CN112508890B - 一种基于二级评测模型的奶牛体脂率检测方法 - Google Patents
一种基于二级评测模型的奶牛体脂率检测方法 Download PDFInfo
- Publication number
- CN112508890B CN112508890B CN202011354641.9A CN202011354641A CN112508890B CN 112508890 B CN112508890 B CN 112508890B CN 202011354641 A CN202011354641 A CN 202011354641A CN 112508890 B CN112508890 B CN 112508890B
- Authority
- CN
- China
- Prior art keywords
- body fat
- cow
- fat
- model
- rich
- 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.)
- Active
Links
- 210000000577 adipose tissue Anatomy 0.000 title claims abstract description 195
- 235000013365 dairy product Nutrition 0.000 title claims abstract description 68
- 238000013210 evaluation model Methods 0.000 title claims abstract description 22
- 238000001514 detection method Methods 0.000 title claims abstract description 21
- 210000004003 subcutaneous fat Anatomy 0.000 claims abstract description 70
- 238000000034 method Methods 0.000 claims abstract description 52
- 238000011161 development Methods 0.000 claims abstract description 50
- 238000009825 accumulation Methods 0.000 claims abstract description 17
- 241000283690 Bos taurus Species 0.000 claims description 175
- 230000008569 process Effects 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 15
- 239000008267 milk Substances 0.000 claims description 12
- 235000013336 milk Nutrition 0.000 claims description 12
- 210000004080 milk Anatomy 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 10
- 210000003195 fascia Anatomy 0.000 claims description 7
- 210000000476 body water Anatomy 0.000 claims description 6
- 238000007920 subcutaneous administration Methods 0.000 claims description 6
- 210000000988 bone and bone Anatomy 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 210000003736 gastrointestinal content Anatomy 0.000 claims description 4
- 230000004060 metabolic process Effects 0.000 claims description 4
- 210000003205 muscle Anatomy 0.000 claims description 4
- 239000003153 chemical reaction reagent Substances 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 210000004304 subcutaneous tissue Anatomy 0.000 claims description 3
- 210000001015 abdomen Anatomy 0.000 abstract description 7
- 230000001066 destructive effect Effects 0.000 abstract description 2
- 230000018109 developmental process Effects 0.000 description 37
- 210000001624 hip Anatomy 0.000 description 20
- 238000012360 testing method Methods 0.000 description 10
- 238000011156 evaluation Methods 0.000 description 9
- 238000010276 construction Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000009466 transformation Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 210000000954 sacrococcygeal region Anatomy 0.000 description 3
