基于KinectV2的猪体三维点云重构与体尺测量

体尺参数是评价育肥猪生长状况的重要指标,针对单目CCD相机在猪体体尺测量中受角度、光源等因素影响导致的测量参数单一、测量结果误差较大等问题。首先利用深度相机KinectV2从正上方和左右两侧视角同步获取猪体局部点云数据;然后进行点云去噪、精简分割等处理,运用改进后的ICP点云配准技术处理点云信息;最后采用精确估算技术精简点云数据。在不同角度比较实验测量与人工测量的结果发现,猪体数据中体长平均相对误差为2.65%、体高平均相对误差为1.87%、体宽平均相对误差为1.75%、臀高平均相对误差为2.07%、臀宽平均相对误差为1.96%,整体上误差较小,证明了所提方法的有效性,以期为猪体尺寸测量提供新的解决方法。

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。

基于DeepLabCut算法的猪只体尺快速测量方法研究

为解决基于计算机视觉猪只体尺测量过程中存在的对猪只姿态依赖度高、测定效率低等问题,提出了一种基于DeepLabCut算法的非接触式猪只体尺快速测量方法。本研究以长白猪为研究对象,使用RealSense L515深感相机作为图像数据采集单元获取猪只背部RGB-D数据,通过分析对比ResNet、MobileNet-V2、EfficientNet系列的10个主干网络训练效果,选取EfficientNet-b6模型作为DeepLabCut算法最优主干网络进行猪只体尺特征点检测;为实现猪只体尺数据的精准计算,本文采用SVM模型识别猪只站立姿态,筛选猪只自然站立状态;在此基础上,采用深度数据临近区域替换算法对离群特征点进行优化,并计算猪只体长、体宽、体高、臀宽和臀高5项体尺指标。经对140组猪只图像进行测试发现,本研究提出的算法可实现猪只自然站立姿态下体尺的实时、精准测量,体尺最大均方根误差为1.79 cm,计算耗时为每帧0.27 s。

基于点云语义分割的猪只体尺测量方法研究

生猪的体尺参数是生猪生长状态的重要评判标准,而人工测量体尺耗时耗力且容易造成猪只的应激反应,本文研究了无接触式猪只体尺参数测量方法,借鉴人工测量经验法,提出基于点云语义分割的猪只体尺测量方法。本文以大约克夏猪为研究对象,搭建无接触式猪只点云采集平台,采集3510组猪只双侧点云数据;利用直通滤波器与随机采样一致性分割处理方法去除背景点云,基于统计滤波器去除离群点,采用体素下采样方法稀疏点云,完成猪只点云的预处理;基于PointNet网络,结合注意力模块构建语义分割模型,针对不同分割部位设计猪只体尺测量方法。试验结果表明,在自制数据集上,改进的语义分割模型准确率为86.3%,相较于PointNet、PointNet++和3D-RCNN分别高8、5.7、2.6个百分点;体尺的测量值与实测值最大绝对误差为6.8 cm,平均绝对误差均在5 cm以内,具有较高的估算准确性,此方法能够用于猪只体尺测量。本文将语义分割与体尺测量相结合,可为后续非接触测量提供思路。

基于点云旋转归一化的猪体体尺测点提取方法

家畜体尺测量是现代畜牧业研究的重要课题,而体尺测点的提取是体尺测量过程中的关键。为了解决猪体点云的三维体尺测点的自动提取问题,提出了一种基于旋转归一化的猪体体尺测点提取方法。对于采集的猪体点云数据,首先利用随机采样一致性算法删除地面区域并提取目标猪体,同时存储地面法向量;然后采用基于地面法向量矫正的主成分分析方法对猪体点云进行旋转归一化,将其统一到标准测量坐标系;最后利用体尺测点的几何形态特征和测点间的结构关系提取猪体体尺测点。试验结果表明,基于地面法向量矫正的主成分分析方法可以得到较好的旋转归一化结果,使猪体的体长,体高和体宽方向基本与坐标系的x轴,y轴,z轴相一致,体长、体宽、体高、臀宽和臀高测点提取结果与实际的体尺测点测量结果位置平均误差在16 mm以内,与其他体尺测点检测方法相比,该方法可以对输入猪体的点云方向进行校正,输入的猪体点云体高方向不需要和相机坐标系的任意一个坐标轴平行,降低了原始数据获取难度。该方法可为猪体的自动化体尺测量提供参考。

基于单视角点云镜像的猪只体尺测量方法

为了克服人工家畜体尺测量耗时、应激大和工作强度大等问题,提出了一种基于单视角点云镜像的猪只体尺测量方法。首先使用单Xtion深度相机采集包含猪体的场景点云图像序列,并人工筛选出包含背部弯曲程度较小猪体的场景点云图像,然后基于随机采样一致性算法和聚类分割算法自动化分割目标猪体并对其进行姿态归一化,检测单视角猪体点云对称面,并利用对称面镜像获取完整猪体,最后利用自主研发的体尺测量软件测量猪只体尺。试验结果表明,利用该方法测量体长的平均相对误差为5.00%,臀宽测量的平均相对误差为7.40%,臀高测量的平均相对误差为5.74%。该方法为猪只体尺测量提供了切实可行的新途径。

