本發(fā)明涉及畜禽養(yǎng)殖管理技術(shù)領(lǐng)域，尤其涉及一種基于深度圖像的肉雞生長模型擬合方法及裝置。

背景技術(shù)：

生長曲線模型用于描述動物體重或某年齡階段動物體重增長的變化規(guī)律。生長發(fā)育模型的建立與分析是研究畜禽生長發(fā)育規(guī)律的主要方法之一。目前常用經(jīng)典非線性生長曲線模型對生長曲線進行擬合。通過對畜禽生長曲線的擬合分析，不僅能預(yù)測禽類的生長規(guī)律，而且還可以指導(dǎo)飼養(yǎng)管理，提高選育效果。

目前肉雞的生長曲線模型擬合的方法主要利用電子秤對肉雞進行直接稱重，然后與上述的3種經(jīng)典非線性生長模型進行擬合和比較分析。傳統(tǒng)的肉雞體重測量主要是通過人工來完成。其一是通過有經(jīng)驗的飼養(yǎng)員進行肉眼估重，這種方法對飼養(yǎng)員的要求嚴格，準確性不高；其二是利用電子秤對其進行直接稱重，在稱重過程中需要幾個人將單只肉雞抓取放置在電子秤或地磅上，平均電子秤數(shù)值作為單只肉雞體重；其三是利用卷尺對肉雞體尺(包含體長、體圍、脛厚、翼長等)進行測量，之后進行多元回歸分析預(yù)測肉雞體重。后兩種方法測定規(guī)模小，操作繁瑣效率低下，耗費大量人力成本，且跟肉雞直接接觸造成肉雞應(yīng)激反應(yīng)，更甚者會造成肉雞的郁郁寡歡甚至死亡。

綜上所述，通過傳統(tǒng)的體重稱量方法測得的體重數(shù)據(jù)與生長曲線擬合效果差，不利于預(yù)測肉雞的生長發(fā)育規(guī)律。

技術(shù)實現(xiàn)要素：

針對傳統(tǒng)的體重稱量方法測得的體重數(shù)據(jù)與生長曲線擬合效果差，不利于預(yù)測肉雞的生長發(fā)育規(guī)律的缺陷，本發(fā)明一方面提出一種基于深度圖像的肉雞生長模型擬合方法，包括：

獲取肉雞樣本的深度圖像；

基于預(yù)設(shè)圖像分割方法對所述深度圖像中的肉雞進行分割；

根據(jù)分割得到的深度圖像分別進行一維特征參數(shù)、二維特征參數(shù)以及三維特征參數(shù)的提?。?/p>

根據(jù)提取的所述一維特征參數(shù)、二維特征參數(shù)以及三維特征參數(shù)進行量化處理，并采用多種預(yù)設(shè)回歸模型建立肉雞的體重估測模型；

根據(jù)所述體重估測模型與多種經(jīng)典非線性生長曲線進行擬合，以獲取最能表征肉雞生長發(fā)育的曲線模型。

可選地，所述預(yù)設(shè)圖像分割方法包括基于距離的分水嶺分割方法。

可選地，所述基于預(yù)設(shè)圖像分割方法對所述深度圖像中的肉雞進行分割之前，所述方法還包括：

通過形態(tài)學(xué)開運算方法平滑所述深度圖像。

可選地，所述一維特征參數(shù)包括肉雞的年齡；所述二維特征參數(shù)包括肉雞的投影面積、寬度、周長、最大內(nèi)切圓半徑以及偏心率；所述三維特征參數(shù)包括肉雞的體積、表面積、后背寬以及后背高。

可選地，所述多種預(yù)設(shè)回歸模型包括前饋人工神經(jīng)網(wǎng)絡(luò)模型、貝葉斯人工神經(jīng)網(wǎng)絡(luò)模型以及多種多元線性回歸模型。

可選地，所述采用多種預(yù)設(shè)回歸模型建立肉雞的體重估測模型之后，所述方法還包括利用預(yù)設(shè)評價指標對所述體重估測模型進行評價；

其中，所述預(yù)設(shè)評價指標包括平均絕對誤差和標準方差。

可選地，所述多種經(jīng)典非線性生長曲線模型包括Logistic非線性生長曲線模型、Gomoertz非線性生長曲線模型以及Von Bertallanffy非線性生長曲線模型。

