CN113780073B - 一种辅助估测鸡群均匀度的装置与方法 - Google Patents

Abstract

本发明公开了一种辅助估测鸡群均匀度的装置与方法，方法包括：利用前期数据采集装置多次采集用于建立均匀度预测模型所需的单只肉鸡的深度图像及其对应的体重值；对单只肉鸡的深度图像进行图像预处理；建立均匀度预测模型；利用后期数据采集装置采集鸡群的深度图像；对鸡群的深度图像进行图像分割以获得各个分割图像；将各个分割图像输入均匀度预测模型中，以预测各个分割图像对应的各只肉鸡的体重值，并计算鸡群整体均匀度；将预测得到的各只肉鸡的体重值及鸡群整体均匀度发送到客户端。本发明能够快速、准确、高效得到鸡群均匀度信息，解决了人工操作效率低下和劳动强度大的问题，降低养殖成本，且不会对鸡群造成刺激影响，提高了动物福利。

Description

一种辅助估测鸡群均匀度的装置与方法

技术领域

本发明涉及一种辅助估测鸡群均匀度的装置与方法。

背景技术

鸡群均匀度包括体态均匀度、体重均匀度以及性成熟均匀度三个方面。体态均匀度在育雏早期就基本定型，它决定着体重均匀度。体重均匀度可通过分群、调群、饲料调控来提高，它又决定着性成熟的一致性即性成熟均匀度。

均匀度常作为判断鸡群生产性能和经济效益的关键指标，养殖企业根据均匀度的整齐程度判断鸡群的健康状况、营养和福利化水平，进而采取调整饲喂和管理措施。因此连续准确高效地检测鸡群均匀度数据有利于分析鸡群的生理、营养状况，是实现信息化健康养殖的基础。

传统方法估测鸡群均匀度时，主要由人工抓取肉鸡、利用电子秤测量体重、读取数据、记录数据、统计数据并计算均匀度，尽管测量仪器可以较为精确地测量鸡的体重，但是由于肉鸡在称重过程中挣扎频繁，称重平台晃动明显，并且随着污秽累积都会造成结果与实际体重的偏差。同时，在测量肉鸡的体重时往往要与肉鸡发生接触，如此会增加肉鸡的应激反应，使得肉鸡在后续饲养环境中状态不佳，严重时会使肉鸡的情绪不佳而致其死亡，不利于肉鸡的福利饲养。不仅如此，测量肉鸡体重需要人工从鸡圈或鸡笼中逐个抓取肉鸡，消耗人力物力，导致养殖成本直线上升，且无法频繁计算鸡群均匀度，使得养殖户无法及时了解鸡群的生长状况。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种辅助估测鸡群均匀度的装置与方法，能够解决上述技术问题。

(二)技术方案

为解决上述技术问题，本发明提供如下一技术方案：一种辅助估测鸡群均匀度的方法，包括以下步骤：

步骤S1：利用前期数据采集装置多次采集用于建立均匀度预测模型所需的单只肉鸡的深度图像及其对应的体重值；

其中，前期数据采集装置包括第一深度相机、第二深度相机、电子秤、数据接收部件以及主杆，主杆与电子秤间隔设置，主杆与电子秤的底部均设有滚轮，主杆连接有载物台，数据接收部件设置于载物台上，第一深度相机与第二深度相机间隔设置于主杆上，且第一深度相机与第二深度相机相对主杆均可进行垂直升降及水平伸缩，电子秤用于采集单只肉鸡的体重值，第一深度相机位于电子秤的上方用于采集单只肉鸡的俯视角度的深度图像，第二深度相机位于电子秤的侧方用于采集单只肉鸡的侧视角度的深度图像，第一深度相机、第二深度相机以及电子秤均与数据接收部件连接；

步骤S2：对单只肉鸡的深度图像进行图像预处理；

步骤S3：运用ResNet卷积层作为均匀度预测模型的骨架，进一步在ResNet卷积层之上增加三层全连接网络做线性回归，训练肉鸡的体重值，从而得到单只肉鸡的深度图像中肉鸡的体重值，完成均匀度预测模型的建立；

