不同溫度下仔豬群體特征行為檢測方法研究

韓益博，王春光，康飛龍

(內(nèi)蒙古農(nóng)業(yè)大學(xué) 機(jī)電工程學(xué)院，呼和浩特 010018)

?

不同溫度下仔豬群體特征行為檢測方法研究

韓益博，王春光，康飛龍

(內(nèi)蒙古農(nóng)業(yè)大學(xué) 機(jī)電工程學(xué)院，呼和浩特 010018)

針對無應(yīng)激條件下哺乳仔豬群體生活環(huán)境的舒適度檢測問題，分別采集低溫、適溫、高溫條件下的哺乳仔豬特征圖像，分別對其進(jìn)行預(yù)處理，提取出哺乳仔豬群體目標(biāo)區(qū)域。同時，提出一種基于形態(tài)學(xué)操作和Radon變換的被測目標(biāo)區(qū)域與其最小包圍矩形面積比的計算方法，采用最大類間方差聚類法確定3種特征行為的雙閾值，以其作為檢測哺乳仔豬特征行為的有效手段，實(shí)現(xiàn)了無應(yīng)激條件下哺乳仔豬群體生活環(huán)境的舒適度檢測。通過對150張?zhí)卣餍袨閳D片進(jìn)行實(shí)驗(yàn)分析，結(jié)果顯示：該方法的綜合識別率高于87%，為智能監(jiān)控軟件在豬舍溫度調(diào)控方面提供了數(shù)據(jù)參考。

哺乳仔豬；舒適度檢測；Radon變換；最大類間方差聚類法

0 引言

在傳統(tǒng)的豬舍環(huán)境下，飼養(yǎng)員通過手動調(diào)控的方式調(diào)節(jié)豬舍溫度，豬在預(yù)定的環(huán)境溫度下活動，這種粗放的控制模式因其沒有整合分析其它影響因素，如濕度、地板類型、光照等，所以很難滿足豬的真正的熱需要[1-2]。研究表明：豬舍溫度直接影響豬的日增重和采食量，2007年，山西農(nóng)業(yè)大學(xué)的郭慧慧在影響豬的采食量一文中提出豬的等熱區(qū)范圍為12～23℃，高于此范圍采食減少，低于此范圍采食增加，豬平均日增重減少[3]。四川省德陽市食品局的趙正興在氣溫對豬生產(chǎn)性能的影響一文中通過實(shí)驗(yàn)證明，豬在20kg體重的適宜溫度是18～22℃，如果低于這個溫度哺乳仔豬的采食量明顯增加[4]。可見，外界環(huán)境溫度在一定程度上對哺乳仔豬的生長發(fā)育和飼養(yǎng)成本造成影響。2008年，Bin Shao, Hongwei Xin等人開發(fā)了一套實(shí)時圖像處理系統(tǒng)用于檢測移動和識別群豬的熱舒適度[5]。其以步頻及豬體積占有率、密集程度作為特征向量，使用最小歐式距離區(qū)分豬的冷熱舒適度狀況，能夠準(zhǔn)確識別出哺乳仔豬群體的聚集形式；但其算法較為復(fù)雜，不易于實(shí)現(xiàn)實(shí)時監(jiān)控。

為此，本文選取5頭體重在2.2～3kg的哺乳仔豬，分別將其置于低溫、適溫、高溫條件下，通過對采集到的特征行為圖像進(jìn)行預(yù)處理，完成對被測目標(biāo)區(qū)域的提取，并采用形態(tài)學(xué)處理方法對提取到的被測目標(biāo)區(qū)域面積進(jìn)行計算[6]；然后，采用Radon變換獲得包圍被測目標(biāo)區(qū)域最小矩形的面積，進(jìn)一步提出被測目標(biāo)區(qū)域與其最小包圍矩形的面積比，從而獲得區(qū)分不同溫度下哺乳仔豬行為的有效特征；使用該有效特征并通過最大類間方差聚類法，利用3種不同溫度下哺乳仔豬特征行為分類的雙閾值，最終完成哺乳仔豬群體特征行為檢測。

1 圖像處理

1.1 圖像獲取

在呼和浩特市土左旗豬場，試驗(yàn)選擇臨床表現(xiàn)正常的、出生9天的DLY三元雜交豬5頭，體重在2.2～3kg的哺乳仔豬作為試驗(yàn)對象。將試驗(yàn)對象置于55cm×110cm×55cm(長×寬×高)的保溫室里，在保溫箱中心處，距離保溫箱地面170cm處安裝MV-VD USB2.0接口 CCD工業(yè)相機(jī)，采用垂直向下的拍攝方式獲取被測目標(biāo)的俯視圖圖像。在保溫室地板放置智能加熱袋，將豬舍溫度分別調(diào)至0、22、30℃各保持1h。并用紅外測溫儀每隔10min監(jiān)測1次保溫室內(nèi)溫度；采集3種溫度下哺乳仔豬特征行為的圖像若干，并將采集到的特征圖像信息傳至計算機(jī)。

