本技術(shù)涉及計(jì)算機(jī)的，尤其是涉及一種基于牲畜三維測量的姿態(tài)檢測方法。

背景技術(shù)：

1、隨著現(xiàn)代農(nóng)業(yè)的發(fā)展，對牲畜健康狀況的監(jiān)測變得越來越重要，傳統(tǒng)的牲畜健康監(jiān)測方法主要依賴于人工觀察，這種方法耗時(shí)費(fèi)力且容易出現(xiàn)遺漏。近年來，基于圖像的牲畜姿態(tài)檢測方法逐漸成為研究熱點(diǎn)。

2、然而，現(xiàn)有的二維圖像姿態(tài)檢測方法存在以下不足：在復(fù)雜環(huán)境下，容易受到光照、陰影等因素的影響，導(dǎo)致檢測結(jié)果不準(zhǔn)確；現(xiàn)有的方法在處理大量圖像數(shù)據(jù)時(shí)速度較慢，無法實(shí)現(xiàn)實(shí)時(shí)監(jiān)測，現(xiàn)有方法通常需要在特定環(huán)境下進(jìn)行校準(zhǔn)，難以適應(yīng)多變的農(nóng)場環(huán)境。

3、由上可知，如何提高牲畜健康狀況監(jiān)測的準(zhǔn)確性和實(shí)時(shí)性仍有待解決。

技術(shù)實(shí)現(xiàn)思路

1、為了提高牲畜健康狀況監(jiān)測的準(zhǔn)確性和實(shí)時(shí)性，本技術(shù)提供一種基于牲畜三維測量的姿態(tài)檢測方法。

2、第一方面，本技術(shù)提供一種基于牲畜三維測量的姿態(tài)檢測方法，采用如下的技術(shù)方案：

3、一種基于牲畜三維測量的姿態(tài)檢測方法，包括：使用多視角深度相機(jī)系統(tǒng)獲取待檢測牲畜的三維點(diǎn)云數(shù)據(jù)，對所述三維點(diǎn)云數(shù)據(jù)進(jìn)行預(yù)處理，基于圖割算法的分割方法將預(yù)處理后的三維點(diǎn)云數(shù)據(jù)中牲畜與其他背景物體分離，并提取對應(yīng)的牲畜輪廓點(diǎn)云數(shù)據(jù)，其中，所述多視角深度相機(jī)系統(tǒng)包括至少三個不同視角的深度相機(jī)；調(diào)取預(yù)先訓(xùn)練的初步識別模型，將所述牲畜輪廓點(diǎn)云數(shù)據(jù)輸入初步識別模型進(jìn)行篩選，確定對應(yīng)的潛在牲畜姿態(tài)數(shù)據(jù)，調(diào)取預(yù)先訓(xùn)練的深度識別模型，將所述潛在牲畜姿態(tài)數(shù)據(jù)輸入所述深度識別模型進(jìn)行識別，獲取對應(yīng)的目標(biāo)牲畜姿態(tài)數(shù)據(jù)；將所述目標(biāo)牲畜姿態(tài)數(shù)據(jù)與預(yù)設(shè)的標(biāo)準(zhǔn)姿態(tài)數(shù)據(jù)進(jìn)行對比，判斷待檢測牲畜是否處于正常狀態(tài)，若待檢測牲畜處于姿態(tài)異常，則生成包含姿態(tài)異常的警報(bào)數(shù)據(jù)，并將所述警報(bào)數(shù)據(jù)實(shí)時(shí)發(fā)送到用戶終端，其中，所述警報(bào)數(shù)據(jù)包含姿態(tài)異常的具體描述、發(fā)生時(shí)間和位置信息。

4、通過采用上述技術(shù)方案，通過多視角深度相機(jī)系統(tǒng)獲取高精度的三維點(diǎn)云數(shù)據(jù)，并利用先進(jìn)的圖割算法和多階段深度學(xué)習(xí)模型，實(shí)現(xiàn)對牲畜姿態(tài)的高效、準(zhǔn)確識別。通過實(shí)時(shí)對比標(biāo)準(zhǔn)姿態(tài)數(shù)據(jù)，迅速發(fā)現(xiàn)并報(bào)告異常姿態(tài)，確保用戶能夠及時(shí)采取措施，從而顯著提高了牲畜健康狀況監(jiān)測的準(zhǔn)確性和實(shí)時(shí)性。

