[发明专利]牛体格测量方法、模型训练方法和系统

说明书

本发明公开了一种牛体格测量方法、模型训练方法和系统，涉及人工智能技术，其中所述方法包括以下步骤：获取待测对象的3D点云数据；获取与所述3D点云数据处于同一坐标系下的三维点阵；根据所述3D点云数据中的各点与所述三维点阵中点的位置关系，将所述3D点云数据的各点的位置信息映射到所述三维点阵中，得到点阵信息；根据所述点阵信息得到多通道图像；将所述多通道图像输入到经过训练的模型中得到测量结果。本发明可以提升测量结果的精度。

技术领域

本发明涉及人工智能技术，尤其是牛体格测量方法、模型训练方法和系统。

背景技术

牛体体尺测量主要测量牛的体高、体斜长、十字部高、胸围、胸深、腹围等数据。牛体体尺性状数据反映了牛的生长发育情况，可以直接用于评价牛体的营养状况。同时，不同月龄的体尺数据也是种牛选育过程中性能测定的基础和依据。快速精确的肉牛体尺性状测量具有极高的生产价值。

传统的肉牛体尺数据测量是人工使用卷尺、测杖等工具直接对牛体进行测量。由于肉牛体格高大，人工测量时至少需要两个人配合才能完成整套体尺数据的统计，测量的过程费时费力并且伴有一定的风险。另一方面，人工测量由于工作人员的测量经验不一，得出的结果存在一定的误差。

对牛进行非接触式测量，不仅省时省力，而且能够避免牛伤人等各种弊端，一直是畜牧界急于解决的难题之一。目前，一种方式是采用2D视觉成像，通过检测及分割图像中的牛体，在图像上对牛体进行测量；另一种方式是对牛进行3D成像，在3D数据上给定待测量数据的位置点，直接计算两点的距离进行测量。

基于2D的方法很容易受光照等因素的影响，无法精确地分割出牛体。另外，由于2D成像没有深度信息，像牛的胸围等数据无法测量。基于3D的方法，通常需要在三维数据上找到待测牛的具体位置，进行对应点的距离计算。这种操作方式极为繁琐，而且很容易受到点云噪声数据的影响。

近年来，随深度学习技术绽放的强悍性能，一些学者也将深度学习技术引入到了3D点云数据的处理任务上。这类方法通常将n个三维数据排列成一个nx3的矩阵，使用深度学习中的卷积、池化等操作完成相关的任务。但是现有技术忽略了点云数据之间的空间关系，其精度并不理想。

发明内容

有鉴于此，本发明的目的在于：提供一种牛体格测量方法、模型训练方法和系统，以提测量精度。

根据本发明实施例提供的第一种方案：

一种牛体格测量方法，包括以下步骤：

获取待测对象的3D点云数据；

获取与所述3D点云数据处于同一坐标系下的三维点阵，其中，所述三维点阵的尺寸为A*B*C，A、B和C均为正整数，所述三维点阵中处于同一轴向上的任意两个相邻点的距离相同；

根据所述3D点云数据中的各点与所述三维点阵中点的位置关系，将所述3D点云数据的各点的位置信息映射到所述三维点阵中，得到点阵信息；

根据所述点阵信息得到多通道图像；

将所述多通道图像输入到经过训练的模型中得到测量结果。

在部分实施例中，所述三维点阵为三维矩阵，任意两个相邻点的距离均等，其中，两个点相邻是指两个点的距离最近。

在部分实施例中，所述点阵信息由所述三维点阵中点的灰度值表示。

在部分实施例中，所述根据所述3D点云数据中的各点与所述三维点阵中点的位置关系，将所述3D点云数据的各点的位置信息映射到所述三维点阵中，得到点阵信息，包括：

计算所述三维点阵中每个点的灰度信息，其中，所述三维点阵中点的灰度信息根据所述3D点云数据中的点与三维点阵中的点的距离计算，所述多通道图像各点的灰度值以所述点阵信息中对应位置的点的灰度值表示。