CN113989353A - 一种猪只背膘厚度测定方法及*** - Google Patents
一种猪只背膘厚度测定方法及*** Download PDFInfo
- Publication number
- CN113989353A CN113989353A CN202111112240.7A CN202111112240A CN113989353A CN 113989353 A CN113989353 A CN 113989353A CN 202111112240 A CN202111112240 A CN 202111112240A CN 113989353 A CN113989353 A CN 113989353A
- Authority
- CN
- China
- Prior art keywords
- pig
- image
- hip
- thickness
- backfat
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013136 deep learning model Methods 0.000 claims abstract description 32
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 230000011218 segmentation Effects 0.000 claims abstract description 14
- 238000001514 detection method Methods 0.000 claims abstract description 10
- 241000282887 Suidae Species 0.000 claims description 11
- 238000003709 image segmentation Methods 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 210000001217 buttock Anatomy 0.000 claims description 9
- 230000036544 posture Effects 0.000 claims description 9
- 210000002414 leg Anatomy 0.000 claims description 7
- 241001465754 Metazoa Species 0.000 abstract description 2
- 238000013527 convolutional neural network Methods 0.000 description 24
- 238000012549 training Methods 0.000 description 17
- 239000010410 layer Substances 0.000 description 10
- 238000012360 testing method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000009434 installation Methods 0.000 description 3
- 235000015277 pork Nutrition 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012364 cultivation method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000796 flavoring agent Substances 0.000 description 1
- 235000019634 flavors Nutrition 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A22—BUTCHERING; MEAT TREATMENT; PROCESSING POULTRY OR FISH
- A22B—SLAUGHTERING
- A22B5/00—Accessories for use during or after slaughtering
- A22B5/0064—Accessories for use during or after slaughtering for classifying or grading carcasses; for measuring back fat
- A22B5/007—Non-invasive scanning of carcasses, e.g. using image recognition, tomography, X-rays, ultrasound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