- 238000013334 tissue model Methods 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 241000682719 Adina Species 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000009616 inductively coupled plasma Methods 0.000 description 2
- 230000006651 lactation Effects 0.000 description 2
- 210000003041 ligament Anatomy 0.000 description 2
- 150000002632 lipids Chemical class 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000009984 peri-natal effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013077 scoring method Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000037037 animal physiology Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000012010 growth Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 125000003473 lipid group Chemical group 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 210000001161 mammalian embryo Anatomy 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000000700 radioactive tracer Substances 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000001850 reproductive effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 229910052724 xenon Inorganic materials 0.000 description 1
- FHNFHKCVQCLJFQ-UHFFFAOYSA-N xenon atom Chemical compound [Xe] FHNFHKCVQCLJFQ-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明属于奶牛体脂检测技术领域,具体涉及一种基于二级评测模型的奶牛体脂率检测方法。该方法首先采集被测奶牛背腹部的深度图像,基于该深度图像构建奶牛背腹部的三维模型,利用三维模型定位体脂富积特定区域并提取代表性体表结构特征,并输入至对应的关联模型,得到各个体脂富积特定区域的皮下脂肪厚度,进而计算得到各个体脂富积特定区域的体脂发育程度,并代入至反演模型中,得到被测奶牛的体脂率。本发明无需对奶牛进行损坏性操作便可得到奶牛的体脂率,实现对奶牛体脂率的无接触检测。而且,构建的反演模型和关联模型能够体现出皮下脂肪厚度与体脂率的关系,提高了奶牛体脂率检测的准确性。
Description
技术领域
本发明属于奶牛体脂检测技术领域,具体涉及一种基于二级评测模型的奶牛体脂率检测方法。
背景技术
体脂含量是评价奶牛营养状态的重要指标,更是决定围产期生产性能及生理健康的关键因素。奶牛饲养过程中,75%的疾病发生在产后1个月内,且每年的经济损失超过6亿美元。因而围产期对奶牛能量负平衡的控制已成为决定奶牛产奶量、繁殖性能、利用年限等生产性能指标最重要的影响因素。奶牛能量负平衡的管理离不开对奶牛体脂含量的准确监测。然而,传统的人工体况评分方法存在耗时长、成本高、主观性强等问题,而现有自动评分系统的研究成果与实际应用相脱节,且精度和可靠性难以满足实际养殖管理的需求。
现有技术中常采用自动评分系统来利用采集的必要信息以对体况进行反向估计和预测,主要为基于“特征提取-模型分析”的评分方法和基于监督学习的“模式识别”方法。前者通过所构建的机器视觉系统来实现奶牛体表几何特征的检测,并以此建立特征值与人工评分值之间的回归模型。但其提取的体况特征仍为体表特定切面中的曲线、角度等平面特征,图像特征参数的有效性和鲁棒性仍需要进一步提高。后者依据所提取奶牛图像的目标区域来建立训练和测试数据集,并采用监督学习算法对数据集或特征进行训练,利用得到的模型对未知奶牛图像进行体况评分。但由于缺乏数理统计分析的支撑,无法对体脂富积过程和机制进行深入研究,难以验证图像信息与体脂含量之间的相关性,因此需对庞大数据集进行训练以寻找图像间的差异。当训练数据量较少时,该方法的精度较低。因此,无论是特征提取建模还是基于图像的监督学习方法,RGB图像都已逐渐退出历史的舞台。
发明内容
本发明提供了一种基于二级评测模型的奶牛体脂率检测方法,用以解决现有技术中利用 RGB图像进行奶牛体脂率检测造成的检测精度低的问题。
为解决上述技术问题,本发明的技术方案包括:
本发明提供了一种基于二级评测模型的奶牛体脂率检测方法,包括如下步骤:
1)采集被测奶牛背腹部的深度图像;
2)利用采集的背腹部的深度图像,构建奶牛背腹部的三维模型;
3)根据奶牛背腹部的三维模型,定位对奶牛体脂率贡献较大的体脂富积特定区域;
4)提取各个体脂富积特定区域的代表性体表结构特征,所述代表性体表结构特征包括点特征、局部特征和全局特征中的至少一种;
5)将提取的各个体脂富积特定区域的代表性体表结构特征输入至构建的各个体脂富积特定区域所对应的关联模型中,得到各个体脂富积特定区域的皮下脂肪厚度;一个体脂富积特定区域对应一个关联模型;所述关联模型利用已测奶牛的体脂富积特定区域的代表性体表结构特征以及该体脂富积特定区域的实测皮下脂肪厚度进行训练得到;
6)根据各个体脂富积特定区域的皮下脂肪厚度,计算得到各个体脂富积特定区域的体脂发育程度;
