基于DeepLabCut算法的豬只體尺快速測(cè)量方法研究

趙宇亮 曾繁國(guó) 賈 楠 朱 君 王海峰 李 斌

(北京市農(nóng)林科學(xué)院智能裝備技術(shù)研究中心，北京 100097)

0 引言

豬只體尺參數(shù)是衡量其生長(zhǎng)狀況的主要指標(biāo)[1-3]，在種豬選育、肉質(zhì)評(píng)價(jià)、精準(zhǔn)飼喂和分群管理中起著重要作用[4-7]。一般來(lái)講，體尺參數(shù)主要包括體長(zhǎng)、體寬、體高、臀寬和臀高5項(xiàng)指標(biāo)。目前，豬只體尺測(cè)量主要采用人工測(cè)量方式進(jìn)行。人工測(cè)量往往需要借助測(cè)杖、圓形測(cè)定器和卷尺等工具測(cè)定，費(fèi)時(shí)費(fèi)力，而且易引起豬只應(yīng)激反應(yīng)，測(cè)量精度難以保證。非接觸式豬只體尺測(cè)量方法成為科研人員的重要探索方向。近年來(lái)，基于計(jì)算機(jī)視覺(jué)的非接觸式測(cè)量技術(shù)經(jīng)歷了“平面圖像—立體視覺(jué)”和“人工特征工程—自動(dòng)特征工程”的發(fā)展階段[8-10]。在豬只體尺測(cè)量方面，DESHAZER等[11]于1988年首次提出將計(jì)算機(jī)成像系統(tǒng)用于豬只體尺測(cè)量研究；WHITE等[12]、DOESCHL-WILSON等[13]于2004年分別采用單目相機(jī)開(kāi)展了豬只生長(zhǎng)過(guò)程的彩色圖像采集和體尺指標(biāo)計(jì)算研究，但豬舍環(huán)境、豬體臟污和地面高光反射等問(wèn)題影響輪廓提取，測(cè)量精度有待提高[14]；2019年前后，PEZZUOLO等[15]、司永勝等[16]基于Kinect深度相機(jī)采集豬只理想姿態(tài)下的背部圖像，通過(guò)特征點(diǎn)檢測(cè)來(lái)計(jì)算豬只體尺參數(shù)，但圖像預(yù)處理過(guò)程繁瑣[17]，無(wú)法實(shí)現(xiàn)實(shí)時(shí)測(cè)量；近年來(lái)，DeepPose[18]、DeeperCut[19]、ArtTrack[20]、OpenPose[21]等姿態(tài)檢測(cè)算法在人體姿態(tài)實(shí)時(shí)估計(jì)方面的應(yīng)用成為研究熱點(diǎn)，但前期需要大量標(biāo)注數(shù)據(jù)集(5 000幅以上)進(jìn)行模型訓(xùn)練，數(shù)據(jù)標(biāo)注過(guò)程費(fèi)時(shí)費(fèi)力。2018年，MATHIS等[22]提出了一種基于深度神經(jīng)網(wǎng)絡(luò)遷移學(xué)習(xí)的無(wú)標(biāo)記姿態(tài)估計(jì)算法(DeepLabCut)，該算法只需少量數(shù)據(jù)集(約200幅)進(jìn)行訓(xùn)練，已在老鼠[23]、靈長(zhǎng)動(dòng)物[24]、獵豹[25]和賽馬[26]等多個(gè)物種的姿態(tài)實(shí)時(shí)跟蹤方面呈現(xiàn)良好的檢測(cè)性能，但在豬只姿態(tài)檢測(cè)及體尺測(cè)量方面尚未有研究報(bào)道。

基于此，為實(shí)現(xiàn)豬只養(yǎng)殖過(guò)程中體尺參數(shù)的非接觸式快速準(zhǔn)確測(cè)量，本文使用RealSense L515深感相機(jī)采集豬只站立姿態(tài)圖像，借助DeepLabCut算法處理豬只背部RGB圖像并提取關(guān)鍵特征點(diǎn)，開(kāi)展5項(xiàng)體尺參數(shù)的測(cè)量研究。

