CN117036337A - 一种基于关键点的肉牛体况评分方法 - Google Patents
一种基于关键点的肉牛体况评分方法 Download PDFInfo
- Publication number
- CN117036337A CN117036337A CN202311165677.6A CN202311165677A CN117036337A CN 117036337 A CN117036337 A CN 117036337A CN 202311165677 A CN202311165677 A CN 202311165677A CN 117036337 A CN117036337 A CN 117036337A
- Authority
- CN
- China
- Prior art keywords
- beef cattle
- key point
- scoring
- key
- body condition
- 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
- 241000283690 Bos taurus Species 0.000 title claims abstract description 107
- 235000015278 beef Nutrition 0.000 title claims abstract description 101
- 238000013077 scoring method Methods 0.000 title claims abstract description 8
- 238000001514 detection method Methods 0.000 claims abstract description 39
- 238000004519 manufacturing process Methods 0.000 claims abstract description 6
- 230000005540 biological transmission Effects 0.000 claims abstract description 5
- 238000011156 evaluation Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 26
- 210000000038 chest Anatomy 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 17
- 230000004927 fusion Effects 0.000 claims description 6
- 210000001991 scapula Anatomy 0.000 claims description 6
- 210000000115 thoracic cavity Anatomy 0.000 claims description 6
- 241001061264 Astragalus Species 0.000 claims description 4
- 235000006533 astragalus Nutrition 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 210000004233 talus Anatomy 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 230000037237 body shape Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000002950 deficient Effects 0.000 claims description 3
- 238000011161 development Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 210000001562 sternum Anatomy 0.000 claims description 3
- 210000001217 buttock Anatomy 0.000 claims description 2
- 241001465754 Metazoa Species 0.000 abstract description 4
- 206010063385 Intellectualisation Diseases 0.000 abstract description 2
- 238000009395 breeding Methods 0.000 abstract description 2
