羊的體尺和體重等參數(shù)是衡量羊生長(zhǎng)狀況、生產(chǎn)性能的關(guān)鍵指標(biāo)。傳統(tǒng)的羊體尺參數(shù)、體重是由人工利用皮尺、測(cè)杖及磅秤直接測(cè)量,不僅工作量大,且會(huì)對(duì)羊產(chǎn)生應(yīng)激反應(yīng),從而降低羊的福利化飼養(yǎng)水平。針對(duì)上述問(wèn)題,本文以活體羊和標(biāo)本羊?yàn)檠芯繉?duì)象,研究基于雙目立體視覺(jué)的羊體尺參數(shù)的提取算法及羊體三維重構(gòu)。論文主要開(kāi)展的研究?jī)?nèi)容、研究方法和研究結(jié)論如下:(1)攝像機(jī)標(biāo)定的研究。對(duì)采集的標(biāo)定板圖像實(shí)施圖像預(yù)處理、目標(biāo)提取、目標(biāo)屬性獲取、去噪處理,準(zhǔn)確獲取標(biāo)志圓特征,進(jìn)而采用Zhang的標(biāo)定算法求得攝像機(jī)內(nèi)部和外部參數(shù)。將標(biāo)定結(jié)果與商業(yè)化的雙目測(cè)量平臺(tái)的標(biāo)定結(jié)果進(jìn)行對(duì)比分析,及利用三維空間重投影獲得圖像坐標(biāo)殘差來(lái)評(píng)估標(biāo)定結(jié)果,結(jié)果表明該方法的標(biāo)定結(jié)果好。(2)針對(duì)真實(shí)復(fù)雜養(yǎng)殖環(huán)境下采集的羊圖像,本文提出基于改進(jìn)的Graph Cut羊體信息識(shí)別算法。該算法中引入多尺度分水嶺和模糊C均值算法,目的是提高分割的效率和準(zhǔn)確性,并從分割效果、交互時(shí)間和分割準(zhǔn)確率三方面驗(yàn)證改進(jìn)的Graph Cut分割算法,其平均交互時(shí)間為6.47s,度量值F達(dá)到0.97。針對(duì)曝光過(guò)度的羊圖像,采用帶色彩的多尺度Retinex算法增強(qiáng)圖像。通過(guò)測(cè)試多組羊圖像,該算法均能準(zhǔn)確地檢測(cè)羊體信息,結(jié)果表明該算法具有穩(wěn)定性。(3)羊體重預(yù)估模型及體尺參數(shù)測(cè)點(diǎn)的研究。因體長(zhǎng)、體高和臀高等參數(shù)存在自相關(guān)及共性問(wèn)題,本文在Pearson相關(guān)性分析的基礎(chǔ)上,采用逐步回歸法和偏最小二乘回歸法構(gòu)建羊體重預(yù)估模型�；谥鸩交貧w法的預(yù)估模型的擬合度R~2為0.9321,但模型中未引入與體重相關(guān)性極強(qiáng)的體長(zhǎng)參數(shù)。依據(jù)相關(guān)性分析,偏最小二乘回歸法更能解釋表達(dá)體重預(yù)估模型。采用體長(zhǎng)、體高、臀高參數(shù)建立預(yù)估模型,結(jié)果表明該模型預(yù)測(cè)的體重平均相對(duì)誤差為3.17%。