7)将各个体脂富积特定区域的体脂发育程度输入至构建的反演模型中,得到被测奶牛的体脂率;所述反演模型利用已测奶牛的实测体脂率以及已测奶牛的各个体脂富积特定区域的实测体脂发育程度进行训练得到。
上述技术方案的有益效果为:本发明在构建得到反演模型和关联模型后,其中反演模型体现的是各个体脂富积特定区域的体脂发育程度和体脂率之间的关系,且一个体脂富积特定区域对应一个关联模型,一个关联模型体现的是一个体脂富积特定区域的代表性体表结构特征和皮下脂肪厚度之间的关系,便可利用奶牛背腹部的深度图像并结合反演模型和关联模型得到奶牛的体脂率,无需对奶牛进行损坏性操作且不妨碍奶牛正常生活的情况便可得到奶牛的体脂率,实现对奶牛体脂率的无接触检测,提高了奶牛体脂率检测的效率。而且,构建的反演模型和关联模型能够体现出皮下脂肪厚度与体脂率的关系,提高了奶牛体脂率检测的准确性。
进一步的,步骤7)中,所述反演模型为多元回归模型,构建的反演模型为:
BFP=μ+w1×d1+w2×d2+w3×d3+…+wn×dn+ε
其中,μ为奶牛代谢所需的基本体脂保有量;d1,d2,d3,…,dn为各个体脂富积特定区域的体脂发育程度;ε为随机误差,w1,w2,w3,...,wn为各个体脂富积特定区域的皮下脂肪厚度对体脂率的贡献率。
进一步的,步骤5)中,所述关联模型为高斯过程回归模型。
进一步的,步骤6)中,所述体脂发育程度为:
其中,d为体脂发育程度;tf为体脂发育总周期;y为皮下脂肪厚度;l-1为Logistic模型的反函数,且Logistic模型为:
其中,t为体脂发育时间,单位为天;k为体脂厚度的极限值;a和b为拟合参数。
进一步的,所述点特征包括表面法线和曲率中的至少一种,所述局部特征包括3D形状内容描述子、快速点特征直方图、RSD特征和SHOT特征中的至少一种,所述全局特征包括视点特征直方图和GFPFH中的至少一种。
进一步的,所述已测奶牛的实测体脂率采用以下方法得到:
对奶牛进行同位素试剂注射,测定奶牛的空体水量EBW和总体水量TBW;
根据下式,计算奶牛的体脂率:
BF=BW-(TBW+EBP+EBA+GIDM+FEDM)
BFP=BF/BW
其中,BW为奶牛体重;TBW为奶牛总体水量;EBP为体蛋白质含量,和体骨质量EBA与空体水量EBW呈比例关系;EBA为体骨质量;GIDM为胃肠容纳物干质量;FEDM为胚胎干物质量,未妊娠的奶牛为0。
进一步的,所述已测奶牛的各个体脂富积特定区域的实测体脂发育程度利用下式计算得到:
其中,d为体脂发育程度;tf为体脂发育总周期;y为皮下脂肪厚度;l-1为Logistic模型的反函数,且Logistic模型为:
其中,t为体脂发育时间,单位为天;k为皮下脂肪厚度的极限值;a和b为拟合参数;
且采用B超仪对奶牛的各个体脂富积特定区域进行扫描,根据扫描图像确定奶牛皮肤层以及皮下的浅层筋膜、深层筋膜和肌肉组织;将各个体脂富积特定区域的深层筋膜深度值减去奶牛皮肤层的厚度,得到各个体脂富积特定区域的实测皮下脂肪厚度。
进一步的,步骤3)中,利用构建的PointNet++网络模型,以根据奶牛背腹部的三维模型定位对奶牛体脂率贡献较大的体脂富积特定区域;所述PointNet++网络模型利用已测奶牛的背腹部的三维模型和已确定的体脂富积特定区域进行训练得到。
进一步的,所述体脂富积特定区域包括背、髋角、臀角和骶角区域中的至少一个区域。
附图说明
图1是本发明的构建“体脂率二级评测模型”的整体流程图;
图2是本发明的奶牛皮下脂富积特性及反演模型构建的流程图;
图3是本发明的奶牛皮下脂肪测量点示意图;
图4是本发明的皮下脂肪富积特性研究的流程图;
图5是本发明的多角度深度相机图像采集系统的示意图;
图6是本发明的奶牛三维模型重构的流程图;
图7是本发明的PointNet++网络模型的构建过程的流程图;
图8是本发明的基于二级评测模型的奶牛体脂率检测方法的整体流程图。
具体实施方式
本发明的基本构思为:本发明构建了两类模型,分别为各个体脂富积特定区域的体脂发育程度与体脂率间的反演模型、以及代表性体表结构特征组合与皮下脂肪厚度之间的关联模型,且关联模型为多个,与体脂富积特定区域的数量相同。在得到奶牛的深度图像之后便可构建得到奶牛背腹部的三维模型,利用该三维模型便可提取体脂富积特定区域以及各个体脂富积特定区域的代表性体表结构特征,将这些特征代入对应的关联模型中,可计算得到各个体脂富积特定区域的皮下脂肪厚度;根据每个体脂富积特定区域的皮下脂肪厚度可得到每个体脂富积特定区域的体脂发育程度,并输入至构建的反演模型后可得到奶牛的体脂率。
下面结合附图,对本发明的一种基于二级评测模型的奶牛体脂率检测方法进行详细说明。
步骤一,构建各个体脂富积特定区域的体脂发育程度与体脂率间的反演模型,其整个过程如图2所示。该过程结合超声波成像、动物生理学检测、统计分析法,为奶牛体脂含量准确、高效地间接评测提供理论依据和数据支撑,该过程的主要目的是探明影响反演模型精度的外部因素(影响奶牛体脂率的身体区域)有哪些、以及影响程度为多少。具体过程如下:
1、测定奶牛的皮下脂肪厚度和体脂率。
使用便携式兽用B超仪,对奶牛背部区域关键皮下脂肪富积区进行扫描。通过观测B超仪屏幕上的图像,判断奶牛皮肤层以及皮下的浅层筋膜、深层筋膜和肌肉组织。皮下脂肪填充于皮肤与深层筋膜之间,故皮下脂肪厚度为深层筋膜深度值减去奶牛皮肤层的厚度,从而便可得到奶牛不同区域的皮下脂肪厚度。
以泌乳初期未受精奶牛为实验对象,采用同位素(氙)示踪法测定奶牛空体水量(Empty body water,EBW)和总体水量(total body water,TBW)。然后根据下述公式计算奶牛体脂率 (Body fat percentage,BFP):
BF=BW-(TBW+EBP+EBA+GIDM+FEDM) (1)
BFP=BF/BW (2)
其中,BW为奶牛体重,kg;TBW为奶牛总体水量,kg;EBP为体蛋白质含量,kg;EBA为体骨质量,kg;GIDM为胃肠容纳物干质量,kg;FEDM为胚胎干物质量,kg。
相关研究已证明,EBP和EBA与EBW呈比例关系,对于泌乳初期的奶牛比例系数分别为3.68和12.9。由于奶牛未妊娠,因此FEDM为0。奶牛在接受同位素试剂注入前停止喂食 24小时以上,以排空胃肠容纳物,因此GIDM也为0。
2、皮下脂肪富积特征研究,整个过程如图4所示。
1)确定奶牛分布特征,从而确定对奶牛体脂率贡献程度较高的体脂富积特定区域。