- 230000001488 breeding effect Effects 0.000 abstract description 2
- 244000144972 livestock Species 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 9
- 238000013461 design Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 244000144992 flock Species 0.000 description 2
- 244000144980 herd Species 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 235000016709 nutrition Nutrition 0.000 description 2
- 230000035764 nutrition Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 235000006180 nutrition needs Nutrition 0.000 description 1
- 235000003715 nutritional status Nutrition 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
- A01K29/00—Other apparatus for animal husbandry
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G06T2207/10024—Color 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
- G06T2207/10—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
- G06T2207/20—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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Environmental Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Quality & Reliability (AREA)
- Animal Husbandry (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种基于关键点的肉牛体况评分方法，涉及畜牧养殖智能化技术领域，包括：通过深度相机采集肉牛背部和侧面的彩色图像、深度图像和点云数据；将采集的数据与耳标识读器的信息进行数据组合传输至关键点检测模型；所述关键点检测模型根据接收的数据获取关键点坐标位置；依据所述关键点坐标位置对肉牛进行进行检测并评分，所述评分用于对肉牛的分群管理。基于关键点的评定方式是根据动物性状的生物学特点进行，关键点检测模型可以根据肉牛的体征给出客观的检测，从而能够高效、精确地实现肉牛体况评分，有利于对肉牛根据评分分群管理，提高牛群的生产水平。
Description
技术领域
本申请涉及畜牧养殖智能化技术领域，具体涉及一种基于关键点的肉牛体况评分方法。
背景技术
分群饲养是调整和控制肉牛体况的重要技术措施，方便养殖户对肉牛进行统一管理。在肉牛的整个饲养管理过程中，都应该根据牛群规模、膘情和个体情况、营养情况，适当分群，适时调整，用科学的饲养方法，进行合理的调整饲料喂给肉牛，可以使瘦弱牛肌体营养吸收达到平衡，促进瘦弱牛长肉增膘，提早出栏。以保证肉牛在不同时期的理想或适合体况，提高牛群的生产水平和经济效益。
体况评分是衡量肉牛以脂肪和肌肉形式进行能量储备及监控肉牛能量平衡的一种方法，常用于区分牛群中肉牛营养需求差异。体况评分是肉牛营养状况的优秀指标，每头肉牛的理想体重都可能不同，但所有肉牛的理想身体状况指标都是一样的。体况评分已成为检验和评价牛群饲养管理水平、预测牛群生产力的一项重要指标，是肉牛饲养管理的重要管理工具。
因此，如何实现对肉牛体况的快速获取是本领域亟待解决的技术问题。
发明内容
本申请为了解决上述技术问题，提出了如下技术方案：
第一方面，本申请实施例提供了一种基于关键点的肉牛体况评分方法，包括：
通过深度相机采集肉牛背部和侧面的彩色图像、深度图像和点云数据；
将采集的数据与耳标识读器的信息进行数据组合传输至关键点检测模型；
所述关键点检测模型根据接收的数据获取关键点坐标位置；
依据所述关键点坐标位置对肉牛进行进行检测并评分，所述评分用于对肉牛的分群管理。
在一种可能的实现方式中，所述通过深度相机采集肉牛背部和侧面的彩色图像、深度图像和点云数据，包括：
