基于三维点云分割的猪体尺自动测量技术

生长性能测定是种猪育种工作的重要环节,评价猪生长性能的指标包含括体尺性状和体重等。实际生产中,需要在种猪育成期特定体重和日期进行大量测定工作。体尺测定目前主要依赖于人工,费时费力,测定效率低且主观误差较大等,制约着表型性状在育种和生产管理中的辅助作用。计算机视觉技术成为牲畜表型体尺性状自动测定发展最迅速的研究领域。该文针对三维视觉技术在猪体尺测量中发展状况和测量定位误差进行阐述,提出猪体三维点云分割的技术以及在各部分点云分割基础上的体尺测量技术,以进一步提升体尺自动的精准度。

猪三维点云体尺自动计算模型Pig Back Transformer

[目的/意义]为了提高体尺关键点定位准确率,猪三维点云体尺自动测量方法会采用点云分割,在各个分割后局部点云定位测量关键点,以减少点云之间相互干扰。然而点云分割网络通常需要消耗较大计算资源,且现有测量点定位效果仍有待提升空间。本研究旨在通过设计关键点生成网络从猪体点云中提取出各体尺测量所需关键点。在降低显存资源需求的同时提高测量关键点定位效果,提高体尺测量的效率和精度。[方法]针对猪三维表面点云进行体尺测量,提出了一种定位猪体尺关键点的模型Pig Back Transformer。模型分为两个模块,分别设计了两种改进的Transformer自注意力编码器,第一模块为全局关键点模块,首先设计了一种猪背部边缘点提取算法用于获取边缘点,再使用edge encoder编码器以边缘点集合作为输入,edge encoder的edge attention中加入了边缘点和质点的偏移距离信息;第二模块为关键点生成模块,使用了back attention机制的back encoder,其中加入了与质心和第一模块生成的全局关键点的偏移量,并将偏移量与点云注意力通过按位max pooling操作结合,最后通过生成猪的体尺测量关键点和背脊走向点。最后设计了使用关键点和背脊走向点作为输入的体尺算法。[结果和讨论]对比关键点和背脊走向点生成任务上Pig Back Transformer表现最佳,并对比体尺计算结果与人工测量结果,体长相对误差为0.63%,相对PointNet++、Point Transformer V2、Point Cloud Transforme、OctFormer PointTr等模型有较大提升。[结论] Pig Back Transformer能相对准确地生成猪体尺关键点,提高体尺测量数据准确度,并且通过点云特征定位体尺关键点节省了计算资源,为无接触牲畜体尺测量提供了新思路。