一种基于深度相机的体重预估方法、系统及终端与流程

1.本发明属于体重数据识别技术领域，尤其涉及一种基于深度相机的体重预估方法、系统及终端。


背景技术：

2.猪的体重是生猪养殖过程中的核心指标，贯穿猪只的饲喂、育肥、生产、销售全过程。但是猪的体重数据获取难度大，首先磅秤笨重、操作不便、成本高，无法做到灵活多点位部署，导致猪只测重困难，而且频繁赶猪“有接触”测重增加猪只染病风险，操作过程中容易造成猪只甚至猪群的应激反应，影响猪只生长。
3.通过上述分析，现有技术存在的问题及缺陷为：
4.(1)现有技术在生猪养殖中，因获得实时数据准确度低，不能根据猪只在不同的生长阶段需要换不同种类饲料，不能及时掌握猪在每个生长阶段的体重数据，及时加以干预。
5.(2)现有技术中，不能根据市场需求，对猪重区间进行精准分级，不能为企业提供有效的数据支持。
6.(3)现有技术没有和智能饲喂系统结合，使得精准喂料的效果比较差。


技术实现要素：

7.为克服相关技术中存在的问题，本发明公开实施例提供了一种基于深度相机的体重预估方法、系统及终端。
8.所述技术方案如下：基于深度相机的体重预估方法包括以下步骤：
9.采集rgb样本图像和体重测算图像以及深度图像，对所述rgb样本图像中的被测对象背部位置进行标注；
10.根据标注的被测对象背部位置训练特征检测模型，并利用所述特征检测模型确定rgb体重测算图像中的被测对象背部位置，再确定深度图像中被测对象背部的平均深度信息；
11.对所述rgb体重测算图像和深度图像加载到分类模型前的预处理以及归一化处理中；
12.根据归一化的rgb体重测算图像信息、深度信息以及获取到的真实被测对象重量信息训练重量分类模型；
13.根据所述重量分类模型预测新的rgb图像与深度图像对应的被测对象体重。
14.在一个实施例中，所述根据标注的被测对象背部位置训练特征检测模型，并利用所述特征检测模型确定rgb体重测算图像中的被测对象背部位置，具体包括：
15.获取所述rgb样本图像中所述被测对象背部的候选区域；
16.利用多层卷积神经网络提取所述候选区域的特征；
17.根据提取的特征确定所述rgb体重测算图像为候选区域；
18.利用soft-nms算法对所述候选区域进行筛选，得到所述rgb体重测算图像中的被
测对象背部区域。
19.在一个实施例中，所述利用多层卷积神经网络提取所述候选区域的特征具体包括：
20.将获取的rgb样本图像输入到旋转目标检测网络，所述旋转目标检测网络包括：backbone模块、neck模块、prediction模块，在所述旋转目标检测网络中，图像经过backbone模块处理后，得到输入图像的特征信息，经过neck模块处理后，对所述backbone模块获取的特征进行提取融合；经过prediction模块处理后，根据特征最终确定检测目标候选区域分类为背部候选区域；
21.所述backbone模块为focus结构加csp1_x结构特征提取框架，用于对图像的特征进行提取；所述focus结构包括切片操作以及32个卷积核，切片操作是将图像层分成多片小块操作，进行后续特征提取；所述csp1_x结构包括多个cbm模块与多个残差组件，cbm模块包括卷积层、批量标准化层以及mish激活函数；
22.所述neck模块为空间金字塔池化spp、路径聚合网络panet和csp2_x结构，用于增加感受野以及收集组合目标特征；所述空间金字塔池化spp结构多尺度特征融合送入全连接层，所述路径聚合网络panet增加由下到上的金字塔特征，提取所有特征层信息的自适应池化层；
23.所述prediction模块使用ciou_loss作边界框的损失函数，并在predicition模块中预测目标框中心坐标x，y与长宽w，h的基础上增添了旋转角度信息，用于使目标检测框贴合被测对象轮廓；所述ciou_loss基于diou_loss进行改进，用于对预测的矩形形状和真实框不一致的结果进行惩罚，通过公式(1)检测效果；
[0024][0025][0026]
其中，iou是预测框与真实框的交集与并集之比，v为新加的惩罚因子，包含了要预测的框宽w和框高h，distance_2是两个框中心点的距离，distance_c是覆盖两个框的最小封闭矩形的对角线长度。
[0027]
在一个实施例中，经过所述旋转目标检测网络处理后，对所述候选区域利用soft-nms算法软式非极大抑制方法进行筛选；所述soft-nms算法处理拥挤目标，图像根据模型分类器得到同一目标的多个检测框，将检测框按得分排序，并保留得分最高的框，同时降低与该框重叠面积，再根据置信度阈值剔除多余框，同时增加对旋转矩形的支持，最终将目标被测对象背部的检测框识别出来。