选取体况评分值在2到4之间的奶牛,评分间隔0.25,每个得分下的奶牛有n头(n≥30)。使用手持式超声波成像仪对奶牛的背、腰、尻、臀等重点区域进行扫描,超声波扫描点如图 3所示。其中,图3中的a~g点分别为:a为背部区域中心点,b为骶骨韧带与脊柱交点,c为尻部区域中间点,d为后肋中间点,e为腰角最高点,f为髋角最外点,g为臀角最高点。对超声波图像进行人工检视,按照“1、测定奶牛的皮下脂肪厚度和体脂率”节介绍的方法对奶牛各区域的皮下脂肪厚度和体脂率进行测量。
首先对各区域的皮下脂肪厚度进行方差齐次检验,然后进行单因素方差分析,以判定不同富积区之间皮下脂肪厚度均值是否存在显著差异。分别计算不同富积区皮下脂肪厚度与体脂率之间的Pearson相关系数和距离相关系数,采用最优子集和逐步回归的方法确定奶牛身体各区域的皮下脂肪厚度对奶牛体脂率的贡献程度,从中挑选得到体脂富积特定区域。
2)确定奶牛发育特征,从而确定奶牛的体脂发育程度。
首先选择体况评分值为2.25分以下的干奶期奶牛n头(n≥30),此时作为体脂发育的初始状态(t=0)。
然后提高奶牛日粮中能量占比,使其处于能量正平衡状态。每天在固定时间对已探明的体脂富积特定区域进行皮下脂肪厚度测量,直到连续两次测量结果的差值小于某一阈值,说明皮下脂肪富积接近饱和。采用式(3)Logistic模型对脂肪富积的过程进行拟合,得到每个体脂富积特定区域的体脂发育特性曲线。
其中,y为所测物质增长量(皮下脂肪厚度),mm;t为体脂发育时间,天;k为体脂厚度的极限值;a和b为拟合参数。
随着体脂的富积,皮下脂肪厚度y将逐渐接近于k。假设y达到0.95倍k时,认为此时体脂富积接近饱和,从而得到体脂发育总周期tf。则对于任意皮下脂肪厚度y,其对应的体脂发育程度由式(4)给出:
其中,l-1为Logistic模型的反函数;d为体脂发育程度。
3)依据奶牛的三维模型,从而确定各体脂富积特定区域的边界条件(特征)。
基于奶牛骨架的解剖学特性,并结合奶牛超声波图像数据,创建富积区奶牛骨骼以及肌肉、脂肪、皮肤等生物组织的三维模型;根据生物组织物理特性(包括密度、流变特性、黏附特性、拉伸特性等),建立生物力学模型。结合使用Simpleware和ADINA软件构建高生物仿真度的有限元模型,其中Simpleware用于三维模型的网格划分,生成ADINA结构和流体模型,ADINA用于非线性力学计算和流固耦合求解。通过调节生物组织模型中皮下脂肪的厚度,研究体表皮肤三维曲面的变化规律。使用Meshlab软件对曲面进行分析,计算曲面的基本结构特征,探明反映皮下脂肪厚度的显著性参数和富积区的边界条件。
3、构建各个体脂富积特定区域的皮下体脂发育程度与体脂率间的反演模型。
结合奶牛体脂率的发育和发展过程可知,皮下脂肪是在一定基础上分区域进行积累的。假定奶牛体内脂肪存在一个基础的代谢最低值,当奶牛处于正能量平衡期时,将多余的能量转化为脂肪,存储于皮下脂肪重点富积区(腰角、髋角、臀角、骶骨韧带等区域),且各区域对体脂总含量的贡献率不同。根据上述假设,提出的反演模型采用体脂多元回归模型表示,其形式如式(5)所示:
BFP=μ+w1×d1+w2×d2+w3×d3+…+wn×dn+ε (5)
其中,μ为奶牛代谢所需的基本体脂保有量;w1,w2,w3,…,wn为各个体脂富积特定区域的皮下脂肪厚度对体脂率的贡献率;d1,d2,d3,…,dn为由式(4)计算得到的各个体脂富积特定区域的体脂发育程度;ε为随机误差。
也即,对于选取的奶牛,通过利用“1、测定奶牛的皮下脂肪厚度和体脂率”节内容测定的奶牛的体脂率、以及利用“2、皮下脂肪富积特征研究”节内容测定的各个体脂富积特定区域的体脂发育程度,可求解得到公式(5)中的未知参数,包括贡献率w1,w2,w3,…,wn、以及随机误差ε。
通过设计正交试验,构建不同组合下的体脂多元回归模型,比较不同模型间的精度差异,探明影响反演模型的关键因素,以回归结果的误差作为评价指标,研究各影响因素的组合对体脂率综合评测模型的影响程度。根据各因素对反演模型的影响规律,计算脂肪厚度值修正系数,改善回归模型精度,降低个体因素对模型的影响。从而最终得到精度最高的体脂多元回归模型为构建的皮下脂肪厚度与体脂率间的反演模型。
步骤二,构建各个体脂富积特定区域的代表性体表结构特征与对应的皮下脂肪厚度之间的关联模型。该过程基于三维模型重构和生物组织建模仿真分析,利用深度学习技术构建代表性体表结构特征与皮下脂肪厚度间的关联模型,以实现皮下脂肪厚度的无接触测量。具体过程如下:
1、多角度深度图像采集系统的数据采集。
构建如图5所示的多角度深度相机图像采集系统,设置三个深度相机对奶牛背腹部的主要体脂富积区域进行深度图像的采集。该多角度深度图像采集系统一般设置在挤奶厅出口通道处,该通道宽度一次仅容一头奶牛通过。由于相机含有深度传感器(图5中的触发传感器),因此可依据其深度通道监控其前景运动来实现图像的触发收集,也即当奶牛移动到比地面距离相机更近的距离时将触发相机进行深度图像采集工作。通过在相邻深度传感器视场内摆放圆锥靶标标定两者局部坐标系的空间变换关系,实现多深度传感器坐标的全局变换与统一。
以多深度传感器的全局标定为例,假定奶牛三维信息获取系统共有N个深度相机且局部坐标系分别为(c1,c2,…,cn),令局部坐标系C1作为世界坐标系W、相邻深度传感器局部坐标系的转换关系分别为R(i+1)i、t(i+1)i,则有:
其中,(xc(i+1),yc(i+1),zc(i+1))为传感器i+1的点云坐标在局部坐标系Ci+1下的三维表示; (xci,yci,zci)为传感器i+1的点云坐标经变换后在局部坐标系Ci下的三维表示。
因此,基于上述递推关系可得,任一传感器i测量得到的点云空间坐标经过前面的i-1个层层关联的转换矩阵均可变换得到传感器1的坐标系统,变换方式如下:
将相邻两个深度相机采集的多个不同大小的圆锥靶标深度图像转换为点云数据,使用三维特征点匹配算法计算两个深度相机之间的全局坐标变换矩阵。然后可根据式(7)将同步获取的多视角点云数据变换至同一坐标系下(即指定的世界坐标系),实现不同来源的奶牛三维点云数据的融合。
2、奶牛三维模型重构,其整体流程如图6所示。
对变换至同一坐标系下的不同视角的点云数据进行两两配准、融合以得到完整、清晰、可靠的奶牛背腹部三维模型。步骤如下:
1)预处理。采用数据清洗技术和符合点云特性的滤波方式剔除点云中的无效点、噪声点、以及离群点,并通过基于点或特征的精简算法实现降采样。
