引言

生豬體尺測量是生豬育種中一項重要的基礎性工作[1]，通過系統(tǒng)的體型數(shù)據(jù)采集和分析，能夠為選育優(yōu)質種豬[2]、優(yōu)化遺傳性能、提高生產(chǎn)效益提供科學依據(jù)。

隨著機器視覺技術的發(fā)展，利用非接觸式方法測量動物體尺參數(shù)成為必然趨勢[3-4]。劉同海等[5]基于機器視覺技術，提出復雜背景下的豬體信息提取、頭尾去除以及彎曲姿態(tài)下體尺測點坐標提取算法。初夢苑等[6]提出一種基于關鍵幀提取與頭頸部去除的奶牛體尺自動測量方法，提高了奶牛體尺測量的效率與精度，平均相對誤差小于3.3%。Suvarna等[7]將豬只圖像與神經(jīng)網(wǎng)絡相結合預測生豬體尺和體重，準確性較高。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。深度學習技術的出現(xiàn)，使動物的三維體尺測量成為可能。張顯宇[8]提出A-Unet深度學習模型，融合CBAM注意力機制與空洞卷積增強特征提取，通過動態(tài)網(wǎng)格法定位牛體關鍵測點并轉換標定參數(shù)，實測牛的體高、體長及體斜長平均相對誤差均低于4.3%。王小品[9]提出多目標生豬體尺關鍵點檢測算法YOLOv5DA-HRST，通過可變形卷積與自適應特征融合提升姿態(tài)分類精度，結合輕量HRST網(wǎng)絡，集成Swin Transformer優(yōu)化關鍵點關聯(lián)，實現(xiàn)密集場景下站立豬體的關鍵點檢測，精度達81.5%。李想[10]提出了雙視角點云配準算法TransFCGF，融合卷積網(wǎng)絡提取局部特征與圖卷積增強全局表征，通過Transformer實現(xiàn)雙點云信息交互，并篩選重疊關鍵點提升魯棒性，為多視角配準優(yōu)化提供了新方案。耿艷利等[11]基于PointNet網(wǎng)絡構建點云語義分割模型，通過引入注意力機制，使豬體關鍵部位的識別準確率提升至86.3%，體尺平均絕對誤差控制在5 cm以內(nèi)。潘泰任等[12]通過球體標定與奇異值分解進行點云配準，并結合主成分分析校正羊體傾斜姿態(tài)，實現(xiàn)了羊6項體尺參數(shù)的同步測量，其中胸圍測量誤差小于2.5%，能滿足羊只育種與健康監(jiān)測的需求。李哲等[13]將Super4PCS融合SIFT3D關鍵點的非剛性粗配準與改進的ICP點云精配準相結合測量豬只體尺，有效降低了角度和光源對測量結果的影響，平均相對誤差為2.06%。Guo等[14-16]基于兩側對稱和幾何特征形態(tài)相似，提出了一種豬只三維點云位姿歸一化的方法，有效提升了豬只體尺測量的準確性。Wang[17]利用點云的橫截面特征檢測豬體心圍的測量位置，得到豬體心圍點云切片，并擬合曲線計算豬只體長。綜上，現(xiàn)有基于三維點云的體尺測量方法在精度和效率上雖然取得了顯著進展，但在測量參數(shù)的豐富性、設備的復雜性以及大規(guī)模點云數(shù)據(jù)處理上仍存在一定的局限。

針對現(xiàn)有基于三維點云的豬只體尺測量方法中存在的測量參數(shù)數(shù)量少、設備復雜等問題，本文提出了一種基于雙視角點云配準的豬只體尺測量方法，首先使用兩臺Kinect DK深度相機采集豬只點云，通過改進后的LoOP濾波算法去除點云異常值，并基于多層次特征提取的點云精簡方法均勻全局密度分布和保留幾何細節(jié)，再通過雙視角點云配準獲取豬只三維點云，最后將法線點云和Alpha Shapes邊界提取算法相結合，實現(xiàn)了豬只多項體尺參數(shù)的非接觸式測量。

本文詳細內(nèi)容請下載：

http://ccf-cncc2011.cn/resource/share/2000006838

作者信息：

沈域1，徐愛俊1，2，周素茵1，葉俊華3

（1.浙江農(nóng)林大學 數(shù)學與計算機科學學院，浙江 杭州 311300；

2.全省農(nóng)業(yè)智能感知與機器人重點實驗室，浙江 杭州 311300；

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