圖1為采集到0、22、30℃所對應(yīng)的哺乳仔豬特征行為圖像。

1.2 應(yīng)用背景差分法完成目標(biāo)檢測

采集的圖像既包含被測的目標(biāo)，又包含智能加熱袋、保溫箱等復(fù)雜背景，再加上光照不均勻，導(dǎo)致圖像中的目標(biāo)和背景的對比度較差。

(a) 0℃下的特征行為 (b) 22℃下的特征行為 (c) 30℃下的特征行為

本文使用背景差分法[7-9]，又稱背景減法，原理是將含有被測目標(biāo)圖像與不含被測目標(biāo)的背景圖像進(jìn)行差分來最大程度地消除含有目標(biāo)圖像的復(fù)雜背景，進(jìn)而提高被測目標(biāo)與背景的對比度，為后續(xù)的圖像分割奠定基礎(chǔ)。則有

m(x,y,c)=f(x,y,c)-g(x,y,c)

(1)

其中，m(x,y,c)表示c溫度下仔豬的群體運(yùn)動目標(biāo)；f(x,y,c)表示c溫度下的特征圖像；g(x,y,0)表示c溫度下的背景圖像。

由于保溫箱環(huán)境較為復(fù)雜，圖像噪聲現(xiàn)象嚴(yán)重，式(1)不能得到真正的哺乳仔豬群體目標(biāo)，得到的是群體目標(biāo)與噪聲組成的差分圖像

d(x,y,c)=m(x,y,c)+n(x,y,c)

(2)

其中，n(x,y,c)為噪聲因素。所以，需要運(yùn)用閾值T分割提取目標(biāo)，有

(3)

圖2是對圖1中3種不同溫度哺乳仔豬圖像分別使用背景差分法的處理效果。

(a) 0℃ (b) 22℃ (c) 30℃

1.3 圖像分割及分割后處理

盡管在被測目標(biāo)與背景的對比度十分明顯的情況下，閾值分割很容易實(shí)現(xiàn)；但實(shí)際上由于在被測目標(biāo)和背景的分界部分存在細(xì)微的灰度變化，所以閾值分割時確定閾值是困難的。閾值的選取與像素的位置、灰度值及當(dāng)前像素的鄰域性質(zhì)等因素有關(guān)，常見的閾值分割法有雙峰法、最大類間方差法和自動迭代法。圖3和圖4分別為運(yùn)用雙峰法和迭代法分割3種特征行為所得到的閾值分割圖像。

(a) 0℃ (b) 22℃ (c) 30℃

如圖3可知：運(yùn)用雙峰法進(jìn)行閾值分割時，雖然算法簡單、運(yùn)算速度快，但由于受到噪聲和光照的影響，容易造成目標(biāo)元素的丟失，使得物體和背景的邊界部分易被填充，邊界處目標(biāo)與背景很難分割。

(a) 0℃ (b) 22℃ (c) 30℃

由圖4可知：迭代法基本可以分離哺乳仔豬群體目標(biāo)與背景，但在邊界處依然會發(fā)生目標(biāo)像素的丟失，而且在目標(biāo)內(nèi)部存在許多孤立像素。

本文用到的閾值分割技術(shù)是最大類間方差法[10-11]，分割效果圖如圖5所示。由圖5中可以看出：圖像的被測目標(biāo)區(qū)域基本被提取出來，相比其他兩種方法目標(biāo)內(nèi)部的孤立像素點(diǎn)明顯減少，雖然被測目標(biāo)區(qū)域中有空洞、區(qū)域邊緣不太平滑和背景區(qū)域有白點(diǎn)污染，但通過圖像填充、圖像閉運(yùn)算及開運(yùn)算形態(tài)學(xué)操作[12-13]，達(dá)到進(jìn)一步處理需要的效果。圖像填充可以去除被測目標(biāo)區(qū)域中的空洞，圖像閉運(yùn)算可以實(shí)現(xiàn)區(qū)域邊緣的平滑，圖像開運(yùn)算可以去除背景區(qū)域的白色污染，如圖6所示。