步骤S4：利用后期数据采集装置采集鸡群的深度图像；

步骤S5：对鸡群的深度图像进行图像分割以获得各个分割图像；

步骤S6：将各个分割图像输入步骤S3建立的均匀度预测模型中，以预测各个分割图像对应的各只肉鸡的体重值，并计算鸡群整体均匀度；

步骤S71：将步骤S6预测得到的各只肉鸡的体重值及鸡群整体均匀度发送到客户端。

优选的，在步骤S6之后还包括：

步骤S721：判断步骤S6预测得到的各只肉鸡的体重值中是否存在大于预设的最大体重值和/或小于预设的最小体重值，若存在则将对应的分割图像标识为异常肉鸡图像；

步骤S722：利用后期数据采集装置对鸡群进行监控拍摄，当监控拍摄范围内出现与异常肉鸡图像相同的肉鸡时则判定其为异常肉鸡；

步骤S723：利用后期数据采集装置的喷墨装置对异常肉鸡进行喷墨标识，其中喷墨装置包括墨盒以及喷头，喷头用于喷出标识信息。

优选的，在步骤S723之后还包括：

步骤S724：利用后期数据采集装置进行多角度采集异常肉鸡的图像；

步骤S725：通过目标检测算法对异常肉鸡的图像进行识别，以识别出异常肉鸡的各个部位；

步骤S726：判断异常肉鸡的各个部位是否存在异常，若存在则将对应的异常部位信息发送到客户端。

优选的，各个部位包括肉鸡的羽毛、头部、眼睛、鸡嘴以及鸡脚。

优选的，客户端为APP或者微信小程序。

优选的，标识信息为数字。

优选的，步骤S2的图像预处理具体包括：

步骤S21：对单只肉鸡的深度图像进行中值滤波；

步骤S22：进一步对单只肉鸡的深度图像进行大津阈值分割及二值化；

步骤S23：利用对象标识法获取单只肉鸡的深度图像的最大目标；

步骤S24：进行形态学开闭重构，以完成图像预处理。

优选的，步骤S5具体采用Mask R-CNN卷积网络对鸡群的深度图像进行图像分割。

优选的，第一深度相机通过第一伸缩杆设置于主杆上，第二深度相机通过第二伸缩杆设置于主杆上，第一深度相机相对第一伸缩杆可转动，第二深度相机相对第二伸缩杆可转动，数据接收部件为工控电脑。

为解决上述技术问题，本发明提供如下另一技术方案：一种辅助估测鸡群均匀度的装置，包括上述前期数据采集装置以及后期数据采集装置，一种辅助估测鸡群均匀度的装置还包括预测模型建立装置以及均匀度估测装置：预测模型建立装置用于对单只肉鸡的深度图像进行图像预处理，运用ResNet卷积层作为均匀度预测模型的骨架，进一步在ResNet卷积层之上增加三层全连接网络做线性回归，训练肉鸡的体重值，从而得到单只肉鸡的深度图像中肉鸡的体重值，完成均匀度预测模型的建立；均匀度估测装置用于对鸡群的深度图像进行图像分割以获得各个分割图像，将各个分割图像输入均匀度预测模型中，以预测各个分割图像对应的各只肉鸡的体重值，并计算鸡群整体均匀度，将预测得到的各只肉鸡的体重值及鸡群整体均匀度发送到客户端。

(三)有益效果

与现有技术相比，本发明提供了一种辅助估测鸡群均匀度的装置与方法，具备以下有益效果：(1)通过前期数据采集装置多次采集用于建立均匀度预测模型所需的单只肉鸡的深度图像及其对应的体重值，其中第一深度相机及第二深度相机解决了传统相机拍摄出的图片由于光照环境的影响对后期特征提取造成困难的问题；第一深度相机及第二深度相机能够提供肉鸡不同角度的拍摄图像，增加了训练数据集的多样性，有利于后续建模中数据的增强；主杆与电子秤的底部均设有滚轮，提高前期数据采集装置的灵活性，方便采集不同场景的数据信息；第一深度相机与第二深度相机相对主杆均可进行垂直升降及水平伸缩，适用于不同空间大小的数据采集场景的拍摄。(2)步骤S3的建立均匀度预测模型将预测体重的任务转化成图像分类问题，实现利用图像分类网络来进行预测肉鸡的体重值，并通过增加网络结构拟合均匀度。综上，本发明通过前期数据采集装置以在前期建立均匀度预测模型，然后通过后期数据采集装置进行实际采集鸡群的深度图像，将鸡群的深度图像与均匀度预测模型结合实现利用图像对鸡群均匀度进行估测，本发明能够投入到真正的鸡群养殖环境当中去，达到快速、准确、高效得到鸡群均匀度信息的目的，解决了人工操作效率低下和劳动强度大的问题，降低养殖成本，且不会对鸡群造成刺激影响，提高了动物福利。

