猪尾关键点在球机b拍摄图像的中心,获得肉猪后视图;
计算BIM地面平面上过头尾关键点连线中点与头尾关键点连线垂直的线L2与轨道的交点A和A'的坐标,计算所有球机到A和A'点路径的距离,选择最小的路径距离并派对应的球机a按最短路径移动到A或A'点,令球机a水平转动,使球机光轴和L2平行,然后使肉猪头尾关键点连线的中点在球机a拍摄图像的中心,获得肉猪侧视图;
将肉猪的后视图和侧视图输入猪身关键点检测网络,检测肉猪身关键点,输出肉猪后视和侧视关键点热力图;
将肉猪的后视图和侧视图输入猪轮廓语义分割网络,检测属于肉猪的像素,输出肉猪的后视轮廓图和侧视轮廓图;
标注出肉猪标准三维模型上的关键点并将肉猪标准三维模型按侧视和后视角度投影在BIM地面平面上,得到标有关键点和根节点的肉猪标准三维模型侧视和后视重投影图;
使用优化算法调整肉猪标准三维模型参数,使肉猪标准三维模型侧视投影中根节点和肉猪侧视图中根节点对齐,根据肉猪侧视图关键点和肉猪侧视图轮廓优化肉猪标准三维模型,得到第一肉猪三维模型;
使用优化算法调整第一肉猪三维模型的参数,根据肉猪后视图关键点和肉猪后视图轮廓优化第一肉猪三维模型,得到肉猪最优三维模型;
计算肉猪最优三维模型的体长与臀宽的比例,得出肉猪最优三维模型对应的膘情等级;
把肉猪最优三维模型的体积和对应膘情等级肉猪的经验密度相乘得出肉猪的体重;
统计每一个肉猪个体每24小时的大量体重数据,把出现频率最高的体重数据作为肉猪当天的体重,计算肉猪当天的体重与前一天体重的差值得出肉猪从前一天到当天的体重增长量,将肉猪从前一天到当天的体重增长量与肉猪过去24小时内进食量的比值作为肉猪的生长速度;
以天为单位监测肉猪的体重、生长速度和膘情等级,根据出栏效益公式计算肉猪的出栏效益,出栏效益最大时即可出栏;
通过WebGIS技术结合信息交换模块将BIM里的信息可视化。
所述猪头尾关键点检测网络的训练方法包括:采用顶部枪机拍摄的肉猪俯视图作为数据集;标注肉猪头尾关键点对应像素的位置,使用高斯模糊,使标注处形成肉猪头尾关键点热斑,生成肉猪头尾关键点标注数据;采用肉猪均方误差损失函数进行猪头尾关键点检测网络的训练。
所述猪身关键点检测网络的训练方法包括:采用球机拍摄的肉猪侧视和后视图像作为数据集;对数据集进行标注,标注出肉猪侧视图中的尾巴根部、前后大腿根部、颈部上下两侧、颈部上侧和尾巴根部关键点连线的中点,并标注出肉猪后视图中尾巴根部、臀部左右两侧关键点对应像素的位置;使用高斯模糊,使标注处形成热斑,生成猪身关键点标注数据;采用均方误差损失函数进行猪身关键点检测网络的训练。
所述猪轮廓语义分割网络的训练方法包括:采用球机拍摄的肉猪侧视和后视图作为数据集;标注图像上所有属于肉猪的像素,生成肉猪轮廓标注数据;采用均方误差损失函数进行猪轮廓语义分割网络的训练。
所述使用优化算法调整肉猪标准三维模型参数的方法包括:肉猪标准三维模型的参数包含姿势参数和形态参数;优化算法可以使用遗传算法、蚁群算法、模拟退火算法。
以对齐肉猪标准三维模型侧视重投影图中根节点和肉猪的侧视图中的根节点为前提,先使用优化算法以肉猪标准三维模型的侧视关键点投影与肉猪侧视关键点热力图中对应关键点间欧氏距离最小为目标调整姿势参数,得到第一姿势参数;后优化算法以肉猪标准三维模型的侧视重投影图轮廓与肉猪的侧视轮廓图像素数量差值最小为目标调整形态参数,得到第一形态参数,输出第一肉猪三维模型。
使用优化算法调整第一肉猪三维模型的参数,先使用优化算法以第一肉猪三维模型的后视关键点投影与肉猪后视关键点热力图中对应关键点间欧氏距离最小为目标调整第一姿势参数,得到最优姿势参数;后优化算法以第一肉猪三维模型的后视重投影图轮廓与肉猪的后视轮廓图像素数量差值最小为目标调整第一形态参数,得到最优形态参数,输出肉猪最优三维模型。
所述出栏效益的计算公式为:C=α*W+β*P+S,其中C为出栏效益,W为肉猪体重,P为肉猪生长速度,S为膘情等级对应的参数,膘情等级越接近等级3,S越大,α、β分别为肉猪体重、生长速度的权重,出栏效益C越大,肉猪越适合出栏。
