CN113762745A - 基于机器视觉的生猪体型外貌评定方法及装置 - Google Patents
基于机器视觉的生猪体型外貌评定方法及装置 Download PDFInfo
- Publication number
- CN113762745A CN113762745A CN202110976935.3A CN202110976935A CN113762745A CN 113762745 A CN113762745 A CN 113762745A CN 202110976935 A CN202110976935 A CN 202110976935A CN 113762745 A CN113762745 A CN 113762745A
- Authority
- CN
- China
- Prior art keywords
- pig
- hoof
- dimensional
- live
- image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000037237 body shape Effects 0.000 title claims description 31
- 210000000003 hoof Anatomy 0.000 claims abstract description 156
- 241000282887 Suidae Species 0.000 claims abstract description 51
- 238000005259 measurement Methods 0.000 claims abstract description 50
- 238000011156 evaluation Methods 0.000 claims abstract description 46
- 238000009395 breeding Methods 0.000 claims description 16
- 230000001488 breeding effect Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 11
- 210000003414 extremity Anatomy 0.000 description 78
- 210000000988 bone and bone Anatomy 0.000 description 14
- 210000001930 leg bone Anatomy 0.000 description 14
- 210000001364 upper extremity Anatomy 0.000 description 14
- 210000003141 lower extremity Anatomy 0.000 description 13
- 238000013136 deep learning model Methods 0.000 description 12
- 210000000629 knee joint Anatomy 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 238000012549 training Methods 0.000 description 11
- 210000001624 hip Anatomy 0.000 description 9
- 210000000544 articulatio talocruralis Anatomy 0.000 description 8
- 210000004394 hip joint Anatomy 0.000 description 8
- 210000003194 forelimb Anatomy 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 210000002683 foot Anatomy 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 235000021050 feed intake Nutrition 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 208000030175 lameness Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- Biophysics (AREA)
- Agronomy & Crop Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
Abstract
本申请公开了一种基于机器视觉的生猪体型外貌评定方法及装置。该方法包括：获取生猪的身份信息；获取当前位置对应的目标三维猪体图像，以及生猪测定站的图像数据；根据所述目标三维猪体图像和所述生猪测定站的图像数据测定猪体体尺参数；将所述目标三维猪体图像输入至预先训练的肢蹄角度测量模型，通过所述肢蹄角度测定模型对所述目标三维猪体图像进行预测运算，输出猪体肢蹄角度；对所述猪体肢蹄角度进行评分，得到猪体肢蹄评分；根据所述猪体体尺参数、所述猪体肢蹄评分以及所述生猪的身份信息生成所述生猪的体型外貌评定数据。本申请能够提高生猪体型外貌评定的准确性。
