基于圖像的肉羊生長參數(shù)實(shí)時無接觸監(jiān)測方法

張麗娜，武 佩，烏云塔娜，宣傳忠，馬彥華，陳鵬宇

?

基于圖像的肉羊生長參數(shù)實(shí)時無接觸監(jiān)測方法

張麗娜1,2，武 佩1※，烏云塔娜1，宣傳忠1，馬彥華1，陳鵬宇1

（1.內(nèi)蒙古農(nóng)業(yè)大學(xué)機(jī)電工程學(xué)院，內(nèi)蒙古自治區(qū)草業(yè)與養(yǎng)殖業(yè)智能裝備工程技術(shù)研究中心，呼和浩特 010018； 2. 內(nèi)蒙古師范大學(xué)物理與電子信息學(xué)院，呼和浩特 010022）

針對基于體尺、體質(zhì)量的肉羊?qū)崟r生長監(jiān)測中體尺、體質(zhì)量需要人工測量的不足，論文提出基于結(jié)構(gòu)化限位裝置及機(jī)器視覺技術(shù)的無接觸肉羊生長參數(shù)測量方法，并討論無接觸方法獲取的體尺數(shù)據(jù)與羊只生長特性的關(guān)系。首先，基于自主研發(fā)的無應(yīng)激形態(tài)參數(shù)采集系統(tǒng)實(shí)時采集60只小尾寒羊的俯視圖和側(cè)視圖，應(yīng)用圖像處理技術(shù)對所得到的圖像進(jìn)行分析，提取體高、臀高、體長、胸深、胸寬、臀寬3類6種體尺參數(shù)；無接觸生長參數(shù)采集系統(tǒng)同時記錄對應(yīng)羊只的體質(zhì)量。對無接觸方法獲取的體尺、體質(zhì)量數(shù)據(jù)相關(guān)關(guān)系進(jìn)行研究，并分別利用單因素線性回歸、單因素非線性回歸、多元線性回歸、偏最小二乘回歸、RBF網(wǎng)絡(luò)擬合、SVM回歸方法建立體尺與體質(zhì)量關(guān)系模型。試驗(yàn)表明：體高、臀高、體長、胸深、胸寬、臀寬的最大相對誤差分別為4.73%、2.55%、2.50%、3.95%、3.80%和2.90%；無接觸方法獲取的體高、體長、胸寬與體質(zhì)量相關(guān)性大于0.8；在基于單因素的生長監(jiān)測中可選擇體長參數(shù)；多體尺能夠較全面地表達(dá)羊只的生長狀態(tài)，其中胸深、胸寬、體長是重要的監(jiān)測參數(shù)；多因素非線性模型可以更全面、精準(zhǔn)的體現(xiàn)羊只生長特性。論文提出的無接觸方法可有效提升工作效率，節(jié)約50%的人工投入。同時，也可減少羊只的應(yīng)激反應(yīng)，是長期、實(shí)時監(jiān)測羊只生長的實(shí)用方法，對推動精準(zhǔn)、福利化養(yǎng)羊具有重要意義。

圖像分析；機(jī)器視覺；監(jiān)測；活體羊；生長；無接觸測量

0 引 言

內(nèi)蒙古地區(qū)作為中國肉羊產(chǎn)業(yè)的主產(chǎn)區(qū)。近年來，隨著“禁牧、休牧、輪牧”政策[1]的實(shí)施，利用秸稈等豐富的農(nóng)副產(chǎn)品資源發(fā)展舍施養(yǎng)羊、變數(shù)量型養(yǎng)羊?yàn)橘|(zhì)量型養(yǎng)羊成為內(nèi)蒙古及周邊地區(qū)養(yǎng)羊業(yè)可持續(xù)發(fā)展的基本戰(zhàn)略[2-3]。在設(shè)施養(yǎng)羊中，隨著人工、飼料和糞污處理等成本上漲，以及肉品安全問題日益突出，精準(zhǔn)養(yǎng)殖成為現(xiàn)代養(yǎng)羊業(yè)發(fā)展的必然要求[4]，即在養(yǎng)殖中將羊作為個體或小群體進(jìn)行管理[5]，利用各種傳感器持續(xù)地自動獲取羊只個體各時段信息，用以優(yōu)化個體貢獻(xiàn)、促使養(yǎng)羊業(yè)高效益、低成本、生態(tài)、可持續(xù)發(fā)展[6]。

