一种户外牛体体尺检测方法与装置

技术领域

本发明涉及养殖技术领域，尤其涉及一种户外牛体体尺检测方法与装置。

背景技术

随着动物产业飞速的发展，科学养殖是已经成为保持生态持续发展和加快草畜发展的最佳模式，因此动物的良种化作用越来越凸显。家畜个体信息为饲料选优、疫病机理与预防等相关科学研究提供数据支撑和客观指标。其中关键是家畜个体信息持续获取与理解，因此高效、准确的信息获取手段和分析方法是重要基础。近年来，国内外学者在家畜个体信息检测方面的研究主要以个体识别、呼吸检测、运动评分、体况评价及行为分析为重点开展研究。

虽然动物的高产在养殖中尤为重要，但是动物的外形鉴定同样不可忽略。畜牧养殖领域中，动物的体重和体尺能够反映其生长及营养状况。通过对体重和体尺的监测，养殖人员可以对喂养计划进行合理的、动态的调节，同时可以根据不同动物个体制定不同的喂养及管理方案，实现精准饲喂。尤其是各动物养殖场，在选种时需要查阅动物的一系列体尺等数据作为选种的依据。动物的体尺测量包括体长、体高、臀宽、胸围、管围等，胸围和管围可以借助软尺测量，但前四项体长、体高、尻宽、尻长需配备专业测量工具。

目前市场已有多种方法进行动物体尺的测量，例如：动物测杖的使用，通过仪器直接对动物进行体尺的测量；人工测量法，是指直接通过人工或在辅助夹紧装置的协助下通过人工对动物的体重和体尺进行测量，但是费时费力，对人有潜在的伤害；自动测量法，一般利用称重通道，通过驱赶动物进入称重平台或地磅，然后通过自动围栏或辅助夹紧装置限制动物的行动，实现体重和体尺的自动化测量，但是实现会有一定的技术难度，因为动物的行为并非人为可控的。

付为森,种猪体重三围预估模型的研究,2006,Vol(22)Supp2,:84-87，农业工程学报，通过数字图像分析技术进行种猪测重，测量结果与人工测量对比，相对误差小于2.8％。

刘同海，基于RBF神经网络的种猪体重预测,2013,08，农业机械学报、基于点云数据的猪体曲面三维重建与应用[J]，2014,45(6):291-295，农业机械学报，基于神经网络方法构建了种猪体重预测模型,研究了基于点云数据的猪体三维重建与应用技术。

郭浩，基于三维重建的动物体尺获取原型系统[J],2014,45(5):227-232，农业机械学报，研究了基于三维重建的动物体尺获取原型系统，提出双深度摄像头动物实时三维重建系统，该方法误差在4％以内，达到农业上动物体尺测量的一般要求。

张海亮，肉牛体形参数计算机视觉检测[J],2006,37(2):164-167，农业机械学报利用图像分析技术，对自然条件下获取的肉牛图像进行了分析和检测，对体长、胸宽、体高、腰角、胸深等指标进行了测量，与人工测量结果相比，最大相对误差为2.73％。以上方法的实验在环境比较理想室内进行，动物与背景容易精确分割，得到非常高度体尺测量精度。然而，牧区条件简陋，室内光线昏暗，无法采集高质量图像进行体尺测量，因此主要是在户外对动物进行体尺测量，而且户外环境比较复杂，使得现有的基于理想环境的室内动物体尺检测技术难以适用于牧区动物体尺检测，因此现有技术在牧区推广的价值不大。

综上所述，现有的动物体重和体尺测量方法都有着相同的弊端就是不可避免的要在户外对动物进行直接接触的测量，并且存在一些成本高，效率底，耗时间，甚至会对于动物的生理和心理健康都存在潜在的风险。例如：动物测仗有着昂贵，使用不方便，不能测量动物胸围和管围，测量动物体高时难以确保测杖与地面垂直，内尺使用不稳定等缺点，动物体尺的测量达不到精确，制约了动物产业的发展；人工测量法需要通过人工或在辅助夹紧装置的协助下通过人工对动物的体重和体尺进行测量，这种方法费时费力，而且对于动物和人都存在着潜在的危险和伤害；闸机测量方法能够实现自动测量，但是存在着一定的技术难题，如需要保证自动围栏里每次只有一头动物，这就必须要借助自动闸机的原理通过快速开闭闸门实现每次通过一只动物。但是动物的行动不是人工可控的，在此过程中不可避免的会出现夹住动物的情况，容易对其造成伤害。另外，自动测量系统中存在实现闸门开闭、夹紧等大量的电机动作，噪声较大，也容易对动物造成一定的影响。传统的家畜个体信息检测方法，检测效率低、成本高，严重制约着规模化畜牧业精准养殖发展。

