復(fù)雜環(huán)境下肉牛三維點(diǎn)云重建與目標(biāo)提取方法

摘要：基于點(diǎn)云采集技術(shù)的非接觸式測(cè)量能夠緩解肉牛在采集體尺體重等參數(shù)時(shí)的應(yīng)激問(wèn)題，但采集肉牛的三維數(shù)據(jù)耗時(shí)長(zhǎng)且易受環(huán)境干擾而產(chǎn)生大量無(wú)關(guān)噪點(diǎn)，難以適應(yīng)實(shí)際養(yǎng)殖環(huán)境需求。為解決該問(wèn)題，本研究開發(fā)了一種非接觸式肉牛三維點(diǎn)云重建與目標(biāo)提取系統(tǒng)與方法，采集的肉牛三維點(diǎn)云可為肉牛育種育肥提供大量標(biāo)準(zhǔn)化和三維量化表型數(shù)據(jù)。三維點(diǎn)云采集系統(tǒng)由 Kinect DK深度相機(jī)、紅外對(duì)射光柵觸發(fā)器和射頻識(shí)別（Radio Frequency Identification ，RFID）觸發(fā)器組成，可在肉牛自由通過(guò)步行道的瞬間實(shí)現(xiàn)肉牛點(diǎn)云的多角度瞬時(shí)采集。肉牛點(diǎn)云目標(biāo)提取方法基于 C++語(yǔ)言與點(diǎn)云處理庫(kù)（Point Cloud Library，PCL）開發(fā)，通過(guò)空間直通濾波、統(tǒng)計(jì)學(xué)離群點(diǎn)濾波、隨機(jī)抽樣一致（Random Sample Consensus，RANSAC）形態(tài)擬合與點(diǎn)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(diǎn)云的完整性，實(shí)現(xiàn)肉牛點(diǎn)云的三維重建與分析。在養(yǎng)殖場(chǎng)中對(duì)20頭肉牛進(jìn)行了124次點(diǎn)云采集與目標(biāo)提取試驗(yàn)。結(jié)果表明，重建的肉牛三維模型與肉牛真實(shí)形態(tài)1：1對(duì)應(yīng)，系統(tǒng)的采集成功率為91.89%，采集的點(diǎn)云與真實(shí)值相比，體尺重建誤差為0.6%。該系統(tǒng)與方法可以在無(wú)人干預(yù)的情況下，實(shí)現(xiàn)多角度肉牛點(diǎn)云數(shù)據(jù)的自動(dòng)采集與三維重建，并從復(fù)雜環(huán)境中自動(dòng)提取目標(biāo)肉牛的點(diǎn)云，為非接觸式肉牛體高、體寬、體斜長(zhǎng)、胸圍、腹圍和體重等核心表型參數(shù)的測(cè)量提供重要的方法支撐，促進(jìn)肉牛育種和育肥的標(biāo)準(zhǔn)化管理。

關(guān)鍵詞：肉牛點(diǎn)云;三維重建;點(diǎn)云處理;自動(dòng)采集;目標(biāo)提取;非接觸測(cè)量

中圖分類號(hào)：S872;TP391.4""""" 文獻(xiàn)標(biāo)志碼：A"""""""" 文章編號(hào)：SA202206003

引用格式：李嘉位， 馬為紅， 李奇峰， 薛向龍， WANG Zhiquan.復(fù)雜環(huán)境下肉牛三維點(diǎn)云重建與目標(biāo)提取方法[J].智慧農(nóng)業(yè)（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(lái)，世界牛肉供應(yīng)量持續(xù)增長(zhǎng)，但在肉類總供應(yīng)量占比中逐年下降，已經(jīng)被禽肉和豬肉產(chǎn)量超越，這種下降趨勢(shì)主要由牛肉行業(yè)的生產(chǎn)力低于其他牲畜品種導(dǎo)致[1]。在這種情況下，提高肉牛個(gè)體的產(chǎn)肉能力與養(yǎng)殖成本控制成為肉牛產(chǎn)業(yè)發(fā)展的關(guān)鍵[2]，精細(xì)化養(yǎng)殖（PrecisionLivestock Farming ，PLF）是改善肉牛生產(chǎn)力與成本控制的途徑之一[3]。

精細(xì)化養(yǎng)殖，即通過(guò)信息技術(shù)自動(dòng)監(jiān)控單一動(dòng)物的成長(zhǎng)過(guò)程，并隨時(shí)調(diào)整飼喂與養(yǎng)殖策略[4]。而在規(guī)模化肉牛養(yǎng)殖與育種中，肉牛體型體重與體尺參數(shù)等表型數(shù)據(jù)的測(cè)定是飼喂與養(yǎng)殖策略調(diào)整的基礎(chǔ)性關(guān)鍵內(nèi)容[5]，是肉牛遺傳育種中性能測(cè)定的重要數(shù)據(jù)[6]，對(duì)遺傳力與遺傳價(jià)值評(píng)估有重要意義[7]。通過(guò)手工采集肉牛的表型數(shù)據(jù)是主流檢測(cè)方法，但會(huì)引起嚴(yán)重的動(dòng)物應(yīng)激反應(yīng)[8]，導(dǎo)致動(dòng)物采食量下降、臨時(shí)性的降低生長(zhǎng)發(fā)育速度，養(yǎng)殖成本上升。