通过相机标定获取两相机的相对位置矩阵，完成图像坐标与空间坐标两者之间坐标系的转换关系；
结合测量通道中安置的相机与肉牛背部和侧面位置关系分别获取肉牛背部和侧面的彩色图像、深度图像和点云数据。
在一种可能的实现方式中，所述关键点检测模型是利用体况样本训练HRNet网络训练获得，首先对样本原图进行关键点标注，获得关键点坐标值，然后将原始图片与标注获得的坐标值输入到模型中进行训练，模型训练完成之后，对模型进行测试，建立验证数据集进行验证模型的训练结果，最终得到能够使用的关键点检测模型，其中：训练过程可以基于如下参数进行，训练阶段权值的初始学习率为0.0005，训练迭代次数为1000次，当迭代次数为500次和800次时，分别将学习率降低为0.00005和0.00001，使损失函数进一步收敛。
在一种可能的实现方式中，关键点检测模型在每个位置预测一个分数，来表征该位置属于关键点的置信度，对每个关键点对应的预测信息求最大值的位置，即预测分数最大的位置，作为预测关键点的位置，映射回原图得到原图上关键点的坐标。
在一种可能的实现方式中，关键点检测模型从高分辨率子网络开始作为第一阶段，逐步将高分辨率到低分辨率的子网络添加，形成更多的阶段，将多分辨率子网络并行连接，在整个过程中通过在并行多分辨率子网络之间反复减缓信息来重复多尺度融合，通过网络输出高分辨表示估计关键点；
网络主体包含四个阶段、四个并行卷积分支，分辨率分别为1/4、1/8、1/16和1/32，第一阶段包含4个宽度为64的bottleneck残差单元，每个后边跟随3×3卷积，将特征图的数量变为C，第2、3、4个阶段分别包含1、4、3个模块，每个模块包含4个残差单元，每个单元为每个分辨率提供两层stride2的3×3卷积，为了通过学习的方式，降低信息的损耗，其后跟随BatchNorm与非线性激活ReLU，四个分辨率下的卷积通道数依次为C、2C、4C和8C，每个阶段的末尾存在多分辨率融合模块，最终的输出具备同等分辨率。
在一种可能的实现方式中，所述关键点检测模型根据接收的数据获取关键点坐标位置，包括：关键点检测中用OKS来表示预测与真实的相似程度，其值域在0到1之间，越靠近1表示相似度越高；其中：
i——表示第i个关键点；
vi——表示第i个关键点的可见性；
δ(x——当x为True时值为1，当x为False时值为0；
di——表示第i个关键点与对应GT之间的欧式距离；
s——表示目标面积的平方根；
ki——表示控制关键点类别i的衰减常数。
在一种可能的实现方式中，所述依据所述关键点坐标位置对肉牛进行进行检测并评分，包括：体况评分模块包括测量体高、背高、尻高、体斜长、体直长、臀斜长、胸深、胸宽用于表达不同体躯部相对发育程度，反映肉牛的体态特征及可能的生产性能，评定时侧重于尾根、尻角、尻部及腰角等部位的凹陷情况和脊柱、肋骨的丰满程度及整体印象。
在一种可能的实现方式中，体高(耆甲高)：由耆甲最高点(第四胸椎棘突处)至地面的垂直距离，表示牛个体的一般生长情况；
背高：由背部最凹点(最后胸椎棘突后缘)至地面的垂直距离，与体高相比，表示背部结构的凹凸或平直；
尻高(十字部位)：由腰角连线的中点至地面的垂直距离，与体高相比，表示前后躯的相对生长程度；
体斜长(体长)：由肩端前缘至臀角后缘的距离，表示个体的长度生长情况；
体直长(体长)：牛由耆甲至尾根的距离；
臀斜长(尻长)：由腰角前缘至臀角后缘的直线距离，表示个体后驱的生长情况；
胸深：沿肩胛骨后缘作一切线，量取由背部至胸骨下缘的直线距离；
胸宽：沿肩胛骨后缘作一切线，量取两侧最宽点的直线距离，与胸深一起表示牛个体的胸部生长情况；
各部位评分计算公式如下：
Parti——部位i的评分；
m——部位i包含的形状数；
Xj——部位i体型评定形状j的分数，j＝1,2,…,m；
wij——部位i体型评定性状j的权重，j＝1,2,…,m；
Dk——部位i缺陷性状k的减分，k＝1,2,…,n；
n——部位i中所包含的缺陷减分性状数；
肉牛体况评分总分计算公式如下：
S——体型总分；
wi——体型评定i的权重，j＝1,2,…,m。
在一种可能的实现方式中，所述评分用于对肉牛的分群管理，包括：根据各部位权重合并分数并划分肉牛为优、很好、良好、好、一般、差六个等级，控制肉牛进入分群通道进行分群。
在本申请实施例中，基于关键点的评定方式是根据动物性状的生物学特点进行，关键点检测模型可以根据肉牛的体征给出客观的检测，从而能够高效、精确地实现肉牛体况评分，有利于对肉牛根据评分分群管理，提高牛群的生产水平。
附图说明
图1为本申请实施例提供的一种基于关键点的肉牛体况评分方法的流程示意图；
图2为本申请实施例提供的肉牛疏导通道装置示意图；
图3为本申请实施例提供的自动感应门控制系统示意图；
图4为本申请实施例提供的通道图像采集处示意图；
图5为本申请实施例提供的模型训练结构示意图；