发明内容

本发明的目的是提供一种户外牛体体尺检测方法与装置，以解决上述问题，实现低成本、高效率家畜个体信息检测。

为实现上述目的，本发明提供了如下方案：

一种户外牛体体尺检测方法，包括如下步骤：

搭建测量通道，在所述测量通道正上方和所述测量通道一侧各设置一台摄像机，在所述测量通道前方和后方各设置一组红外触发装置；

图像获取，所述红外触发装置用于检测牛通过通道时的位置度，当牛行进至设定位置时，所述红外触发装置被触发，此时，提取两个所述摄像机中的若干帧牛体关键帧图像并保存；

图像校正，通过标定法校正若干帧所述牛体关键帧图像的畸变；

图像分割提取轮廓，通过U-Net算法将若干帧所述牛体关键帧图像的牛体从背景中分割出来，提取出每帧所述牛体关键帧图像的牛体轮廓；

特征点提取训练，对分割后的所述牛体轮廓的图像进行进行掩码处理得到掩码图像，将其输入到DeFLOCNet网络，输出体尺特征点图像；

体尺计算，通过所述体尺特征点图像提取到的牛体特征点，并利用对应特征点的距离和比例尺参数计算得到牛体的体尺参数。

优选的，两个所述摄像机中提取的若干帧所述牛体关键帧图像数量为3-5帧。

优选的，所述标定法为张正友标定法，在所述测量通道内摆放不同位置的标定板，通过两个所述摄像机获取不同位置所述标定板的图像，利用所述张正友标定法获得两个所述摄像机的参数，计算所述比例尺参数，并通过所述张正友标定法对所述牛体关键帧图像的畸变进行校正。

优选的，所述解码部分由4个上采样块组成，每个块由一个2×2的反卷积层和两个3×3的卷积层组成，其中每个卷积层后也使用归一化层和ReLU激活函数，通道变化为1024、512、256、128、64；所述编码部分由5个下采样块组成，每个块由两个3×3的卷积层和一个2×2的最大池化层组成,其中每个卷积层后有一个归一化层，并使用ReLU作为激活函数，通道变化为3、64、128、256、512、1024，在网络的最后一层，使用一个1×1的卷积将图像转化成单通道。

优选的，所述特征点提取训练对分割后的牛体轮廓图像，选择特征点较为明显、整体轮廓清晰完整的每帧所述牛体轮廓图像，对所有选中的图像进行掩码处理得到掩码图像集合(MIMSET)，同时手工标注肩胛骨后缘端点，肩胛骨前缘端点，臀部最高点，左腿管骨1/3处水平两侧端点等体尺特征点；做成一组目标集(PIMSET)，以PIMSET集为目标，使用MIMSET集对DeFLOCNet网络进行训练，得到DeFLOCNet网络模型。

优选的，所述体尺参数包括体高、体斜长、胸围、管围、臀宽、肩宽；

所述体高为牛的肩胛骨后缘端点至地面的垂直距离；

所述体斜长为牛的臀端点到肩胛骨前缘端点的直线距离；

所述胸围为牛的肩胛骨后缘端点与地面垂直处绕胸部一周的长度；

所述管围为牛的左腿管骨上1/3处的水平周长；

所述臀宽为牛的臀部最高点处驼体的体宽；

所述肩宽为胛骨后缘处驼体的体宽；

对应的体尺特征点为肩胛骨后缘端点，肩胛骨前缘端点，臀部最高点，左腿管骨1/3处左右端点。

一种户外牛体体尺检测装置，所述装置用于实施上述技术方案的所述检测方法，所述装置包括位于所述测量通道两侧的通道侧边栏，正上方所述摄像机位于两个所述通道侧边栏中心线上方，位于一侧的所述摄像机位于所述通道侧边栏外侧，两个所述红外触发装置分别位于所述通道侧边栏前后方向，所述摄像机、红外触发装置电性连接有控制模块，所述摄像机电性连接有介质存储器，所述控制模块与所述介质存储器电性连接；

所述控制模块用于控制所述摄像机拍摄图像，所述控制模块用于控制所述介质存储器存储所述牛体关键帧图像；

所述介质存储器用于存储所述U-Net算法、DeFLOCNet网络。

优选的，所述红外触发装置包括第一红外感应器和第二红外感应器，所述第一红外感应器高度大于所述第二红外感应器，两个所述第一红外感应器固定连接在其中一个所述通道侧边栏的前后方向，另外两个所述第二红外感应器固定连接在其中一个所述通道侧边栏的前后方向。

优选的，所述控制模块为PLC控制器、PC端，所述介质存储器为U盘、硬盘。

本发明具有如下技术效果：

本发明相比于现有技术，可以将检测环境从实验室转移至户外进行，通过U-Net算法和DeFLOCNet网络的结合，可以避免室外环境背景对牛体轮廓提取的干扰，提升了检测的精准性。