1 數(shù)據(jù)集與測(cè)量方法

1.1 平臺(tái)搭建

豬只體尺數(shù)據(jù)采集平臺(tái)結(jié)構(gòu)示意圖如圖1所示。在豬只保育床(尺寸為1.8 m×1.8 m)正上方2 m處安裝RGB-D圖像采集平臺(tái)。該平臺(tái)主要由深度數(shù)據(jù)采集單元、微型邊緣計(jì)算單元、電子秤、無(wú)線局域網(wǎng)和計(jì)算機(jī)工作站組成。深度數(shù)據(jù)采集單元選用Intel RealSense L515深感相機(jī)，內(nèi)置RGB圖像傳感器(分辨率為1 920像素×1 080像素，幀率為50 f/s)、深度傳感器(分辨率為1 024像素×768像素，幀率為30 f/s)和BMI085慣性測(cè)量單元，探測(cè)范圍0.25～9 m，RGB視場(chǎng)70°×43°，深度視場(chǎng)70°×55°。微型邊緣計(jì)算單元選用NVIDIA Jetson Xavier NX開(kāi)發(fā)者套件，內(nèi)置384 個(gè) NVIDIA CUDA Cores、48 個(gè) Tensor Cores、6 塊 Carmel ARM CPU 和2個(gè) NVIDIA 深度學(xué)習(xí)加速器引擎，可支持RealSense L515深感相機(jī)的數(shù)據(jù)采集、模型部署、多算法融合運(yùn)算等功能。在前期數(shù)據(jù)收集過(guò)程中，為有效采集豬只站立圖像，本研究采用電子秤(精度0.1 kg，廣東寮步益科電子公司)進(jìn)行輔助判斷，當(dāng)邊緣計(jì)算單元獲取的電子秤稱取的豬只實(shí)時(shí)體質(zhì)量數(shù)據(jù)波動(dòng)小于0.2 kg并持續(xù)3 s以上時(shí)，開(kāi)啟并采集豬只RGB-D圖像。

圖1 數(shù)據(jù)采集平臺(tái)

1.2 數(shù)據(jù)獲取

本試驗(yàn)于2021年4月1日至6月15日在河北省秦皇島明霞養(yǎng)殖場(chǎng)某一單欄中進(jìn)行(圖1b)，豬只品種為長(zhǎng)白，數(shù)量為12頭，日齡為30～115 d，體質(zhì)量為6～50 kg?；跀?shù)據(jù)采集平臺(tái)，共獲取單體豬只站立圖像700組用于模型訓(xùn)練與測(cè)試。

1.3 體尺自動(dòng)測(cè)量方法

1.3.1測(cè)量算法

本研究首先參考豬只體尺測(cè)量點(diǎn)的位置，在豬只圖像中選取關(guān)鍵特征點(diǎn)，并進(jìn)行圖像特征點(diǎn)標(biāo)記和模型訓(xùn)練，驗(yàn)證特征點(diǎn)檢測(cè)效果；其次，結(jié)合深感相機(jī)內(nèi)參數(shù)，計(jì)算關(guān)鍵特征點(diǎn)世界坐標(biāo)并優(yōu)化離群特征點(diǎn)；然后，計(jì)算豬只5項(xiàng)體尺參數(shù)。具體算法如圖2所示。

圖2 豬只體尺測(cè)量算法流程圖

1.3.2背部特征點(diǎn)選擇

借助傳統(tǒng)人工體尺測(cè)量方法，觀察并選擇豬只圖像中10個(gè)特征點(diǎn)進(jìn)行標(biāo)記，用于后續(xù)模型訓(xùn)練。如圖3所示，B為豬只尾根區(qū)域位置，L1、R1為豬只肩部區(qū)域最寬處左、右兩個(gè)區(qū)域位置，L2、R2為豬只臀部最寬處左、右兩個(gè)區(qū)域位置，El為豬只左耳尖位置，Er為豬只右耳尖位置，F(xiàn)為頸部中點(diǎn)位置，M為豬只臀部最寬處中心點(diǎn)位置，N為豬只肩部區(qū)域最寬處中心點(diǎn)位置。

