復雜環境下肉牛三維點云重建與目標提取方法

摘要：基于點云采集技術的非接觸式測量能夠緩解肉牛在采集體尺體重等參數時的應激問題，但采集肉牛的三維數據耗時長且易受環境干擾而產生大量無關噪點，難以適應實際養殖環境需求。為解決該問題，本研究開發了一種非接觸式肉牛三維點云重建與目標提取系統與方法，采集的肉牛三維點云可為肉牛育種育肥提供大量標準化和三維量化表型數據。三維點云采集系統由 Kinect DK深度相機、紅外對射光柵觸發器和射頻識別（Radio Frequency Identification ，RFID）觸發器組成，可在肉牛自由通過步行道的瞬間實現肉牛點云的多角度瞬時采集。肉牛點云目標提取方法基于 C++語言與點云處理庫（Point Cloud Library，PCL）開發，通過空間直通濾波、統計學離群點濾波、隨機抽樣一致（Random Sample Consensus，RANSAC）形態擬合與點云抽稀、基于降維密度聚類的感知盒濾波等算法有效濾除與肉牛緊貼的欄桿等干擾，不破壞點云的完整性，實現肉牛點云的三維重建與分析。在養殖場中對20頭肉牛進行了124次點云采集與目標提取試驗。結果表明，重建的肉牛三維模型與肉牛真實形態1：1對應，系統的采集成功率為91.89%，采集的點云與真實值相比，體尺重建誤差為0.6%。該系統與方法可以在無人干預的情況下，實現多角度肉牛點云數據的自動采集與三維重建，并從復雜環境中自動提取目標肉牛的點云，為非接觸式肉牛體高、體寬、體斜長、胸圍、腹圍和體重等核心表型參數的測量提供重要的方法支撐，促進肉牛育種和育肥的標準化管理。

關鍵詞：肉牛點云;三維重建;點云處理;自動采集;目標提取;非接觸測量

中圖分類號：S872;TP391.4""""" 文獻標志碼：A"""""""" 文章編號：SA202206003

引用格式：李嘉位， 馬為紅， 李奇峰， 薛向龍， WANG Zhiquan.復雜環境下肉牛三維點云重建與目標提取方法[J].智慧農業（中英文）， 2022， 4（2）：64-76.

LI Jiawei， MA Weihong， LI Qifeng， XUE Xianglong， WANG Zhiquan. Automatic acquisition and target extraction of beef cattle 3D point cloud from complex environment[J]. Smart Agriculture， 2022， 4（2）：64-76.（in Chinese with English abstract）

1引言

近五十年來，世界牛肉供應量持續增長，但在肉類總供應量占比中逐年下降，已經被禽肉和豬肉產量超越，這種下降趨勢主要由牛肉行業的生產力低于其他牲畜品種導致[1]。在這種情況下，提高肉牛個體的產肉能力與養殖成本控制成為肉牛產業發展的關鍵[2]，精細化養殖（PrecisionLivestock Farming ，PLF）是改善肉牛生產力與成本控制的途徑之一[3]。

精細化養殖，即通過信息技術自動監控單一動物的成長過程，并隨時調整飼喂與養殖策略[4]。而在規模化肉牛養殖與育種中，肉牛體型體重與體尺參數等表型數據的測定是飼喂與養殖策略調整的基礎性關鍵內容[5]，是肉牛遺傳育種中性能測定的重要數據[6]，對遺傳力與遺傳價值評估有重要意義[7]。通過手工采集肉牛的表型數據是主流檢測方法，但會引起嚴重的動物應激反應[8]，導致動物采食量下降、臨時性的降低生長發育速度，養殖成本上升。

