一种基于深度学习和特征部位检测的牛体尺算法制造技术

技术编号:21894657 阅读:60 留言:0更新日期:2019-08-17 15:35
本发明专利技术提供了一种基于深度学习和特征部位检测的牛体尺算法,包括步骤一,设置测量系统,包括地面标注面、侧身摄像头、尾部摄像头和图像服务器;所述图像服务器包括特征部位检测模型和体尺测量算法,步骤二,所述侧身摄像头和尾部摄像头分别采集牛的侧身图像和牛的尾部图像,传输至所述图像服务器,所述特征部位检测模型处理输入图像,输出特征部位坐标信息,步骤三计算地面标定参数An、垂直地面的标定面的标定参数Kn,步骤四根据坐标信息及比例获得牛的体尺数据。本申请通过采用侧身摄像头、尾部摄像头采集牛的图像,通过图像服务器处理图像数据计算牛的体尺数据,降低了测量的劳动强度和难度,避免了安全隐患。

A Bovine Size Algorithm Based on Deep Learning and Feature Location Detection

【技术实现步骤摘要】
一种基于深度学习和特征部位检测的牛体尺算法
本专利技术涉及牛体尺算法
,尤其涉及一种基于深度学习和特征部位检测的牛体尺算法。
技术介绍
随着科学技术的发展与大数据时代的来临,畜牧业的信息化与智能化是促进我国畜牧业快速、健康发展的重中之重。借助智能化、自动化的数据采集与计算机辅助分析,可以提升畜牧业的生产规模、降低人力成本、增强生产效率。对于畜牧产业中的牛类的体尺指标主要包含身高、体长、体斜长、胸宽、后躯宽、胸围长等参数。随着生物研究的发展和牧民养殖经验的不断积累,人们已经认识到对牛体的测量有着广泛的应用和价值,包括监视并预测牛的生长速率、发育状态、身体特征和饮食状态,以利于家畜的优选育种及饲养管理等。因此,对于牛体尺的测量具有很实际的经济价值。然而现阶段在实际应用中,牧民对牛的体尺指标的测量仍然非常低效、繁琐,牛活体体尺指标参数主要采用人工手工测量的方法,工作人员借助软尺、卡尺等测量工具对对牛活体的身高、体长、体斜长、胸宽、后躯宽、胸围长等多个指标进行测量。这种测量方式需要耗费大量的人力物力,要求在场地平坦,牛以标准站立姿势时进行测量,因此测量难度大,测量结果存在很大的主观性,测量精度低,具有一定的安全隐患,而且还会造成对牛的应激反应,对牛的健康存在不利影响。
技术实现思路
为克服现有技术中存在的不能安全精确测量牛的体尺的问题,本专利技术提供了一种基于深度学习和特征部位检测的牛体尺算法。一种基于深度学习和特征部位检测的牛体尺算法,包括如下步骤:步骤一,设置一测量系统,其包括地面标注面(1)、侧身摄像头(2)、尾部摄像头(3)和图像服务器,侧身摄像头(2)采集牛的侧身图像传输至所述图像服务器,所述尾部摄像头(3)采集牛的尾部图像传输至所述图像服务器,所述图像服务器包括特征部位检测模型和体尺测量算法;步骤二,安装地面标注面(1),所述地面标注面(1)为铺设在地面上的长方形地板,包括六条标注线,五个地面标注面区域,每个地面标注面区域都是长方形,长度不固定,宽度是20cm,在每块的地面标注面区域的宽取中心取竖直向上的竖直面作为竖直标定面,和侧身摄像头(2)、尾部摄像头,所述侧身摄像头(2)和所述尾部摄像头(3)通过伸缩勾吊挂屋顶上,所述侧身摄像头(2)和尾部摄像头(3)与图像服务器通过以太网连接;步骤三,使牛站在地面标注面(1)上,打开侧身摄像头(2)和尾部摄像头(3),侧身摄像头(2)和尾部摄像头(3)分别传输侧身图像和尾部图像给所述特征部位检测模型,所述特征部位检测模型处理输入图像,输出特征部位位置,计算地面标定参数An和垂直地面的标定面的标定参数Kn;步骤四,侧身摄像头(2)和尾部摄像头(3)分别传输侧身图像和尾部图像给所述特征部位检测模型,所述特征部位检测模型处理输入图像,输出特征部位坐标信息,根据步骤三和步骤四的公式获得地面标定参数An、垂直地面的标定面的标定参数Kn和站姿偏角θ,根据比例获得牛的体尺数据。在本专利技术一优选实施例中,步骤三中,先做地面标注,在测量区域,垂直于镜头平面每间隔20cm做一条标注线,计算出每一个区域内的标定参数An,其中每个区域的实际距离是20cm,从获取到的图中可以得到每个区域的像素距离,也就是图像距离。