為解決人工采集肉牛表型數(shù)據(jù)引起動(dòng)物應(yīng)激的問(wèn)題，非接觸式體尺測(cè)量方法被提出。通過(guò)圖像或點(diǎn)云數(shù)據(jù)可以對(duì)肉牛的體重、體尺等數(shù)據(jù)進(jìn)行采集[9] 。如許繪香[10] 提出了一種基于改進(jìn) CenterNet 的智能測(cè)量算法實(shí)現(xiàn)了肉牛體尺的自動(dòng)測(cè)量。Cozler等[11]利用 Morpho3D掃描設(shè)備采集了荷斯坦奶牛整個(gè)牛體的3D 圖像，將激光投射到母牛身上產(chǎn)生激光條紋，并由對(duì)應(yīng)的相機(jī)捕獲，以此提取奶牛的3D 信息并成功計(jì)算體尺。薛廣順等[12]通過(guò)雙視角的 RGB相機(jī)實(shí)現(xiàn)了復(fù)雜背景下牛體三維點(diǎn)云的重建與提取，但存在匹配點(diǎn)獲取不均勻等問(wèn)題，獲取的三維點(diǎn)云數(shù)據(jù)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(jù)圖像的像素值計(jì)算牛體體長(zhǎng)、體寬、胸高和臀高等體尺數(shù)。 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(duì)牛頭、軀干部和腹部等區(qū)域進(jìn)行自動(dòng)分割。Martins等[14]通過(guò) Kinect 3D相機(jī)從側(cè)面和背面獲取了母牛的3D 數(shù)據(jù)并將其用于預(yù)測(cè)母牛體重，但容易被實(shí)際養(yǎng)殖中的雜亂環(huán)境干擾。在以生豬為對(duì)象的研究中，三維點(diǎn)云數(shù)據(jù)采集也被廣泛應(yīng)用，如王可等[15]基于單視角3D 相機(jī)通過(guò)鏡像重建的方式構(gòu)建了豬只點(diǎn)云采集與體尺測(cè)量算法，但該方法對(duì)豬的姿態(tài)有一定要求。Pezzuolo等[16]使用兩臺(tái)3D相機(jī)從不同角度獲取豬只點(diǎn)云等，但該方法要求動(dòng)物靜止且精度受限，不適合實(shí)際生產(chǎn)應(yīng)用。尹令等[17]設(shè)計(jì)了多幀融合算法提取生豬點(diǎn)云，但相關(guān)研究中仍存在噪點(diǎn)濾除困難、在真實(shí)養(yǎng)殖環(huán)境中適用性差、容易受動(dòng)物姿態(tài)影響、三維重建精度不高等問(wèn)題。

本研究針對(duì)肉牛通道內(nèi)行走中的肉牛點(diǎn)云獲取難度大、肉牛目標(biāo)提取不完整、緊貼肉牛的通道欄桿噪點(diǎn)濾除困難等問(wèn)題，設(shè)計(jì)了一套適用于肉牛實(shí)際養(yǎng)殖環(huán)境的多視角點(diǎn)云自動(dòng)采集系統(tǒng)，實(shí)現(xiàn)三維點(diǎn)云數(shù)據(jù)的自動(dòng)采集與重建，并從重建的點(diǎn)云數(shù)據(jù)中完整提取肉牛目標(biāo)點(diǎn)云。提取的肉牛目標(biāo)點(diǎn)云數(shù)據(jù)精度高、還原度強(qiáng)，可以為肉牛體尺計(jì)算、體重估測(cè)等實(shí)際應(yīng)用需求提供可靠的數(shù)據(jù)基礎(chǔ)。

2材料與方法

2.1肉牛三維點(diǎn)云采集系統(tǒng)搭建

為實(shí)現(xiàn)肉牛三維點(diǎn)云的實(shí)時(shí)和自動(dòng)化采集，設(shè)計(jì)了一套肉牛三維點(diǎn)云采集系統(tǒng)。該系統(tǒng)可以架設(shè)于肉牛的常規(guī)通道上，在肉牛通過(guò)時(shí)自動(dòng)實(shí)現(xiàn)觸發(fā)與多角度深度圖像數(shù)據(jù)采集。

2.1.1系統(tǒng)設(shè)計(jì)