[0028]
在一个实施例中，所述确定深度图像中被测对象背部的平均深度信息中，根据rgb体重测算图像中被测对象的区域坐标点信息，映射到深度信息图像上，根据背部区域坐标信息计算深度信息图背部区域平均深度信息；
[0029]
深度摄像头根据公式(2)，用视差矩阵计算被测对象背部每个像素点到深度摄像头的距离信息：
[0030][0031]
其中，distance为深度摄像头到被测对象背部距离信息，f为深度摄像头相机的焦距信息，焦距信息位像素距离；b为双目相机之间的距离信息；disparity为视差矩阵；
[0032]
根据公式(3)计算平均深度信息：
[0033][0034]
其中，vg_distance为平均深度信息；all_pix_distance为被测对象背部区域所有像素距离值之和，pix_num为被测对象背部区域像素数。
[0035]
在一个实施例中，对所述rgb体重测算图像和深度图像加载到分类模型前的预处理以及归一化处理中，具体包括：
[0036]
(1)根据被测对象背部区域深度信息和预设归一化深度信息值，将裁剪出来图像的宽高信息根据实际深度和归一化深度值按比例根据公式(4)进行缩放；
[0037][0038]
其中，pic为缩放后的被测对象背部图像像素值；depth为被测对象背部平均区域深度信息值；pic为裁剪出来的图像宽度像素值；depth为归一化的深度信息值；
[0039]
(2)裁剪被测对象背部区域的图像并进行图像填充；
[0040]
根据缩放的图像大小，按照预设的图像比例进行补全，如公式(5)和公式(6)；
[0041]
w_add＝w-w
ꢀꢀ
(5)
[0042]
其中，w_add为需要填充的宽度像素数，w为预设图像宽度像素数，w为背部区域宽度像素数，图像左右两端分别增加w_add/2；
[0043]
h_add＝h-h
ꢀꢀ
(6)
[0044]
其中，h_add为需要填充的高度像素数，h为预设图像高度像素数，h为背部区域高度像素数，图像上下两端分别增加h_add/2。
[0045]
在一个实施例中，所述根据归一化的rgb体重测算图像信息、深度信息以及获取到的真实被测对象重量信息包括：将处理后的背部图像输入到训练好的重量分类模型中，对背部图像的重量类别进行预测，模型输出重量类别标签，从而得到处理后的背部图像的重量分类结果。
[0046]
在一个实施例中，所述训练重量分类模型包括以下步骤：
[0047]
s1，获取不同生长阶段的被测对象背部图像数据集；将数据集中不同生长阶段的被测对象背部图像进行分级处理，将数据集中图像数据根据重量信息划分到不同类别当中；对每一类中数据按照6:2:2的比例进行划分，划分为训练集，验证集和测试集；
[0048]
s2，使用重量分类模型进行学习，将训练集数据输入网络进行特征提取，得到特征向量，具体包括：使用卷积层对训练集数据进行浅层特征提取，得到浅层特征；使用池化层对浅层特征进行最大池化，通过最大值方式减少数据量，将输入图像划分为若干矩形区域，对每个矩形区域输出最大值；进行批处理归一化，使用relu作为神经元激活函数，由softmax分类器输出特征向量；
[0049]
s3，用分类器对提取到的特征向量进行重量类别的概率预测，得到重量分类概率；
[0050]
s4，根据训练集类别标签的概率计算损失函数，通过反向传播算法进行迭代训练；损失函数及反向传播过程包括：输入的被测对象背部图像经过预训练网络进行特征提取后得到特征向量，使用softmax分类器对特征向量分类；对照重量类别标签，采用交叉熵损失函数，根据损失函数和随机梯度下降的优化器进行反向传播，进行迭代训练；
[0051]
s5，等模型训练完成，得到训练好的重量分类模型，将从背部数据集中分类出来的测试集中的数据输入到重量分类模型，利用训练好的重量分类模型以及分类器得出的重量标签，得出测试图片中重量分类模型预测结果；服务器将处理终端返回的背部图像作为体重分类模型的输入图像，体重分类模型将检测结果返回到处理终端展示给用户。
[0052]
本发明的另一目的在于提供一种实施所述基于深度相机的体重预估方法的系统，该基于深度相机的体重预估系统包括：
[0053]
样本图像采集模块，用于采集rgb样本图像和体重测算图像以及相应的深度图像，对所述rgb样本图像中的背部位置进行标注；
[0054]
