【技术实现步骤摘要】
本专利技术属于牦牛体重目标非接触式检测领域，尤其涉及一种基于牦牛身体边缘参数提取与深度学习算法的非接触式牦牛体重测量方法及设备。
技术介绍
1、在牦牛的养殖产业中，活体重(lbw)是监测牲畜生长发育最重要的参数之一，牦牛生活环境恶劣，及时了解其体重变化情况在保障牦牛健康生长、提高养殖经济效益方面及其重要。牦牛野性大、力量强，传统的人工测量较为困难。随着机器视觉和传感器的发展，利用深度学习和图像分析可以为无应激、非接触的牦牛体重测量提供可行方案。但是，由于机器视觉算法模型大多都需要在云端或者计算机上运行，数据传输量大，对网络要求高，因此，开发出一种可以更为快速和精准的自动化测量系统，在减轻养殖工人工作量的同时，对牦牛的体重进行测量和统计，十分有助于提高养殖效果和减少养殖成本。
2、因此，亟需开发出一种可以更为精确和自动化的方法，在减轻养殖工人工作量的同时，对牦牛的体重进行预测，提高养殖效果和减少养殖成本。
技术实现思路
1、本专利技术的目的在于克服现有技术的缺点，提供了一种基于牦牛身体边缘参数提取与深度学习算法的非接触式牦牛体重测量方法及设备，首先基于yolov8建立牦牛的姿态识别模型；将图像中牦牛的身份信息一一对应，基于yolov8建立牦牛的个体识别模型；使用背景相减、边缘提取等算法提取出牛背部及牛侧面的体尺参数，将牛背部及牛侧面的体尺参数进行组合，建立牛体重和体尺参数的回归模型，使用该模型对牦牛的体重进行预测；本专利技术能够及时有效地测量牦牛的个体体重，牛体重和体尺参
2、为实现以上技术效果，采用如下技术方案：
3、一种基于牦牛身体边缘参数提取与深度学习算法的非接触式牦牛体重测量方法，包括如下步骤：
4、步骤s1：牦牛姿态识别模型建立
5、步骤s11：使用影像采集设备进行视频数据采集，不间断分别采集牛上方背部视频数据及牛左右侧面视频数据；
6、步骤s12：对采集到的牦牛上方背部视频数据及牛左右侧面视频数据进行初步筛选，按帧提取出牛姿态图像；
7、步骤s13：人工识别步骤s12中提取的牦牛姿态图像，标记牛姿态类别，所有图像标注完成后转换为yolo格式的存储标签；
8、步骤s14：将标注好牦牛姿态类别的图像按比例随机分为训练集和测试集；
9、步骤s15：将步骤s14所得的训练集输入到yolov8网络模型中进行牦牛姿态识别模型的训练，得到训练好的牦牛姿态识别模型；
10、步骤s16：将步骤s14所得的测试集输入到训练好的牦牛姿态识别模型中，对该模型进行验证，并输出验证结果，得到最终的牦牦牛姿态识别模型；
11、步骤s2：牦牛个体身份识别模型建立
12、步骤s21：使用影像采集设备进行视频数据采集，不间断分别采集牦牛个体身份视频数据；
13、步骤s22：对采集到的牦牛个体身份视频数据进行初步筛选，按帧提取出牦牛个体身份图像；
14、步骤s23：人工识别步骤s22中提取的牦牛个体身份图像，标记牛个体身份信息，所有图像标注完成后转换为yolo格式的存储标签；
15、步骤s24：将标注好牦牛个体身份的图像按比例随机分为训练集和测试集；
16、步骤s25：将步骤s24所得的训练集输入到yolov8网络模型中进行牦牛个体身份识别模型的训练，得到训练好的牦牛个体身份识别模型；