羊只體尺數(shù)據(jù)間具有不同程度的相關(guān)性顯著，能夠反映羊只體格大小、體軀結(jié)構(gòu)、生長發(fā)育狀況以及各部位之間相對發(fā)育關(guān)系[7-9]，反映羊的生產(chǎn)性能[10-12]及遺傳特性[13-16]。因此，常采用體尺累積生長、絕對生長和相對生長曲線表達(dá)生長發(fā)育規(guī)律[17-18]，采用形態(tài)學(xué)指數(shù)評價目標(biāo)性狀[19]，從而衡量羊生長發(fā)育的主要指標(biāo)，評估羊只生長發(fā)育特性、遺傳特性[20]；指導(dǎo)羊的選育，或預(yù)測未來羊群的性能[21]；評估羊只的生長速度、飼料利用率和胴體品質(zhì)[22]。體質(zhì)量信息體現(xiàn)羊只的生長速度、飼喂效益、營養(yǎng)狀況等[23]，在集約化養(yǎng)羊生產(chǎn)過程中，基于體尺、體重的生長監(jiān)測、對指導(dǎo)實(shí)際生產(chǎn)具有重要意義。

羊只體尺、體質(zhì)量測量主要采用人工方式進(jìn)行[24]，不僅測量工作量大，保定困難[25]，且需要直接接觸羊體，羊的應(yīng)激反應(yīng)大，增加了人畜共患病的傳播幾率。目前基于光學(xué)原理的計算機(jī)視覺技術(shù)可獲得豐富的體尺參數(shù)，測量結(jié)果具有較高的精度；相對手工測量，該方法更具客觀性，近年來在活體動物體尺測量中被重視和采用[26-31]。如岳偉[32]應(yīng)用機(jī)器視覺技術(shù)測量羊的體高、體長；Vieira等[33]開發(fā)了基于圖像的奶山羊視覺評分系統(tǒng)；Khojastehkey等[34]基于圖像處理技術(shù)估計新生羔羊體尺；Menesatti等[35]構(gòu)建雙目立體視覺系統(tǒng)評估活體羊的體尺及體質(zhì)量。家畜體質(zhì)量測定可借助RFID技術(shù)，結(jié)合電子秤，利用計算機(jī)數(shù)據(jù)管理技術(shù)實(shí)現(xiàn)自動、精準(zhǔn)測量。公開發(fā)表的相關(guān)研究中[33-36]，對基于視覺的羊只體尺測量做了有益的探索，但相關(guān)研究中體尺參數(shù)測量的自動化程度不高，獲取的體尺參數(shù)不豐富；相對成熟的研究方法多用于牛、豬領(lǐng)域，羊相對與牛、豬，羊只運(yùn)動空間廣、關(guān)節(jié)多，更加柔韌靈活，體姿多變，通常協(xié)同游走、采食、躺臥，且被毛厚重，這些特殊性都對基于無接觸方法獲取羊只體尺參數(shù)實(shí)施生長監(jiān)測提出挑戰(zhàn)。因此，本文提出基于視覺技術(shù)的無接觸方法的羊只體尺、體質(zhì)量檢測方法?；谝曈X技術(shù)的活體體尺測量包括限定空間環(huán)境的自動體尺參數(shù)測量方法，及相對自由空間的人機(jī)交互式測量方法。其中限定空間環(huán)境的自動體尺測量方法與相對自由空間的人機(jī)交互式測量方法相比，數(shù)據(jù)獲取自動化程度更高，實(shí)用性更強(qiáng)，但測點(diǎn)自動提取策略的設(shè)定及其準(zhǔn)確性有待提高。有鑒于此，本文提出采用結(jié)構(gòu)化限位裝置及機(jī)器視覺技術(shù)的無接觸肉羊生長參數(shù)測量方法，在獲取豐富體尺參數(shù)的同時，提高數(shù)據(jù)獲取的自動化程度，以用于羊只實(shí)時生長監(jiān)測，推動精準(zhǔn)、福利化設(shè)施養(yǎng)羊。

1 無接觸羊只體尺、體質(zhì)量監(jiān)測系統(tǒng)