圖3 豬只背部特征點(diǎn)標(biāo)記示意圖

1.3.3特征點(diǎn)提取算法

為自動(dòng)提取豬只背部特征點(diǎn)位置，本研究選取DeepLabCut算法開(kāi)展豬只背部特征點(diǎn)檢測(cè)研究。DeepLabCut算法是一個(gè)結(jié)合對(duì)象識(shí)別和語(yǔ)義分割算法的深度卷積網(wǎng)絡(luò)結(jié)構(gòu)。以ResNet作為DeepLabCut主干網(wǎng)絡(luò)結(jié)構(gòu)為例，其具體實(shí)現(xiàn)算法是：在原有基礎(chǔ)網(wǎng)絡(luò)上去除ResNet殘差網(wǎng)絡(luò)結(jié)構(gòu)分類層，接入反卷積層進(jìn)行上采樣，獲得載有特征點(diǎn)分布情況的特征圖，并以特征點(diǎn)概率密度狀況及向量趨勢(shì)數(shù)據(jù)呈現(xiàn)，進(jìn)而確定特征點(diǎn)具體位置，得到該特征點(diǎn)的圖像坐標(biāo)，具體流程如圖4所示。接下來(lái)，運(yùn)用已采集的批量豬只圖像數(shù)據(jù)按照上述流程對(duì)DeepLabCut網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到豬只各特征點(diǎn)的分布情況，如圖5所示，特征數(shù)據(jù)以熱力圖形式映射在原始圖像中。

圖4 網(wǎng)絡(luò)模型結(jié)構(gòu)圖

圖5 特征位置分布圖

為獲得豬只背部特征點(diǎn)檢測(cè)最優(yōu)模型，本研究選取ResNet-50、ResNet-101、ResNet-152、MobileNet-V2-1.0、MobileNet-V2-0.75、MobileNet-V2-0.5、MobileNet-V2-0.35、EfficientNet-b0、EfficientNet-b3和EfficientNet-b6共10個(gè)網(wǎng)絡(luò)模型[27-30]進(jìn)行訓(xùn)練并擇優(yōu)作為DeepLabCut主干網(wǎng)絡(luò)模型。

1.3.4站立姿態(tài)分類

由于豬只身體處于卷曲、頭部擺動(dòng)等非自然站立姿態(tài)時(shí)，體尺測(cè)量會(huì)產(chǎn)生較大誤差，因此，為實(shí)現(xiàn)豬只5項(xiàng)體尺數(shù)據(jù)精準(zhǔn)計(jì)算，在獲得豬只特征點(diǎn)信息后，需篩選豬只自然站立姿態(tài)進(jìn)行體尺測(cè)量。一般自然站立狀態(tài)下，El與Er連線S1，L1與R1連線S2，L2與R2連線S3，這3條線間近似平行，各直線間夾角比較??；非自然站立狀態(tài)下，由于頭部或身體扭曲，各直線間夾角比較大。

本文在得到多組3條線間的夾角數(shù)據(jù)后(Angle_S12、Angle_S23、Angle_S13)，運(yùn)用支持向量機(jī)(Support vector machine, SVM)進(jìn)行模型訓(xùn)練。SVM分類的主要思想是通過(guò)核函數(shù)定義的非線性變換將輸入空間變換成一個(gè)高維空間，并在這個(gè)空間中尋找一個(gè)分類超平面作為決策平面，使得正例和反例之間的隔離邊緣被最大化。本文將數(shù)據(jù)集主要分成兩類(自然站立狀態(tài)與非自然站立狀態(tài))，如圖6所示。選用徑向基函數(shù)(Radial basis function)作為SVM核函數(shù)，在姿態(tài)模型訓(xùn)練過(guò)程中主要涉及懲罰系數(shù)與gamma兩個(gè)參數(shù)。其中懲罰系數(shù)即對(duì)誤差的寬容度，懲罰系數(shù)越高，說(shuō)明越不能容忍出現(xiàn)誤差,容易過(guò)擬合；懲罰系數(shù)越小，容易欠擬合。gamma值隱含地決定了數(shù)據(jù)映射到新的特征空間后的分布，gamma值越大，支持向量越少，gamma值越小，支持向量越多。在模型訓(xùn)練過(guò)程需要調(diào)節(jié)這兩個(gè)參數(shù)，使得姿態(tài)分類模型準(zhǔn)確率高又具備較強(qiáng)的泛化能力。