(a) 0℃ (b) 22℃ (c) 30℃

(a) 0℃ (b) 22℃ (c) 30℃

1.4 被測目標(biāo)區(qū)域與其最小包圍矩形的面積比

在低溫狀態(tài)下，哺乳仔豬的特征行為高度聚集，通常會出現(xiàn)堆積現(xiàn)象，閾值分割后的二值圖像中被測目標(biāo)不能被分開，目標(biāo)區(qū)域通常是一個連通區(qū)域或接近連通的區(qū)域，且連通區(qū)域的孔數(shù)很少，故該被測目標(biāo)區(qū)域的面積與其最小包圍矩形的面積比在3種狀態(tài)中最大；高溫狀態(tài)下，哺乳仔豬比較暴躁，其特征行為極度分散，閾值分割后的二值圖像中被測目標(biāo)可以明顯被分開，且被測目標(biāo)之間的間隔很大，故該被測目標(biāo)區(qū)域的面積與其最小包圍矩形的面積比在3種狀態(tài)中最小；舒適狀態(tài)下，哺乳仔豬比較安逸，其特征行為是臥著休憩，且各個仔豬之間有間隙但不是太大，閾值分割后的二值圖像中被測目標(biāo)可以被分開但不明顯，故該被測目標(biāo)區(qū)域的面積與其最小包圍矩形的面積比在3種狀態(tài)中介于低溫狀態(tài)和高溫狀態(tài)之間。被測目標(biāo)區(qū)域面積與其最小包圍矩形的面積比是區(qū)分3種溫度狀態(tài)下哺乳仔豬特征行為的有效參數(shù)。

1.4.1 被測目標(biāo)區(qū)域面積的獲取

得到哺乳仔豬二值化圖像后，圖像中的非零像素的數(shù)目即為哺乳仔豬群體面積。采用形態(tài)學(xué)函數(shù)bwarea對圖像中非零像素進(jìn)行加權(quán)運(yùn)算，有效地補(bǔ)償了圖像的固有失真，以圖6(c)為例，其目標(biāo)區(qū)域的面積為S=12 224像素。

1.4.2 包圍被測目標(biāo)區(qū)域最小矩形的獲取

被測目標(biāo)區(qū)域的最小包圍矩形面積的求取用到Radon變換，Radon變換是描述一個二維圖像函數(shù)f(x,y)的沿著某一方向的投影函數(shù)gθ(R)，可以看成是R與θ構(gòu)成的極坐標(biāo)系統(tǒng)，(R,θ)被稱為Radon空間。該空間任意一點(diǎn)(Ri,θi)代表二維圖像函數(shù)f(x,y)所在xoy平面內(nèi)的線積分，其數(shù)學(xué)表達(dá)式為

(4)

其中，θ表示投影方向與x方向的夾角，θ∈[0°，179°]；R代表在某一方向θ上的投影寬度。光帶的寬度為在該方向上的有效投影寬度，即被測目標(biāo)在該方向上的最大寬度，如圖7所示。圖7(a)是一幅大小為200×200像素的圖像，圖像中包含一個大小為100×100像素的被測目標(biāo)區(qū)域；圖7(b)為圖7(a)在0°方向上的Radon變換，可以看出：曲線在軸上首末端點(diǎn)的距離(有效投影寬度)正好為被測目標(biāo)的寬度；同理，圖7(c) 中曲線在軸上首末端點(diǎn)的距離正好為被測目標(biāo)對角線長度。這樣，在圖7(d)中軸上會有180個且與θ相對應(yīng)的有效長度，即被測目標(biāo)在各個方向上的有效投影寬度，那么i與(i+90°)投影方向角所對應(yīng)的有效投影長度為包圍被測目標(biāo)區(qū)域的矩形的長和寬，i∈[0°，89°]。其在整個投影方向區(qū)間內(nèi)會形成90個包圍被測目標(biāo)區(qū)域的矩形，本文用到的是包圍被測目標(biāo)區(qū)域面積最小的矩形。

(a) 原始圖像 (b) 0°方向上Radon變換

(c) 45°方向上Radon變換 (d) 0°到179°Radon變換

以圖6(c)為例，獲取其被測區(qū)域面積后，對其進(jìn)行0°～179°的Radon變換，變換結(jié)果如圖8所示。通過Radon變換圖像獲取包圍被測區(qū)域最小矩形的面積Smin=37 728像素 。

