猪只怀孕检测方法、装置、设备及存储介质与流程

1.本申请涉及计算机视觉技术领域，更具体的说，是涉及一种猪只怀孕检测方法、装置、设备及存储介质。


背景技术：

2.在现代化猪场中，同时饲养的猪只数量最高可以达到几万头。能够及时准确的检测猪只怀孕对养猪场意义重大，准确快速判别猪只是否怀孕能够及时防止猪只空怀造成的饲料浪费，减少饲料成本，此外能够准确为怀孕的猪只提供一个良好的饲养方案，减少猪只的非生产天数，提高猪场的生产成绩，节约猪只饲养成本，提高猪场的收益，对猪只的健康成长和猪场的节约成本，增加收益有重大的帮助。
3.现有技术对猪只怀孕检测的手段一般包括：第一，提取猪只的晨尿加入5％的碘酒并煮沸观察颜色变化，从而判断猪只是否怀孕。第二，人工计算猪只的发情周期来判断猪只是否怀孕。第三，人工观察猪只的乳头变化和其它行为变化，来判断猪只是否怀孕。可以看出现有检测手段均脱离不开人力检测，而对面现代化猪场里几万头猪只，这种人力检测方式需要耗费大量的人力资源，加大了养猪成本投入，并且检测效率极其低下。


技术实现要素：

4.鉴于上述问题，提出了本申请以便提供一种猪只怀孕检测方法、装置、设备及存储介质，以解决现有人工检测的方式造成人力成本高，检测效率低下的问题。具体方案如下：
5.一种猪只怀孕检测方法，包括：
6.获取深度摄像头对猪只拍摄的3d点云图像；
7.从所述3d点云图像中提取猪只躯体部分的点云图像；
8.基于所述躯体部分的点云图像，确定猪只的躯体特征；
9.至少基于所述猪只的躯体特征，确定猪只是否怀孕。
10.优选地，所述从所述3d点云图像中提取猪只躯体部分的点云图像，包括：
11.基于体素滤波和条件滤波，将所述3d点云图像中猪只躯体部分分割并提取出来，得到猪只躯体部分的点云图像。
12.优选地，所述基于所述躯体部分的点云图像，确定猪只的躯体特征，包括：
13.将所述躯体部分的点云图像投影至第一平面，在所述第一平面中得到猪只躯体部分的侧面图像；
14.计算所述侧面图像的凹包边缘轮廓，并确定猪只背腰方向；
15.基于所述凹包边缘轮廓以及猪只背腰方向，在所述躯体部分的点云图像中提取背腰轮廓上的点云，并将提取的点云拟合得到猪只的背腰曲线，作为猪只的躯体特征。
16.优选地，所述确定猪只的背腰方向，包括：
17.将所述3d点云图像投影至所述第一平面，得到猪只的侧面图像；
18.在所述猪只的侧面图像中，基于猪腿位置，确定猪只腹部方向以及猪只背腰方向。
19.优选地，所述基于所述躯体部分的点云图像，确定猪只的躯体特征，还包括：
20.在所述躯体部分的点云图像中提取猪只腹部区域的点云图像；
21.基于所述猪只腹部区域的点云图像，确定猪只的腹部特征，作为猪只的躯体特征。
22.优选地，所述至少基于所述猪只的躯体特征，确定猪只是否怀孕，包括：
23.计算所述猪只的背腰曲线的平均曲率，将所述平均曲率、所述腹部特征输入预训练的关系模型，得到关系模型输出的所述猪只的第一怀孕概率；
24.所述关系模型为利用标注有是否怀孕的猪只躯体特征训练数据训练得到，所述猪只躯体特征训练数据包括猪只背腰曲线平均曲率及腹部特征。
25.优选地，所述至少基于所述猪只的躯体特征，确定猪只是否怀孕，还包括：
26.将所述猪只的背腰曲线与设定的怀孕猪只的背腰曲线基准进行匹配，基于匹配度确定猪只的第二怀孕概率；所述怀孕猪只的背腰曲线基准为预先对猪只不同怀孕阶段对应的多条背腰曲线进行整合后所得到的背腰曲线基准；
27.基于所述第一怀孕概率和所述第二怀孕概率，确定猪只是否怀孕。
28.优选地，还包括：
29.基于预先建立的猪只检测模型，检测猪只的站卧姿态；