圖6 不同狀態(tài)站立圖像

1.3.53D坐標(biāo)轉(zhuǎn)換

為獲得原始數(shù)據(jù)中彩色圖像與深度圖像的坐標(biāo)間映射關(guān)系，本研究采用Intel RealSense提供的pyrealsense2工具包進(jìn)行圖像配準(zhǔn)，實(shí)現(xiàn)目標(biāo)區(qū)域由像素坐標(biāo)向世界坐標(biāo)的轉(zhuǎn)換。具體轉(zhuǎn)換關(guān)系如圖7所示，世界坐標(biāo)(X,Y,Z)變換計(jì)算公式為

圖7 圖像坐標(biāo)與世界坐標(biāo)轉(zhuǎn)換關(guān)系

(1)

式中cx——圖像中心點(diǎn)橫像素坐標(biāo)，像素

cy——圖像中心點(diǎn)縱像素坐標(biāo)，像素

fx——橫向像素焦距，像素

fy——縱向像素焦距，像素

d(u,v)——圖像點(diǎn)(u,v)深度，m

本文深度相機(jī)cx=948.963像素,cy=524.896像素,fx=1 371.98像素,fy=1 372.58像素。

1.3.6離群特征點(diǎn)坐標(biāo)優(yōu)化

實(shí)際應(yīng)用中，由于RealSense L515自身激光掃描方式特點(diǎn)，部分深度信息會(huì)存在丟失情況，尤其是豬只邊緣與地面交接處的深度數(shù)據(jù)丟失更為嚴(yán)重，還有通過(guò)DeepLabCut算法獲取的靠近身體邊緣區(qū)域特征點(diǎn)的微小偏差都會(huì)造成豬只體尺的大幅誤差。

已知攝像頭與地面距離，易將深度信息劃分為地面區(qū)域G、豬體區(qū)域B、未獲取深度區(qū)域O。如圖8所示，圖8a通過(guò)帶通分割方式將深度圖分成3個(gè)區(qū)域，紅色為豬體區(qū)域，綠色為地面區(qū)域，藍(lán)色為未得到深度數(shù)據(jù)區(qū)域。通過(guò)DeepLabCut算法得到特征點(diǎn)的圖像位置與真實(shí)標(biāo)記位置無(wú)明顯差異，將特征點(diǎn)以3D形式呈現(xiàn)，明顯看出點(diǎn)El、B深度為0 mm，點(diǎn)L1映射在地面區(qū)域。因此需要對(duì)離群點(diǎn)位置進(jìn)行優(yōu)化，從而計(jì)算豬只體尺數(shù)據(jù)。

圖8 深度數(shù)據(jù)不同仰角3D圖

為解決這一問(wèn)題，本研究設(shè)計(jì)了一種離群特征點(diǎn)臨近區(qū)域深度替換算法。對(duì)于離群特征點(diǎn)P，在深度圖上以該點(diǎn)圖像坐標(biāo)位置作為中心點(diǎn)，向外擴(kuò)張成(2d+1)×(2d+1)像素矩形區(qū)域，獲取該區(qū)域深度數(shù)據(jù)集合，將點(diǎn)P的深度數(shù)據(jù)替換成該集合非零最小值。本文選用矩形區(qū)域中非零最小值與矩形區(qū)域非零平均值對(duì)比測(cè)試，最終選擇矩形區(qū)域非零最小值替代離群點(diǎn)深度，此方式相對(duì)于矩形區(qū)域非零平均值替代方法更符合實(shí)際測(cè)量點(diǎn)位置。

