体况评分方法及相关装置、电子设备和存储介质与流程

1.本技术涉及图像处理技术领域，特别是涉及一种体况评分方法及相关装置、电子设备和存储介质。


背景技术：

2.在与养殖相关的场景中，如肉牛、奶牛等养殖场景中，通常需要在不同生长阶段进行体况评分。一般来说，不同生长阶段都对应有最合适的体况评分，并根据生长阶段通过饲料喂养等手段来调节到最佳的体况评分，不仅能够保持健康，降低各种代谢疾病的发生率，还能够大大节省饲料，提高养殖效率，降低养殖成本。
3.目前，一般是依赖于经验丰富的技术人员(如，养殖人员等)进行体况评分，这种方式对技术人员的依赖性极强，且在一定评测时长之后，受技术人员工作压力等因素影响，评测效率和准确率也难免随之降低。有鉴于此，如何提高体况评分的效率和准确率成为亟待解决的问题。


技术实现要素：

4.本技术主要解决的技术问题是提供一种体况评分方法及相关装置、电子设备和存储介质，能够提高体况评分的效率和准确率。
5.为了解决上述技术问题，本技术第一方面提供了一种体况评分方法，包括：基于待评测对象的第一拍摄图像进行第一评测，得到待评测对象的第一评测结果；其中，第一拍摄图像是从预设拍摄视角对待评测对象拍摄得到的，第一评测结果包括待评测对象的目标分值区间，且目标分值区间是从多个预设分值区间中选择得到的；获取从目标拍摄视角对待评测对象拍摄到的第二拍摄图像；其中，目标拍摄视角与目标分值区间相匹配；基于目标评测策略对第二拍摄图像进行第二评测，得到待评测对象的第二评测结果；其中，目标评测策略与目标分值区间相匹配，且第二评测结果包括待评测对象的体况评分。
6.为了解决上述技术问题，本技术第二方面提供了一种体况评分装置，包括：第一评测模块、图像获取模块和第二评测模块，第一评测模块，用于基于待评测对象的第一拍摄图像进行第一评测，得到待评测对象的第一评测结果；其中，第一拍摄图像是从预设拍摄视角对待评测对象拍摄得到的，第一评测结果包括待评测对象的目标分值区间，且目标分值区间是从多个预设分值区间中选择得到的；图像获取模块，用于获取从目标拍摄视角对待评测对象拍摄到的第二拍摄图像；其中，目标拍摄视角与目标分值区间相匹配；第二评测模块，用于基于目标评测策略对第二拍摄图像进行第二评测，得到待评测对象的第二评测结果；其中，目标评测策略与目标分值区间相匹配，且第二评测结果包括待评测对象的体况评分。
7.为了解决上述技术问题，本技术第三方面提供了一种电子设备，包括相互耦接的存储器和处理器，存储器中存储有程序指令，处理器用于执行程序指令以实现上述第一方面中的体况评分方法。
8.为了解决上述技术问题，本技术第四方面提供了一种计算机可读存储介质，存储有能够被处理器运行的程序指令，程序指令用于实现上述第一方面中的体况评分方法。
9.上述方案，基于待评测对象的第一拍摄图像进行第一评测，得到待评测对象的第一评测结果，且第一拍摄图像是从预设拍摄视角对待评测对象拍摄得到的，第一评测结果包括待评测对象的目标分值区间，且目标分值区间是从多个预设分值区间中选择得到的，基于此再获取从目标拍摄视角对待评测对象拍摄得到的第二拍摄图像，且目标拍摄视角与目标分值区间相匹配，并基于目标评测策略对第二拍摄图像进行第二评测，得到待评测对象的第二评测结果，且目标评测策略与目标分值区间相匹配，第二评测结果包括待评测对象的体况评分，一方面由于无需再依赖于人工进行体况评分，能够提升评测效率，并降低受主观因素影响而干扰评测的可能性，另一方面在整个评测过程中，分两阶段由粗到细地确定体况评分，即第一阶段先根据预设拍摄视角下的第一拍摄图像进行粗糙评测，确定出目标分值区间，第二阶段利用与目标分值区间相匹配的目标评测策略对与目标分值区间相匹配的目标拍摄视角下的第二拍摄图像进行精细评测，也有利于提升评测准确性。故此，提高体况评分的效率和准确率。
附图说明
10.图1是本技术体况评分方法一实施例的流程示意图；
11.图2是侧视图像一实施例的示意图；
12.图3是俯视图像一实施例的示意图；
13.图4是俯视图像另一实施例的示意图；
14.图5是后视图像一实施例的示意图；
15.图6是侧视图像另一实施例的示意图；
16.图7是本技术体况评分装置一实施例的框架示意图；
17.图8是本技术电子设备一实施例的框架示意图；
18.图9是本技术计算机可读存储介质一实施例的框架示意图。
具体实施方式
19.下面结合说明书附图，对本技术实施例的方案进行详细说明。
20.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、接口、技术之类的具体细节，以便透彻理解本技术。