30.统计设定时长内，猪只处于躺卧姿态的时长与处于站立姿态的时长的比值，作为猪只的站卧时间比；
31.所述至少基于所述猪只的躯体特征，确定猪只是否怀孕，包括：
32.至少基于所述猪只的躯体特征，及所述猪只的站卧时间比，确定猪只是否怀孕。
33.优选地，还包括：
34.基于预先建立的猪只和料槽检测模型，检测猪只的进食速度和/或进食频次；
35.所述至少基于所述猪只的躯体特征，及所述猪只的站卧时间比，确定猪只是否怀孕，包括：
36.至少基于所述猪只的躯体特征、所述猪只的站卧时间比、所述猪只的进食速度和/或进食频次，确定猪只是否怀孕。
37.一种猪只怀孕检测装置，包括：
38.点云图像获取单元，用于获取深度摄像头对猪只拍摄的3d点云图像；
39.点云图像提取单元，用于从所述3d点云图像中提取猪只躯体部分的点云图像；
40.躯体特征确定单元，用于基于所述躯体部分的点云图像，确定猪只的躯体特征；
41.怀孕判断单元，用于至少基于所述猪只的躯体特征，确定猪只是否怀孕。
42.一种设备运行状态检测设备，包括：存储器和处理器；
43.所述存储器，用于存储程序；
44.所述处理器，用于执行所述程序，实现如上所述的猪只怀孕检测方法的各个步骤。
45.一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如上所述的猪只怀孕检测方法的各个步骤。
46.借由上述技术方案，本申请可以在猪栏上方设置深度摄像头用于对猪只进行拍摄，进而获取深度摄像头对猪只拍摄的3d点云图像，从所述3d点云图像中提取猪只躯体部分的点云图像，进而基于躯体部分的点云图像，确定猪只的躯体特征，可以理解的是，猪只怀孕前和怀孕后其躯体特征会发生变化，如怀孕后腹部维度会变大、背腰曲线会更加塌陷
等，因此本申请至少可以基于猪只的躯体特征，确定猪只是否怀孕。本申请通过视觉图像处理，结合猪只怀孕前后躯体特征上的变化，可以实现对猪只怀孕与否的自动检测，有效的排除一些空怀母猪，提高饲料利用率，提高猪场的生产成绩，降低饲养成本。并且，相比于传统的人工检测方式，节省了人力并提高了检测效率。
附图说明
47.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
48.图1为本申请实施例提供的猪只怀孕检测方法的一流程示意图；
49.图2为本申请实施例提供的一种猪只怀孕检测装置结构示意图；
50.图3为本申请实施例提供的猪只怀孕检测设备的结构示意图。
具体实施方式
51.下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
52.本申请提供了一种猪只怀孕检测方案，能够基于计算机视觉技术，对猪只是否怀孕进行检测，可以及时将检测结果反馈给饲养员。本案主要解决了传统的猪只怀孕检测存在的人力物力投入大，不同饲养员判断的准确性不同导致的误判别，检测效率低下等问题。
53.本申请方案需要配合设置在猪栏上方的深度摄像头以及具备数据处理能力的终端实现，深度摄像头用于对猪只进行影像拍摄，终端设备处理拍摄的影像，实现怀孕检测的过程，该终端可以是手机、电脑、服务器、云端等。
54.接下来，结合图1所述，本申请的猪只怀孕检测方法可以包括如下步骤：
55.步骤s100、获取深度摄像头对猪只拍摄的3d点云图像。
56.具体的，为了实现本申请的猪只怀孕检测方案，可以预先在饲养猪只的猪栏上方设置深度摄像头，用于对猪只进行拍摄。本申请中终端设备可以获取深度摄像头对猪只拍摄的3d点云图像。
57.步骤s110、从所述3d点云图像中提取猪只躯体部分的点云图像。