图6为本申请实施例提供的关键点位置热图示意图；
图7为本申请实施例提供的关键点检测模型网络示意图；
图8为本申请实施例提供的SE的结构示意图；
图9为本申请实施例提供的肉牛关键点位置示意图。
具体实施方式
下面结合附图与具体实施方式对本方案进行阐述。
参见图1，本申请实施例中的基于关键点的肉牛体况评分方法，包括：
S101，通过深度相机采集肉牛背部和侧面的彩色图像、深度图像和点云数据。
本实施例中，为了实现对肉牛进行图像获取，采用图2所示通道装置对肉牛进行疏导。参见图2，通道装置包括集群区域1、引导通道2、保定测量通道3和分群通道4。集群区域1与引导通道2相连接，引导通道2根据动物行为学设计，为牛群提供低应激驱赶方式，在通道口两侧进行可调节宽度设计，可有效减缓肉牛行进速度，减少肉牛在行进过程中的冲撞力。保定测量通道3狭窄，不需要其他特殊的保定设施，使肉牛的活动受到限制的同时，不会产生反抗行为，对人、牛均较安全，且保证肉牛完全进入相机视野中。分群通道4根据不同检测结果对应不同的分群门5，适当分群，适时调整，可实现精细化养殖管理。
肉牛在集群区域1通过引导通道2到达保定测量通道3入口门处，面板式RFID无线射频电子耳标识读器6获取肉牛的耳标信息，对肉牛身份进行识别。根据设备的选择以及设计需求，通过USB串口的方式实现计算机与电子耳标识读器等设备之间的连接，采用RS-485串口通信协议实现与计算机系统和检测模型软件之间的数据交互。使用动物电子耳标识读器，采用连续发送数据模式，数据经过处理后，显示为当前检测所需要的肉牛的编号信息。
参见图3，本实施例中，各通道之间自动感应门控制系统由计算机、传感器、输入装置、输出装置、驱动电路、减速器、电动机和其他装置组成。肉牛在保定测量通道2前，触发到自动感应门的红外光电传感器，红外线被肉牛体反射到传感器的接收元件上，产生开门触点信号经输入装置传给计算机，计算机接收开关信号进行判断，通过输出装置发出控制信号驱动电动机正向运行，通过执行装置将门开启。当肉牛完全进入保定测量通道2，由计算机作出判断，通知电动机作反向运动，将门关闭并将信号通过输入装置上传给计算机，控制图像采集模块的设备进行图像的采集。
参见图4，图像采集模块包括2台微软的AzureKinectDK深度相机7、8，分别安装固定在保定测量通道3的顶部和侧面，通过相机标定的方法获取两相机的相对位置矩阵，完成图像坐标与空间坐标两者之间坐标系的转换关系。测量通道中安置的相机分别获取肉牛背部和侧面的彩色图像、深度图像和点云数据。
S102，将采集的数据与耳标识读器的信息进行数据组合传输至关键点检测模型。
计算机判断相机采集到完整清晰的肉牛图像数据后，记录保存该肉牛的各图像数据，并与耳标识读器的信息对应，传输至关键点检测模型处理，获取关键点坐标位置。
S103，所述关键点检测模型根据接收的数据获取关键点坐标位置。
所述的关键点检测模型是利用体况样本训练HRNet(High-ResolutionNet)网络得到的模型，参见图5为模型训练结构图。首先对样本原图进行关键点标注，获得关键点坐标值。然后将原始图片与标注获得的坐标值输入到模型中进行训练。模型训练完成之后，对模型进行测试，建立验证数据集进行验证模型的训练结果，最终得到能够使用的关键点检测模型。所述的体况样本为肉牛背部及侧面样本图像，所述的HRNet网络是针对KeypointDetection任务提出的。
在本申请实施例中，训练过程可以基于如下参数进行。训练阶段权值的初始学习率为0.0005，训练迭代次数为1000次，当迭代次数为500次和800次时，分别将学习率降低为0.00005和0.00001，使损失函数进一步收敛。训练完成之后，即可得到肉牛关键点检测的预测模型。
HRNet网络是基于热图(Heatmap-based)的方法在每个位置预测一个分数，来表征该位置属于关键点的置信度。对每个关键点对应的预测信息求最大值的位置，即预测分数最大的位置，作为预测关键点的位置，映射回原图得到原图上关键点的坐标。热力图的原理是将数据点按照其密度分布情况，用不同的颜色来表示。通常，密度越高的区域颜色越深，密度越低的区域颜色越浅，如图6所示。
Heatmap全卷积的结构能够完整地保留位置信息，因此得到热图的空间泛化能力更强。基于热图的方法更好地保留了空间位置信息，更符合卷积神经网络(ConvolutionalNeuralNetwork,CNN)的设计特性。
关键点检测模型能够在运算全部过程中维护高分辨率表示，从高分辨率子网络开始作为第一阶段，逐步将高分辨率到低分辨率的子网络添加，形成更多的阶段，将多分辨率子网络并行连接，在整个过程中，通过在并行多分辨率子网络之间反复减缓信息来重复多尺度融合，通过网络输出高分辨表示估计关键点。