附图说明

图1为本发明一种辅助估测鸡群均匀度的方法的流程图；

图2为本发明在步骤S6之后的流程图；

图3为本发明步骤S2的具体流程图；

图4为本发明的前期数据采集装置的结构图；

图5为本发明的后期数据采集装置的结构图；

图6为本发明的第一深度相机的视差原理图。

图中标号为：1第一深度相机、2第二深度相机、3电子秤、4数据接收部件、5主杆、6墨盒、7喷头、8第一伸缩杆、9第二伸缩杆、10饲料盆、11滚轮、12载物台。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

本发明一种辅助估测鸡群均匀度的方法包括以下步骤：

步骤S1：利用前期数据采集装置多次采集用于建立均匀度预测模型所需的单只肉鸡的深度图像及其对应的体重值。

在此步骤S1中，为了减少了后期建模图像分割问题，提高分割精度，更为准确地提取特征，前期数据采集装置采用单只肉鸡的拍摄方法。

其中，前期数据采集装置包括第一深度相机1、第二深度相机2、电子秤3、数据接收部件4以及主杆5，主杆5与电子秤3间隔设置，主杆5与电子秤3的底部均设有滚轮11。主杆5连接有载物台12，数据接收部件4设置于载物台12上，第一深度相机1与第二深度相机2间隔设置于主杆5上，且第一深度相机1与第二深度相机2相对主杆5均可进行垂直升降及水平伸缩。电子秤3用于采集单只肉鸡的体重值，为了吸引肉鸡站上电子秤3，可在电子秤3上放置饲料盆10或者只能容纳一只鸡进食的饲料盒。第一深度相机1位于电子秤3的上方用于采集单只肉鸡的俯视角度的深度图像，第二深度相机2位于电子秤3的侧方用于采集单只肉鸡的侧视角度的深度图像。第一深度相机1、第二深度相机2以及电子秤3通过数据线均与数据接收部件4连接，以将深度图像及体重值发送到数据接收部件4，数据接收部件4具体为工控电脑。

具体的，第一深度相机1通过第一伸缩杆8设置于主杆5上，第二深度相机2通过第二伸缩杆9设置于主杆5上，第一深度相机1相对第一伸缩杆8可转动，第二深度相机2相对第二伸缩杆9可转动，具体可通过电机等现有技术实现第一深度相机1、第二深度相机2的垂直升降、水平伸缩以及转动，可相应在主杆5上设置控制按钮用于触发电机，从而相应控制垂直升降等状态。优选的，第一深度相机1为保持垂直拍摄肉鸡，即第一深度相机1根据肉鸡的位置而移动至肉鸡的正上方，第二深度相机2为保持水平拍摄肉鸡，即第二深度相机2也是跟随肉鸡的位置而移动至肉鸡的正侧方。

应理解，在一些实施例中，电子秤3上设置有只能容纳一只鸡进食且呈透明状的饲料盒，饲料盒的上方是开孔的，方便第一深度相机1拍摄饲料盒内的单只肉鸡，其中饲料盒设有可转动设置且用于让单只肉鸡进入饲料盒内的第一门体，另外，该饲料盒还设有可转动设置且用于让单只肉鸡从饲料盒内走出的第二门体，同时，该饲料盒内还设有用于驱赶单只肉鸡的鼓风机以及用于投放饲料的投料器。进一步的，当需要拍摄时，该辅助估测鸡群均匀度的方法还包括：步骤A1：控制第二门体转动以关闭，控制第一门体转动以打开，同时控制投料器投出饲料；步骤A2：当识别到有单只肉鸡进入饲料盒内时，控制第一门体反向转动以关闭，并控制第一深度相机1和第二深度相机2拍摄；步骤A3：当拍摄完成后，控制第二门体反向转动以打开，并控制鼓风机启动以产生大风，这样可以驱赶单只肉鸡从饲料盒走出；并在单只肉鸡出来后继续执行步骤A1，依次循环。