2)粗配准。采用特征提取算法获取特征点,利用其特征向量与随机采样一致性方法筛选特征点对,并完成基于点对的粗配准,得到初始配准参数。
3)精配准。依据初始配准参数结合ICP配准算法实现原始点云的精配准,并以Kd-Tree 加速搜索对应点对,提高配准效率。
4)点云融合。采用栅栏法和K-D树法检测配准后点云的重叠区域,并通过删除同名点对和移动最小二乘法实现冗余数据的融合。其流程图如图6所示。
3、奶牛的体脂富积特定区域的自动定位。
对于构建的奶牛背腹区域的三维模型,拟使用PointNet++网络来实现关键脂肪富积区的自动定位。PointNet++网络是一种以点云数据为输入的有监督深度学习模型,需构建训练和测试数据库。
1)训练数据获取。使用区域分割方法,从三维模型中提取训练数据。首先,通过人机交互在奶牛三维模型中人工选取区域分割的种子点云。然后,采用基于点曲率、法线等几何特征的区域生长法寻找区域边界,并以Kd-Tree建立点拓扑关系,加快邻域搜索。通过实验测试并结合皮下脂肪的结构特征,确定区域增长的边界条件。最终得到各体脂富积区的局部点云及对应类别的配对数据。
2)PointNet++网络模型构建。基于PointNet++网络的体脂富积区分割与识别模型的架构主要有:set abstraction层、分割网络、分类网络。其中set abstraction层通过对原始点云采样、汇聚来建立以采样点为中心的局部区域,并提取局部点云结构特征。通过重复堆叠局部特征提取模块set abstraction,使得网络具有获取全局特征信息的能力;分割网络使用反卷积层对局部特征和全局特征进行融合,然后将稀疏采样点扩展到原始规模,通过多层感知机实现点云数据的分割;分类网络将分割后的点云子集传入两个全连接层实现类别判定。
最终使用获取的样本数据集对构建的PointNet++网络进行训练和测试,并调整参数以提高自动分割的准确率。PointNet++网络模型的构建过程和原理如图7所示。
4、构建体脂富积特定区域的三维结构特征。
奶牛皮下脂肪富积程度会影响其外在三维结构,因而需要构建能够客观描述皮下脂肪富积量(厚度)的三维结构特征描述子。通过分析不同富积区在不同脂肪厚度时的三维结构特点,构建基于点、线、面的多维度三维结构综合描述特征体系。主要包括点特征(表面法线、曲率等)、局部特征(3D形状内容描述子、快速点特征直方图、RSD特征、SHOT特征等)、全局特征(视点特征直方图、GFPFH等)等。研究同一富积区各结构特征之间的相关性,计算结构特征的变异系数,采用逐步回归方法,逐个分析三维结构特征对于皮下脂肪厚度变化的显著性,筛选出每个体脂富积特定区域的代表性体表结构特征组合。
例如,对于背,其代表性体表结构特征包括表面法线、3D形状内容描述子和RSD特征;对于髋角,其代表性体表结构特征包括曲率、快速点特征直方图、RSD特征和GFPFH;等等。需说明的是,这只是举例,具体每个体脂富积特定区域所对应的代表性体表结构特征包括哪些特征需要进行实验测算得到。
5、构建各个体脂富积特定区域的体表性体表结构特征与皮下脂肪厚度之间的关联模型。
考虑到代表性体表结构特征与皮下脂肪厚度之间可能存在非线性映射关系,因此采用高斯过程回归模型(Gaussian Process Regression,GPR)来构建各个体脂富积特定区域的代表性体表结构特征与皮下脂肪厚度之间的关联模型。高斯过程回归是使用高斯过程先验对数据进行回归分析的非参数模型。其构建过程如下:
1)确定训练数据和测试数据(可使用构建的生物组织模型生成大量样本);
2)根据训练数据的特征,选择合适的均值函数和协方差函数,并设定超参数的初始值,确定先验分布;
3)输入训练数据,将先验模型转化成后验模型,同时对核函数的超参数进行优化;
4)利用回归预测模型对输入的测试数据进行预测,即得到具有不确定性表达能力的均值及协方差。
最终构建得到的关联模型如下:
yk=fk(c1,c2,……,cm) (8)
其中,yk表示第k个体脂富积特定区域的皮下脂肪厚度;m为第k个体脂富积特定区域的代表性体表结构特征数量;c1,c2,……,cm为第k个体脂富积特定区域的代表性体表结构特征;fk为第k个体脂富积特定区域的代表性体表结构特征与其皮下脂肪厚度之间的关系。
步骤三,将步骤一构建的“反演模型”以及步骤二构建的“关联模型”相联合,构建得到“体脂率二级评测模型”。构建好“体脂率二级评测模型”后,便可实现对奶牛体脂率的无接触检测。
步骤四,对构建的“体脂率二级评测模型”进行模型鲁棒性测试与分析。
使用大量数据对模型进行大规模深度测试,参与测试的奶牛数量n≥1000头,模型构建过程中使用的奶牛均排除在外。使用体脂反演“金标准”(也即步骤一中的实测体脂率)作为基准值,计算评测结果与基准值之间的平均误差、最大误差、误差变异系数等,研究误差的分布规律特点,对评测结果进行修正,降低平均误差。构建评测值与标准值之间的线性回归模型,对模型精度进行综合评价。对其中的100头奶牛进行为期2个月的连续评测(泌乳前后各一个月,每周评测一次),验证评测模型对体脂含量快速变化的跟踪性能。横向对比不同奶牛的平均评测误差,研究模型对奶牛个体的鲁棒性。分析奶牛个体骨架结构差异对评测精度的影响程度,探明误差传递的机制,对体脂特征参数的提取过程进行优化。
步骤五,开发智能评测系统。
在上述奶牛体脂评测关键技术研究基础上,基于PCL库开发奶牛三维模型重构、体脂富积区自动定位、结构特征提取等可执行程序模块;结合多线程并行计算技术,提高深度学习模型的运算效率;搭建远程虚拟主机,采用云计算技术,降低牧场端计算机的运算量和硬件成本;最终集成开发支持多平台的奶牛体脂无接触智能评测软件系统。整个过程如图1所示。
步骤六,利用开发的奶牛体脂无接触智能评测软件系统,对奶牛体脂率进行检测。具体过程如图8所示:
在奶牛经过如图5所示的挤奶厅出口通道时,利用深度相机采集的深度图像,并将采集的深度图像输入至开发的奶牛体脂无接触智能评测软件系统中,该系统再结合步骤一至步骤三构建的“体脂率二级评测模型”,对奶牛的体脂率进行检测。具体过程如下:
1、深度相机中的深度传感器检测到有奶牛经过,触发三个深度相机对奶牛背腹部的体脂富积区域进行深度图像采集,并进行点云数据的融合处理也即坐标变换与统一。
2、对于融合处理后的奶牛体表点云,利用步骤二的“2、奶牛三维模型重构”节内容,构建奶牛背腹部三维模型。