本发明和现有技术相比有如下有益效果:
(1)使用球机拍摄肉猪的后视图和侧视图,使用神经网络检测猪身关键点和肉猪后视侧视图检测中属于猪的像素,根据猪身关键点和肉猪后视侧视轮廓图优化肉猪标准三维模型,根据最优肉猪三维模型得出肉猪的膘情和体重,可实现无接触的肉猪膘情检测。
(2)通过枪机和球机的联动,获得猪身位于图像中心的肉猪正视和侧视图像,减少了图像筛选的工作量,并且正视和侧视图为弱透视图像,标出的猪身关键点可以更准确地调整肉猪标准三维模型。
(3)使用神经网络检测肉猪身关键点和肉猪后视侧视图中属于猪的像素,估计肉猪膘情,速度快、精度高,而且成本相对来说较低。
(4)利用WebGIS技术,将肉猪头尾关键点坐标、球机坐标、肉猪三维模型和肉猪的体重、生长速度、膘情等级、出栏效益等信息可视化,养殖人员可以直观地获取养殖场内肉猪的信息。
附图说明
图1为方法流程图。
图2为BIM地面平面上的肉猪头尾关键点、轨道模型和球机图。
图3为膘情等级图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
实施例一:
本发明的主要目的是实现基于神经网络的肉猪膘情检测,方法流程图如图1。
为了实现本发明的内容,首先需要建立猪舍的BIM。
BIM,即建筑信息模型,是以三维数字技术为基础,集成建筑工程项目各种相关信息的工程数据模型。它通过数字信息仿真模拟建筑物所具有的真实信息。建立BIM的方法为公知的,本发明不对建立BIM的方法进行限制。
BIM可以承载球机坐标、肉猪头尾关键点坐标、肉猪的三维模型和肉猪膘情等信息。
建立肉猪标准三维模型,方法是多样且公知的,本发明不对具体建立肉猪的三维模型的方法进行限制。本发明建立的肉猪标准三维模型为SMAL(线性动物模型),模型包含两种参数:形态参数shape和姿势参数pose。通过调节形态参数,可以改变模型的大小、胖瘦程度;通过调节姿势参数,可以改变模型的姿势。
在猪舍顶部设置俯视的枪机,在猪舍周围设置长方形轨道,在轨道上设置若干个可移动球机,如图2所示。本发明中主要是对球机光轴方向和球机位置进行调节,其中对球机光轴方向的调节主要是调节光轴的水平方向,所以轨道高度不应过高。在BIM地面平面上设置一个原点和过原点的x轴y轴,并建立二维轨道模型,轨道模型对应猪舍周围的轨道。通过球机的传感器获得每个球机在与轨道等高平面上的二维坐标,将每个球机的坐标信息输入BIM里,得到每个球机在BIM地面平面上的坐标,计算每个球机在BIM地面平面上的二维坐标。BIM地面平面上的猪舍图如图2所示。
训练猪头尾关键点检测网络,训练步骤为:
采用顶部枪机拍摄的若干张肉猪俯视图作为数据集;标注肉猪头尾关键点对应像素的位置,使用高斯模糊,使标注处形成肉猪头尾关键点热斑,生成肉猪头尾关键点标注数据;使用均方误差损失函数,随机梯度下降法进行猪头尾关键点检测网络的训练。
将枪机采集的肉猪俯视图输入训练好的猪头尾关键点检测网络,标注猪头尾关键点,输出肉猪头尾关键点热力图。
将肉猪头尾关键点热力图投影到BIM地面平面上。计算肉猪头尾关键点在BIM地面平面上的二维坐标。
利用单帧图像优化肉猪标准三维模型需要肉猪位于图像水平位置的中间,而且需要采集弱透视的图像。所以需要球机采集猪的侧视和后视图,并且让猪尾关键点位于肉猪后视图的中心,猪头尾关键点连线的中点位于肉猪侧视图的中心。
将猪头尾关键点连起来,并计算BIM地面平面上以肉猪头部关键点为端点且经过肉猪尾部关键点的射线L1与轨道的交点B的坐标、过头尾关键点连线中点与头尾关键点连线垂直的垂线L2与轨道的交点A和A′的坐标。
计算所有球机到B点路径的距离,选择到B点路径距离最短的球机b按最短路径移动到B点,令球机b转动,先进行转动使球机b的光轴和L1平行,然后进行竖直方向转动使肉猪尾关键点在球机b拍摄图像的中心,停止转动并令球机b拍摄肉猪后视图。
一个肉猪个体的肉猪标准三维模型只需要一张侧视图来进行后续的优化处理,所以计算所有球机到A和A′点路径的距离,选择最小的路径距离并派对应的球机a按最短路径移动到A或A′点,令球机a转动,先使球机a的光轴和L2平行,然后使肉猪头尾关键点连线的中点在球机a拍摄图像的中心时,停止转动并令球机a拍摄肉猪侧视图。