58.具体的，猪只怀孕前和怀孕后其躯体部分会发生一定的变化，如怀孕后腹部维度会变大、背腰曲线会更加塌陷等。而怀孕与否对猪头、猪腿部分的影响变化不大，因此本步骤中可以从猪只的3d点云图像中提取猪只躯体部分的点云图像。
59.可选的，本申请实施例中可以采用体素滤波和条件滤波的方式，将所述3d点云图像中猪只躯体部分分割并提取出来，得到猪只躯体部分的点云图像。
60.步骤s120、基于所述躯体部分的点云图像，确定猪只的躯体特征。
61.具体的，躯体部分的点云图像表达了猪只躯体部分的空间分布及躯体表面特性，因此可以基于点云图像来确定猪只的躯体特征，该躯体特征为受到猪只怀孕状态影响的躯体表征参量的特征，示例如，躯体特征可以包括：腹部维度、背腰曲线(即猪背部的脖子到臀
部的曲线)等。
62.步骤s130、至少基于所述猪只的躯体特征，确定猪只是否怀孕。
63.具体的，由于猪只的躯体特征与猪只是否怀孕相关，因此可以基于猪只的躯体特征，确定猪只是否怀孕。
64.本申请实施例提供的猪只怀孕检测方法，可以预先在猪栏上方设置深度摄像头用于对猪只进行拍摄，进而获取深度摄像头对猪只拍摄的3d点云图像，从所述3d点云图像中提取猪只躯体部分的点云图像，进而基于躯体部分的点云图像，确定猪只的躯体特征，可以理解的是，猪只怀孕前和怀孕后其躯体特征会发生变化，如怀孕后腹部维度会变大、背腰曲线会更加塌陷等，因此本申请至少可以基于猪只的躯体特征，确定猪只是否怀孕。本申请通过视觉图像处理，结合猪只怀孕前后躯体特征上的变化，可以实现对猪只怀孕与否的自动检测，有效的排除一些空怀母猪，提高饲料利用率，提高猪场的生产成绩，降低饲养成本。并且，相比于传统的人工检测方式，节省了人力并提高了检测效率。
65.在本申请的一些实施例中，上述步骤s120，基于所述躯体部分的点云图像，确定猪只的躯体特征的实现过程可以参照下文介绍。
66.第一，首先介绍以猪只的背腰曲线作为躯体特征的确定过程。
67.前述通过深度摄像头获取的猪只的3d点云图像可以是猪只在侧躺的时候的点云图像，能够清楚的看到猪腿部分以及猪只躯体的侧面部分。
68.为了得到猪只的背腰曲线，可以将躯体部分的点云图像投影至第一平面，在该第一平面中得到猪只躯体部分的侧面图像。
69.其中，第一平面可以是xoy平面，该xoy平面为猪只侧躺时所处的平面。
70.通过将躯体部分的点云图像投影至第一平面，得到猪只躯体部分的侧面图像后，可以进一步计算该侧面图像的凹包边缘轮廓。
71.进一步的，猪只躯体部分的侧面图像的凹包边缘轮廓存在两个方向，其中一个方向是猪只的背腰方向，另一个方向是猪只的腹部方向。因此，为了确定猪只的背腰曲线，还需要确定出猪只的背腰方向和腹部方向。
72.为了确定猪只的背腰方向及腹部方向，可以将上述步骤s100中获取的猪只的3d点云图像投影至第一平面，得到猪只的侧面图像。进一步，在该侧面图像中可以通过猪腿所在位置，确定猪只腹部方向及猪只背腰方向。
73.在得到了猪只背腰方向及猪只躯体部分侧面图像的凹包边缘轮廓之后，可以在躯体部分的点云图像中提取出背腰轮廓上的点云，进一步可以将提取的点云拟合得到猪只的背腰曲线，作为猪只的躯体特征。
74.第二，进一步介绍以猪只的腹部特征作为躯体特征的确定过程。
75.对于猪只的躯体部分的点云图像，可以从中提取出猪只腹部区域的点云图像。
76.其中，猪只的腹部区域可以按照如下方式来确定：
77.前文已经介绍了确定猪只背腰方向和腹部方向的过程。在此基础上，基于前文确定的猪只的背腰曲线，将背腰曲线按照设定比例进行划分，划分为前中后三段，其中中间一端背腰曲线在腹部方向上对应的区域可以作为猪只的腹部区域。
