[发明专利]一种基于深度学习和特征部位检测的牛体尺测量系统

权利要求书

1.一种基于深度学习和特征部位检测的牛体尺测量系统，其特征在于：包括地面标注面(1)、侧身摄像头(2)、尾部摄像头(3)和图像服务器；所述图像服务器包括特征部位检测模型和体尺测量算法，所述地面标注面(1)的两个直角侧面设有所述侧身摄像头(2)和所述尾部摄像头(3)，所述侧身摄像头(2)和所述尾部摄像头(3)通过伸缩勾吊挂屋顶上，所述侧身摄像头(2)和尾部摄像头(3)与图像服务器通过以太网连接，所述侧身摄像头(2)采集牛的侧身图像传输至所述图像服务器，所述尾部摄像头(3)采集牛的尾部图像传输至所述图像服务器，所述特征部位检测模型处理输入图像，输出特征部位坐标信息，体尺测量算法根据坐标信息计算牛的体尺数据。

2.根据权利要求1所述的一种基于深度学习和特征部位检测的牛体尺测量系统，其特征在于：所述地面标注面(1)为铺设在地面上的长方形地板，包括六条标注线，五个地面标注面区域，每个地面标注面区域都是长方形，长度不固定，宽度是20cm，在每块的地面标注面区域的宽取中心取竖直向上的竖直面作为竖直标定面。

3.根据权利要求1所述的一种基于深度学习和特征部位检测的牛体尺测量系统，其特征在于：所述特征部位检测模型包括特征部位数据集、特征部位检测方法。

4.根据权利要求3所述的一种基于深度学习和特征部位检测的牛体尺测量系统，其特征在于：所述特征部位数据集包括牛图像和标定文件；所述牛图像包括单只或多只牛正面、侧身、背部图像，特征部位名称有牛、牛头、牛躯干、牛蹄、关节、牛尻；所述标定文件给出牛、牛头、牛躯干、牛蹄、关节、牛尻的边框的标签和坐标信息。

5.根据权利要求4所述的一种基于深度学习和特征部位检测的牛体尺测量系统，其特征在于：所述标定文件采用xml格式文件，文件中列出图像基本信息，包括xml文件名，xml文件保存路径，图片尺寸，特征部位名称，特征部位像素坐标。

6.根据权利要求3所述的一种基于深度学习和特征部位检测的牛体尺测量系统，其特征在于：所述特征部位检测方法采用两步法时，包括特征提取网络、候选框推选方法、候选框分类和回归网络；即先特征提取网络提取图像特征，输入图像经过5个卷积块，最终得到512个高14像素、宽14像素的特征图，在所述特征图上以每个像素点作为锚anchor的中心点，在原图中生成6个锚框，目标候选框推选网络通过卷积层将14*14*512的矩阵变成6个预测框的坐标偏移值14*14*24和对应锚框属于目标的概率值14*14*6，将目标候选框推选网络输出中属于目标的概率大于0.6的预测框的特征送入分类网络和回归网络，输出特征部位类别分类得分和边框坐标预测值。

7.根据权利要求3所述的一种基于深度学习和特征部位检测的牛体尺测量系统，其特征在于：所述特征部位检测方法采用一步法时，检测步骤包括特征提取和特征位置预测及分类，首先通过特征提取网络提取输入图像的多尺度特征，每个尺度上分别预测特征部位，并将所有尺度的预测结果按照置信度预测值排序，选出超过预测值门限的候选框通过非极大值抑制方法得到目标的识别位置和种类。

8.根据权利要求1所述的一种基于深度学习和特征部位检测的牛体尺测量系统，其特征在于：牛的两个前蹄中点到牛两个后蹄中点的连线与地面标注线的夹角为站姿偏角，计算步骤如下：

(1)先做地面标注，在测量区域，垂直于镜头平面每间隔20cm做一条标注线，计算出每一个区域内的标定参数An，n＝1，2，3，4，5，每个区域的实际距离是20cm，从获取到的图中中可以得到每个区域的像素距离，也就是图像距离；

(2)从获取的图片中，利用两个前蹄和两个后蹄的像素坐标分别求得前蹄中点的像素坐标和后蹄中点的像素坐标。然后利用第一步得到的标定参数，将像素坐标转换成实际坐标；

(3)前蹄中点和后蹄中点的实际坐标和标注线的平行线构建一个直角三角形，利用三角函数公式，计算站姿偏角的大小。