Description
技术领域
本申请涉及计算机技术领域，具体而言，涉及一种基于机器视觉的生猪体型外貌评定方法、装置、计算机设备和存储介质。
背景技术
在生猪饲养中，为了解生猪的生长状况，选取符合种用要求的种猪，需要对生猪进行体型外貌评定，而猪的体尺参数和肢蹄发育状况作为生猪体型外貌评定的重要指标参数。传统方式中，是通过人工测定体尺参数以及通过人眼来判断确定肢蹄发育状况。然而人工判断得到的体型外貌评定数据极易受到个人工作能力、态度等因素干扰，缺乏客观性，且误差大，导致生猪体型外貌评定不够准确。因此，如何提高生猪体型外貌评定的准确性成为目前需要解决的一个技术问题。
发明内容
本申请的主要目的在于提供一种能够提高生猪体型外貌评定的准确性的基于机器视觉的生猪体型外貌评定方法、装置、计算机设备和存储介质。
为了实现上述目的，根据本申请的一个方面，提供了一种基于机器视觉的生猪体型外貌评定方法，包括：
获取生猪的身份信息；
获取当前位置对应的目标三维猪体图像，以及生猪测定站的图像数据；
根据所述目标三维猪体图像和所述生猪测定站的图像数据测定猪体体尺参数；
将所述目标三维猪体图像输入至预先训练的肢蹄角度测量模型，通过所述肢蹄角度测定模型对所述目标三维猪体图像进行预测运算，输出猪体肢蹄角度；
对所述猪体肢蹄角度进行评分，得到猪体肢蹄评分；
根据所述猪体体尺参数、所述猪体肢蹄评分以及所述生猪的身份信息生成所述生猪的体型外貌评定数据。
进一步的，所述通过所述肢蹄角度测定模型对所述目标三维猪体图像进行预测运算，输出猪体肢蹄角度，包括：
通过所述肢蹄角度测定模型对所述目标三维猪体图像进行识别，确定所述目标三维猪体图像中的肢蹄角度测算点；
根据所述肢蹄角度测算点预测猪体肢蹄角度。
进一步的，所述获取当前位置对应的目标三维猪体图像，包括：
获取当前位置下多个角度的三维猪体图像；
将多个角度的三维猪体图像进行拼接，得到所述当前位置对应的目标三维猪体图像。
进一步的，所述根据所述目标三维猪体图像和所述生猪测定站的图像数据测定猪体体尺参数，包括：
将所述目标三维猪体图像和所述生猪测定站的图像数据输入至预先训练的体尺测定模型，通过所述体尺测定模型对所述目标三维猪体图像和所述图像数据进行预测运算，输出猪体体尺参数。
进一步的，所述通过所述体尺测定模型对所述目标三维猪体图像和所述图像数据进行预测运算，输出猪体体尺参数，包括：
通过所述体尺测定模型分别对所述目标三维猪体图像和所述图像数据进行识别，确定所述目标三维猪体图像中的体尺测算点，以及所述图像数据中的标尺数据；
根据所述标尺数据以及所述体尺测算点测定猪体体尺参数。
进一步的，所述生猪为后备种猪；所述方法还包括：
将所述生猪的体型外貌评定数据与预设生猪体型外貌评定级别进行比对，确定所述生猪对应的生猪体型外貌评定级别；
根据所述生猪的生猪体型外貌评定级别剔除不符合种用条件的后备种猪。
进一步的，所述方法还包括：
对所述目标三维猪体图像进行分割，得到肢蹄部位图像；
将所述肢蹄部位图像输入至预先训练的肢蹄角度测量模型。
为了实现上述目的，根据本申请的另一方面，提供了一种基于机器视觉的生猪体型外貌评定装置，包括：
第一获取模块，用于获取生猪的身份信息；
第二获取模块，用于获取当前位置对应的目标三维猪体图像，以及生猪测定站的图像数据；
体尺测定模块，用于根据所述目标三维猪体图像和所述生猪测定站的图像数据测定猪体体尺参数；
肢蹄角度测定模块，用于将所述目标三维猪体图像输入至预先训练的肢蹄角度测定模型，通过所述肢蹄角度测定模型对所述目标三维猪体图像进行预测运算，输出猪体肢蹄角度；
肢蹄评分模块，用于对所述猪体肢蹄角度进行评分，得到猪体肢蹄评分；
体型外貌评定数据生成模块，用于根据所述猪体体尺参数、所述猪体肢蹄评分以及所述生猪的身份信息生成所述生猪的体型外貌评定数据。
一种计算机设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述各个方法实施例中的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述各个方法实施例中的步骤。
上述基于机器视觉的生猪体型外貌评定方法、装置、计算机设备和存储介质，获取生猪的身份信息，获取当前位置对应的目标三维猪体图像，以及生猪测定站的图像数据，从而根据目标三维猪体图像和生猪测定站的图像数据测定猪体体尺参数，以及通过肢蹄角度测定模型对目标三维猪体图像进行预测运算，输出猪体肢蹄角度，进而对猪体肢蹄角度进行评分，得到猪体肢蹄评分。利用生猪测定站结合图像采集设备、终端等机器视觉工具计算生猪体尺参数以及生猪肢蹄评分，不再依赖个人经验与能力，因此数据客观、误差小、不受人为差异影响，生猪体型外貌评定准确性较高，且可以在大型企业快速推广复制，提高育种、生产效率。另外，由于借助了传统的饲喂测定站进行智能化升级，能够方便地读取猪个体信息，实现充分利旧，减少了猪场使用智能测定工具的成本。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是一个实施例中基于机器视觉的生猪体型外貌评定的结构示意图；