17、步骤s26：将步骤s24所得的测试集输入到训练好的牦牛个体身份识别模型中，对该模型进行验证，并输出验证结果，得到最终的牦牛个体身份识别模型；
18、步骤s3：牦牛背部体尺参数特征提取
19、使用影像采集设备对需要进行体重测试的牦牛进行视频数据采集，不间断分别采集牛上方背部视频数据、牛左右侧面视频数据及牛个体身份视频数据；按帧提取出牛姿态图像及牛个体身份图像；
20、首先将牦牛姿态图像输入到建立好的牦牛姿态识别模型中，对牛姿态进行识别，当牛姿态图像中的牛识别为正常姿态时，将其姿态图像或者牛个体身份图像再输送到牦牛个体身份识别模型，对牛进行个体身份识别；牛个体身份识别结束后，将该特定牛个体的牛上方背部、牛左右侧面图像数据输入到牦牛体尺参数特征提取模块，包括以下步骤：
21、步骤s31：定义颈部关键点及尾部关键点
22、定义牦牛头在左、尾在右为正方向，得到顶部视角牛上方背部图像轮廓，在牛上方背部轮廓的左半部分，若是牛的背部轮廓曲线在某上下两处的曲率变化大于附近其他位置的曲率变化，且该两处的体宽也小于附近其他位置的体宽，则该两点定义为颈部上关键点a1和颈部下关键点a1；
23、在牦牛上方背部轮廓的右半部分，若是牛的轮廓曲线在某上下两处的曲率变化大于附近其他位置的曲率变化，且该两处的体宽小于左侧体宽、大于右侧体宽，则该两点定义为尾部上关键点an+1和尾部下关键点an+1；
24、步骤s32：牦牛背部体尺参数特征提取
25、将颈部上关键点a1和颈部下关键点a1调整连成竖直线l1，将尾部上关键点an+1和尾部下关键点an+1调整连成竖直线ln+1；
26、牦牛上方背部轮廓内，在竖直线l1和竖直线ln+1之间设置n-1个平行于竖直线l1和竖直线ln+1的竖直线l2，l3，l4…ln，将竖直线l1和竖直线ln+1之间距离等分为n份，其中，竖直线l2与牛背部轮廓上半部分交点为a2，竖直线l2与牛背部轮廓下半部分交点为a2，竖直线l3与牛背部轮廓上半部分交点为a3，竖直线l3与牛背部轮廓下半部分交点为a3，竖直线l4与牛背部轮廓上半部分交点为a4，竖直线l4与牛背部轮廓下半部分交点为a4，依此类推，竖直线ln与牛背部轮廓上半部分交点为an，竖直线ln与牛背部轮廓下半部分交点为an；
27、在牦牛左右侧面图像数据中，定义牛头在左、尾在右为正方向，识别出牛背部最高点和牛前蹄最低点，取差值得到牦牛的体高，记录为ln+4；
28、计算a1，a2，a1，a2所形成的梯形面积，记录为s1；计算a2，a3，a2，a3所形成的梯形面积，记录为s2；计算a3，a4，a3，a4所形成的梯形面积，记录为s3；依次类推，计算an-1，an，an-1，an所形成的梯形面积，记录为sn-1；计算an，an+1，an，an+1所形成的梯形面积，记录为sn；
29、计算牦牛背部轮廓体宽最大处的上下水平切线与竖直线l1及竖直线ln+1的延长线相交所围成的矩形面积，记录为sn+1；
30、步骤s33：牦牛背部体尺参数指标确定
31、按照如下公式确定牦牛背部体尺参数指标sg：
32、sg＝s1+s2+s3+s4+…+sn+sn+1*ln+4；
33、其中，n≥4；...
