DOI: https://doi.org/10.3390/agriculture14101785
تاريخ النشر: 2024-10-11
المؤلف: Yi Sun وآخرون
الموضوع الرئيسي: دراسات سلوك الحيوان ورفاهيته
نظرة عامة
تقدم هذه الدراسة نظامًا جديدًا للاكتساب والاستخراج وإعادة البناء في الوقت الحقيقي لنقاط سحاب الماعز في بيئات المزارع الديناميكية بدون تلامس. باستخدام ثلاث كاميرات عمق، يلتقط النظام قياسات الجسم الأساسية – مثل ارتفاع الجسم، وطول الميل، ومحيط الصدر – مع معالجة التحديات التي تطرحها العوامل البيئية مثل الأسوار والغبار. تسهل تنفيذ منطق التحفيز الموزع ثنائي الاتجاه جمع البيانات الفوري أثناء تحرك الماعز عبر قناة محددة. يتم استخدام طريقة متخصصة للتعرف على الضوضاء وتصفيتها للتخفيف من الاضطرابات، مما يضمن استخراج دقيق لنقاط السحاب، بينما يعالج خوارزمية إكمال نقاط السحاب الموزعة الفجوات في البيانات الناتجة عن العوائق.
يظهر النظام أداءً مثيرًا للإعجاب، حيث يعالج كل ماعز في متوسط 3-5 ثوانٍ، مع عدم تجاوز انحرافات القياس 25 مم ومعدل خطأ متوسط قدره 3.1%. بينما تعيد التكنولوجيا تشكيل أشكال الماعز بشكل فعال، لا تزال هناك تحديات في إكمال المناطق التي تفتقر إلى بيانات كبيرة، مثل الرأس والعنق. ستركز الأعمال المستقبلية على تحسين موضع الكاميرات واستكشاف تقنيات نقاط السحاب المتقدمة لتعزيز اكتمال البيانات. في النهاية، يهدف هذا النظام إلى تسهيل التحليل الظاهري الدقيق للماعز، مما يساهم في تحسين مراقبة وتقييم نموهم وصحتهم في بيئات المزارع الحقيقية.
مقدمة
تسلط المقدمة الضوء على الطلب المتزايد عالميًا على لحم الضأن وتؤكد على أهمية تعزيز كفاءة إنتاج اللحوم في الماعز مع تقليل تكاليف الزراعة. يرتبط حجم الجسم في الماعز ارتباطًا وثيقًا بعوامل مختلفة مثل الحالة التنموية، والوظيفة الفسيولوجية، والسمات الوراثية، مما يجعل القياسات الدقيقة ضرورية لتقييم حالة الجسم، وكفاءة إنتاج اللحوم، وإمكانات التربية. تعتبر طرق القياس اليدوية التقليدية كثيفة العمالة ويمكن أن تسبب ضغطًا على الحيوانات، مما يؤثر سلبًا على النمو.
لتجاوز هذه التحديات، أدى دمج تكنولوجيا الرؤية الحاسوبية في إدارة الماشية إلى تطوير طرق آلية غير جراحية لقياس حجم الجسم. بينما أظهرت تقنيات التصوير ثنائي الأبعاد وعدًا، إلا أنها محدودة في المعلومات التي تقدمها. لقد مكنت تقنيات التصوير ثلاثي الأبعاد، مثل كاميرات العمق، من تحليل أكثر تفصيلًا ونمذجة هياكل جسم الحيوانات. ومع ذلك، تواجه التطبيقات العملية تحديات مثل الانسدادات والتداخلات البيئية التي تعقد جمع البيانات. تقترح هذه الدراسة نظامًا تلقائيًا لاكتساب نقاط السحاب من زوايا متعددة مصممًا للماعز في بيئات الزراعة الحقيقية، بالإضافة إلى طريقة لتصفية الضوضاء البيئية وخوارزمية إكمال نقاط السحاب الموزعة بناءً على الخصائص الظاهرية للماعز، بهدف تعزيز دقة إعادة بناء النماذج ثلاثية الأبعاد وقياسات حجم الجسم.
طرق
في هذه الدراسة، تم تطوير نظام للاكتساب والاستخراج وإعادة البناء السريع لنقاط سحاب الماعز بدون تلامس وفي الوقت الحقيقي، مستهدفًا بشكل خاص ماعز بور وماعز يوشانغ الأسود الذين تتراوح أعمارهم بين 6 إلى 12 شهرًا. تم إجراء التجارب في حظيرة ماعز مقسمة في مزرعة كونه مينغ للتربية في يونان، الصين، باستخدام أرضية خرسانية وأخذ العوامل البيئية مثل الغبار والمعدات في الاعتبار. تم برمجة النظام بلغة C++ لإدارة الموارد بكفاءة واستخدمت K4A SDK لاستشعار العمق المتقدم، جنبًا إلى جنب مع مكتبة نقاط السحاب (PCL) لمعالجة بيانات نقاط السحاب بشكل فعال.