在本专利技术一优选实施例中,垂直地面的每个区域分别有一个垂直地面的标定面和对应的标定参数,垂直地面的标定面的标定参数Kn的计算步骤如下:(1)垂直地面的标定面由棋盘格组成,测出实际的每一个黑色的小方块的边长,测得的距离就是实际距离,然后用摄像头获得每一个黑色的小方块的像素距离;(2)垂直地面的标定面的标定参数Kn,在本专利技术一优选实施例中,步骤三中,牛的两个前蹄中点到牛两个后蹄中点的连线与地面标注线的夹角为站姿偏角,站姿偏角的计算步骤如下:(1)从获取的图片中,利用两个前蹄和两个后蹄的像素坐标分别求得前蹄中点的像素坐标和后蹄中点的像素坐标。然后利用步骤三得到的标定参数An,将像素坐标转换成实际坐标;(2)前蹄中点和后蹄中点的实际坐标和标注线的平行线构建一个直角三角形,利用三角函数公式,计算站姿偏角的大小。在本专利技术一优选实施例中,所述特征部位检测模型包括特征部位数据集、特征部位检测方法。在本专利技术一优选实施例中,所述特征部位数据集包括牛图像和标定文件;所述牛图像包括单只或多只牛正面、侧身、背部图像,特征部位名称有牛、牛头、牛躯干、牛蹄、关节、牛尻;所述标定文件给出牛、牛头、牛躯干、牛蹄、关节、牛尻的边框的标签和坐标信息。在本专利技术一优选实施例中,所述标定文件采用xml格式文件,文件中列出图像基本信息,包括xml文件名,xml文件保存路径,图片尺寸,特征部位名称,特征部位像素坐标。在本专利技术一优选实施例中,所述特征部位检测方法采用两步法时,包括特征提取网络、候选框推选方法、候选框分类和回归网络;即先特征提取网络提取图像特征,输入图像经过5个卷积块,最终得到512个高14像素、宽14像素的特征图,在所述特征图上以每个像素点作为锚anchor的中心点,在原图中生成6个锚框,目标候选框推选网络通过卷积层将14*14*512的矩阵变成6个预测框的坐标偏移值14*14*24和对应锚框属于目标的概率值14*14*6,将目标候选框推选网络输出中属于目标的概率大于0.6的预测框的特征送入分类网络和回归网络,输出特征部位类别分类得分和边框坐标预测值。在本专利技术一优选实施例中,所述所述特征部位检测方法采用一步法时,检测步骤包括特征提取和特征位置预测及分类,即首先通过特征提取网络提取输入图像的多尺度特征,每个尺度上分别预测特征部位,并将所有尺度的预测结果按照置信度预测值排序,选出超过预测值门限的候选框通过非极大值抑制方法得到目标的识别位置和种类。在本专利技术一优选实施例中,所述体尺测量算法利用输入特征部位中心点坐标、标定参数和站姿偏角来计算牛的身高、体长、体斜长、胸围、后躯宽、胸围长。与现有技术相比,本专利技术的有益效果是:(1)本申请将深度学习和特征部位检测的技术用于牛体尺的测量,使得牛体尺测量的方法更为便捷,提高了测量效率,降低了测量成本;(2)通过采用侧身摄像头、尾部摄像头采集牛的图像,不需要人工手工测量,提高了测量的工作效率,降低了测量的劳动强度和测量难度,也避免了安全隐患;(3)采用特征部位监测模型处理输入图像,再输出特征部位坐标信息,提高了图像采集和图像信息处理的效率,降低了测量成本;(4)本申请通过站姿纠偏,使得不管牛以任何站姿站立在摄像头前,都可以采集到有效的特征部位坐标信息,降低了测量难度,提高了工作效率;(5)采用体尺测量算法根据坐标信息计算牛的体尺数据,提高了数据处理速度,降低了测量成本。附图说明图1是本专利技术一种基于深度学习和特征部位检测的牛体尺算法一优选实施例的电路原理示意图;图2是本专利技术一种基于深度学习和特征部位检测的牛体尺算法一优选实施例的整体结构示意图;图3是本专利技术一种基于深度学习和特征部位检测的牛体尺测量系统一优选实施例中卷积块1的结构示意图;图4是本专利技术一种基于深度学习和特征部位检测的牛体尺测量系统一优选实施例中卷积块2的结构示意图;图5是本专利技术一种基于深度学习和特征部位检测的牛体尺测量系统一优选实施例中特征提取网络结构示意图;图6是本专利技术一种基于深度学习和特征部位检测的牛体尺测本文档来自技高网...

