肉鸡生长模型的获取采用实际体重与禽类三种典型生长曲线进行拟合的方法,传统的肉鸡体重称量采用人工抓取到电子秤上称量,与肉鸡发生直接身体接触,不利于其福利养殖。国内外采用机器视觉技术在大型动物体重估测上取得成绩,但家禽体积小姿势变化快,不便于用传统机器视觉技术进行估测。通过了解最新技术,采用Kinect 3D照相机与无线地磅相结合,将获取的数据进行处理后,以此建立肉鸡体重模型进而与生长曲线拟合,获取实验群体肉鸡最优生长曲线。进而针对现阶段肉鸡称重复杂、福利降低等问题,更加方便快捷的明确肉鸡的生长发育规律。本文开发了一套肉鸡体重及深度图像自动获取系统,采用电子秤触发照相机进行拍摄,当肉鸡出现在实验围栏内将根据相关设置自动完成对肉鸡体重数据及深度图像的采集,减少实验过程中的人工参与。使用Matlab软件对拍摄的深度图片进行预处理及特征提取。其中,图像预处理部分经过对深度图像进行图像裁剪、中值滤波、阈值分割、形态学处理从而转化为方便处理的二值图像,随后提取出图像中肉鸡的一维、二维、三维共9个特征用以后期构建模型。根据前期提取的特征及相关体重,利用SVM分类器及RBF神经网络构造两种肉鸡体重分级方法,对分级结果进行对比和分析,完成基于深度图像的肉鸡体重分级,便于肉鸡屠宰场的分级屠宰,结果显示SVM对肉鸡体重的分级效果较好。打破传统肉鸡体重称重与肉鸡接触的现状,随后设计了为期50天的肉鸡体重建模实验,利用BP神经网络构建肉鸡体重估测模型,并比较了各个特征对建立模型的贡献率,结果显示采用BP神经网络对肉鸡体重的估测拟合度较高。利用建模实验构建的肉鸡体重估测模型,设计为期50天的拟合实验,将拟合实验获取的肉鸡图片特征输入建模实验得到的肉鸡体重模型中,得到拟合实验肉鸡估测体重。利用SPSS软件将得到的估测周龄体重趋势图与禽类三种典型非线性生长曲线模型进行拟合,得到具有最优拟合度的青脚麻鸡的生长曲线模型。通过本文方法,获取了肉鸡的最优生长模型,减少了人力的损耗,进一步提高了肉鸡的福利待遇。