為解決人工采集肉牛表型數據引起動物應激的問題，非接觸式體尺測量方法被提出。通過圖像或點云數據可以對肉牛的體重、體尺等數據進行采集[9] 。如許繪香[10] 提出了一種基于改進 CenterNet 的智能測量算法實現了肉牛體尺的自動測量。Cozler等[11]利用 Morpho3D掃描設備采集了荷斯坦奶牛整個牛體的3D 圖像，將激光投射到母牛身上產生激光條紋，并由對應的相機捕獲，以此提取奶牛的3D 信息并成功計算體尺。薛廣順等[12]通過雙視角的 RGB相機實現了復雜背景下牛體三維點云的重建與提取，但存在匹配點獲取不均勻等問題，獲取的三維點云數據存在缺失。Cominotte 等[9]將深度圖像中的距離值作為固定閾值提取肉牛幾何特征，根據圖像的像素值計算牛體體長、體寬、胸高和臀高等體尺數。 Nan 等[13]基于深度圖像研究了一種基于模板匹配奶牛身體提取與分割算法，該算法可在單一視角的深度圖像中，對牛頭、軀干部和腹部等區域進行自動分割。Martins等[14]通過 Kinect 3D相機從側面和背面獲取了母牛的3D 數據并將其用于預測母牛體重，但容易被實際養殖中的雜亂環境干擾。在以生豬為對象的研究中，三維點云數據采集也被廣泛應用，如王可等[15]基于單視角3D 相機通過鏡像重建的方式構建了豬只點云采集與體尺測量算法，但該方法對豬的姿態有一定要求。Pezzuolo等[16]使用兩臺3D相機從不同角度獲取豬只點云等，但該方法要求動物靜止且精度受限，不適合實際生產應用。尹令等[17]設計了多幀融合算法提取生豬點云，但相關研究中仍存在噪點濾除困難、在真實養殖環境中適用性差、容易受動物姿態影響、三維重建精度不高等問題。

本研究針對肉牛通道內行走中的肉牛點云獲取難度大、肉牛目標提取不完整、緊貼肉牛的通道欄桿噪點濾除困難等問題，設計了一套適用于肉牛實際養殖環境的多視角點云自動采集系統，實現三維點云數據的自動采集與重建，并從重建的點云數據中完整提取肉牛目標點云。提取的肉牛目標點云數據精度高、還原度強，可以為肉牛體尺計算、體重估測等實際應用需求提供可靠的數據基礎。

2材料與方法

2.1肉牛三維點云采集系統搭建

為實現肉牛三維點云的實時和自動化采集，設計了一套肉牛三維點云采集系統。該系統可以架設于肉牛的常規通道上，在肉牛通過時自動實現觸發與多角度深度圖像數據采集。

2.1.1系統設計

系統主要由 Kinect DK 深度相機、射頻識別（Radio Frequency Identification ，RFID ）識讀器、對射光柵器、工控機、肉牛通道和支撐底座等組成，呈龍門架樣設計。其中 Kinect DK 共部署五臺，分別在龍門支架的頂部橫梁、左側支架和右側支架中點上用于原始深度圖像數據的采集。頂部的 Kinect DK相機部署于頂部橫梁中心的位置。RFID 識讀器與紅外對射光柵傳感器用于識別肉牛通過通道并觸發同步采集信號，工控機負責所有系統之間的通訊、控制及數據的處理。系統結構與實物如圖1所示。

2.1.2系統主要參數

為實現肉牛在自然通行狀態下完成多角度三維數據采集，降低采集過程中肉牛出現應激反應的可能性，選擇不同的通道尺寸、RFID 感應距離與觸發策略，實現在盡可能節省空間的前提下，使不同尺寸的肉牛通過瞬間，均可自動觸發肉牛點云的完整采集，經過在肉牛養殖廠內進行初步測試與試驗，最終確定系統關鍵參數如表1所示。以上參數可保證肉牛順利通過肉牛三維點云采集系統，不會出現轉身后退等異常情況。同時可以保證在肉牛每次到達系統的正下方的瞬間，系統被有效觸發并采集點云數據。

2.1.3數據采集流程

由于肉牛通過速度快、姿態變化大，需要對系統的觸發邏輯與五個 Kinect DK 深度相機采集算法的實時性進行規劃設計。

本系統采用雙邏輯序列觸發結構，通過同步信號驅動五臺 Kinect DK 深度相機，保證肉牛通過時可以有效觸發采集且不會在同一時刻對同一肉牛進行多次非必要采集。

系統觸發與采集邏輯如圖2所示。當肉牛到達系統正下方的瞬間，光柵傳感器被觸發，觸發信號到達工控機的瞬間，驅動 RFID 識讀器閱讀肉牛耳標編號，當有效耳標被讀取時，系統同時向五臺 Kinect DK 相機發送采集命令，實現深度圖像的瞬間采集。

特別地，若同一頭肉牛停留在采集區內會引起非必要的多次采集，對此添加判斷邏輯，僅在相鄰兩次觸發肉牛編號不同時觸發深度相機采集操作。

2.2肉牛點云數據采集

試驗場地為甘肅省武威市古浪縣甘肅迅馳優牛農牧有限公司的肉牛養殖場，將肉牛三維點云采集系統架設于養殖場的肉牛轉場通道上，在肉牛通過的瞬間進行自動采集多視角三維點云數據，采集時間為2021年9月9日～9月20日。

