基于A-Unet的牛体尺测量方法研究

[目的]建立一种基于U-Net改进的A-Unet图像分割与牛体尺测量方法,以实现对牛体体高、体长、体斜长的自动化测量。[方法]首先,在牧场通过摄像头采集牛的侧视图片;其次,利用A-Unet算法进行图像分割,提取牛体边缘轮廓曲线,在牛体轮廓曲线的基础上采用动态网格法寻找牛体尺测量点;最后,根据摄像头已标定的参数和提取到的测量点进行计算,得出牛体尺数据。[结果]通过对深度学习算法图像分割性能的对比分析发现,相比原始的U-Net算法,建立的A-Unet算法具有更高的准确度。利用该算法对牧场21头牛进行体尺指标测定,并与人工测量结果进行比较,经验证,该方法检测体高、体长、体斜长的平均相对误差分别为4.16%、4.05%、4.27%。[结论]基于A-Unet的牛体尺测量方法可以有效地替代传统的牛体尺人工测量方式,具有适用性好、稳定性强和检测准确率高等优点,测量误差能够满足牧户对牛体尺测量需求。

基于边缘的图像分割在牛体尺测量中的应用

图像分割是图像处理、分析和理解的基础,目前它已经成为机器视觉研究领域最活跃的课题之一。边缘检测能勾画出目标物体,蕴含丰富的信息,是图像分割、识别和分析中抽取图像特征的重要方法。本文通过常用算子如Sobel、Roberts、Prewitt、Gauss-Laplace和Canny算法对牛体图像分割的效果进行实验对比,证明Canny算子总体上优于其他算子。针对Canny算子分割可能产生的断裂和不完整,运用OR运算结合模糊和边缘信息去除断边,利用数字形态学重新填充图像中的空洞,增强边缘轮廓显示的效果。在此基础上进行的牛体测量结果与实际结果相比误差较小,测量精度较高,其通用性较好,能够满足日常对于牛体体高和体长的测量要求。

偏最小二乘法在西门塔尔牛体尺估测中的应用

偏最小二乘法能有效解决多元回归分析中变量的多重共线性问题。选用牛体重、体高两个参数做自变量估测牛的胸围和腹围,应用所建立的线性模型对184头西门塔尔牛的数据进行误差分析,腹围平均相对误差为3.742%,胸围平均相对误差为4.385%.证明所得偏最小二乘回归模型具有较好的精度,模型能应用到种牛的选育过程中,具有较强的实用性。

基于机器视觉和TX2的牛生长参数测量系统设计

针对人工牛生长参数测量工作强度大的问题,提出一种基于嵌入式AI的牛体尺体重自动测量系统。首先,摄像头获取牛只图像,利用YOLOv5检测牛体特征部位,边缘检测算法获取牛体轮廓,三点圆弧曲率法提取体尺测点,代入公式计算体尺。其次,采用STM32体重秤和RFID耳标读卡器获取体重和身份数据并通过RS-485传输。最后,搭建应用系统并连接MySQL提供信息管理综合服务。系统利用TensorRT部署至TX2,可实现体尺测量帧率23帧。经验证,体重平均相对误差1.01%,体长、体高、体斜长平均相对误差1.34%、1.60%、2.29%,满足牧场实际测量的准确性和实用性需求。