1.1 無接觸羊只體尺、體質(zhì)量監(jiān)測裝置設(shè)計

考慮到羊的群居行為很強(qiáng)，熟悉的個體間易形成小群體，采用結(jié)構(gòu)化限位專用裝置測量羊只生長參數(shù)，即將活體羊確定在特定空間相對穩(wěn)定的位置，繼而使用事先布置在裝置上的稱重傳感器稱量體質(zhì)量，使用CCD相機(jī)獲取圖像，測量羊體長、寬、高3個角度6個體尺參數(shù)：體高、臀高、體長、胸深、臀寬、胸寬的數(shù)據(jù)?？紤]到對象與鏡頭相對位置對測量精度的影響[37]，分別在對象的左、右、頂部放置相機(jī)獲取羊只3個角度（俯視圖、左視圖、右視圖）的視圖，其中通過對左、右兩側(cè)相機(jī)數(shù)據(jù)取均值來抑制由于活體羊處于非光軸對稱中心對體長、體高數(shù)據(jù)引入的誤差。無接觸羊只監(jiān)測裝置如圖1所示。

1.喇叭形入口 2.封閉式過道 3.RFDI耳標(biāo)閱讀器 4.動物電子秤 5.圍欄 6.門禁控制裝置 7.右側(cè)相機(jī) 8.左側(cè)相機(jī) 9.頂部相機(jī) 10.出口

封閉式過道寬度設(shè)計為40 cm寬、10 m長，以確保羊只以單列方式依次進(jìn)入測量系統(tǒng)；采用低頻（13.56 MHz）RFID（radio frequency identification）射頻耳標(biāo)閱讀器閱讀羊只身份信息；選用量程200 kg、輸出靈敏度2.0±1% mV/V的懸臂梁稱重測力傳感器測量體質(zhì)量；門禁控制系統(tǒng)采用行程為100 mm、最大負(fù)載1200 N的24 V推桿電機(jī)實(shí)施。

1.2 圖像獲取單元設(shè)計

左側(cè)、右側(cè)、頂部相機(jī)均選用分辨率為1280×960像素，像素尺寸為3.75m×3.75m，光學(xué)尺寸為1/3″的CCD傳感器，幀率為40 幀/s （frames per second）的MV-EM120C型小型千兆網(wǎng)工業(yè)相機(jī)；鏡頭選用COMPUTAR_H0514-MP2工業(yè)鏡頭，焦距5 mm，口徑比1∶1.4，最小物距0.1 m；選用MV-GigE 型四網(wǎng)口千兆高速數(shù)字相機(jī)采集卡，通過PCI-E總線將圖像同步傳遞到計算機(jī)，采集裝置布局如圖2所示。

1.左側(cè)相機(jī) 2.左側(cè)相機(jī)光軸 3.右側(cè)相機(jī) 4.右側(cè)相機(jī)光軸 5.頂部相機(jī) 6.頂部相機(jī)光軸

1.3 計算機(jī)數(shù)據(jù)采集與處理

無接觸羊只體尺、體質(zhì)量監(jiān)測系統(tǒng)既包含了數(shù)據(jù)的管理，同時涉及硬件設(shè)備間的通信，鑒于實(shí)驗(yàn)室虛擬儀器工程平臺（Laboratory virtual instrumentation engineering workbench，LabVIEW）具有數(shù)據(jù)采集和儀器控制功能，在本應(yīng)用中使用LabVIEW軟件開發(fā)羊只形態(tài)參數(shù)測量系統(tǒng)[37]。LabVIEW與Access數(shù)據(jù)庫的連接實(shí)現(xiàn)數(shù)據(jù)管理，視覺開發(fā)模塊（vision development module，VDM）開發(fā)圖像自動采集程序。Matlab具有強(qiáng)大的矩陣運(yùn)算能力和圖像處理能力，且LabVIEW支持應(yīng)用程序之間通信的DDE（dynamic data exchange）、DLL（dynamic-link library）、COM（component object module）以及基于COM的ActiveX等技術(shù)，方便與Matlab接口并實(shí)現(xiàn)混合編程。因此，采用Matlab2013a軟件處理圖像數(shù)據(jù)。

在自然光照條件下，羊只在頭羊的帶領(lǐng)下，通過喇叭形入口，進(jìn)入窄過道，RFID閱讀器讀入羊只身份信息后，觸發(fā)開門裝置，羊只進(jìn)入體位限制裝置。當(dāng)體質(zhì)量數(shù)據(jù)穩(wěn)定時，系統(tǒng)記錄體質(zhì)量信息，同時軟件觸發(fā)3部相機(jī)同時拍照并計算體尺數(shù)據(jù)。打開出口門禁，當(dāng)體質(zhì)量數(shù)據(jù)歸零后，關(guān)閉出口。依次往復(fù)，自動采集并計算體尺參數(shù)。在采集過程中，為提高圖像處理的自動化水平，測量時，布置靜態(tài)、單一、與羊體顏色區(qū)分度大的背景，本應(yīng)用中分別在左、右側(cè)相機(jī)處布置與裝置對稱面平行的藍(lán)色背景板。