- G01B11/06—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Food Science & Technology (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及动物检测技术领域,公开了一种猪只背膘厚度测定方法,其获取猪只臀部的RGB‑D视频,通过预先训练的Mask R‑CNN模型从RGB‑D视频中的各帧图像中确定关键帧,并获得具有猪只目标的分割图像,Mask R‑CNN模型的特征提取网络采用轻量级网络MobilenetV3,其使用深度可分离卷积和逆残差结构,并引入轻量级attention模块;然后再根据猪只的生理部位和臀部宽度,将具有猪只目标的分割图像切割获得猪只臀部关键区域图像;接着将猪只臀部关键区域图像做四通道输入至训练好的深度学习模型网路中进行膘厚预测,该深度学习模型网络使用resenet50骨干网络结合FPN结构,使本发明的背膘厚度值预测更加准确。另外,本发明还提供一种实现上述方法的***。
Description
技术领域
本发明涉及动物检测技术领域,特别是涉及一种猪只背膘厚度测定方法及***。
背景技术
猪只的膘厚是反映猪只体况的重要指标之一。根据猪只的膘厚来调控饲喂量是高效养殖的方法,它影响着肉质的嫩度和风味。传统普遍的膘厚的测量方式主要是由人工进行测量。在实际生产中,饲养员严格按照国际养猪业通用的规定,使用背膘测试仪手动测量母猪P2点背膘(最后肋处)。该方法测量结果较准,但耗费人力物力,且易导致猪只的应激反应,不利于猪只的福利。
目前,为了提高猪只福利以及降低劳动量,出现了通过采集猪只图像,经过图像处理,提取背膘区域,通过在线测量获得背膘厚度的方法。该方法采集的是RGB图像,在背膘区域提取时容易被周围环境干扰,导致背膘区域提取困难,并存在误差,进而导致背膘厚度的测量结果不准确。
中国发明专利CN104515472A(公开日为2015年04月15日)公开了一种便携式猪肉二分体背膘厚度无损检测方法,包括:采集探筒对应的图像,获取猪肉二分体图像;去除背景,提取背膘区域;确定背膘区域的测量线,根据测量线上白色像素点的个数计算背膘厚度,通过工业相机获取在线猪胴体图像,进行一系列图像处理算法,提取背膘区域,确定背膘厚度检测位置,在线测量猪肉二分体背膘厚度特征参数,自动分级并保存相应数据。该专利采集的图像为彩色图像,易受到光照、阴影以及自身表面纹理产生的干扰,所以背膘区域提取困难,且提取结果不够准确,并且该专利是通过每个像素点所代表的实际长度大小计算背膘厚度大小,因此,也会导致背膘厚度的测量结果不够准确。
发明内容
本发明的目的是提供一种测量结果更加准确的猪只背膘厚度测定方法及***。
为了实现上述目的,本发明提供了一种猪只背膘厚度测定方法,包括如下步骤:
S1、从猪只的后方采集其行走的RGB-D原始视频;
S2、对RGB-D原始视频中的关键帧进行图像分割,获得猪只臀部关键区域图像;
S3、将猪只臀部关键区域图像做四通道输入至预先训练的深度学习模型,进行特征提取,最后输出预测的膘厚值。
作为优选方案,在步骤S1中,设置过道,在过道的上方架设3D摄像头,3D摄像头与竖直方向的夹角为15°~20°,3D摄像头拍摄走过过道的猪只臀部,获得RGB-D原始视频。
作为优选方案,步骤S2包括:
S2.1、在步骤S1获得的RGB-D原始视频画面中划出感兴趣区域,通过预先训练的Mask R-CNN模型确定关键帧,并获得具有猪只目标的分割图像;
S2.2、根据生理部位以及臀部宽度对步骤S2.1获得的猪只目标分割图像进行关键区域切割,获得猪只臀部关键区域图像。
作为优选方案,步骤S2.1包括:
S2.1.1、在RGB-D原始视频画面中设置感兴趣区域;
S2.1.2、选取RGB-D原始视频中的一帧图像;
S2.1.3、对选取的该帧图像进行猪只的目标检测与实例分割;
S2.1.4、判断步骤S2.1.3中猪只的检测框是否完全处于感兴趣区域内;若是,进行步骤S2.1.5;若否,回到步骤S2.1.2,处理下一帧图像;
S2.1.5、判断猪只的姿态是否为标准姿态;若是,进行步骤S2.1.6;若否,回到步骤S2.1.2,处理下一帧图像;
S2.1.6、进行图像分割处理,得到具有猪只目标的分割图像,该分割图像为掩膜图片,并将掩膜图片存储。
作为优选方案,步骤S2.2包括:
S2.2.1、根据猪只的生理部位,按一定比例切割具有猪只目标的分割图像中的猪只身体,获得猪只臀部关键区域图像的上边界;
S2.2.2、根据猪只的臀部宽度,获得猪只臀部关键区域图像的左右界限;
S2.2.3、判断步骤S2.2.2得到的图像中是否存在腿部;若存在,则根据腿部特征进行进一步切分,确定图像的下边界;若不存在,则直接按照步骤S2.1.1的感兴趣区域的下边界作为猪只臀部关键区域图像的下边界。