下一步,在圖像分割的前提下提取羊體輪廓線(xiàn)并劃分輪廓線(xiàn)區(qū)域,提出基于包絡(luò)線(xiàn)分析識(shí)別羊體尺測(cè)點(diǎn)算法,實(shí)現(xiàn)體長(zhǎng)、體寬、體高和胸深等8個(gè)測(cè)點(diǎn)的提取。與體長(zhǎng)、體高和臀高參數(shù)實(shí)測(cè)值相比,基于二維圖像測(cè)點(diǎn)檢測(cè)的體尺參數(shù)平均誤差均小于2cm,相對(duì)誤差為1.92%。(4)基于雙目立體視覺(jué)的三維重構(gòu)方法研究。針對(duì)胸圍、管?chē)热S體尺參數(shù),二維側(cè)視圖像無(wú)法獲得,本研究利用雙目立體視覺(jué)技術(shù),提取復(fù)雜背景下羊體的SIFT特征點(diǎn)。因RANSAC算法能準(zhǔn)確地估算基礎(chǔ)矩陣,所以將RANSAC算法引入到特征匹配中,提出基于RANSAC改進(jìn)的極線(xiàn)約束特征點(diǎn)匹配算法。特征點(diǎn)匹配獲得稀疏的三維特征點(diǎn),需利用點(diǎn)云插值算法獲取稠密特征點(diǎn),進(jìn)而采用NURBS曲面擬合重構(gòu)羊體的三維曲面模型,提取羊體長(zhǎng)、體高、臀高、胸圍和管?chē)葏?shù)。基于雙目立體視覺(jué)的體尺參數(shù)的檢測(cè)相對(duì)誤差為3.47%,誤差稍微偏大。(5)對(duì)比雙目立體視覺(jué)的三維重構(gòu),本研究探索主動(dòng)式羊體三維重構(gòu)方法。采集標(biāo)本羊體點(diǎn)云數(shù)據(jù),利用基于空間分塊策略改進(jìn)的k-近鄰搜索方法進(jìn)行點(diǎn)云去噪處理,采用八叉樹(shù)編碼精簡(jiǎn)點(diǎn)云數(shù)據(jù),用Crust算法重構(gòu)羊體三維曲面模型,并提取體長(zhǎng)、體寬、臀寬、臀高、管?chē)托貒润w尺參數(shù)。對(duì)比體尺參數(shù)的真實(shí)值,其檢測(cè)值的平均相對(duì)誤差為1.33%。對(duì)比三種不同途徑檢測(cè)的體尺參數(shù),主動(dòng)式三維重構(gòu)的檢測(cè)精度高,但適用范圍受限且激光束對(duì)羊體造成傷害。基于二維側(cè)視圖像測(cè)點(diǎn)識(shí)別檢測(cè)的精度高,但無(wú)法檢測(cè)體寬類(lèi)參數(shù)。雙目立體視覺(jué)重構(gòu)的檢測(cè)誤差雖然偏大,但在誤差允許的范圍內(nèi),可滿(mǎn)足羊體尺參數(shù)測(cè)量。因此,雙目立體視覺(jué)重構(gòu)的羊體三維模型可作為檢測(cè)體尺參數(shù)的首選方法。
【學(xué)位單位】：內(nèi)蒙古農(nóng)業(yè)大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位年份】：2018
【中圖分類(lèi)】：S826;TP391.41
【部分圖文】：