背部位置确定模块，用于根据所述rgb样本图像的背部位置训练被测对象背部的特征检测模型；利用所述特征检测模型确定所述rgb体重测算图像中被测对象的背部位置；
[0055]
背部平均深度信息确定模块，用于根据处理后的rgb体重测算图像背部位置确定深度图像中被测对象背部的平均深度信息；
[0056]
深度图像处理模块，用于对所述rgb体重测算图像和深度图像进行加载到分类模型前的预处理以及归一化处理；
[0057]
真实重量信息获取与训练模块，用于根据背部归一化的rgb图像信息、深度信息以及获取到的真实重量信息训练被测对象重量分类模型；
[0058]
体重获取模块，用于根据重量分类模型便可预测新的rgb图像与深度图像对应的被测对象体重。
[0059]
本发明的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述基于深度相机的体重预估方法。
[0060]
结合上述的所有技术方案，本发明所具备的优点及积极效果为：
[0061]
第一、针对上述现有技术存在的技术问题以及解决该问题的难度，紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等，详细、深刻地分析本发明技术方案如何解决的技术问题，解决问题之后带来的一些具备创造性的技术效果，本发明通过无接触式的ai估重有效解决了背景技术存在的问题。本发明提供的基于深度相机的体重预估方法在生猪养殖中，对于猪只在不同的生长阶段实时更换了换不同种类饲料，及时掌握了猪在每个生长阶段的体重数据，及时进行了干预。
[0062]
第二、把技术方案看作一个整体或者从产品的角度，本发明所要保护的技术方案具备的技术效果和优点，具体描述如下：对于市场所需求的猪重不一样，根据需求的猪重区间，对猪重进行了精准分级，有效提高了企业利润，同时避免被屠宰场退货和压价的情况。本发明和智能饲喂系统结合，精准喂料，达到了良好效果。
[0063]
第三、作为本发明的权利要求的创造性辅助证据，还体现在以下几个重要方面：
[0064]
(1)本发明将极大的减少猪只磅秤称重的时间成本，省去了赶猪上称等步骤，同时极大降低了人员给猪只称重的操作难度，变相降低了人员培训成本，解决了接触式称重猪
只应激反应造成的操作困难等问题；本发明的技术应用可以改变猪只领域称重的方式，对猪只产业新旧动能的转变有十分积极的影响，在80％以上的场景上对传统磅秤形成替代，同时基于相同原理，也可以对羊、牛等其他较大体积生物进行测重。
[0065]
(2)本发明对猪只称重方式的革新一直是国内外共同研讨的问题。摆脱直接磅秤称重的限制不仅能降低时间、人力等各方面成本，还能有效降低直接接触猪只造成的猪疫传播风险。基于深度相机体重预估很好的填补国内外业内在非接触式猪重预估方面的技术空白，可推广性较强。
[0066]
(3)本发明解决了根据猪背图像就能成功预估出猪只体重的技术难题。
附图说明
[0067]
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
[0068]
图1是本发明实施例提供的基于深度相机的体重预估方法流程图；
[0069]
图2是本发明实施例提供的空间金字塔池化spp结构图；
[0070]
图3是本发明实施例提供的路径聚合网络panet图；
[0071]
图4是本发明实施例提供的猪只深度图像；
[0072]
图5是本发明实施例提供的深度摄像头拍摄场景图；
[0073]
图6是本发明实施例提供的重量分类模型训练过程图；
[0074]
图7是本发明实施例提供的基于深度相机的猪只体重预估系统示意图；
[0075]
图中：1、样本图像采集模块；2、背部位置确定模块；3、背部平均深度信息确定模块；4、深度图像处理模块；5、真实重量信息获取与训练模块；6、体重获取模块。
具体实施方式
[0076]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其他方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施的限制。
[0077]
一、解释说明实施例：
[0078]
实施例1
[0079]
如图1所示，本发明实施例提供的基于深度相机的体重预估方法，被测对象以猪的生长为例，具体包括以下步骤：
[0080]
s101，采集rgb样本图像和体重测算图像以及相应的深度图像，即每一张rgb体重测算图像都有其相应的深度图像；对所述rgb样本图像中的猪只背部位置进行标注，一般是以俯视角度，标注从猪尾根部到耳廓中间。
