在禽群病死個(gè)體檢測(cè)中的應(yīng)用機(jī)器視覺技術(shù)的探討*

魏長寶，李　平

(黃淮學(xué)院信息工程學(xué)院，河南駐馬店463000)

?

在禽群病死個(gè)體檢測(cè)中的應(yīng)用機(jī)器視覺技術(shù)的探討*

魏長寶*，李平

(黃淮學(xué)院信息工程學(xué)院，河南駐馬店463000)

摘要:目前的農(nóng)場(chǎng)中，環(huán)境溫度、風(fēng)量、禽蛋、禽糞、食物和水的供給都已完成自動(dòng)控制，但是對(duì)于農(nóng)場(chǎng)中的死禽，并無達(dá)到自動(dòng)監(jiān)測(cè)和控制的目的，造成農(nóng)場(chǎng)環(huán)境污染。針對(duì)上述死禽巡查檢測(cè)中的各種缺陷，以養(yǎng)雞場(chǎng)為研究對(duì)象，采用邏輯與操作排除活雞存在的部分，提取出雞的各個(gè)重要特征，以這些特征的變化量作為特征向量，判斷是否為死雞。通過實(shí)驗(yàn)結(jié)果可得，本文的圖像識(shí)別方法能有效提升檢測(cè)死雞的精度。

關(guān)鍵詞:機(jī)器視覺;自動(dòng)檢測(cè);特征提取;檢測(cè)精度

在科學(xué)技術(shù)日新月異的今天，農(nóng)業(yè)這種最傳統(tǒng)同時(shí)最有影響力的生產(chǎn)活動(dòng)也受到了科技浪潮的影響，農(nóng)業(yè)中各項(xiàng)生產(chǎn)活動(dòng)都隨著科學(xué)技術(shù)的發(fā)展，面向數(shù)字化、自動(dòng)化、智能化方向發(fā)展［1］。在國外農(nóng)業(yè)生產(chǎn)的諸多領(lǐng)域，都已全面實(shí)現(xiàn)自動(dòng)化、智能化，近些年最典型的發(fā)展就是機(jī)器視覺技術(shù)的引入，可以得到農(nóng)作物的生長狀態(tài)，土壤狀態(tài)、病情管理以及雜交工程等［2－7］，同時(shí)機(jī)器視覺技術(shù)也被引入到養(yǎng)殖領(lǐng)域中，促使傳統(tǒng)的養(yǎng)殖方式轉(zhuǎn)變?yōu)樾滦偷木G色健康環(huán)保型養(yǎng)殖方式［8－10］。根據(jù)葡萄牙學(xué)者的研究發(fā)現(xiàn)［11］，機(jī)器視覺技術(shù)也可以用于檢測(cè)植物枝葉特征工作中，通過提取樹葉作為研究樣本，利用數(shù)字掃描獲取圖像，然后根據(jù)圖像得知葉子的特征參數(shù)。主要包括葉子的大小、長寬等。此外，日本學(xué)者也利用該技術(shù)研發(fā)了機(jī)器視覺系統(tǒng)［12］，該系統(tǒng)由PC和CCD攝像機(jī)組合而成，圖像獲取主要依靠攝像機(jī)，圖像處理則由PC完成。系統(tǒng)可在不同的光照強(qiáng)度下識(shí)別出研究對(duì)象，并且在最快的時(shí)間內(nèi)確定對(duì)象的位置。目前，在我國關(guān)于該技術(shù)的研究主要是浙江大學(xué)的學(xué)者研究發(fā)現(xiàn)了可調(diào)節(jié)的機(jī)器視覺系統(tǒng)［13－14］，也能很好的獲得相關(guān)的數(shù)字圖像，并且能拍攝種子生長的過程等，能讓種子的特征更加明顯的展示在人們眼前。還有華中科技大學(xué)的學(xué)者也利用該技術(shù)對(duì)農(nóng)業(yè)病蟲害等進(jìn)行檢測(cè)。不僅如此，在目前大規(guī)模的養(yǎng)禽場(chǎng)中，環(huán)境溫度、風(fēng)量、禽蛋、禽糞、食物和水的供給，都已完成自動(dòng)控制，但是仍然有部分工作無法實(shí)現(xiàn)自動(dòng)化，必須人為干預(yù)，其中最主要的就是死禽的發(fā)現(xiàn)和處理。目前國內(nèi)對(duì)該問題的研究得很少，吉林大學(xué)鄭雙陽等在死雞探測(cè)方面提出了基于向量機(jī)檢測(cè)算法，利用遠(yuǎn)程功能，對(duì)雞蛋進(jìn)行跟蹤監(jiān)測(cè)，通過人工智能判斷雞蛋內(nèi)是否發(fā)生質(zhì)變的一種機(jī)器視覺系統(tǒng)［15］，另外中國農(nóng)業(yè)機(jī)械化科學(xué)研究院李亞碩等人對(duì)雞冠的顏色進(jìn)行了機(jī)器視覺識(shí)別，從而判斷是否為病雞［16］，這些方法的研究對(duì)本課題研究都有一定借鑒意義。