لمعالجة التحديات التي تطرحها الحركة السريعة للماعز والتغيرات الكبيرة في الوضعية، تم تنفيذ منطق تحفيز موزع ثنائي الاتجاه. كان هذا النظام يراقب باستمرار علامات الأذن عالية التردد بينما يستخدم مستشعرًا شبكيًا لتحديد مواقع الماعز. عند تفعيل المستشعر الشبكي، قامت ثلاث كاميرات Kinect DK بجمع بيانات صورة العمق، والتي تم تحويلها لاحقًا إلى بيانات نقاط سحاب عندما تم التقاط كل من إشارة علامة الأذن وإشارة الشبكة في نفس الوقت. ناقشت الدراسة أيضًا تأثير الضوضاء البيئية على جمع البيانات، مع تحديد نوعين رئيسيين من الضوضاء: التداخل من معدات الأسوار والضوضاء الناتجة عن السياج نفسه، والتي يمكن أن تؤثر على جودة بيانات نقاط السحاب.
نتائج
تظهر نتائج الدراسة حول استخراج وإعادة بناء نقاط سحاب الماعز فعالية الخوارزمية المقترحة من خلال تجربة شملت 14 ماعزًا. كانت بيانات نقاط السحاب التي تم التقاطها بواسطة كاميرا عمق بزاوية علوية بمثابة مرجع لمزامنة نقاط السحاب الإضافية من الجانبين الأيسر والأيمن، كما هو موضح في الشكل 11A. لتعزيز قوة الطريقة ضد الضوضاء البيئية – مثل الغبار والحشرات وغيرها من العوائق التي يمكن أن تتداخل مع الليزر – تم تنفيذ تقنية التعرف على الضوضاء البيئية وتصفيتها، كما هو موضح في الشكل 11B.
علاوة على ذلك، تم استخدام خوارزمية إكمال نقاط سحاب الماعز الموزعة لمعالجة المكونات الحرجة المفقودة من نقاط السحاب، كما هو موضح في الشكل 11C. على الرغم من أن بعض التفاصيل، مثل ملامح الأذنين والرأس، قد لا يتم إعادة بنائها بالكامل، إلا أن الخصائص العامة لنقاط سحاب الماعز تظل سليمة. وهذا يسمح بتقييمات دقيقة للمعايير الفيزيائية للماعز دون إدخال عدم اليقين الكبير، مما يثبت قابلية تطبيق الطريقة عمليًا في بيئات الزراعة الحقيقية.
مناقشة
تقدم البحث نظامًا شاملاً لاكتساب نقاط سحاب ثلاثية الأبعاد للماعز، يجمع بين تقنيات مختلفة لتعزيز جمع البيانات ومعالجتها. يتكون النظام المطور من كمبيوتر صناعي، وقارئ تعريف الأذن عالي التردد، ومستشعرات شبكية، وثلاث كاميرات Kinect DK للعمق، موضوعة بشكل استراتيجي لالتقاط البيانات من زوايا متعددة. يسمح هذا التكوين بالتعرف الدقيق على الماعز الفردية وتحديد مواقعها أثناء مرورها عبر النظام، مع تقليل الاضطرابات من خلال توجيه الكابلات الداخلية ونقل البيانات عبر USB 3.0. يتم تفصيل مواصفات النظام في الجداول المرفقة.
لمعالجة تحديات تسجيل نقاط السحاب متعددة الزوايا، تستخدم الدراسة طريقة محاذاة قائمة على المرجع، باستخدام سحابة النقاط من الزاوية العلوية لحساب مصفوفات الدوران والترجمة اللازمة لدمج البيانات من الكاميرات الجانبية. بالإضافة إلى ذلك، تم تقديم طريقة قوية للتعرف على الضوضاء البيئية وتصفيتها للقضاء على نقاط البيانات غير ذات الصلة من نقاط السحاب المجمعة، مع التركيز على تمييز البيانات المتعلقة بالماعز عن الضوضاء الخلفية مثل الغبار والمعدات. يتم تحقيق ذلك من خلال تقنيات تصفية متنوعة، بما في ذلك تحليل النقاط المجاورة وتقليل حجم الفوكسل، مما يضمن أن تمثل نقاط السحاب النهائية الماعز بدقة مع تقليل التكرار وتداخل الضوضاء. يتم توضيح فعالية هذه الطرق من خلال الأشكال التي تظهر عمليات التصفية وبيانات نقاط السحاب النظيفة الناتجة.
DOI: https://doi.org/10.3390/agriculture14101785
Publication Date: 2024-10-11
Author(s): Yi Sun et al.