78.在对背腰曲线按照设定比例进行划分时，设定的比例可以预先通过对大量猪只腹部区域在背腰曲线上的对应长度占比来统计得到。示例如，设定比例可以是1:3:1，也即，将
背腰曲线按照1:3:1的方式切分为三部分，中间一部分在腹部方向上对应的区域作为猪只的腹部区域。当然，上述设定比例还可以是其它数值，具体以实际测量为准。
79.在得到了猪只腹部区域的点云图像之后，可以基于猪只腹部区域的点云图像，确定猪只的腹部特征，作为猪只的躯体特征。
80.其中，腹部特征可以是能够衡量猪只腹部变化情况的参量的特征。示例如，腹部特征包括但不限于以下几种：
81.腹部表面积、腹部高度、腹部维度等。
82.其中，腹部表面积可以基于腹部区域的点云图像中点云数量来确定。
83.腹部高度可以是腹部区域距离地面的高度。
84.腹部维度可以通过提取腹部区域的凸包轮廓，并根据凸包轮廓的点来计算该轮廓的宽度，作为腹部的维度。
85.在本申请的一些实施例中，基于前文确定的作为猪只躯体特征的背腰曲线、腹部特征的基础上，进一步对上述步骤s130，至少基于所述猪只的躯体特征，确定猪只是否怀孕的过程进行介绍。
86.本申请实施例中可以预先训练一关系模型，该关系模型可以是利用标注有是否怀孕的猪只躯体特征训练数据训练得到。其中，猪只躯体特征训练数据可以包括猪只背腰曲线平均曲率及腹部特征。
87.在此基础上，可以通过关系模型来预测猪只怀孕的概率。具体的，本申请实施例中可以计算猪只的背腰曲线的平均曲率。进而将背腰曲线的平均曲率及猪只的腹部特征输入到关系模型中，由关系模型输出猪只的第一怀孕概率h1。
88.其中，上述腹部特征可以包括腹部表面积、腹部高度、腹部维度中的任意一种或多种。
89.进一步可选的，在上述利用关系模型预测猪只的第一怀孕概率的基础上，本申请实施例中还可以进一步增加基于猪只的背腰曲线与设定的怀孕猪只的背腰曲线基准的匹配程度，来预测猪只第二怀孕概率的过程，具体的：
90.本申请实施例可以预先获取怀孕猪只的多条背腰曲线(其中可以包括处于不同怀孕阶段的猪只的多条背腰曲线)，进而对多条背腰曲线进行整合，得到怀孕猪只的背腰曲线基准。在此基础上，对于待预测的猪只，可以将其背腰曲线与该背腰曲线基准进行匹配，基于匹配程度来确定猪只的第二怀孕概率h2。
91.在上述得到猪只的第一怀孕概率h1，以及第二怀孕概率h2之后，可以基于h1和h2来确定猪只是否怀孕。示例如，预先为第一怀孕概率h1设置权重q1，为第二怀孕概率h2设置权重q2，权重q1和q2的大小可以根据第一怀孕概率h1和第二怀孕概率h2对确定猪只是否怀孕的影响重要度来确定，示例如，q1大于q2。
92.进一步，按照不同怀孕概率对应的权重，对各怀孕概率进行加权相加，结果作为猪只的最终怀孕概率h＝h1*q1+h2*q2。按照该最终怀孕概率来确定猪只是否怀孕。
93.本申请的另一些实施例中，在考虑猪只躯体特征对确定猪只是否怀孕的影响的基础上，进一步增加了其它衡量猪只是否怀孕的指标，如猪只的站卧时间比。
94.猪只的站卧时间比是指一定时长内，猪只处于躺卧姿态的时长与处于站立姿态的时长的比值。可以理解的是，当猪只怀孕后其躺卧的时间会边长，也即猪只的站卧时间比越
大，代表猪只怀孕的概率越大。
95.在前述各实施例的基础上，本申请可以预先建立猪只检测模型。首先可以对深度摄像头拍摄的图像进行标定，即标定猪只的站立姿态和躺卧姿态。基于标定数据建立训练集和测试集，使用目标检测算法，如ssd、yolo等训练一个能够检测到猪只姿态的猪只检测模型。