5、可選地，在所述將所述目標(biāo)牲畜姿態(tài)數(shù)據(jù)與預(yù)設(shè)的標(biāo)準(zhǔn)姿態(tài)數(shù)據(jù)進(jìn)行對比，判斷待檢測牲畜是否處于正常狀態(tài)的過程中，方法還包括：從目標(biāo)牲畜姿態(tài)數(shù)據(jù)中提取關(guān)鍵特征數(shù)據(jù)，生成關(guān)鍵特征向量；計(jì)算關(guān)鍵特征向量與預(yù)設(shè)的標(biāo)準(zhǔn)姿態(tài)數(shù)據(jù)中的標(biāo)準(zhǔn)特征向量之間的相似度，獲取對應(yīng)的相似度數(shù)據(jù)；調(diào)取預(yù)設(shè)的相似度閾值，將所述相似度數(shù)據(jù)與所述相似度閾值進(jìn)行比較，若相似度數(shù)據(jù)低于相似度閾值，則確定牲畜的姿態(tài)異常。

6、通過采用上述技術(shù)方案，通過從目標(biāo)牲畜姿態(tài)數(shù)據(jù)中提取關(guān)鍵特征數(shù)據(jù)并生成關(guān)鍵特征向量，計(jì)算其與預(yù)設(shè)標(biāo)準(zhǔn)姿態(tài)數(shù)據(jù)中的標(biāo)準(zhǔn)特征向量之間的相似度。通過與預(yù)設(shè)的相似度閾值進(jìn)行比較，能夠準(zhǔn)確判斷牲畜的姿態(tài)是否異常。這種方法提高了姿態(tài)識別的準(zhǔn)確性和可靠性，確保及時(shí)發(fā)現(xiàn)和報(bào)告異常姿態(tài)，從而有效提升牲畜健康狀況的監(jiān)測水平。

7、可選地，在所述判斷待檢測牲畜是否處于正常狀態(tài)的過程中，方法還包括：

8、在牲畜通過測量通道時(shí)，采集對應(yīng)的牲畜體重?cái)?shù)據(jù)，基于所述牲畜輪廓點(diǎn)云數(shù)據(jù)構(gòu)建牲畜對應(yīng)的體尺三維模型，其中，體尺三維模型的體尺參數(shù)包括十字部高、體斜長、胸圍、腹圍；

9、調(diào)取畜牧對應(yīng)的歷史體重?cái)?shù)據(jù)以及畜牧對應(yīng)的當(dāng)前階段時(shí)期，將歷史體重?cái)?shù)據(jù)、當(dāng)前階段時(shí)期牲畜體重?cái)?shù)據(jù)輸入初步識別模型進(jìn)行識別，識別牲畜體重?cái)?shù)據(jù)是否符合當(dāng)前階段時(shí)期對應(yīng)的體重?cái)?shù)據(jù)，生成對應(yīng)的體重分析報(bào)告；

10、調(diào)取畜牧對應(yīng)的體尺歷史模型，將所述體尺三維模型與所述體尺歷史模型進(jìn)行比對，生成對應(yīng)的體型變化趨勢報(bào)告；

11、基于所述體重分析報(bào)告與所述體型變化趨勢報(bào)告判斷進(jìn)行評分，獲取對應(yīng)的綜合健康評分，若所述綜合健康評分大于綜合健康閾值，則確定處于正常狀態(tài)。

12、通過采用上述技術(shù)方案，在判斷待檢測牲畜是否處于正常狀態(tài)的過程中，不僅基于三維點(diǎn)云數(shù)據(jù)進(jìn)行姿態(tài)識別，還結(jié)合了體重和體尺參數(shù)的綜合分析。具體來說，在牲畜通過測量通道時(shí)采集其體重?cái)?shù)據(jù)，并基于三維點(diǎn)云數(shù)據(jù)構(gòu)建體尺三維模型，提取關(guān)鍵體尺參數(shù)（如十字部高、體斜長、胸圍、腹圍）。系統(tǒng)調(diào)取牲畜的歷史體重?cái)?shù)據(jù)和當(dāng)前階段時(shí)期信息，輸入初步識別模型評估當(dāng)前體重是否符合預(yù)期，并生成體重分析報(bào)告；同時(shí)，將當(dāng)前體尺三維模型與歷史模型比對，生成體型變化趨勢報(bào)告。最終，基于體重分析報(bào)告和體型變化趨勢報(bào)告進(jìn)行評分，獲取綜合健康評分，若評分超過設(shè)定閾值，則判定牲畜處于正常狀態(tài)。這種方法全面評估了牲畜的體重和體型變化，確保了健康監(jiān)測的準(zhǔn)確性和可靠性，及時(shí)發(fā)現(xiàn)潛在健康問題，保障牲畜的整體健康狀況。