作为优选方案,在步骤S2.2.1中,在猪只身体的三分之一处划上边界。
作为优选方案,在步骤S2.1中,Mask R-CNN模型的特征提取网络采用轻量级网络MobilenetV3。
作为优选方案,轻量级网络MobilenetV3使用深度可分离卷积和逆残差结构,并引入轻量级attention模块。
作为优选方案,在步骤S3中,深度学习模型的特征提取网络使用resenet50骨干网络并结合FPN结构。
本发明还提供一种猪只背膘厚度测定***,包括:
视频获取模块,用于从猪只的后方采集其行走的RGB-D原始视频;
关键帧确定及猪只臀部关键区域图像获取模块,用于从RGB-D原始视频中确定具有猪只目标的关键帧,并对关键帧进行图像分割获得猪只臀部关键区域图像;
膘厚值预测模块,用于根据猪只臀部关键区域图像通过深度学习模型预测膘厚值。
与现有技术相比,本发明的有益效果在于:
本发明的方法和***通过采集RGB-D原始视频,对视频的关键帧进行分割得到猪只臀部关键区域图像,并通过预先训练的深度学习模型进行膘厚测定,RGB-D原始视频的关键帧包括彩色信息和深度信息,深度信息是三维信息的重要组成部分,可以在一定程度上直接反应物体或场景的三维信息,深度信息代表着物体或场景在空间中的位置,不会像彩色图像那样易受到光照、阴影以及自身表面纹理产生的干扰,并且深度信息只跟目标到摄像头的距离有关,所以很容易将目标从背景中分离出来,能够得到准确的猪只臀部关键区域,再通过训练好的深度学习模型进行预测,可获得较为准确的测量结果。
附图说明
图1是本发明实施例一的猪只背膘厚度测定方法的流程图。
图2是本发明实施例一的步骤S1获得RGB-D原始视频的示意图。
图3是本发明实施例一的步骤S2的流程图。
图4是本发明实施例一的猪只臀部关键区域图像切割示意图。
图5是本发明实施例一的步骤S3的深度学习模型的结构图。
图6是本发明实施例二的猪只背膘厚度测定***的原理框图。
图中,1-过道;2-3D摄像头。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
实施例一
如图1所示,本发明优选实施例的一种猪只背膘厚度测定方法,包括如下步骤:
S1、从猪只的后方采集其行走的RGB-D原始视频;
S2、对RGB-D原始视频中的关键帧进行图像分割,获得猪只臀部关键区域图像;
S3、将猪只臀部关键区域图像做四通道输入至预先训练的深度学习模型,进行特征提取,最后输出预测的膘厚值。
本实施例通过采集RGB-D原始视频来捕捉猪只背部关键区域来预测背膘,相较传统的2D图像技术,特征更具丰富性,并且使用猪只臀部关键区域图像做四通道输入至深度学习网络模型,信息保留完整,更具合理性。
如图2所示,在步骤S1中,根据猪场地貌,设置过道1,在过道1的上方架设3D摄像头2,3D摄像头2与竖直方向的夹角为15°~20°,3D摄像头2拍摄走过过道1的猪只臀部,获得RGB-D原始视频。3D摄像头2的镜头与猪只臀部的距离决定3D摄像头2的安装位置。根据3D摄像头2的FOV角不同,会产生不同的安装距离。安装摄像头的标准是要3D摄像头2的画面中都能观察到猪只臀部,且原则上适用所有体型的猪只。3D摄像头2的安装距离优选为1.5m~2m,可根据实际生产需求调整。
如图3所示,本实施例的步骤S2包括:
S2.1、在步骤S1获得的RGB-D原始视频画面中划出感兴趣区域,通过预先训练的Mask R-CNN模型确定关键帧,并获得具有猪只目标的分割图像;
S2.2、根据生理部位以及臀部宽度对步骤S2.1获得的猪只目标分割图像进行关键区域切割,获得猪只臀部关键区域图像。
具体地,步骤S2.1包括:
S2.1.1、在RGB-D原始视频画面中设置感兴趣区域;
S2.1.2、选取RGB-D原始视频中的一帧图像;本实施例按时间顺序在RGB-D原始视频选取图像;
S2.1.3、对选取的该帧图像进行猪只的目标检测与实例分割;
S2.1.4、判断步骤S2.1.3中猪只的检测框是否完全处于感兴趣区域内;若是,进行步骤S2.1.5;若否,回到步骤S2.1.2,处理下一帧图像;
S2.1.5、判断猪只的姿态是否为标准姿态;若是,进行步骤S2.1.6;若否,回到步骤S2.1.2,处理下一帧图像;本实施例的标准姿态为图像中露出猪只的整个臀部。
S2.1.6、进行图像分割处理,得到具有猪只目标的分割图像,该分割图像为掩膜图片,并将掩膜图片存储。
步骤S2.2包括:
S2.2.1、根据猪只的生理部位,按一定比例切割具有猪只目标的分割图像中的猪只身体,获得猪只臀部关键区域图像的上边界;本实施在猪只身体的三分之一处划上边界,如图4所示。
S2.2.2、根据猪只的臀部宽度,获得猪只臀部关键区域图像的左右界限;
S2.2.3、判断步骤S2.2.2得到的图像中是否存在腿部;若存在,则根据腿部特征进行进一步切分,确定图像的下边界;若不存在,则直接按照步骤S2.1.1的感兴趣区域的下边界作为猪只臀部关键区域图像的下边界。