對(duì)于如今的大型養(yǎng)禽場(chǎng)，雖然有人工定時(shí)排查，但仍然無法避免死禽留在禽舍中，造成極大的安全危害，同時(shí)死禽巡查又是一件極其繁瑣的事情，特別對(duì)于種類龐多的禽類，巡查工人必須長時(shí)間觀察每個(gè)禽舍的具體情況，而禽舍內(nèi)部存在有害氣體，同時(shí)塵埃顆粒較多，對(duì)巡查工人的身體健康帶來極大影響，因此目前亟待開發(fā)自動(dòng)檢測(cè)死禽的系統(tǒng)，能夠極大的提高養(yǎng)禽場(chǎng)的自動(dòng)化程度，并保護(hù)養(yǎng)禽工作人員的身體健康。

本文以養(yǎng)雞場(chǎng)為例，針對(duì)目前的大部分算法僅能夠同時(shí)對(duì)一只死雞進(jìn)行檢查，提出一種改進(jìn)算法，將特征提取技術(shù)應(yīng)用于死雞檢查中，該算法主要包含兩個(gè)步驟:第一步要根據(jù)雞舍區(qū)域位置的變化，排除活雞存在的那部分，第二步要對(duì)疑似死雞的部分做深入提取，包含各種特征，例如，雞冠的三維尺寸等多個(gè)綜合特征，先根據(jù)L* a* b*空間a*分量提取雞冠區(qū)，再利用SVM對(duì)雞冠像素點(diǎn)的RGB顏色信息進(jìn)行統(tǒng)計(jì)分析，將這些作為判定變量，最終判定是否為死雞。

1　檢測(cè)算法

文中的檢查算法主要由兩個(gè)步驟決定，第一個(gè)步驟為檢查雞冠區(qū)域的變化情況，排除活雞存在的那部分，該步驟采取的方法為二值與運(yùn)算操作，也即判定雞冠在規(guī)定時(shí)間內(nèi)是否移動(dòng)，對(duì)比前后兩幅圖雞冠的位置我們即可判定活雞還是死雞，如果雞冠仍停留之前位置，我們就懷疑為死雞情況，需要進(jìn)一步處理，如果雞冠產(chǎn)生移動(dòng)，那就為活雞部分，予以排除。第二步驟為，對(duì)之前疑似死雞的情況，對(duì)雞冠進(jìn)行局部特征提取，最終判斷是否為死雞。具體的步驟如下所示:

第1步定時(shí)采集同一個(gè)雞籠的兩幅畫面，時(shí)間間隔為5 min，將采集的畫面進(jìn)行分析處理，把雞冠區(qū)域的圖片提取。

第2步對(duì)第1步采集到的圖片進(jìn)行與操作，排除活雞存在的部分。

第3步對(duì)剩下的疑似死雞部分，提取雞冠區(qū)域的局部特征，例如雞冠三維尺度、球形性特征等，進(jìn)行逐個(gè)分類。

第4步將第2步分類好的死雞特征重新分類訓(xùn)練，檢驗(yàn)最終結(jié)果，是否為死雞。

第5步得到最終的判定結(jié)果。

另外，在完成第2步操作后，如果沒有發(fā)現(xiàn)雞冠，可直接進(jìn)行第5步，則表示該雞籠中的雞都正常，如圖1所示。

圖1　算法流程圖

2　提取雞冠特征

我們?cè)诒疚闹胁捎昧瞬噬珗D像獲取雞冠信息，相對(duì)灰色圖像，彩色圖像能夠提取更豐富的物體特征信息，其處理方法相比灰度圖像具有明顯的優(yōu)勢(shì)，利用彩色圖像可以更有效的提取紅雞冠這一敏感特征，當(dāng)然相對(duì)灰色圖像來說，彩色圖像的處理技術(shù)更加復(fù)雜［17－18］。

由于雞籠中雞毛顏色主要為黑、白和棕紅色，白、黑色與雞冠顏色差異很大，易提取雞冠特征，而對(duì)于棕紅色雞，其羽毛顏色與雞冠顏色過于一致，因此提取難度增加，對(duì)此，我們針對(duì)不同顏色的雞，選擇相對(duì)應(yīng)的顏色模型，同時(shí)采用最大類間方差法來進(jìn)行圖形分割，同時(shí)進(jìn)行運(yùn)算，去除圖像噪聲。接下來我們對(duì)雞冠輪廓區(qū)域以及形狀特征的提取進(jìn)行深入研究［19］。

2.1雞冠輪廓的提取

本文采用數(shù)學(xué)形態(tài)學(xué)的方法去除圖像噪聲，同時(shí)采取邊緣檢測(cè)算法來提取雞冠輪廓，該方法相對(duì)傳統(tǒng)方法在各方面都具有明顯的優(yōu)勢(shì)，提取的效果如圖2所示。

圖2　雞冠輪廓提取圖

2.2雞冠中心區(qū)域提取

在雞冠輪廓提取過程中，經(jīng)常出現(xiàn)雞冠遮蓋的情況，造成圖像識(shí)別出現(xiàn)誤差。為此，本文提取雞冠的中心點(diǎn)進(jìn)行圖像識(shí)別，避免出現(xiàn)上述誤差，下面重點(diǎn)介紹雞冠中心點(diǎn)的獲得方法:

第1步對(duì)采集的圖像進(jìn)行識(shí)別，得到水平和豎直方向的邊距，分別為h，w，可得:

第2步對(duì)采集的圖形進(jìn)行處理，得到水平和豎直方向的最大邊距hmax，wmax，可得:

第3步結(jié)合第一步和第二步得到的數(shù)據(jù)，獲得所有E(h，w)＞e的邊距均值為xh，yw，也即雞冠中心的坐標(biāo)值。

具體實(shí)現(xiàn)的算法如下所示:

選取8個(gè)中心附近區(qū)的像素點(diǎn)，為了便于區(qū)分，將其調(diào)至白色，其分別代表雞冠。假設(shè)中心點(diǎn)坐標(biāo)為i，j，像素的數(shù)值為f(i，j)，則中心點(diǎn)58個(gè)像素點(diǎn)坐標(biāo)值如表1所示。

表1　中心點(diǎn)區(qū)域坐標(biāo)

圖3　雞冠中心點(diǎn)提取

坐標(biāo)關(guān)系如下所示:

由上述方法得到雞冠中心區(qū)域提取圖如圖4所示。

圖4　雞冠中心區(qū)域提取圖

2.3提取雞冠的形狀特征

2.2.3 缺乏有效的護(hù)患溝通和知識(shí)宣教。護(hù)士未落實(shí)責(zé)任制整體護(hù)理,往往重視患者的病情,而忽視了對(duì)患者的相關(guān)知識(shí)宣教和心理評(píng)估。長期置管患者對(duì)管道的自我管理警惕性下降,7例患者中2例T管脫出均是來院拔管的患者。

經(jīng)過上述幾個(gè)步驟的圖像提取，能基本掌握雞冠特征，然后再深入分析，根據(jù)相對(duì)靜止和運(yùn)動(dòng)的原理，即使雞冠不運(yùn)動(dòng)，圖像提取的縱橫方向也不變，但是進(jìn)行位移之后，雞冠的相對(duì)位置也發(fā)生了改變。為此，必須提取其他重要特征，才能解決上述問題，提取的特征如下所示:

(1)面積特征

作為最常見的特征，圖像面積的提取非常簡單，通過統(tǒng)計(jì)像素個(gè)數(shù)即可得到，如下所示:

這里f(x，y)是像素各點(diǎn)數(shù)，圖幅大小是M×N

(2)周長特征

作為區(qū)域描述的通用特征，對(duì)于周長L的計(jì)算可以從面積公式中衍變出來，如下所示:

式中，A為目標(biāo)的面積SUM(in)表示其4鄰域全為目標(biāo)點(diǎn)的像素點(diǎn)總數(shù)，L即是周長。

(3)伸長度特征

這里p，q為邊界的長度和寬度方向大小。

(4)冗余度特征

冗余度代表了圖幅中的復(fù)雜程度，如下所示:

(5)球度特征

反映了圖幅的扁平特性，如下所示:

這里ri，rc為圓心在重心的內(nèi)切圓和外切圓的半徑。

3　圖片拍攝時(shí)間設(shè)定

對(duì)于本實(shí)驗(yàn)，采集一定時(shí)間間隔的兩張圖片，拍攝間隔的時(shí)間很重要，時(shí)間過長過短對(duì)死雞的判定都不好，表2為對(duì)比不同間隔時(shí)間下的判定結(jié)果。

從表2的結(jié)果來看，5 min以內(nèi)，隨著間隔時(shí)間的增長，判定率不斷增長，當(dāng)時(shí)間大于5 min后，隨著間隔時(shí)間的增長，判定率不斷下降，因此最佳間隔時(shí)間為5 min。

4　圖像特征提取實(shí)驗(yàn)

采用第4節(jié)提到的最佳拍攝時(shí)間間隔，對(duì)同一個(gè)雞籠進(jìn)行前后拍攝，同時(shí)采用第3節(jié)中提到的圖像處理技術(shù)，對(duì)雞冠進(jìn)行處理，得到如圖5所示結(jié)果，接著對(duì)圖5進(jìn)行下一步操作，提取疑似死雞的雞冠中心點(diǎn)，如圖6所示，最后對(duì)疑似死雞提取雞冠的各種特征并且分類，進(jìn)行最后判定。

圖5　提取雞冠中心區(qū)域

圖6　疑似死雞的雞冠中心區(qū)域

5　結(jié)果討論與分析

為了驗(yàn)證本文的圖像識(shí)別方法的有效性，我們選擇不同的品種，顏色的雞進(jìn)行對(duì)比試驗(yàn)，得到如表3所示的試驗(yàn)結(jié)果。

表3　測(cè)試結(jié)果

從測(cè)試結(jié)果來看，白雞的正確判定率最高，并且提取時(shí)間最短，相反蘆花雞正確判定率最低，耗時(shí)也最長，黑雞居于兩者之間，這跟實(shí)際情況也是相符的，三種雞的正確判定率都達(dá)到了91.7%，并且提取時(shí)間都很短，因此本文的方法能夠有效對(duì)養(yǎng)雞場(chǎng)的死雞進(jìn)行監(jiān)控。