21.本文中术语“系统”和“网络”在本文中常被可互换使用。本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。此外，本文中的“多”表示两个或者多于两个。
22.请参阅图1，图1是本技术体况评分方法一实施例的流程示意图。
23.具体而言，可以包括如下步骤：
24.步骤s11：基于待评测对象的第一拍摄图像进行第一评测，得到待评测对象的第一评测结果。
25.本公开实施例中，第一拍摄图像是从预设拍摄视角对待评测对象拍摄得到的。具
体地，预设拍摄视角可以包括但不限于：侧视、俯视等，在此不做限定。例如，在预设拍摄视角包括侧视的情况下，第一拍摄图像包括侧视图像，或者，在预设拍摄视角包括俯视的情况下，第一拍摄图像包括俯视图像，其他情况可以以此类推，在此不再一一举例。当然，预设拍摄视角也可以根据需要设置为诸如后视等其他视角，在此不做限定。
26.在一个实施场景中，以预设拍摄视角包括侧视、俯视为例，可以仅基于侧视图像进行第一评测，或者，也可以仅基于俯视图像进行第一评测，或者，还可以基于侧视图像和俯视图像进行第一评测，在此不做限定。上述方式，通过在侧视、俯视中至少一者进行第一评测，有利于提升第一阶段粗糙评测的准确性。
27.在一个实施场景中，待评测对象可以根据实际应用情况进行设置。例如，在肉牛养殖场景中，待评测对象可以为肉牛；或者，在奶牛养殖场景中，待评测对象可以是奶牛；或者，在猪养殖场景中，待评测对象可以是猪，其他情况可以以此类推，在此不再一一举例。
28.本公开实施例中，第一评测结果可以包括待评测对象的目标分值区间，且目标分值区间是从多个预设分值区间中选择得到的。具体地，多个分值区间也可以根据实际应用情况进行设置。示例性地，多个分值区间可以设置为包括第一分值区间和第二分值区间，且第一分值区间的预设极限值低于第二分值区间的预设极限值。需要说明的是，预设极限值可以是极大值，也可以是极小值，在此不做限定。例如，多个预设分值区间可以包括第一分值区间[1,3](即1至3分)和第二分值区间(3，5](即3至5分，且不含3分)。当然，上述举例仅仅是实际应用时的一种可能情况，并不因此而限定多个预设分值区间的具体设置方式。
[0029]
在一个实施场景中，预设拍摄视角可以包括侧视，第一拍摄图像可以包括侧视图像，则可以对侧视图像进行关键点检测，得到若干骨关节点，且若干骨关节点包括目标点和多个参考点，基于此可以获取多个参考点分别与目标点连线之间的夹角，并基于夹角与角度阈值之间的大小关系，从多个预设分值区间中选择第一分值区间或第二分值区间，作为目标分值区间。上述方式，在预设拍摄视角包括侧视的情况下，通过度量骨关节点连线之间的夹角大小，来选择相应的预设分值区间作为目标分值区间，有利于提升目标分值区间的准确性。
[0030]
在一个具体的实施场景中，为了提升骨关节点检测效率，可以预先训练一个骨关节点检测模型。骨关节点检测模型可以包括但不限于卷积神经网络等，在此对骨关节点检测模型的网络结构不做限定。具体地，可以预先采集若干样本图像，且样本图像中标注有骨关节点的样本位置，基于此可以利用骨关节点检测模型对样本图像进行关键点检测，得到骨关节点的预测位置，并基于样本位置与预测位置之间的差异，调整关键点检测模型的网络参数。需要说明的是，差异的具体度量过程，可以参阅诸如均方误差等损失函数的技术细节，参数的具体调整过程，可以参阅诸如梯度下降等优化方式的技术细节，在此不再赘述。
[0031]
在一个具体的实施场景中，请结合参阅图2，图2是侧视图像一实施例的示意图。如图2所示，以奶牛养殖为例，若干骨关节点可以包括但不限于：锁骨点、髋关节点和坐骨关节点等，则目标点为髋关节点，多个参考点为锁骨点和坐骨关节点，则可以获取髋关节点与锁骨点的第一连线，并获取髋关节点和坐骨关节点的第二连线，以及获取第一连线和第二连线之间的夹角。为了便于描述，可以将表示第一连线的向量记为并将表示第二连线的向量记为则夹角θ可以表示为其他情况可以以此类推，在此不再一
一举例。
[0032]
在一个具体的实施场景中，在夹角大于角度阈值的情况下，可以选择第二分值区间(如，(3，5])作为目标分值区间，而在夹角不大于角度阈值的情况下，可以选择第一分值区间(如，[1,3])作为目标分值区间。此外，角度阈值具体可以根据实际应用情况进行设置，例如，角度阈值可以设置为90度等，在此不做限定。
[0033]
在一个实施场景中，预设拍摄视角可以包括俯视，第一拍摄图像可以包括俯视图像，则可以对俯视图像进行骨形状检测，得到若干第一参考骨的第一形状检测结果，并基于第一形状检测结果，从多个预设分值区间中选择第一分值区间或第二分值区间，作为目标分值区间。上述方式，在预设拍摄视角包括俯视的情况下，通过对若干第一参考骨的形状进行检测，来选择相应的预设分值区间作为目标分值区间，有利于提升目标分值区间的准确性。