进一步地,在步骤S2.1中的Mask R-CNN模型的特征提取网络采用轻量级网络MobilenetV3。具体地,轻量级网络MobilenetV3使用深度可分离卷积和逆残差结构,并引入轻量级attention模块。Mask R-CNN模型可对过道1的猪只进行快速的目标检测、姿态判别以及实例分割。本实施例采用了深度可分离卷积替代传统的卷积方式,以逆残差结构替代标准残差网络以及引入了轻量级attention模块,优化Mask R-CNN模型,对传统的Mask R-CNN模型进行了改进,使网络减少了参数,减少了网络计算复杂度,且保持了复杂网络的精度。且使用卷积神经网络提取深度图像特征,特征的抽象程度更高。
进一步地,本实施例在步骤S3中的深度学习模型的特征提取网络使用resenet50骨干网络并结合FPN结构,使猪只膘厚值拟合更加准确,且算法更具鲁棒性。如图5所示,深度学习模型的主要结构是由一个特征提取网络加两层全连接层组成。深度学习模型网络的最后一层为单个输出节点。具体的,猪只臀部关键区域图像输入模型网络,网络的输入为四通道张量,即R、G、B与D。网络中的特征提取网络采用resnet50加特征金字塔结构对输入的RGBD四通道图像进行特征提取操作。FPN结构主要用于构建特征金字塔给RPN提供输入特征图。特征金字塔最底层作为全连接层的输入,经过全连接层后,输出预测的膘厚值。且深度学习模型是一个卷积神经网络,其可融合表层与深层特征预测膘厚。卷积神经网络一般是多层卷积的,浅层特征一般就是指卷积不多的特征层获得的特征,浅层特征一般都比较直观;深层特征就是指经过很多层(几十甚至几百个)卷积后得到的十分抽象的特征层获得特征;本实施例将浅层特征与深层特征统一大小后,相加起来,使深浅层的特征融,可以让网络可以从多个尺度综合评判。
另外,本实施例的在深度学习模型和Mask R-CNN模型的训练中,通过图像增强的方式增加数据集的丰富性,使深度学习模型和Mask R-CNN模型得到充分训练,提高预测准确性。
由于进行猪只膘厚值预测的深度学习模型依赖于检测出的猪只臀部的数据集,因此需要在改进的Mask R-CNN模型训练完成后的前提下开展深度学习模型的训练。
具体地,在Mask R-CNN模型训练中,先构建改进的Mask R-CNN模型训练数据集。通过3D摄像头可先采集1000段张猪只的过道视频,并采取随机抽取帧的方式,制作数据集。通过人工标注后,建立训练Mask R-CNN模型的数据集。数据集以8:1:1的方式分为训练集、测试集以及验证集。数据集通过图像增强的方式,提高数据集的容量。将训练集输入Mask R-CNN模型进行训练,并通过测试集进行测试,以及通过验证集进行验证。最后通过Mask R-CNN模型的损失函数所计算的误差进行反向传播,更新网络参数。训练完成后,在实际应用时,将关键帧输入至改进的Mask R-CNN模型中,将所得到的掩膜图片进行分割并存储于本地服务器。
具体地,在深度学习模型训练中,先构建网络模型训练数据集:在经过S1与S2的步骤后,在得到的猪只臀部关键区域图像上使用人工的方式打标注,让图像与现场测量的膘厚数据一一对应。在标注完成1万头猪只数据后,通过图像增强的方式,可增加数据集的丰富性。数据增强完成后,用于训练深度学习模型网络的数据集构建完成。将数据集以8:1:1的方式分为训练集、测试集以及验证集,将训练集输入深度学习模型进行训练,并通过测试集进行测试,以及通过验证集进行验证,最后通过深度学习网络模型的损失函数所计算的误差进行反向传播,更新网络参数。训练完成后,在实际应用时,将猪只臀部关键区域图像输入深度学习模型,通过深度学习模型网络的正向传播,得出预测的膘厚值,并将该值存储于本地服务器。
实施例二
如图6所示,本实施例提供一种猪只背膘厚度测定***,包括:
视频获取模块,用于从猪只的后方采集其行走的RGB-D原始视频。具体地,视频获取模块为3D摄像头。
关键帧确定及猪只臀部关键区域图像获取模块,用于从RGB-D原始视频中确定具有猪只目标的关键帧,并对关键帧进行图像分割获得猪只臀部关键区域图像。具体地,关键帧确定及猪只臀部关键区域图像获取模块采用改进的Mask R-CNN模型,具体地,Mask R-CNN模型的特征提取网络采用轻量级网络MobilenetV3。具体地,轻量级网络MobilenetV3使用深度可分离卷积和逆残差结构,并引入轻量级attention模块。本实施例的关键帧确定及猪只臀部关键区域图像获取模块,用于对RGB-D原始视频中选取的一帧图像进行目标检测和实例分割,并进行猪只的标准姿态判断,确定关键帧,然后对该帧图像进行图像分割处理,得到具有猪只目标的分割图像;再根据生理部位确定猪只臀部关键区域图像的上边界,再根据臀部宽度确定猪只臀部关键区域图像的左右边界,最后根据是否存在腿部确定猪只臀部关键区域图像的下边界,来将具有猪只目标的分割图像切割成猪只臀部关键区域图像。