可選地，所述根據(jù)所述體重估測模型與多種經(jīng)典非線性生長曲線進行擬合，以獲取最能表征肉雞生長發(fā)育的曲線模型，包括：

利用所述多種經(jīng)典非線性生長曲線模型對估算肉雞的各周齡體重與實際測定值進行比較，篩選出最能表征肉雞生長發(fā)育的曲線模型。

另一方面，本發(fā)明還提供一種基于深度圖像的肉雞生長模型擬合裝置，包括：

圖像獲取單元，用于獲取肉雞樣本的深度圖像；

圖像分割單元，用于基于預(yù)設(shè)圖像分割方法對所述深度圖像中的肉雞進行分割；

特征提取單元，用于根據(jù)分割得到的深度圖像分別進行一維特征參數(shù)、二維特征參數(shù)以及三維特征參數(shù)的提取；

體重模型建立單元，用于根據(jù)提取的所述一維特征參數(shù)、二維特征參數(shù)以及三維特征參數(shù)進行量化處理，并采用多種預(yù)設(shè)回歸模型建立肉雞的體重估測模型；

生長模型獲取單元，用于根據(jù)所述體重估測模型與多種經(jīng)典非線性生長曲線進行擬合，以獲取最能表征肉雞生長發(fā)育的曲線模型。

可選地，所述裝置還包括：

圖像平滑單元，用于通過形態(tài)學(xué)開運算方法平滑所述深度圖像。

本發(fā)明的基于深度圖像的肉雞生長模型擬合方法及裝置，采用深度圖像及生長曲線模型對肉雞體重信息化決策，充分發(fā)揮深度圖像中蘊含信息量大的優(yōu)勢，快速同步提取能有效表達肉雞體重的特征指標參數(shù)，以先定量計算，后變量精準擬合的方式，在整體上實現(xiàn)肉雞的生長曲線擬合，有利于預(yù)測肉雞的生長發(fā)育規(guī)律。

附圖說明

為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明一個實施例的基于深度圖像的肉雞生長模型擬合方法的流程示意圖；

圖2為本發(fā)明一個實施例的基于深度圖像的肉雞生長模型擬合裝置的結(jié)構(gòu)示意圖；

圖3為本發(fā)明一個實施例的基于深度圖像的肉雞生長模型擬合裝置的結(jié)構(gòu)示意圖；

圖4為本發(fā)明另一個實施例的基于深度圖像的肉雞生長模型擬合方法的流程示意圖。

具體實施方式

為使本發(fā)明實施例的目的、技術(shù)方案和優(yōu)點更加清楚，下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚地描述，顯然，所描述的實施例是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

圖1為本發(fā)明一個實施例的基于深度圖像的肉雞生長模型擬合方法的流程示意圖，如圖1所示，該方法包括：

S1：獲取肉雞樣本的深度圖像；

S2：基于預(yù)設(shè)圖像分割方法對所述深度圖像中的肉雞進行分割；

S3：根據(jù)分割得到的深度圖像分別進行一維特征參數(shù)、二維特征參數(shù)以及三維特征參數(shù)的提取；

S4：根據(jù)提取的所述一維特征參數(shù)、二維特征參數(shù)以及三維特征參數(shù)進行量化處理，并采用多種預(yù)設(shè)回歸模型建立肉雞的體重估測模型；

S5：根據(jù)所述體重估測模型與多種經(jīng)典非線性生長曲線進行擬合，以獲取最能表征肉雞生長發(fā)育的曲線模型。

本發(fā)明的基于深度圖像的肉雞生長模型擬合方法及裝置，采用深度圖像及生長曲線模型對肉雞體重信息化決策，充分發(fā)揮深度圖像中蘊含信息量大的優(yōu)勢，快速同步提取能有效表達肉雞體重的特征指標參數(shù)，以先定量計算，后變量精準擬合的方式，在整體上實現(xiàn)肉雞的生長曲線擬合，有利于預(yù)測肉雞的生長發(fā)育規(guī)律。

進一步地，作為上述實施例的優(yōu)選，所述預(yù)設(shè)圖像分割方法包括基于距離的分水嶺分割方法。

進一步地，作為上述實施例的優(yōu)選，所述基于預(yù)設(shè)圖像分割方法對所述深度圖像中的肉雞進行分割之前，所述方法還包括：

通過形態(tài)學(xué)開運算方法平滑所述深度圖像。

進一步地，作為上述實施例的優(yōu)選，所述一維特征參數(shù)包括肉雞的年齡；所述二維特征參數(shù)包括肉雞的投影面積、寬度、周長、最大內(nèi)切圓半徑以及偏心率；所述三維特征參數(shù)包括肉雞的體積、表面積、后背寬以及后背高。