[0034]
在一个具体的实施场景中，为了提升骨形状检测的效率，可以预先训练一个骨形状检测模型。骨形状检测模型可以包括但不限于卷积神经网络，在此对骨形状检测模型的网络结构不做限定。具体地，可以预先采集若干样本图像，且样本图像标注有若干第一参考骨的样本形状，基于此可以利用骨形状检测模型对样本图形进行检测，得到若干第一参考骨的预测形状，并基于样本形状与预测形状之间的差异，调整骨形状检测模型的网络参数。需要说明的是，差异的具体度量过程，可以参阅诸如交叉熵等损失函数的技术细节，参数的具体调整过程，可以参阅诸如梯度下降等优化方式的技术细节，在此不再赘述。
[0035]
在一个具体的实施场景中，请结合参阅图3，图3是俯视图像一实施例的示意图。如图3所示，仍以奶牛养殖为例，第一参考骨可以包括坐骨和锁骨，第一形状检测结果可以包括坐骨的形状和锁骨的形状。形状可以分为棱形和球形两种。此外，在坐骨和锁骨均为棱形的情况下，可以选择第一分值区间(如，[1,3])作为目标分值区间，或者，在坐骨和锁骨均为球形的情况下，可以选择第二分值区间(如，(3，5])作为目标分值区间。其他情况可以以此类推，在此不再一一举例。
[0036]
需要说明的是，上述骨关节点检测模型和骨形状检测模型可以集成于体况评分模型，即体况评分模型可以包括骨关节点检测模型和骨形状检测模型，并通过判断输入图像是侧视图像还是俯视图像，来选择骨关节点检测模型或骨形状检测模型进行第一阶段的粗糙评测。
[0037]
步骤s12：获取从目标拍摄视角对待评测对象拍摄到的第二拍摄图像。
[0038]
本公开实施例中，目标拍摄视角与目标分值区间相匹配。示例性地，如前所述，多个预设分值区间至少包括第一分值区间和第二分值区间，且第一分值区间的预设极限值低于第二分值区间的预设极限值，则与第一分值区间相匹配的目标拍摄视角可以包括后视、俯视，则相应地，第二拍摄图像可以包括后视图像和俯视图像，与第二分值区间相匹配的目标拍摄视角可以包括后视、侧视，则相应地，第二拍摄图像可以包括后视图像和侧视图像。其他情况可以以此类推，在此不再一一举例。上述方式，在进行粗糙评分的基础上，能够结合多视角图像进一步进行精细评分，相较于单一视角下的评分机制，有利于提升体况评分的准确性。
[0039]
步骤s13：基于目标评测策略对第二拍摄图像进行第二评测，得到待评测对象的第二评测结果。
[0040]
本公开实施例中，目标评测策略与目标分值区间相匹配，且第二评测结果包括待评测对象的体况评分。
[0041]
在一个实施场景中，目标分值区间为第一分值区间，第二拍摄图像包括后视图像和俯视图像，则可以基于后视图像依序对若干第二参考骨进行形状检测，得到若干第二参考骨的第二形状检测结果，在此基础上，可以响应于第二形状检测结果满足第一形状条件，基于若干第二参考骨的第二形状检测结果，得到第二评测结果，或者，也可以响应于第二形状检测结果不满足第一形状条件，基于俯视图像对若干第三参考骨进行间距与形状检测，得到第二评测结果，且不满足第一形状条件情况下最大的体况评分不高于满足第一形状条件情况下最小的体况评分。上述方式，在目标分值区间为较低的第一分值区间时，通过依序对若干第二参考骨进行形状检测，并在形状检测结果不满足相关条件时，继续基于俯视图像对若干第三参考骨进行间距与形状检测，且不满足相关条件下最大的体况评分不高于满足相关条件下最小的体况评分，故能够逐渐限缩评测标准，锁定最终的体况评分，有利于在第一阶段粗糙评测为第一分值区间时提升第二阶段精细评测的准确性。
[0042]
在一个具体的实施场景中，若干第二参考骨依序排列为：锁骨、坐骨、坐骨结节，第一形状条件可以包括以下任一者：锁骨为圆形、锁骨为棱形且坐骨圆润、锁骨与坐骨均为棱形且锁骨结节圆润。
[0043]
在一个具体的实施场景中，为了提升骨形状检测的效率，可以预先训练一个骨形状检测模型，从而可以利用骨形状检测模型对后视图像进行检测，得到若干第二参考骨的第二形状检测结果。需要说明的是，该骨形状检测模型与前述相关描述中的骨形状检测模型可以为同一模型，此时，样本图像可以标注有若干第一参考骨和第二参考骨的样本形状，且利用骨形状检测模型对样本图像进行检测之后，可以得到若干第一参考骨和第二参考骨的预测形状，并基于第一参考骨的样本形状与预测形状之间的差异，以及基于第二参考骨的样本形状与预测形状之间的差异，调整骨形状检测模型的网络参数。关于差异的具体度量过程以及参数的具体调整方式，可以参阅前述相关描述，在此不再赘述。当然，该骨形状检测模型也可以与前述相关描述中的骨形状检测模型是两个不同模型，在此不做限定。
[0044]