[0081]
s102，根据所述rgb样本图像的所述猪只背部位置训练猪只背部的特征检测模型；利用所述特征检测模型确定所述rgb体重测算图像中的猪只背部位置；
[0082]
s103，根据处理后的rgb体重测算图像猪只背部位置确定深度图像中猪只背部的平均深度信息；
[0083]
s104，对所述rgb体重测算图像和深度图像进行加载到分类模型前的预处理以及
归一化处理；
[0084]
s105，根据所述猪只背部归一化的rgb图像信息、深度信息以及获取到的真实猪重量信息训练猪只重量分类模型；
[0085]
s106，根据所述猪只重量分类模型便可预测新的rgb图像与深度图像对应的猪只体重。
[0086]
实施例2
[0087]
基于实施例1提供的基于深度相机的体重预估方法，进一步地，在步骤s102中所述根据所述rgb样本图像的所述猪只背部位置训练猪只背部的特征检测模型；利用所述特征检测模型确定所述rgb体重测算图像中的猪只背部位置具体包括：
[0088]
获取所述rgb样本图像中所述猪只背部的候选区域；
[0089]
利用多层卷积神经网络提取所述候选区域的特征；
[0090]
根据提取的特征确定所述rgb体重测算图像为猪只背部的候选区域；
[0091]
对所述猪只背部候选区域利用soft-nms进行筛选，得到所述rgb体重测算图像中的猪只背部区域。
[0092]
实施例3
[0093]
基于实施例2提供的基于深度相机的体重预估方法，进一步地，利用多层卷积神经网络提取所述候选区域的特征具体包括：
[0094]
将获取的rgb样本图像输入到旋转目标检测网络，所述旋转目标检测网络包括backbone模块、neck模块、prediction模块，所述backbone模块为focus结构加csp1_x结构特征提取框架，用于对图像的特征进行提取，所述neck模块为空间金字塔池化spp、路径聚合网络panet加csp2_x结构，用于增加感受野以及收集组合目标特征；所述prediction模块使用了ciou_loss做边界框的损失函数，并在prediction模块中预测目标框中心坐标x，y与长宽w，h的基础上增添了旋转角度信息，用于使目标检测框贴合猪只轮廓。
[0095]
实施例4
[0096]
基于实施例3提供的基于深度相机的体重预估方法，进一步地，所述focus结构包括切片操作以及32个卷积核，切片操作即将图像层分成多片小块操作，方便后续特征提取；所述csp1_x结构包括多个cbm模块与多个残差组件，cbm模块包括卷积层、批量标准化层以及mish激活函数；所述空间金字塔池化spp结构如图2所示可以多尺度特征融合送入全连接层；
[0097]
路径聚合网络panet如图3所示，其增加了由下到上的金字塔特征，提取所有特征层信息的自适应池化层，有利于图像目标更高精度的定位；所述ciou_loss是在diou_loss(使用真实框与预测框的欧式距离作为惩罚项)，进行改进，添加了相对比例，用于对预测的矩形形状和真实框不一致的结果进行惩罚，如公式(1)所示使得检测效果更进一步。
[0098][0099][0100]
其中，iou是预测框与真实框的交集与并集之比，v为新加的惩罚因子，包含了要预
测的框宽w和框高h，distance_2是两个框中心点的距离，distance_c是覆盖两个框的最小封闭矩形的对角线长度。
[0101]
实施例5
[0102]
基于实施例3提供的基于深度相机的体重预估方法，进一步地，在所述旋转目标检测网络中，图像经过backbone模块处理后，得到输入图像的特征信息；经过neck模块处理后，对所述backbone模块获取的特征进行提取融合；经过prediction模块处理后，根据特征最终确定检测目标候选区域分类为猪只背部候选区域。
[0103]
实施例6
[0104]
基于实施例3提供的基于深度相机的体重预估方法，在经过所述旋转目标检测网络处理后，对所述猪只背部候选区域利用soft-nms软式非极大抑制方法进行筛选。所述soft-nms是对基础nms的升级，可以更好地处理拥挤目标，图像根据模型分类器得到同一目标的多个检测框，将检测框按得分排序，并保留得分最高的框，同时降低与该框重叠面积大于一定比例其它框的置信度，再根据置信度阈值剔除多余框；同时增加了对旋转矩形的支持。最终可将目标猪只背部的检测框更好地识别出来。
[0105]
实施例7
[0106]