2 無接觸羊只體尺參數(shù)測量

小尾寒羊是中國優(yōu)良的地方品種，是發(fā)展規(guī)?；犸曫B(yǎng)羊產(chǎn)業(yè)的寶貴品種[38]。本文以小尾寒羊體尺測量為例，通過圖像測點(diǎn)提取算法分別提取體高、臀高、體長、胸深、胸寬、臀寬6個參數(shù)。

2.1 圖像預(yù)處理及前景提取

為提高后續(xù)算法的適應(yīng)性，首先對圖像進(jìn)行中值濾波去噪，采用“參考白”法[39]進(jìn)行光照補(bǔ)償。

圖3 部分前景提取結(jié)果

經(jīng)前期試驗(yàn)發(fā)現(xiàn)，僅在惡劣環(huán)境下，前景提取可能不完整，但不完整部分出現(xiàn)在光照局部偏弱部分，即腹部偏后腿部分，非體尺測量關(guān)鍵區(qū)域，因此，不會對體尺參數(shù)的測量帶來影響。此外，提取的前景圖像在局部區(qū)域出現(xiàn)突起或凹陷，在體尺測量中采用輪廓擬合方法抑制誤差。

2.2 體尺參數(shù)測量原理及流程圖

體高（withers height，WH）為從耆甲到地面的垂直高度；臀高（rump height，RH）為從坐骨結(jié)節(jié)最后隆凸處到地面的垂直高度；體長（body length，BL）為肩端前緣至坐骨端后緣的直線距離；胸深（chest depth，CD）為耆甲到胸底間的垂直距離；胸寬（Chest width，CW）、臀寬（Rump width，RW）為胸部、臀部外緣最寬處。測量圖示見圖4所示。

1.體高 2.臀高 3.體長 4.胸深 5.胸寬 6.臀寬

體高、體長類參數(shù)均落于羊體側(cè)視圖輪廓上，為輪廓特征點(diǎn)[43]，利用相鄰的一組輪廓點(diǎn)來計算輪廓線上各點(diǎn)的曲率、定位特征點(diǎn)，運(yùn)算量小、時間代價低[44]。體寬參數(shù)可通過計算輪廓線上的點(diǎn)到俯視圖對稱中心線的距離的變化曲率確定[43]。羊只體尺參數(shù)測量流程如圖5所示。

圖5 羊只體尺參數(shù)測量流程圖

在體尺計算中，需要計算圖像的空間分辨率，將圖像坐標(biāo)系（pixel）下的結(jié)果表示為羊體在世界坐標(biāo)系OXYZ（mm）下的參數(shù)值。側(cè)視圖空間分辨率確定方法為：當(dāng)相機(jī)與裝置位置確定后，在進(jìn)行體尺測量前，將長為100 cm的尺子置于羊只裝置中羊只常站立的位置，然后根據(jù)公式（1）確定。

2.3 體尺參數(shù)測量方法

2.3.1 側(cè)視圖體尺參數(shù)提取

1.耆甲 2.坐骨結(jié)節(jié)隆凸處 3.坐骨端后緣測點(diǎn) 4.胸骨前緣測點(diǎn) 5.胸底測點(diǎn) 6.背部最低點(diǎn) 7.區(qū)間3起點(diǎn) 8.前、后腿中間縱垂線

區(qū)間或離散數(shù)據(jù)量比較大，或形狀復(fù)雜，因此采用移動最小二乘法（moving least-squares，MLS）分區(qū)間擬合輪廓[45-46]。MLS擬合過程中，權(quán)衡平滑度和時間代價[43]，選用徑向基函數(shù)作為權(quán)函數(shù)，采用線性基擬合區(qū)間輪廓。區(qū)間擬合結(jié)果如圖7所示。