在一个具体的实施场景中，仍以前述第二参考骨和第一形状条件为例，在锁骨为圆形的情况下，体况评分可以为第一分值，在锁骨为棱形且坐骨圆润的情况下，体况评分可以为第二分值，在锁骨与坐骨均为棱形且锁骨结节圆润的情况下，体况评分可以为第三分值，第一分值、第二分值和第三分值逐渐减小且均位于第一分值区间。示例性地，以第一分值区间为[1,3]为例，在锁骨为圆形的情况下，体况评分可以为3，在锁骨为棱形且坐骨圆润的情况下，体况评分可以为2.75，在锁骨与坐骨均为棱形且锁骨结节圆润的情况下，体况评分可以为2.5。其他情况可以以此类推，在此不再一一举例。上述方式，将若干第二参考骨依序排列设置为锁骨、坐骨、坐骨结节，并设置相应的第一形状条件以及不同情况下体况评分的具体分值，能够通过约束条件逐渐将体况评分锁定，有利于提升体况评分的精度。
[0045]
在一个具体的实施场景中，第三参考骨至少可以包括短肋和脊骨，则可以响应于第三参考骨的第三形状检测结果不满足第二形状条件，获取短肋的外侧末端至脊骨的第一距离，并获取短肋的里侧末端至脊骨的第二距离，以及基于第二距离与第一距离之间的距离比值，得到体况评分，且距离比值与体况评分正相关，且不满足第二形状条件下最小的体况评分不低于评分阈值。请结合参阅图4，图4是俯视图像另一实施例的示意图。如图4所示，
仍以奶牛养殖为例，图4中白色虚线表示脊骨，实线框表示短肋，位于实线框中最外侧为短肋外侧(如，白色实线所示)，实线框靠近白色虚线的一侧为短肋里侧。为了便于描述，第一距离可以记为d，第二距离可以记为d。其他情况可以以此类推，在此不再一一举例。此外，第一距离d与第二距离d之前的距离比值(d/d)越大，体况评分越大，反之距离比值越小，体况评分越小。示例性地，距离比值为0.5(或位于诸如0.495至0.55等以0.5为中心的数值范围内)时，体况评分可以为2.25，或者，距离比值为0.25(或者位于诸如0.245至0.255等以0.25为中心的数值范围内)时，体况评分为2.0，其他情况可以以此类推，在此不再一一举例。
[0046]
在一个具体的实施场景中，若干第三参考骨还可以包括髋关节，上述第二形状条件可以包括：脊骨、肋骨以及髋关节异常突出，也就是说，在若干第三参考骨不满足该第二形状条件的情况下，可以通过度量距离比值来确定体况评分，且此时的体况评分不低于评分阈值，反之，在若干第三参考骨满足该第二形状条件的情况下，可以直接确定此时的体况评分低于评分阈值。需要说明的是，评分阈值可以根据实际应用情况进行设置，如可以设置为2，在此不做限定。此外，为了提升是否满足第二形状条件的效率，可以预先训练一个二分类模型，该二分类模型可以包括但不限于卷积神经网络，在此对二分类模型的网络结构不做限定。具体地，可以收集若干样本图像，且样本图像可以标注有表征若干第三参考骨实际是否满足第二形状条件的样本标记(如，以样本标记0表征不满足第二形状条件，以样本标记1表征满足第二形状条件)，基于此可以利用二分类模型对样本图像进行检测，得到预测标记，且预测标记表征若干第三参考骨实际是否预测满足第二形状条件，在此基础上，可以基于样本标记与预测标记之间的差异，调整二分类模型的网络参数。需要说明的是，差异的具体度量过程，可以参阅诸如交叉熵等损失函数的技术细节，参数的具体调整方式，可以参阅诸如梯度下降等优化方式的技术细节，在此不再赘述。此外，二分类模型也可以集成于体况评分模型中，即体况评分模型除前述骨关节点检测模型和骨形状检测模型，还可以进一步包括二分类模型。
[0047]
在一个实施场景中，与前述情况不同的是，在目标分值区间为第二分值区间的情况下，第二拍摄图像可以包括后视图像和侧视图像，则可以基于后视图像对若干参考韧带进行检测，得到若干参考韧带的第一置信检测结果，在此基础上，可以响应于第一置信检测结果满足第一置信条件，基于若干参考韧带的第一置信检测结果，得到第二评测结果，或者，可以响应于第一置信检测结果不满足第一置信条件，基于侧视图像对若干第四参考骨进行检测，得到若干第四参考骨的第二置信检测结果，并基于第二置信检测结果，得到第二评测结果，且不满足第一置信条件下最小的体况评分不低于满足第一置信条件下最大的体况评分。上述方式，目标分值区间为较高的第二分值区间时，通过对若干参考韧带进行第一置信检测，并在第一置信检测结果满足第一置信条件时，直接根据第一置信检测结果得到第二评测结果，而在不满足第一置信条件时，继续对侧视图像进行检测，且不满足第一置信条件下最小的体况评分不低于满足第一置信条件下最大的体况评分，故能够逐渐限缩评测标准，锁定最终的体况评分，有利于在第一阶段粗糙评测为第二分值区间时提升第二阶段精细评测的准确性。
[0048]
