在线使用深度成像和3D重建进行尸体体积估计

科学领域:

• 农业工程 农业工程
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 屠宰的大小的变化给家禽产业的标准化带来了挑战.
• 当前的分类方法在评估尸体大小时可能缺乏精度和效率.

研究的目的:

• 开发和验证一种新的尸分类方法,使用体积作为关键指标.
• 实现实时数据捕获和3D重建,以实现准确的体积估计.

主要方法:

• 利用Kinect v2深度成像,实时捕获移动的尸的数据.
• 采用从点云和面积集成进行体积计算的3D重建.
• 提取了用于机器学习模型输入的二维和三维特征,特别是评估一个袋装树模型.

主要成果:

• 包装树模型实现了高精度,R2为0.9988,RMSE为5.335和ARE为2.125%.
• 该方法表现出了显著的效率,平均处理时间不到1.6秒的尸体.
• 验证了深度成像,3D重建和机器学习的有效性,以精确估计尸体体积.

结论:

• 新型基于体积的分级方法在准确性和效率方面比现有方法显著提高.
• 这项技术为自动化尸分类提供了可靠的解决方案,解决了行业的关键需求.
• 深度成像和机器学习非常适用于开发全面和高效的家禽分类系统.