1.3.7體尺計(jì)算

獲得豬只背部各特征點(diǎn)世界坐標(biāo)以后，計(jì)算豬只體長(zhǎng)(從點(diǎn)F到點(diǎn)B豬體背脊曲線長(zhǎng)度)、體寬(L1與R1直線距離)、臀寬(L2與R2直線距離)、體高(點(diǎn)N距地面高度)和臀高(點(diǎn)M距地面高度)。其中豬只體長(zhǎng)為頸部中點(diǎn)到尾跟點(diǎn)間的脊背曲線長(zhǎng)度，即圖9所示藍(lán)色曲線長(zhǎng)度。需對(duì)藍(lán)色區(qū)域經(jīng)過(guò)的離散點(diǎn)世界坐標(biāo)進(jìn)行多項(xiàng)式函數(shù)擬合，應(yīng)用弧微分法計(jì)算該曲線長(zhǎng)度。

圖9 豬只體長(zhǎng)曲線提取效果圖

2 結(jié)果與討論

2.1 模型訓(xùn)練與評(píng)估

為了對(duì)DeepLabCut算法中的網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，同時(shí)評(píng)估10個(gè)主干網(wǎng)絡(luò)模型的運(yùn)算速度與準(zhǔn)確度，針對(duì)模型進(jìn)行離線訓(xùn)練與測(cè)試，試驗(yàn)環(huán)境：Intel Core i9-10900X型號(hào)CPU，TITAN RTX型號(hào)GPU，Ubuntu 18.04操作系統(tǒng)，Python 3.7編程語(yǔ)言。

為了量化基于DeepLabCut算法的特征點(diǎn)檢測(cè)方法針對(duì)小樣本量數(shù)據(jù)模型訓(xùn)練效果和預(yù)測(cè)能力，隨機(jī)抽取150幅圖像進(jìn)行標(biāo)記，將圖像數(shù)據(jù)集隨機(jī)分成訓(xùn)練集和測(cè)試集(分別為80%和20%)，并在測(cè)試圖像上評(píng)估DeepLabCut的性能模型。訓(xùn)練過(guò)程中選取Adam優(yōu)化器，設(shè)置批處理為1幅，學(xué)習(xí)率為0.02，迭代次數(shù)為50 000次。

10個(gè)主干網(wǎng)絡(luò)模型訓(xùn)練過(guò)程的Loss曲線如圖10所示。由圖可知，10個(gè)模型在迭代40 000次時(shí)均收斂，且網(wǎng)絡(luò)損失值由小到大呈現(xiàn)為EfficientNet系列、ResNet系列、MobileNet系列，EfficientNet-b6模型在整個(gè)訓(xùn)練過(guò)程中一直保持最低的損失值。

圖10 模型訓(xùn)練過(guò)程Loss曲線

10個(gè)主干網(wǎng)絡(luò)模型的性能參數(shù)如表1所示，從處理速度上比較，MobileNet-V2-0.75模型檢測(cè)速度最快，達(dá)到16.5 f/s，但其在測(cè)試集誤差較高，更適合于時(shí)效性要求高于準(zhǔn)確度要求的檢測(cè)領(lǐng)域。EfficientNet-b0模型內(nèi)存占用量為14.9 MB，檢測(cè)速度與均方根誤差在10個(gè)模型中表現(xiàn)不錯(cuò)，檢測(cè)速度和準(zhǔn)確度較為均衡。EfficientNet-b6模型為159.1 MB，幀率為3.8 f/s，其在測(cè)試集上的誤差最小，適合用于高精度線測(cè)量，需要更高的檢測(cè)準(zhǔn)確度，因此選用EfficientNet-b6網(wǎng)絡(luò)模型作為DeepLabCut算法的主干網(wǎng)絡(luò)。

表1 不同主干網(wǎng)絡(luò)模型性能對(duì)比

2.2 站立姿態(tài)分類模型分析

為了得到更為精確的站立姿態(tài)分類模型，采用網(wǎng)格搜索法通過(guò)懲罰系數(shù)與gamma參數(shù)調(diào)節(jié)訓(xùn)練姿態(tài)檢測(cè)模型。使用288組數(shù)據(jù)進(jìn)行訓(xùn)練，其中自然站立姿態(tài)182組，非自然站立姿態(tài)106組。實(shí)驗(yàn)中將數(shù)據(jù)隨機(jī)打亂，80%數(shù)據(jù)作為訓(xùn)練集，20%數(shù)據(jù)作為測(cè)試集。經(jīng)測(cè)試與驗(yàn)證分析，選用懲罰系數(shù)為1、gamma為0.011訓(xùn)練的自然站立姿態(tài)檢測(cè)模型，識(shí)別準(zhǔn)確率為94.82%。