在一个具体的实施场景中，若干参考韧带可以包括荐骨韧带和尾根韧带，第一置信检测结果可以包括荐骨韧带和尾根韧带的第一置信分值。请参阅图5，图5是后视图像一实施例的示意图。如图5所示，仍以奶牛养殖场景为例，荐骨韧带位于脊骨与锁骨之间，尾根
韧带位于坐骨与尾骨之间。其他情况可以以此类推，在此不再一一举例。
[0049]
在一个具体的实施场景中，为了提升参考韧带的检测效率，可以预先训练一个韧带检测模型，韧带检测模型可以包括但不限于卷积神经网络等，在此对韧带检测模型的网络参数不做限定。具体地，可以预先采集若干样本图像，且样本图像标注有参考韧带的样本区域，在此基础上，可以利用韧带检测模型对样本图像进行检测，得到参考韧带的预测区域以及预测置信度，并基于样本区域以及预测区域之间的差异，调整韧带检测模型的网络参数。需要说明的是，差异的度量过程，可以参阅诸如交叉熵等损失函数的技术细节，参数的调整方式，可以参阅诸如梯度下降等优化方式的技术细节，在此不再赘述。此外，韧带检测模型可以集成于体况评分模型，体况评分模型的具体构成，可以参阅前述相关描述，在此不再赘述。
[0050]
在一个具体的实施场景中，第一置信条件可以设置为包括以下任一者：荐骨韧带和尾根韧带的第一置信分值均高于第一置信阈值，荐骨韧带的第一置信分值高于第一置信阈值且尾根韧带的第一置信分值低于第二置信分值，荐骨韧带的第一置信分值低于第二置信分值且未检测到尾根韧带。需要说明的是，第一置信阈值不低于第二置信阈值，第一置信阈值和第二置信阈值可以根据实际应用情况进行设置。例如，第一置信阈值可以与第二置信阈值设置为相同数值，当然，第一置信阈值也可以和第二置信阈值设置不同数值，在此不做限定。
[0051]
在一个具体的实施场景中，在荐骨韧带和尾根韧带的第一置信分值均高于第一置信阈值的情况下(即检测到高置信度的荐骨韧带和尾根韧带)，体况评分为第四分值，在荐骨韧带的第一置信分值高于第一置信阈值且尾根韧带的第一置信分值低于第二置信分值的情况下(即检测到高置信度的荐骨韧带和低置信度的尾根韧带)，体况评分为第五分值，在荐骨韧带的第一置信分值低于第二置信分值且未检测到尾根韧带的情况下(即检测到低置信度的荐骨韧带且未检测到尾根韧带)，体况评分为第六分值，第四分值、第五分值和第六分值逐渐增大且均位于第二分值区间。示例性地，第四分值可以设置为3.25，第五分值可以为3.5，第六分值可以为3.75。
[0052]
在一个具体的实施场景中，在荐骨韧带和尾根韧带都未检测到的情况下，可以继续对侧视图像(如左视图像、右视图像)进行检测。具体地，若干第四参考骨可以包括短肋末端和髋关节，第二置信检测结果包括短肋末端和髋关节的第二置信分值，即此时主要检测短肋末端以及髋关节是否可见。请参阅图6，图6是侧视图像一实施例的示意图。如图6所示，仍以奶牛养殖场景为例，左侧实线框所圈画的为短肋末端，右侧实线框所圈画的为髋关节。其他情况可以以此类推，在此不再一一举例。
[0053]
在一个具体的实施场景中，为了提升骨检测效率，可以预先训练一个骨关节检测模型，该骨关节检测模型可以包括但不限于卷积神经网络，在此对骨关节检测模型的网络结构不做限定。需要说明的是，该骨关节检测模型可以与前述韧带检测模型分别所实现的功能，可以由一个集成检测模型完成，即该集成检测模型可以检测上述若干参考韧带以及若干第四参考骨，得到上述若干参考韧带的第一置信检测结果以及若干第四参考骨的第二置信检测结果，当然，该骨关节检测模型也可以与前述韧带检测模型为两个独立的网络模型，在此不做限定。
[0054]
在一个具体的实施场景中，仍以若干第四参考骨包括短肋末端和髋关节为例，在
短肋末端和髋关节的第二置信分值均高于第三置信阈值的情况下(即检测到高置信度的短肋末端和髋关节)，体况评分为第七分值，在髋关节的第二置信分值高于第三置信阈值且短肋末端的第二置信分值低于第四置信阈值的情况下(即检测到高置信度的髋关节和低置信度的短肋末端)，体况评分为第八分值，在髋关节的第二置信分值低于第四置信阈值且未检测到短肋末端的情况下(即检测到低置信度的髋关节且未检测到短肋末端)，体况评分为第九分值，在短肋末端和髋关节均未检测到的情况下，体况评分为第十分值，第七分值、第八分值、第九分值和第十分值逐渐增大且均位于第二分值区间。需要说明的是，第三置信阈值不低于第四置信阈值，且第三置信阈值和第四置信阈值可以根据实际应用情况进行设置。例如，第三置信阈值可以与第四置信阈值设置为相同数值，当然，第三置信阈值也可以和第四置信阈值设置不同数值，在此不做限定。示例性地，第七分值可以设置为4，第八分值可以设置为4.25，第九分值可以设置为4.5，第十分值可以设置为5。
[0055]