系統(tǒng)主要由 Kinect DK 深度相機(jī)、射頻識(shí)別（Radio Frequency Identification ，RFID ）識(shí)讀器、對(duì)射光柵器、工控機(jī)、肉牛通道和支撐底座等組成，呈龍門架樣設(shè)計(jì)。其中 Kinect DK 共部署五臺(tái)，分別在龍門支架的頂部橫梁、左側(cè)支架和右側(cè)支架中點(diǎn)上用于原始深度圖像數(shù)據(jù)的采集。頂部的 Kinect DK相機(jī)部署于頂部橫梁中心的位置。RFID 識(shí)讀器與紅外對(duì)射光柵傳感器用于識(shí)別肉牛通過(guò)通道并觸發(fā)同步采集信號(hào)，工控機(jī)負(fù)責(zé)所有系統(tǒng)之間的通訊、控制及數(shù)據(jù)的處理。系統(tǒng)結(jié)構(gòu)與實(shí)物如圖1所示。

2.1.2系統(tǒng)主要參數(shù)

為實(shí)現(xiàn)肉牛在自然通行狀態(tài)下完成多角度三維數(shù)據(jù)采集，降低采集過(guò)程中肉牛出現(xiàn)應(yīng)激反應(yīng)的可能性，選擇不同的通道尺寸、RFID 感應(yīng)距離與觸發(fā)策略，實(shí)現(xiàn)在盡可能節(jié)省空間的前提下，使不同尺寸的肉牛通過(guò)瞬間，均可自動(dòng)觸發(fā)肉牛點(diǎn)云的完整采集，經(jīng)過(guò)在肉牛養(yǎng)殖廠內(nèi)進(jìn)行初步測(cè)試與試驗(yàn)，最終確定系統(tǒng)關(guān)鍵參數(shù)如表1所示。以上參數(shù)可保證肉牛順利通過(guò)肉牛三維點(diǎn)云采集系統(tǒng)，不會(huì)出現(xiàn)轉(zhuǎn)身后退等異常情況。同時(shí)可以保證在肉牛每次到達(dá)系統(tǒng)的正下方的瞬間，系統(tǒng)被有效觸發(fā)并采集點(diǎn)云數(shù)據(jù)。

2.1.3數(shù)據(jù)采集流程

由于肉牛通過(guò)速度快、姿態(tài)變化大，需要對(duì)系統(tǒng)的觸發(fā)邏輯與五個(gè) Kinect DK 深度相機(jī)采集算法的實(shí)時(shí)性進(jìn)行規(guī)劃設(shè)計(jì)。

本系統(tǒng)采用雙邏輯序列觸發(fā)結(jié)構(gòu)，通過(guò)同步信號(hào)驅(qū)動(dòng)五臺(tái) Kinect DK 深度相機(jī)，保證肉牛通過(guò)時(shí)可以有效觸發(fā)采集且不會(huì)在同一時(shí)刻對(duì)同一肉牛進(jìn)行多次非必要采集。

系統(tǒng)觸發(fā)與采集邏輯如圖2所示。當(dāng)肉牛到達(dá)系統(tǒng)正下方的瞬間，光柵傳感器被觸發(fā)，觸發(fā)信號(hào)到達(dá)工控機(jī)的瞬間，驅(qū)動(dòng) RFID 識(shí)讀器閱讀肉牛耳標(biāo)編號(hào)，當(dāng)有效耳標(biāo)被讀取時(shí)，系統(tǒng)同時(shí)向五臺(tái) Kinect DK 相機(jī)發(fā)送采集命令，實(shí)現(xiàn)深度圖像的瞬間采集。

特別地，若同一頭肉牛停留在采集區(qū)內(nèi)會(huì)引起非必要的多次采集，對(duì)此添加判斷邏輯，僅在相鄰兩次觸發(fā)肉牛編號(hào)不同時(shí)觸發(fā)深度相機(jī)采集操作。

2.2肉牛點(diǎn)云數(shù)據(jù)采集

試驗(yàn)場(chǎng)地為甘肅省武威市古浪縣甘肅迅馳優(yōu)牛農(nóng)牧有限公司的肉牛養(yǎng)殖場(chǎng)，將肉牛三維點(diǎn)云采集系統(tǒng)架設(shè)于養(yǎng)殖場(chǎng)的肉牛轉(zhuǎn)場(chǎng)通道上，在肉牛通過(guò)的瞬間進(jìn)行自動(dòng)采集多視角三維點(diǎn)云數(shù)據(jù)，采集時(shí)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(yàn)前在右耳處為其佩戴定制的超高頻 RFID 標(biāo)簽。試驗(yàn)中，驅(qū)趕肉牛進(jìn)入轉(zhuǎn)場(chǎng)通道。轉(zhuǎn)場(chǎng)通道可保證肉牛可以不受約束地以自然狀態(tài)向前通行，同時(shí)肉牛無(wú)法在通道內(nèi)轉(zhuǎn)身或掉頭返回。