進一步地，作為上述實施例的優(yōu)選，所述多種預(yù)設(shè)回歸模型包括前饋人工神經(jīng)網(wǎng)絡(luò)模型、貝葉斯人工神經(jīng)網(wǎng)絡(luò)模型以及兩種多元線性回歸模型。

進一步地，作為上述實施例的優(yōu)選，所述采用多種預(yù)設(shè)回歸模型建立肉雞的體重估測模型之后，所述方法還包括利用預(yù)設(shè)評價指標對所述體重估測模型進行評價；

其中，所述預(yù)設(shè)評價指標包括平均絕對誤差和標準方差。

進一步地，作為上述實施例的優(yōu)選，所述多種經(jīng)典非線性生長曲線模型包括Logistic非線性生長曲線模型、Gomoertz非線性生長曲線模型以及Von Bertallanffy非線性生長曲線模型。

進一步地，作為上述實施例的優(yōu)選，所述根據(jù)所述體重估測模型與多種經(jīng)典非線性生長曲線進行擬合，以獲取最能表征肉雞生長發(fā)育的曲線模型，包括：

利用所述多種經(jīng)典非線性生長曲線模型對估算肉雞的各周齡體重與實際測定值進行比較，篩選出最能表征肉雞生長發(fā)育的曲線模型。

圖2為本發(fā)明一個實施例的基于深度圖像的肉雞生長模型擬合裝置的結(jié)構(gòu)示意圖，如圖2所示，該裝置包括：

圖像獲取單元10，用于獲取肉雞樣本的深度圖像；

圖像分割單元20，用于基于預(yù)設(shè)圖像分割方法對所述深度圖像中的肉雞進行分割；

特征提取單元30，用于根據(jù)分割得到的深度圖像分別進行一維特征參數(shù)、二維特征參數(shù)以及三維特征參數(shù)的提??；

體重模型建立單元40，用于根據(jù)提取的所述一維特征參數(shù)、二維特征參數(shù)以及三維特征參數(shù)進行量化處理，并采用多種預(yù)設(shè)回歸模型建立肉雞的體重估測模型；

生長模型獲取單元50，用于根據(jù)所述體重估測模型與多種經(jīng)典非線性生長曲線進行擬合，以獲取最能表征肉雞生長發(fā)育的曲線模型。

進一步地，作為上述實施例的優(yōu)選，所述裝置還包括：

圖像平滑單元60，用于通過形態(tài)學(xué)開運算方法平滑所述深度圖像。

本實施例所述的裝置可以用于執(zhí)行上述方法實施例，其原理和技術(shù)效果類似，此處不再贅述。

需要說明的是，對于裝置實施例而言，由于其與方法實施例基本相似，所以描述的比較簡單，相關(guān)之處參見方法實施例的部分說明即可。

下面以一具體的實施例來說明本發(fā)明，但不限定本發(fā)明的保護范圍。

本發(fā)明選取肉雞為研究對象，通過XBOX360體感照相機拍攝，獲取肉雞的深度圖像，結(jié)合MATLAB圖像處理工具、數(shù)據(jù)統(tǒng)計技術(shù)及模型建立等多種方法對肉雞的生長曲線進行高精度擬合，充分實現(xiàn)自動化，具體包括：

(1)自動估測肉雞體重裝置搭建

如圖3所示是本發(fā)明的自動估測肉雞體重裝置示意圖，它包括用于后期建立模型并起到參照作用的電子秤1、用于獲得深度圖像的Kinect體感照相機2、用于架設(shè)照相機的可伸縮架子3、用于保存及處理圖片，對環(huán)境要求低的工控電腦4。其中，工控電腦4中安裝有用于獲取圖片的kinect SDK、OPENCV及獲取串口數(shù)據(jù)并觸發(fā)照相機的Microsoft Visual Studio以及用于處理圖片的matlab軟件。使得電子秤1、體感照相機2、工控電腦4連為一個整體。

本裝置的工作原理：在使用本裝置時，開啟工控電腦4，電子秤1。當電子秤數(shù)目減少超過一定數(shù)值(這種數(shù)值根據(jù)肉雞天數(shù)和品種實時調(diào)整)，即代表一只肉雞從稱上下來，這個減少的數(shù)據(jù)上傳至串口時被截獲用于觸發(fā)kinect進行連續(xù)拍攝一定時間包含該肉雞的深度圖片(該時間根據(jù)肉雞品種習(xí)性設(shè)置時長)。深度圖片自動保存至工控機中并在matlab中運行。其中matlab中運行有建立體重模型的算法，該算法流程圖如圖4所示。