【技术保护点】
1.一种基于深度学习和特征部位检测的牛体尺算法,其特征在于,包括如下步骤:步骤一,设置一测量系统,其包括地面标注面(1)、侧身摄像头(2)、尾部摄像头(3)和图像服务器,侧身摄像头(2)采集牛的侧身图像传输至所述图像服务器,所述尾部摄像头(3)采集牛的尾部图像传输至所述图像服务器,所述图像服务器包括特征部位检测模型和体尺测量算法;步骤二,安装地面标注面(1),所述地面标注面(1)为铺设在地面上的长方形地板,包括六条标注线,五个地面标注面区域,每个地面标注面区域都是长方形,长度不固定,宽度是20cm,在每块的地面标注面区域的宽取中心取竖直向上的竖直面作为竖直标定面,和侧身摄像头(2)、尾部摄像头,所述侧身摄像头(2)和所述尾部摄像头(3)通过伸缩勾吊挂屋顶上,所述侧身摄像头(2)和尾部摄像头(3)与图像服务器通过以太网连接;步骤三,使牛站在地面标注面(1)上,打开侧身摄像头(2)和尾部摄像头(3),侧身摄像头(2)和尾部摄像头(3)分别传输侧身图像和尾部图像给所述特征部位检测模型,所述特征部位检测模型处理输入图像,输出特征部位位置,计算地面标定参数An和垂直地面的标定面的标定参数Kn;步骤四,侧身摄像头(2)和尾部摄像头(3)分别传输侧身图像和尾部图像给所述特征部位检测模型,所述特征部位检测模型处理输入图像,输出特征部位坐标信息,根据步骤三和步骤四的公式获得地面标定参数An、垂直地面的标定面的标定参数Kn,根据比例获得牛的体尺数据。...

【技术特征摘要】
1.一种基于深度学习和特征部位检测的牛体尺算法,其特征在于,包括如下步骤:步骤一,设置一测量系统,其包括地面标注面(1)、侧身摄像头(2)、尾部摄像头(3)和图像服务器,侧身摄像头(2)采集牛的侧身图像传输至所述图像服务器,所述尾部摄像头(3)采集牛的尾部图像传输至所述图像服务器,所述图像服务器包括特征部位检测模型和体尺测量算法;步骤二,安装地面标注面(1),所述地面标注面(1)为铺设在地面上的长方形地板,包括六条标注线,五个地面标注面区域,每个地面标注面区域都是长方形,长度不固定,宽度是20cm,在每块的地面标注面区域的宽取中心取竖直向上的竖直面作为竖直标定面,和侧身摄像头(2)、尾部摄像头,所述侧身摄像头(2)和所述尾部摄像头(3)通过伸缩勾吊挂屋顶上,所述侧身摄像头(2)和尾部摄像头(3)与图像服务器通过以太网连接;步骤三,使牛站在地面标注面(1)上,打开侧身摄像头(2)和尾部摄像头(3),侧身摄像头(2)和尾部摄像头(3)分别传输侧身图像和尾部图像给所述特征部位检测模型,所述特征部位检测模型处理输入图像,输出特征部位位置,计算地面标定参数An和垂直地面的标定面的标定参数Kn;步骤四,侧身摄像头(2)和尾部摄像头(3)分别传输侧身图像和尾部图像给所述特征部位检测模型,所述特征部位检测模型处理输入图像,输出特征部位坐标信息,根据步骤三和步骤四的公式获得地面标定参数An、垂直地面的标定面的标定参数Kn,根据比例获得牛的体尺数据。2.根据权利要求1所述的一种基于深度学习和特征部位检测的牛体尺算法,其特征在于,步骤三中,先做地面标注,在测量区域,垂直于镜头平面每间隔20cm做一条标注线,计算出每一个区域内的标定参数An,n=1,2,3,4,5,其中每个区域的实际距离是20cm,从获取到的图中可以得到每个区域的像素距离,也就是图像距离。3.根据权利要求1所述的一种基于深度学习和特征部位检测的牛体尺算法,其特征在于,垂直地面的每个区域分别有一个垂直地面的标定面和对应的标定参数,垂直地面的标定面的标定参数Kn的计算步骤如下:(1)垂直地面的标定面由棋盘格组成,测出实际的每一个黑色的小方块的边长,测得的距离就是实际距离,然后用摄像头获得每一个黑色的小方块的像素距离;(2)垂直地面的标定面的标定参数Kn,n=1,2,3,4,5。4.根据权利要求1所述的一种基于深度学习和特征部位检测的牛体尺算法,其特征在于,步骤三中,牛的两个前蹄中点到牛两个后蹄中点的连线与地面标注线的夹角为站姿...

【专利技术属性】
技术研发人员:李琦赵建敏白卓玉张万锴杜永兴尚绛岚
申请(专利权)人:内蒙古科技大学内蒙古智牧溯源技术开发有限公司
类型:发明
国别省市:内蒙古,15

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1