深度圖像采集系統(tǒng)架設(shè)于轉(zhuǎn)場(chǎng)通道的中間部分，不與肉牛接觸且對(duì)肉牛通行不構(gòu)成干擾。試驗(yàn)人員從遠(yuǎn)端將肉牛驅(qū)趕進(jìn)入轉(zhuǎn)場(chǎng)通道，轉(zhuǎn)場(chǎng)通道入口距深度圖像采集系統(tǒng)約60 m 。此階段內(nèi)，使肉牛以自然狀態(tài)向前行走。當(dāng)肉牛到達(dá)深度圖像采集系統(tǒng)的正下方時(shí)，根據(jù)觸發(fā)算法邏輯進(jìn)行多視角深度圖像自動(dòng)采集。試驗(yàn)周期內(nèi)，每頭肉牛以自然狀態(tài)通過(guò)轉(zhuǎn)場(chǎng)通道若干次，共采集深度圖像數(shù)據(jù)124組。

2.3肉牛點(diǎn)云三維重建

將 Kinect DK系統(tǒng)采集的深度圖像轉(zhuǎn)換為點(diǎn)云數(shù)據(jù)，根據(jù)相機(jī)的位置關(guān)系確定系統(tǒng)點(diǎn)云需要旋轉(zhuǎn)的角度與平移距離后，通過(guò)旋轉(zhuǎn)矩陣對(duì)左側(cè)融合點(diǎn)云、右側(cè)融合點(diǎn)云進(jìn)行轉(zhuǎn)換后，與俯視點(diǎn)云合并，構(gòu)成合成點(diǎn)云如圖3所示。

2.4肉牛點(diǎn)云目標(biāo)提取

為從復(fù)雜環(huán)境中提取肉牛目標(biāo)點(diǎn)云，本研究基于 PCL點(diǎn)云庫(kù)與 C++語(yǔ)言開發(fā)了一套肉牛點(diǎn)云提取算法，包含點(diǎn)云濾波與點(diǎn)云抽稀、肉牛點(diǎn)云目標(biāo)提取等兩部分，最終實(shí)現(xiàn)復(fù)雜環(huán)境下肉牛三維點(diǎn)云目標(biāo)提取，算法流程如圖4所示。

2.4.1點(diǎn)云濾波與抽稀

由于采集環(huán)境復(fù)雜、遮擋物較多，采集的點(diǎn)云中有大量無(wú)關(guān)數(shù)據(jù)點(diǎn)，為使點(diǎn)云處理有效、準(zhǔn)確，首先對(duì)點(diǎn)云進(jìn)行預(yù)處理，即對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行空間直通濾波與統(tǒng)計(jì)學(xué)濾波，并對(duì)濾波后的點(diǎn)云數(shù)據(jù)進(jìn)行抽稀處理。

（1） 空間直通濾波。基于點(diǎn)云環(huán)境噪點(diǎn)的空間分布特征，首先在 x 、y 、z三個(gè)坐標(biāo)維度定義點(diǎn)云直通濾波器，以獲取肉牛點(diǎn)云通道內(nèi)的感興趣區(qū)域。

（2） 統(tǒng)計(jì)學(xué)離群點(diǎn)濾波。為了去除噪點(diǎn)影響，基于點(diǎn)的高斯分布特征通過(guò)統(tǒng)計(jì)學(xué)分布方式[18] 進(jìn)行濾波。設(shè)肉牛點(diǎn)云中某點(diǎn)坐標(biāo)為Gi （ xi，yi，zi ），該點(diǎn)到鄰域內(nèi)任意一點(diǎn)Fn（ xn，yn，zn ）的距離 di 為：

di ="" （1） 遍歷點(diǎn)云內(nèi)所有的點(diǎn)，得到點(diǎn)距平均值D為：

遍歷點(diǎn)云內(nèi)所有的點(diǎn)，得到每個(gè)點(diǎn)鄰域距離平均值 M為：

其對(duì)應(yīng)標(biāo)準(zhǔn)差 K為：

針對(duì)肉牛點(diǎn)云內(nèi)每個(gè)點(diǎn)，計(jì)算其與鄰域內(nèi)所有點(diǎn)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(dāng)該點(diǎn)距離均值 dk 介于可接受上下限之間時(shí)，該點(diǎn)保留，否則被視為離群點(diǎn)濾除。本研究將 R設(shè)定為0.8，濾波結(jié)果如圖5所示。

（3） 點(diǎn)云均勻抽稀。肉牛點(diǎn)云由不同視角深度相機(jī)采集的數(shù)據(jù)合成得到，導(dǎo)致數(shù)據(jù)存在冗余，影響后續(xù)計(jì)算。本研究基于八叉樹原理[19]為采集的點(diǎn)云數(shù)據(jù)建立三維體素柵格，在每個(gè)小的三維立方體內(nèi)，通過(guò)體素中所有點(diǎn)的重心點(diǎn)來(lái)代表該體素，實(shí)現(xiàn)點(diǎn)云的均勻抽稀。八叉樹抽稀系數(shù)設(shè)定為7。

2.4.2肉牛目標(biāo)初步提取

經(jīng)過(guò)濾波與降采樣后的點(diǎn)云中，既包括了肉牛的點(diǎn)云，還包括了地面點(diǎn)云、欄桿點(diǎn)云等物體，需要提取其中屬于肉牛的點(diǎn)云簇。