雖然本實(shí)驗(yàn)?zāi)茌^為有效檢測(cè)出雞的局部特征，但特征要素相對(duì)單一，尤其當(dāng)遇到前景目標(biāo)被部分遮擋或光照不均勻，對(duì)特征要素的提取有很大的影響。尤其對(duì)于后期分類器的設(shè)計(jì)，應(yīng)設(shè)法選取更多特征作為提取要素使分類器設(shè)計(jì)更為具體，并對(duì)分類器進(jìn)行評(píng)價(jià)與優(yōu)化。其中有效角點(diǎn)的檢測(cè)處理速度較慢，運(yùn)用到實(shí)際中還需提高運(yùn)算速度。

6　結(jié)束語

針對(duì)死禽巡查檢測(cè)中的各種缺陷，本文以養(yǎng)雞場(chǎng)為研究對(duì)象，給出基于機(jī)器視覺技術(shù)的死雞檢測(cè)方法。該方法首先對(duì)養(yǎng)雞場(chǎng)內(nèi)中心區(qū)域位置的變化，采用邏輯與操作排除活雞存在的部分;其次，提取出雞的各個(gè)重要特征，以這些特征的變化量作為特征向量，判斷死雞和活雞。通過實(shí)驗(yàn)結(jié)果可得，本文的圖像識(shí)別方法能夠有效的提升檢測(cè)死雞的精度。但是由于本實(shí)驗(yàn)圖像素材較為理想，實(shí)際運(yùn)用到養(yǎng)雞場(chǎng)復(fù)雜的環(huán)境下，方法上需進(jìn)一步優(yōu)化改善。

參考文獻(xiàn):

［1］韓九強(qiáng).機(jī)器視覺技術(shù)及應(yīng)用［M］.北京:高等教育出版社，2009:5－18.

［2］劉泉，胡文娟.基于機(jī)器視覺的PCB缺陷檢測(cè)系統(tǒng)設(shè)計(jì)與研究［J］.電子器件，2007，30(4):20－26.

［3］吳繼華，劉燕德，歐陽愛國.基于機(jī)器視覺的種子品種實(shí)時(shí)檢測(cè)系統(tǒng)研究［J］.傳感技術(shù)學(xué)報(bào)，2015，28(12):8－18.

［4］劉長青，陳兵旗.基于機(jī)器視覺的玉米果穗?yún)?shù)的圖像測(cè)量方法［J］.農(nóng)業(yè)工程學(xué)報(bào)，2014(6):131－138.

［5］程洪，史智興，尹輝娟，等.基于機(jī)器視覺的多個(gè)玉米籽粒胚部特征檢測(cè)［J］.農(nóng)業(yè)工程學(xué)報(bào)，2013(19):141－151.

［6］孫群，王慶，薛衛(wèi)青，等.無損檢測(cè)技術(shù)在種子質(zhì)量檢驗(yàn)上的應(yīng)用研究進(jìn)展［J］.中國農(nóng)業(yè)大學(xué)學(xué)報(bào)，2012(3):1－6.

［7］邵魯浩，坎雜，李景彬，等.基于形狀特征的脫絨棉種品種識(shí)別［J］.農(nóng)業(yè)工程學(xué)報(bào)，2011(S2):86－89.

［8］王潤濤，張長利，房俊龍，等.基于機(jī)器視覺的大豆籽粒精選技術(shù)［J］.農(nóng)業(yè)工程學(xué)報(bào)，2011(8):355－359.

［9］全燕鳴，黎淑梅，成喜春，等.基于機(jī)器視覺的果肉多類型異物識(shí)別方法［J］.農(nóng)業(yè)工程學(xué)報(bào)，2011(3):162－166.

［10］黃星奕，姜爽，陳全勝，等.基于機(jī)器視覺技術(shù)的畸形秀珍菇識(shí)別［J］.農(nóng)業(yè)工程學(xué)報(bào)，2010(10):350－354.