選擇11～13月齡的荷斯坦肉用公牛20頭，體重介于283～389 kg 之間，試驗前在右耳處為其佩戴定制的超高頻 RFID 標簽。試驗中，驅趕肉牛進入轉場通道。轉場通道可保證肉?？梢圆皇芗s束地以自然狀態向前通行，同時肉牛無法在通道內轉身或掉頭返回。

深度圖像采集系統架設于轉場通道的中間部分，不與肉牛接觸且對肉牛通行不構成干擾。試驗人員從遠端將肉牛驅趕進入轉場通道，轉場通道入口距深度圖像采集系統約60 m 。此階段內，使肉牛以自然狀態向前行走。當肉牛到達深度圖像采集系統的正下方時，根據觸發算法邏輯進行多視角深度圖像自動采集。試驗周期內，每頭肉牛以自然狀態通過轉場通道若干次，共采集深度圖像數據124組。

2.3肉牛點云三維重建

將 Kinect DK系統采集的深度圖像轉換為點云數據，根據相機的位置關系確定系統點云需要旋轉的角度與平移距離后，通過旋轉矩陣對左側融合點云、右側融合點云進行轉換后，與俯視點云合并，構成合成點云如圖3所示。

2.4肉牛點云目標提取

為從復雜環境中提取肉牛目標點云，本研究基于 PCL點云庫與 C++語言開發了一套肉牛點云提取算法，包含點云濾波與點云抽稀、肉牛點云目標提取等兩部分，最終實現復雜環境下肉牛三維點云目標提取，算法流程如圖4所示。

2.4.1點云濾波與抽稀

由于采集環境復雜、遮擋物較多，采集的點云中有大量無關數據點，為使點云處理有效、準確，首先對點云進行預處理，即對點云數據進行空間直通濾波與統計學濾波，并對濾波后的點云數據進行抽稀處理。

（1） 空間直通濾波。基于點云環境噪點的空間分布特征，首先在 x 、y 、z三個坐標維度定義點云直通濾波器，以獲取肉牛點云通道內的感興趣區域。

（2） 統計學離群點濾波。為了去除噪點影響，基于點的高斯分布特征通過統計學分布方式[18] 進行濾波。設肉牛點云中某點坐標為Gi （ xi，yi，zi ），該點到鄰域內任意一點Fn（ xn，yn，zn ）的距離 di 為：

di ="" （1） 遍歷點云內所有的點，得到點距平均值D為：

遍歷點云內所有的點，得到每個點鄰域距離平均值 M為：

其對應標準差 K為：

針對肉牛點云內每個點，計算其與鄰域內所有點的距離均值，定義可接受范圍上下限分別為：

其中，H為可接受的距離上限; G為可接受的距離下限;R為判斷倍率。

當該點距離均值 dk 介于可接受上下限之間時，該點保留，否則被視為離群點濾除。本研究將 R設定為0.8，濾波結果如圖5所示。

（3） 點云均勻抽稀。肉牛點云由不同視角深度相機采集的數據合成得到，導致數據存在冗余，影響后續計算。本研究基于八叉樹原理[19]為采集的點云數據建立三維體素柵格，在每個小的三維立方體內，通過體素中所有點的重心點來代表該體素，實現點云的均勻抽稀。八叉樹抽稀系數設定為7。

2.4.2肉牛目標初步提取

經過濾波與降采樣后的點云中，既包括了肉牛的點云，還包括了地面點云、欄桿點云等物體，需要提取其中屬于肉牛的點云簇。

（1） 地平面干擾排除。RANSAC 算法[20]可以針對不同的幾何形狀進行有效的擬合與識別。本算法將其用于地平面點云的識別。檢查所有點之間的幾何關系后，得到若干符合形態要求的平面，從而獲取所有屬于地平面的點，算法流程如表2所示。

本研究中算法流程迭代次數 N判別式為：

其中，P為采樣到屬于地面的 k個點的概率; L 為牛舍地面的點在全部點中的平均占比，為先驗值，本研究中 L=0.25;K 為點云中需要被識別為平面的點個數，個。

（2） 非地面干擾排除。在地面濾除后，仍存在其他環境點云干擾（如側面欄桿等）。因干擾部分與點云存在一定密度差異與距離差異，本研究將密度聚類算法（Density-Based Spatial Clus‐ tering" of Applications with Noise ， DBSCAN ）[21]用于噪點濾除，聚類結果如圖6所示。點云聚類過程中，聚類領域距離系數設置為67，聚類下限點數設置為40。提取結果如圖6所示。