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

本研究中算法流程迭代次數(shù) N判別式為：

其中，P為采樣到屬于地面的 k個(gè)點(diǎn)的概率; L 為牛舍地面的點(diǎn)在全部點(diǎn)中的平均占比，為先驗(yàn)值，本研究中 L=0.25;K 為點(diǎn)云中需要被識(shí)別為平面的點(diǎn)個(gè)數(shù)，個(gè)。

（2） 非地面干擾排除。在地面濾除后，仍存在其他環(huán)境點(diǎn)云干擾（如側(cè)面欄桿等）。因干擾部分與點(diǎn)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(diǎn)濾除，聚類結(jié)果如圖6所示。點(diǎn)云聚類過(guò)程中，聚類領(lǐng)域距離系數(shù)設(shè)置為67，聚類下限點(diǎn)數(shù)設(shè)置為40。提取結(jié)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(guò)統(tǒng)計(jì)學(xué)濾波與 DBSCAN 聚類可以濾除大部分環(huán)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(yǎng)殖場(chǎng)內(nèi)，肉牛身體與欄桿緊貼時(shí)嚴(yán)重影響點(diǎn)云采集效果，如圖7所示。肉牛身體與欄桿緊密相貼，現(xiàn)有的點(diǎn)云處理算法很難在不影響肉牛點(diǎn)云完整性的情況下將欄桿干擾有效濾除。為解決此問(wèn)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(jìn)方向?yàn)槿S點(diǎn)云的 y 軸正方向，肉牛前進(jìn)方向的右側(cè)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(gè)主要部分組成，分別是降維投影密度聚類欄桿識(shí)別和三維感知盒噪點(diǎn)濾波，具體流程如圖8所示。

在降維投影密度聚類欄桿識(shí)別中，通過(guò)點(diǎn)云降維投影圖的密度差異區(qū)分欄桿噪點(diǎn)與肉牛點(diǎn)云;在三維感知盒噪點(diǎn)濾波中，通過(guò)三維點(diǎn)云分布特征進(jìn)一步濾除剩余的欄桿噪點(diǎn)。具體如下。

（1） 降維投影密度聚類欄桿識(shí)別。沿 y軸方向，欄桿點(diǎn)云的分布密度顯著高于肉牛點(diǎn)云。基于此特征，首先將點(diǎn)云內(nèi)所有的點(diǎn)沿 y軸在 xz平面上進(jìn)行垂直降維投影。在投影后的二維點(diǎn)云中，針對(duì)每個(gè)點(diǎn)構(gòu)建20 mm×20mm 的矩形框，統(tǒng)計(jì)每個(gè)矩形框內(nèi)點(diǎn)數(shù)密度分布如圖9所示。

圖9表明欄桿點(diǎn)云的矩形鄰域內(nèi)點(diǎn)數(shù)顯著大于非欄桿的點(diǎn)，所以將矩形鄰域內(nèi)點(diǎn)數(shù)大于50的點(diǎn)識(shí)別為欄桿，提取這些點(diǎn)欄桿點(diǎn)的（x ，z）坐標(biāo)值，并還原到三維點(diǎn)云內(nèi)，將所有（x ，z）坐標(biāo)與欄桿點(diǎn)相同去除，實(shí)現(xiàn)欄桿噪點(diǎn)的濾除。

但由于欄桿點(diǎn)云邊緣處密度較小，與肉牛點(diǎn)云相近，仍有部分殘余的欄桿未被濾除。

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

針對(duì)這種情況，選取特定比例的三維感知盒用于點(diǎn)云噪點(diǎn)的識(shí)別，感知盒尺寸為200 mm×30 mm×400 mm ，如圖10所示，依次以每個(gè)點(diǎn)為質(zhì)心構(gòu)建三維感知盒。圖中藍(lán)色部分為欄桿噪點(diǎn)構(gòu)造的感知盒，黃色部分為肉牛點(diǎn)構(gòu)造的感知盒。欄桿噪點(diǎn)的感知盒（藍(lán)色）中點(diǎn)的數(shù)目少于屬于牛體的點(diǎn)的感知盒（黃色）內(nèi)點(diǎn)數(shù)，且欄桿噪點(diǎn)分布于肉牛點(diǎn)云兩側(cè)。

根據(jù)以上特征，確定感知盒濾波條件如下：

條件①該點(diǎn)的感知盒內(nèi)點(diǎn)數(shù)>21;

條件②設(shè)點(diǎn)云的 x軸最大坐標(biāo)值為 V，最小坐標(biāo)值為 E ，該點(diǎn)的x坐標(biāo) s滿足：

當(dāng)同時(shí)滿足條件①與條件②時(shí)，將其標(biāo)記為牛體點(diǎn)，否則將其標(biāo)記為欄桿噪點(diǎn)，實(shí)現(xiàn)剩余欄桿噪點(diǎn)的濾除。基于降維密度聚類的感知盒濾波結(jié)果如圖11所示。可以看出，與肉牛緊貼的欄桿干擾已經(jīng)被有效濾除，而肉牛點(diǎn)云本身并未受到顯著影響。