在此步骤S1中，当有肉鸡站上电子秤3时则测量体重信息，并传送至作为数据接收部件4的工控电脑保存。同时通过工控电脑触发第一深度相机1及第二深度相机2进行拍摄，从而缩短了拍摄时长，减少无效数据的产生，提高处理效率、节约能耗，充分实现了自动化。同时，工控电脑4中应安装启动深度相机的SDK，及接受记录电子秤体重的相应程序。一个采样点可以拍摄15到30分钟，然后将前期数据采集装置移动至下一采样地点采集数据，可以理解一个采样点在一个采样周期内可获得包括单只肉鸡的深度图像及其对应的体重值的多组信息数据。

深度图像也叫距离影像，是指将从图像采集器到场景中各点的距离(深度)值作为像素值的图像。深度相机提供深度图像，并添加了颜色描绘深度范围用伪彩色图显示。

应理解，第一深度相机1与第二深度相机2结构相同。下面以第一深度相机1为例进行具体说明，优选的，第一深度相机1采用的是英特尔实感RGB-D(红绿蓝-深度)相机，其包括彩色(RGB)相机、红外投射器以及一对立体红外相机。英特尔实感RGB-D相机采用了经典的双目立体视觉的方式测量深度，即利用左右两个立体红外相机将图像数据送入内置的深度处理器，在其中基于双目测距的原理计算每个像素的深度值，从而在像素级输出具有颜色和深度信息的图像；中间的红外投射器可投射不可见的固定的红外纹理样式，提高在纹理不明显的环境中(例如白墙)的深度计算精度，辅助双目视觉测距；彩色相机则输出彩色图片。英特尔实感RGB-D相机的捕捉最远距离可以达10米，户外阳光下或者在黑暗条件下都可使用，能输出1280x720的高分辨率深度画面。

双目立体视觉(Binocular Stereo Vision)是机器视觉的一种重要形式，它是基于视差原理并利用成像设备从不同的位置获取被测物体的两幅图像，通过计算图像对应点间的位置偏差，来获取物体三维几何信息的方法。双目立体视觉融合两只眼睛获得的图像并观察它们之间的差别，使用户可以获得明显的深度感，建立特征间的对应关系，将同一空间物理点在不同图像中的映像点对应起来，这个差别称作视差(Disparity)图像，其中图6为视差原理图。

基于图6的等价方程式如下:

其中，x和x'为场景点3D对应的像平面上的点与其摄像机中心的距离。B是两个相机之间的距离，f是相机的焦距。简而言之，上面的方程式为场景中一个点的深度与相应的图像点和它们的相机中心的距离的差成反比，有了这些信息就能得到图像中所有像素的深度。

步骤S2：对单只肉鸡的深度图像进行图像预处理。

该步骤S2的图像预处理具体包括：

步骤S21：对单只肉鸡的深度图像进行中值滤波。中值滤波作为一种非线性滤波，它是将像素作为中心像素，邻域窗口内所有的值都按照从小到大的顺序排队，然后选取中间值作为该像素的新值，能在消除深度图噪声的同时保持边缘细节，并且由于这种方法的频谱特性起伏并不大，因此处理后图像的信号频谱未发生变化。

步骤S22：进一步对单只肉鸡的深度图像进行大津阈值分割及二值化。大津阈值分割是一种使类间方差最大的自动确定阈值的方法，该方法具有简单、处理速度快的特点。

步骤S23：利用对象标识法获取单只肉鸡的深度图像的最大目标。由于上述步骤S22二值化后图像中仍有部分噪点，因此采取对象标识法获取图像中肉鸡位置，提高分割精度。

步骤S24：进行形态学开闭重构，以完成图像预处理。形态学开闭重构方法在保持弱边缘的同时，可以消弱部分背景的亮度。边缘的提取对直径测量的精度至关重要，为了增强目标区域对比度并保持弱边缘，在边缘检测之前，利用半径为2个像素的圆形结构进行形态学开闭重构操作，此处的操作针对的是灰度图像，不改变肉鸡的半径大小。

步骤S3：运用ResNet卷积层作为均匀度预测模型的骨架，进一步在ResNet卷积层之上增加三层全连接网络做线性回归，训练肉鸡的体重值，从而得到单只肉鸡的深度图像中肉鸡的体重值，完成均匀度预测模型的建立。

ResNet(深度残差网络)为了能够训练更加深层的网络提供了有利的思路，深度学习中网络并不是越深得到的效果会更好，在构建了太深的层网络之后会使得网络退化，ResNet使用了跨层连接，使得训练更加容易。