3、依据奶牛背腹部三维模型,利用构建的PointNet++网络模型,对奶牛的体脂富积特定区域进行自动定位。
4、提取各个体脂富积特定区域的代表性体表结构特征,并输入至对应的关联模型中,得到各个体脂富积特定区域的皮下脂肪厚度。
5、利用得到的各个体脂富积特定区域的皮下脂肪厚度,代入式(4),得到各个体脂富积特定区域的体脂发育程度。
6、将各个体脂富积特定区域的皮下体脂发育程度输入至构建的反演模型中,得到被测奶牛的体脂率。
下面举一个具体的实例来对该方法进行进一步的说明。假定本实例中利用大量数据测定发现,体脂富积特定区域包括背、髋角、臀角和骶骨区域,背所对应的代表性体表结构特征包括表面法线c11、3D形状内容描述子c12和RSD特征c13,髋角所对应的代表性体表结构特征包括曲率c21、快速点特征直方图c22、RSD特征c23和GFPFHc24,臀角对应的代表性体表结构特征包括曲率c31、SHOT特征c32和视点特征直方图特征c33,骶骨对应的代表性体表结构特征包括表面法线c41、RSD特征c42和GFPFH c43。相应构建的关联模型分别为: y1=f1(c11,c12,c13)、y2=f2(c21,c22,c23,c24)、y3=f3(c31,c32,c33)、y4=f4(c41,c42,c43),y1,y2,y3,y4分别为背、髋角、臀角和骶骨区域的皮下脂肪厚度,相应构建的反演模型为 BFP=μ+w1×d1+w2×d2+w3×d3+w4×d4+ε,d1,d2,d3,d4分别为背、髋角、臀角和骶骨区域的体脂发育程度。具体过程如下:
1、深度相机中的深度传感器检测到有奶牛经过,触发三个深度相机对奶牛背腹部的体脂富积区域进行深度图像采集。
2、利用得到奶牛的深度图像,依据步骤二的“2、奶牛三维模型重构”节内容,构建奶牛背腹部三维模型。
3、根据奶牛背腹部三维模型,利用构建的PointNet++网络模型,对奶牛的体脂富积特定区域进行自动定位。
4、对于一个体脂富积特定区域,例如髋角,提取髋角的代表性体表结构特征,包括曲率 c21、快速点特征直方图c22、RSD特征c23和GFPFHc24,输入至髋角所对应的关联模型f2,以得到髋角的皮下脂肪厚度y2。对于其他的体脂富积特定区域,可按照此方法得到其体脂富积特定区域的皮下脂肪厚度,即最终得到背、臀角和骶骨的皮下脂肪厚度分别为y1、y3和y4。
5、利用得到的各个体脂富积特定区域的皮下脂肪厚度,包括y1、y2、y3和y4,代入式(4),得到各个体脂富积特定区域的体脂发育程度即背、髋角、臀角和骶域对应的体脂发育程度分别为d1、d2、d3、d4。
6、将得到的各个体脂富积特定区域的体脂发育程度输入至 BFP=μ+w1×d1+w2×d2+w3×d3+w4×d4+ε中,可得到该奶牛的体脂率。
本发明利用奶牛背腹部的深度图像,以及构建的反演模型和关联模型,对奶牛的体脂率进行无接触检测,提高了奶牛检测的准确性和效率。
Claims (7)
1.一种基于二级评测模型的奶牛体脂率检测方法,其特征在于,包括如下步骤:
1)采集被测奶牛背腹部的深度图像;
2)利用采集的背腹部的深度图像,构建奶牛背腹部的三维模型;
3)根据奶牛背腹部的三维模型,定位对奶牛体脂率贡献较大的体脂富积特定区域;
4)提取各个体脂富积特定区域的代表性体表结构特征,所述代表性体表结构特征包括点特征、局部特征和全局特征中的至少一种;所述点特征包括表面法线和曲率中的至少一种,所述局部特征包括3D形状内容描述子、快速点特征直方图、RSD特征和SHOT特征中的至少一种,所述全局特征包括视点特征直方图和GFPFH中的至少一种;
5)将提取的各个体脂富积特定区域的代表性体表结构特征输入至构建的各个体脂富积特定区域所对应的关联模型中,得到各个体脂富积特定区域的皮下脂肪厚度;一个体脂富积特定区域对应一个关联模型;所述关联模型利用已测奶牛的体脂富积特定区域的代表性体表结构特征以及该体脂富积特定区域的实测皮下脂肪厚度进行训练得到;
6)根据各个体脂富积特定区域的皮下脂肪厚度,利用计算得到各个体脂富积特定区域的体脂发育程度;其中,d为体脂发育程度;tf为体脂发育总周期;y为皮下脂肪厚度;l-1为Logistic模型的反函数;所述Logistic模型为其中,t为体脂发育时间,单位为天;k为皮下脂肪厚度的极限值;a和b为拟合参数;
7)将各个体脂富积特定区域的体脂发育程度输入至构建的反演模型中,得到被测奶牛的体脂率;所述反演模型利用已测奶牛的实测体脂率以及已测奶牛的各个体脂富积特定区域的实测体脂发育程度进行训练得到。
2.根据权利要求1所述的基于二级评测模型的奶牛体脂率检测方法,其特征在于,步骤7)中,所述反演模型为多元回归模型,构建的反演模型为:
BFP=μ+w1×d1+w2×d2+w3×d3+...+wn×dn+ε
其中,μ为奶牛代谢所需的基本体脂保有量;d1,d2,d3,...,dn为各个体脂富积特定区域的体脂发育程度;ε为随机误差,w1,w2,w3,...,wn为各个体脂富积特定区域的皮下脂肪厚度对体脂率的贡献率。
3.根据权利要求1所述的基于二级评测模型的奶牛体脂率检测方法,其特征在于,步骤5)中,所述关联模型为高斯过程回归模型。
4.根据权利要求2所述的基于二级评测模型的奶牛体脂率检测方法,其特征在于,所述已测奶牛的实测体脂率采用以下方法得到:
对奶牛进行同位素试剂注射,测定奶牛的空体水量EBW和总体水量TBW;
根据下式,计算奶牛的体脂率:
BF=BW-(TBW+EBP+EBA+GIDM+FEDM)
BFP=BF/BW
其中,BW为奶牛体重;TBW为奶牛总体水量;EBP为体蛋白质含量,和体骨质量EBA与空体水量EBW呈比例关系;EBA为体骨质量;GIDM为胃肠容纳物干质量;FEDM为胚胎干物质量,未妊娠的奶牛为0。
6.根据权利要求1所述的基于二级评测模型的奶牛体脂率检测方法,其特征在于,步骤3)中,利用构建的PointNet++网络模型,以根据奶牛背腹部的三维模型定位对奶牛体脂率贡献较大的体脂富积特定区域;所述PointNet++网络模型利用已测奶牛的背腹部的三维模型和已确定的体脂富积特定区域进行训练得到。