膘厚值预测模块,用于根据猪只臀部关键区域图像通过深度学习模型预测膘厚值。本实施例的膘厚值预测模块采用训练好的深度学习模型,该深度学习模型为卷积神经网络,且深度学习模型的特征提取网络使用resenet50骨干网络并结合FPN结构。
综上,本发明实施例提供一种猪只背膘厚度测定方法,其获取猪只臀部的RGB-D视频,使特征更具丰富性,并且用于特征提取的图像具有深度信息,更易将将目标分离出来;通过预先训练的Mask R-CNN模型从RGB-D视频中的各帧图像中确定关键帧,并获得具有猪只目标的分割图像,Mask R-CNN模型的特征提取网络采用轻量级网络MobilenetV3,其使用深度可分离卷积和逆残差结构,并引入轻量级attention模块,减少了网络计算的复杂度;然后再根据猪只的生理部位和臀部宽度,将具有猪只目标的分割图像切割获得猪只臀部关键区域图像;接着将猪只臀部关键区域图像做四通道输入至训练好的深度学习模型网路中进行膘厚预测,使信息保留完整,更具合理性,且深度学习模型网路为卷积神经网络,其提取深度图像特征,可使特征的抽象程度更高,深度学习模型网络使用resenet50骨干网络结合FPN结构,使算法更具鲁棒性。另外,本发明实施例还提供一种实现上述方法的***。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和替换,这些改进和替换也应视为本发明的保护范围。
Claims (10)
1.一种猪只背膘厚度测定方法,其特征在于,包括如下步骤:
S1、从猪只的后方采集其行走的RGB-D原始视频;
S2、对RGB-D原始视频中的关键帧进行图像分割,获得猪只臀部关键区域图像;
S3、将猪只臀部关键区域图像做四通道输入至预先训练的深度学习模型,进行特征提取,最后输出预测的膘厚值。
2.根据权利要求1所述的猪只背膘厚度测定方法,其特征在于,在步骤S1中,设置过道,在过道的上方架设3D摄像头,3D摄像头与竖直方向的夹角为15°~20°,3D摄像头拍摄走过过道的猪只臀部,获得RGB-D原始视频。
3.根据权利要求1所述的猪只背膘厚度测定方法,其特征在于,步骤S2包括:
S2.1、在步骤S1获得的RGB-D原始视频画面中划出感兴趣区域,通过预先训练的MaskR-CNN模型确定关键帧,并获得具有猪只目标的分割图像;
S2.2、根据生理部位以及臀部宽度对步骤S2.1获得的猪只目标分割图像进行关键区域切割,获得猪只臀部关键区域图像。
4.根据权利要求3所述的猪只背膘厚度测定方法,其特征在于,步骤S2.1包括:
S2.1.1、在RGB-D原始视频画面中设置感兴趣区域;
S2.1.2、选取RGB-D原始视频中的一帧图像;
S2.1.3、对选取的该帧图像进行猪只的目标检测与实例分割;
S2.1.4、判断步骤S2.1.3中猪只的检测框是否完全处于感兴趣区域内;若是,进行步骤S2.1.5;若否,回到步骤S2.1.2,处理下一帧图像;
S2.1.5、判断猪只的姿态是否为标准姿态;若是,进行步骤S2.1.6;若否,回到步骤S2.1.2,处理下一帧图像;
S2.1.6、进行图像分割处理,得到具有猪只目标的分割图像,该分割图像为掩膜图片,并将掩膜图片存储。
5.根据权利要求3所述的猪只背膘厚度测定方法,其特征在于,步骤S2.2包括:
S2.2.1、根据猪只的生理部位,按一定比例切割具有猪只目标的分割图像中的猪只身体,获得猪只臀部关键区域图像的上边界;
S2.2.2、根据猪只的臀部宽度,获得猪只臀部关键区域图像的左右界限;
S2.2.3、判断步骤S2.2.2得到的图像中是否存在腿部;若存在,则根据腿部特征进行进一步切分,确定图像的下边界;若不存在,则直接按照步骤S2.1.1的感兴趣区域的下边界作为猪只臀部关键区域图像的下边界。
6.根据权利要求5所述的猪只背膘厚度测定方法,其特征在于,在步骤S2.2.1中,在猪只身体的三分之一处划上边界。
7.根据权利要求3所述的猪只背膘厚度测定方法,其特征在于,在步骤S2.1中,Mask R-CNN模型的特征提取网络采用轻量级网络MobilenetV3。
8.根据权利要求7所述的猪只背膘厚度测定方法,其特征在于,轻量级网络MobilenetV3使用深度可分离卷积和逆残差结构,并引入轻量级attention模块。
9.根据权利要求1所述的猪只背膘厚度测定方法,其特征在于,在步骤S3中,深度学习模型的特征提取网络使用resenet50骨干网络并结合FPN结构。
10.一种猪只背膘厚度测定***,其特征在于,包括:
视频获取模块,用于从猪只的后方采集其行走的RGB-D原始视频;
关键帧确定及猪只臀部关键区域图像获取模块,用于从RGB-D原始视频中确定具有猪只目标的关键帧,并对关键帧进行图像分割获得猪只臀部关键区域图像;