上述方案，基于待评测对象的第一拍摄图像进行第一评测，得到待评测对象的第一评测结果，且第一拍摄图像是从预设拍摄视角对待评测对象拍摄得到的，第一评测结果包括待评测对象的目标分值区间，且目标分值区间是从多个预设分值区间中选择得到的，基于此再获取从目标拍摄视角对待评测对象拍摄得到的第二拍摄图像，且目标拍摄视角与目标分值区间相匹配，并基于目标评测策略对第二拍摄图像进行第二评测，得到待评测对象的第二评测结果，且目标评测策略与目标分值区间相匹配，第二评测结果包括待评测对象的体况评分，一方面由于无需再依赖于人工进行体况评分，能够提升评测效率，并降低受主观因素影响而干扰评测的可能性，另一方面在整个评测过程中，分两阶段由粗到细地确定体况评分，即第一阶段先根据预设拍摄视角下的第一拍摄图像进行粗糙评测，确定出目标分值区间，第二阶段利用与目标分值区间相匹配的目标评测策略对与目标分值区间相匹配的目标拍摄视角下的第二拍摄图像进行精细评测，也有利于提升评测准确性。故此，提高体况评分的效率和准确率。
[0056]
请参阅图7，图7是本技术体况评分装置70一实施例的框架示意图。体况评分装置70包括：第一评测模块71、图像获取模块72和第二评测模块73，第一评测模块71用于基于待评测对象的第一拍摄图像进行第一评测，得到待评测对象的第一评测结果；其中，第一拍摄图像是从预设拍摄视角对待评测对象拍摄得到的，第一评测结果包括待评测对象的目标分值区间，且目标分值区间是从多个预设分值区间中选择得到的；图像获取模块72用于获取从目标拍摄视角对待评测对象拍摄到的第二拍摄图像；其中，目标拍摄视角与目标分值区间相匹配；第二评测模块73用于基于目标评测策略对第二拍摄图像进行第二评测，得到待评测对象的第二评测结果；其中，目标评测策略与目标分值区间相匹配，且第二评测结果包括待评测对象的体况评分。
[0057]
上述方案，一方面由于无需再依赖于人工进行体况评分，能够提升评测效率，并降低受主观因素影响而干扰评测的可能性，另一方面在整个评测过程中，分两阶段由粗到细地确定体况评分，即第一阶段先根据预设拍摄视角下的第一拍摄图像进行粗糙评测，确定出目标分值区间，第二阶段利用与目标分值区间相匹配的目标评测策略对与目标分值区间相匹配的目标拍摄视角下的第二拍摄图像进行精细评测，也有利于提升评测准确性。故此，提高体况评分的效率和准确率。
[0058]
在一些公开实施例中，预设拍摄视角包括侧视、俯视中至少一者，且在预设拍摄视
角包括侧视的情况下，第一拍摄图像包括侧视图像，在预设拍摄视角包括俯视的情况下，第一拍摄图像包括俯视图像。
[0059]
因此，通过在侧视、俯视中至少一者进行第一评测，有利于提升第一阶段粗糙评测的准确性。
[0060]
在一些公开实施例中，预设拍摄视角包括侧视，第一拍摄图像包括侧视图像，第一评测模块71包括关键点检测子模块，用于对侧视图像进行关键点检测，得到若干骨关节点；其中，若干骨关节点包括目标点和多个参考点；第一评测模块71包括夹角获取子模块，用于获取多个参考点分别与目标点连线之间的夹角；第一评测模块71包括第一选择子模块，用于基于夹角与角度阈值之间的大小关系，从多个预设分值区间中选择第一分值区间或第二分值区间，作为目标分值区间；其中，多个预设分值区间包括第一分值区间和第二分值区间，且第一分值区间的预设极限值低于第二分值区间的预设极限值。
[0061]
因此，在预设拍摄视角包括侧视的情况下，通过度量骨关节点连线之间的夹角大小，来选择相应的预设分值区间作为目标分值区间，有利于提升目标分值区间的准确性。
[0062]
在一些公开实施例中，预设拍摄视角包括俯视，第一拍摄图像包括俯视图像，第一评测模块71包括第一检测子模块，用于对俯视图像进行骨形状检测，得到若干第一参考骨的第一形状检测结果；第一评测模块71包括第二选择子模块，用于基于第一形状检测结果，从多个预设分值区间中选择第一分值区间或第二分值区间，作为目标分值区间；其中，多个预设分值区间包括第一分值区间和第二分值区间，且第一分值区间的预设极限值低于第二分值区间的预设极限值。
[0063]
因此，在预设拍摄视角包括俯视的情况下，通过对若干第一参考骨的形状进行检测，来选择相应的预设分值区间作为目标分值区间，有利于提升目标分值区间的准确性。
[0064]
在一些公开实施例中，多个预设分值区间至少包括第一分值区间和第二分值区间，且第一分值区间的预设极限值低于第二分值区间的预设极限值；其中，与第一分值区间相匹配的目标拍摄视角包括后视、俯视，与第二分值区间相匹配的目标拍摄视角包括后视、侧视。
[0065]
因此，在进行粗糙评分的基础上，能够结合多视角图像进一步进行精细评分，相较于单一视角下的评分机制，有利于提升体况评分的准确性。
[0066]