［11］Cunha J B.Application Image Processing Techniques in the Characterization of Plant Leafs［J］.Industrial Electronics，2003(1):612－616.

［12］Bulanon D M，Kataoka T，Okamoto H，et al.Development of a Real-Time Machine Vision System for the Apple Harvesting Robot ［J］.SICE，2004 Annual Conference，2004(1):595－598.

［13］Cheng Fang，Ying Yibin.Machine Vision System for Inspecting Characteristics of Hybrid Rice Seed［J］.Monitoring Food Safety，Agriculture，and Plant Health，2004，5271:328－335.

［14］Qiu Daoyin，Zhang Hongtao，Liu Xinyu，et al.Design of Detection System for Agriculture Field Pests Based on Machine Vision［J］.Transactions of the Chinese Society of Agricultural Machinery，2007，38(1):120－122.

［15］鄭雙陽，王琳琳.基于機(jī)器視覺對(duì)高階直立式雞籠內(nèi)蛋雞的監(jiān)視系統(tǒng)的開發(fā)［J］.吉林農(nóng)業(yè)大學(xué)學(xué)報(bào)，2009，31(4):476－480.

［16］李亞碩，毛文華，胡小安，等.基于機(jī)器視覺識(shí)別雞冠顏色的病雞檢測(cè)方法［J］.機(jī)器人技術(shù)與應(yīng)用，2014(5):18－26.

［17］林開顏，吳軍輝，徐立鴻.彩色圖像分割方法綜述［J］.中國圖像圖形學(xué)報(bào)，2005，10(1):1－10.

［18］韓思奇，王蕾.圖像分割的閾值法綜述［J］.系統(tǒng)工程與電子技術(shù)，2002，24(6):91－94.

［19］陳月華，胡曉光，張長利.基于機(jī)器視覺的小麥害蟲分割算法研究［J］.農(nóng)業(yè)機(jī)械工程學(xué)報(bào)，2007，23(12):187－191.

魏長寶(1972－)，男，河南省駐馬店市人，漢族，碩士，副教授，研究方向?yàn)橛?jì)算機(jī)信息與智能信息處理;

李　平(1976－)，女，河南省駐馬店市人，漢族，碩士，講師，研究方向?yàn)樾畔⑻幚砼c現(xiàn)代電子系統(tǒng)，llishbbs@163.com。

Design of Cab Signaling Test System Based on DDS Ramped FSK Technology

YANG Jin1*，YANG Cheng2
(1.Department of Signal and Communication，Nanjing Institute of Railway Technology，Nanjing 210035，China;
2.Signal＆Communication Center，Nanjing Metro Operation Co.，Ltd.，Nanjing 210012，China)

Abstract:To solve the problem of high system complexity and expensive price for general cab signaling loop transmitter while low precision and low reliability for portable cab signaling transmitter，a cab signaling test system based on DDS Ramped FSK technology was introduced.The test system could simulate the shifting frequencies of 18 information frequency shift track circuit，UM71 and ZPW2000 track circuit.The test system was controlled by upper computer to output different continuous carrier frequency and low-frequency encoded Ramped FSK signals.The interference signal against adjacent signal apparatus was reduced and it was convenient for the demodulation of cab signaling apparatus.The system structure was simple and outputting signal was stable and reliable.The hardware architecture and design method of this test system are illustrated.Experimental results show that every aspect of this system can work well.

Key words:cab signaling; ramped FSK; Direct Digital Synthesizer; frequency-shift track circuit

doi:EEACC:722010.3969/j.issn.1005－9490.2015.04.023

收稿日期:2015－03－09修改日期:2015－04－14

中圖分類號(hào):TP391

文獻(xiàn)標(biāo)識(shí)碼:A

文章編號(hào):1005－9490(2015)04－0826－05

項(xiàng)目來源:國家自然科學(xué)基金青年基金項(xiàng)目(61304172)