图2为一个实施例中基于机器视觉的生猪体型外貌评定方法的流程示意图；
图3为另一个实施例中通过肢蹄角度测定模型对目标三维猪体图像进行预测运算，输出猪体肢蹄角度步骤的流程示意图；
图4为一个实施例中基于机器视觉的生猪体型外貌评定装置的结构示意图；
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
本申请提供的基于机器视觉的生猪体型外貌评定方法，可以应用于如图1所示的应用环境中。其中，耳标102与生猪测定站104通过无线射频信号进行通信，生猪测定站104与终端106通过网络进行通信，图像采集设备108与终端106通过网络进行通信。耳标102安装于生猪耳朵上，图像采集设备104安装于生猪测定站104的上方或者侧方等位置。图像采集设备108可以为多个。当生猪进入生猪测定站104后，生猪测定站104读取生猪的耳标102，获取生猪的身份信息，将生猪的身份信息发送至终端106，图像采集设备108采集当前位置对应的目标三维猪体图像，以及生猪测定站的图像数据，从而根据目标三维猪体图像和生猪测定站的图像数据测定猪体体尺参数，将目标三维猪体图像输入至预先训练的肢蹄角度测量模型，通过肢蹄角度测定模型对目标三维猪体图像进行预测运算，输出猪体肢蹄角度，进而对猪体肢蹄角度进行评分，得到猪体肢蹄评分，进而根据猪体体尺参数、猪体肢蹄评分以及生猪的身份信息生成生猪的体型外貌评定数据。其中，图像采集设备108可以但不限于是各种摄像头、相机、摄像仪等。终端106可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。
在一个实施例中，如图2所示，提供了一种基于机器视觉的生猪体型外貌评定方法，以该方法应用于图1中的终端为例进行说明，包括如下的步骤202至步骤210：
步骤202，获取生猪的身份信息。
在进行生猪体型外貌评定过程中，需要区分不同的生猪，因此需要获取生猪的身份信息。具体的，生猪养殖人员可以预先将生猪的身份信息存储于耳标芯片中，将耳标安装于生猪的耳朵上。例如，耳标可以是FRID(Radio Frequency Identification，无线射频识别)电子耳标。当生猪进入生猪测定站后，生猪测定站会读取生猪的耳标，从而获取到生猪的身份信息。其中，生猪测定站是指饲喂测定站，还可以用于测定生猪的日增重、采食量、料肉比等数据，以便生猪养殖人员了解生猪的生长状况。例如，生猪的身份信息可以是生猪的个体识别码，个体识别码是指用于区分不同生猪的唯一标识。生猪测定站将读取到的生猪的身份信息发送至终端。
步骤204，获取当前位置对应的目标三维猪体图像，以及生猪测定站的图像数据。
目标三维猪体图像是指需要进行猪体外貌评评定的图像，包括整个猪体。目标三维猪体模型包括多个角度的三维猪体图像，如俯视角度的三维猪体图像、正视角度的三维猪体图像，后视角度的三维猪体图像、左视角度的三维猪体图像、右视角度的三维猪体图像。
图像采集设备可以安装于生猪测定站的上方或者侧方等位置，例如，可以在生猪测定站的上方1.9米安装一个图像采集设备，确定生猪测定站对应的各个角度的几何中心，根据几何中心在生猪测定站外部设置相应的图像采集设备。图像采集设备可以是摄像头。通过预先安装的图像采集设备采集当前位置对应的目标三维猪体图像，以及生猪测定站的图像数据，并将采集到的上述图像数据均发送至终端。生猪测定站的图像数据是指生猪测定站的整体结构图像。
步骤206，根据目标三维猪体图像和生猪测定站的图像数据测定猪体体尺参数。
通过深度学习模型分别对目标三维猪体图像和生猪测定站的图像数据进行识别，确定目标三维猪体图像中的体尺测算点，以及生猪测定站的图像数据中的标尺数据。根据标尺数据以及体尺测算点测定猪体体尺参数。
步骤208，将目标三维猪体图像输入至预先训练的肢蹄角度测量模型，通过肢蹄角度测定模型对目标三维猪体图像进行预测运算，输出猪体肢蹄角度。
终端中预先存储有肢蹄角度测量模型，肢蹄角度测量模型可以是通过大量标注有肢蹄角度的猪体样本数据训练得到的。例如，肢蹄角度测量模型可以是预先训练的现有深度学习模型中的任意一种，此处不做限制。终端将获取到的目标三维猪体图像输入至预先训练的肢蹄角度测量模型，对目标三维猪体图像进行猪体肢蹄角度预测，输出猪体肢蹄角度。猪体的肢蹄包括左前肢、右前肢、左后肢、右后肢和四个蹄子。猪体肢蹄角度可以包括各前肢中前腿骨与后腿骨之间的角度、各后肢中前腿骨与后腿骨之间的角度。
在其中一个实施例中，上述方法还可以包括：对目标三维猪体图像进行分割，得到肢蹄部位图像；将肢蹄部位图像输入至预先训练的肢蹄角度测量模型。
为了进一步提高肢蹄角度测量的准确性，还可以直接将肢蹄部位图像输入至肢蹄角度测量模型进行处理。为此，终端可以将获取到的目标三维猪体图像进行图像分割处理，实现将猪体的各个骨骼部位进行区分开，得到头部骨骼、躯干骨骼、前肢骨骼和后肢骨骼，从而将前肢骨骼和后肢骨骼的图像确定为肢蹄部位图像。
步骤210，对猪体肢蹄角度进行评分，得到猪体肢蹄评分。
