本发明专利技术提供一种生猪关键点检测模型的训练方法、体尺测量方法及装置，该生猪关键点检测模型的训练方法包括：对生猪点云数据进行关键点标注，得到多个关键点；计算生猪点云数据中的每个点与多个关键点对应流形结构之间的测地线距离，并对多个测地线距离进行高斯平滑映射，得到关键点热图；基于关键点热图和均方误差损失函数确定目标损失函数；以生猪点云数据为训练样本，以目标损失函数为训练损失函数对PointNet++网络进行回归训练，得到生猪关键点检测模型。本发明专利技术所述方法充分利用了点云的表面形态和空间结构信息，并融合位置、法向量、曲率等多种特征，实现对语义关键点的精确检测，提高了生猪关键点检测效率和准确率。
1、牲畜的体尺不仅反映其体型、结构和发育状况，还能揭示其生理功能、生产性能、抗病能力以及对外界环境的适应性。因此，体尺测量在牲畜的鉴别、育种和销售中得到了广泛应用。
2、随着信息感知技术和精细化养殖水平的不断提升，生猪体尺数据获取方式正向非接触、高精度和高度自动化方向发展；动物身体尺寸的自动测量高度依赖于点云中关键点或区域的精准定位，体尺关键点的位置与身体各部位密切相关，因而可以通过确定身体部位来间接确定这些关键点的具体位置。
3、相关技术中，通过将标志物附着在动物身上，然后在三维点云中搜索这些标志物的位置的方法增加了人力成本，并提高了与动物接触的风险；基于三维视觉定位动物关键点的方法对动物姿态和数据完整性要求较高，容易受到复杂姿态和数据缺失的影响；通过分割或者融合rgb图像间接确定关键点位置的方法，在分割后仍需借助局部极值、聚类、曲线拟合等算法，流程复杂、计算复杂度高且耗时，这些关键点定位及体尺测量方法在实现完全高精度、自动化和高效性之间的平衡性差。
1、本专利技术提供一种生猪关键点检测模型的训练方法、体尺测量方法及装置，用以解决现有技术中键点定位及体尺测量方法在实现完全高精度、自动化和高效性之间的平衡性差的缺陷，提高了生猪关键点检测效率和准确率。
>3、对生猪点云数据进行关键点标注，得到多个关键点；4、计算所述生猪点云数据中的每个点与所述多个关键点对应流形结构之间的测地线距离，并对多个测地线距离进行高斯平滑映射，得到关键点热图；所述关键点热图用于表示所述生猪点云数据中的各点与所述多个关键点之间的关联；
5、基于所述关键点热图和均方误差损失函数确定目标损失函数；以所述生猪点云数据为训练样本，以所述目标损失函数为训练损失函数对pointnet++网络进行回归训练，在所述pointnet++网络收敛的情况下，得到生猪关键点检测模型；其中，所述生猪点云数据中的各点包括法向量、曲率中的至少一项和空间坐标信息。
6、根据本专利技术提供的一种生猪关键点检测模型的训练方法，所述pointnet++网络包括编码模块和解码模块；
7、所述编码模块包括多个集合抽象层，每个集合抽象层包括采样模块、分组模块和特征提取模块；
8、所述采样模块用于从生猪点云数据中选择局部区域的质心；所述分组模块用于根据质心周围的邻域点构建局部区域；所述特征提取模块用于对所述局部区域中的信息编码为多个特征向量，并通过加权特征聚合机制对所述多个特征向量进行融合，得到全局特征；
9、所述解码模块包括多个特征传播层。
10、根据本专利技术提供的一种生猪关键点检测模型的训练方法，所述计算所述生猪点云数据中的每个点与所述多个关键点对应流形结构之间的测地线距离，并对多个测地线距离进行高斯平滑映射，得到关键点热图包括：
11、根据所述生猪点云数据进行流行学习，得到所述流形结构；
12、基于热图方法计算所述流形结构上任一点分别与所述多个关键点之间的测地线距离；
13、将所述流形结构上的测地线距离映射至基于高斯核的径向基函数，得到所述关键点热图。
14、根据本专利技术提供的一种生猪关键点检测模型的训练方法，所述目标损失函数包括：
15、；
16、其中，为目标损失函数，为所述生猪点云数据中点的个数，为所述关键点的个数，为所述流形结构上第个点与第个关键点之间测地线距离映射的径向基函数的真实值，表示预测值。
17、本专利技术还提供一种生猪关键点检测模型的训练方法，所述生猪点云数据通过如下步骤获取：
18、在生猪养殖场景安装至少三个不同视角的深度相机的情况下，采集多幅生猪深度图像，所述生猪养殖场景包括至少一头生猪、栏杆和地面；
19、对所述多幅生猪深度图像依次进行多视角融合、去噪、坐标系变换、地面分割、栏杆分割和归一化的处理，得到所述生猪点云数据。
20、本专利技术还提供一种生猪体尺测量方法，包括：
21、获取待测生猪点云数据；