2.4.3基于降維密度聚類的感知盒濾波

通過統計學濾波與 DBSCAN 聚類可以濾除大部分環境干擾，但這些方法不能有效地將緊貼肉牛的欄桿干擾濾除。

欄桿普遍存在于所有的養殖場內，肉牛身體與欄桿緊貼時嚴重影響點云采集效果，如圖7所示。肉牛身體與欄桿緊密相貼，現有的點云處理算法很難在不影響肉牛點云完整性的情況下將欄桿干擾有效濾除。為解決此問題，提出基于降維密度聚類特征的三維感知盒欄桿濾波算法。圖7中平行于欄桿指向肉牛前進方向為三維點云的 y 軸正方向，肉牛前進方向的右側為 x 軸正方向，由地面指向天空為 z軸正方向。

該算法由兩個主要部分組成，分別是降維投影密度聚類欄桿識別和三維感知盒噪點濾波，具體流程如圖8所示。

在降維投影密度聚類欄桿識別中，通過點云降維投影圖的密度差異區分欄桿噪點與肉牛點云;在三維感知盒噪點濾波中，通過三維點云分布特征進一步濾除剩余的欄桿噪點。具體如下。

（1） 降維投影密度聚類欄桿識別。沿 y軸方向，欄桿點云的分布密度顯著高于肉牛點云?；诖颂卣?，首先將點云內所有的點沿 y軸在 xz平面上進行垂直降維投影。在投影后的二維點云中，針對每個點構建20 mm×20mm 的矩形框，統計每個矩形框內點數密度分布如圖9所示。

圖9表明欄桿點云的矩形鄰域內點數顯著大于非欄桿的點，所以將矩形鄰域內點數大于50的點識別為欄桿，提取這些點欄桿點的（x ，z）坐標值，并還原到三維點云內，將所有（x ，z）坐標與欄桿點相同去除，實現欄桿噪點的濾除。

但由于欄桿點云邊緣處密度較小，與肉牛點云相近，仍有部分殘余的欄桿未被濾除。

（2） 三維感知盒噪點濾波。通過降維投影密度聚類濾波后，仍有部分欄桿噪點未被濾除，但這些點已經與肉牛點云分開，為進一步濾波提供了條件。

針對這種情況，選取特定比例的三維感知盒用于點云噪點的識別，感知盒尺寸為200 mm×30 mm×400 mm ，如圖10所示，依次以每個點為質心構建三維感知盒。圖中藍色部分為欄桿噪點構造的感知盒，黃色部分為肉牛點構造的感知盒。欄桿噪點的感知盒（藍色）中點的數目少于屬于牛體的點的感知盒（黃色）內點數，且欄桿噪點分布于肉牛點云兩側。

根據以上特征，確定感知盒濾波條件如下：

條件①該點的感知盒內點數>21;

條件②設點云的 x軸最大坐標值為 V，最小坐標值為 E ，該點的x坐標 s滿足：

當同時滿足條件①與條件②時，將其標記為牛體點，否則將其標記為欄桿噪點，實現剩余欄桿噪點的濾除。基于降維密度聚類的感知盒濾波結果如圖11所示。可以看出，與肉牛緊貼的欄桿干擾已經被有效濾除，而肉牛點云本身并未受到顯著影響。

3 結果與分析

針對20頭肉牛共進行124次采集試驗，試驗過程中肉牛以任意姿態通過系統且不停留，系統自動進行點云數據采集，并針對采集的點云數據進行肉牛目標點云的提取。其中13個點云因存在粉塵與陽光干擾導致采集殘缺過大予以舍棄，采集有效點云肉牛點云111組。