终端中可以预先存储有猪体肢蹄角度的评分标准，评分标准中包括多个角度评分区间，角度评分区间可以是育种专业人员进行确定的。例如，评分可以是5分制。猪体肢蹄角度为70°-90°，对应的猪体肢蹄评分为5，为最高评分，评分越高，表明肢蹄发育越好。猪体肢蹄角度为45°-70°，对应的猪体肢蹄评分为4，猪体肢蹄角度为30°-45°，对应的猪体肢蹄评分可以为3。进一步的，在猪体肢蹄角度小于90°时，猪体肢蹄角度越大，表明四肢越正直，肢蹄发育越好。
步骤212，根据猪体体尺参数、猪体肢蹄评分以及生猪的身份信息生成生猪的体型外貌评定数据。
根据猪体体尺参数以及生猪的身份信息得到生猪的体尺测定数据，根据测定的猪体肢蹄评分以及生猪的身份信息生成生猪的肢蹄评分数据，从而生猪的体尺测定数据和肢蹄评分数据生成该生猪的体型外貌评定数据。可以将生猪的体型外貌评定数据进行显示，生猪养殖人员可以将显示的体型外貌评定数据中的生猪体尺测定数据和生猪肢蹄评分数据用于生产、育种等养猪流程。
本实施例中，获取生猪的身份信息，获取当前位置对应的目标三维猪体图像，以及生猪测定站的图像数据，从而根据目标三维猪体图像和生猪测定站的图像数据测定猪体体尺参数，以及通过肢蹄角度测定模型对目标三维猪体图像进行预测运算，输出猪体肢蹄角度，进而对猪体肢蹄角度进行评分，得到猪体肢蹄评分。利用生猪测定站结合图像采集设备、终端等机器视觉工具计算生猪体尺参数以及生猪肢蹄评分，不再依赖个人经验与能力，因此数据客观、误差小、不受人为差异影响，生猪体型外貌评定准确性较高，且可以在大型企业快速推广复制，提高育种、生产效率。另外，由于借助了传统的饲喂测定站进行智能化升级，能够方便地读取猪个体信息，实现充分利旧，减少了猪场使用智能测定工具的成本。
在一个实施例中，如图3所示，通过肢蹄角度测定模型对目标三维猪体图像进行预测运算，输出猪体肢蹄角度的步骤，具体可以包括：
步骤302，通过肢蹄角度测定模型对目标三维猪体图像进行识别，确定目标三维猪体图像中的肢蹄角度测算点。
步骤304，根据肢蹄角度测算点预测猪体肢蹄角度。
肢蹄角度测定模型可以先检测出目标三维猪体图像中猪体的位置区域，猪体的位置区域可以用矩形框进行标注。再对检测出的猪体位置区域进行肢蹄角度测算点识别，得到各肢蹄角度测算点的位置坐标。肢蹄角度测算点是指用于计算肢蹄角度的肢蹄关键点。具体的，肢蹄关键点可以包括左前髋关节点、左前膝关节点、左前踝关节点、左后髋关节点、左后膝关节点、左后踝关节点、右前髋关节点、右前膝关节点、右前踝关节点、右后髋关节点、右后膝关节点、右后踝关节点十二个关键点。左前髋关节点、左前膝关节点可以作为左前肢的前腿骨，左前膝关节点和左前踝关节点之间的连线可以作为左前肢的后腿骨，计算左前肢的前腿骨与后腿骨之间的角度。左后髋关节点和左后膝关节点可以作为左后肢的前腿骨，左后膝关节点和左后踝关节点可以作为左后肢的后腿骨，从而计算左后肢的前腿骨与后腿骨之间的角度。右前髋关节点和右前膝关节点可以作为右前肢的前腿骨，右前膝关节点和右前踝关节点可作为右前肢的后腿骨，计算右前肢的前腿骨与后腿骨之间的角度。右后髋关节点和右后膝关节点可以作为右后肢的前腿骨，右后膝关节点和右后踝关节点可以作为右后肢的后腿骨，计算右后肢的前腿骨与后腿骨之间的角度。从而得到猪体肢蹄角度，猪体肢蹄角度包括左前肢的前腿骨与后腿骨之间的角度、左后肢的前腿骨与后腿骨之间的角度、右前肢的前腿骨与后腿骨之间的角度和右后肢的前腿骨与后腿骨之间的角度。上述角度可以包括侧视视角下计算的角度，也可以包括正视角度下计算的角度。通过计算猪体肢蹄角度可以判断猪是否跛行、瘫痪等。
在本实施例中，通过肢蹄角度测定模型识别肢蹄角度测算点，从而根据肢蹄角度测算点预测猪体肢蹄角度，能够准确、快速地计算猪体肢蹄角度。
在一个实施例中，上述方法还包括：训练肢蹄角度测量模型的步骤，包括：获取猪体样本数据；猪体样本数据标注有实际测定结果；根据猪体样本数据对待训练深度学习模型进行训练，得到损失函数；在训练过程中，计算待训练深度学习模型输出的预测结果与实际测定结果之间的误差率；根据误差率以及损失函数对待训练深度学习模型的模型参数进行调节，直至满足预设条件，停止模型训练，得到预先训练的肢蹄角度测定模型。
猪体样本数据可以是终端预先构建的，也可以是终端获取的公开数据集。实际测定结果为肢蹄角度。当终端需要构建数据集时，可以获取安装在多个生猪测定站的上方或侧方的图像采集设备采集的三维猪体图像。三维猪体样本图像可以是整个猪体的三维图像，也可以是肢蹄部位的三维图像。终端在三维猪体图像中标注猪体的身份信息、指定肢蹄角度测算点以及肢蹄角度。从而根据多个不同生猪的三维猪体图像构建得到猪体样本数据集。
根据猪体样本数据，并依据养猪通用技术规范为待训练深度学习模型识别指定测算点位进行训练。待训练深度学习模型可以是现有的深度学习模型中的任意一种，此处不做限制。
在训练的过程中，待训练深度学习模型会输出预测结果，预测结果为肢蹄角度。将预测结果与实际测定结果进行比对，计算待训练深度学习模型输出的预测结果与实际测定结果之间的误差率，根据误差率及损失函数对待训练深度学习模型的模型参数进行调节，直至满足预设条件，停止模型训练，得到预先训练的肢蹄角度测定模型。预设条件可以是误差率在预设合理范围内，且损失函数不再下降或者是小于阈值，则将此时的模型参数进行保存，得到预先训练的肢蹄角度测定模型。
