基于深度学习和图像处理的马体尺测量设计

摘要：

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.

关键词：马体尺、YOLACT、实例分割、动态网格、数据标定、Regress拟合

所属期刊栏目：30

分类号：TP391.41(计算技术、计算机技术)

资助基金：新疆维吾尔自治区高校科研计划项目XJEDU2020Y020

在线出版日期：2020-12-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：180-184,189