在區(qū)間1、屬于羊體左半側(cè)的擬合曲線上查找耆甲點(diǎn)，在區(qū)間1查找背部最低點(diǎn)。耆甲點(diǎn)為頸部凹點(diǎn)與背部凹點(diǎn)間的凸點(diǎn)，采用波峰、波谷法定位；背部最低點(diǎn)則取擬合曲線值最大的點(diǎn)。由背部最低點(diǎn)及羊體右側(cè)邊界點(diǎn)(2,2)確定區(qū)間2及區(qū)間3，在區(qū)間2查找坐骨結(jié)節(jié)最后隆凸處，在區(qū)間3查找坐骨端后緣測點(diǎn)，坐骨端后緣測點(diǎn)處于輪廓線局部曲率最大處。依此，根據(jù)已確定的測點(diǎn)位置，自動標(biāo)定待測區(qū)間范圍，并獲取測點(diǎn)。胸骨前緣測點(diǎn)雖然也處于輪廓曲率最大處，但胸骨前緣區(qū)域由于活體羊體姿多變無法精確確定區(qū)間方位，對曲率檢測精度影響較大，故采用距離法確定，即將胸骨前緣數(shù)據(jù)點(diǎn)的首、尾點(diǎn)相連構(gòu)成一條直線，計算區(qū)間上的點(diǎn)到連線的距離，取距離最大的點(diǎn)作為肩端前緣測點(diǎn)；胸底測點(diǎn)由于區(qū)間定位包含腿部邊界，因此，曲率變化率最大的點(diǎn)定位為胸底測點(diǎn)。測點(diǎn)提取算法流程圖如圖8所示。

圖7 區(qū)間劃分及分區(qū)間輪廓擬合結(jié)果

圖8 羊只體高、體長測點(diǎn)提取流程圖

確定體尺測點(diǎn)后，以外側(cè)前腳與外側(cè)后腳構(gòu)成的直線作為體高參數(shù)測量基準(zhǔn)，各體尺參數(shù)檢測結(jié)果如圖9所示。

2.3.2 俯視圖體尺參數(shù)提取

羊只俯視圖為非剛性對稱體。因此使用Matlab的regionprops（img, 'centroid'）函數(shù)確定羊體各區(qū)間的形心。應(yīng)用骨架提取方法提取骨架，將處只存在一個骨架點(diǎn)的點(diǎn)構(gòu)成新的點(diǎn)集，應(yīng)用最小二乘法擬合后形成俯視圖主骨架，即剪除骨架分支。在剪枝后的骨架上垂直映射形心重定位形心點(diǎn)位置。將重定位后的形心用直線連接，得到近似對稱中心線，后計算輪廓上的點(diǎn)與近似對稱中心線間的距離的變化，查找胸寬與臀寬測點(diǎn)。體寬參數(shù)提取過程及結(jié)果如圖10所示。

圖9 體高、體長類體尺參數(shù)

在各自掃描區(qū)間，掃描與中軸對稱的輪廓點(diǎn)間的距離，然后對距離數(shù)據(jù)擬合以消除噪聲，查找胸部距離擬合曲線曲率最小的點(diǎn)定位為頸部測點(diǎn)，分析特征點(diǎn)在輪廓上的特征，并經(jīng)多次試驗(yàn)確定：頸部測點(diǎn)開始向后曲率最大的點(diǎn)為胸寬測點(diǎn)；臀部區(qū)間距離擬合曲線曲率最大點(diǎn)處為臀寬測點(diǎn)。

3 試驗(yàn)設(shè)計及結(jié)果分析

3.1 試驗(yàn)設(shè)計

試驗(yàn)在內(nèi)蒙古農(nóng)業(yè)大學(xué)海流圖肉羊養(yǎng)殖基地進(jìn)行，基地位于內(nèi)蒙古呼和浩特市土左旗北什軸鄉(xiāng)海流村境內(nèi)，地理坐標(biāo)為111°22′30″E、40°41′30″N，是中國-加拿大可持續(xù)農(nóng)業(yè)科技創(chuàng)新示范項目：肉羊業(yè)科技創(chuàng)新示范基地。該養(yǎng)殖基地為集約化養(yǎng)殖方式，羊只按照品種、年齡等分群管理，試驗(yàn)用羊群由60只小尾寒羊構(gòu)成。

待試驗(yàn)的60只成年小尾寒羊母羊（12～36月齡）均未懷孕。早上空腹時進(jìn)行體尺、體質(zhì)量測量。為了驗(yàn)證方法的可行性，首先人工測量待測羊只的體尺參數(shù)，測量時確保羊站立在平坦的地方，一人固定羊，以確保姿勢端正，另一人使用測杖進(jìn)行測量并記錄數(shù)據(jù)，測量時將羊毛厚度計入，每個參數(shù)均測3次取均值。接著誘導(dǎo)羊只進(jìn)入測量裝置，采用圖像系統(tǒng)獲取羊只的俯視圖、左視圖及右視圖。經(jīng)過圖像預(yù)處理、圖像分割、圖像聚類、粒子填充與過濾，獲得羊體輪廓圖像后，自動檢測體尺測點(diǎn)、折算空間分辨率，得到體尺數(shù)據(jù)。分析體質(zhì)量與圖像獲取的體尺的相關(guān)性。利用單因素線性回歸、單因素非線性回歸、多元線性回歸、偏最小二乘回歸、RBF神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等方法建立基于體尺的體質(zhì)量預(yù)估模型，分析體尺數(shù)據(jù)與生長特性的關(guān)系。