在本实施例中，通过对模型的指定肢蹄角度测算点位进行训练，以及根据模型输出的预测结果与所述实际测定结果之间的误差率对模型参数进行调节，能够保证误差率在合理范围内，进一步提高了模型的肢蹄角度测定准确性。
在一个实施例中，获取当前位置对应的目标三维猪体图像，包括：获取当前位置下多个角度的三维猪体图像；将多个角度的三维猪体图像进行拼接，得到当前位置对应的目标三维猪体图像。
多个角度的三维猪体图像可以包括俯视角度的三维猪体图像、正视角度的三维猪体图像，后视角度的三维猪体图像、左视角度的三维猪体图像、右视角度的三维猪体图像。
由于单个角度的三维猪体图像无法准确体现生猪的外貌特征，会导致生猪肢蹄角度测定准确性较低。为了对生猪肢蹄角度进行准确测定，可以将多个角度的三维猪体图像进行拼接。具体的，确定多个角度的三维猪体图像之间的重合部分；根据多个角度的三维猪体图像之间的相对位置关系以及重合部分将多个角度的三维猪体图像进行拼接。
从多个角度采集的三维猪体图像会存在重合部分，终端可以先识别多个角度的三维猪体图像之间的重合部分，例如，俯视角度的三维猪体图像与正视角度的三维猪体图像的重合部分为生猪猪头到尾根的一条线。三维猪体图像对应的多个角度之间存在相对位置关系，例如，左视角度的三维猪体图像应该在正视角度的三维猪体图像的左侧，右视角度的三维猪体图像应该在正视角度的三维猪体图像的右侧，俯视角度的三维猪体图像在正视角度的三维猪体图像的上方。后视角度的三维猪体图像则在正视角度的三维猪体图像的后方，与俯视角度的三维猪体图像相拼接。
从而根据多个角度的三维猪体图像之间的相对位置关系确定三维猪体图像之间的拼接顺序，拼接顺序可以包括前后拼接顺序或左右拼接顺序或上下拼接顺序进而根据拼接顺序以及重合部分将多个角度的三维猪体图像进行拼接。
在本实施例中，将多个角度的三维猪体图像进行拼接，得到当前位置对应的目标三维猪体图像，能够得到全方位的三维猪体图像，避免了某些角度下猪体受遮挡情况的影响，肢蹄角度测定数据的准确性更高。
在一个实施例中，上述方法还包括：对多个角度的三维猪体图像进行过滤处理，得到过滤后的三维猪体图像；对过滤后的三维猪体图像进行拼接。生猪在测定过程中，可能会随机运动，因此可以多个角度的三维猪体图像进行过滤处理，将运动下采集的三维猪体图像过滤掉，实现对错误数据的过滤，确保得到正确数据，排除了错误数据的干扰。
在一个实施例中，根据目标三维猪体图像和生猪测定站的图像数据测定猪体体尺参数包括：将目标三维猪体图像和生猪测定站的图像数据输入至预先训练的体尺测定模型，通过体尺测定模型对目标三维猪体图像和图像数据进行预测运算，输出猪体体尺参数。
通过体尺测定模型分别对目标三维猪体图像和图像数据进行识别，确定目标三维猪体图像中的体尺测算点，以及图像数据中的标尺数据。根据标尺数据以及体尺测算点测定猪体体尺参数。具体的，体尺测定模型可以是通过标注有实际测定结果的样本数据训练得到的，实际测定结果包括猪体的身份信息、指定体尺测算点以及体尺参数。例如，体尺测定模型可以为现有深度学习模型中的任意一种。在训练的过程中，待训练模型会输出预测结果，预测结果为体尺参数。将预测结果与实际测定结果进行比对，计算预测结果与实际测定结果之间的误差率，根据误差率及损失函数对模型参数进行调节，直至满足预设条件，停止模型训练，得到预先训练的体尺测定模型。预设条件可以是误差率在预设合理范围内，且损失函数不再下降或者是小于阈值，则将此时的模型参数进行保存，得到预先训练的体尺测定模型。能够保证误差率在合理范围内，进一步提高了模型的体尺测定准确性。
体尺测定模型在测定猪体体尺参数的过程中，可以先检测出目标三维猪体图像中猪体的位置区域，猪体的位置区域可以用矩形框进行标注。再对检测出的猪体位置区域进行体尺测算点识别。其中，体尺测算点是指用于测定猪体体尺参数的猪体关键点。具体的，猪体关键点可以包括左耳根点、右耳根点、尾根中点、左肩点、右肩点、肩部最高点、左臀点、右臀点、左足点、右足点、尾根中点等。
体尺测定模型可以检测出生猪测定站的图像数据中生猪测定站的位置区域，同时识别生猪测定站的尺寸，由于生猪测定站的尺寸是固定的，将生猪测定站作为标尺数据。
可以将标尺数据均匀划分为多个刻度。根据标尺数据以及体尺测算点测定猪体体尺参数。猪体体尺参数可以包括体长、体高、肩宽、臀宽、臀高等，还可以包括重量。例如，可以确定猪体图像上左耳根点与右耳根点的中点，作为颈部中点，将颈部中点与尾根中点与标尺数据进行对应，根据划分的刻度确定颈部中点与尾根中点的距离，作为猪体的体长。确定左足点与右足点的中点，作为地面点，将地面点与肩部中点分别与标尺数据进行对应，据划分的刻度确定地面点与肩部中点的距离，作为猪体的体高。将左肩点、右肩点分别与标尺数据进行对应，根据划分的刻度确定左肩点与右肩点的距离，作为猪体的肩宽。将左臀点、右臀点分别与标尺数据进行对应，根据划分的刻度确定左臀点与右臀点的距离，作为猪体的臀宽。
在一个实施例中，生猪为后备种猪；上述方法还包括：将生猪的生猪的体型外貌评定数据与预设生猪体型外貌评定级别进行比对，确定生猪对应的生猪体型外貌评定级别；根据生猪的生猪体型外貌评定级别剔除不符合种用条件的后备种猪。