Primary Topic: Animal Behavior and Welfare Studies
Overview
This research presents a novel system for the real-time, non-contact acquisition, extraction, and reconstruction of goat point clouds in dynamic farm environments. Utilizing three depth cameras, the system captures essential body measurements—such as body height, body slant length, and chest circumference—while addressing challenges posed by environmental factors like fences and dust. The implementation of bidirectional distributed triggering logic facilitates instantaneous data collection as goats move through a designated channel. A specialized noise recognition and filtering method is employed to mitigate disturbances, ensuring accurate point cloud extraction, while a distributed point cloud completion algorithm addresses data gaps caused by obstructions.
The system demonstrates impressive performance, processing each goat in an average of 3-5 seconds, with measurement deviations not exceeding 25 mm and an average error rate of 3.1%. While the technology effectively reconstructs the goats’ shapes, challenges remain in completing areas with significant missing data, such as the head and neck. Future work will focus on optimizing camera positioning and exploring advanced point cloud technologies to enhance data completeness. Ultimately, this system aims to facilitate precise phenotypic analysis of goats, contributing to improved monitoring and evaluation of their growth and health in real farm settings.
Introduction
The introduction highlights the growing global demand for lamb meat and emphasizes the importance of enhancing meat production efficiency in goats while reducing farming costs. Body size in goats is closely linked to various factors such as developmental status, physiological function, and genetic traits, making accurate measurements essential for assessing body condition, meat production efficiency, and breeding potential. Traditional manual measurement methods are labor-intensive and can stress animals, negatively impacting growth.
To overcome these challenges, the integration of computer vision technology into livestock management has led to the development of non-invasive, automated methods for body size measurement. While 2D imaging techniques have shown promise, they are limited in the information they provide. The advent of 3D imaging technologies, such as depth cameras, has enabled more detailed analysis and modeling of animal body structures. However, practical applications face challenges such as occlusions and environmental interferences that complicate data collection. This study proposes a multi-view automatic point cloud acquisition system tailored for goats in real farming environments, along with a method for filtering environmental noise and a distributed point cloud completion algorithm based on goat phenotypic characteristics, aiming to enhance the accuracy of 3D model reconstruction and body size measurements.
Methods
In this study, a system was developed for the rapid, non-contact, real-time acquisition, extraction, and reconstruction of goat point clouds, specifically targeting Boer and Yushang Black goats aged 6 to 12 months. The experiments were conducted in a partitioned goat pen at the Kunming Breeding Farm in Yunnan, China, utilizing a concrete floor and accounting for environmental disturbances such as dust and equipment. The system was programmed in C++ for efficient resource management and employed the K4A SDK for advanced depth sensing, alongside the Point Cloud Library (PCL) for effective point cloud data processing.
To address the challenges posed by the goats’ rapid movement and significant postural changes, a bidirectional distributed trigger logic was implemented. This system continuously monitored high-frequency ear tags while using a grating sensor to determine the goats’ positions. Upon activation of the grating sensor, three Kinect DK cameras collected depth image data, which were subsequently converted into point cloud data when both the ear tag and grating signals were captured simultaneously. The study also discussed the impact of environmental noise on data acquisition, identifying two primary types of noise: interference from the fencing equipment and noise generated by the fencing itself, which could affect the quality of the point cloud data.
Results
The results of the study on goat point cloud extraction and reconstruction demonstrate the effectiveness of the proposed algorithm through an experiment involving 14 goats. The point cloud data captured by a top-angle depth camera served as a reference for aligning additional point clouds from the left and right sides, as shown in Figure 11A. To enhance the robustness of the method against environmental noise—such as dust, insects, and other obstructions that can interfere with the laser—an environmental noise recognition and filtering technique was implemented, illustrated in Figure 11B.
Furthermore, a distributed goat point cloud completion algorithm was utilized to address missing critical components of the point cloud, as depicted in Figure 11C. Although certain details, such as the contours of the ears and head, may not be fully reconstructed, the overall characteristics of the goat point cloud remain intact. This allows for accurate assessments of the goats’ physical parameters without introducing significant uncertainty, thereby validating the method’s practical applicability in real farming environments.
Discussion
The research presents a comprehensive system for 3D point cloud acquisition of goats, integrating various technologies to enhance data collection and processing. The developed system consists of an industrial computer, a high-frequency ear identification reader, grating sensors, and three Kinect DK depth cameras, strategically positioned to capture data from multiple angles. This configuration allows for precise identification and positioning of individual goats as they pass through the system, while minimizing disturbances through internal cable routing and USB 3.0 data transmission. The system’s specifications are detailed in accompanying tables.
To address the challenges of multi-view point cloud registration, the study employs a reference-based alignment method, utilizing the top viewpoint cloud to compute necessary rotation and translation matrices for merging data from the side cameras. Additionally, a robust environmental noise recognition and filtering method is introduced to eliminate irrelevant data points from the collected point clouds, focusing on distinguishing goat-related data from background noise such as dust and equipment. This is achieved through various filtering techniques, including neighbor point analysis and voxel downsampling, ensuring the final point cloud accurately represents the goats while minimizing redundancy and noise interference. The effectiveness of these methods is illustrated through figures demonstrating the filtering processes and the resulting clean point cloud data.