基于深度学习和图像处理的马体尺测量设计

发布时间：2021-02-26 18:30

　　以伊犁马为研究对象,通过马场图像采集、实地测量,完成了马体尺测量中关键技术的研究。基于YOLACT实例分割技术,在MS-COCO数据集完成马体与背景的快速、高性能分割;采用边缘检测Canny算子对分割后的图像进行轮廓提取;在获取的马体轮廓上,对比动物特征点的Harris角点检测算法,提出动态网格的测点标定方法,完成马体尺特征点的数据标定,同时部分解决了马体站姿与摄像头不平行带来的体长修正问题;比较Regress及Polynomial的多元线性回归方式,量化、完成马体尺数据中胸围、管围的数据拟合及三维预测,并以像素为640*480两匹伊犁马体图像为例,获得了体尺测量结果。结果表明,基于深度学习和图像测量技术,可有效进行伊犁马体尺的自动测量并将其误差控制在较小范围之间,就大体型动物的体尺测量技术而言,该研究具备范例参考意义。 

【文章来源】：计算机技术与发展. 2020,30(11)

【文章页数】：6 页

【部分图文】：

马体的实例分割

在YOLACT目标检测的前端网络中,低层的特征图信息量较少,但其特征图较大,适于检测目标位置准确且容易识别的一些小的物体;高层特征图信息量比较丰富,但是目标位置较为粗略,因此小物体的检测性能急剧下降。为了提高检测精度,YOLACT的网络前端借鉴Mask RCNN[6]中采用的FPN[7]的网络结构,构建一个自底向上的线路,如C1、C2、C3、C4、C5;一个自顶向下的线路,如P7、P6、P5、P4、P3以及对应层的链接,如图2所示。其中底层的特征图用于检测较小的目标,而顶层的特征图则用于检测较大的目标,对单目标的伊犁马体图像检测而言,其顶层特征图的检测性能要求相对较高。

体尺测点的标定

【参考文献】：
期刊论文
[1]基于Sobel边缘检测的圆周Harris角点检测算法[J]. 董立红,彭业勋,符立梅.  西安科技大学学报. 2019(02)
[2]基于3D的马体尺测量及数据修正方法设计[J]. 张婧婧,李勇伟.  江苏农业科学. 2018(21)
[3]基于机器视觉的马体尺测量系统设计与研究[J]. 张婧婧,李勇伟.  计算机测量与控制. 2017(12)
[4]基于Canny算子改进的边缘检测算法[J]. 王文豪,姜明新,赵文东.  中国科技论文. 2017(08)
[5]基于Kinect传感器的羊体体尺测量方法[J]. 赵建敏,赵忠鑫,李琦.  江苏农业科学. 2015(11)



本文编号：3052992