【技术实现步骤摘要】
本专利技术属于牛体重目标检测领域，尤其涉及一种基于目标检测网络模型yolov8的非接触式牛体重测量方法。
技术介绍
1、活重测量是家畜生长最重要的指标之一，能够清晰地反映牲畜生长情况，影响采食量、饲料效率、泌乳等方面。因此，应定期监测牛的体重，以更好地了解牦牛的生长发育情况，提高养殖场的繁殖和饲养管理水平。传统上是通过磅秤来测量牛的体重，这会给牛带来压力，根据实验农场的称重记录，每次称重可能会导致奶牛因应激而体重下降2至10kg，并可能影响未来三天的采食量，同时由于牛的体型较大，这也会给测量人员造成危险。目前，已经有基于多传感器和深度学习模型的体重测量模型，包括2d和3d方面，这可以减少体重测量过程中的压力和劳动力消耗。以往的研究表明，牛的形态特征，如宽度、高度等，可以预测体重。研究人员开发了回归模型来预测牛的体重，该模型分析了体重与从2d或3d图像中获得的测量值之间的相关性。这些研究在牛形态特征提取的过程中都存在人工干预，没有做到全过程自动化，这会消耗更多的劳动力，且精度有待提高。因此，亟需开发出一种可以更为精确和自动化的方法，在减轻养殖工人工作量的同时，对牛的体重进行预测，提高养殖效果和减少养殖成本。
技术实现思路
1、本专利技术的目的在于克服现有技术的缺点，提供了一种基于目标检测网络模型yolov8的非接触式牛体重测量方法，首先通过采集牛个体信息视频并转化为图像帧，标记出图像中牛的正常姿态和异常姿态特征，基于yolov8建立牛的姿态识别模型；将图像中牛的身份信息一一对应，基于
2、为实现以上技术效果，采用如下技术方案：
3、一种基于目标检测网络模型yolov8的非接触式牛体重测量方法，包括如下步骤：
4、步骤s1：牛姿态识别模型建立
5、步骤s11：使用影像采集设备进行视频数据采集，不间断分别采集牛上方背部视频数据及牛左右侧面视频数据；
6、步骤s12：对采集到的牛上方背部视频数据及牛左右侧面视频数据进行初步筛选，按帧提取出牛姿态图像；
7、步骤s13：人工识别步骤s12中提取的牛姿态图像，标记牛姿态类别，所有图像标注完成后转换为yolo格式的存储标签；
8、步骤s14：将标注好牛姿态类别的图像按比例随机分为训练集和测试集；
9、步骤s15：将步骤s14所得的训练集输入到yolov8网络模型中进行牛姿态识别模型的训练，得到训练好的牛姿态识别模型；
10、步骤s16：将步骤s14所得的测试集输入到训练好的牛姿态识别模型中，对该模型进行验证，并输出验证结果，得到最终的牛姿态识别模型；
11、步骤s2：牛个体身份识别模型建立
12、步骤s21：使用影像采集设备进行视频数据采集，不间断分别采集牛个体身份视频数据；
13、步骤s22：对采集到的牛个体身份视频数据进行初步筛选，按帧提取出牛个体身份图像；
14、步骤s23：人工识别步骤s22中提取的牛个体身份图像，标记牛个体身份信息，所有图像标注完成后转换为yolo格式的存储标签；
15、步骤s24：将标注好牛个体身份的图像按比例随机分为训练集和测试集；