3 結(jié)果與分析

針對(duì)20頭肉牛共進(jìn)行124次采集試驗(yàn)，試驗(yàn)過(guò)程中肉牛以任意姿態(tài)通過(guò)系統(tǒng)且不停留，系統(tǒng)自動(dòng)進(jìn)行點(diǎn)云數(shù)據(jù)采集，并針對(duì)采集的點(diǎn)云數(shù)據(jù)進(jìn)行肉牛目標(biāo)點(diǎn)云的提取。其中13個(gè)點(diǎn)云因存在粉塵與陽(yáng)光干擾導(dǎo)致采集殘缺過(guò)大予以舍棄，采集有效點(diǎn)云肉牛點(diǎn)云111組。

3.1肉牛點(diǎn)云提取與重建結(jié)果

當(dāng)點(diǎn)云可以完整反映肉牛身體狀態(tài)，且點(diǎn)云中不包含明顯的干擾點(diǎn)時(shí)，認(rèn)為點(diǎn)云采集成功，點(diǎn)云采集與肉牛點(diǎn)云提取成功的部分結(jié)果如圖12"" 所示。

同時(shí)，部分肉牛點(diǎn)云中因?yàn)殄e(cuò)誤的濾波與提取，導(dǎo)致肉牛點(diǎn)云出現(xiàn)了明顯的部分殘缺或噪點(diǎn)干擾，此類點(diǎn)云被定義為采集失敗的結(jié)果。其中第一類采集失敗的點(diǎn)云指采集到了殘缺的肉牛點(diǎn)云，即處理后的肉牛點(diǎn)云中，出現(xiàn)了肉牛某些關(guān)鍵部位的缺失（如腿部、頭部等）;第二類采集失敗的點(diǎn)云指的是提取錯(cuò)誤的點(diǎn)云，即未能將環(huán)境干擾成功去除，在肉牛點(diǎn)云結(jié)果中包含了不應(yīng)出現(xiàn)的點(diǎn)云。點(diǎn)云處理結(jié)果如表3所示。結(jié)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(diǎn)云目標(biāo)，但存在一定的錯(cuò)誤。主要的錯(cuò)誤是提取到肉牛點(diǎn)云之外的目標(biāo)和提取到殘缺的肉牛點(diǎn)云，這些問(wèn)題在第4節(jié)中進(jìn)行討論。

3.2肉牛點(diǎn)云重建精度

本系統(tǒng)采集的點(diǎn)云坐標(biāo)與真實(shí)距離對(duì)應(yīng)。為了驗(yàn)證肉牛重建點(diǎn)云的具體數(shù)值精度，本研究選取體高值為代表定量研究點(diǎn)云對(duì)真實(shí)肉牛的還原程度。針對(duì)20頭試驗(yàn)肉牛，為每頭肉牛選擇近似直立狀態(tài)的2個(gè)點(diǎn)云數(shù)據(jù)，通過(guò)手工選擇測(cè)量點(diǎn)的方式，在點(diǎn)云中測(cè)量肉牛的體高值。并通過(guò)卷尺直接測(cè)量牛體的體高結(jié)果進(jìn)行對(duì)比研究，對(duì)比結(jié)果如表4所示，表中點(diǎn)云測(cè)量結(jié)果為2次人工選點(diǎn)測(cè)量的平均值。

表4結(jié)果表明，本方法采集的肉牛點(diǎn)云與真實(shí)距離的平均誤差為0.6%（以體高為例），點(diǎn)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(cè)量、特征提取等研究提供可靠的高維度數(shù)據(jù)，從而降低人工勞動(dòng)成本和被測(cè)牛只應(yīng)激反應(yīng)。

3.3肉牛點(diǎn)云提取優(yōu)勢(shì)

與前人研究相比，本方法不要求動(dòng)物在測(cè)量過(guò)程中保持靜止，點(diǎn)云觸發(fā)與采集實(shí)現(xiàn)自動(dòng)控制。同時(shí)，針對(duì)實(shí)際養(yǎng)殖通道內(nèi)采集點(diǎn)云數(shù)據(jù)的濾波與牛體提取提出了一種新的輕量級(jí)處理算法，使肉牛三維點(diǎn)云采集在實(shí)際生產(chǎn)中的應(yīng)用成為了可能。

重建的肉牛三維點(diǎn)云模型是肉牛真實(shí)形態(tài)的1：1完整復(fù)制，養(yǎng)殖人員可以在重建的肉牛三維模型中任意選擇需要測(cè)量的位置，從模型中獲得肉牛的體尺參數(shù)，還可以直接通過(guò)三維點(diǎn)云模型觀測(cè)肉牛的其他典型體型特征，實(shí)現(xiàn)肉牛特征的非接觸式測(cè)量。重建的肉牛三維點(diǎn)云模型可以和肉牛耳標(biāo)編號(hào)對(duì)應(yīng)保存在遠(yuǎn)程服務(wù)器上。