7.根据权利要求1所述的基于二级评测模型的奶牛体脂率检测方法,其特征在于,所述体脂富积特定区域包括背、髋角、臀角和骶角区域中的至少一个区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011354641.9A CN112508890B (zh) | 2020-11-26 | 2020-11-26 | 一种基于二级评测模型的奶牛体脂率检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011354641.9A CN112508890B (zh) | 2020-11-26 | 2020-11-26 | 一种基于二级评测模型的奶牛体脂率检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112508890A CN112508890A (zh) | 2021-03-16 |
CN112508890B true CN112508890B (zh) | 2022-12-09 |
Family
ID=74966630
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011354641.9A Active CN112508890B (zh) | 2020-11-26 | 2020-11-26 | 一种基于二级评测模型的奶牛体脂率检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112508890B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113096178A (zh) * | 2021-04-25 | 2021-07-09 | 中国农业大学 | 猪只体重的估测方法、装置、设备和存储介质 |
CN113470106B (zh) * | 2021-07-14 | 2022-12-02 | 河南科技大学 | 一种无接触式奶牛体尺信息采集方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106361268A (zh) * | 2015-07-20 | 2017-02-01 | Lg电子株式会社 | 移动终端及其控制方法 |
CN109035229A (zh) * | 2018-07-18 | 2018-12-18 | 河南牧业经济学院 | 一种基于傅里叶描述子的奶牛体况自动评价方法 |
JP2018198800A (ja) * | 2017-05-26 | 2018-12-20 | 花王株式会社 | 体脂肪量推定方法 |
CN110264464A (zh) * | 2019-06-26 | 2019-09-20 | 西北农林科技大学 | 一种肉牛肌内脂肪含量预测模型、其构建方法及应用 |
CN110400310A (zh) * | 2019-07-31 | 2019-11-01 | 宁夏金宇智慧科技有限公司 | 一种奶牛体况自动评分系统 |
CN110569735A (zh) * | 2019-08-13 | 2019-12-13 | 中国农业大学 | 一种基于奶牛背部体况的分析方法及装置 |
CN111345822A (zh) * | 2020-04-12 | 2020-06-30 | 有形儿科技(北京)有限公司 | 一种3d模型与体重及体成份测量结合的人体尺寸测量和分析系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8135179B2 (en) * | 2008-05-05 | 2012-03-13 | Biotronics, Inc. | Systems, methods and devices for use in assessing fat and muscle depth |
-
2020
- 2020-11-26 CN CN202011354641.9A patent/CN112508890B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106361268A (zh) * | 2015-07-20 | 2017-02-01 | Lg电子株式会社 | 移动终端及其控制方法 |
JP2018198800A (ja) * | 2017-05-26 | 2018-12-20 | 花王株式会社 | 体脂肪量推定方法 |
CN109035229A (zh) * | 2018-07-18 | 2018-12-18 | 河南牧业经济学院 | 一种基于傅里叶描述子的奶牛体况自动评价方法 |
CN110264464A (zh) * | 2019-06-26 | 2019-09-20 | 西北农林科技大学 | 一种肉牛肌内脂肪含量预测模型、其构建方法及应用 |
CN110400310A (zh) * | 2019-07-31 | 2019-11-01 | 宁夏金宇智慧科技有限公司 | 一种奶牛体况自动评分系统 |
CN110569735A (zh) * | 2019-08-13 | 2019-12-13 | 中国农业大学 | 一种基于奶牛背部体况的分析方法及装置 |
CN111345822A (zh) * | 2020-04-12 | 2020-06-30 | 有形儿科技(北京)有限公司 | 一种3d模型与体重及体成份测量结合的人体尺寸测量和分析系统 |
Non-Patent Citations (3)
Title |
---|
Body condition estimation on cows from depth images using Convolutional Neural Networks;Juan Rodríguez Alvarez 等;《Computers and Electronics in Agriculture》;20181231;第155卷;全文 * |
基于机器学习的奶牛深度图像身体区域精细分割方法;赵凯旋 等;《农业机械学报》;20170430;第48卷(第4期);全文 * |
用超声波测定背脂肪厚度的方法确定奶牛的体脂储备;谭正英 等;《黑龙江畜牧兽医》;20080531(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112508890A (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hansen et al. | Automated monitoring of dairy cow body condition, mobility and weight using a single 3D video capture device | |