如图7所示，关键点检测模型网络主体包含四个阶段、四个并行卷积分支，分辨率分别为1/4、1/8、1/16和1/32。第一阶段包含4个宽度为64的bottleneck残差单元，每个后边跟随3×3卷积，将特征图的数量变为C。第2、3、4个阶段分别包含1、4、3个模块，每个模块包含4个残差单元。每个单元为每个分辨率提供两层stride2的3×3卷积，为了通过学习的方式，降低信息的损耗，其后跟随BatchNorm与非线性激活ReLU。四个分辨率下的卷积通道数依次为C、2C、4C和8C。每个阶段的末尾存在多分辨率融合模块，最终的输出具备同等分辨率。
在网络结构中加入Squeeze-and-Excitation(SE)通道注意力机制，为了解决在卷积池化过程中feature map的不同通道所占的重要性不同带来的损失问题。如图8所示，在通道注意力机制学习各个通道的重要性时，先对特征图的空间进行压缩，然后在通道维度进行学习，得到各个通道的重要性。最后通过激励部分对各个通道进行分配不同权重。
在关键点检测(Keypoint Detection)任务中用OKS(Object KeypointSimilarity)来表示预测Keypoints与真实Keypoints的相似程度，其值域在0到1之间，越靠近1表示相似度越高。
i——表示第i个关键点；
vi——表示第i个关键点的可见性；
δ(x——当x为True时值为1，当x为False时值为0；
di——表示第i个关键点与对应GT之间的欧式距离；
s——表示目标面积的平方根；
ki——表示控制关键点类别i的衰减常数。
S104，依据所述关键点坐标位置对肉牛进行进行检测并评分，所述评分用于对肉牛的分群管理。
体况评分包括测量体高、背高、尻高、体斜长、体直长、臀斜长、胸深、胸宽等项目，用于表达不同体躯部相对发育程度，反映肉牛的体态特征及可能的生产性能，评定时侧重于尾根、尻角、尻部及腰角等部位的凹陷情况和脊柱、肋骨的丰满程度及整体印象，达到准确、快速、科学评定的目的。关键点位置如图9所示。
体高(耆甲高)：由耆甲9最高点(第四胸椎棘突处)至地面的垂直距离，表示牛个体的一般生长情况。
背高：由背部最凹点10(最后胸椎棘突后缘)至地面的垂直距离，与体高相比，表示背部结构的凹凸或平直。
尻高(十字部位)：由腰角11连线的中点至地面的垂直距离，与体高相比，表示前后躯的相对生长程度。
体斜长(体长)：由肩端12前缘至臀角13后缘的距离，表示个体的长度生长情况。
体直长(体长)：牛由耆甲9至尾根14的距离。
臀斜长(尻长)：由腰角11前缘至臀角13后缘的直线距离，表示个体后驱的生长情况。
胸深：沿肩胛骨15后缘作一切线，量取由背部至胸骨下缘的直线距离。
胸宽：沿肩胛骨15后缘作一切线，量取两侧最宽点的直线距离，与胸深一起表示牛个体的胸部生长情况。
各部位评分计算公式如下：
Parti——部位i的评分；
m——部位i包含的形状数；
Xj——部位i体型评定形状j的分数，j＝1,2,…,m；
wij——部位i体型评定性状j的权重，j＝1,2,…,m；
Dk——部位i缺陷性状k的减分，k＝1,2,…,n；
n——部位i中所包含的缺陷减分性状数。
肉牛体况评分总分计算公式如下：
S——体型总分；
wi——体型评定i的权重，j＝1,2,…,m。
最后根据各部位权重合并分数并划分肉牛为优、很好、良好、好、一般、差六个等级。
检测完成后，通过输出装置发出控制信号驱动分群通道入口门的电动机正向运行，肉牛进入分群通道。根据检测结果，控制分群通道4对应体况分群门的电动机运行，通过执行装置将门开启，肉牛自行离去。待肉牛离开分群通道4后，分群门关闭，最终完成对肉牛体况评分和分群的工作，并开始对下一头牛的采集、检测过程。
本申请实施例中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示单独存在A、同时存在A和B、单独存在B的情况。其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项”及其类似表达，是指的这些项中的任意组合，包括单项或复数项的任意组合。例如，a，b和c中的至少一项可以表示：a,b,c,a-b,a-c,b-c,或a-b-c，其中a,b,c可以是单个，也可以是多个。
以上所述，仅为本申请的具体实施方式，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。本申请的保护范围应以所述权利要求的保护范围为准。
Claims (9)
1.一种基于关键点的肉牛体况评分方法，其特征在于，包括：
通过深度相机采集肉牛背部和侧面的彩色图像、深度图像和点云数据；
将采集的数据与耳标识读器的信息进行数据组合传输至关键点检测模型；
所述关键点检测模型根据接收的数据获取关键点坐标位置；
依据所述关键点坐标位置对肉牛进行进行检测并评分，所述评分用于对肉牛的分群管理。
2.根据权利要求1所述的基于关键点的肉牛体况评分方法，其特征在于，所述通过深度相机采集肉牛背部和侧面的彩色图像、深度图像和点云数据，包括：