预设生猪体型外貌评定级别可以是对生猪的体型外貌评定数据中体尺测定数据和肢蹄评分数据的联合评定。预设生猪体型外貌评定级别可以包括优质、中级、低级等多个级别。各预设生猪体型外貌评定级别均可以对应多个评定指标，如体长、体高、肩宽、臀宽、臀高、肢蹄评分等。将生猪的体尺测定数据和肢蹄评分数据分别与各评定级别对应的评定指标的指标值进行匹配，确定生猪对应的生猪体型外貌评定级别。进而根据生猪的生猪体型外貌评定级别剔除不符合种用条件的后备种猪。有利于实现对生猪体尺的选育改善、提升生产性能。
在一个实施例中，还可以通过超声波雷达测距、红外成像等方式获取猪体图像以及生猪测定站的图像数据，从而根据预先训练的体尺测定模型对猪体图像以及图像数据进行体尺参数测定，以及通过预先训练的肢蹄角度测量模型对目标猪体图像进行预测运算，输出猪体肢蹄角度，进而对猪体肢蹄角度进行评分，根据猪体体尺参数、猪体肢蹄评分以及生猪的身份信息生成生猪的体型外貌评定数据。能够根据实际情况灵活选择图像采集设备。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
在一个实施例中，如图4所示，提供了一种基于机器视觉的生猪体型外貌评定装置，包括：第一获取模块402、第二获取模块404、体尺测定模块406、肢蹄角度测定模块408、肢蹄评分模块410和体型外貌评定数据生成模块412，其中：
第一获取模块402，用于获取生猪的身份信息。
第二获取模块404，用于获取当前位置对应的目标三维猪体图像，以及生猪测定站的图像数据。
体尺测定模块406，用于根据目标三维猪体图像和生猪测定站的图像数据测定猪体体尺参数。
肢蹄角度测定模块408，用于将目标三维猪体图像输入至预先训练的肢蹄角度测定模型；通过肢蹄角度测定模型对目标三维猪体图像进行预测运算，输出猪体肢蹄角度。
肢蹄评分模块410，用于对猪体肢蹄角度进行评分，得到猪体肢蹄评分。
体型外貌评定数据生成模块412，用于根据猪体体尺参数、猪体肢蹄评分以及生猪的身份信息生成生猪的体型外貌评定数据。
在一个实施例中，肢蹄角度测定模块408还用于通过肢蹄角度测定模型对目标三维猪体图像进行识别，确定目标三维猪体图像中的肢蹄角度测算点；根据肢蹄角度测算点预测猪体肢蹄角度。
在一个实施例中，第二获取模块404还用于获取当前位置下多个角度的三维猪体图像；将多个角度的三维猪体图像进行拼接，得到当前位置对应的目标三维猪体图像。
在一个实施例中，体尺测定模块406用于将目标三维猪体图像和生猪测定站的图像数据输入至预先训练的体尺测定模型，通过体尺测定模型对目标三维猪体图像和图像数据进行预测运算，输出猪体体尺参数。
在一个实施例中，体尺测定模块406还用于通过体尺测定模型分别对目标三维猪体图像和图像数据进行识别，确定目标三维猪体图像中的体尺测算点，以及图像数据中的标尺数据；根据标尺数据以及体尺测算点测定猪体体尺参数。
在一个实施例中，上述装置还包括：
外貌评级模块，用于将生猪的体型外貌评定数据与预设生猪体型外貌评定级别进行比对，确定生猪对应的生猪体型外貌评定级别；根据生猪的生猪体型外貌评定级别剔除不符合种用条件的后备种猪。
在一个实施例中，上述装置还包括：
图像分割模块，用于对目标三维猪体图像进行分割，得到肢蹄部位图像；将肢蹄部位图像输入至预先训练的肢蹄角度测量模型。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储一种基于区块链的电梯监控方法的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于区块链的电梯监控方法。
本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现上述各个实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各个实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于机器视觉的生猪体型外貌评定方法，其特征在于，包括：
获取生猪的身份信息；
获取当前位置对应的目标三维猪体图像，以及生猪测定站的图像数据；
根据所述目标三维猪体图像和所述生猪测定站的图像数据测定猪体体尺参数；
将所述目标三维猪体图像输入至预先训练的肢蹄角度测量模型，通过所述肢蹄角度测定模型对所述目标三维猪体图像进行预测运算，输出猪体肢蹄角度；
对所述猪体肢蹄角度进行评分，得到猪体肢蹄评分；
根据所述猪体体尺参数、所述猪体肢蹄评分以及所述生猪的身份信息生成所述生猪的体型外貌评定数据。
2.根据权利要求1所述的方法，其特征在于，所述通过所述肢蹄角度测定模型对所述目标三维猪体图像进行预测运算，输出猪体肢蹄角度，包括：
通过所述肢蹄角度测定模型对所述目标三维猪体图像进行识别，确定所述目标三维猪体图像中的肢蹄角度测算点；
根据所述肢蹄角度测算点预测猪体肢蹄角度。
3.根据权利要求1所述的系统，其特征在于，所述获取当前位置对应的目标三维猪体图像，包括：
获取当前位置下多个角度的三维猪体图像；
将多个角度的三维猪体图像进行拼接，得到所述当前位置对应的目标三维猪体图像。
4.根据权利要求1所述的方法，其特征在于，所述根据所述目标三维猪体图像和所述生猪测定站的图像数据测定猪体体尺参数，包括：
将所述目标三维猪体图像和所述生猪测定站的图像数据输入至预先训练的体尺测定模型，通过所述体尺测定模型对所述目标三维猪体图像和所述图像数据进行预测运算，输出猪体体尺参数。