13、可選地，在所述確定對應(yīng)的潛在牲畜姿態(tài)數(shù)據(jù)的過程中，方法還包括：基于特征點(diǎn)檢測算從牲畜輪廓點(diǎn)云數(shù)據(jù)中提取對應(yīng)的特征點(diǎn)，并從每個所述特征點(diǎn)生成對應(yīng)的特征描述子，其中，特征描述子包含特征點(diǎn)周圍的局部信息、梯度方向以及顏色信息；使用特征點(diǎn)匹配算法將提取的特征點(diǎn)與預(yù)定義的標(biāo)準(zhǔn)姿態(tài)特征點(diǎn)進(jìn)行匹配，匹配對應(yīng)的最佳特征點(diǎn)對；基于所述最佳特征點(diǎn)對篩選出的潛在牲畜姿態(tài)數(shù)據(jù)，并對全部的潛在牲畜姿態(tài)數(shù)據(jù)進(jìn)行排序并進(jìn)行排除。

14、通過采用上述技術(shù)方案，通過從牲畜輪廓點(diǎn)云數(shù)據(jù)中提取特征點(diǎn)并生成包含局部信息、梯度方向和顏色信息的特征描述子，使用特征點(diǎn)匹配算法將提取的特征點(diǎn)與預(yù)定義的標(biāo)準(zhǔn)姿態(tài)特征點(diǎn)進(jìn)行匹配，篩選出最佳特征點(diǎn)對。通過對潛在牲畜姿態(tài)數(shù)據(jù)進(jìn)行排序和排除，確保篩選出的潛在姿態(tài)數(shù)據(jù)的準(zhǔn)確性和可靠性，從而提高初步識別的效率和精度，為后續(xù)的深度識別提供高質(zhì)量的數(shù)據(jù)支持。

15、可選地，在所述將所述潛在牲畜姿態(tài)數(shù)據(jù)輸入所述深度識別模型進(jìn)行識別的過程中，方法還包括：收集三維點(diǎn)云數(shù)據(jù)對應(yīng)前后幀的前后三維點(diǎn)云數(shù)據(jù)，并形成時(shí)間序列數(shù)據(jù)，從時(shí)間序列數(shù)據(jù)中每一幀的三維點(diǎn)云數(shù)據(jù)中提取關(guān)鍵特征，并生成每一幀的特征向量；將前后幀對應(yīng)的特征向量與當(dāng)前幀的特征向量進(jìn)行融合，形成包含上下文信息的上下文特征表示；在進(jìn)行姿態(tài)識別時(shí)，將所述上下文特征表示輸入所述深度識別模型進(jìn)行識別，并確定對應(yīng)的潛在牲畜姿態(tài)數(shù)據(jù)。

16、通過采用上述技術(shù)方案，通過收集前后幀的三維點(diǎn)云數(shù)據(jù)并形成時(shí)間序列數(shù)據(jù)，從每一幀中提取關(guān)鍵特征生成特征向量，將前后幀的特征向量與當(dāng)前幀的特征向量進(jìn)行融合，形成包含上下文信息的上下文特征表示。在進(jìn)行姿態(tài)識別時(shí)，將上下文特征表示輸入深度識別模型，從而提高對復(fù)雜姿態(tài)的識別能力和準(zhǔn)確性，確保在動態(tài)環(huán)境中也能穩(wěn)定、可靠地識別牲畜的姿態(tài)。

17、可選地，在所述使用多視角深度相機(jī)系統(tǒng)獲取待檢測牲畜的三維點(diǎn)云數(shù)據(jù)的過程中，方法還包括：基于所述待檢測牲畜確定對應(yīng)的畜牧體型數(shù)據(jù)，基于所述畜牧體型數(shù)據(jù)調(diào)整對應(yīng)的多視角深度相機(jī)系統(tǒng)，并獲取對應(yīng)的三維點(diǎn)云數(shù)據(jù)；基于所述三維點(diǎn)云數(shù)據(jù)判斷是否待檢測牲畜是否有無角牲畜，獲取對應(yīng)的判斷結(jié)果數(shù)據(jù)，基于所述判斷結(jié)果數(shù)據(jù)調(diào)整圖割算法的參數(shù)。

18、通過采用上述技術(shù)方案，通過確定待檢測牲畜的體型數(shù)據(jù)，調(diào)整多視角深度相機(jī)系統(tǒng)以獲取高質(zhì)量的三維點(diǎn)云數(shù)據(jù)。進(jìn)一步，基于三維點(diǎn)云數(shù)據(jù)判斷牲畜是否有角，并根據(jù)判斷結(jié)果調(diào)整圖割算法的參數(shù)。這一過程確保了在不同體型和結(jié)構(gòu)的牲畜之間，能夠更準(zhǔn)確地分離牲畜與背景物體，并且可以提高輪廓提取的精度和可靠性。

19、可選地，方法還包括：獲取對應(yīng)的環(huán)境條件數(shù)據(jù)；其中，環(huán)境條件數(shù)據(jù)包括光照強(qiáng)度、溫度、濕度、空氣質(zhì)量；基于所述環(huán)境條件數(shù)據(jù)評估對相機(jī)性能的影響程度；基于所述影響程度調(diào)整相機(jī)參數(shù)。