步骤S4：利用后期数据采集装置采集鸡群的深度图像。

后期数据采集装置与上述前期数据采集装置相似，但后期数据采集装置采用的是多只肉鸡的拍摄方法，后期数据采集装置同样包括有第一深度相机1、第二深度相机2、数据接收部件4以及主杆5，但不需要电子秤3，此外还增加了喷墨装置。具体的，在此步骤S4中可设置每隔30秒拍摄一张图片，连续拍摄10分钟。

步骤S5：对鸡群的深度图像进行图像分割以获得各个分割图像。

应理解各个分割图像分别对应一只肉鸡，该步骤S5具体可采用Mask R-CNN卷积网络对鸡群的深度图像进行图像分割，或者基于距离的图像分割。

步骤S6：将各个分割图像输入步骤S3建立的均匀度预测模型中，以预测各个分割图像对应的各只肉鸡的体重值，并计算鸡群整体均匀度。

鸡群整体均匀度用于衡量鸡群群体内各只肉鸡体重之间的相近程度，其计算方法为鸡群中体重在平均体重±10％范围内鸡只所占的百分比；鸡群整体均匀度在70％～75％时为合格，达76％～85％较好，达到86％～90％为很好。

步骤S71：将步骤S6预测得到的各只肉鸡的体重值及鸡群整体均匀度发送到客户端。

客户端具体为APP或者微信小程序；此外也可将拍摄的深度图像发送到客户端。

此外，在上述步骤S6之后还包括：

步骤S721：判断步骤S6预测得到的各只肉鸡的体重值中是否存在大于预设的最大体重值和/或小于预设的最小体重值，若存在则将对应的分割图像标识为异常肉鸡图像。

步骤S722：利用后期数据采集装置对鸡群进行监控拍摄，当监控拍摄范围内出现与异常肉鸡图像相同的肉鸡时则判定其为异常肉鸡。

应理解，通过后期数据采集装置的第一深度相机及第二深度相机进行监控拍摄。

步骤S723：利用后期数据采集装置的喷墨装置对异常肉鸡进行喷墨标识，其中喷墨装置包括墨盒6以及喷头7，喷头7用于喷出标识信息。

即当监控出现体重过重和/或体重过轻的异常肉鸡时，启动喷墨装置对该异常肉鸡进行喷墨标识，以便后续追踪异常肉鸡及分栏处理。标识信息具体可为数字。

优选的，在上述步骤S723之后还包括：

步骤S724：利用后期数据采集装置进行多角度采集异常肉鸡的图像。

应理解，通过调整转动后期数据采集装置的第一深度相机1及第二深度相机2，以进行多角度采集异常肉鸡的图像。

步骤S725：通过目标检测算法对异常肉鸡的图像进行识别，以识别出异常肉鸡的各个部位。

目标检测算法具体可为YOLO-v4、Mask R-CNN等算法。异常肉鸡的各个部位包括肉鸡的羽毛、头部、眼睛、鸡嘴以及鸡脚等。

步骤S726：判断异常肉鸡的各个部位是否存在异常，若存在则将对应的异常部位信息发送到客户端。

通过将识别出异常肉鸡的各个部位与正常肉鸡的各个正常部位图片进行对比，判断异常肉鸡的各个部位是否存在异常，例如判断是否羽毛是否过少，过短羽毛过脏等等，鸡毛的生长情况容易外界环境影响，如鸡毛少、过短或鸡毛脏容易被细菌或微小生物寄生，影响肉鸡的正常生长；判断头部的生长是否不正常，是否受伤，如打斗或被其他鸡着伤等，另外，在识别出头部的时候，还可以进一步识别出眼睛或其他器官，来判断这些器官是否有问题，这些器官受伤容易影响肉鸡的吃东西状况，如肉鸡眼睛瞎也会影响肉鸡吃饲料，影响正常生长；判断鸡嘴是否长歪、损伤等，鸡嘴受伤会影响肉鸡的进食情况；判断鸡脚是否长畸形或有损伤等，鸡脚受伤容易影响肉鸡的正常活动，不利于健康生长。

