基于深度图像的猪只分割方法技术

本发明专利技术公开了基于深度图像的猪只分割方法，其基于深度数据进行猪只分割，由于深度数据不受光线限制，可以全时段采集数据，相较于彩色图像对监测猪只具有实时优势；同时深度数据反应了猪只的三维空间图像特征对后续的猪只行为与状况分析更具有应用价值。其次，通过分水岭分割方法可对粘连猪只进行有效分割，并针对其容易因噪声而出现过度分割的问题，提出先验标记代表性要分割的区域的解决方法。针对于深度学习的识别限制，采用形态学分割方法进一步分割粘连较小猪只。在此基础上，对于粘连较大而难以识别的猪只，采用旋度中心算法识别未分割的猪只背部与腹部并使用分水岭算法分割图像，从而显著提升分割率。

【技术实现步骤摘要】
基于深度图像的猪只分割方法
本专利技术涉及图像分割
，尤其涉及基于深度图像的猪只分割方法。
技术介绍
猪只状态的实时监测对高效饲养与科学决策具有重要的价值。近年来，随着图像采集与处理技术的发展，采用图像分析的方法监测猪只的行为与健康状况越来越受到重视。一方面，相较于其它的监测手段，图像分析具有成本低、实时的优点。另一方面，图像分析不对猪只日常活动产生干扰。在图像分析方面，猪只图像个体分割极为重要的意义，若能够分割监测图像中的各个猪只图像，就有潜力实时分析各个猪只的日常运动状态与行为，如采食、排泄、活动轨迹、运动量等，从而有利于分析各猪只的生长状态、健康状况。虽然人们意识到各猪只图像的分割具有重要的应用价值，然而，由于粘连一起的猪只边界两边图像颜色、亮度的相似性以及边界本身的模糊性，将各个猪只图像分割开来极具挑战性。目前人们在相关方面的研究已经取得了较多进展，郭伊正等[1]采集猪个体颜色、纹理及形状特征并用Isomap算法融合特征，采用支持向量机算法识别猪只个体。Kashiha等[2-3]则在猪只的背部涂上不同颜色和形状，识别各猪只本文档来自技高网...

【技术保护点】
1.基于深度图像的猪只分割方法，其特征在于，包括以下步骤：/nS1.采集猪只全景深度数据并从中提取出猪只深度数据；/nS2.基于所述猪只深度数据，采用深度学习方法识别出猪只的背部或腹部；/nS3.以所述猪只的背部或腹部中心为标记，采用分水岭算法分割出各猪只。/n

【技术特征摘要】
1.基于深度图像的猪只分割方法，其特征在于，包括以下步骤：
S1.采集猪只全景深度数据并从中提取出猪只深度数据；
S2.基于所述猪只深度数据，采用深度学习方法识别出猪只的背部或腹部；
S3.以所述猪只的背部或腹部中心为标记，采用分水岭算法分割出各猪只。


2.根据权利要求1所述的基于深度图像的猪只分割方法，其特征在于，步骤S1所述的猪只全景深度数据通过在猪只所在栅栏顶部的固定位置设置摄像装置，并由所述摄像装置实时采集获得。


3.根据权利要求2所述的基于深度图像的猪只分割方法，其特征在于，步骤S1中所述提取出猪只深度数据的具体步骤包括：
S11.以多帧深度数据融合方法采集猪只放置于放猪栏前的背景深度数据：
在猪只被放置于猪栏前，通过所述摄像装置连续采集N张深度数据，以第一帧深度数据为基础，依次读取后面的N-1张深度数据；其中在读取一张深度数据后，若已有的深度数据的某个位置为0，而新读取的深度数据对应相同位置的深度数据非0，则用新读取的深度数据代替此位置的原来的0信息；其中N为正整数；
S12.获取猪只前景深度数据：将猪只放置于猪栏后，通过所述摄像装置周期性采集一次全景深度数据，将所述背景深度数据减去全景深度数据从而获得猪只前景深度数据；
S13.将所述猪只前景深度数据转化为猪只前景灰度图。


4.根据权利要求3所述的基于深度图像的猪只分割方法，其特征在于，所述步骤S13还包括对所述猪只前景灰度图进行中值滤波处理。


5.根据权利要求1所述的基于深度图像的猪只分割方法，其特征在于，步骤S2中所述采用深度学习方法识别出猪只的背部或腹部的具体为：采用所述中值滤波处理后的猪只前景灰度图作为输入，通过FasterR-CNN识别模型识别出猪只的背部或腹部。


6.根据权利要求1所述的基于深度图像的猪只分割方法，其特征在于，所述步骤S3后还包括以下步骤：
S4.对于步骤S3得到的分割结果，判定分割的各部分是否为成功分割的猪只，若是则结束该步骤，完成猪只分割；若否，则采用形态学分割方法对未成功分...

【专利技术属性】
技术研发人员：张连宽，肖德琴，杨秋妹，谢炫，
申请(专利权)人：华南农业大学，
类型：发明
国别省市：广东;44