膘厚值预测模块,用于根据猪只臀部关键区域图像通过深度学习模型预测膘厚值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111112240.7A CN113989353A (zh) | 2021-09-18 | 2021-09-18 | 一种猪只背膘厚度测定方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111112240.7A CN113989353A (zh) | 2021-09-18 | 2021-09-18 | 一种猪只背膘厚度测定方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113989353A true CN113989353A (zh) | 2022-01-28 |
Family
ID=79736352
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111112240.7A Pending CN113989353A (zh) | 2021-09-18 | 2021-09-18 | 一种猪只背膘厚度测定方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113989353A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114708233A (zh) * | 2022-04-11 | 2022-07-05 | 牧原肉食品有限公司 | 一种用于对猪胴体膘厚进行测量的方法及其相关产品 |
CN116363141A (zh) * | 2023-06-02 | 2023-06-30 | 四川省畜牧科学研究院 | 一种妊娠母猪智能体型评价装置及*** |
CN116452597A (zh) * | 2023-06-20 | 2023-07-18 | 厦门农芯数字科技有限公司 | 母猪背膘高精度测定方法、***、设备及存储介质 |
CN116596999A (zh) * | 2023-04-19 | 2023-08-15 | 大连工业大学 | 一种深度学习与图像处理相结合的猪胴体背膘厚度测量位置自动定位方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109472798A (zh) * | 2018-12-10 | 2019-03-15 | 重庆理工大学 | 生猪脂肪含量检测模型训练方法及生猪脂肪含量检测方法 |
CN112381774A (zh) * | 2020-11-05 | 2021-02-19 | 华南农业大学 | 一种基于多角度深度信息融合的奶牛体况评分方法及*** |
-
2021
- 2021-09-18 CN CN202111112240.7A patent/CN113989353A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109472798A (zh) * | 2018-12-10 | 2019-03-15 | 重庆理工大学 | 生猪脂肪含量检测模型训练方法及生猪脂肪含量检测方法 |
CN112381774A (zh) * | 2020-11-05 | 2021-02-19 | 华南农业大学 | 一种基于多角度深度信息融合的奶牛体况评分方法及*** |
Non-Patent Citations (3)
Title |
---|
ARTHUR FRANCISCO ARAUJO FERNANDES ET AL.: "Application of computer vision and data analytics strategies for prediction of carcass composition in live pigs", 《JOURNAL OF ANIMAL SCIENCE》, 30 November 2020 (2020-11-30), pages 178 * |
滕光辉 等: "基于Kinect传感器的无接触式母猪体况评分方法", 《农业工程学报》, 31 July 2018 (2018-07-31), pages 211 - 217 * |
高云 等: "基于双金字塔网络的RGB-D群猪图像分割方法", 《农业机械学报》, 31 July 2020 (2020-07-31), pages 36 - 43 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114708233A (zh) * | 2022-04-11 | 2022-07-05 | 牧原肉食品有限公司 | 一种用于对猪胴体膘厚进行测量的方法及其相关产品 |
CN116596999A (zh) * | 2023-04-19 | 2023-08-15 | 大连工业大学 | 一种深度学习与图像处理相结合的猪胴体背膘厚度测量位置自动定位方法 |
CN116596999B (zh) * | 2023-04-19 | 2024-04-05 | 大连工业大学 | 一种深度学习与图像处理相结合的猪胴体背膘厚度测量位置自动定位方法 |
