基于后端云数据的猪体重和体量测量模型估计

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:

• 手动测量猪体重和身体尺寸带来了挑战,包括放牧困难,动物压力诱导和动物传染病控制.
• 准确评估猪生长和发育对于全球畜牧业的有效管理至关重要.

研究的目的:

• 开发和验证一种非接触式模型,用3D点云数据来估计猪体重和身体尺寸.
• 为了解决猪养殖中传统手动测量方法的局限性.

主要方法:

• 从猪背中获取3D点云数据,使用安装在秤桥上方的深度摄像头.
• 应用点云过,无雾化和K-means集群用于猪背细分.
• 开发一个多头注意力卷积神经网络 (MACNN),将RGB信息用于体重预测和身体尺寸测量.

主要成果:

• 无接触重量估计模型的平均绝对误差为11.552公斤,根平均平方误差为11.181公斤.
• 将RGB数据纳入MACNN模型将RMSE减少了2.469公斤,MAPE减少了0.8%.
• 肩膀宽度,腹部宽度和部宽度测量的平均相对误差分别为3.144%,3.798%和3.820%.

结论:

• 开发的MACNN模型证明了无接触猪体重估计和身体尺寸测量的准确性和可靠性.
• 整合RGB信息可以提高重量预测模型的性能.
• 这种非接触式方法为手工测量提供了有希望的替代方案,提高了养猪业的效率和动物福利.