磅秤或者電子秤等稱(chēng)重。人工測(cè)量中，由于人為因素使得羊體尺參數(shù)測(cè)量誤差低測(cè)量精度。而且，在測(cè)量時(shí)，需要讓羊站立在某一固定的位置；在稱(chēng)重時(shí)，將羊蹄綁著放置在磅秤上，如圖 1。這種操作繁瑣，人工干預(yù)使活體羊容易產(chǎn)激反應(yīng)，難以控制測(cè)量精度，誤差增大，降低了羊體的福利化水平，從而影響生產(chǎn)質(zhì)量。評(píng)價(jià)羊生長(zhǎng)狀況的另一種方法是通過(guò)人工按壓腰椎部的肌肉，根據(jù)肪沉積量估算羊體況得分，通常劃分為 5 分，特別瘦 1 分，較瘦 2 分，正常 3 胖 4 分，過(guò)肥 5 分[18~19]。該方法也容易使羊產(chǎn)生應(yīng)激反應(yīng)，并且評(píng)分的人為主素較大。

Fig.2 Collection device of cow image來(lái)，基于視覺(jué)原理的體尺測(cè)量方法開(kāi)始應(yīng)用于羊體體尺測(cè)量。olo 等[43]研發(fā)估算活體羊(Alpagota)的體尺和體重的立體視覺(jué)系進(jìn)行標(biāo)記(4622 個(gè)距離)來(lái)獲取攝像機(jī)的參數(shù)，為了減少由羊毛，將羊毛剪掉，通過(guò)人工標(biāo)記獲得測(cè)量特征點(diǎn)，并采用三角測(cè)獲得特征點(diǎn)的三維坐標(biāo)，實(shí)現(xiàn)羊的體高、胸深、體長(zhǎng)的測(cè)量，對(duì)數(shù)變換的偏最小二乘回歸模型進(jìn)行估算，并對(duì)比分析測(cè)量結(jié)果. Vieira 等[44]開(kāi)發(fā)奶山羊(薩能山羊和阿爾卑斯)的視覺(jué)體況得分為三類(lèi)：非常瘦、正常和非常胖。首先，根據(jù)羊的胸骨區(qū)域(4 個(gè)測(cè)量值確定研究區(qū)域，如圖 3 所示，將體況分值作為因變量，用逐步線(xiàn)性回歸方法，發(fā)現(xiàn)臀部區(qū)域有較高的修正決定系數(shù)(以將臀部區(qū)域作為研究對(duì)象；其次，通過(guò)標(biāo)記羊的臀部區(qū)域，并將參考特征點(diǎn)對(duì)齊到模板參考特征點(diǎn)，計(jì)算出投影變換矩陣保留的特征點(diǎn)，使得羊臀部區(qū)域和模板位于同一平面，計(jì)算出

圖 3 羊體研究區(qū)域Fig.3 Research region of sheephojastehkey 等[45]在白色背景下采集羊體圖像，通過(guò)圖像預(yù)處理、二值調(diào)節(jié)、形態(tài)學(xué)處理，提取出去除四肢、頭部、脖子后的軀干二值圖像體主體區(qū)域的面積、周長(zhǎng)、長(zhǎng)軸長(zhǎng)度和短軸長(zhǎng)度，實(shí)現(xiàn)基于圖像處理羊體尺參數(shù)估測(cè)，以確定羊肉尺寸。014 年，內(nèi)蒙古科技大學(xué)江杰等[46]基于單目攝像機(jī)結(jié)合灰度背景差分法理，從復(fù)雜環(huán)境中檢測(cè)羊體，借助柵格法提取羊體包絡(luò)線(xiàn)，獲取羊的胛測(cè)點(diǎn)、前蹄測(cè)點(diǎn)和后蹄測(cè)點(diǎn)，再利用空間分辨率計(jì)算出羊體尺參數(shù)基于嵌入式機(jī)器視覺(jué)構(gòu)建草原牧場(chǎng)羊體體征測(cè)量系統(tǒng)，如圖 4 所示。系式嵌入式 Linux 實(shí)施操作系統(tǒng)平臺(tái)，并調(diào)用開(kāi)源計(jì)算機(jī)視覺(jué)庫(kù) OpenC搜尋體征特征點(diǎn)計(jì)算羊體長(zhǎng)、體高、臀高等數(shù)據(jù)，該系統(tǒng)測(cè)量的相對(duì)3%。2015 年，趙建敏[48]采用 Kinect 傳感器同時(shí)采集羊體彩色圖像和深度像相結(jié)合提取羊體輪廓，在 VS2010 軟件中搭建測(cè)量系統(tǒng)，計(jì)算出羊?qū)φ`差小于 4.3%。
【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 郭傳鑫;李振波;喬曦;李晨;岳峻;;基于融合顯著圖與GrabCut算法的水下海參圖像分割[J];農(nóng)業(yè)機(jī)械學(xué)報(bào);2015年S1期

2 閆忠心;靳義超;白海濤;;基于體尺、體質(zhì)量的高原型藏羊核心選育群評(píng)價(jià)[J];江蘇農(nóng)業(yè)科學(xué);2015年11期

3 江炎庭;王鵬;洪瓊花;姚新榮;楊紅遠(yuǎn);;放牧補(bǔ)飼條件下云南黑山羊生長(zhǎng)發(fā)育規(guī)律研究[J];家畜生態(tài)學(xué)報(bào);2015年11期

