生猪非接触式体重测量方法、系统、电子设备及存储介质技术方案

本发明专利技术公开了一种生猪非接触式体重测量方法、系统、电子设备及存储介质，涉及生猪体重测量领域。该方法包括：采集生猪的俯视深度图像；构建改进MaskR

【技术实现步骤摘要】
生猪非接触式体重测量方法、系统、电子设备及存储介质


[0001]本专利技术涉及生猪体重测量
，特别涉及一种生猪非接触式体重测量方法、系统、电子设备及存储介质。

技术介绍

[0002]生猪体重是反映其营养和生长发育水平、饲养管理和健康状况的关键特征。传统生猪体重通常采用接触式测量方法获得，接触式测量可分为直接法和间接法。直接法是目前最常用的方法，使用地磅、电子秤等器具直接测量生猪的体重，测量1头生猪的体重至少需要2个工作人员花费3～5分钟的时间，费工费力且猪容易产生应激反应；间接法是通过测量生猪体长、体宽、体高、臀宽、臀高、胸围等体尺，建立体重和体尺间关联模型估测体重，尽管该法可明显减轻猪的应激反应，但同样费工费力。迫切需要建立一种高效、高精度非接触式测量猪体重的方法。
[0003]生猪养殖区域的准确识别和精确分割是实现生猪体重非接触式测量的基础性、关键性的技术点。传统的图像分割方法，步骤繁琐而且极易受噪声影响，在复杂的猪舍环境下，适用性较差。

