引言
生猪体尺测量是生猪育种中一项重要的基础性工作[1]，通过系统的体型数据采集和分析，能够为选育优质种猪[2]、优化遗传性能、提高生产效益提供科学依据。
随着机器视觉技术的发展，利用非接触式方法测量动物体尺参数成为必然趋势[3-4]。刘同海等[5]基于机器视觉技术，提出复杂背景下的猪体信息提取、头尾去除以及弯曲姿态下体尺测点坐标提取算法。初梦苑等[6]提出一种基于关键帧提取与头颈部去除的奶牛体尺自动测量方法，提高了奶牛体尺测量的效率与精度，平均相对误差小于3.3%。Suvarna等[7]将猪只图像与神经网络相结合预测生猪体尺和体重，准确性较高。上述方法在二维图像处理中表现出色，但难以满足三维数据处理的需求。深度学习技术的出现，使动物的三维体尺测量成为可能。张显宇[8]提出A-Unet深度学习模型，融合CBAM注意力机制与空洞卷积增强特征提取，通过动态网格法定位牛体关键测点并转换标定参数，实测牛的体高、体长及体斜长平均相对误差均低于4.3%。王小品[9]提出多目标生猪体尺关键点检测算法YOLOv5DA-HRST，通过可变形卷积与自适应特征融合提升姿态分类精度，结合轻量HRST网络，集成Swin Transformer优化关键点关联，实现密集场景下站立猪体的关键点检测，精度达81.5%。李想[10]提出了双视角点云配准算法TransFCGF，融合卷积网络提取局部特征与图卷积增强全局表征，通过Transformer实现双点云信息交互，并筛选重叠关键点提升鲁棒性，为多视角配准优化提供了新方案。耿艳利等[11]基于PointNet网络构建点云语义分割模型，通过引入注意力机制，使猪体关键部位的识别准确率提升至86.3%，体尺平均绝对误差控制在5 cm以内。潘泰任等[12]通过球体标定与奇异值分解进行点云配准，并结合主成分分析校正羊体倾斜姿态，实现了羊6项体尺参数的同步测量，其中胸围测量误差小于2.5%，能满足羊只育种与健康监测的需求。李哲等[13]将Super4PCS融合SIFT3D关键点的非刚性粗配准与改进的ICP点云精配准相结合测量猪只体尺，有效降低了角度和光源对测量结果的影响，平均相对误差为2.06%。Guo等[14-16]基于两侧对称和几何特征形态相似，提出了一种猪只三维点云位姿归一化的方法，有效提升了猪只体尺测量的准确性。Wang[17]利用点云的横截面特征检测猪体心围的测量位置，得到猪体心围点云切片，并拟合曲线计算猪只体长。综上，现有基于三维点云的体尺测量方法在精度和效率上虽然取得了显著进展，但在测量参数的丰富性、设备的复杂性以及大规模点云数据处理上仍存在一定的局限。
针对现有基于三维点云的猪只体尺测量方法中存在的测量参数数量少、设备复杂等问题，本文提出了一种基于双视角点云配准的猪只体尺测量方法，首先使用两台Kinect DK深度相机采集猪只点云，通过改进后的LoOP滤波算法去除点云异常值，并基于多层次特征提取的点云精简方法均匀全局密度分布和保留几何细节，再通过双视角点云配准获取猪只三维点云，最后将法线点云和Alpha Shapes边界提取算法相结合，实现了猪只多项体尺参数的非接触式测量。
本文详细内容请下载：
https://www.chinaaet.com/resource/share/2000006838
作者信息：
沈域1，徐爱俊1，2，周素茵1，叶俊华3
（1.浙江农林大学 数学与计算机科学学院，浙江 杭州 311300；
2.全省农业智能感知与机器人重点实验室，浙江 杭州 311300；
3.浙江农林大学 环境与资源学院，浙江 杭州 311300）