训练猪身关键点检测网络,训练步骤包括:
以颈部上侧关键点和尾巴根部关键点连线的中点为根节点,根节点在本发明中属于关键点;
采用若干张肉猪的侧视和后视图像作为数据集;标注出每个肉猪侧视图中的尾巴根部、前后大腿根部、颈部上下两侧、根节点这6种关键点对应像素的位置;标注出每个肉猪后视图中尾巴根部、臀部左右两侧3种关键点对应像素的位置;使用高斯模糊使标注处形成热斑,生成猪身关键点标注数据;采用均方误差损失函数,随机梯度下降法进行猪身关键点检测网络的训练。
训练猪轮廓语义分割网络,训练步骤包括:
采用若干个肉猪的侧视和后视图作为数据集;标签分为猪和背景两类,进行像素级分类,给图像中所有像素标注上对应标签;属于猪的像素,其标注值为1,属于背景的像素,其标注值为0;采用均方误差损失函数,随机梯度下降法进行猪轮廓语义分割网络的训练。
将肉猪的后视图和侧视图输入训练好的猪身关键点检测网络,输出标注有尾巴根部、前后大腿根部、颈部上下两侧、根节点这6种关键点的肉猪侧视关键点热力图和标注有尾巴根部、臀部左右两侧3种关键点的肉猪后视关键点热力图。
将肉猪的后视图和侧视图输入训练好的猪轮廓语义分割网络进行图像分割,将所有属于猪的像素标注出来,输出肉猪的后视轮廓图和侧视轮廓图。
将肉猪标准三维模型上尾巴根部、前后大腿根部、颈部上下两侧、臀部两侧和根节点这8种关键点标注出来,按照侧视和后视的角度对肉猪标准三维模型进行投影变换,重投影到BIM地面平面上,得到标有关键点的肉猪标准三维模型侧视和后视重投影图。
进行肉猪三维模型的优化,优化步骤如下:
将肉猪的后视和侧视关键点热力图、后视和侧视轮廓图投影到BIM地面平面上。
使肉猪标准三维模型侧视重投影图中根节点和肉猪侧视关键点热力图中的根节点对齐,而后以根节点对齐为约束,进行后续的优化过程。
优化算法是多样且公知的,本发明不对使用的优化算法进行限制,实施者可根据实际情况选择合适的优化算法。本发明可以使用遗传算法、蚁群算法、模拟退火算法进行优化运算。
以肉猪侧视关键点热力图中关键点和肉猪标准三维模型侧视重投影图中对应关键点之间欧氏距离最小为目标,用优化算法调整肉猪标准三维模型的姿势参数,得到第一姿势参数。
保持姿势参数不变,以肉猪标准三维模型的侧视重投影图轮廓与肉猪侧视轮廓图像素数量差值最小为目标,用优化算法调整肉猪标准三维模型的形态参数,得到第一形态参数,输出第一肉猪三维模型。
对第一肉猪三维模型继续进行优化,以肉猪后视关键点热力图中关键点和第一肉猪三维模型后视重投影图中对应关键点之间欧氏距离最小为目标,用优化算法调整第一肉猪三维模型的姿势参数,得到最优姿势参数。
保持姿势参数不变,以第一肉猪三维模型的后视重投影图轮廓与肉猪的后视轮廓图像素数量差值最小为目标,用优化算法调整第一肉猪三维模型的形态参数,得到最优形态参数,输出肉猪最优三维模型。
计算肉猪最优三维模型的体长与臀宽的比例,得出肉猪的膘情等级。
本发明利用肉猪的体长和臀宽的比例来判断其相应的膘情等级。改变肉猪标准三维模型的参数,人为对各种参数的肉猪三维模型标注膘情等级并记录对应的体长和臀宽的比例。统计出体长和臀宽的比例的四个阈值,将肉猪的膘情分为5个等级,对应膘情等级图如图3:
等级1:消瘦,骨骼明显外露。
等级2:瘦,骨骼稍外露。
等级3:理想,平压可感觉骨骼。
等级4:肥,平压不能感觉骨骼。
等级5:过肥,皮下脂肪厚。
可根据肉猪最优三维模型体长和臀宽的比例值所在范围判定肉猪的膘情等级。
根据肉猪最优三维模型可以获得猪的体积,再根据不同膘情等级肉猪的经验密度,可以获得肉猪的体重,对应计算公式为:W=V*ρ。
其中W为体重,V为肉猪最优三维模型的体积,ρ为对应膘情等级猪的经验密度。