另外本发明的装置结构简单，安装方便，对户外养殖的检测提供了极大的便利，方便了户外畜牧养殖的使用。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明检测流程图；

图2为本发明装置结构示意图。

其中，1、通道侧边栏；2、摄像机；3、第一红外感应器；4、第二红外感应器。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例：

本实施例提供一种户外牛体体尺检测方法，包括如下步骤：

搭建测量通道，在测量通道正上方和测量通道一侧各设置一台摄像机2，在测量通道前方和后方各设置一组红外触发装置；

图像获取，红外触发装置用于检测牛通过通道时的位置度，当牛行进至设定位置时，红外触发装置被触发，此时，提取两个摄像机2中的若干帧牛体关键帧图像并保存；

图像校正，通过标定法校正若干帧牛体关键帧图像的畸变；

图像分割提取轮廓，通过U-Net算法将若干帧牛体关键帧图像的牛体从背景中分割出来，提取出每帧牛体关键帧图像的牛体轮廓；

特征点提取训练，对分割后的牛体轮廓的图像进行进行掩码处理得到掩码图像，将其输入到DeFLOCNet网络，输出体尺特征点图像；

体尺计算，通过所述体尺特征点图像提取到的牛体特征点，并利用对应特征点的距离和比例尺参数计算得到牛体的体尺参数。

进一步优化方案，两个摄像机2中提取的若干帧牛体关键帧图像数量为3-5帧。

进一步优化方案，标定法为张正友标定法，在测量通道内摆放不同位置的标定板，通过两个摄像机2获取不同位置标定板的图像，利用张正友标定法获得两个摄像机2的参数，计算比例尺参数，并通过张正友标定法对牛体关键帧图像的畸变进行校正。

进一步优化方案，所述解码部分由4个上采样块组成，每个块由一个2×2的反卷积层和两个3×3的卷积层组成，其中每个卷积层后也使用归一化层和ReLU激活函数，通道变化为1024、512、256、128、64；所述编码部分由5个下采样块组成，每个块由两个3×3的卷积层和一个2×2的最大池化层组成,其中每个卷积层后有一个归一化层，并使用ReLU作为激活函数，通道变化为3、64、128、256、512、1024，在网络的最后一层，使用一个1×1的卷积将图像转化成单通道。为了方便，将图像缩放为256×256输入网络，卷积层padding＝1、stride＝1，反卷积层stride＝2，以得到与原图大小一致的输出。

进一步优化方案，所述特征点提取训练对分割后的牛体轮廓图像，选择特征点较为明显、整体轮廓清晰完整的每帧所述牛体轮廓图像，对所有选中的图像进行掩码处理得到掩码图像集合(MIMSET)，同时手工标注肩胛骨后缘端点，肩胛骨前缘端点，臀部最高点，左腿管骨1/3处水平两侧端点等体尺特征点；做成一组目标集(PIMSET)，以PIMSET集为目标，使用MIMSET集对DeFLOCNet网络进行训练，得到DeFLOCNet网络模型。

进一步优化方案，体尺参数包括体高、体斜长、胸围、管围、臀宽、肩宽；

体高为牛的肩胛骨后缘端点至地面的垂直距离；

体斜长为牛的臀端点到肩胛骨前缘端点的直线距离；

胸围为牛的肩胛骨后缘端点与地面垂直处绕胸部一周的长度；

管围为牛的左腿管骨上1/3处的水平周长；

臀宽为牛的臀部最高点处驼体的体宽；

肩宽为胛骨后缘处驼体的体宽；

对应的体尺特征点为肩胛骨后缘端点，肩胛骨前缘端点，臀部最高点，左腿管骨1/3处左右端点。

参照图1-2所示，一种户外牛体体尺检测装置，装置用于实施上述技术方案的检测方法，装置包括位于测量通道两侧的通道侧边栏1，正上方摄像机2位于两个通道侧边栏1中心线上方，位于一侧的摄像机2位于通道侧边栏1外侧，两个红外触发装置分别位于通道侧边栏1前后方向，摄像机2、红外触发装置电性连接有控制模块，摄像机2电性连接有介质存储器，控制模块与介质存储器电性连接；

控制模块用于控制摄像机2拍摄图像，控制模块用于控制介质存储器存储牛体关键帧图像；

介质存储器用于存储U-Net算法、DeFLOCNet网络。

进一步优化方案，红外触发装置包括第一红外感应器3和第二红外感应器4，第一红外感应器3高度大于第二红外感应器4，两个第一红外感应器3固定连接在其中一个通道侧边栏1的前后方向，另外两个第二红外感应器4固定连接在其中一个通道侧边栏1的前后方向。