2.3 離群特征點(diǎn)優(yōu)化

為了驗(yàn)證本研究提出的離群特征點(diǎn)優(yōu)化效果，隨機(jī)抽驗(yàn)一組帶有離群特征點(diǎn)的圖像進(jìn)行誤差分析，其中點(diǎn)El、L1、B在點(diǎn)云圖中發(fā)生明顯偏移。針對(duì)這3點(diǎn)，利用1.3.6節(jié)所述的離群特征點(diǎn)的臨近區(qū)域深度替換算法，進(jìn)行測(cè)試與分析。圖11為離群特征點(diǎn)向外擴(kuò)張距離d取不同值情況下，特征點(diǎn)在點(diǎn)云圖的分布情況。圖11a為未針對(duì)離群特征點(diǎn)進(jìn)行優(yōu)化分布情況，其中點(diǎn)El、B由于深度缺失，記為0，將其轉(zhuǎn)換成世界坐標(biāo)系后，該兩點(diǎn)坐標(biāo)均為(0，0，0)；點(diǎn)L1在圖像中輕微向豬體外側(cè)偏移，該點(diǎn)對(duì)應(yīng)地面區(qū)域，由于該點(diǎn)深度與實(shí)際點(diǎn)L1深度差異明顯，導(dǎo)致轉(zhuǎn)換后的世界坐標(biāo)和實(shí)際位置相差較大。圖11b為原始圖像中離群特征點(diǎn)向外擴(kuò)張成21像素×21像素區(qū)域(d=10像素)，優(yōu)化后其特征點(diǎn)在點(diǎn)云圖位置分布，可以看出，點(diǎn)El、L1依然處于離群區(qū)域，點(diǎn)B和真實(shí)尾根測(cè)量點(diǎn)無(wú)明顯差異，經(jīng)計(jì)算該點(diǎn)與人工標(biāo)記點(diǎn)的距離為2.8 cm。圖11c為原始圖像中離群特征點(diǎn)向外擴(kuò)張成31像素×31像素區(qū)域(d=15像素)，由優(yōu)化后特征點(diǎn)在點(diǎn)云圖位置分布情況可以看出，El、L1分別與真實(shí)左耳尖、體寬左測(cè)量點(diǎn)無(wú)明顯差異，點(diǎn)B與真實(shí)尾根測(cè)量點(diǎn)有偏移，經(jīng)計(jì)算該點(diǎn)與人工標(biāo)記點(diǎn)的距離為8.1 cm。圖11d為原始圖像中離群特征點(diǎn)向外擴(kuò)張41像素×41像素區(qū)域(d=20像素)，由優(yōu)化后其特征點(diǎn)在點(diǎn)云圖位置分布情況可以看出，El、L1分別與真實(shí)左耳尖、體寬左測(cè)量點(diǎn)無(wú)明顯差異，點(diǎn)B與真實(shí)尾根測(cè)量點(diǎn)存在明顯偏移，經(jīng)計(jì)算該點(diǎn)與人工標(biāo)記點(diǎn)的距離為10.4 cm。