4 討論

肉牛點(diǎn)云濾波與目標(biāo)提取中選擇不同策略對(duì)肉牛點(diǎn)云提取存在一定影響，結(jié)合實(shí)際環(huán)境因素與養(yǎng)殖場(chǎng)試驗(yàn)情況，對(duì)其中的若干關(guān)鍵問(wèn)題進(jìn)行討論。

4.1離群點(diǎn)濾波對(duì)結(jié)果的影響

針對(duì)公式（5）與公式（6）中的判斷倍率參數(shù)R進(jìn)行討論，當(dāng)R值較小時(shí)，將有更多的點(diǎn)被濾除，使非肉牛的點(diǎn)云與肉牛點(diǎn)云更好地分離，解決點(diǎn)云冗余問(wèn)題。通過(guò)改變R值進(jìn)行測(cè)試，當(dāng)R值不同時(shí)，離群點(diǎn)統(tǒng)計(jì)學(xué)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(qiáng)度逐漸增大。當(dāng) R≥1.2時(shí)，肉牛與欄桿點(diǎn)云之間仍存在大量粘連與噪點(diǎn)，不滿足后續(xù)處理的需求。當(dāng) R=0.2，0.4，0.8時(shí)，環(huán)境干擾被明顯濾除且肉牛和欄桿的點(diǎn)云出現(xiàn)了有效分離，這對(duì)肉牛點(diǎn)云提取流程而言是可以被接受的。當(dāng) R=0.2或0.4時(shí)，肉牛點(diǎn)云出現(xiàn)了較大的殘缺，這對(duì)肉牛點(diǎn)云的提取構(gòu)成了明顯干擾。

為了進(jìn)一步量化討論倍率參數(shù) R對(duì)效果的影響，針對(duì)20組肉牛點(diǎn)云，通過(guò)試驗(yàn)獲取了不同 R值下的濾波效果。濾波效果通過(guò)剩余點(diǎn)云比例 Q進(jìn)行評(píng)價(jià)，定義為：

其中，Nr 為濾波前點(diǎn)云的總點(diǎn)數(shù)，個(gè);Na 為濾波后點(diǎn)云的總點(diǎn)數(shù)，個(gè)。

圖14可以看出，R 值在提高至1.2時(shí)， Q 值的斜率開始顯著下降。為研究 R值對(duì)最終提取結(jié)果的影響，選取當(dāng) R 值為0.2、0.4、0.6、0.8、1.0、1.2時(shí)，重復(fù)全部肉牛點(diǎn)云提取過(guò)程，結(jié)果如表5所示。可以看出，隨著 R值降低，錯(cuò)誤提取的數(shù)量得到了明顯下降，但是因?yàn)闉V波的強(qiáng)度被過(guò)分地增強(qiáng)，導(dǎo)致最終處理得到殘缺點(diǎn)云的數(shù)量出現(xiàn)了大幅上升，所以針對(duì) R值的選擇仍應(yīng)保持在0.8附近。當(dāng)對(duì)點(diǎn)云完整性要求不高時(shí)（如僅關(guān)注肉牛身體部位而忽略頭部等），可適當(dāng)降低 R值，從而減少肉牛點(diǎn)云提取錯(cuò)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(diǎn)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(píng)價(jià)濾波的效果，將采集的肉牛的體長(zhǎng)方向（y軸方向）以5 mm 為寬度、2 mm 為步長(zhǎng)，將肉牛點(diǎn)云切割成若干點(diǎn)云簇，針對(duì)通過(guò)感知盒濾波前后的點(diǎn)云，將每個(gè)點(diǎn)云簇內(nèi)的點(diǎn)數(shù)進(jìn)行統(tǒng)計(jì)，結(jié)果如圖15所示。

圖15列舉了感知盒濾波前的點(diǎn)數(shù)分布對(duì)比。其中藍(lán)色曲線表示感知盒濾波前的點(diǎn)云分布，紅色曲線表示感知盒濾波后的點(diǎn)云分布。圖中可以看出，通過(guò)200 mm×30 mm×400 mm 的感知盒進(jìn)行濾波后，肉牛點(diǎn)云數(shù)目變化趨勢(shì)不大，分布特征未出現(xiàn)明顯變化。同時(shí)，點(diǎn)數(shù)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(biāo)對(duì)應(yīng)著肉牛腹部、肩部、胸部區(qū)域內(nèi)與欄桿噪點(diǎn)向貼的位置。

以上情況說(shuō)明本方法在有效濾除干擾的同時(shí)，對(duì)肉牛點(diǎn)云本身的影響較小且可以接受。但試驗(yàn)中發(fā)現(xiàn)，針對(duì)本身存在較大殘缺的點(diǎn)云來(lái)說(shuō)，感知盒濾波可能會(huì)將殘缺的點(diǎn)云擴(kuò)大。