16、步骤s25：将步骤s24所得的训练集输入到yolov8网络模型中进行牛个体身份识别模型的训练，得到训练好的牛个体身份识别模型；
17、步骤s26：将步骤s24所得的测试集输入到训练好的牛个体身份识别模型中，对该模型进行验证，并输出验证结果，得到最终的牛个体身份识别模型；
18、步骤s3：牛体尺参数特征提取
19、使用影像采集设备对需要进行体重测试的牛进行视频数据采集，不间断分别采集牛上方背部视频数据、牛左右侧面视频数据及牛个体身份视频数据；按帧提取出牛姿态图像及牛个体身份图像；
20、首先将牛姿态图像输入到建立好的牛姿态识别模型中，对牛姿态进行识别，当牛姿态图像中的牛识别为正常姿态时，将其姿态图像或者牛个体身份图像再输送到牛个体身份识别模型，对牛进行个体身份识别；牛个体身份识别结束后，将该特定牛个体的牛上方背部、牛左右侧面图像数据输入到牛体尺参数特征提取模块，包括以下步骤：
21、步骤s31：定义颈部关键点及尾部关键点
22、定义牛头在左、尾在右为正方向，得到顶部视角牛上方背部图像轮廓，在牛上方背部轮廓的左半部分，若是牛的背部轮廓曲线在某上下两处的曲率变化大于附近其他位置的曲率变化，且该两处的体宽也小于附近其他位置的体宽，则该两点定义为颈部上关键点a1和颈部下关键点a1；
23、在牛上方背部轮廓的右半部分，若是牛的轮廓曲线在某上下两处的曲率变化大于附近其他位置的曲率变化，且该两处的体宽小于左侧体宽、大于右侧体宽，则该两点定义为尾部上关键点an+1和尾部下关键点an+1；
24、步骤s32：牛体尺参数特征提取
25、将颈部上关键点a1和颈部下关键点a1调整连成竖直线l1，将尾部上关键点an+1和尾部下关键点an+1调整连成竖直线ln+1；
26、牛上方背部轮廓内，在竖直线l1和竖直线ln+1之间设置n-1个平行于竖直线l1和竖直线ln+1的竖直线l2，l3，l4…ln，将竖直线l1和竖直线ln+1之间距离等分为n份，其中，竖直线l2与牛背部轮廓上半部分交点为a2，竖直线l2与牛背部轮廓下半部分交点为a2，竖直线l3与牛背部轮廓上半部分交点为a3，竖直线l3与牛背部轮廓下半部分交点为a3，竖直线l4与牛背部轮廓上半部分交点为a4，竖直线l4与牛背部轮廓下半部分交点为a4，依此类推，竖直线ln与牛背部轮廓上半部分交点为an，竖直线ln与牛背部轮廓下半部分交点为an；
27、计算竖直线l1，l2，l3，l4…ln，ln+1的长度，分别记录为l1，l2，l3，l4…ln，ln+1；
28、定义牛背部轮廓体宽最大处为牛的体宽，记录为ln+2；
29、计算竖直线l1和竖直线ln+1水平距离长度，记录为ln+3；
30、在牛左右侧面图像数据中，定义牛头在左、尾在右为正方向，识别出牛背部最高点和牛蹄最低点，取差值得到牛的体高，记录为ln+4；
31、计算a1，a2，a1，a2所形成的梯形面积，记录为s1；计算a2，a3，a2，a3所形成的梯形面积，记录为s2；计算a3，a4，a3，a4所形成的梯形面积，记录为s3；依次类推，计算an-1，an，an-1，an所形成的梯形面积，记录为sn-1；计算an，an+1本文档来自技高网...