圖11 不同擴(kuò)張范圍下離群特征點(diǎn)優(yōu)化后的點(diǎn)云圖

試驗(yàn)結(jié)果發(fā)現(xiàn)，d取不同值時(shí)，結(jié)果存在很大差異。d過(guò)小，無(wú)法在擴(kuò)張區(qū)域找到符合豬體深度范圍的深度；d過(guò)大，造成優(yōu)化后的位置與真實(shí)位置差異較大。為進(jìn)一步優(yōu)化離群特征點(diǎn)，采用d值動(dòng)態(tài)調(diào)節(jié)方法，從d=1像素開(kāi)始進(jìn)行計(jì)算，對(duì)于每一個(gè)離群特征點(diǎn)，若擴(kuò)張后矩形區(qū)域無(wú)法找到符合豬體深度范圍的非零最小值，則d值加1像素，直到找到符合豬體深度范圍的深度數(shù)據(jù)為止，表2為手動(dòng)標(biāo)記點(diǎn)與動(dòng)態(tài)調(diào)整后離群點(diǎn)結(jié)果對(duì)比表。手動(dòng)標(biāo)記特征點(diǎn)結(jié)果與動(dòng)態(tài)調(diào)節(jié)離群特征點(diǎn)分布如圖12所示。

表2 手動(dòng)標(biāo)記點(diǎn)與動(dòng)態(tài)調(diào)整后離群點(diǎn)結(jié)果對(duì)比

圖12 手動(dòng)標(biāo)記特征點(diǎn)與動(dòng)態(tài)調(diào)節(jié)離群特征點(diǎn)對(duì)比圖

本研究采取動(dòng)態(tài)調(diào)節(jié)d值方式對(duì)離群特征點(diǎn)進(jìn)行測(cè)試，經(jīng)過(guò)優(yōu)化后離群特征點(diǎn)及骨架模型如圖13所示。

圖13 豬只特征點(diǎn)與骨架3D圖

2.4 體尺測(cè)量測(cè)試

為了驗(yàn)證本研究方法有效性，對(duì)日齡40～70 d長(zhǎng)白豬進(jìn)行現(xiàn)場(chǎng)測(cè)試，共采集140組RGB-D圖像數(shù)據(jù)用于測(cè)試。部分體尺測(cè)量結(jié)果如圖14所示，結(jié)果顯示，在DeepLabCut 關(guān)鍵點(diǎn)置信度設(shè)置為0.6時(shí)，基于DeepLabCut算法的特征點(diǎn)檢測(cè)算法均可檢測(cè)豬只背部圖像的10個(gè)特征點(diǎn)。

圖14 豬只體尺測(cè)量結(jié)果

表3為部分豬只實(shí)際體尺與預(yù)測(cè)體尺數(shù)據(jù)及誤差，經(jīng)計(jì)算體長(zhǎng)、體寬、體高、臀寬、臀高的均方根誤差分別為1.79、1.07、0.72、1.25、1.46 cm；由計(jì)算結(jié)果可知均方根誤差不大于1.79 cm，符合體尺測(cè)量誤差要求。體寬、臀寬均方根誤差不大于1.25 cm，但這兩項(xiàng)參數(shù)基數(shù)較小，其誤差與體長(zhǎng)、體高及臀高相比誤差略大。在上述試驗(yàn)環(huán)境下測(cè)試，體尺測(cè)量處理時(shí)間每幀為0.27 s，符合在線測(cè)量應(yīng)用要求。

表3 實(shí)際測(cè)量結(jié)果與算法計(jì)算結(jié)果對(duì)比

3 結(jié)論

(1)針對(duì)豬只體尺測(cè)量位置特征與數(shù)據(jù)集規(guī)模程度，選取DeepLabCut算法進(jìn)行10個(gè)主干網(wǎng)絡(luò)模型訓(xùn)練與分析，經(jīng)驗(yàn)證選用EfficientNet-b6網(wǎng)絡(luò)模型作為豬只背部特征點(diǎn)提取的最優(yōu)模型。

(2)使用離群特征點(diǎn)臨近區(qū)域深度數(shù)據(jù)替換算法進(jìn)行動(dòng)態(tài)優(yōu)化，有效解決了深度數(shù)據(jù)缺失與不合理問(wèn)題。

(3)通過(guò)現(xiàn)場(chǎng)真實(shí)環(huán)境測(cè)試，本文算法適用于部署在邊緣計(jì)算單元實(shí)現(xiàn)豬只體尺實(shí)時(shí)精準(zhǔn)測(cè)量的各項(xiàng)體尺參數(shù)，各項(xiàng)體尺數(shù)據(jù)均方根誤差不大于1.79 cm，體尺測(cè)量處理時(shí)間每幀為0.27 s。