[发明专利]一种基于点云深度学习的肉牛体重预测方法

说明书

该发明专利名为一种基于点云深度学习的肉牛体重预测方法。通过3D激光相机获取肉牛点云数据，运用融合滤波、聚类分割和曲面重构对肉牛点云数据进行预处理。利用肉牛数据集PointNet++模型识别出牛的3个特征部位。然后计算特征部位的几何中心点的三维坐标，利用空间欧式距离公式的坐标计算出体斜长和胸围。最后在约翰逊法的基础上，结合深度学习的方法预测肉牛的体重，实现了肉牛体尺体重非接触式的高效测量。

所属技术领域

本发明涉及IFM O3D303深度相机获得肉牛的侧面三维点云数据，结合三维深度学习模型PointNet++，实现了安全快速的肉牛体重自动化预测方法。

背景技术

近年来，随着计算机视觉技术和人工智能技术的迅速发展，基于图像的动物体尺测量方法引起了国内外研究人员的广泛关注，基于三维点云的识别方法及特征提取也受到了广泛重视。与传统的图像处理方法不同，深度学习被使用并且适合于通过深度卷积神经网络学习图像特征，且适用于背景复杂的图像应用。在精准畜牧业的背景下，提出用深度学习的方法来实现肉牛的体尺体重测量具有较大的应用价值，对提高肉牛的产量有重要的应用意义。

发明内容

本发明专利采用IFM O3D303相机采集肉牛的三维点云数据，结合三维点云深度学习模型PointNet++识别出牛的特征部位后，提取特征部位轮廓并对轮廓点进行筛选，以确定体斜长和胸围的测点。最后利用约翰逊法公式预测出体重，最终实现肉牛体重数据非接触式高效测量。

本发明解决其技术问题所采用的技术方案是：(1)本文首先使用德国易福门O3D303激光雷达相机拍摄肉牛点云数据，然后对原始肉牛场景点云数据进行滤波(体素滤波、统计滤波、条件滤波)、聚类分割(欧式聚类、随机采样一致性聚类)等预处理，得到只含牛体的清晰完整的点云数据。利用旋转矩阵方式对肉牛点云进行扩充，然后采用点云标注软件Semantic-segmentation-editor标注肉牛点云，主要标注3个部位(包含体高上点、体斜长上点和体斜长下点)，最终完成包含2000余份肉牛点云图像数据集的制作。(2)将已标注好特征部位的肉牛点云数据集作为深度学习部件分割神经网络的学习样本，训练点云部件分割神经网络PointNet++，对网络进行参数调优，提高该模型的部位识别准确率，以实现肉牛体尺特征部位的识别的目标并建立肉牛特征部位点云深度学习识别模型。(3)提取3个特征部位的轮廓，根据轮廓点的曲率判断体尺测点候选区域，选择候选区域曲率最大值点作为相应的体尺测点(体高上点、体斜长上点和体斜长下点)，利用空间欧式距离公式计算出体斜长和胸围，实现肉牛的体高和体斜长的精确测量。然后带入约翰逊法公式计算出体重数据。

本发明的有益效果是，利用三维深度学习模型PointNet++实现肉牛体重数据的非接触式自动化测量。

附图说明

图1肉牛的体尺数据测量示意图

图2肉牛点云数据预处理过程图

图3肉牛特征部位识别模型训练过程图

图4肉牛体斜长、胸围和体重预测过程图

具体实施方案

在图2中，采用3D相机获取室获取原始肉牛点云数据。经过融合滤波、聚类分割、曲面重构等预处理，得到完整清晰的肉牛点云数据。

在图3中，采用仿射变换矩阵扩充肉牛点云数据集，利用点云语义标注软件Semantic-segmentation-editor标注肉牛点云的3个特征部位部位。将已标注好特征部位的肉牛点云数据集作为深度学习部件分割神经网络的学习样本，训练点云部件分割神经网络PointNet++，对网络进行参数调优，提高该模型的部位识别准确率，以实现肉牛体尺特征部位的识别的目标并建立肉牛特征部位点云深度学习识别模型。

在图4中，提取3个特征部位的轮廓，根据轮廓点的曲率判断体尺测点候选区域，选择候选区域曲率最大值点作为相应的体尺测点(体高上点、体斜长上点和体斜长下点)，利用空间欧式距离公式计算出体斜长和胸围，实现肉牛的体高和体斜长的精确测量。然后带入约翰逊法公式计算出体重数据，即式中，BW—待求的肉牛体重，单位：千克(kg)；CG—肉牛的胸围，单位：厘米(cm)；BL—肉牛的体斜长，单位：厘米(cm)；K—比例系数，取值10800。