通过相机标定获取两相机的相对位置矩阵，完成图像坐标与空间坐标两者之间坐标系的转换关系；
结合测量通道中安置的相机与肉牛背部和侧面位置关系分别获取肉牛背部和侧面的彩色图像、深度图像和点云数据。
3.根据权利要求2所述的基于关键点的肉牛体况评分方法，其特征在于，所述关键点检测模型是利用体况样本训练HRNet网络训练获得，首先对样本原图进行关键点标注，获得关键点坐标值，然后将原始图片与标注获得的坐标值输入到模型中进行训练，模型训练完成之后，对模型进行测试，建立验证数据集进行验证模型的训练结果，最终得到能够使用的关键点检测模型，其中：训练过程可以基于如下参数进行，训练阶段权值的初始学习率为0.0005，训练迭代次数为1000次，当迭代次数为500次和800次时，分别将学习率降低为0.00005和0.00001，使损失函数进一步收敛。
4.根据权利要求3所述的基于关键点的肉牛体况评分方法，其特征在于，关键点检测模型在每个位置预测一个分数，来表征该位置属于关键点的置信度，对每个关键点对应的预测信息求最大值的位置，即预测分数最大的位置，作为预测关键点的位置，映射回原图得到原图上关键点的坐标。
5.根据权利要求3所述的基于关键点的肉牛体况评分方法，其特征在于，关键点检测模型从高分辨率子网络开始作为第一阶段，逐步将高分辨率到低分辨率的子网络添加，形成更多的阶段，将多分辨率子网络并行连接，在整个过程中通过在并行多分辨率子网络之间反复减缓信息来重复多尺度融合，通过网络输出高分辨表示估计关键点；
网络主体包含四个阶段、四个并行卷积分支，分辨率分别为1/4、1/8、1/16和1/32，第一阶段包含4个宽度为64的bottleneck残差单元，每个后边跟随3×3卷积，将特征图的数量变为C，第2、3、4个阶段分别包含1、4、3个模块，每个模块包含4个残差单元，每个单元为每个分辨率提供两层stride2的3×3卷积，为了通过学习的方式，降低信息的损耗，其后跟随BatchNorm与非线性激活ReLU，四个分辨率下的卷积通道数依次为C、2C、4C和8C，每个阶段的末尾存在多分辨率融合模块，最终的输出具备同等分辨率。
6.根据权利要求1所述的基于关键点的肉牛体况评分方法，其特征在于，所述关键点检测模型根据接收的数据获取关键点坐标位置，包括：关键点检测中用OKS来表示预测与真实的相似程度，其值域在0到1之间，越靠近1表示相似度越高；其中：
i——表示第i个关键点；
vi——表示第i个关键点的可见性；
δ(x)——当x为True时值为1，当x为False时值为0；
di——表示第i个关键点与对应GT之间的欧式距离；
s——表示目标面积的平方根；
ki——表示控制关键点类别i的衰减常数。
7.根据权利要求1所述的基于关键点的肉牛体况评分方法，其特征在于，所述依据所述关键点坐标位置对肉牛进行进行检测并评分，包括：体况评分模块包括测量体高、背高、尻高、体斜长、体直长、臀斜长、胸深、胸宽用于表达不同体躯部相对发育程度，反映肉牛的体态特征及可能的生产性能，评定时侧重于尾根、尻角、尻部及腰角等部位的凹陷情况和脊柱、肋骨的丰满程度及整体印象。
8.根据权利要求7所述的基于关键点的肉牛体况评分方法，其特征在于，体高(耆甲高)：由耆甲最高点(第四胸椎棘突处)至地面的垂直距离，表示牛个体的一般生长情况；
背高：由背部最凹点(最后胸椎棘突后缘)至地面的垂直距离，与体高相比，表示背部结构的凹凸或平直；
尻高(十字部位)：由腰角连线的中点至地面的垂直距离，与体高相比，表示前后躯的相对生长程度；
体斜长(体长)：由肩端前缘至臀角后缘的距离，表示个体的长度生长情况；
体直长(体长)：牛由耆甲至尾根的距离；
臀斜长(尻长)：由腰角前缘至臀角后缘的直线距离，表示个体后驱的生长情况；
胸深：沿肩胛骨后缘作一切线，量取由背部至胸骨下缘的直线距离；
胸宽：沿肩胛骨后缘作一切线，量取两侧最宽点的直线距离，与胸深一起表示牛个体的胸部生长情况；
各部位评分计算公式如下：
Parti——部位i的评分；
m——部位i包含的形状数；
Xj——部位i体型评定形状j的分数，j＝1,2,…,m；
wij——部位i体型评定性状j的权重，j＝1,2,…,m；
Dk——部位i缺陷性状k的减分，k＝1,2,…,n；
n——部位i中所包含的缺陷减分性状数；
肉牛体况评分总分计算公式如下：
S——体型总分；
wi——体型评定i的权重，j＝1,2,…,m。