96.基于训练好的猪只检测模型，可以利用深度摄像头对猪只拍摄的3d点云图像，检测猪只的站卧姿态。
97.统计设定时长(如一天或其它时长)内，猪只处于躺卧姿态的时长与处于站立姿态的时长的比值，作为猪只的站卧时间比z。
98.具体的，可以对设定时长内猪只处于躺卧姿态的图像帧进行累加，得到猪只处于躺卧姿态的时长。同理，对设定时长内猪只处于站立姿态的图像帧进行累加，得到猪只处于站立姿态的时长。进而计算猪只处于躺卧姿态的时长与处于站立姿态的时长的比值，得到猪只的站卧时间比。
99.在得到了猪只的站卧时间比之后，可以结合猪只的躯体特征，及猪只的站卧时间比，综合来确定猪只是否怀孕。
100.具体的，本申请实施例可以预先设置猪只站卧时间比与猪只怀孕概率的对应关系，在得到猪只的站卧时间比后，查询该对应关系，确定对应的猪只怀孕概率，作为第三怀孕概率h3。
101.以前述实施例中介绍的，基于猪只躯体特征确定猪只的第一怀孕概率h1和第二怀孕概率h2。在此基础上，结合第三怀孕概率h3，综合确定猪只的最终怀孕概率h＝h1*q1+h2*q2+h3*q3。其中，q3是第三怀孕概率对应的权重。权重q1、q2、q3的大小可以根据第一怀孕概率h1、第二怀孕概率h2、第三怀孕概率h3对确定猪只是否怀孕的影响重要度来确定，示例如，q1>q2>q3。
102.本申请的另一些实施例中，在考虑猪只躯体特征和猪只的站卧时间比对确定猪只是否怀孕的影响的基础上，进一步增加了其它衡量猪只是否怀孕的指标，如猪只的进食速度、猪只的进食频次。
103.可以理解的是，猪只进食速度越大、进食频次越高，表征猪只怀孕的概率越大。
104.在前述各实施例的基础上，本申请可以预先建立猪只和料槽检测模型。首先可以对深度摄像头拍摄的图像进行标定，即标定猪只的位置以及料槽的位置。基于标定数据建立训练集和测试集，使用目标检测算法，如ssd、yolo等训练一个能够检测到猪只位置及料槽位置的猪只和料槽检测模型。
105.基于训练好的猪只和料槽检测模型，可以利用深度摄像头对猪只拍摄的3d点云图像，检测猪只的进食速度和/或进食频次。
106.具体的，当料槽开始放饲料时，检测到猪只位置与料槽位置重合时开始计时，直至检测到猪只位置离开料槽位置时，判断此时的计时时长是否超过进食时长下限值，若未超过则表明猪只没有进食，若超过，则保持计时，并检测随后的设定时长阈值内猪只位置是否再次与料槽位置重合，若否，则表明猪只进食结束，将自计时开始至检测到猪只位置离开料槽位置时的计时时长作为当前一次进食的持续时间，若是，则表明猪只当前一次进食还未结束，保持计时，直至检测到猪只当前一次进食结束为止，得到猪只当前一次进食的持续时
间。
107.本申请实施例中可以基于猪只的进食持续时间来确定猪只的进食速度，可以理解的是，持续时间越短代表进食速度越快。
108.一种可选的情况下，本申请实施例中可以利用进食持续时间作为进食速度t，并设置进食速度的上下限阈值区间[t1，t2]，若判断猪只的进食速度t处于该上下限阈值区间内，则计算猪只的第四怀孕概率h4：
[0109][0110]
进一步的，基于上述统计猪只每次进食持续时间的方式，可以统计设定时长(如一天)内猪只的进食频次p。同时，可以预先设定进食频次上下限阈值区间[p1，p2]，若判断猪只的进食频次p处于该上下限阈值区间内，则计算猪只的第五怀孕概率h5：
[0111][0112]