多视角深度相机的猪体三维点云重构及体尺测量

对活体牲畜三维重构,数据采集方式、快速配准融合方法、表型体尺测量方法缺乏成熟有效的方案,导致目前活体牲畜的自动体尺测量技术难以在养殖场中推广应用。该文以猪为研究对象运用消费级深度相机KinectV2从正上方和左右两侧3个不同角度同步获取在采集通道中自由行走猪的局部点云。局部点云采用邻域曲率变化法去噪,并运用基于轮廓连贯性点云配准融合,最后采用多体尺数据精确估算技术测定包括体长、体高、胸宽、腹围等数据。该文分别对比实验室中模型猪由传输带以5种不同速率经过通道和养殖场内25头猪逐一经过通道,2种情况下采集数据进行各项体尺测算结果。其结果显示模型猪在传输带上以0、0.3、0.6、0.9和1.2 m/s等5种不同速率下测量体长、体高、胸宽、腹围值与实测值的平均相对误差分别为1.77%、1.36%、2.74%和2.17%。养殖环境下对25头猪同样4种体尺值与实测值的平均相对误差分别为2.56%,2.32%,3.89%和4.51%。试验结果发现养殖场活体猪测量最小误差可以达到实验室环境下的效果,但是最大相对误差变化较大,其原因在于养殖场中猪自由行走采集数据时行为姿态发生很大变化。

基于Kinect相机的猪体理想姿态检测与体尺测量

为提高基于机器视觉的猪体体尺测量研究中的图像利用率和体尺测量效率,以长白猪和大白猪为研究对象,基于Kinect相机获取的猪体视频数据,提出了一种猪体理想姿态检测算法。该算法利用最小外接矩形法调整猪体为水平方向;利用投影法和差分法识别头部和尾部位置,通过头部边界标记法判断是否耳部缺失;利用骨骼化算法结合霍夫变换算法检测猪体头部是否歪斜。在此基础上,设计了猪体体尺测量算法。针对养殖场获取的103组视频数据、俯视和侧视各52 016帧图像,进行了理想姿态检测及体尺测量。结果表明,检测出理想姿态2 592帧、漏报432帧、误报0帧,误报率较低;每帧图像的体长偏差与本组体长均值小于2. 3%,组内理想姿态帧之间差异较小,一致性较好;体宽测量的平均精确度为95. 5%,体高测量的平均精确度为96. 3%,体长测量的平均精确度为97. 3%,测量的平均准确度较高。本研究成果应用于基于机器视觉的猪体体尺测量,可提高图像利用率和体尺测量效率。

大凉山黑猪杜杂F1代的体尺测定与育肥性状分析

凉山黑猪肉质好、耐粗饲、抗病力强,但品种一致性差,生长速度慢,成年体重约75 kg/头。采用杜洛克种猪杂交改良大凉山黑猪,其F1代生产性能有所提高,适宜选种时机在28日龄,最好在断奶和双月龄进行二次选种。适宜选择的体尺指标为腹围、胸围和体长。但该F1代的生长性能以及稳定性还不太理想,需要合理导入第二父本参与杂交改良与利用,同时注意环境控制。

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。

融合体尺信息的封闭式种猪性能测定站设计与试验

针对现有封闭式种猪性能测定站自动化程度不高、无法提供种猪体尺信息等问题,设计了一种集种猪自动识别、体质量自动称量、采食量自动统计、体尺自动测量于一体的封闭式种猪性能测定站。该系统机械部分采用前后端分离设计,通过设计采食门装置和门禁装置为种猪提供封闭测量环境,在此基础上,基于FIR滤波设计了种猪体质量动态称量算法,基于椭圆拟合设计了种猪理想姿态筛选算法,并进一步提出了基于包络分析的种猪体尺测量算法。分别进行了利用实际猪群模拟种猪生长性能验证试验和体尺测量试验,试验验证结果如下:生长性能试验猪群自由采食日均次数8.94次、日均采食时间92.93 min、群体料肉比2.66,Logistic拟合的生长曲线拐点日龄为126.18 d、拐点体质量72.70 kg,符合猪群的生长规律;体尺测量试验中猪群能够筛选出理想姿态帧,体长、体宽、臀宽、体高、臀高等体尺的平均相对检测误差分别为3.69%、2.53%、2.60%、2.59%、2.17%,满足体尺测量要求。试验结果表明,本文设计的封闭式种猪性能测定站可用于种猪的生产性能测定,能够同时提供种猪体质量、采食量和体尺等信息,提高育种效率。

基于Kinect相机的猪弯曲体尺测量算法研究

为解决猪体弯曲状体尺测量难、需借助标定尺还原真实体尺的问题,以长白猪为研究对象,基于Kinect相机获取猪体俯视和侧视深度图像,提出一种无需标定尺的猪体弯曲体尺测量方法。利用凸包络和最大外接轮廓,分别提取猪体头尾部、肩臀部和体高体尺测点,测算生猪体尺参数(体长、肩宽、臀宽、体高)。结果表明,在猪体正常弯曲范围内(0°~40°),肩宽测量精度最高,平均相对误差不高于1.92%,臀宽、体高和体长平均相对误差不高于2.00%、2.64%和2.93%;在猪体非弯曲状态下,肩宽、臀宽、体高和体长平均相对误差分别为1.29%、1.26%、1.92%和2.33%,测量精度均优于现有猪体体尺测量方法。综上,文章提出的方法可实现猪体自然状态下体尺测量,且精度较高,同时具有良好普适性和鲁棒性,满足生猪实际生长状况监测需要。