本发明涉及畜牧设施，尤其涉及一种基于关键点回归的单阶段生猪体尺信息快速检测方法。
背景技术：
1、猪肉是当前全球消费最为广泛的肉类，提高生猪品质和增加产肉量对促进生猪产业的发展至关重要。已有研究表明，通过对生猪体尺信息进行参数分析，可以有效预测猪体体况，深入了解其采食状态。通过精确控制饲料配比和用量，提高饲料的转化率，显著提升养殖场的经济效益。此外，生猪体尺信息性状具有遗传特性，通过监测生猪体尺信息选择优质基因的种猪，有助于推动种猪产业的进一步发展。传统生猪体尺信息检测方法不仅劳动强度大而且会让生猪产生应激反应，这不仅影响生猪的正常采食量，严重情况下可能导致生猪死亡。因此开发一种生猪体尺信息参数快速无损检测方法尤为重要。
2、过去的研究中，生猪体尺信息检测主要采用传统图像处理方法：通过基于包络分析的猪体头部与尾部的去除算法，去除猪体弯曲姿态的猪体，提取包络线与猪体的切点作为关键点。以及采用骨骼化算法结合霍夫变换算法来检测猪体头部是否歪斜，从而选取理想姿态的猪体背部图像进行体尺测量。然而，在上述研究中，使用了传统图像识别技术来识别猪体背部关键点坐标。尽管准确度相对较高，但这些方法仅适用于单一场景下猪体关键点提取。当环境光线发生变化或猪体皮肤受污垢影响时，检测精度可能会显著下降。
3、现有研究中，生猪体尺信息检测方法主要采用深度学习技术预测关键点位置。例如，首先使用yolov5目标检测模型识别猪体姿势，再使用基于热力图的hrst关键点预测模型用于预测猪体关键点位置坐标，实现对生猪的体尺测量。在基于深度学习的生猪体尺信息检测算法中，通常使用了两种模型，即分类模型和关键点检测模型。尽管两阶段的体尺检测方法提高了检测精度，但却对计算资源需求较大，难以有效地将算法部署到边缘计算设备中，而单阶段基于热力图的hrst关键点预测模型忽略了关键点之间的线性关系，导致检测精度不能进一步提升。因此本发明提出一种基于关键点回归的单阶段生猪体尺信息快速检测方法。
技术实现思路
1、本发明的目的是为了克服两阶段检测算法不能实时检测与单阶段关键点检测算法精度低的问题，提供一种基于关键点回归的单阶段生猪体尺信息快速检测方法。
2、本发明的目的是这样实现的：
3、使用采集到的生猪背部图像数据，训练基于yolov8-pose的生猪姿态分类与体尺检测模型，通过增加关键点线性回归模型提升关键点检测精度，并将模型部署到边缘计算设备中；再利用推理深度相机采集到的生猪背部rgb图像实时预测生猪背部关键点像素坐标，根据深度图像得到关键点世界坐标从而得到生猪体尺信息，最终实现生猪体尺信息的自动检测。
4、具体地说，其步骤如下：
5、①数据采集：搭建生猪限位栏装置，所述装置上方安装有rbg相机，当生猪完全进入限位栏装置后，采集生猪背部无遮挡rgb图像；
6、②数据集制作：采集得到的猪体背部图像被划分为自然站立姿势与非自然站立姿势，使用标注软件labelme，对生猪背部的关键点位置与姿势进行标注；：
7、③创建数据集的配置文件：将生猪的站立姿势以及关键点信息写入配置文件中，作为同时对模型进行关键点检测与目标分类训练的基础条件；：
8、④添加关键点回归模型：通过将特征提取网络提取到的关键点坐标做线性回归，增加关键点预测的准确性；
9、⑤yolov8-pose模型训练：使用制作完成的数据集训练改进后的yolov8-pose模型，得到猪体姿势分类与关键点检测精度高的实时检测模型；：
10、⑥模型评估：使用模型推理测试集图片，将预测得到测试集上关键点坐标与测试集上真实关键点坐标计算欧氏距离误差评估模型精度；：
11、⑦模型部署：将模型部署到jetson orin nx开发板，实现模型在嵌入式设备上实时推理；
12、⑧图像配准：将深度图像与rgb图像进行配准，通过检测到的关键点像素坐在与深度图像中对应像素坐标的深度值，得到猪体的臀高、肩高以及体高；
13、⑨坐标转换：根据成像原理将像素坐标转换为世界坐标，通过计算世界坐标的两点之间的距离得到猪的体长、臀宽与肩宽数据。
