以伊犁馬為研究對象,通過馬場圖像采集、實(shí)地測量,完成了馬體尺測量中關(guān)鍵技術(shù)的研究。基于YOLACT實(shí)例分割技術(shù),在MS-COCO數(shù)據(jù)集完成馬體與背景的快速、高性能分割;采用邊緣檢測Canny算子對分割后的圖像進(jìn)行輪廓提取;在獲取的馬體輪廓上,對比動(dòng)物特征點(diǎn)的Harris角點(diǎn)檢測算法,提出動(dòng)態(tài)網(wǎng)格的測點(diǎn)標(biāo)定方法,完成馬體尺特征點(diǎn)的數(shù)據(jù)標(biāo)定,同時(shí)部分解決了馬體站姿與攝像頭不平行帶來的體長修正問題;比較Regress及Polynomial的多元線性回歸方式,量化、完成馬體尺數(shù)據(jù)中胸圍、管圍的數(shù)據(jù)擬合及三維預(yù)測,并以像素為640*480兩匹伊犁馬體圖像為例,獲得了體尺測量結(jié)果。結(jié)果表明,基于深度學(xué)習(xí)和圖像測量技術(shù),可有效進(jìn)行伊犁馬體尺的自動(dòng)測量并將其誤差控制在較小范圍之間,就大體型動(dòng)物的體尺測量技術(shù)而言,該研究具備范例參考意義。 

【文章來源】：計(jì)算機(jī)技術(shù)與發(fā)展. 2020,30(11)

【文章頁數(shù)】：6 頁

【部分圖文】：

馬體的實(shí)例分割

在YOLACT目標(biāo)檢測的前端網(wǎng)絡(luò)中,低層的特征圖信息量較少,但其特征圖較大,適于檢測目標(biāo)位置準(zhǔn)確且容易識別的一些小的物體;高層特征圖信息量比較豐富,但是目標(biāo)位置較為粗略,因此小物體的檢測性能急劇下降。為了提高檢測精度,YOLACT的網(wǎng)絡(luò)前端借鑒Mask RCNN[6]中采用的FPN[7]的網(wǎng)絡(luò)結(jié)構(gòu),構(gòu)建一個(gè)自底向上的線路,如C1、C2、C3、C4、C5;一個(gè)自頂向下的線路,如P7、P6、P5、P4、P3以及對應(yīng)層的鏈接,如圖2所示。其中底層的特征圖用于檢測較小的目標(biāo),而頂層的特征圖則用于檢測較大的目標(biāo),對單目標(biāo)的伊犁馬體圖像檢測而言,其頂層特征圖的檢測性能要求相對較高。

體尺測點(diǎn)的標(biāo)定

【參考文獻(xiàn)】：
期刊論文
[1]基于Sobel邊緣檢測的圓周Harris角點(diǎn)檢測算法[J]. 董立紅,彭業(yè)勛,符立梅.  西安科技大學(xué)學(xué)報(bào). 2019(02)
[2]基于3D的馬體尺測量及數(shù)據(jù)修正方法設(shè)計(jì)[J]. 張婧婧,李勇偉.  江蘇農(nóng)業(yè)科學(xué). 2018(21)
[3]基于機(jī)器視覺的馬體尺測量系統(tǒng)設(shè)計(jì)與研究[J]. 張婧婧,李勇偉.  計(jì)算機(jī)測量與控制. 2017(12)
[4]基于Canny算子改進(jìn)的邊緣檢測算法[J]. 王文豪,姜明新,趙文東.  中國科技論文. 2017(08)
[5]基于Kinect傳感器的羊體體尺測量方法[J]. 趙建敏,趙忠鑫,李琦.  江蘇農(nóng)業(yè)科學(xué). 2015(11)



本文編號：3052992