奶牛养殖业是我国畜牧业的重要组成部分,而奶牛的体尺和体重参数是奶牛养殖和生产环节的重要指标,对奶牛的规模化、标准化养殖具有重要应用价值。本文针对人工测量奶牛体尺和体重工作量大且对奶牛应激大等问题,在分析和总结国内外奶牛体尺测量和体重预测研究成果的基础上,利用Kinect深度传感器获取荷斯坦奶牛的三维点云数据,研究点云的预处理方法、点云缺失区域的修复方法、点云中奶牛体尺参数的自动提取方法,并构建奶牛体重预测模型,无接触地实现奶牛体尺测量和体重预测,为奶牛的体尺和体重获取提供一种快速便捷的方法。论文主要工作及结论如下:(1)奶牛点云获取及预处理方法。以荷斯坦奶牛为研究对象,用Kinect设备采集45头奶牛的初始点云数据,每头奶牛获取5帧点云数据,共225帧。Kinect设备获取的奶牛初始点云中包含地面、水平栏杆、竖直栏杆和离群点等背景点云,研究用直通滤波法去除部分点云数据,用带法线的模板匹配法去除地面点云数据,用与给定轴线平行的直线模板匹配法和系列包围圆柱法去除水平栏杆点云数据,用欧氏聚类法去除竖直栏杆点云数据,用平均距离估计方法去除离群点数据,最终得到只包含奶牛个体的点云数据。(2)针对奶牛点云缺失区域大的问题,研究并提出了改进三次B样条曲线的点云缺失区域修复方法。预处理后得到的奶牛点云中存在一条被水平栏杆遮挡而缺失的区域,研究并提出基于改进三次B样条曲线的点云缺失区域修复方法,即先对奶牛点云进行切片投影,再对每个切片点列中间距较大的相邻点进行补点,最后对补点后得到的新点列进行三次B样条曲线拟合,即得到修复后奶牛点云。对45头荷斯坦奶牛共225帧点云进行了修复试验,结果表明,本文方法比三次B样条方法修复得到的点云均匀性和逼近性能更好,平均帧逼近误差降低了26.70%,为大面积点云缺失修复提供了方法借鉴。(3)研究并提出了基于奶牛身体几何特征的主要体尺自动测量方法。为实现和奶牛重量高度相关的体高、体直长、体斜长、腹宽、肩宽和体深等6种体尺参数的自动测量,研究了基于奶牛身体几何特征的体尺参数提取方法,试验结果表明,体深平均绝对误差最小,为0.0097m;体高、腹宽和肩宽平均绝对误差均小于0.0200m;体斜长和体直长平均绝对误差分别为0.0765m和0.0771m,较大于其他4种体尺的平均绝对误差。体高的平均相对误差为0.9201%,在6种体尺中最小;体深、腹宽和肩宽平均相对误差均小于4%,仅次于体高的平均相对误差;体斜长和体直长平均相对误差分别为4.8623%和5.0471%,较大于其余4种体尺的平均相对误差。6种体尺参数的平均相对误差均值为3.0687%,具有较高的体尺测量精度,可满足体重预测要求。(4)奶牛体重预测模型的构建和优化。将45组奶牛体重和体尺数据分为训练组的35组样本和验证组的10组样本,分别用多元线性回归模型、逐步回归分析模型、偏最小二乘法模型、BP神经网络模型和RBF神经网络模型构建奶牛体重预测模型,用验证组10组样本验证模型预测精度。试验结果表明,偏最小二乘法预测模型相较于其他预测模型具有更高的预测精度,其体重预测绝对误差在-20.903kg至+27.089kg之间,均方根误差为17.236kg,相对误差在-3.024%至+4.915%之间,相对均方根误差为2.867%。故最终选用偏最小二乘法构建奶牛体重的预测模型,相对均方根误差为2.867%,具有较高的预测精度。