22、基于生猪关键点检测模型对所述待测生猪点云数据进行处理，得到目标关键点位置信息；其中，所述生猪关键点检测模型通过所述生猪关键点检测模型的训练方法训练得到；
23、基于所述得到目标关键点位置信息计算生猪的目标体尺数据；其中，所述目标体尺数据包括腹围、胸围、臀围、体高、体宽和体长中的至少一项。
24、本专利技术还提供一种生猪关键点检测模型的训练装置，包括：
25、关键点标注模块，用于对生猪点云数据进行关键点标注，得到多个关键点；
26、热图计算模块，用于计算所述生猪点云数据中的每个点与所述多个关键点对应流形结构之间的测地线距离，并对多个测地线距离进行高斯平滑映射，得到关键点热图；所述关键点热图用于表示所述生猪点云数据中的各点与所述多个关键点之间的关联；
27、训练模块，用于基于所述关键点热图和均方误差损失函数确定目标损失函数；以所述生猪点云数据为训练样本，以所述目标损失函数为训练损失函数对pointnet++网络进行回归训练，在所述pointnet++网络收敛的情况下，得到生猪关键点检测模型；其中，所述生猪点云数据中的各点包括法向量、曲率中的至少一项和空间坐标信息。
28、本专利技术还提供一种体尺测量装置，包括：
29、点云获取模块，用于获取待测生猪点云数据；
30、关键点识别模块，用于基于生猪关键点检测模型对所述待测生猪点云数据进行处理，得到目标关键点位置信息；其中，所述生猪关键点检测模型通过所述生猪关键点检测模型的训练方法训练得到；
31、体尺计算模块，用于基于所述得到目标关键点位置信息计算生猪的目标体尺数据；其中，所述目标体尺数据包括腹围、胸围、臀围、体高、体宽和体长中的至少一项。
32、本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一种所述生猪关键点检测模型的训练方法或者体尺测量方法。
33、本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述生猪关键点检测模型的训练方法或者体尺测量方法。
34、本专利技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述生猪关键点检测模型的训练方法或者体尺测量方法。
35、本专利技术提供的生猪关键点检测模型的训练方法、体尺测量方法及装置，通过对生猪点云数据进行关键点标注得到多个关键点，再计算生猪点云数据中的每个点与多个关键点对应流形结构之间的测地线距离，并对多个测地本文档来自技高网...
【技术保护点】
1.一种生猪关键点检测模型的训练方法，其特征在于，包括：
2.根据权利要求1所述的生猪关键点检测模型的训练方法，其特征在于，所述PointNet++网络包括编码模块和解码模块；
3.根据权利要求1所述的生猪关键点检测模型的训练方法，其特征在于，所述计算所述生猪点云数据中的每个点与所述多个关键点对应流形结构之间的测地线距离，并对多个测地线距离进行高斯平滑映射，得到关键点热图包括：
4.根据权利要求1所述的生猪关键点检测模型的训练方法，其特征在于，所述目标损失函数包括：
5.根据权利要求1所述的生猪关键点检测模型的训练方法，其特征在于，所述生猪点云数据通过如下步骤获取：
6.一种生猪体尺测量方法，其特征在于，包括：
7.一种生猪关键点检测模型的训练装置，其特征在于，包括：
8.一种体尺测量装置，其特征在于，包括：
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述方法。
<p>10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述方法。...
【技术特征摘要】
1.一种生猪关键点检测模型的训练方法，其特征在于，包括：
2.根据权利要求1所述的生猪关键点检测模型的训练方法，其特征在于，所述pointnet++网络包括编码模块和解码模块；
3.根据权利要求1所述的生猪关键点检测模型的训练方法，其特征在于，所述计算所述生猪点云数据中的每个点与所述多个关键点对应流形结构之间的测地线距离，并对多个测地线距离进行高斯平滑映射，得到关键点热图包括：
4.根据权利要求1所述的生猪关键点检测模型的训练方法，其特征在于，所述目标损失函数包括：
5.根据权利要求1所述的生猪关键点检测模型的训...
【专利技术属性】
技术研发人员：马为红，李奇峰，徐占康，李明宇，薛向龙，彭程，丁露雨，孟蕊，高荣华，余礼根，姚春霞，
申请(专利权)人：北京市农林科学院信息技术研究中心，
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。