[发明专利]一种基于深度学习和深度相机的生猪体重测量方法

说明书

本发明公开了一种基于深度学习和深度相机的生猪体重测量方法，获得生猪的深度图像；将所述深度图像转化为三维点云数据；对所述三维点云数据进行预处理，去除噪声；将去除噪声的三维点云数据放入点云卷积神经网络PointNet++模型进行深度学习，去除背景三维点云数据；将去除背景后的三维点云数据投影到三维坐标系下，求出相应的极值点位置，即获得相应的特征点坐标，从而得到相应的体尺数据；将生猪的体尺数据作为自变量，将生猪的体重作为因变量，获取生猪的体重。本发明不再需要大量的人力物力来对生猪进行逐只的称重，而是通过对生猪的图像采集，并进行图像分析和计算来准确估计重量，从而达到批量测重的目的。

技术领域

本发明涉及农业领域，尤其涉及一种基于深度学习和深度相机的生猪体重测量方法。

背景技术

我国是世界养生猪生产的第一大国，无论是生猪养殖规模还是生猪肉消费量均居世界第一。生猪的体重是评价其生长发育状况的重要指标，也是后备母生猪的选育评价的特征依据。体重指标是评价母生猪繁殖能力、哺育能力的重要依据。体重适宜的母生猪产仔量高，健仔率高。同时，生猪的饲喂量也要受到生猪体重的数据进行调控。在饲养、管理生猪的过程中，可以根据其体重数据适当调整生猪的饲养工作。及时了解生猪的营养状况，避免母生猪健康状况下降。

然而对于生猪的体重测量一直是一个较为麻烦和头疼的事，甚至许多小型生猪场和家庭农场仅仅目测或者直接忽视。目测生猪的体重，国内现行生猪体重评定方法，多数是饲养员根据经验目测生猪体重并打分据统计，评分往往波动较大，说明使用现有的目测评分法存在较大的误差。

还有两种较为准确的方法：体尺估算和直接测量。体尺测量估算主要有：皮尺测量估算、后备体尺和PIC体重速测尺。但人工测量误差较大，而且存在耗费大量人力，效率极低等问题，同时，由于生猪的体型大多较大，很难保证生猪的稳定会对测量人员的安全造成威胁。直接测量应用较为广泛的方法是：平台秤(地磅)法。该方法相较于前者测量较为精确，但“平台秤(地磅)”却耗资巨大，耗费大量的物资，钱财，在基数庞大的现代化规模养殖面前，传统的测量方法显然力不从心，效率低下，逐个称重的方式，无疑加大了人工成本的投入，且费时费力，侧重周期较长。

发明内容

本发明为了解决以上问题，提供了一种基于深度学习和深度相机的生猪体重测量方法。

为实现上述目的，本发明所采用的技术方案如下：

一种基于深度学习和深度相机的生猪体重测量方法，包括以下步骤：

获得生猪的深度图像；

将所述深度图像转化为三维点云数据；

对所述三维点云数据进行预处理，去除噪声；

利用PyTorch深度学习框架运行点云卷积神经网络PointNet++模型，将去除噪声的三维点云数据放入点云卷积神经网络PointNet++模型进行深度学习，去除背景三维点云数据；

将去除背景后的三维点云数据投影到三维坐标系下，求取每个切片点云上z值的最小点，将每个z值最小点合并成新点列，对该点列进行离散点去除，得到相应的二维的拟合线，求出相应的极值点位置，即获得相应的特征点坐标，从而得到相应的体尺数据；Y＝a₀+a₁x₁+a₂x₂+…+a_nx_n+ε

将生猪的体尺数据作为自变量，将生猪的体重作为因变量，根据如下公式获得生猪的体重：

Y＝α₀+α₁X₁+α₂X₂+…+α_nX_n+ε