3.2 基于圖像的體尺數(shù)據(jù)有效性分析

對同一只羊在不同體位、體姿情形下，每一視角采集5幅圖像，測量體尺參數(shù)，驗(yàn)證基于圖像自動獲取體尺參數(shù)方法的有效性，測量結(jié)果見表1所示。

表1 同一只羊處于不同位置時體尺參數(shù)測量的可重復(fù)性

*注：去掉一個最大值，去掉一個最小值后計算均值。

Note: Mean value was computed by removing a maximum and a minimum value.

試驗(yàn)結(jié)果表明，同一只羊的不同體位、體姿對測量數(shù)據(jù)的精度有較大影響，極端體姿情形下，體高、體長數(shù)據(jù)與實(shí)測值偏差較大；多次測量求平均值可抑制誤差；左、右相機(jī)分別計算體尺參數(shù)取后取均值是抑制誤差的有效方法。

對試驗(yàn)的60只小尾寒羊經(jīng)圖像分析自動獲取的體尺參數(shù)與人工測量值（標(biāo)準(zhǔn)值）對比，得到：體高、臀高、體長、胸深的最大相對誤差分別為4.73%、2.55%、2.50%、3.95%；胸寬、臀寬的最大相對誤差分別為3.80%和2.90%。數(shù)據(jù)精度較高。

3.3 體質(zhì)量與各體尺參數(shù)相關(guān)性分析

60只小尾寒羊視覺圖像提取體尺參數(shù)及體質(zhì)量數(shù)據(jù)統(tǒng)計信息見表2所示。由表可以看出，體質(zhì)量與各體尺參數(shù)的分布具有一定的廣度。

表2 無接觸方法獲得的體尺參數(shù)及體質(zhì)量統(tǒng)計結(jié)果

雖然小尾寒羊體尺與體質(zhì)量的相關(guān)關(guān)系已在多篇公開發(fā)表的文獻(xiàn)[1-8,11,19]中給出，但相關(guān)結(jié)果對應(yīng)于采用人工方法測量的體尺，測量的體尺參數(shù)不包含羊毛厚度，而采用機(jī)器視覺方法獲得的體尺參數(shù)包含羊毛厚度，因此仍需進(jìn)行相關(guān)性分析。使用SAS軟件，選擇=0.05置信水平，分析體質(zhì)量與各體尺指標(biāo)的相關(guān)性，體質(zhì)量與各體尺指標(biāo)的置信橢圓見圖11所示。

由置信橢圓長、短軸之比衡量變量間的相關(guān)性，圖示可知各體尺參數(shù)與體質(zhì)量均有較強(qiáng)的相關(guān)性，其中體質(zhì)量與體長的相關(guān)性最強(qiáng)；胸寬與體質(zhì)量的相關(guān)性次之。呂玉玲等[47]采用“人工”“皮尺測量”的方法獲得的體尺參數(shù)對小尾寒羊體質(zhì)量估測，也得到了相關(guān)的結(jié)論，表明基于視覺的體尺測量方法可行。