20、通過采用上述技術(shù)方案，通過獲取環(huán)境條件數(shù)據(jù)，評估這些條件對相機(jī)性能的影響程度，并根據(jù)評估結(jié)果動態(tài)調(diào)整相機(jī)參數(shù)。這一過程確保了在不同環(huán)境條件下，相機(jī)能夠始終穩(wěn)定工作，獲取高質(zhì)量的三維點(diǎn)云數(shù)據(jù)，從而提高整個姿態(tài)檢測系統(tǒng)的準(zhǔn)確性和可靠性。

21、第二方面，本技術(shù)提供一種基于牲畜三維測量的姿態(tài)檢測裝置，采用如下的技術(shù)方案：

22、一種基于牲畜三維測量的姿態(tài)檢測裝置，包括：

23、牲畜輪廓點(diǎn)云數(shù)據(jù)提取模塊，使用多視角深度相機(jī)系統(tǒng)獲取待檢測牲畜的三維點(diǎn)云數(shù)據(jù)，對所述三維點(diǎn)云數(shù)據(jù)進(jìn)行預(yù)處理，基于圖割算法的分割方法將預(yù)處理后的三維點(diǎn)云數(shù)據(jù)中牲畜與其他背景物體分離，并用于提取對應(yīng)的牲畜輪廓點(diǎn)云數(shù)據(jù)，其中，所述多視角深度相機(jī)系統(tǒng)包括至少三個不同視角的深度相機(jī)；

24、目標(biāo)牲畜姿態(tài)數(shù)據(jù)獲取模塊，調(diào)取預(yù)先訓(xùn)練的初步識別模型，將所述牲畜輪廓點(diǎn)云數(shù)據(jù)輸入初步識別模型進(jìn)行篩選，確定對應(yīng)的潛在牲畜姿態(tài)數(shù)據(jù)，調(diào)取預(yù)先訓(xùn)練的深度識別模型，將所述潛在牲畜姿態(tài)數(shù)據(jù)輸入所述深度識別模型進(jìn)行識別，用于獲取對應(yīng)的目標(biāo)牲畜姿態(tài)數(shù)據(jù)；

25、姿態(tài)判斷模塊，將所述目標(biāo)牲畜姿態(tài)數(shù)據(jù)與預(yù)設(shè)的標(biāo)準(zhǔn)姿態(tài)數(shù)據(jù)進(jìn)行對比，用于判斷待檢測牲畜是否處于正常狀態(tài)，若待檢測牲畜處于姿態(tài)異常，則生成包含姿態(tài)異常的警報(bào)數(shù)據(jù)，并將所述警報(bào)數(shù)據(jù)實(shí)時(shí)發(fā)送到用戶終端，其中，所述警報(bào)數(shù)據(jù)包含姿態(tài)異常的具體描述、發(fā)生時(shí)間和位置信息。

26、第三方面，本技術(shù)提供一種基于牲畜三維測量的姿態(tài)檢測方法，采用如下的技術(shù)方案：

27、一種基于牲畜三維測量的姿態(tài)檢測方法，包括處理器，所述處理器中運(yùn)行有上述中所述的基于牲畜三維測量的姿態(tài)檢測方法的程序。

28、第四方面，本技術(shù)提供一種存儲介質(zhì)，采用如下的技術(shù)方案：

29、一種存儲介質(zhì)，存儲有上述中所述的基于牲畜三維測量的姿態(tài)檢測方法的程序。

30、綜上所述，本技術(shù)包括以下至少一種有益技術(shù)效果：基于牲畜三維測量的姿態(tài)檢測方法顯著提高了牲畜健康狀況監(jiān)測的準(zhǔn)確性和實(shí)時(shí)性。具體來說，多視角深度相機(jī)系統(tǒng)和圖割算法的結(jié)合確保了高精度的三維點(diǎn)云數(shù)據(jù)獲取和牲畜輪廓的準(zhǔn)確分離。通過多階段深度學(xué)習(xí)模型，從初步識別到深度識別，逐步篩選和確認(rèn)牲畜的姿態(tài)數(shù)據(jù)，提高了姿態(tài)識別的準(zhǔn)確性和魯棒性。實(shí)時(shí)對比標(biāo)準(zhǔn)姿態(tài)數(shù)據(jù)和動態(tài)調(diào)整相機(jī)參數(shù)，確保在不同環(huán)境條件下都能穩(wěn)定工作，及時(shí)發(fā)現(xiàn)并報(bào)告異常姿態(tài)。這些技術(shù)手段共同作用，確保了對牲畜健康狀況的高效、準(zhǔn)確監(jiān)測，使用戶能夠迅速采取措施，保障牲畜的健康和生產(chǎn)效率。