在一些公开实施例中，目标分值区间为第一分值区间，第二拍摄图像包括后视图像和俯视图像，第二评测模块73包括第二检测子模块，用于基于后视图像依序对若干第二参考骨进行形状检测，得到若干第二参考骨的第二形状检测结果；第二评测模块73包括第一形状评测子模块，用于响应于第二形状检测结果满足第一形状条件，基于若干第二参考骨的第二形状检测结果，得到第二评测结果；第二评测模块73包括第二形状评测子模块，用于响应于第二形状检测结果不满足第一形状条件，基于俯视图像对若干第三参考骨进行间距与形状检测，得到第二评测结果；其中，不满足第一形状条件情况下最大的体况评分不高于满足第一形状条件情况下最小的体况评分。
[0067]
因此，在目标分值区间为较低的第一分值区间时，通过依序对若干第二参考骨进行形状检测，并在形状检测结果不满足相关条件时，继续基于俯视图像对若干第三参考骨进行间距与形状检测，且不满足相关条件下最大的体况评分不高于满足相关条件下最小的体况评分，故能够逐渐限缩评测标准，锁定最终的体况评分，有利于在第一阶段粗糙评测为
第一分值区间时提升第二阶段精细评测的准确性。
[0068]
在一些公开实施例中，若干第二参考骨依序排列为：锁骨、坐骨、坐骨结节；其中，第一形状条件包括以下任一者：锁骨为圆形、锁骨为棱形且坐骨圆润、锁骨与坐骨均为棱形且锁骨结节圆润，且在锁骨为圆形的情况下，体况评分为第一分值，在锁骨为棱形且坐骨圆润的情况下，体况评分为第二分值，在锁骨与坐骨均为棱形且锁骨结节圆润的情况下，体况评分为第三分值，第一分值、第二分值和第三分值逐渐减小且均位于第一分值区间。
[0069]
因此，将若干第二参考骨依序排列设置为锁骨、坐骨、坐骨结节，并设置相应的第一形状条件以及不同情况下体况评分的具体分值，能够通过约束条件逐渐将体况评分锁定，有利于提升体况评分的精度。
[0070]
在一些公开实施例中，第三参考骨至少包括短肋和脊骨，第二形状评测子模块包括距离获取单元，用于响应于第三参考骨的第三形状检测结果不满足第二形状条件，获取短肋的外侧末端至脊骨的第一距离，并获取短肋的里侧末端至脊骨的第二距离；第二形状评测子模块包括体况评分单元，用于基于第二距离与第一距离之间的距离比值，得到体况评分；其中，距离比值与体况评分正相关，且不满足第二形状条件下最小的体况评分不低于评分阈值。
[0071]
因此，在第三参考骨的第三形状检测结果不满足第二形状条件时，通过距离比值来进行体况评分，有利于提升体况评分的准确性。
[0072]
在一些公开实施例中，第二形状评测子模块包括评分确定单元，用于响应于第三参考骨的第三形状检测结果满足第二形状条件，确定体况评分低于评分阈值。
[0073]
因此，在第三参考骨的第三形状检测结果满足第二形状条件时，直接确定体况评分低于评分阈值，有利于提升体况评分的速度。
[0074]
在一些公开实施例中，目标分值区间为第二分值区间，第二拍摄图像包括后视图像和侧视图像，第二评测模块73包括韧带检测子模块，用于基于后视图像对若干参考韧带进行检测，得到若干参考韧带的第一置信检测结果；第二评测模块73包括第一置信评测子模块，用于响应于第一置信检测结果满足第一置信条件，基于若干参考韧带的第一置信检测结果，得到第二评测结果；第二评测模块73包括第二置信评测子模块，用于响应于第一置信检测结果不满足第一置信条件，基于侧视图像对若干第四参考骨进行检测，得到若干第四参考骨的第二置信检测结果，并基于第二置信检测结果，得到第二评测结果；其中，不满足第一置信条件下最小的体况评分不低于满足第一置信条件下最大的体况评分。
[0075]
因此，目标分值区间为较高的第二分值区间时，通过对若干参考韧带进行第一置信检测，并在第一置信检测结果满足第一置信条件时，直接根据第一置信检测结果得到第二评测结果，而在不满足第一置信条件时，继续对侧视图像进行检测，且不满足第一置信条件下最小的体况评分不低于满足第一置信条件下最大的体况评分，故能够逐渐限缩评测标准，锁定最终的体况评分，有利于在第一阶段粗糙评测为第二分值区间时提升第二阶段精细评测的准确性。
[0076]
在一些公开实施例中，若干参考韧带包括荐骨韧带和尾根韧带，第一置信检测结果包括荐骨韧带和尾根韧带的第一置信分值；其中，第一置信条件包括以下任一者：荐骨韧带和尾根韧带的第一置信分值均高于第一置信阈值，荐骨韧带的第一置信分值高于第一置信阈值且尾根韧带的第一置信分值低于第二置信分值，荐骨韧带的第一置信分值低于第二
置信分值且未检测到尾根韧带，且在荐骨韧带和尾根韧带的第一置信分值均高于第一置信阈值的情况下，体况评分为第四分值，在荐骨韧带的第一置信分值高于第一置信阈值且尾根韧带的第一置信分值低于第二置信分值的情况下，体况评分为第五分值，在荐骨韧带的第一置信分值低于第二置信分值且未检测到尾根韧带的情况下，体况评分为第六分值，第四分值、第五分值和第六分值逐渐增大且均位于第二分值区间。
