《電子技術(shù)應(yīng)用》
您所在的位置：首頁(yè) > 人工智能 > 设计应用 > 基于双视角点云配准的猪只体尺测量方法研究
基于双视角点云配准的猪只体尺测量方法研究
电子技术应用
沈域1，徐爱俊1，2，周素茵1，叶俊华3
1.浙江农林大学 数学与计算机科学学院；2.全省农业智能感知与机器人重点实验室； 3.浙江农林大学 环境与资源学院
摘要： 体尺参数是生猪育种的重要指标，针对现有猪只体尺测量方法中存在的测量参数单一、设备复杂和大规模点云数据处理受限的问题，提出了一种基于双视角点云配准的生猪体尺非接触式测量方法。首先，基于2台Kinect DK深度相机搭建点云采集系统获取猪体左右两侧点云数据，并采用改进的LoOP滤波算法和基于多层次特征提取的点云精简方法完成点云预处理。其次，通过粗配准与精配准相结合完成猪只双视角点云拼接。最后，融合法线点云与Alpha Shapes算法提取猪只轮廓特征，实现多体尺参数的非接触式测量。试验结果表明，生猪体长、体高、臀高、体宽、腹宽、臀宽、胸围和腹围的平均相对误差分别为1.28%、0.88%、1.97%、2.71%、2.83%、3.71%、2.03%和2.17%，整体相对误差平均值和绝对误差平均值分别为2.20%和1.04 cm。该方法能够实现生猪多体尺参数的高精度、非接触式测量，为种猪的高效筛选提供了技术参考。
中圖分類(lèi)號(hào)：TP391.41 文獻(xiàn)標(biāo)志碼：A DOI: 10.16157/j.issn.0258-7998.256569
中文引用格式： 沈域，徐愛(ài)俊，周素茵，等. 基于雙視角點(diǎn)云配準(zhǔn)的豬只體尺測(cè)量方法研究[J]. 電子技術(shù)應(yīng)用，2025，51(11)：35-45.
英文引用格式： Shen Yu，Xu Aijun，Zhou Suyin，et al. Research on pig body size measurement method based on dual view point cloud registration[J]. Application of Electronic Technique，2025，51(11)：35-45.
Research on pig body size measurement method based on dual view point cloud registration
Shen Yu1，Xu Aijun1，2，Zhou Suyin1，Ye Junhua3
1.College of Mathematics and Computer Science， Zhejiang A&F University； 2.Zhejiang Key Laboratory of Intelligent Sensing and Robotics for Agriculture； 3.College of Environment and Resources， Zhejiang A&F University
Abstract： Body size parameters are critical indicators in pig breeding. A non-contact pig body size measurement method using dual view point cloud registration was proposed to address the isssues of single parameter, complex equipment, and limited processing of large-scale point cloud data exsited in current pig body size measurement methods. Firstly, we constructed a data acquisition system with two Kinect DK depth cameras to collect bilateral point cloud data of pig and then we preprocessed the data using an improved Local Outlier Probability (LoOP) filtering algorithm and a multi-level feature extraction method for point cloud simplification. Secondly, the dual view point cloud registration was completed by combining coarse registration and fine registration algrithms. Finally, We integrated normal vector point cloud with the Alpha Shapes algorithm to extract pig contour features of pig, achieving non-contact measurement of multiple body size parameters. The experimental results showed that the average relative errors of pig body length, body height, hip height, body width, abdominal width, hip width, chest circumference, and abdominal circumference were 1.28%, 0.88%, 1.97%, 2.71%, 2.83%, 3.71%, 2.03%, and 2.17%, respectively. The overall average relative error and absolute error were 2.20% and 1.04 cm, respectively. The method in this study provides an accurate, non-invasive solution for multi-parameter measurement of pig, offering technical support for efficient breeding selection in pig farming.
Key words : pig；dual view；depth cameras；point cloud；body size measurement

引言

生豬體尺測(cè)量是生豬育種中一項(xiàng)重要的基礎(chǔ)性工作[1]，通過(guò)系統(tǒng)的體型數(shù)據(jù)采集和分析，能夠?yàn)檫x育優(yōu)質(zhì)種豬[2]、優(yōu)化遺傳性能、提高生產(chǎn)效益提供科學(xué)依據(jù)。