【技术保护点】
1.一种基于目标检测网络模型YOLOv8的非接触式牛体重测量方法，其特征在于，所述测量方法包括如下步骤：
2.如权利要求1中所述一种基于目标检测网络模型YOLOv8的非接触式牛体重测量方法，其特征在于，所述步骤S11和步骤S21中影像采集设备为不间断供电的、带存储系统的采集设备；牛上方背部视频数据由放置于牛舍正上方的采集设备采集，牛左右侧面视频数据由放置于食槽侧面的采集设备采集，牛个体身份视频数据由放置于牛舍正上方的采集设备及放置于食槽侧面的采集设备共同采集；牛舍中共3-8头牛，采集时间为7-14d。
3.如权利要求1中所述一种基于目标检测网络模型YOLOv8的非接触式牛体重测量方法，其特征在于，所述步骤S13中牛姿态类别分为正常和非正常姿态，所述牛姿态类别判定方法为：顶部视角牛上方背部图像中牛的颈部与躯干的夹角不超过5度，则认为该姿态为正常姿态，否则为非正常姿态；牛左右侧面图像中牛的四肢同时站立着地，且牛前两蹄之间的夹角以及牛后两蹄之间的夹角均不超过5度时，则认为该姿态为正常姿态，否则为非正常姿态。
4.如权利要求1中所述一种基于目标检测网络
5.如权利要求1中所述一种基于目标检测网络模型YOLOv8的非接触式牛体重测量方法，其特征在于，所述步骤S23中牛个体身份图像中包含的信息为：通过识别牛的头部和颈部特征或者识别牛个体身份特定信息确定牛的个体身份；所述标记牛个体身份信息为对不同牛个体进行编号待用。
6.如权利要求1中所述一种基于目标检测网络模型YOLOv8的非接触式牛体重测量方法，其特征在于，所述步骤S24中训练集和测试集的数据比例为7-5：3-5。
7.如权利要求1中所述一种基于目标检测网络模型YOLOv8的非接触式牛体重测量方法，其特征在于，所述步骤S3中影像采集设备为不间断供电的、带存储系统的采集设备；牛上方背部视频数据由放置于牛舍正上方的采集设备采集，牛左右侧面视频数据由放置于食槽侧面的采集设备采集，牛个体身份视频数据由放置于牛舍正上方的采集设备及放置于食槽侧面的采集设备共同采集；牛舍中共3-8头牛，采集时间为7-14d。
8.如权利要求1中所述一种基于目标检测网络模型YOLOv8的非接触式牛体重测量方法，其特征在于，所述步骤S31中得到顶部视角牛上方背部图像轮廓的具体方法为：
9.如权利要求1中所述一种基于目标检测网络模型YOLOv8的非接触式牛体重测量方法，其特征在于，所述步骤S32中使用机器视觉算法全过程自动化地完成体尺参数的计算提取；
10.如权利要求5中所述一种基于目标检测网络模型YOLOv8的非接触式牛体重测量方法，其特征在于，所述牛个体身份特定信息包括牛身上标牌，印章，涂色，标记，编号。
...【技术特征摘要】
1.一种基于目标检测网络模型yolov8的非接触式牛体重测量方法，其特征在于，所述测量方法包括如下步骤：
2.如权利要求1中所述一种基于目标检测网络模型yolov8的非接触式牛体重测量方法，其特征在于，所述步骤s11和步骤s21中影像采集设备为不间断供电的、带存储系统的采集设备；牛上方背部视频数据由放置于牛舍正上方的采集设备采集，牛左右侧面视频数据由放置于食槽侧面的采集设备采集，牛个体身份视频数据由放置于牛舍正上方的采集设备及放置于食槽侧面的采集设备共同采集；牛舍中共3-8头牛，采集时间为7-14d。
3.如权利要求1中所述一种基于目标检测网络模型yolov8的非接触式牛体重测量方法，其特征在于，所述步骤s13中牛姿态类别分为正常和非正常姿态，所述牛姿态类别判定方法为：顶部视角牛上方背部图像中牛的颈部与躯干的夹角不超过5度，则认为该姿态为正常姿态，否则为非正常姿态；牛左右侧面图像中牛的四肢同时站立着地，且牛前两蹄之间的夹角以及牛后两蹄之间的夹角均不超过5度时，则认为该姿态为正常姿态，否则为非正常姿态。
4.如权利要求1中所述一种基于目标检测网络模型yolov8的非接触式牛体重测量方法，其特征在于，所述步骤s14中训练集和测试集的数据比例为7-5：3-5。
5.如权利要求1中所述一种基于目标检测网络模型yolov8的非接触式牛体重测量方法，其特征在于，所述步骤s23中牛个体...
【专利技术属性】
技术研发人员：彭英琦，王之盛，彭昭元，谢跃，胡瑞，邹华围，肖鉴鑫，张明，陈涓，赵匀铎，
申请(专利权)人：四川农业大学，
类型：发明
国别省市：
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。