如何测算肉牛养殖项目（肉牛如何测量体重）

文格式：李嘉位, 马为红, 李奇峰, 薛向龙, WANG Zhiquan. 复杂环境下肉牛三维点云重建与目标提取方法[J]. 智慧农业(中英文), 2022, 4(2): 64-76.

LI Jiawei, MA Weihong, LI Qifeng, XUE Xianglong, WANG Zhiquan. Automatic Acquisition and Target Extraction of Beef Cattle Point Cloud from Complex Environment[J]. Smart Agriculture, 2022, 4(2): 64-76.

点击直达知网阅读

点击直达阅读（全文，免费）

复杂环境下肉牛三维点云重建与目标提取方法

李嘉位1，3，马为红2，3*，李奇峰2，3，薛向龙2，3，WANG Zhiquan 4

（1. 中国农业大学信息与电气工程学院，北京100091；2. 北京市农林科学院信息技术研究中心，北京100097；3. 国家农业信息化工程技术研究中心，北京100097；4. Faculty of Agricultural，Life and Environmental Sciences，University of Alberta，Edmonton，Canada，T6G 2R3）

摘要：基于点云采集技术的非接触式测量能够缓解肉牛在采集体尺体重等参数时的应激问题，但采集肉牛的三维数据耗时长且易受环境干扰而产生大量无关噪点，难以适应实际养殖环境需求。为解决该问题，本研究开发了一种非接触式肉牛三维点云重建与目标提取系统与方法，采集的肉牛三维点云可为肉牛育种育肥提供大量标准化和三维量化表型数据。三维点云采集系统由Kinect DK深度相机、红外对射光栅触发器和射频识别（Radio Frequency Identification，RFID）触发器组成，可在肉牛自由通过步行道的瞬间实现肉牛点云的多角度瞬时采集。肉牛点云目标提取方法基于C++语言与点云处理库（Point Cloud Library，PCL）开发，通过空间直通滤波、统计学离群点滤波、随机抽样一致（Random Sample Consensus，RANSAC）形态拟合与点云抽稀、基于降维密度聚类的感知盒滤波等算法有效滤除与肉牛紧贴的栏杆等干扰，不破坏点云的完整，实现肉牛点云的三维重建与分析。在养殖场中对20头肉牛进行了124次点云采集与目标提取试验。结果表明，重建的肉牛三维模型与肉牛真实形态1:1对应，系统的采集成功率为91.89%，采集的点云与真实值相比，体尺重建误差为0.6%。该系统与方法可以在无人干预的情况下，实现多角度肉牛点云数据的自动采集与三维重建，并从复杂环境中自动提取目标肉牛的点云，为非接触式肉牛体高、体宽、体斜长、胸围、腹围和体重等核心表型参数的测量提供重要的方法支撑，促进肉牛育种和育肥的标准化管理。

关键词：肉牛点云；三维重建；点云处理；自动采集；目标提取；非接触测量

文章图片

注：

1.RFID识读器 2.Kinect DK深度相机 3.工控机 4.支撑底座 5.肉牛通道 6.红外对射光栅传感器

图1 肉牛点云三维点云采集系统

Fig. 1 point cloud acquisition system for beef cattle

图2 肉牛三维点云采集自动触发与采集逻辑

Fig. 2 Automatic triggering and acquisition logic of beef cattle point cloud acquisition system

图3 肉牛通道内多角度点云融合过程

Fig. 3 Multi-angle point cloud fusion process in beef cattle channel

图4 肉牛三维点云目标提取算法流程

Fig. 4 point cloud of beef cattle target extraction algorithm flow

图5 肉牛点云离群点滤除过程

Fig. 5 Outlier filtering process of beef cattle point cloud

图6 肉牛点云非地面干扰滤除过程

Fig. 6 Non-ground interference filtering process of beef cattle point cloud

图7 肉牛目标初步提取后残留的栏杆干扰

Fig. 7 Residual railing disturbance after preliminary extraction of beef cattle target

图8 针对肉牛点云中栏杆噪点的识别与去除算法流程

Fig. 8 Recognition and removal process of railing noise in beef cattle point cloud

图9 降维点云中各点矩形邻域密度特征分布

Fig. 9 Density characteristic distribution of the rectangular neighborhood for each point in dimensionality-reduced point clouds

（a）俯视方向（b）侧视方向

图10 栏杆云噪点滤除感知盒构建示意

Fig. 10 Schematic diagram of perception box construction for railing point cloud noise filtering

图11 基于降维密度聚类和感知盒特征的栏杆点云滤除结果

Fig. 11 Filtering results of railings based on dimensionality-reduced density clustering and perceptual box features

图12 三维肉牛点云采集成功结果

Fig. 12 beef cattle point cloud processing results

图13 不同倍率参数（R值）的离群点滤除结果

Fig. 13 Outlier filtering results for different R values

图14 倍率参数R对滤波结果的影响

Fig. 14 The effect of R on filtering results.

图15 感知盒滤波前后点云分布对比

Fig. 15 Perceived box filtering before and after comparison

（a）阳光导致的局部缺失（b）粉尘导致的点云空洞

图16 被严重干扰的肉牛点云数据

Fig. 16 Severely disturbed point cloud data of beef cattle

通信作者简介

马为红高级工程师

马为红，博士，高级工程师，硕士生导师，圭尔夫大学高级机器人实验室访问学者，工作于北京市农林科学院信息技术研究中心，国家农业信息化工程技术研究中心畜牧信息部。主要在动物计算视觉、动物模式识别、动物表型高通量测定、精准畜牧养殖和动物福利等进行了系统的研究工作。主持并参与多项国家自然科学基金和北京市自然基金、北京市科技计划项目等。先后作为主要负责人参与国家重点专项间合作项目，中加商业化肉牛繁育大数据平台研究与示范和中英奶牛智慧养殖关键技术研发与应用项目。在国内外主流期刊上发表论文35篇，专著2部，申请发明专利53项，授权发明专利19项、实用新型30项、软件著作权25项。

来源：《智慧农业（中英文）》2022年第2期

转载请联系编辑部授权

本期支持单位

京蓝云智物联网技术

浙江臻善科技股份

潍柴雷沃重工股份