【技术保护点】
1.一种基于牦牛身体边缘参数提取与深度学习算法的非接触式牦牛体重测量方法，其特征在于，所述测量方法包括如下步骤：
2.如权利要求1中所述一种基于牦牛身体边缘参数提取与深度学习算法的非接触式牦牛体重测量方法，其特征在于，所述体重预测的回归模型高效地部署于Jetson Nano嵌入式设备中，实现实时的图像数据处理与牦牛体重的精准检测；所述Jetson Nano嵌入式设备内置了GPU，并采用了NVIDIA开发的TensorRT框架，将检测模型转换为TensorRT框架下高效运行的格式。
3.如权利要求1中所述一种基于牦牛身体边缘参数提取与深度学习算法的非接触式牦牛体重测量方法，其特征在于，所述步骤S41中得到侧部视角牛侧部图像轮廓的具体方法为：
4.如权利要求1中所述一种基于牦牛身体边缘参数提取与深度学习算法的非接触式牦牛体重测量方法，其特征在于，所述步骤S11和步骤S21中影像采集设备为不间断供电的、带存储系统的采集设备；牦牛上方背部视频数据由放置于牦牛舍正上方的采集设备采集，牦牛左右侧面视频数据由放置于食槽侧面的采集设备采集，牦牛个体身份视频数据
5.如权利要求1中所述一种基于牦牛身体边缘参数提取与深度学习算法的非接触式牦牛体重测量方法，其特征在于，所述步骤S13中牦牛姿态类别分为正常和非正常姿态，所述牦牛姿态类别判定方法为：顶部视角牦牛上方背部图像中牦牛的颈部与躯干的夹角不超过5度，则认为该姿态为正常姿态，否则为非正常姿态；牦牛左右侧面图像中牛的四肢同时站立着地，且牦牛前两蹄之间的夹角以及牛后两蹄之间的夹角均不超过5度时，则认为该姿态为正常姿态，否则为非正常姿态。
6.如权利要求1中所述一种基于牦牛身体边缘参数提取与深度学习算法的非接触式牦牛体重测量方法，其特征在于，所述步骤S14中训练集和测试集的数据数量比例为5～7：3～5。
7.如权利要求1中所述一种基于牦牛身体边缘参数提取与深度学习算法的非接触式牦牛体重测量方法，其特征在于，所述步骤S23中牦牛个体身份图像中包含的信息为：通过识别牦牛的头部和颈部特征或者识别牛个体身份特定信息确定牛的个体身份；所述标记牦牛个体身份信息为对不同牛个体进行编号待用。
8.如权利要求1中所述一种基于牦牛身体边缘参数提取与深度学习算法的非接触式牦牛体重测量方法，其特征在于，所述步骤S24中训练集和测试集的数据数量比例为5～7：3～5。
9.如权利要求1中所述一种基于牦牛身体边缘参数提取与深度学习算法的非接触式牦牛体重测量方法，其特征在于，所述步骤S3和步骤S4中影像采集设备为不间断供电的、带存储系统的采集设备；牦牛上方背部视频数据由放置于牛舍正上方的采集设备采集，牛左右侧面视频数据由放置于食槽侧面的采集设备采集，牦牛个体身份视频数据由放置于牛舍正上方的采集设备及放置于食槽侧面的采集设备共同采集；牛舍中共3～8头牦牛，采集时间为7～14d。
10.如权利要求7中所述一种基于牦牛身体边缘参数提取与深度学习算法的非接触式牦牛体重测量方法，其特征在于，所述牦牛个体身份特定信息包括牛身上标牌，印章，涂色，标记，编号。
...【技术特征摘要】
1.一种基于牦牛身体边缘参数提取与深度学习算法的非接触式牦牛体重测量方法，其特征在于，所述测量方法包括如下步骤：
2.如权利要求1中所述一种基于牦牛身体边缘参数提取与深度学习算法的非接触式牦牛体重测量方法，其特征在于，所述体重预测的回归模型高效地部署于jetson nano嵌入式设备中，实现实时的图像数据处理与牦牛体重的精准检测；所述jetson nano嵌入式设备内置了gpu，并采用了nvidia开发的tensorrt框架，将检测模型转换为tensorrt框架下高效运行的格式。
3.如权利要求1中所述一种基于牦牛身体边缘参数提取与深度学习算法的非接触式牦牛体重测量方法，其特征在于，所述步骤s41中得到侧部视角牛侧部图像轮廓的具体方法为：
4.如权利要求1中所述一种基于牦牛身体边缘参数提取与深度学习算法的非接触式牦牛体重测量方法，其特征在于，所述步骤s11和步骤s21中影像采集设备为不间断供电的、带存储系统的采集设备；牦牛上方背部视频数据由放置于牦牛舍正上方的采集设备采集，牦牛左右侧面视频数据由放置于食槽侧面的采集设备采集，牦牛个体身份视频数据由放置于牦牛舍正上方的采集设备及放置于食槽侧面的采集设备共同采集；牦牛舍中共3～8头牛，采集时间为7～14d。
5.如权利要求1中所述一种基于牦牛身体边缘参数提取与深度学习算法的非接触式牦牛体重测量方法，其特征在于，所述步骤s13中牦牛姿态类别分为正常和非正常姿态，所述牦牛姿态类别判定方法为：顶部视角牦牛上方背部图像中牦牛的颈部与躯干的夹角不超过5度，则认为该姿态为正常姿态，否则为非正常姿态；...
【专利技术属性】
技术研发人员：彭英琦，王之盛，阳宇翔，姚瑶，胡瑞，邹华围，鲍宇红，彭昭元，
申请(专利权)人：四川农业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。