隨著機(jī)器視覺(jué)技術(shù)的發(fā)展，利用非接觸式方法測(cè)量動(dòng)物體尺參數(shù)成為必然趨勢(shì)[3-4]。劉同海等[5]基于機(jī)器視覺(jué)技術(shù)，提出復(fù)雜背景下的豬體信息提取、頭尾去除以及彎曲姿態(tài)下體尺測(cè)點(diǎn)坐標(biāo)提取算法。初夢(mèng)苑等[6]提出一種基于關(guān)鍵幀提取與頭頸部去除的奶牛體尺自動(dòng)測(cè)量方法，提高了奶牛體尺測(cè)量的效率與精度，平均相對(duì)誤差小于3.3%。Suvarna等[7]將豬只圖像與神經(jīng)網(wǎng)絡(luò)相結(jié)合預(yù)測(cè)生豬體尺和體重，準(zhǔn)確性較高。上述方法在二維圖像處理中表現(xiàn)出色，但難以滿足三維數(shù)據(jù)處理的需求。深度學(xué)習(xí)技術(shù)的出現(xiàn)，使動(dòng)物的三維體尺測(cè)量成為可能。張顯宇[8]提出A-Unet深度學(xué)習(xí)模型，融合CBAM注意力機(jī)制與空洞卷積增強(qiáng)特征提取，通過(guò)動(dòng)態(tài)網(wǎng)格法定位牛體關(guān)鍵測(cè)點(diǎn)并轉(zhuǎn)換標(biāo)定參數(shù)，實(shí)測(cè)牛的體高、體長(zhǎng)及體斜長(zhǎng)平均相對(duì)誤差均低于4.3%。王小品[9]提出多目標(biāo)生豬體尺關(guān)鍵點(diǎn)檢測(cè)算法YOLOv5DA-HRST，通過(guò)可變形卷積與自適應(yīng)特征融合提升姿態(tài)分類(lèi)精度，結(jié)合輕量HRST網(wǎng)絡(luò)，集成Swin Transformer優(yōu)化關(guān)鍵點(diǎn)關(guān)聯(lián)，實(shí)現(xiàn)密集場(chǎng)景下站立豬體的關(guān)鍵點(diǎn)檢測(cè)，精度達(dá)81.5%。李想[10]提出了雙視角點(diǎn)云配準(zhǔn)算法TransFCGF，融合卷積網(wǎng)絡(luò)提取局部特征與圖卷積增強(qiáng)全局表征，通過(guò)Transformer實(shí)現(xiàn)雙點(diǎn)云信息交互，并篩選重疊關(guān)鍵點(diǎn)提升魯棒性，為多視角配準(zhǔn)優(yōu)化提供了新方案。耿艷利等[11]基于PointNet網(wǎng)絡(luò)構(gòu)建點(diǎn)云語(yǔ)義分割模型，通過(guò)引入注意力機(jī)制，使豬體關(guān)鍵部位的識(shí)別準(zhǔn)確率提升至86.3%，體尺平均絕對(duì)誤差控制在5 cm以內(nèi)。潘泰任等[12]通過(guò)球體標(biāo)定與奇異值分解進(jìn)行點(diǎn)云配準(zhǔn)，并結(jié)合主成分分析校正羊體傾斜姿態(tài)，實(shí)現(xiàn)了羊6項(xiàng)體尺參數(shù)的同步測(cè)量，其中胸圍測(cè)量誤差小于2.5%，能滿足羊只育種與健康監(jiān)測(cè)的需求。李哲等[13]將Super4PCS融合SIFT3D關(guān)鍵點(diǎn)的非剛性粗配準(zhǔn)與改進(jìn)的ICP點(diǎn)云精配準(zhǔn)相結(jié)合測(cè)量豬只體尺，有效降低了角度和光源對(duì)測(cè)量結(jié)果的影響，平均相對(duì)誤差為2.06%。Guo等[14-16]基于兩側(cè)對(duì)稱和幾何特征形態(tài)相似，提出了一種豬只三維點(diǎn)云位姿歸一化的方法，有效提升了豬只體尺測(cè)量的準(zhǔn)確性。Wang[17]利用點(diǎn)云的橫截面特征檢測(cè)豬體心圍的測(cè)量位置，得到豬體心圍點(diǎn)云切片，并擬合曲線計(jì)算豬只體長(zhǎng)。綜上，現(xiàn)有基于三維點(diǎn)云的體尺測(cè)量方法在精度和效率上雖然取得了顯著進(jìn)展，但在測(cè)量參數(shù)的豐富性、設(shè)備的復(fù)雜性以及大規(guī)模點(diǎn)云數(shù)據(jù)處理上仍存在一定的局限。

針對(duì)現(xiàn)有基于三維點(diǎn)云的豬只體尺測(cè)量方法中存在的測(cè)量參數(shù)數(shù)量少、設(shè)備復(fù)雜等問(wèn)題，本文提出了一種基于雙視角點(diǎn)云配準(zhǔn)的豬只體尺測(cè)量方法，首先使用兩臺(tái)Kinect DK深度相機(jī)采集豬只點(diǎn)云，通過(guò)改進(jìn)后的LoOP濾波算法去除點(diǎn)云異常值，并基于多層次特征提取的點(diǎn)云精簡(jiǎn)方法均勻全局密度分布和保留幾何細(xì)節(jié)，再通過(guò)雙視角點(diǎn)云配準(zhǔn)獲取豬只三維點(diǎn)云，最后將法線點(diǎn)云和Alpha Shapes邊界提取算法相結(jié)合，實(shí)現(xiàn)了豬只多項(xiàng)體尺參數(shù)的非接觸式測(cè)量。


本文詳細(xì)內(nèi)容請(qǐng)下載：

http://www.ihrv.cn/resource/share/2000006838


作者信息：

沈域1，徐愛(ài)俊1，2，周素茵1，葉俊華3

（1.浙江農(nóng)林大學(xué) 數(shù)學(xué)與計(jì)算機(jī)科學(xué)學(xué)院，浙江 杭州 311300；

2.全省農(nóng)業(yè)智能感知與機(jī)器人重點(diǎn)實(shí)驗(yàn)室，浙江 杭州 311300；

3.浙江農(nóng)林大學(xué) 環(huán)境與資源學(xué)院，浙江 杭州 311300）


官方訂閱.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。