14、所述的步骤④为：
15、图像经过主干特征提取网络与特征融合层会得到根据图像特征提取到的关键点的位置坐标，将得到的关键点坐标输入至mlp模型当中，对各个关键点线性回归运算，学习关键点之间的线性关系，提升模型精度；通过在mlp模型中引入非线性激活函数silu激活函数与多层次回归运算，使得神经网络能够更灵活地学习建模复杂的非线性关系，适应不同尺度的信息，实现端到端训练，有助于有效地捕捉和表示目标的关键点位置，进而提升对关键点位置的准确预测的准确度。
16、所述的步骤⑥为：
17、使用已经训练完成的基于关键点回归的单阶段生猪关键点预测模型，推理测试集中的图片，得到文本格式的关键点预测的标签文件，并将图片的名字保存为对应的标签名字；利用python程序同时读取每一张图片的预测关键点坐标与真实关键点坐标，通过计算得到关键点的欧式距离误差，误差越小说明模型的精度越高，其中关键点欧氏距离误差计算公式如下：
18、
19、l：真实点与预测点之间的欧式距离
20、(x1，y1)：真实点像素坐标(x2，y2)：预测点像素坐标
21、所述的步骤⑦为：
22、a、jetson orin nx开发板中安装ubuntu20.04系统作为底层基础环境；
23、b、在ubuntu20.04系统安装python3.8解释器，并在python3.8解释器中配置torch2.0.0+nv23.05、torchvision0.15.1、python3.8.10以及ultralytics环境，保证在windows系统中训练得到的关键点预测模型在ubuntu20.04系统中可以推理相机实时检测画面；
24、c、使用训练好的模型推理深度相机实时检测的rgb图像，得到生猪背部关键点的像素坐标，并通过计算臀部、肩部以及头部与尾部关键点之间的中心坐标得到猪体臀部中心点、肩部中心点以及腹部中心点的像素坐标。
25、所述的步骤⑧为：
26、a、利用张正友标定法求得rbg相机与ir相机内参矩阵与外参矩阵，本研究采用单目结构光相机型号为astra pro，该相机通过ir模组接收由不同距离物体反射回来的散斑得到深度图，通过内参矩阵(其中fx使用像素来描述x轴方向焦距的长度，f使用像素来描述y轴方向焦距的长度，uo与vo表示相机感光板中心点在像素坐标系下的坐标)与外参矩阵(其中r是旋转矩阵，t是平移矢量)以及世界坐标与像素坐标的转换公式，得到深度相机与rgb相机的尺度因子z；世界坐标与像素坐标的计算公式如下：
27、
28、z：尺度因子；
29、xw，yw,zw：世界坐标；
30、a、根据rbg相机与ir相机的外参矩阵与内参矩阵将rgb图像中的像素坐标与ir图像的像素坐标进进行对齐，让rgb图像中的每一个像素坐标都有一个唯一的深度值与其对应；rgb图像中的像素坐标与ir图像的像素坐标转换的具体公式如下：
31、
32、zd：ir相机的尺度因子；
33、ir相机外参的逆矩阵；
34、ir相机内参的逆矩阵；
35、zc：rbg相机尺度因子；
36、kc：rgb相机外参；
37、mc：rgb相机内参。
38、本发明具有下列优点和积极效果：
39、本发明通过添加关键点线性回归算法提升yolov8-pose算法对生猪背部关键点位置的预测精度，通过关键点检测模型实时推理rgb图像，得到关键点像素坐标，利用图像配准，得到像素坐标对应的深度值，基于成像原理将像素坐标转换为世界坐标，最终计算得到生猪体尺信息。
1.基于关键点回归的单阶段生猪体尺信息快速检测方法，其特征在于包括如下步骤：
2.根据权利要求1所述的基于关键点回归的单阶段生猪体尺信息快速检测方法，其特征在于所述的步骤④为：
3.根据权利要求1所述的基于关键点回归的单阶段生猪体尺信息快速检测方法，其特征在于所述的步骤⑥为：
4.根据权利要求1所述的基于关键点回归的单阶段生猪体尺信息快速检测方法，其特征在于所述的步骤⑦为：
5.根据权利要求1所述的基于关键点回归的单阶段生猪体尺信息快速检测方法，其特征在于所述的步骤⑧为：