技术实现思路

[0004]为了解决上述问题，本专利技术提供了一种生猪非接触式体重测量方法、系统、电子设备及存储介质。
[0005]为实现上述目的，本专利技术提供了如下方案：
[0006]一种生猪非接触式体重测量方法，包括：
[0007]采集生猪的俯视深度图像；
[0008]构建改进Mask R
‑
CNN网络模型；所述改进Mask R
‑
CNN网络模型包括金字塔网络和通道和空间双注意力模块；
[0009]通过训练后的改进Mask R
‑
CNN网络模型从所述俯视深度图像中提取生猪轮廓图像；
[0010]采用四分位数法运算操作去除所述生猪轮廓图像中的猪头和猪尾部分，得到分割后的图像；
[0011]提取所述分割后的图像的体重特征参数；所述体重特征参数包括：背部面积、体长、体宽、平均深度和离心率；
[0012]将所述体重特征参数输入至所述生猪体重估测回归模型，得到生猪体重；所述生猪体重估测回归模型由AdaBoost回归算法训练得到。
[0013]可选地，采用四分位数法运算操作去除所述生猪轮廓图像中的猪头和猪尾部分，得到分割后的图像，具体包括：
[0014]根据所述生猪轮廓图像的面积大小设定五个区间；
[0015]根据设定的五个区间去除所述生猪轮廓图像中的猪头和猪尾部分。
[0016]可选地，提取所述分割后的图像的体重特征参数，具体包括：
[0017]根据所述分割后的图像中像素点的像素值确定背部面积；
[0018]基于所述分割后的图像，采用最小外接矩形的方法计算体长和体宽；
[0019]基于所述分割后的图像拟合椭圆，拟合得到的椭圆内像素点的平均深度值为平均深度；
[0020]基于拟合得到的椭圆的长轴和短轴计算离心率。
[0021]可选地，所述改进Mask R
‑
CNN网络模型的训练过程如下：
[0022]获取生猪俯视深度图像集，并进行数据增强处理；
[0023]对处理后的图像进行轮廓标注，并划分为训练集和测试集；
[0024]通过所述训练集和所述测试集对改进Mask R
‑
CNN网络模型进行训练和测试。
[0025]本专利技术还提供了一种生猪非接触式体重测量系统，包括：
[0026]图像拍摄模块，用于采集生猪的俯视深度图像；
[0027]模型构建模块，用于构建改进Mask R
‑
CNN网络模型；所述改进Mask R
‑
CNN网络模型包括金字塔网络和通道和空间双注意力模块；
[0028]轮廓图像提取模块，用于通过训练后的改进Mask R
‑
CNN网络模型从所述俯视深度图像中提取生猪轮廓图像；
[0029]去头尾模块，用于采用四分位数法运算操作去除所述生猪轮廓图像中的猪头和猪尾部分，得到分割后的图像；
[0030]体重特征参数提取模块，用于提取所述分割后的图像的体重特征参数；所述体重特征参数包括：背部面积、体长、体宽、平均深度和离心率；
[0031]体重估测单元，用于将所述体重特征参数输入至所述生猪体重估测回归模型，得到生猪体重；所述生猪体重估测回归模型由AdaBoost回归算法训练得到。
[0032]可选地，所述去头尾模块具体包括：
[0033]区间设定单元，用于根据所述生猪轮廓图像的面积大小设定五个区间；
[0034]去头尾单元，用于根据设定的五个区间去除所述生猪轮廓图像中的猪头和猪尾部分。
[0035]可选地，所述体重特征参数提取模块，具体包括：
[0036]背部面积确定单元，用于根据所述分割后的图像中像素点的像素值确定背部面积；
[0037]体长和体宽计算单元，用于基于所述分割后的图像，采用最小外接矩形的方法计算体长和体宽；
[0038]平均深度确定单元，用于基于所述分割后的图像拟合椭圆，拟合得到的椭圆内像素点的平均深度值为平均深度；
[0039]离心率计算单元，用于基于拟合得到的椭圆的长轴和短轴计算离心率。
[0040]可选地，还包括：改进Mask R
‑
CNN网络模型训练模块，所述改进Mask R
‑
CNN网络模型训练模块包括：
[0041]图像处理单元，用于获取生猪俯视深度图像集，并进行数据增强处理；
[0042]标注单元，用于对处理后的图像进行轮廓标注，并划分为训练集和测试集；
[0043]训练和测试单元，用于通过所述训练集和所述测试集对改进Mask R
‑
CNN网络模型
进行训练和测试。
[0044]本专利技术还提供了一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述的生猪非接触式体重测量方法。
[0045]本专利技术还提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述的生猪非接触式体重测量方法。
[0046]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0047]本专利技术采用Mask R
‑
CNN(Mask Region
‑
based Convolutional Neural Network)网络模型仅需从图像中获取生猪轮廓，无需通过传统的图像分割，可明显提高了处理复杂图像的效率和精度，从而提高生猪体重测量的准确性。
附图说明
[0048]为了更清楚地说明本专利技术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专利技术的一些实施例，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。
[0049本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种生猪非接触式体重测量方法，其特征在于，包括：采集生猪的俯视深度图像；构建改进MaskR
‑
CNN网络模型；所述改进MaskR
‑
CNN网络模型包括金字塔网络和通道和空间双注意力模块；通过训练后的改进MaskR
‑
CNN网络模型从所述俯视深度图像中提取生猪轮廓图像；采用四分位数法运算操作去除所述生猪轮廓图像中的猪头和猪尾部分，得到分割后的图像；提取所述分割后的图像的体重特征参数；所述体重特征参数包括：背部面积、体长、体宽、平均深度和离心率；将所述体重特征参数输入至所述生猪体重估测回归模型，得到生猪体重；所述生猪体重估测回归模型由AdaBoost回归算法训练得到。2.根据权利要求1所述的生猪非接触式体重测量方法，其特征在于，采用四分位数法运算操作去除所述生猪轮廓图像中的猪头和猪尾部分，得到分割后的图像，具体包括：根据所述生猪轮廓图像的面积大小设定五个区间；根据设定的五个区间去除所述生猪轮廓图像中的猪头和猪尾部分。3.根据权利要求1所述的生猪非接触式体重测量方法，其特征在于，提取所述分割后的图像的体重特征参数，具体包括：根据所述分割后的图像中像素点的像素值确定背部面积；基于所述分割后的图像，采用最小外接矩形的方法计算体长和体宽；基于所述分割后的图像拟合椭圆，拟合得到的椭圆内像素点的平均深度值为平均深度；基于拟合得到的椭圆的长轴和短轴计算离心率。4.根据权利要求1所述的生猪非接触式体重测量方法，其特征在于，所述改进MaskR
‑
CNN网络模型的训练过程如下：获取生猪俯视深度图像集，并进行数据增强处理；对处理后的图像进行轮廓标注，并划分为训练集和测试集；通过所述训练集和所述测试集对改进MaskR
‑
CNN网络模型进行训练和测试。5.一种生猪非接触式体重测量系统，其特征在于，包括：图像拍摄模块，用于采集生猪的俯视深度图像；模型构建模块，用于构建改进MaskR
‑
CNN网络模型；所述改进MaskR
‑
CNN网络模型包括金字塔网络和通道和空间双注意力模块；轮廓图像提取模块，用于通过训练后的改进MaskR
‑
...

【专利技术属性】
技术研发人员：仓玉吉，谢传奇，周卫东，楼喜中，肖华，徐杏，周昕，
申请(专利权)人：浙江省农业科学院，
类型：发明
国别省市：