买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉东北农业大学申请的专利一种数据层融合的母猪体况综合评分方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119540991B 。

龙图腾网通过国家知识产权局官网在2025-08-26发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411594511.0，技术领域涉及：G06V40/10；该发明授权一种数据层融合的母猪体况综合评分方法是由周红;谢秋菊;刘培杰;李斌;李海源;刘洪贵;包军;郑萍;于海明;张继成;王文峰设计研发完成，并于2024-11-09向国家知识产权局提交的专利申请。

本一种数据层融合的母猪体况综合评分方法在说明书摘要公布了：本发明的一种数据层融合的母猪体况综合评分方法属于一种检测方法，包括如下步骤：S1：图像采集与数据获取；S2：RGB图像与深度图像融合为点云；S3：原始点云与融合后点云融合；S4：融合后点云与一维数据融合；S5：母猪体况评分模型的建立和训练；S6：母猪体况评分。本发明将一维数据、二维图像、三维图像通过数据融合方法，完成数据层的融合，提出了CIW方法，这种方法旨在提高模型对少数类长尾部分的关注度，同时保持对多数类的识别能力，RGB图像包含猪体的颜色、轮廓、纹理特征；深度相机采集的为单个激光点视角的猪体特征；激光雷达采集了多个分布式激光点的视角的猪体特征；三类不同的图像特征，互相补充，同时兼顾不同的品种、胎次和生产阶段，使得评分方法具有广泛的适用性。