以一个肉猪个体的体重数据记录为例:每10分钟对肉猪个体的体重数据进行一次记录,每24小时进行一次统计,把过去24小时内出现频率最高的体重数据作为该肉猪个体当天的体重,计算该肉猪个体当天的体重与前一天体重的差值得出该肉猪个体从前一天到当天的体重增长量,将该肉猪个体从前一天到当天的体重增长量与该肉猪个体过去24小时内进食量的比值作为肉猪的生长速度P。
本发明针对肉猪,设计了出栏效益计算公式:C=α*W+β*P+S。
其中C为出栏效益,W为肉猪体重,P为肉猪生长速度,S为膘情等级对应的参数,膘情等级越接近等级3,S越大。α、β分别为肉猪体重、生长速度的权重。出栏效益C越大,肉猪越适合出栏。
构建信息交换模块,信息交换模块是一种BIM的数据库的访问模块,其信息交换形式是多样且公知的,本发明不对信息交换模块的信息交换形式进行限制,实施者可根据具体情况选择合适的信息交换形式。可以选用RESTful(表现层状态转化)、MQ(消息中间件)作为信息交换形式。
采用BIM和计算机视觉相结合的形式,能有效的提高监管效率。利用WebGIS构建网站,对BIM里的信息进行可视化处理,将肉猪最优三维模型、肉猪体重、生长速度、膘情等级、出栏效益等数据上传,饲养人员可在Web上进行查看,可以直观地了解该每个肉猪的生长情况,来调整饲喂策略、决定出栏时机。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于移动视角的猪的体重和膘情变化检测方法,其特征在于,包括以下步骤:
建立猪舍的BIM;
建立肉猪标准三维模型;
在猪舍顶部设置俯视的枪机,在猪舍周围设置轨道,在轨道上设置若干个可移动球机;
在BIM地面平面上建立二维轨道模型,通过球机的传感器获得每个球机在与轨道等高平面上的二维坐标,将球机的坐标信息输入BIM里,得到每个球机在BIM地面平面上的坐标;
用顶部枪机采集肉猪俯视图,输入猪头尾关键点检测网络标注肉猪头尾关键点,输出肉猪头尾关键点热力图;
将肉猪头尾关键点热力图投影在BIM地面平面上并计算肉猪头尾关键点的二维坐标;
计算BIM地面平面上以肉猪头部关键点为端点且经过肉猪尾部关键点的射线L1与轨道的交点B的坐标,选择到交点B路径最短的球机b移动到交点,令球机b水平转动,使球机光轴和L1平行,然后使肉猪尾关键点在球机b拍摄图像的中心,获得肉猪后视图;
计算BIM地面平面上过头尾关键点连线中点与头尾关键点连线垂直的线L2与轨道的交点A和A′的坐标,计算所有球机到A和A′点路径的距离,选择最小的路径距离并派对应的球机a按最短路径移动到A或A′点,令球机a水平转动,使球机光轴和L2平行,然后使肉猪头尾关键点连线的中点在球机a拍摄图像的中心,获得肉猪侧视图;
以肉猪颈部上侧关键点和尾巴根部关键点连线的中点为根节点,根节点属于肉猪身关键点;
将肉猪的后视图和侧视图输入猪身关键点检测网络,检测肉猪身关键点,输出肉猪后视和侧视关键点热力图;
将肉猪的后视图和侧视图输入猪轮廓语义分割网络,检测属于肉猪的像素,输出肉猪的后视轮廓图和侧视轮廓图;
标注出肉猪标准三维模型上的关键点并将肉猪标准三维模型按侧视和后视角度投影在BIM地面平面上,得到标有关键点和根节点的肉猪标准三维模型侧视和后视重投影图;
使用优化算法调整肉猪标准三维模型参数,使肉猪标准三维模型侧视投影中根节点和肉猪侧视图中根节点对齐,根据肉猪侧视图关键点和肉猪侧视图轮廓优化肉猪标准三维模型,得到第一肉猪三维模型;
使用优化算法调整第一肉猪三维模型的参数,根据肉猪后视图关键点和肉猪后视图轮廓优化第一肉猪三维模型,得到肉猪最优三维模型;
计算肉猪最优三维模型的体长与臀宽的比例,得出肉猪最优三维模型对应的膘情等级;
把肉猪最优三维模型的体积和对应膘情等级肉猪的经验密度相乘得出肉猪的体重;
统计每一个肉猪个体每24小时的大量体重数据,把出现频率最高的体重数据作为肉猪当天的体重,计算肉猪当天的体重与前一天体重的差值得出肉猪从前一天到当天的体重增长量,将肉猪从前一天到当天的体重增长量与肉猪过去24小时内进食量的比值作为肉猪的生长速度;
以天为单位监测肉猪的体重、生长速度和膘情等级,根据出栏效益公式计算肉猪的出栏效益,出栏效益最大时即可出栏;
通过WebGIS技术结合信息交换模块将BIM里的信息可视化。