4 翟志強(qiáng);杜岳峰;朱忠祥;郎健;毛恩榮;;基于Rank變換的農(nóng)田場(chǎng)景三維重建方法[J];農(nóng)業(yè)工程學(xué)報(bào);2015年20期

5 趙建敏;趙忠鑫;李琦;;基于Kinect傳感器的羊體體尺測(cè)量系統(tǒng)[J];傳感器與微系統(tǒng);2015年09期

6 李宗艷;宋麗梅;習(xí)江濤;郭慶華;朱新軍;陳明磊;;A stereo matching algorithm based on SIFT feature and homography matrix[J];Optoelectronics Letters;2015年05期

7 康建兵;蔡惠芬;羅衛(wèi)星;王鋒;曾浩;蘇娜芬;黃蘭;錢(qián)成;劉彬;孫巖巖;;貴州白山羊的體尺與體重及其相關(guān)性[J];貴州農(nóng)業(yè)科學(xué);2015年08期

8 郭政業(yè);羅延;胡雯薔;朱李瑾;;運(yùn)用投影反饋的神經(jīng)網(wǎng)絡(luò)攝像機(jī)標(biāo)定[J];計(jì)算機(jī)應(yīng)用研究;2015年10期

9 冀占安;;內(nèi)蒙古草原現(xiàn)狀與發(fā)展前景[J];當(dāng)代畜牧;2015年15期

10 薛廣順;來(lái)智勇;張志毅;王美麗;;基于雙目立體視覺(jué)的復(fù)雜背景下的牛體點(diǎn)云獲取[J];計(jì)算機(jī)工程與設(shè)計(jì);2015年05期

相關(guān)博士學(xué)位論文 前4條

1 張麗娜;基于跨視角機(jī)器視覺(jué)的羊只體尺參數(shù)測(cè)量方法研究[D];內(nèi)蒙古農(nóng)業(yè)大學(xué);2017年

2 劉同海;基于雙目視覺(jué)的豬體體尺參數(shù)提取算法優(yōu)化及三維重構(gòu)[D];中國(guó)農(nóng)業(yè)大學(xué);2014年

3 韓慧妍;基于雙目立體視覺(jué)的三維模型重建方法研究[D];中北大學(xué);2014年

4 王立中;基于機(jī)器視覺(jué)的奶牛體型評(píng)定中的關(guān)鍵技術(shù)研究[D];內(nèi)蒙古農(nóng)業(yè)大學(xué);2009年

相關(guān)碩士學(xué)位論文 前9條

1 劉衛(wèi)民;基于機(jī)器視覺(jué)的奶牛體尺參數(shù)測(cè)量研究[D];山東農(nóng)業(yè)大學(xué);2016年

2 毛瑞;偏最小二乘法在小麥赤霉病預(yù)測(cè)中的研究與應(yīng)用[D];安徽農(nóng)業(yè)大學(xué);2016年

3 張靖;基于克里金算法的點(diǎn)云數(shù)據(jù)插值研究[D];長(zhǎng)安大學(xué);2014年

4 馮恬;非接觸牛體測(cè)量系統(tǒng)構(gòu)建與實(shí)現(xiàn)[D];西北農(nóng)林科技大學(xué);2014年

5 陳通;基于Graph Cuts算法的交互式醫(yī)學(xué)X線(xiàn)圖像分割方法研究[D];北京交通大學(xué);2014年

6 祝貴;基于模糊C均值的圖像分割算法研究[D];湘潭大學(xué);2013年

7 劉建飛;圖像識(shí)別技術(shù)在奶牛體況評(píng)分中的應(yīng)用研究[D];山東大學(xué);2012年

8 胡玉龍;基于改進(jìn)的非交互Grab cut算法進(jìn)行羊的提取[D];吉林大學(xué);2011年

9 王紅偉;基于單目視覺(jué)三維重建的障礙物檢測(cè)算法的設(shè)計(jì)與實(shí)現(xiàn)[D];東北大學(xué);2008年

本文編號(hào)：2871902