通过结合2D图像细分和猪的深度信息来获得3D点云数据的方法
Shunli Wang1, Honghua Jiang1, Yongliang Qiao2
1College of Information Science and Engineering, Shandong Agricultural University, Tai'an 271018, China.
Animals : an open access journal from MDPI
|August 12, 2023
概括
本研究引入了与Res2Net的增强YOLOv5s模型,用于使用RGB-D数据精确的自动猪检测和细分. 这种方法改善了二维图像分析,并简化了用于精密畜牧业的三维点云数据采集.
科学领域:
- 农业工程 农业工程
- 计算机视觉 计算机视觉
- 动物科学动物科学
背景情况:
- 精密畜牧业需要对个体动物进行精确的监测.
- 猪的自动检测和细分对于高效的农场管理至关重要.
- 现有的方法可能缺乏用于细粒度分析和3D数据采集所需的精度.
研究的目的:
- 开发一种先进的方法,使用RGB-D数据自动检测和细分猪.
- 增强特征提取,提高2D和3D猪分析的准确性.
- 为了便于更简单,更有效地获取猪的3D点云数据.
主要方法:
- 增强的YOLOv5s模型与Res2Net瓶结构的整合.
- 使用RGB-D数据进行2D图像分析和3D点云生成.
- 开发和使用定制数据集和爱丁堡猪行为数据集进行验证.
主要成果:
- 改进的YOLOv5s_Res2Net模型在检测和细分方面获得了高平均平均精度 (mAP) 得分.
- 在定制数据集上实现了89.6%和84.8%的mAP@0.5:0.95.
- 在爱丁堡猪行为数据集上实现了93.4%和89.4%的mAP@0.5:0.95.
结论:
- 拟议的方法显著提高了猪检测和细分的精度.
- 该方法为获得3D猪数据提供了一种简化过程.
- 这项技术支持改善猪管理,福利评估和体重估计.