2.如权利要求1所述的方法,其特征在于,所述猪头尾关键点检测网络的训练方法包括:
采用顶部枪机拍摄的肉猪俯视图作为数据集;
标注肉猪头尾关键点对应像素的位置,使用高斯模糊,使标注处形成肉猪头尾关键点热斑,生成肉猪头尾关键点标注数据;
采用肉猪均方误差损失函数进行猪头尾关键点检测网络的训练。
3.如权利要求1所述的方法,其特征在于,所述猪身关键点检测网络的训练方法包括:
采用球机拍摄的肉猪侧视和后视图像作为数据集;
对数据集进行标注,标注出肉猪侧视图中的尾巴根部、前后大腿根部、颈部上下两侧、根节点,并标注出肉猪后视图中尾巴根部、臀部左右两侧关键点对应像素的位置;
使用高斯模糊,使标注处形成热斑,生成猪身关键点标注数据;
采用均方误差损失函数进行猪身关键点检测网络的训练。
4.如权利要求1所述的方法,其特征在于,所述猪轮廓语义分割网络的训练方法包括:
采用球机拍摄的肉猪侧视和后视图作为数据集;
标注图像上所有属于肉猪的像素,生成肉猪轮廓标注数据;
采用均方误差损失函数进行猪轮廓语义分割网络的训练。
5.如权利要求1所述的方法,其特征在于,所述使用优化算法调整肉猪标准三维模型参数的方法包括:
肉猪标准三维模型的参数包含姿势参数和形态参数;
优化算法可以使用遗传算法、蚁群算法、模拟退火算法;
以对齐肉猪标准三维模型侧视重投影图中根节点和肉猪的侧视图中的根节点为前提,先使用优化算法以肉猪标准三维模型的侧视关键点投影与肉猪侧视关键点热力图中对应关键点间欧氏距离最小为目标调整姿势参数,得到第一姿势参数;
后优化算法以肉猪标准三维模型的侧视重投影图轮廓与肉猪的侧视轮廓图像素数量差值最小为目标调整形态参数,得到第一形态参数,输出第一肉猪三维模型;
使用优化算法调整第一肉猪三维模型的参数,先使用优化算法以第一肉猪三维模型的后视关键点投影与肉猪后视关键点热力图中对应关键点间欧氏距离最小为目标调整第一姿势参数,得到最优姿势参数;
后优化算法以第一肉猪三维模型的后视重投影图轮廓与肉猪的后视轮廓图像素数量差值最小为目标调整第一形态参数,得到最优形态参数,输出肉猪最优三维模型。
6.如权利要求1所述的方法,其特征在于,所述出栏效益的计算公式为:C=α*W+β*P+S,其中C为出栏效益,W为肉猪体重,P为肉猪生长速度,S为膘情等级对应的参数,膘情等级越接近等级3,S越大,α、β分别为肉猪体重、生长速度的权重,出栏效益C越大,肉猪越适合出栏。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010883035.XA CN111898326A (zh) | 2020-08-28 | 2020-08-28 | 一种基于移动视角的猪的体重和膘情变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010883035.XA CN111898326A (zh) | 2020-08-28 | 2020-08-28 | 一种基于移动视角的猪的体重和膘情变化检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111898326A true CN111898326A (zh) | 2020-11-06 |
Family
ID=73224666
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010883035.XA Withdrawn CN111898326A (zh) | 2020-08-28 | 2020-08-28 | 一种基于移动视角的猪的体重和膘情变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111898326A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112712088A (zh) * | 2020-12-31 | 2021-04-27 | 洛阳语音云创新研究院 | 动物膘情检测方法、装置及计算机可读存储介质 |