[0077]
因此，将若干参考韧带设置为包括荐骨韧带和尾根韧带，第一置信检测结果设置为包括荐骨韧带和尾根韧带的第一置信分值，并基于第一置信分值的不同情况对应不同体况评分，有利于约束条件逐渐将体况评分锁定，有利于提升体况评分的精度。
[0078]
在一些公开实施例中，若干第四参考骨包括短肋末端和髋关节，第二置信检测结果包括短肋末端和髋关节的第二置信分值；其中，在短肋末端和髋关节的第二置信分值均高于第三置信阈值的情况下，体况评分为第七分值，在髋关节的第二置信分值高于第三置信阈值且短肋末端的第二置信分值低于第四置信阈值的情况下，体况评分为第八分值，在髋关节的第二置信分值低于第四置信阈值且未检测到短肋末端的情况下，体况评分为第九分值，在短肋末端和髋关节均未检测到的情况下，体况评分为第十分值，第七分值、第八分值、第九分值和第十分值逐渐增大且均位于第二分值区间。
[0079]
因此，通过将若干第四参考骨设置为包括短肋末端和髋关节，第二置信检测结果设置为包括短肋末端和髋关节的第二置信分值，并基于第二置信分值的不同情况对应不同体况评分，有利于约束条件逐渐将体况评分锁定，有利于提升体况评分的精度。
[0080]
请参阅图8，图8是本技术电子设备80一实施例的框架示意图。电子设备80包括相互耦接的存储器81和处理器82，存储器81中存储有程序指令，处理器82用于执行程序指令以实现上述任一体况评分方法实施例中的步骤。具体地，电子设备80可以包括但不限于：台式计算机、笔记本电脑、服务器、手机、平板电脑等等，在此不做限定。
[0081]
具体而言，处理器82用于控制其自身以及存储器81以实现上述任一体况评分方法实施例中的步骤。处理器82还可以称为cpu(central processing unit，中央处理单元)。处理器82可能是一种集成电路芯片，具有信号的处理能力。处理器82还可以是通用处理器、数字信号处理器(digital signal processor,dsp)、专用集成电路(application specific integrated circuit,asic)、现场可编程门阵列(field-programmable gate array,fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。另外，处理器82可以由集成电路芯片共同实现。
[0082]
上述方案，一方面由于无需再依赖于人工进行体况评分，能够提升评测效率，并降低受主观因素影响而干扰评测的可能性，另一方面在整个评测过程中，分两阶段由粗到细地确定体况评分，即第一阶段先根据预设拍摄视角下的第一拍摄图像进行粗糙评测，确定出目标分值区间，第二阶段利用与目标分值区间相匹配的目标评测策略对与目标分值区间相匹配的目标拍摄视角下的第二拍摄图像进行精细评测，也有利于提升评测准确性。故此，提高体况评分的效率和准确率。
[0083]
请参阅图9，图9是本技术计算机可读存储介质90一实施例的框架示意图。计算机可读存储介质90存储有能够被处理器运行的程序指令91，程序指令91用于实现上述任一体况评分方法实施例中的步骤。
[0084]
上述方案，一方面由于无需再依赖于人工进行体况评分，能够提升评测效率，并降低受主观因素影响而干扰评测的可能性，另一方面在整个评测过程中，分两阶段由粗到细地确定体况评分，即第一阶段先根据预设拍摄视角下的第一拍摄图像进行粗糙评测，确定出目标分值区间，第二阶段利用与目标分值区间相匹配的目标评测策略对与目标分值区间相匹配的目标拍摄视角下的第二拍摄图像进行精细评测，也有利于提升评测准确性。故此，提高体况评分的效率和准确率。
[0085]
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
[0086]
上文对各个实施例的描述倾向于强调各个实施例之间的不同之处，其相同或相似之处可以互相参考，为了简洁，本文不再赘述。
[0087]
在本技术所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性、机械或其它的形式。
[0088]
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
[0089]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0090]
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本技术各个实施方式方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。