基于实施例1提供的基于深度相机的体重预估方法，在步骤s103根据处理后的rgb体重测算图像猪只背部位置确定深度图像中猪只背部的平均深度信息中，根据rgb体重测算图像中猪背区域坐标点信息，将其映射到深度信息图像上。根据猪只背部区域坐标信息计算深度信息图猪只背部区域平均深度信息，如图4猪只深度图像所示。
[0107]
深度摄像头根据公式(2)，用视差矩阵计算猪只背部每个像素点到深度摄像头的距离信息：
[0108][0109]
其中，distance为深度摄像头到被测对象背部距离信息，f为深度摄像头相机的焦距信息，焦距信息位像素距离；b为双目相机之间的距离信息；disparity为视差矩阵；深度摄像头拍摄场景如图5所示。
[0110]
根据公式(3)计算平均深度信息：
[0111][0112]
其中，vg_distance为平均深度信息；all_pix_distance为被测对象背部区域所有像素距离值之和，pix_num为被测对象背部区域像素数。
[0113]
实施例8
[0114]
基于实施例1提供的基于深度相机的体重预估方法，在步骤s104对所述rgb体重测算图像和深度图像进行加载到分类模型前的预处理以及归一化处理中，具体包括：
[0115]
根据猪背区域深度信息和预设归一化深度信息值，将裁剪出来图像的宽高信息根据实际深度和归一化深度值按比例根据公式(4)进行缩放；
[0116][0117]
其中，pic为缩放后的被测对象背部图像像素值；depth为被测对象背部平均区域
深度信息值；pic为裁剪出来的图像宽度像素值；depth为归一化的深度信息值。
[0118]
实施例9
[0119]
基于实施例8提供的基于深度相机的体重预估方法，裁剪图像的猪只背部区域并进行图像填充，具体包括：
[0120]
根据缩放的图像大小，按照预设的图像比例进行补全，见公式(5)、公式(6)。
[0121]
w_add＝w-w
ꢀꢀ
(5)
[0122]
其中，w_add为需要填充的宽度像素数，w为预设图像宽度像素数，w为背部区域宽度像素数，图像左右两端分别增加w_add/2；
[0123]
h_add＝h-h
ꢀꢀ
(6)
[0124]
其中，h_add为需要填充的高度像素数，h为预设图像高度像素数，h为背部区域高度像素数，图像上下两端分别增加h_add/2。
[0125]
实施例10
[0126]
基于实施例1提供的基于深度相机的体重预估方法，在步骤s105中根据所述猪只背部归一化的rgb图像信息、深度信息以及获取到真实猪重量信息包括：将处理后的猪背图像输入到训练好的猪只重量分类模型中，对猪背图像的重量类别进行预测，模型输出猪只重量类别标签，从而得到处理后的猪背图像的重量分类结果。
[0127]
实施例10
[0128]
如图6所示，基于实施例1提供的基于深度相机的体重预估方法，在步骤s105中所述的重量分类模型训练过程包括以下步骤：
[0129]
s601，获取不同生长阶段的猪只背部图像数据集。
[0130]
将数据集中不同生长阶段的猪只背部图像进行分级处理，根据日龄将猪只分为0天-60天，60天-120天，120天-180天。保证各等级中的个体之间体型相近。在各等级内部根据重量信息每0.5千克划分一类，将数据集中图像数据根据重量信息划分到不同类别当中。对每一类中数据按照6:2:2的比例进行划分，划分为训练集，验证集和测试集。
[0131]
s602，使用猪只重量分类模型进行学习，将训练集数据输入网络进行特征提取，得到特征向量；
[0132]
首先使用卷积层对训练集数据进行浅层特征提取，得到浅层特征；
[0133]
使用池化层对浅层特征进行最大池化，通过最大值方式减少数据量，将输入图像划分为若干矩形区域，对每个矩形区域输出最大值；
[0134]
进行批处理归一化，使用relu作为神经元激活函数，由softmax分类器输出特征向量；
[0135]
s603，用分类器对提取到的特征向量进行猪只重量类别的概率预测，得到重量分类概率；
[0136]
s604，根据训练集类别标签的概率计算损失函数，通过反向传播算法进行迭代训练。
[0137]
损失函数及反向传播过程为：输入的猪背图像经过预训练网络进行特征提取后得到特征向量，使用softmax分类器对特征向量分类。对照重量类别标签，采用交叉熵损失函数，根据损失函数和随机梯度下降的优化器进行反向传播，进行迭代训练。
[0138]
s605，等模型训练完成，得到训练好的猪只重量分类模型。
[0139]
