猪三维点云体尺自动计算模型Pig Back Transformer.pdf

2024年7月第6卷第4期智慧农业（中英文）SmartAgricultureJul.2024Vol.6,No.4

猪三维点云体尺自动计算模型PigBackTransformer

2112，3，42，3，411，2，4*

王宇啸，石源源，陈招达，吴珍芳，蔡更元，张素敏，尹令

（1.华南农业大学数学与信息学院，广东广州510642，中国；2.国家生猪种业工程技术研究中心，广东广州510642，中

国；3.华南农业大学动物科学学院，广东广州510642，中国；4.猪禽种业全国重点实验室，广东广州510640，中国）

摘要：［［目的目的/意义意义］］为了提高体尺关键点定位准确率，猪三维点云体尺自动测量方法会采用点云分割，在各个

分割后局部点云定位测量关键点，以减少点云之间相互干扰。然而点云分割网络通常需要消耗较大计算资源，且

现有测量点定位效果仍有待提升空间。本研究旨在通过设计关键点生成网络从猪体点云中提取出各体尺测量所需

关键点。在降低显存资源需求的同时提高测量关键点定位效果，提高体尺测量的效率和精度。［［方法方法］］针对猪三维

表面点云进行体尺测量，提出了一种定位猪体尺关键点的模型PigBackTransformer。模型分为两个模块，分别设

计了两种改进的Transformer自注意力编码器，第一模块为全局关键点模块，首先设计了一种猪背部边缘点提取算

法用于获取边缘点，再使用edgeencoder编码器以边缘点集合作为输入，edgeencoder的edgeattention中加入了边

缘点和质点的偏移距离信息；第二模块为关键点生成模块，使用了backattention机制的backencoder，其中加入了

与质心和第一模块生成的全局关键点的偏移量，并将偏移量与点云注意力通过按位maxpooling操作结合，最后通

过生成猪的体尺测量关键点和背脊走向点。最后设计了使用关键点和背脊走向点作为输入的体尺算法。［［结果和讨结果和讨

论论］］对比关键点和背脊走向点生成任务上PigBackTransformer表现最佳，并对比体尺计算结果与人工测量结果，

体长相对误差为0.63%，相对PointNet++、PointTransformerV2、PointCloudTransforme、OctFormerPointTr等模型

有较大提升。［［结论结论］］PigBackTransformer能相对准确地生成猪体尺关键点，提高体尺测量数据准确度，并且通过

点云特征定位体尺关键点节省了计算资源，为无接触牲畜体尺测量提供了新思路。

关键词：PigBackTransformer；三维点云；体尺自动测量；测量关键点定位；深度相机；自注意力机制

中图分类号：S2文献标志码：A文章编号：SA202401023

引用格式：王宇啸,石源源,陈招达,吴珍芳,蔡更元,张素敏,尹令.猪三维点云体尺自动计算模型PigBackTrans‐

former[J].智慧农业(中英文),2024,6(4):76-90.DOI：10.12133/j.smartag.SA202401023

WANGYuxiao,SHIYuanyuan,CHENZhaoda,WUZhenfang,CAIGengyuan,ZHANGSumin,YINLing.PigBack

Transformer:Automatic3DPigBodyMeasurementModel[J].SmartAgriculture,2024,6(4):76-90.DOI：10.12133/j.

smartag.SA202401023(inChinesewithEng