Yukun et al. | Automatic monitoring system for individual dairy cows based on a deep learning framework that provides identification via body parts and estimation of body condition score | |
Guo et al. | LSSA_CAU: An interactive 3d point clouds analysis software for body measurement of livestock with similar forms of cows or pigs | |
Liu et al. | Automatic estimation of dairy cattle body condition score from depth image using ensemble model | |
Salau et al. | Feasibility of automated body trait determination using the SR4K time-of-flight camera in cow barns | |
CN112508890B (zh) | 一种基于二级评测模型的奶牛体脂率检测方法 | |
CN110503635B (zh) | 一种基于异构数据融合网络的手骨x光片骨龄评估方法 | |
Salau et al. | Automated calculation of udder depth and rear leg angle in Holstein-Friesian cows using a multi-Kinect cow scanning system | |
CN110097974A (zh) | 一种基于深度学习算法的鼻咽癌远端转移预测系统 | |
Guo et al. | A bilateral symmetry based pose normalization framework applied to livestock body measurement in point clouds | |
CN109086679A (zh) | 一种毫米波雷达安检仪异物检测方法 | |
Cai et al. | Measurement of potato volume with laser triangulation and three-dimensional reconstruction | |
Huang et al. | Cow tail detection method for body condition score using Faster R-CNN | |
Zhao et al. | Automatic body condition scoring system for dairy cows based on depth-image analysis | |
CN112861872A (zh) | 一种南美白对虾表型数据测定方法、装置、计算机设备及存储介质 | |
CN113470106A (zh) | 一种无接触式奶牛体尺信息采集方法 | |
CN116579975A (zh) | 一种卷积神经网络的脑龄预测方法及系统 | |
CN112331345B (zh) | 一种基于直接评测模型的奶牛体脂率检测方法 | |
Çevik | Deep learning based real-time body condition score classification system | |
ter Haar Romeny et al. | Computer assisted human follicle analysis for fertility prospects with 3D ultrasound | |
CN108741342A (zh) | 一种基于因子分析和概率神经网络的人体体型聚类方法 | |
Ruchay et al. | Live weight prediction of cattle using deep image regression | |
Ruff et al. | Volume estimation from sparse planar images using deformable models | |
Tao et al. | Development and implementation of a training dataset to ensure clear boundary value of body condition score classification of dairy cows in automatic system | |
Xie et al. | A deep learning-based fusion method of infrared thermography and visible image for pig body temperature detection |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20210316 Assignee: Luoyang Quanrun Animal Husbandry Co.,Ltd. Assignor: HENAN University OF SCIENCE AND TECHNOLOGY Contract record no.: X2023980047793 Denomination of invention: A method for detecting body fat percentage in cows based on a two-level evaluation model Granted publication date: 20221209 License type: Common License Record date: 20231124 |