3.1肉牛點云提取與重建結果

當點云可以完整反映肉牛身體狀態，且點云中不包含明顯的干擾點時，認為點云采集成功，點云采集與肉牛點云提取成功的部分結果如圖12"" 所示。

同時，部分肉牛點云中因為錯誤的濾波與提取，導致肉牛點云出現了明顯的部分殘缺或噪點干擾，此類點云被定義為采集失敗的結果。其中第一類采集失敗的點云指采集到了殘缺的肉牛點云，即處理后的肉牛點云中，出現了肉牛某些關鍵部位的缺失（如腿部、頭部等）;第二類采集失敗的點云指的是提取錯誤的點云，即未能將環境干擾成功去除，在肉牛點云結果中包含了不應出現的點云。點云處理結果如表3所示。結果表明，本方法可以有效地采集并提取到有效的肉牛三維點云目標，但存在一定的錯誤。主要的錯誤是提取到肉牛點云之外的目標和提取到殘缺的肉牛點云，這些問題在第4節中進行討論。

3.2肉牛點云重建精度

本系統采集的點云坐標與真實距離對應。為了驗證肉牛重建點云的具體數值精度，本研究選取體高值為代表定量研究點云對真實肉牛的還原程度。針對20頭試驗肉牛，為每頭肉牛選擇近似直立狀態的2個點云數據，通過手工選擇測量點的方式，在點云中測量肉牛的體高值。并通過卷尺直接測量牛體的體高結果進行對比研究，對比結果如表4所示，表中點云測量結果為2次人工選點測量的平均值。

表4結果表明，本方法采集的肉牛點云與真實距離的平均誤差為0.6%（以體高為例），點云重建與提取方法具有較高的還原度與重建精度，可以為肉牛非接觸式體尺測量、特征提取等研究提供可靠的高維度數據，從而降低人工勞動成本和被測牛只應激反應。

3.3肉牛點云提取優勢

與前人研究相比，本方法不要求動物在測量過程中保持靜止，點云觸發與采集實現自動控制。同時，針對實際養殖通道內采集點云數據的濾波與牛體提取提出了一種新的輕量級處理算法，使肉牛三維點云采集在實際生產中的應用成為了可能。

重建的肉牛三維點云模型是肉牛真實形態的1：1完整復制，養殖人員可以在重建的肉牛三維模型中任意選擇需要測量的位置，從模型中獲得肉牛的體尺參數，還可以直接通過三維點云模型觀測肉牛的其他典型體型特征，實現肉牛特征的非接觸式測量。重建的肉牛三維點云模型可以和肉牛耳標編號對應保存在遠程服務器上。

4 討論

肉牛點云濾波與目標提取中選擇不同策略對肉牛點云提取存在一定影響，結合實際環境因素與養殖場試驗情況，對其中的若干關鍵問題進行討論。

4.1離群點濾波對結果的影響

針對公式（5）與公式（6）中的判斷倍率參數R進行討論，當R值較小時，將有更多的點被濾除，使非肉牛的點云與肉牛點云更好地分離，解決點云冗余問題。通過改變R值進行測試，當R值不同時，離群點統計學濾波的效果如圖13所示。

圖13可以看出，隨著 R值的升高，濾波的強度逐漸增大。當 R≥1.2時，肉牛與欄桿點云之間仍存在大量粘連與噪點，不滿足后續處理的需求。當 R=0.2，0.4，0.8時，環境干擾被明顯濾除且肉牛和欄桿的點云出現了有效分離，這對肉牛點云提取流程而言是可以被接受的。當 R=0.2或0.4時，肉牛點云出現了較大的殘缺，這對肉牛點云的提取構成了明顯干擾。

為了進一步量化討論倍率參數 R對效果的影響，針對20組肉牛點云，通過試驗獲取了不同 R值下的濾波效果。濾波效果通過剩余點云比例 Q進行評價，定義為：

其中，Nr 為濾波前點云的總點數，個;Na 為濾波后點云的總點數，個。

圖14可以看出，R 值在提高至1.2時， Q 值的斜率開始顯著下降。為研究 R值對最終提取結果的影響，選取當 R 值為0.2、0.4、0.6、0.8、1.0、1.2時，重復全部肉牛點云提取過程，結果如表5所示。可以看出，隨著 R值降低，錯誤提取的數量得到了明顯下降，但是因為濾波的強度被過分地增強，導致最終處理得到殘缺點云的數量出現了大幅上升，所以針對 R值的選擇仍應保持在0.8附近。當對點云完整性要求不高時（如僅關注肉牛身體部位而忽略頭部等），可適當降低 R值，從而減少肉牛點云提取錯誤的情況。

4.2感知盒濾波算法效果討論

在2.4.3中，為濾除與肉牛緊貼的欄桿點云干擾，本研究定義了基于降維密度聚類特征的三維感知盒欄桿濾波算法。

為了量化評價濾波的效果，將采集的肉牛的體長方向（y軸方向）以5 mm 為寬度、2 mm 為步長，將肉牛點云切割成若干點云簇，針對通過感知盒濾波前后的點云，將每個點云簇內的點數進行統計，結果如圖15所示。