若判断得到存在则将对应的异常部位信息发送到客户端；通过将异常部位信息以及异常肉鸡的上述标识信息对应匹配保存，以方便查询。通过设置喷墨装置，能够监控视野中出现的异常鸡只，并进行标记，利于后续进行追踪。通过将预测得到的体重值、异常部位信息等信息数据发送到客户端，方便鸡群管理者管理鸡群。

此外，本发明还提供一种辅助估测鸡群均匀度的装置，包括上述前期数据采集装置以及后期数据采集装置，一种辅助估测鸡群均匀度的装置还包括预测模型建立装置以及均匀度估测装置：预测模型建立装置用于对单只肉鸡的深度图像进行图像预处理，运用ResNet卷积层作为均匀度预测模型的骨架，进一步在ResNet卷积层之上增加三层全连接网络做线性回归，训练肉鸡的体重值，从而得到单只肉鸡的深度图像中肉鸡的体重值，完成均匀度预测模型的建立；均匀度估测装置用于对鸡群的深度图像进行图像分割以获得各个分割图像，将各个分割图像输入均匀度预测模型中，以预测各个分割图像对应的各只肉鸡的体重值，并计算鸡群整体均匀度，将预测得到的各只肉鸡的体重值及鸡群整体均匀度发送到客户端。

可以理解，本发明一种辅助估测鸡群均匀度的装置与方法具备以下有益效果：(1)通过前期数据采集装置多次采集用于建立均匀度预测模型所需的单只肉鸡的深度图像及其对应的体重值，其中第一深度相机及第二深度相机解决了传统相机拍摄出的图片由于光照环境的影响对后期特征提取造成困难的问题；第一深度相机及第二深度相机能够提供肉鸡不同角度的拍摄图像，增加了训练数据集的多样性，有利于后续建模中数据的增强；主杆与电子秤的底部均设有滚轮，提高前期数据采集装置的灵活性，方便采集不同场景的数据信息；第一深度相机与第二深度相机相对主杆均可进行垂直升降及水平伸缩，适用于不同空间大小的数据采集场景的拍摄。(2)步骤S3的建立均匀度预测模型将预测体重的任务转化成图像分类问题，实现利用图像分类网络来进行预测肉鸡的体重值，并通过增加网络结构拟合均匀度。综上，本发明通过前期数据采集装置以在前期建立均匀度预测模型，然后通过后期数据采集装置进行实际采集鸡群的深度图像，将鸡群的深度图像与均匀度预测模型结合实现利用图像对鸡群均匀度进行估测，本发明能够投入到真正的鸡群养殖环境当中去，达到快速、准确、高效得到鸡群均匀度信息的目的，解决了人工操作效率低下和劳动强度大的问题，降低养殖成本，且不会对鸡群造成刺激影响，提高了动物福利。

需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (7)

1.一种辅助估测鸡群均匀度的方法，其特征在于，包括以下步骤：

步骤S1：利用前期数据采集装置多次采集用于建立均匀度预测模型所需的单只肉鸡的深度图像及其对应的体重值；

其中，所述前期数据采集装置包括第一深度相机、第二深度相机、电子秤、数据接收部件以及主杆，所述主杆与所述电子秤间隔设置，所述主杆与所述电子秤的底部均设有滚轮，所述主杆连接有载物台，所述数据接收部件设置于所述载物台上，所述第一深度相机与所述第二深度相机间隔设置于所述主杆上，且所述第一深度相机与所述第二深度相机相对所述主杆均可进行垂直升降及水平伸缩，所述电子秤用于采集单只肉鸡的体重值，所述第一深度相机位于所述电子秤的上方用于采集单只肉鸡的俯视角度的深度图像，所述第二深度相机位于所述电子秤的侧方用于采集单只肉鸡的侧视角度的深度图像，所述第一深度相机、第二深度相机以及电子秤均与所述数据接收部件连接；

步骤S2：对所述单只肉鸡的深度图像进行图像预处理；

步骤S3：运用ResNet卷积层作为所述均匀度预测模型的骨架，进一步在所述ResNet卷积层之上增加三层全连接网络做线性回归，训练所述肉鸡的体重值，从而得到所述单只肉鸡的深度图像中肉鸡的体重值，完成所述均匀度预测模型的建立；