9.根据权利要求8所述的基于关键点的肉牛体况评分方法，其特征在于，所述评分用于对肉牛的分群管理，包括：根据各部位权重合并分数并划分肉牛为优、很好、良好、好、一般、差六个等级，控制肉牛进入分群通道进行分群。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311165677.6A CN117036337A (zh) | 2023-09-11 | 2023-09-11 | 一种基于关键点的肉牛体况评分方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311165677.6A CN117036337A (zh) | 2023-09-11 | 2023-09-11 | 一种基于关键点的肉牛体况评分方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117036337A true CN117036337A (zh) | 2023-11-10 |
Family
ID=88637476
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311165677.6A Pending CN117036337A (zh) | 2023-09-11 | 2023-09-11 | 一种基于关键点的肉牛体况评分方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117036337A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117718244A (zh) * | 2024-02-08 | 2024-03-19 | 中国农业科学院北京畜牧兽医研究所 | 一种针对牛群的分群称重系统 |
-
2023
- 2023-09-11 CN CN202311165677.6A patent/CN117036337A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117718244A (zh) * | 2024-02-08 | 2024-03-19 | 中国农业科学院北京畜牧兽医研究所 | 一种针对牛群的分群称重系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106780612B (zh) | 一种图像中的物体检测方法及装置 | |
| CN109635875A (zh) | 一种基于深度学习的端到端网口检测方法 | |
| CN108189043A (zh) | 一种应用于高铁机房的巡检方法及巡检机器人系统 | |
| CN109166094A (zh) | 一种基于深度学习的绝缘子故障定位识别方法 | |
| CN105389589B (zh) | 一种基于随机森林回归的胸腔x光片肋骨检测方法 | |
| CN117036337A (zh) | 一种基于关键点的肉牛体况评分方法 | |
| CN101853399B (zh) | 利用计算机视觉技术进行盲道和人行横道实时检测的方法 | |
| CN107103298A (zh) | 基于图像处理的引体向上计数系统及计数方法 | |
| CN110018524A (zh) | 一种基于视觉-属性的x射线安检违禁品识别方法 | |
| CN109977813A (zh) | 一种基于深度学习框架的巡检机器人目标定位方法 | |
| CN103324937A (zh) | 标注目标的方法和装置 | |
| CN110490227A (zh) | 一种基于特征转换的少样本图像分类方法 | |
| CN107491734A (zh) | 基于多核融合与空间Wishart LapSVM的半监督极化SAR图像分类方法 | |
| CN108961330A (zh) | 基于图像的猪体长测算方法及系统 | |
| CN111458721A (zh) | 一种暴露垃圾的识别定位方法、装置及系统 | |
| CN110287907A (zh) | 一种对象检测方法和装置 | |
| CN110348293A (zh) | 一种商品识别方法及系统 | |
| CN110032654A (zh) | 一种基于人工智能的超市商品录入方法及系统 | |
| CN114550212A (zh) | 一种基于轻量级模型的羊脸检测与识别方法 | |
| CN109034239A (zh) | 遥感影像分类方法、分布式风电场的选址方法和设备 | |
| CN104851102B (zh) | 一种基于人类视觉系统的红外小目标检测方法 | |
| CN110263678A (zh) | 一种人脸方向判断方法及系统 | |
| CN116059601B (zh) | 一种基于智能传感技术的考核训练系统 | |
| CN116935356A (zh) | 基于弱监督的自动驾驶多模态图片和点云实例分割方法 | |
| CN106570523A (zh) | 一种多特征联合的机器人足球识别方法 |
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 |