[发明专利]一种基于深度学习和特征部位检测的牛体尺算法

权利要求书

1.一种基于深度学习和特征部位检测的牛体尺算法，其特征在于，包括如下步骤：

步骤一，设置一测量系统，其包括地面标注面(1)、侧身摄像头(2)、尾部摄像头(3)和图像服务器，侧身摄像头(2)采集牛的侧身图像传输至所述图像服务器，所述尾部摄像头(3)采集牛的尾部图像传输至所述图像服务器，所述图像服务器包括特征部位检测模型和体尺测量算法；

步骤二，安装地面标注面(1)，所述地面标注面(1)为铺设在地面上的长方形地板，包括六条标注线，五个地面标注面区域，每个地面标注面区域都是长方形，长度不固定，宽度是20cm，在每块的地面标注面区域的宽取中心取竖直向上的竖直面作为竖直标定面，和侧身摄像头(2)、尾部摄像头，所述侧身摄像头(2)和所述尾部摄像头(3)通过伸缩勾吊挂屋顶上，所述侧身摄像头(2)和尾部摄像头(3)与图像服务器通过以太网连接；

步骤三，使牛站在地面标注面(1)上，打开侧身摄像头(2)和尾部摄像头(3)，侧身摄像头(2)和尾部摄像头(3)分别传输侧身图像和尾部图像给所述特征部位检测模型，所述特征部位检测模型处理输入图像，输出特征部位位置，计算地面标定参数An和垂直地面的标定面的标定参数Kn；

步骤四，侧身摄像头(2)和尾部摄像头(3)分别传输侧身图像和尾部图像给所述特征部位检测模型，所述特征部位检测模型处理输入图像，输出特征部位坐标信息，根据步骤三和步骤四的公式获得地面标定参数An、垂直地面的标定面的标定参数Kn，根据比例获得牛的体尺数据。

2.根据权利要求1所述的一种基于深度学习和特征部位检测的牛体尺算法，其特征在于，步骤三中，先做地面标注，在测量区域，垂直于镜头平面每间隔20cm做一条标注线，计算出每一个区域内的标定参数An，n＝1，2，3，4，5，其中每个区域的实际距离是20cm，从获取到的图中可以得到每个区域的像素距离，也就是图像距离。

3.根据权利要求1所述的一种基于深度学习和特征部位检测的牛体尺算法，其特征在于，垂直地面的每个区域分别有一个垂直地面的标定面和对应的标定参数，垂直地面的标定面的标定参数Kn的计算步骤如下：

(1)垂直地面的标定面由棋盘格组成，测出实际的每一个黑色的小方块的边长，测得的距离就是实际距离，然后用摄像头获得每一个黑色的小方块的像素距离；

(2)垂直地面的标定面的标定参数Kn，n＝1，2，3，4，5。

4.根据权利要求1所述的一种基于深度学习和特征部位检测的牛体尺算法，其特征在于，步骤三中，牛的两个前蹄中点到牛两个后蹄中点的连线与地面标注线的夹角为站姿偏角，站姿偏角的计算步骤如下：

(1)从获取的图片中，利用两个前蹄和两个后蹄的像素坐标分别求得前蹄中点的像素坐标和后蹄中点的像素坐标。然后利用步骤三得到的标定参数An，将像素坐标转换成实际坐标；

(2)前蹄中点和后蹄中点的实际坐标和标注线的平行线构建一个直角三角形，利用三角函数公式，计算站姿偏角的大小。

5.根据权利要求1所述的一种基于深度学习和特征部位检测的牛体尺算法，其特征在于：所述特征部位检测模型包括特征部位数据集、特征部位检测方法。

6.根据权利要求5所述的一种基于深度学习和特征部位检测的牛体尺算法，其特征在于：所述特征部位数据集包括牛图像和标定文件；所述牛图像包括单只或多只牛正面、侧身、背部图像，特征部位名称有牛、牛头、牛躯干、牛蹄、关节、牛尻；所述标定文件给出牛、牛头、牛躯干、牛蹄、关节、牛尻的边框的标签和坐标信息。

7.根据权利要求6所述的一种基于深度学习和特征部位检测的牛体尺算法，其特征在于：所述标定文件采用xml格式文件，文件中列出图像基本信息，包括xml文件名，xml文件保存路径，图片尺寸，特征部位名称，特征部位像素坐标。