在通道一侧安装第一红外感应器3和第二红外感应器4，上面由两个第一红外感应器3组成，用于体型较大牛体检测，下面由两个组成，用于体型较小牛体检测。

进一步优化方案，控制模块为PLC控制器、PC端，介质存储器为U盘、硬盘。

实验例：

1、实验装置设置

测量通道的宽度比牛体宽度略宽，长度达到牛体长度的2倍，通道侧边栏1以安全为主，不做太多遮挡,其中一个摄像机2在测量通道中心线正上方垂直向下，可拍摄到动物的俯视图像，另一个摄像机2在通道左侧水平垂直于通道侧边栏1方向，可得到动物的侧视图像，两个摄像机2在红外触发器的触发下同时拍摄，这样可获取到两组同一头牛的俯视图像和侧视图像。

当牛通过通道时，第一红外感应器3或第二红外感应器4被遮挡时，则牛正处于摄像机2的最佳拍摄位置，这时触发顶部的摄像机2和侧面的摄像机2同时获取3-5帧牛体关键帧图像。

2、基本数据及模型参数确定

利用棋盘格大小已知的标定板在不同角度和位置的图像图像，图像矫正采用张正友标定法，利用棋盘格大小已知的标定板，用摄像机2对标定板进行不同角度和位置的图像，求解内参矩阵、外参矩阵以及畸变参数。

然后对提取牛体的关键帧图像进行矫正。同时利用标定板的多个位置，计算不同位置比例尺参数，即计算不同位置的两点在图像中像素距离与实际距离的比例。

将拍摄到的图像利用摄像机的内参矩阵、外参矩阵以及畸变参数对图像进行矫正，然后输入到U-Net网络进行训练，U-Net网络的解码部分即左半部分,所述解码部分由4个上采样块组成，每个块由一个2×2的反卷积层和两个3×3的卷积层组成，其中每个卷积层后也使用归一化层和ReLU激活函数，通道变化为1024、512、256、128、64；所述编码部分由5个下采样块组成，每个块由两个3×3的卷积层和一个2×2的最大池化层组成,其中每个卷积层后有一个归一化层，并使用ReLU作为激活函数，通道变化为3、64、128、256、512、1024，在网络的最后一层，使用一个1×1的卷积将图像转化成单通道。为了方便，将图像缩放为256×256输入网络，卷积层padding＝1、stride＝1，反卷积层stride＝2，以得到与原图大小一致的输出。将残差网络的思想引入到U-Net，避免了梯度值为0或梯度趋于无穷大的现象.使信息的在高的卷积层和低的卷积层之间传递，提高了分割算法的鲁棒性。训练U-Net网络时，采用Dice损失函数，结合二分类交叉熵，引入残差网络的思想，避免梯度值为0或梯度趋于无穷大的现象。以实现稳定高效的梯度反向传播,并进一步分割的精度和速度，实现牛的轮廓提取最终确定U-Net网络。

对分割后的牛体轮廓图像，选择特征点较为明显、整体轮廓清晰完整的每帧所述牛体轮廓图像，对所有选中的图像进行掩码处理得到掩码图像集合(MIMSET)，同时手工标注肩胛骨后缘端点，肩胛骨前缘端点，臀部最高点，左腿管骨1/3处水平两侧端点等体尺特征点；做成一组目标集(PIMSET)，以PIMSET集为目标，使用MIMSET集对DeFLOCNet网络进行训练，得到DeFLOCNet网络模型。

3、体尺计算

牛通过通道时，触发红外装置获取侧视图和俯视图的图像；

利用摄像机的内参矩阵、外参矩阵以及畸变参数对图像进行矫正；

矫正后的图像输入到U-Net网络得到牛体轮廓图；

再将牛体轮廓图做掩码处理输入到DeFLOCNet网络，输出为牛体特征点图像；

通过牛体特征点坐标的像素距离和对应的比例尺参数相乘，即可得到相应的体尺。

从侧视图像中提取体高、体斜长、胸围、管围体斜长、体高、臀高、胸侧围，对应的特征点为臀部最高点臀端点、肩胛骨前缘端点、肩胛骨后缘端点、左腿管骨上1/3处左右端点；从俯视图像中提取臀宽、肩宽，对应的特征点点为臀部两侧最高点、肩胛骨后缘端点处两侧点。经过上一步提取轮廓之后。

体高＝肩胛骨后缘端点到地面像素距离×对应的比例尺参数

体斜长＝肩胛骨前缘端点到臀部最高点距离×对应的比例尺参数

胸围＝肩胛骨后缘端点垂直两侧端点像素距离×2π

管围＝左腿管骨上1/3处水平两侧端点像素距离×2π

肩宽＝肩胛骨后缘端点水平两侧端点像素距离×对应的比例尺参数

臀宽＝臀部最高点水平两侧端点像素距离×对应的比例尺参数。

在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。