圖15列舉了感知盒濾波前的點數分布對比。其中藍色曲線表示感知盒濾波前的點云分布，紅色曲線表示感知盒濾波后的點云分布。圖中可以看出，通過200 mm×30 mm×400 mm 的感知盒進行濾波后，肉牛點云數目變化趨勢不大，分布特征未出現明顯變化。同時，點數明顯減少的位置主要集中于400～500的位置與600～800的位置，這些坐標對應著肉牛腹部、肩部、胸部區域內與欄桿噪點向貼的位置。

以上情況說明本方法在有效濾除干擾的同時，對肉牛點云本身的影響較小且可以接受。但試驗中發現，針對本身存在較大殘缺的點云來說，感知盒濾波可能會將殘缺的點云擴大。

4.3其他客觀因素對結果的影響

欄桿對肉牛點云的遮擋、環境中的陽光與粉塵等客觀因素對點云采集、肉牛目標提取的結果有一定影響，具體如下。

（1） 欄桿的點云的遮擋。欄桿部分是肉牛通道的必要組成，但遮擋了肉牛的身體，使采集的點云出現斷層。由于欄桿的遮擋，肉牛腿部與軀干相連的部分、頭部等區域存在部分缺失，采集過程中應盡量降低欄桿直徑與數量等。

（2） 陽光與粉塵的影響。養殖場試驗中共有13組原始點云出現了較大的采集缺失（缺失率超過70%）無法進行處理，被標記為無效點云予以舍棄。這些無效點云是由于強陽光照射或高濃度粉塵導致的。由于系統硬件條件限制，陽光過強或粉塵濃密的場景中，Kinect DK 發射的紅外光會受到強烈干擾，無法采集提取到完整牛體，如圖16所示。

針對這種問題，減少肉牛通道內的積土厚度，在塵土密集處定期灑水等措施可以明顯減少肉牛點云數據出現殘缺的情況。此外，在陽光直射時采集需要加裝遮光棚以保證肉牛點云采集的完整性。

5結論

本研究設計了一套全自動肉牛三維點云數據重建方法與系統，可以在肉牛自由通過的瞬間實現肉牛體型的三維重建。重建的肉牛三維模型與肉牛真實形態1：1對應，養殖人員可以在重建的肉牛三維模型中任意選擇需要測量的位置，從模型中獲得肉牛的體尺參數、體型特征等信息，實現肉牛特征的非接觸式測量。重建的肉牛三維模型可以和肉牛耳標編號對應，可服務于肉牛成長檔案與生長評價模型的建立。

（1） 研究設計了肉牛點云采集系統，通過紅外光柵與 RFID雙重觸發結構實現肉牛點云瞬時非接觸式采集，可以實現在肉牛自然狀態下的點云自動同步采集，為肉牛三維重建提供可靠的基礎數據。

（2） 開發了肉牛點云目標提取算法，從復雜環境中提取分離得到肉牛目標點云，并實現肉牛體型的三維重建與還原。提出了基于降維密度聚類的感知盒濾波算法，用于濾除與肉牛緊貼的欄桿干擾，算法在實現噪點濾除的同時，不顯著影響肉牛點云的完整性。

（3） 經過測試，本系統成功采集肉牛完整點云的成功率為91.89%，以體高值為例的重建點云距離精度誤差為0.6%，基于采集的牛點云可用于體尺參數人工測量，替代現場量測工作，實現肉牛表型數據的非接觸測量，為肉牛育種評估、養殖場精細化管理提供重要的數據支持。

參考文獻：

[1] PULINA G， ACCIARO M， ATZORI A S， et al. Animalboard invited review — Beef for future： Technologiesfor a" sustainable and profitable beef industry[J]. Ani‐mal， 2021， 15（1）： ID 100358，

[2] PULINA G， FRANCESCONI A H D， STEFANON B，et al. Sustainable ruminant production to help feed theplanet[J]. Italian Journal of Animal Science， 2017， 16（1）：140-171.

[3] BARRIUSO" A" L，" VILLARRUBIA" GONZALEZ" G，DE PAZ J F， et al. Combination of multi-agent systems and wireless sensor networks for the monitoring of cat‐ tle[J]. Sensors， 2018， 18（1）： ID 108.