以前述实施例中介绍的，基于猪只躯体特征确定猪只的第一怀孕概率h1和第二怀孕概率h2，基于猪只的站卧时间比确定猪只的第三怀孕概率h3，在此基础上，可以进一步结合上述第四怀孕概率h4和/或第五怀孕概率h5，综合确定猪只的最终怀孕概率h＝h1*q1+h2*q2+h3*q3+h4*q4+h5*q5。其中，q4是第四怀孕概率对应的权重，q5是第五怀孕概率对应的权重。权重q1、q2、q3、q4、q5的大小可以根据第一怀孕概率h1、第二怀孕概率h2、第三怀孕概率h3、第四怀孕概率h4、第五怀孕概率h5对确定猪只是否怀孕的影响重要度来确定，示例如，q1>q2>q5>q3>q4。
[0113]
上述各实施例中介绍了影响确定猪只是否怀孕的五个指标，分别为：猪只背腰曲线平均曲率及腹部特征组合指标、背腰曲线指标、站卧时间比指标、进食速度指标、进食频次指标，基于每一指标确定的猪只的怀孕概率依次为h1
‑
h5，五个指标的权重依次为q1
‑
q5。
[0114]
可以理解的是，上述五个指标可以选择其中任意一个或多个的组合，来确定猪只的最终怀孕概率h。
[0115]
下面对本申请实施例提供的猪只怀孕检测装置进行描述，下文描述的猪只怀孕检测装置与上文描述的猪只怀孕检测方法可相互对应参照。
[0116]
参见图2，图2为本申请实施例公开的一种猪只怀孕检测装置结构示意图。
[0117]
如图2所示，该装置可以包括：
[0118]
点云图像获取单元11，用于获取深度摄像头对猪只拍摄的3d点云图像；
[0119]
点云图像提取单元12，用于从所述3d点云图像中提取猪只躯体部分的点云图像；
[0120]
躯体特征确定单元13，用于基于所述躯体部分的点云图像，确定猪只的躯体特征；
[0121]
怀孕判断单元14，用于至少基于所述猪只的躯体特征，确定猪只是否怀孕。
[0122]
可选的，上述点云图像提取单元从所述3d点云图像中提取猪只躯体部分的点云图像的过程，可以包括：
[0123]
基于体素滤波和条件滤波，将所述3d点云图像中猪只躯体部分分割并提取出来，得到猪只躯体部分的点云图像。
[0124]
可选的，上述躯体特征确定单元基于所述躯体部分的点云图像，确定猪只的躯体
特征的过程，可以包括：
[0125]
将所述躯体部分的点云图像投影至第一平面，在所述第一平面中得到猪只躯体部分的侧面图像；
[0126]
计算所述侧面图像的凹包边缘轮廓，并确定猪只背腰方向；
[0127]
基于所述凹包边缘轮廓以及猪只背腰方向，在所述躯体部分的点云图像中提取背腰轮廓上的点云，并将提取的点云拟合得到猪只的背腰曲线，作为猪只的躯体特征。
[0128]
可选的，上述躯体特征确定单元确定猪只的背腰方向的过程，可以包括：
[0129]
将所述3d点云图像投影至所述第一平面，得到猪只的侧面图像；
[0130]
在所述猪只的侧面图像中，基于猪腿位置，确定猪只腹部方向以及猪只背腰方向。
[0131]
可选的，上述躯体特征确定单元基于所述躯体部分的点云图像，确定猪只的躯体特征的过程，还可以包括：
[0132]
在所述躯体部分的点云图像中提取猪只腹部区域的点云图像；
[0133]
基于所述猪只腹部区域的点云图像，确定猪只的腹部特征，作为猪只的躯体特征。
[0134]
可选的，上述怀孕判断单元至少基于所述猪只的躯体特征，确定猪只是否怀孕的过程，可以包括：
[0135]
计算所述猪只的背腰曲线的平均曲率，将所述平均曲率、所述腹部特征输入预训练的关系模型，得到关系模型输出的所述猪只的第一怀孕概率；
[0136]
所述关系模型为利用标注有是否怀孕的猪只躯体特征训练数据训练得到，所述猪只躯体特征训练数据包括猪只背腰曲线平均曲率及腹部特征。
[0137]
可选的，上述怀孕判断单元至少基于所述猪只的躯体特征，确定猪只是否怀孕的过程，还可以包括：
[0138]