5.根据权利要求4所述的方法，其特征在于，所述通过所述体尺测定模型对所述目标三维猪体图像和所述图像数据进行预测运算，输出猪体体尺参数，包括：
通过所述体尺测定模型分别对所述目标三维猪体图像和所述图像数据进行识别，确定所述目标三维猪体图像中的体尺测算点，以及所述图像数据中的标尺数据；
根据所述标尺数据以及所述体尺测算点测定猪体体尺参数。
6.根据权利要求5所述的方法，其特征在于，所述生猪为后备种猪；所述方法还包括：
将所述生猪的体型外貌评定数据与预设生猪体型外貌评定级别进行比对，确定所述生猪对应的生猪体型外貌评定级别；
根据所述生猪的生猪体型外貌评定级别剔除不符合种用条件的后备种猪。
7.根据权利要求1至6任意一项所述的方法，其特征在于，所述方法还包括：
对所述目标三维猪体图像进行分割，得到肢蹄部位图像；
将所述肢蹄部位图像输入至预先训练的肢蹄角度测量模型。
8.一种基于机器视觉的生猪体型外貌评定装置，其特征在于，所述装置包括：
第一获取模块，用于获取生猪的身份信息；
第二获取模块，用于获取当前位置对应的目标三维猪体图像，以及生猪测定站的图像数据；
体尺测定模块，用于根据所述目标三维猪体图像和所述生猪测定站的图像数据测定猪体体尺参数；
肢蹄角度测定模块，用于将所述目标三维猪体图像输入至预先训练的肢蹄角度测定模型，通过所述肢蹄角度测定模型对所述目标三维猪体图像进行预测运算，输出猪体肢蹄角度；
肢蹄评分模块，用于对所述猪体肢蹄角度进行评分，得到猪体肢蹄评分；
体型外貌评定数据生成模块，用于根据所述猪体体尺参数、所述猪体肢蹄评分以及所述生猪的身份信息生成所述生猪的体型外貌评定数据。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任意一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7任意一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110976935.3A CN113762745A (zh) | 2021-08-24 | 2021-08-24 | 基于机器视觉的生猪体型外貌评定方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110976935.3A CN113762745A (zh) | 2021-08-24 | 2021-08-24 | 基于机器视觉的生猪体型外貌评定方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113762745A true CN113762745A (zh) | 2021-12-07 |
Family
ID=78791026
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110976935.3A Pending CN113762745A (zh) | 2021-08-24 | 2021-08-24 | 基于机器视觉的生猪体型外貌评定方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113762745A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108961330A (zh) * | 2018-06-22 | 2018-12-07 | 深源恒际科技有限公司 | 基于图像的猪体长测算方法及系统 |
| CN110296660A (zh) * | 2019-06-26 | 2019-10-01 | 北京海益同展信息科技有限公司 | 牲畜体尺检测方法与装置 |
| JP2019194573A (ja) * | 2018-04-25 | 2019-11-07 | 株式会社ノア | 体重推定装置 |
| CN111950479A (zh) * | 2020-08-17 | 2020-11-17 | 邹安琪 | 一种基于神经网络模型的猪跛脚检测方法和检测系统 |
| CN213282917U (zh) * | 2020-05-20 | 2021-05-28 | 清远市智慧农业研究院 | 一种非接触式生猪体尺参数测量系统 |
| CN112906734A (zh) * | 2021-01-13 | 2021-06-04 | 新希望六和股份有限公司 | 牲畜智能选种方法、装置、计算机设备和存储介质 |
-
2021
- 2021-08-24 CN CN202110976935.3A patent/CN113762745A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2019194573A (ja) * | 2018-04-25 | 2019-11-07 | 株式会社ノア | 体重推定装置 |
| CN108961330A (zh) * | 2018-06-22 | 2018-12-07 | 深源恒际科技有限公司 | 基于图像的猪体长测算方法及系统 |