4.3其他客觀因素對(duì)結(jié)果的影響

欄桿對(duì)肉牛點(diǎn)云的遮擋、環(huán)境中的陽(yáng)光與粉塵等客觀因素對(duì)點(diǎn)云采集、肉牛目標(biāo)提取的結(jié)果有一定影響，具體如下。

（1） 欄桿的點(diǎn)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(diǎn)云出現(xiàn)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(qū)域存在部分缺失，采集過(guò)程中應(yīng)盡量降低欄桿直徑與數(shù)量等。

（2） 陽(yáng)光與粉塵的影響。養(yǎng)殖場(chǎng)試驗(yàn)中共有13組原始點(diǎn)云出現(xiàn)了較大的采集缺失（缺失率超過(guò)70%）無(wú)法進(jìn)行處理，被標(biāo)記為無(wú)效點(diǎn)云予以舍棄。這些無(wú)效點(diǎn)云是由于強(qiáng)陽(yáng)光照射或高濃度粉塵導(dǎo)致的。由于系統(tǒng)硬件條件限制，陽(yáng)光過(guò)強(qiáng)或粉塵濃密的場(chǎng)景中，Kinect DK 發(fā)射的紅外光會(huì)受到強(qiáng)烈干擾，無(wú)法采集提取到完整牛體，如圖16所示。

針對(duì)這種問(wèn)題，減少肉牛通道內(nèi)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(diǎn)云數(shù)據(jù)出現(xiàn)殘缺的情況。此外，在陽(yáng)光直射時(shí)采集需要加裝遮光棚以保證肉牛點(diǎn)云采集的完整性。

5結(jié)論

本研究設(shè)計(jì)了一套全自動(dòng)肉牛三維點(diǎn)云數(shù)據(jù)重建方法與系統(tǒng)，可以在肉牛自由通過(guò)的瞬間實(shí)現(xiàn)肉牛體型的三維重建。重建的肉牛三維模型與肉牛真實(shí)形態(tài)1：1對(duì)應(yīng)，養(yǎng)殖人員可以在重建的肉牛三維模型中任意選擇需要測(cè)量的位置，從模型中獲得肉牛的體尺參數(shù)、體型特征等信息，實(shí)現(xiàn)肉牛特征的非接觸式測(cè)量。重建的肉牛三維模型可以和肉牛耳標(biāo)編號(hào)對(duì)應(yīng)，可服務(wù)于肉牛成長(zhǎng)檔案與生長(zhǎng)評(píng)價(jià)模型的建立。

（1） 研究設(shè)計(jì)了肉牛點(diǎn)云采集系統(tǒng)，通過(guò)紅外光柵與 RFID雙重觸發(fā)結(jié)構(gòu)實(shí)現(xiàn)肉牛點(diǎn)云瞬時(shí)非接觸式采集，可以實(shí)現(xiàn)在肉牛自然狀態(tài)下的點(diǎn)云自動(dòng)同步采集，為肉牛三維重建提供可靠的基礎(chǔ)數(shù)據(jù)。

（2） 開發(fā)了肉牛點(diǎn)云目標(biāo)提取算法，從復(fù)雜環(huán)境中提取分離得到肉牛目標(biāo)點(diǎn)云，并實(shí)現(xiàn)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(shí)現(xiàn)噪點(diǎn)濾除的同時(shí)，不顯著影響肉牛點(diǎn)云的完整性。

（3） 經(jīng)過(guò)測(cè)試，本系統(tǒng)成功采集肉牛完整點(diǎn)云的成功率為91.89%，以體高值為例的重建點(diǎn)云距離精度誤差為0.6%，基于采集的牛點(diǎn)云可用于體尺參數(shù)人工測(cè)量，替代現(xiàn)場(chǎng)量測(cè)工作，實(shí)現(xiàn)肉牛表型數(shù)據(jù)的非接觸測(cè)量，為肉牛育種評(píng)估、養(yǎng)殖場(chǎng)精細(xì)化管理提供重要的數(shù)據(jù)支持。

參考文獻(xiàn)：

[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(chǎn)業(yè)技術(shù)發(fā)展報(bào)告[J].中國(guó)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(jìn) CenterNet 的牛體尺智能測(cè)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(lái)智勇， 張志毅， 等.基于雙目立體視覺(jué)的復(fù)雜背景下的牛體點(diǎn)云獲取[J].計(jì)算機(jī)工程與設(shè)計(jì) ， 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(diǎn)云鏡像的豬只體尺測(cè)量方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)， 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(jī)的豬體三維點(diǎn)云重構(gòu)及體尺測(cè)量[J].農(nóng)業(yè)工程學(xué)報(bào) ， 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(tài)距離的負(fù)荷曲線近鄰傳播聚類方法[J].西安交通大學(xué)學(xué)報(bào) ，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(xué)學(xué)報(bào)（工學(xué)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(shí)宏偉.基于 KD樹改進(jìn)的 DBSCAN聚類算法[J].計(jì)算機(jī)系統(tǒng)應(yīng)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