[发明专利]基于深度图像的猪只分割方法

权利要求书

1.基于深度图像的猪只分割方法，其特征在于，包括以下步骤：

S1.采集猪只全景深度数据并从中提取出猪只深度数据；

S2.基于所述猪只深度数据，采用深度学习方法识别出猪只的背部或腹部；

S3.以所述猪只的背部或腹部中心为标记，采用分水岭算法分割出各猪只；

所述步骤S3后还包括以下步骤：

S4.对于步骤S3得到的分割结果，判定分割的各部分是否为成功分割的猪只，若是则结束该步骤，完成猪只分割；若否，则采用形态学分割方法对未成功分割的猪只作二次分割；

所述步骤S4后还包括以下步骤：

S5.对于步骤S4得到的二次分割结果，判定分割的各部分是否为成功分割的猪只，若是则结束该步骤，完成猪只分割；若否，则对于未成功分割的猪只，采用旋度中心算法识别与定位其背部或腹部中心，并重新执行步骤S3，输出最终的猪只分割结果；

步骤S4或步骤S5中所述判定分割的各部分是否为成功分割的猪只，具体的判定条件包括以下条件a及条件b：

条件a.判定分割的各部分的连通像素面积是否介于5700和12800之间；若是则进一步对条件b进行判定，若小于5700则判定为噪声，若大于12800则判定该部分为若干猪只连接一起的部分；

条件b.判定分割的各部分是否具有近椭圆特征，若是则该部分为成功分割的猪只，若否则该部分为未成功分割的猪只；其中近椭圆特征指分割部分的长轴长度介于130到230之间，短轴长度介于48到95之间；

步骤S4中所述采用形态学分割方法对未成功分割的猪只作二次分割具体为：对于未成功分割的猪只的原始图像，采用半径为10的圆形进行腐蚀操作，将腐蚀操作后分解的各部分经膨胀操作后再与原始图像做并运算，得到二次分割结果；

所述步骤S5中，对于未成功分割的猪只，采用旋度中心算法识别与定位其背部或腹部中心具体为：

对于未成功分割的猪只的图像，采用卷积向量场VFC的方法计算出卷积向量场；

基于所述卷积向量场，采用旋度中心算法计算获得旋度中心，以所述旋度中心为初始轮廓线，采用主动轮廓模型获得各个区域的边界；

在主动轮廓模型获得的区域结果中，选择区域面积最大的n-k个区域作为尚未分割的n-k个猪只的背部或腹部区域，该区域的中心即为背部或腹部中心；其中n为所述猪栏中包含的总猪只数，k为经过步骤S3和S4后已分割出的猪只数。

2.根据权利要求1所述的基于深度图像的猪只分割方法，其特征在于，步骤S1所述的猪只全景深度数据通过在猪只所在栅栏顶部的固定位置设置摄像装置，并由所述摄像装置实时采集获得。

3.根据权利要求2所述的基于深度图像的猪只分割方法，其特征在于，步骤S1中所述提取出猪只深度数据的具体步骤包括：

S11.以多帧深度数据融合方法采集猪只放置于放猪栏前的背景深度数据：

在猪只被放置于猪栏前，通过所述摄像装置连续采集N张深度数据，以第一帧深度数据为基础，依次读取后面的N-1张深度数据；其中在读取一张深度数据后，若已有的深度数据的某个位置为0，而新读取的深度数据对应相同位置的深度数据非0，则用新读取的深度数据代替此位置的原来的0信息；其中N为正整数；

S12.获取猪只前景深度数据：将猪只放置于猪栏后，通过所述摄像装置周期性采集一次全景深度数据，将所述背景深度数据减去全景深度数据从而获得猪只前景深度数据；

S13.将所述猪只前景深度数据转化为猪只前景灰度图。

4.根据权利要求3所述的基于深度图像的猪只分割方法，其特征在于，所述步骤S13还包括对所述猪只前景灰度图进行中值滤波处理。

5.根据权利要求1所述的基于深度图像的猪只分割方法，其特征在于，步骤S2中所述采用深度学习方法识别出猪只的背部或腹部的具体为：采用所述中值滤波处理后的猪只前景灰度图作为输入，通过FasterR-CNN识别模型识别出猪只的背部或腹部。