步骤S4：利用后期数据采集装置采集鸡群的深度图像；

步骤S5：对所述鸡群的深度图像进行图像分割以获得各个分割图像；

步骤S6：将各个所述分割图像输入所述步骤S3建立的均匀度预测模型中，以预测各个分割图像对应的各只肉鸡的体重值，并计算鸡群整体均匀度；

步骤S71：将所述步骤S6预测得到的各只肉鸡的体重值及所述鸡群整体均匀度发送到客户端；

在所述步骤S6之后还包括：

步骤S721：判断所述步骤S6预测得到的各只肉鸡的体重值中是否存在大于预设的最大体重值和/或小于预设的最小体重值，若存在则将对应的所述分割图像标识为异常肉鸡图像；

步骤S722：利用所述后期数据采集装置对鸡群进行监控拍摄，当监控拍摄范围内出现与所述异常肉鸡图像相同的肉鸡时则判定其为异常肉鸡；

步骤S723：利用所述后期数据采集装置的喷墨装置对所述异常肉鸡进行喷墨标识，其中所述喷墨装置包括墨盒以及喷头，所述喷头用于喷出标识信息；

在所述步骤S723之后还包括：

步骤S724：利用所述后期数据采集装置进行多角度采集所述异常肉鸡的图像；

步骤S725：通过目标检测算法对所述异常肉鸡的图像进行识别，以识别出所述异常肉鸡的各个部位；

步骤S726：判断所述异常肉鸡的各个部位是否存在异常，若存在则将对应的异常部位信息发送到所述客户端；

所述各个部位包括肉鸡的羽毛、头部、眼睛、鸡嘴以及鸡脚。

2.根据权利要求1所述的一种辅助估测鸡群均匀度的方法，其特征在于：所述客户端为APP或者微信小程序。

3.根据权利要求1所述的一种辅助估测鸡群均匀度的方法，其特征在于：所述标识信息为数字。

4.根据权利要求1所述的一种辅助估测鸡群均匀度的方法，其特征在于：所述步骤S2的图像预处理具体包括：

步骤S21：对所述单只肉鸡的深度图像进行中值滤波；

步骤S22：进一步对所述单只肉鸡的深度图像进行大津阈值分割及二值化；

步骤S23：利用对象标识法获取所述单只肉鸡的深度图像的最大目标；

步骤S24：进行形态学开闭重构，以完成所述图像预处理。

5.根据权利要求4所述的一种辅助估测鸡群均匀度的方法，其特征在于：所述步骤S5具体采用Mask R-CNN卷积网络对所述鸡群的深度图像进行图像分割。

6.根据权利要求1所述的一种辅助估测鸡群均匀度的方法，其特征在于：所述第一深度相机通过第一伸缩杆设置于所述主杆上，所述第二深度相机通过第二伸缩杆设置于所述主杆上，所述第一深度相机相对所述第一伸缩杆可转动，所述第二深度相机相对所述第二伸缩杆可转动，所述数据接收部件为工控电脑。

7.一种辅助估测鸡群均匀度的装置，其特征在于：包括权利要求1-6任一项所述的前期数据采集装置以及所述后期数据采集装置，所述一种辅助估测鸡群均匀度的装置还包括预测模型建立装置以及均匀度估测装置：

所述预测模型建立装置用于对所述单只肉鸡的深度图像进行图像预处理，运用ResNet卷积层作为所述均匀度预测模型的骨架，进一步在所述ResNet卷积层之上增加三层全连接网络做线性回归，训练所述肉鸡的体重值，从而得到所述单只肉鸡的深度图像中肉鸡的体重值，完成所述均匀度预测模型的建立；

所述均匀度估测装置用于对所述鸡群的深度图像进行图像分割以获得各个分割图像，将各个所述分割图像输入所述均匀度预测模型中，以预测各个分割图像对应的各只肉鸡的体重值，并计算所述鸡群整体均匀度，将预测得到的所述各只肉鸡的体重值及所述鸡群整体均匀度发送到客户端；

所述均匀度估测装置还用于判断预测得到的各只肉鸡的体重值中是否存在大于预设的最大体重值和/或小于预设的最小体重值，若存在则将对应的所述分割图像标识为异常肉鸡图像；

所述后期数据采集装置还用于对鸡群进行监控拍摄，当监控拍摄范围内出现与所述异常肉鸡图像相同的肉鸡时则判定其为异常肉鸡；

所述后期数据采集装置还用于利用其喷墨装置对所述异常肉鸡进行喷墨标识，其中所述喷墨装置包括墨盒以及喷头，所述喷头用于喷出标识信息。