训练好猪只重量分类模型后，将从猪背数据集中分类出来的测试集中的数据输入到猪只重量分类模型，利用训练好的猪只重量分类模型以及分类器得出的猪只重量标签，从而得出测试图片中猪只重量分类模型预测结果。
[0140]
服务器将处理终端返回的猪背图像作为猪只体重分类模型的输入图像，猪只体重分类模型将检测结果返回到处理终端展示给用户。
[0141]
实施例11
[0142]
如图7所示，本发明实施例提供的基于深度相机的猪只体重预估系统包括以下步骤：
[0143]
样本图像采集模块1，用于采集rgb样本图像和体重测算图像以及相应的深度图像，即每一张rgb体重测算图像都有其相应的深度图像；对所述rgb样本图像中的猪只背部位置进行标注，一般是以俯视角度，标注从猪尾根部到耳廓中间。
[0144]
背部位置确定模块2，用于根据所述rgb样本图像的所述猪只背部位置训练猪只背部的特征检测模型；利用所述特征检测模型确定所述rgb体重测算图像中的猪只背部位置；
[0145]
背部平均深度信息确定模块3，用于根据处理后的rgb体重测算图像猪只背部位置确定深度图像中猪只背部的平均深度信息；
[0146]
深度图像处理模块4，用于对所述rgb体重测算图像和深度图像进行加载到分类模型前的预处理以及归一化处理；
[0147]
真实重量信息获取与训练模块5，用于根据所述猪只背部归一化的rgb图像信息、深度信息以及获取到的真实猪重量信息训练猪只重量分类模型；
[0148]
体重获取模块6，用于根据所述猪只重量分类模型便可预测新的rgb图像与深度图像对应的猪只体重。
[0149]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0150]
上述装置/单元之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
[0151]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0152]
二、应用实施例：
[0153]
本发明应用实施例还提供了一种计算机设备，该计算机设备包括：至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。
[0154]
本发明应用实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现上述各个方法实施例中的步
骤。
[0155]
本发明应用实施例还提供了一种信息数据处理终端，所述信息数据处理终端用于实现于电子装置上执行时，提供用户输入接口以实施如上述各方法实施例中的步骤，所述信息数据处理终端不限于手机、电脑、交换机。
[0156]
本发明应用实施例还提供了一种服务器，所述服务器用于实现于电子装置上执行时，提供用户输入接口以实施如上述各方法实施例中的步骤。
[0157]
本发明实施例提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行时可实现上述各个方法实施例中的步骤。
[0158]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器、随机存取存储器、电载波信号、电信信号以及软件分发介质。例如u盘、移动硬盘、磁碟或者光盘等。
[0159]
三、实施例相关效果的证据：
[0160]
本发明实施例提供的基于深度相机的体重预估方法及系统，协助1500头生猪养户在卖猪之前对猪只重量进行快速分级，正常将1500头猪进行精准称重至少需要养户工作15天，而且大重量肥猪在驱赶上磅过程中极易应激受伤，因此养户普遍采用目视估重方法对猪进行分级；而使用此设备可以在一天之内对猪只进行分级标记，且对猪只生长无害；将猪按照20公斤划挡进行精准售卖，提高利润13％。不同屠宰场对收猪重量有要求，根据用途不同，比如熟肉加工、白条等所需要猪重不同，价格也相差很大。
[0161]
本发明实施例提供的基于深度相机的体重预估方法及系统，协助南方畜牧企业使用该设备对所属代养养户进行猪只重量监控，每户随机挑选十头猪进行称重跟踪，技术员一天就可以将所管辖区数十养户进行测重，通过系统与标准猪只生长曲线以及区域平均生长曲线对比，发现有养户生猪增长低于预期，经调查发现养户偷卖饲料行为，帮助企业节约资产损失。
[0162]
以上所述，仅为本发明较优的具体的实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。