| CN110296660A (zh) * | 2019-06-26 | 2019-10-01 | 北京海益同展信息科技有限公司 | 牲畜体尺检测方法与装置 |
| CN213282917U (zh) * | 2020-05-20 | 2021-05-28 | 清远市智慧农业研究院 | 一种非接触式生猪体尺参数测量系统 |
| CN111950479A (zh) * | 2020-08-17 | 2020-11-17 | 邹安琪 | 一种基于神经网络模型的猪跛脚检测方法和检测系统 |
| CN112906734A (zh) * | 2021-01-13 | 2021-06-04 | 新希望六和股份有限公司 | 牲畜智能选种方法、装置、计算机设备和存储介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107667903B (zh) | 基于物联网的畜牧养殖活体体重监测方法 | |
| Wongsriworaphon et al. | An approach based on digital image analysis to estimate the live weights of pigs in farm environments | |
| CN107180438B (zh) | 估计牦牛体尺、体重的方法和相应的便携式计算机装置 | |
| CN105784083B (zh) | 基于立体视觉技术的奶牛体型测量方法和系统 | |
| AU2019399813A1 (en) | Intelligent pig group rearing weighing method and apparatus, electronic device and storage medium | |
| CN111243005A (zh) | 牲畜估重方法、装置、设备以及计算机可读存储介质 | |
| CN112288793B (zh) | 畜类个体背膘检测方法、装置、电子设备及存储介质 | |
| Zhang et al. | Algorithm of sheep body dimension measurement and its applications based on image analysis | |
| CN109784200B (zh) | 基于双目视觉的奶牛行为图像获取与体况智能监测系统 | |
| Pallottino et al. | Comparison between manual and stereovision body traits measurements of Lipizzan horses | |
| CN111297367A (zh) | 一种动物状态监测方法、装置、电子设备及存储介质 | |
| CN112862757A (zh) | 一种基于计算机视觉技术的重量评估系统及实现方法 | |
| EP3866056A1 (en) | Method, system and computer programs for traceability of living specimens | |
| CN113762745A (zh) | 基于机器视觉的生猪体型外貌评定方法及装置 | |
| CN114170292A (zh) | 一种基于深度图像的猪只体重估测方法和设备 | |
| CN110414369B (zh) | 一种牛脸的训练方法及装置 | |
| CN112528772A (zh) | 基于热红外的奶牛跛行运动特征检测方法及装置 | |
| CN113516139A (zh) | 数据处理方法、装置、设备和存储介质 | |
| WO2023201443A1 (en) | Method and system for automated evaluation of animals | |
| CN205608801U (zh) | 奶牛体况自动评分装置 | |
| Qin et al. | Identification of body size characteristic points based on the Mask R-CNN and correlation with body weight in Ujumqin sheep | |
| CN115100683A (zh) | 估重方法、装置、设备及存储介质 | |
| Tedin et al. | Towards automatic estimation of the body condition score of dairy cattle using hand-held images and active shape models | |
| Battiato et al. | Assessment of cow’s body condition score through statistical shape analysis and regression machines | |
| CN113723260A (zh) | 基于机器视觉的生猪体尺测定方法及装置 |
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 |