本发明授权一种数据层融合的母猪体况综合评分方法在权利要求书中公布了：1.一种数据层融合的母猪体况综合评分方法，其特征包括如下步骤： S1：图像采集与数据获取 数据采集阶段需要获取的图像和数据包括： 1在母猪右侧、左侧和臀部后方分别通过RGB相机、深度相机、激光雷达获取其同一位置的二维RGB图像、三维深度图像和三维点云，实现图像的采集；其中，RGB相机和深度相机设置相同的分辨率； 2获取母猪品种、胎次、繁殖阶段一维数据； S2：RGB图像与深度图像融合为点云 1RGB图像配准 a.将深度图转换为灰度图 深度相机架设在离地面m米高处，因此深度图像中深度值的范围为[0,m]，将深度图像进行处理，完成深度值到灰度值的映射，生成带有深度信息的灰度图像，灰度图像的灰度值范围为[0,255]共256个值，深度值映射原理如公式1所示，其中，graypix为转换后的灰度图的灰度值，dpix为原深度图像中的深度值，pix为每个像素的下标； b.使用灰度图配准RGB图 通过特征点识别和匹配算法进行RGB图与S21a步骤所得灰度图中猪体区域特征点的匹配，换算出配准系数[cx,cy]，将RGB图进行转换，使得RGB图中的猪体和深度图重合，得到配准后的RGB图像；其中，RGB图转换的原理如公式2所示，其中x0,y0为RGB图像配准前的坐标，xr,yr为配准后的坐标，cx为横坐标的配准系数，cy为纵坐标的配准系数； 2深度图像转换为点云 获取深度相机的内参，焦距fx和fy，将数据从图像坐标系转换到世界坐标系，得到转换后的点云，计算公式如公式3所示： 其中，x，y，z为点云坐标，D为深度值，fx和fy为相机焦距，x′和y′为深度图像坐标，转换后点云包含背景和猪体； 3配准后的RGB图像与转换后的点云融合 S22中转换后的点云数据维度为n×3，其中n为每个点云点的个数，3为每个点的坐标x,y,z的数据维度；S21中配准后的RGB图像的数据维度为xr×yr×3，其中xr和yr为配准后的RGB图像的尺寸，3为每个像素点的RGB值，表示为r,g,b； 通过连接操作将配准后的RGB图像与转换后的点云融合，记作符号⊕，融合操作定义为x,y,z⊕r,g,b，表示将点云的坐标点x,y,z与RGB值r,g,b进行连接，融合后的数据，仍以点云的形式呈现，点云的维度为n×6，其中n为融合后点云点的个数，6为每个点的数据维度，融合后每个点的数据表示为x,y,z,r,g,b； S3：原始点云与融合后点云融合 经过S2获得的融合点云与S1步骤1中通过激光雷达采集到的原始猪体点云进行融合，两部分点云分别包含猪体和背景，首先进行猪体点云的分割，分割后的猪体分别包含猪的左侧点云、右侧点云和后臀部点云，之后将分割后的所有点云进行融合，具体步骤如下： 1猪体点云分割 点云包含猪体和背景两个部分，采用具有柔性卷积核的KPFCNN方法进行猪体点云分割，去掉背景点云，分割出猪体部分的点云，采用最近邻法进行点的上采样，采用对应层特征传播，特征提取的核心操作是核点卷积，任意点o的特征为其所有邻域点特征分别经过核心点卷积后求和，计算如式4所示： 其中，or为点o在邻域空间No内的点，fr为邻域点or的特征，gdeform为核点卷积运算函数，本模型中使用柔性卷积核，Δo为核点的偏移量；模型能够根据点云中的局部结构，生成对应的偏移向量去改变核点的空间位置，从而生成适应于局部点云结构的柔性卷积核，最终使模型能够从不同形态的猪体点云中提取特征； 2点云融合 分割后的点云包含六个部分，表示为i，分别是S1步骤1中激光雷达采集的猪体两侧点云、猪体后臀部点云，以及S2步骤3中RGB与深度图像融合而来的猪体两侧点云、猪体后臀部点云，点云维度为ni×6，i＝1,2,3,4,5,6；其中ni为每个点云中点的个数，将六个类型的点云直接进行数据的连接，融合后的点云维度为 S4：融合后点云与一维数据融合 S3步骤融合后的点云维度一维数据的维度1×3，首先将一维数据进行重复性扩展，维度变为将维度为的融合点云与维度为的扩展数据，进行对应点特征的连接操作，最终融合的数据的维度为 S5：母猪体况评分模型的建立和训练 通过S2步骤、S3步骤、S4步骤数据融合操作，将一维、二维、三维数据进行融合，最终完成了多模态体况评估数据的数据层融合，融合后的数据维度为将其作为输入建立体况评分模型完成母猪体况评分；母猪体况评分采用5级评分标准，基于类别影响度加权的体况评分方法： 此处的类别数为5分别对应母猪的5个评分等级，CIW具体步骤如下： 1类别样本数量统计 统计每个类别j的样本数量，得到第j个类别的样本数nj，j＝1,2,3,4,5； 2预测不确定性评估 使用RepSurf模型对每个类别的样本进行预测，对于单个样本，其预测的熵H计算如公式5所示： 其中pj为第j个类别的预测概率；为了计算每个类别j的平均预测不确定性uj，需要对属于该类别的所有样本的熵进行平均，计算如公式6所示；其中，第j个类别的样本数mj，每个样本k的熵为Hk： 3类别影响度计算 结合类别样本数量和预测不确定性，计算第j个类别的影响度Ij，计算如公式7所示： 4归一化权重 将所有类别的影响度I进行归一化处理，得到第j个类别的最终权重wj，计算如公式8所示： 5应用权重 在模型训练过程中，使用计算得到的类别权重wj来调整损失函数； 基于CIW方法和RepSurf基本架构构建体况评分模型，包括CIW权重计算模块、输入模块、特征提取模块和输出模块，其中CIW模块完成不同类别的权重计算，输入模块完成融合数据的空间对齐和初始化，特征提取模块从融合数据中提取与体况评分相关的特征，输出模块完成体况评分的预测，在输出模块中，损失值的计算采用CIW模块所生成的不同分类的加权损失； S6：母猪体况评分 在模型使用阶段，采集母猪两个侧面和后臀部的RGB图、深度图和点云，获取母猪的品种、胎次和生产阶段数据，使用CIW-RepSurf模型生成母猪的体况评分，最终满足多品种多胎次不同生产阶段的母猪体况评分。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人东北农业大学，其通讯地址为：150036 黑龙江省哈尔滨市香坊区长江路600号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。