圖8 圖6(c)0°到179°的Radon變換

1.4.3 被測目標(biāo)區(qū)域與其最小包圍矩形的面積比分類能力評價

為了有效地識別出3種不同溫度下哺乳仔豬的特征行為，需要對被測目標(biāo)區(qū)域與其最小包圍矩形的面積比的分類能力進(jìn)行評價。以圖6(c)為例，其被測目標(biāo)區(qū)域與其最小包圍矩形的面積比K=S/Smin=0.324,分別選取0、22、30℃下哺乳仔豬特征行為樣本圖像各50幅，分別計算其被測目標(biāo)區(qū)域與其最小包圍矩形的面積比并作出散點(diǎn)圖，如圖9所示。

圖9 樣本圖像被測目標(biāo)區(qū)域與其最小包圍矩形的面積比散點(diǎn)圖

分析圖9可知：0℃下哺乳仔豬特征行為樣本圖像被測目標(biāo)區(qū)域與其最小包圍矩形的面積比最大，數(shù)據(jù)起伏變化較小，說明被測目標(biāo)區(qū)域與其最小包圍矩形的面積比對寒冷狀態(tài)下哺乳仔豬有較好的聚類能力，可以減少錯誤分類現(xiàn)象的發(fā)生的概率；相反，30℃下哺乳仔豬特征行為樣本圖像被測目標(biāo)區(qū)域與其最小包圍矩形的面積比最小，數(shù)據(jù)波動較大，分布較為分散，因而在實(shí)際應(yīng)用時可能會出現(xiàn)錯誤分類的現(xiàn)象；22℃下哺乳仔豬特征行為樣本圖像被測目標(biāo)區(qū)域與其最小包圍矩形的面積比居于兩者之間，數(shù)據(jù)波動也居于兩者之間。因此，被測目標(biāo)區(qū)域與其最小包圍矩形的面積比是識別3種不同溫度下哺乳仔豬特征行為的有效特征量。

2 3種不同溫度下哺乳仔豬特征行為識別

2.1 根據(jù)最大類間方差聚類法確定雙閾值

這里單獨(dú)采用被測目標(biāo)區(qū)域與其最小包圍矩形的面積比識別3種哺乳仔豬的特征行為狀態(tài)，需要2個分類閾值來確定狀態(tài)的所屬類別。根據(jù)圖7樣本面積比的計算結(jié)果，可以進(jìn)一步求出被測目標(biāo)區(qū)域與其最小包圍矩形的面積比的概率分布圖。從圖10中可以看出：概率分布圖呈三峰性，且兩個波谷位置明顯。

圖10 面積比的概率分布圖

(5)

1)獲取圖7中被測目標(biāo)區(qū)域與其最小包圍矩形的面積比R；

2)確定閾值T1、T2的范圍Tmin～Tmax，直接定為最小到最大的面積比；

3)閾值T1、T2按步長0.001在閾值范圍Tmin～Tmax變化過程中，根據(jù)公式(5)計算σ2；

4)尋找最大的σ2，找出對應(yīng)的閾值T1、T2。

2.2 基于最大類間方差聚類法雙閾值的識別率測定

為了驗(yàn)證基于被測目標(biāo)區(qū)域與其最小包圍矩形的面積比分類哺乳仔豬3種狀態(tài)的可行性和有效性，以及基于最大類間方差聚類法雙閾值的識別率高低，分別選取0、22、30℃下哺乳仔豬特征行為圖像各50幅，這些圖像均在相同的實(shí)驗(yàn)條件下采集到的，由2.1中確定下來的閾值T1(0.356 4)、T2(0.498 3)直接作為這里識別率測定試驗(yàn)中的分類閾值，測定結(jié)果如表1所示。由表1可知：在150幅哺乳仔豬特征行為的圖像中，0、22、30℃下哺乳仔豬特征行為的圖像分別有46、43、42幅被正確識別，因此本文所提的方法，對于0、22、30℃狀態(tài)下的哺乳仔豬特征行為識別率分別為92%、86%、84%。

表1 0、22、30℃哺乳仔豬特征行為分類結(jié)果

3 結(jié)論

研究了一種不同溫度下哺乳仔豬特征行為的分類方法，提出一種計算被測目標(biāo)區(qū)域與其最小包圍矩形面積比的方法，并將其作為分類特征，進(jìn)一步對其分類能力進(jìn)行了評價。同時，提出了一種最大類間方差聚類法確定對其分類的雙閾值，并通過測得的閾值實(shí)現(xiàn)了3種不同溫度下哺乳仔豬特征行為的分類。實(shí)驗(yàn)表明：被測目標(biāo)區(qū)域與其最小包圍矩形的面積比作為分類特征是可行的和有效的，基于最大類間方差聚類法獲得的雙閾值對3種狀態(tài)哺乳仔豬特征行為的綜合識別率高于87%。相對人工檢測哺乳仔豬特征行為而言，本文所提的方法效率高、穩(wěn)定性好，具有很好的應(yīng)用前景。

[1] Xin H, Zhang Q, Puma M, et al. Effects of fluctuating temperatures on isowean pigs[J].Trans. ASAE ,2000,43 (2)：433-438.