将所述猪只的背腰曲线与设定的怀孕猪只的背腰曲线基准进行匹配，基于匹配度确定猪只的第二怀孕概率；所述怀孕猪只的背腰曲线基准为预先对猪只不同怀孕阶段对应的多条背腰曲线进行整合后所得到的背腰曲线基准；
[0139]
基于所述第一怀孕概率和所述第二怀孕概率，确定猪只是否怀孕。
[0140]
可选的，本申请的装置还可以包括：
[0141]
站卧时间比确定单元，用于基于预先建立的猪只检测模型，检测猪只的站卧姿态；统计设定时长内，猪只处于躺卧姿态的时长与处于站立姿态的时长的比值，作为猪只的站卧时间比。在此基础上，上述怀孕判断单元至少基于所述猪只的躯体特征，确定猪只是否怀孕的过程，可以包括：
[0142]
至少基于所述猪只的躯体特征，及所述猪只的站卧时间比，确定猪只是否怀孕。
[0143]
进一步可选的，本申请的装置还可以包括：
[0144]
进食速度/频次确定单元，用于基于预先建立的猪只和料槽检测模型，检测猪只的进食速度和/或进食频次。在此基础上，上述怀孕判断单元至少基于所述猪只的躯体特征，确定猪只是否怀孕的过程，还可以包括：
[0145]
至少基于所述猪只的躯体特征、所述猪只的站卧时间比、所述猪只的进食速度和/或进食频次，确定猪只是否怀孕。
[0146]
本申请实施例提供的猪只怀孕检测装置可应用于猪只怀孕检测设备，如终端：手机、电脑等。可选的，图3示出了猪只怀孕检测设备的硬件结构框图，参照图3，猪只怀孕检测
设备的硬件结构可以包括：至少一个处理器1，至少一个通信接口2，至少一个存储器3和至少一个通信总线4；
[0147]
在本申请实施例中，处理器1、通信接口2、存储器3、通信总线4的数量为至少一个，且处理器1、通信接口2、存储器3通过通信总线4完成相互间的通信；
[0148]
处理器1可能是一个中央处理器cpu，或者是特定集成电路asic(application specific integrated circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路等；
[0149]
存储器3可能包含高速ram存储器，也可能还包括非易失性存储器(non
‑
volatile memory)等，例如至少一个磁盘存储器；
[0150]
其中，存储器存储有程序，处理器可调用存储器存储的程序，所述程序用于：
[0151]
获取深度摄像头对猪只拍摄的3d点云图像；
[0152]
从所述3d点云图像中提取猪只躯体部分的点云图像；
[0153]
基于所述躯体部分的点云图像，确定猪只的躯体特征；
[0154]
至少基于所述猪只的躯体特征，确定猪只是否怀孕。
[0155]
可选的，所述程序的细化功能和扩展功能可参照上文描述。
[0156]
本申请实施例还提供一种存储介质，该存储介质可存储有适于处理器执行的程序，所述程序用于：
[0157]
获取深度摄像头对猪只拍摄的3d点云图像；
[0158]
从所述3d点云图像中提取猪只躯体部分的点云图像；
[0159]
基于所述躯体部分的点云图像，确定猪只的躯体特征；
[0160]
至少基于所述猪只的躯体特征，确定猪只是否怀孕。
[0161]
可选的，所述程序的细化功能和扩展功能可参照上文描述。
[0162]
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0163]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间可以根据需要进行组合，且相同相似部分互相参见即可。
[0164]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。