建立體重模型分為兩步，首先對圖片進行預(yù)處理，包括深度圖像去噪、填補空洞及分割，將深度圖像的肉雞有效準確的分割出來。第二步是對被分割出來的肉雞進行特征提取，特征提取選取三組數(shù)據(jù)，包含一維二維三維等多個特征因子，根據(jù)這些特征因子，經(jīng)過多只雞多張圖片處理，建立起多只雞的體重模型，完成對肉雞體重的估測。具體算法如下：

①肉雞分割

由于深度圖像具有高度信息，因此用基于距離的分水嶺分割方法對深度圖像中的肉雞進行分割是有效的肉雞分割方法。

為了避免過度分割，用形態(tài)學(xué)開運算平滑深度圖像，去頭去尾并移除地板環(huán)境。

②特征提取

為了更精確的建立體重估測模型，擬提取肉雞的10個特征，可以歸述為1D、2D、3D特征。

1D：年齡。

2D：投影面積；

肉雞寬度：由于肉雞細長的身體，用分割肉雞的短徑做為肉雞寬度；

周長：計算輪廓的像素個數(shù)；

最大內(nèi)切圓半徑：用肉雞輪廓的距離變換估測；

偏心率；

3D：體積：計算公式如下

式中，V為估測體積，N為像素總數(shù)，P為肉雞平均深度值，d_i和A_i為被分割肉雞第i個像素的深度值和被估計的像素面積。

表面積：計算公式如下

式中，S為被分割肉雞的表面積，其中T為圖像中三角形總數(shù)，u_i和V_i是跨越第i個三角形的兩個矢量。

后背寬：由于肉雞是橢圓形狀，短軸被用來定義肉雞寬度的橫截面，用數(shù)值積分法計算肉雞的橫截面。計算公式如下

式中，W為后背寬，x_i和x_i+1是橫截面像素點i和i+1的深度值，l_i和l_i+1是像素點i和i+1之間的長度，L為橫截面總共的點數(shù)。

后背高：后背高大約位于質(zhì)量的中心

③體重估測模型建立方法

將10種特征參數(shù)量化，擬采用五種回歸模型來建立體重估測模型，分別為兩種多元線性回歸，前饋人工神經(jīng)網(wǎng)絡(luò)和貝葉斯人工神經(jīng)網(wǎng)絡(luò)。

④評價指標

在肉雞飼養(yǎng)過程中，肉雞體重成指數(shù)型增長，平均絕對誤差(即體重預(yù)測的相對準確性)和標準方差(即相對準確性的變化)可作為評價指標。評價指標標準公式如下：

平均絕對誤差為：

標準方差為：

(2)肉雞體重與生長曲線模型擬合

三種常用的生長曲線模型如下表所示：

表1：三種常用的生長曲線模型

其中Y表示肉雞t周齡時的體重，A表示成熟時的最大體重，k為瞬時相對生長率，B為常數(shù)。

非線性模型擬合采用SPSS17.0統(tǒng)計軟件處理，利用不同周齡體重資料擬合算出模型參數(shù)的最優(yōu)估計值A(chǔ)、B、k。建立生長模型，計算拐點體重、拐點周齡和最大周增重。

(3)結(jié)果分析

用三種非線性生長曲線對估算肉雞的各周齡體重與實際測定值進行比較，篩選出最佳生長曲線。

與現(xiàn)有技術(shù)相比，本發(fā)明的特點及有益效果如下：

采用電子秤觸發(fā)照相機拍照，對kinect設(shè)置為短時間拍攝，縮短了拍攝時長，減少無效數(shù)據(jù)的產(chǎn)生，提高處理效率，節(jié)約能耗。

采用深度圖像及生長曲線模型對肉雞體重信息化決策，充分發(fā)揮深度圖像中蘊含信息量大的優(yōu)勢，快速同步提取能有效表達肉雞體重的特征指標參數(shù)，以先定量計算，后變量精準擬合的方式，在整體上實現(xiàn)肉雞的生長曲線擬合。

圖片處理算法優(yōu)化，自動提取出深度圖片中肉雞特征信息，根據(jù)特征信息建立體重模型進而估測體重.

通過本發(fā)明的方法，可以使得對肉雞的生長曲線擬合變得簡單、實用并且準確率高。

以上實施例僅用于說明本發(fā)明的技術(shù)方案，而非對其限制；盡管參照前述實施例對本發(fā)明進行了詳細的說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當理解：其依然可以對前述各實施例所記載的技術(shù)方案進行修改，或者對其中部分技術(shù)特征參數(shù)進行等同替換；而這些修改或替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實施例技術(shù)方案的精神和范圍。