-
2020
- 2020-08-28 CN CN202010883035.XA patent/CN111898326A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112712088A (zh) * | 2020-12-31 | 2021-04-27 | 洛阳语音云创新研究院 | 动物膘情检测方法、装置及计算机可读存储介质 |
CN112712088B (zh) * | 2020-12-31 | 2023-02-14 | 洛阳语音云创新研究院 | 动物膘情检测方法、装置及计算机可读存储介质 |
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 | |
Cang et al. | An intelligent pig weights estimate method based on deep learning in sow stall environments | |
WO2019232247A1 (en) | Biomass estimation in an aquaculture environment | |
WO2023060777A1 (zh) | 一种基于深度学习的猪只体尺体重估测方法 | |
CN109141248A (zh) | 基于图像的猪体重测算方法及系统 | |
CN110530477B (zh) | 后备母猪体重预估方法 | |
CN103190224B (zh) | 基于计算机视觉技术的玉米果穗考种方法、系统和装置 | |
CN109376728A (zh) | 一种基于多特征融合和bp神经网络的稻田杂草识别方法及其应用 | |
CN110490161B (zh) | 一种基于深度学习的圈养动物行为分析方法 | |
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 | |
CN109492535B (zh) | 一种计算机视觉的母猪哺乳行为识别方法 | |
CN107667904A (zh) | 基于物联网技术的生猪大数据系统 | |
CN110263794B (zh) | 基于数据增强的目标识别模型的训练方法 | |
CN111386075A (zh) | 牲畜测重系统及利用该系统的牲畜测重方法 | |
CN114255357A (zh) | 一种基于计算机视觉的群养生猪身份识别与健康监测方法 | |
CN116182736A (zh) | 基于双视角深度相机的羊只三维体尺参数自动检测装置及检测方法 | |
CN111898326A (zh) | 一种基于移动视角的猪的体重和膘情变化检测方法 | |
CN113222889B (zh) | 高分辨率图像下水产养殖物的工厂化养殖计数方法及装置 | |
CN113450315B (zh) | 棒材计数方法、装置及分钢系统 | |
CN110136192A (zh) | 一种基于深度学习和特征部位检测的牛体尺算法 | |
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 | |
CN108133184B (zh) | 一种基于分形理论和bp算法的鱼识别及疫苗注射方法 | |
CN118097709A (zh) | 一种猪只姿态估计方法及装置 | |
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 | |
Liu et al. | Estimation of weight and body measurement model for pigs based on back point cloud data |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20201106 |