3.4 體尺與體質(zhì)量相關(guān)模型分析

3.4.1 體尺與體質(zhì)量建模

通過建立體尺與體質(zhì)量相關(guān)模型進(jìn)一步討論基于無接觸方法獲得的體尺參數(shù)對生長性能影響。

一元回歸分析討論單個變量體現(xiàn)生長特性的能力；多元線形回歸方法可以抑制體尺數(shù)據(jù)間存在共線性問題[48]，將變量間的內(nèi)在聯(lián)系和相互影響考慮進(jìn)來，采用逐步法進(jìn)行變量的篩選，去掉相關(guān)性小的變量相后建立多元線性回歸模型，得到多元變量對生長性能的影響特性；偏最小二乘回歸方法實(shí)現(xiàn)了多元線性回歸、主成分分析和典型相關(guān)分析的綜合，對樣本容量小、解釋變量個數(shù)多、變量間存在嚴(yán)重多重相關(guān)性問題回歸更加有效，整體性更強(qiáng)[49-50]，因此使用偏最小二乘回歸方法建立體質(zhì)量與體尺的相關(guān)模型。選用采用夠逼近任意的非線性函數(shù)、結(jié)構(gòu)簡單、泛化能力強(qiáng)、學(xué)習(xí)收斂速度快、不易陷入局部極小點(diǎn)等諸多優(yōu)點(diǎn)[51]的徑向基函數(shù)（radial basis function，RBF）網(wǎng)絡(luò)，及具有優(yōu)秀的學(xué)習(xí)能力[52]、較好的泛化功能[53]、較好的解決小樣本學(xué)習(xí)問題[54]的支持向量機(jī)（support vector machine，SVM）方法構(gòu)建多元變量與體質(zhì)量的非線性模型。

將60組數(shù)據(jù)中的40組作為訓(xùn)練集，剩余20作為測試集。各預(yù)估模型及預(yù)估值與實(shí)測值相關(guān)系數(shù)、標(biāo)準(zhǔn)偏差見表3所示。單因素回歸分析中，體長與體質(zhì)量的回歸模型估測結(jié)果與實(shí)測值相關(guān)性最大；胸寬與體質(zhì)量的回歸模型估測結(jié)果與實(shí)測值相關(guān)性次之。單因素非線性模型表達(dá)生長特性優(yōu)于線性模型。多元線性回歸模型的擬合優(yōu)度優(yōu)于一元線性回歸模型。逐步多元線性回歸模型估測結(jié)果表明體長、胸寬是體質(zhì)量決定性相關(guān)變量。偏最小二乘回歸方程可以看到，胸深、胸寬在解釋體質(zhì)量時起到極為重要的作用，體長的作用次之。非線性回歸模型擬合優(yōu)度高于線性回歸模型。

3.4.2 體尺與體質(zhì)量相關(guān)模型精度測試

用測試數(shù)據(jù)集測試各模型精度。對于單因素回歸模型，只選取體質(zhì)量回歸模型特性相對較好體長與體質(zhì)量模型、胸寬與體質(zhì)量模型進(jìn)行測試。結(jié)果見表4所示。

從表4可以看出，基于單因素的體質(zhì)量預(yù)估模型中，基于體長的體質(zhì)量冪回歸模型相對誤差較小，預(yù)測相關(guān)系數(shù)和標(biāo)準(zhǔn)偏差較??；而在基于多因素的體質(zhì)量預(yù)估模型中，支持向量機(jī)回歸模型的性能較好，也是多種建模方法中預(yù)測結(jié)果最好的模型。

同時人工方法需要2人配合測量進(jìn)行測量，與人工監(jiān)測方法相比，基于機(jī)器視覺方法的體尺測量只需1人疏導(dǎo)，圖像獲取、參數(shù)計算自動完成，人工投入量至少降低50%。

表3 體質(zhì)量預(yù)估模型

Note:1,2,3,4,5and6represent withers height, rump height,body length, chest depth, chest width and rump width, respectively.represents weight. The input of RBF neural network is the body size variable, the output is the body weight, the initial center is selected randomly, the squared variance of the basis function is the sum of the co-variances at each point of the sample, and the connection between the hidden layer and the neuron in the output layer is calculated using the least square method; Regression model of support vector machine uses RBF function kernel function,=10,=0.01. In this application, it has 23 support vectors.

表4 體質(zhì)量預(yù)估模型精度測試

4 結(jié) 論

本文提出基于無接觸方法的肉羊?qū)崟r生長監(jiān)測，采用圖像分析的方法獲取羊只的體尺參數(shù)，避免人與羊的直接接觸，減少羊只的應(yīng)激反應(yīng)，同時，降低人畜共患病的傳播幾率，人工投入量降低50%。從測量精度看，基于視覺的方法獲取的體尺參數(shù)精度較高，最大相對誤差小于4.73%。