CN116363141A (zh) * | 2023-06-02 | 2023-06-30 | 四川省畜牧科学研究院 | 一种妊娠母猪智能体型评价装置及*** |
CN116363141B (zh) * | 2023-06-02 | 2023-08-18 | 四川省畜牧科学研究院 | 一种妊娠母猪智能体型评价装置及*** |
CN116452597A (zh) * | 2023-06-20 | 2023-07-18 | 厦门农芯数字科技有限公司 | 母猪背膘高精度测定方法、***、设备及存储介质 |
CN116452597B (zh) * | 2023-06-20 | 2023-08-29 | 厦门农芯数字科技有限公司 | 母猪背膘高精度测定方法、***、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113989353A (zh) | 一种猪只背膘厚度测定方法及*** | |
US20230281265A1 (en) | Method for estimating body size and weight of pig based on deep learning | |
KR101065219B1 (ko) | 소고기 등급 자동판정 방법 및 그 시스템 | |
US11657491B2 (en) | Learning data collection apparatus, learning data collection method, and program | |
CN111723729A (zh) | 基于知识图谱的监控视频犬类姿态和行为智能识别方法 | |
CN110008947B (zh) | 一种基于卷积神经网络的粮仓粮食数量监测方法及装置 | |
Liu et al. | Automatic estimation of dairy cattle body condition score from depth image using ensemble model | |
CN107615334A (zh) | 物体识别装置以及物体识别*** | |
CN114548278A (zh) | 基于深度学习的在役隧道衬砌结构缺陷识别方法及*** | |
CN109615653A (zh) | 基于深度学习与视场投影模型的渗漏水面积检测与识别方法 | |
US10796141B1 (en) | Systems and methods for capturing and processing images of animals for species identification | |
CN114994061A (zh) | 一种基于机器视觉的钢轨智能化检测方法及*** | |
CN112862757A (zh) | 一种基于计算机视觉技术的重量评估***及实现方法 | |
CN110503623A (zh) | 一种基于卷积神经网络的识别输电线路上鸟巢缺陷的方法 | |
CN116229265A (zh) | 一种自动无损提取大豆植株表型的方法 | |
CN115512215A (zh) | 水下生物监测方法、装置及存储介质 | |
CN116434066B (zh) | 基于深度学习的大豆豆荚考种方法、***及装置 | |
CN110309786B (zh) | 一种基于深度视频的哺乳母猪姿态转换识别方法 | |
Hajjdiab et al. | A vision-based approach for nondestructive leaf area estimation | |
KR102622655B1 (ko) | 한우의 성장검사 자료 수집 장치 | |
WO2022171267A1 (en) | System, method, and computer executable code for organism quantification | |
CN114708233A (zh) | 一种用于对猪胴体膘厚进行测量的方法及其相关产品 | |
Cao et al. | A computer vision program that identifies and classifies fish species | |
Chan et al. | Image processing for underwater measurement of salmon biomass | |
Fang et al. | Segmentation method of laying hens in cages based on difference of color information |
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 |