[2] Ye W, Xin H. Measurement of surface temperature and postural responses of group-housed pigs to thermal conditions by thermography[J].Trans. ASAE, 2000,43 (6):1843-1851.

[3] 郭慧慧,劉岐,王立賢,等. 影響豬采食量的因素[J].中國畜牧獸醫(yī),2007,34(12):17-21.

[4] 趙正興. EM發(fā)酵飼料飼喂育肥豬的效果[J].四川畜牧獸醫(yī),2006(1)：28-31.

[5] Bin Shao,Hongwei Xin. A real-time computer vision assessment and control of thermal comfort for group-housed pigs[J].computers and electronics in agriculture,2007,62(2008):15-21.

[6] 王繼芳. 數(shù)字圖象數(shù)學(xué)形態(tài)學(xué)算法研究與應(yīng)用[D].鄭州：中國人民解放軍信息工程大學(xué)，2005：40-44.

[7] 張毅剛,曹陽,項(xiàng)學(xué)智. 靜態(tài)背景差分運(yùn)動目標(biāo)檢測研究[J].電子測量與儀器學(xué)報，2010,24(5):494-498.

[8] 汪沖,席志紅,肖春麗. 基于背景差分的運(yùn)動目標(biāo)檢測方法[J].應(yīng)用科技，2009,36(10):17-18.

[9] 王輝. 背景差分圖像處理[D].哈爾濱：哈爾濱理工大學(xué),2005：12-14.

[10] 齊麗娜,張博,王戰(zhàn)凱. 最大類間方差法在圖像處理中的應(yīng)用[J].無線電工程，2006,36(7):25-26.

[11] 孫璐,陳洪海. 最大類間方差法在圖像分割中的應(yīng)用[J].煤炭技術(shù)，2008,27(7):23-24.

[12] 楊丹,趙海濱,龍哲.MATLAB圖像處理實(shí)例詳解[M].北京：清華大學(xué)出版社，2013:362-366.

[13] 張錚.精通Matlab數(shù)字圖像處理與識別[M].北京：人民郵電出版社，2013:220-243.

[14] 李茂寬, 關(guān)鍵. 基于共形幾何代數(shù)與 Radon 變換的圓檢測方法[J].光電工程, 2010, 37(4): 72-76.

[15] 孔華鋒, 魯宏偉, 胡東紅. 基于改進(jìn) Radon 變換的芯片幾何特征檢測[J].計算機(jī)工程, 2010, 37(4): 210-212.

[16] 郭延杰,白福忠. 基于 Radon 變換與灰度重心法的環(huán)形目標(biāo)直徑測量方法[J].激光與光電子學(xué)進(jìn)展，2015,52(8):1-5.

Piglets Group Characteristics under Different Temperature Behavior Detection Method Research

Han Yibo，Wang Chunguang，Kang Feilong

(College of Mechanical and Electrical Engineering， Inner Mongolia Agricultural University, Hohhot 010018, China)

In order to check the lactation piglet group living environment of the comfort level problem, respectively collected under the condition of low temperature, suitable temperature, high temperature characteristics of lactation piglet images. And then carry on the pretreatment, respectively to extract the target area for lactation piglet groups. Based on morphological operations and Radon transform a target area to be measured and the calculation method of minimum bounding rectangle area ratio, the between-cluster variance clustering method is used to determine three characteristic behavior of double threshold, with its feature detection lactation piglet behavior effective means, to achieve no stress under the condition of lactation piglet groups living environment of the comfort level detection. Analysis by image characteristics of 150 behavior experiment, the result shows that the method of comprehensive recognition rate above 87%, shows that it has good practical value and application prospect, for the intelligent monitoring software provides data reference in piggery temperature regulation.

lactation piglet；comfort level detection；radon transform；the between-cluster variance clustering method

2016-04-08

“十二五”國家科技支撐計劃項(xiàng)目(2014BAD08B05-04)

韓益博(1986-),男，呼和浩特人，碩士研究生，(E-mail) hanyibo099@163.com。

王春光(1959-)，男，內(nèi)蒙古鄂爾多斯人，教授，博士生導(dǎo)師，(E-mail) jdwcg@imau.edu.cn。

S818

A

1003-188X(2017)05-0021-05