[4] MAKINDE A， ISLAM M M， SCOTT S D. Opportuni‐ties for ACI in PLF： Applying animal-and user-centred design to precision livestock farming[C]// The Sixth In‐ ternational" Conference" on" Animal-Computer" Interac‐ tion. New York， United States： Association for Comput‐ ing Machinery， 2019.

[5] 曹兵海 ， 李俊雅 ， 王之盛 ， 等.2020年度肉牛牦牛產業技術發展報告[J].中國畜牧雜志 ， 2021， 57（3）：240-245.

CAO B， LI J， WANG Z ， et al.2020 Annual" technical development" reportnbsp; of beef" cattle" and" yak" industry [J]. Chinese Journal of Animal" Science， 2021， 57（3）：240-245.

[6] JVP" A，" JOSLAINE" NOELY" DOS" SANTOS" GO ‐NALVES" CYRILLO" B，" LEF" B，" et" al. Evaluation" of body weight and hip height in Nellore cows in a tropi‐ cal" environment[J]. Livestock" Science， 2020， 233（1）：ID 103953.

[7] RAZA S， KHAN S， AMJADI M， et al. Genome-wideassociation" studies" reveal" novel" loci" associated" with carcass and body measures in beef cattle[J]. Archives of" Biochemistry" and" Biophysics， 2020， 694： ID108543.

[8] AUGSPURGER" N" R，" ELLIS" M. Weighing" affectsshort-term" feeding" patterns" of" growing-finishing pigs[J]. Canadian Journal of Animal Science， 2002， 82（3）：445-448.

[9] COMINOTTE A， FERNANDES A F A， DOREA J RR， et al. Automated computer vision system to predict body weight and average daily gain in beef cattle dur‐ ing" growing" and" finishing" phases[J]. Livestock" Sci‐ ence， 2020， 232： ID 103904.

[10]許繪香.基于改進 CenterNet 的牛體尺智能測量算法[J].紅外與激光工程：1-7[2022-03-24]

XU" H. Intelligent" measurement" algorithm" of" cattle body" size" based" on" improved" CenterNet[J]. Infrared and" Laser" Engineering：1-7[2022-03-24]. http：//kns. cnki. net/kcms/detail/12.1261. TN.20220121.1414.004. html

[11] COZLER Y L， ALLAIN C， CAILLOT A， et al. High-precision scanning system for complete 3D cow body shape imaging and analysis of morphological traits[J]. Computers and Electronics in Agriculture， 2019， 157：447-453，

[12]薛廣順， 來智勇， 張志毅， 等.基于雙目立體視覺的復雜背景下的牛體點云獲取[J].計算機工程與設計 ， 2015， 36（5）：1390-1395.

XUE G， LAI Z， ZHANG Z， et al. Acquisition of points clouds of cattle in complex situation based on binocu‐lar stereo vision[J]. Computer Engineering and Design，2015， 36（5）：1390-1395.

[13] NAN J， KOOTSTRA G， KOERKAMP P G， et al. Seg‐mentation of body parts of cows in RGB-depth imagesbased" on template matching[J]. Computers" and" Elec‐tronics in Agriculture， 2021， 180： ID 105897.

[14] MARTINS B M， MENDES A L C， SILVA L F， et al.Estimating" body" weight，" body" condition" score，" andtype traits in dairy cows using three dimensional cam ‐eras and manual body measurements[J]. Livestock Sci‐ence， 2020， 236： ID 104054.

[15]王可， 郭浩， 馬欽， 等.基于單視角點云鏡像的豬只體尺測量方法[J].農業機械學報， 2018， 49（3）：187-195.

WANG K， GUO H， MA Q， et al. Pig body size mea‐surement method based on mirror reflection of singleangle point cloud[J]. Transactions of the CSAM， 2018，49（3）：187-195.

[16] PEZZUOLO A， GUARINO M， SARTORI L， et al. On-barn" pig" weight" estimation" based" on" body" measure‐ments by a Kinect v1 depth camera[J]. Computers andElectronics in Agriculture， 2018， 148：29-36.

[17]尹令， 蔡更元， 田緒紅， 等.多視角深度相機的豬體三維點云重構及體尺測量[J].農業工程學報 ， 2019， 35（23）：201-208.

YIN L， CAI G， TIAN X， et al. Three dimensional pointcloud" reconstruction" and" body" size" measurement" ofpigs" based" on" multi-view" depth" camera[J]. Transac‐tions of the CSAE， 2019， 35（23）：201-208.

[18]黨倩， 崔阿軍， 尚聞博， 等.采用歐式形態距離的負荷曲線近鄰傳播聚類方法[J].西安交通大學學報 ，2022， 56（1）：165-176.

DANG Q， CUI A， SHANG W， et al. Affinity propaga‐tion clustering method of typical load curve with eu‐clidean morphological distance[J]. Journal of Xi'an Ji‐aotong University， 2022， 56（1）：165-176.

[19]王金鑫， 秦子龍， 曹澤寧， 等.基于八叉樹的修正克里金空間插值算法[J].鄭州大學學報（工學版）， 2021， 42（6）：21-27.

WANG J， QIN Z， CAO Z， et al. Modified Kriging spa‐tial" interpolation" algorithm" based" on" octree" mecha‐nism[J]. Journal" of Zhengzhou University （Engineer‐ing Science）， 2021，42（6）：21-27.

[20] YANG L， LI Y， LI X， et al. Efficient plane extractionusing normal estimation and RANSAC from 3D pointcloud[J]. Computer Standards amp; Interfaces， 2022， 82：ID 103608.

[21]陳文龍， 時宏偉.基于 KD樹改進的 DBSCAN聚類算法[J].計算機系統應用， 2022， 31（2）：305-310.

CHEN W， SHI H. Improved DBSCAN clustering algo‐rithm based on KD tree[J]. Computer Systems amp; Appli‐cations， 2022， 31（2）：305-310.

Automatic Acquisition and Target Extraction of Beef Cattle 3D Point Cloud from Complex Environment

LI Jiawei1，3 ， MA Weihong2，3* ， LI Qifeng2，3 ， XUE Xianglong2，3 ， WANG Zhiquan4

（1. College of Information and Electrical Engineering， China Agricultural University， Beijing， China， 100091;2. Research Center of Information Technology， Beijing Academy of Agriculture and Forestry Sciences， Beijing，China， 100097;3. National Engineering Research Center for Information Technology in Agriculture， Beijing，China， 100097;4. Faculty of Agricultural， Life and Environmental Sciences， University of Alberta， Edmonton，T6G2R3， Canada ）

Abstract： Non-contact measurement based on the point cloud acquisition technology is able to alleviate the stress responses among beef cattle while collecting core body dimension data， but the current 3D data collection for beef cattle is usually time- consuming and easily influenced by the environment， which is in fact inapplicable to the actual breeding environment. In order to overcome the difficulty in obtaining the complete beef cattle point clouds， a non-contact phenotype data acquisition equip‐ ment was developed with a 3D reconstruction function， which can provide a large amount of standardized 3D quantitative phe‐ notype data for beef cattle breeding and fattening process. The system is made up of a Kinect DK depth camera， an infrared grat‐ ing trigger， and an Radio Frequency Identification （RFID） trigger， which enables the multi-angle instantaneous acquisition of beef cattle point clouds when the beef cattle pass through the walkway. The point cloud processing algorithm was developed based on the C++ platform and Point Cloud Library （PCL）， and 3D reconstruction of beef cattle point clouds was achieved through spatial and outlier point filtering， Random Sample Consensus （RANSAC） shape fitting， point cloud thinning， and per‐ ceptual box filtering based on the dimensionality reduction density clustering to effectively filter out the interference， such as noises from the railings close to the beef cattle， without destroying the integrity of the point clouds. In the present work， a total of 124 sets of point clouds were successfully collected from 20 beef cattles on the actual farm using this system， and the target extraction experiments were completed. Notably， the beef cattle passed through the walkway in a natural state without any inter‐ vention during the whole data collection process. The experimental results showed that the acquisition success rate of this de‐ vice was 91.89%. The coordinate system of the collected point cloud was consistent with the real situation and the body dimen‐ sion reconstruction error was 0.6%. This device can realize the automatic acquisition and 3D reconstruction of beef cattle point cloud data from multiple angles without human intervention， and can automatically extract the target beef cattle point clouds from a complex environment. The point cloud data collected by this system help to restore the body size and shape of beef cat‐ tle， thereby provide solid support for the measurement of core parameters such as body height， body width， body oblique length， chest circumference， abdominal circumference， and body weight.

Key words： beef cattle point cloud;3D reconstruction; point cloud processing; automatic acquisition; target extraction; non-con‐ tact measurement