本文分析了圖像獲取的體尺數(shù)據(jù)與體質(zhì)量的相關(guān)系，證明了基于視覺的羊只生長監(jiān)測方法是可行的，并得出：在基于視覺的單因素生長監(jiān)測中，可選擇體長作為生長監(jiān)測參數(shù)；多體尺參數(shù)能夠更好的表達(dá)羊只生長特性，在實(shí)施無接觸生長監(jiān)測中，胸深、胸寬、體長是影響生長的重要參數(shù)，可長期監(jiān)測；體高、臀高、體長、胸深、胸寬、臀寬參數(shù)與生長特性的非線性模型可精準(zhǔn)的體現(xiàn)羊只生長，預(yù)估體質(zhì)量與實(shí)測體質(zhì)量的相關(guān)系數(shù)達(dá)到0.953 8。此外本文提出的方法，與單一的基于體質(zhì)量的生長監(jiān)測相比，可提供除全面的生長信息外，還可獲得羊只的體型特征、遺傳特征等，用于羊群的選育。

[1] 時彥民. 我國為何要推行草原禁牧休牧輪牧[J]. 中國牧業(yè)通訊，2007(9)：22－27.

[2] 樊宏霞，薛強(qiáng). 內(nèi)蒙古養(yǎng)羊業(yè)的現(xiàn)狀、問題及對策[J]. 內(nèi)蒙古農(nóng)業(yè)大學(xué)學(xué)報：社會科學(xué)版，2010，12(6)：95－97.

[3] 趙媛，王海榮，曹秀月，等. 內(nèi)蒙古巴彥淖爾市典型飼料資源及肉羊飼養(yǎng)方式調(diào)查[J]. 畜牧與飼料科學(xué)，2011，32(1)：44－45.

[4] 李棟. 中國奶牛養(yǎng)殖模式及其效率研究[D]. 北京：中國農(nóng)業(yè)科學(xué)院，2013.

Li Dong. Study on Efficiency and Model of Dairy Cattle Breeding[D]. Beijing: Chinese Academy of Agricultural Sciences, 2013. (in Chinese with English abstract)

[5] Atkins K D, Besier B, Colditz I G, et al. Integrated animal management system and method: AU, WO/2005/101273[P]. 2005-10-27.

[6] 何東健，劉冬，趙凱旋. 精準(zhǔn)畜牧業(yè)中動物信息智能感知與行為檢測研究進(jìn)展[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2016，47(5)：231－244.

He Dongjian, Liu Dong, Zhao Kaixuan. Review of perceiving animal information and behavior in precision livestock farming[J]. Transactions of the Chinese Society for Agriculture Machinery, 2016, 47(5): 231－244. (in Chinese with English abstract)

[7] 顧亞玲，馬吉鋒. 薩福克羔羊斷奶體重體尺指標(biāo)及其相關(guān)性的研究[J] . 內(nèi)蒙古畜牧科學(xué)，2003，24(5)：28－29.

[8] 達(dá)布西，金鳳，德慶哈拉，等. 蘇尼特成年母羊體重與體尺的通徑分析[J]. 內(nèi)蒙古畜牧科學(xué)，2002，23(5)：15－17.

[9] Bing?l M, G?kdal O, Aygün T, et al. Some productive characteristics and body measurements of Norduz goats of Turkey[J]. Tropical Animal Health & Production, 2012, 44(3): 545－550.

[10] Owen JB. 綿羊生產(chǎn)[M]. 涂友仁，譯. 北京：農(nóng)業(yè)出版社，1984：5－53.

[11] 王欣榮，吳建平，楊聯(lián)，等. 甘南草地型藏羊體質(zhì)量與體尺指標(biāo)的相關(guān)性研究[J]. 甘肅農(nóng)業(yè)大學(xué)學(xué)報，2011，46(5)：7－11.

Wang Xinrong, Wu Jianping, Yang Lian, et al. Regression analysis between body weight and body size of Gannan Tibetan sheep[J]. Journal of Gansu Agriculture University, 2011, 46(5): 7－11. (in Chinese with English abstract)

[12] Mayaka T B, Tchoumboue J, Manjeli Y, et al. Estimation of live body weight in west african dwarf goats from heart girth measurement[J]. Trop, Anim. Hlth Prod, 1995(28): 126－128.

[13] 白俊艷，張省林，龐有志，等. 大尾寒羊體尺指標(biāo)的主成分分析[J]. 湖北農(nóng)業(yè)科學(xué)雜志，2011，50(14)：2912－2914.

[14] 王大廣，蘇秀俠，楊德新，等. 薩?？巳庥梅N羊體型測定值體形測定值遺傳參數(shù)的估計[J]. 吉林農(nóng)業(yè)科學(xué)，2002，27(5)：45－46.

[15] Dunlop A A. Interactions between heredity and environment in the Australian Merino. II. Strain x location interactions in body traits and reproductive performance[J]. Australian Journal of Agricultural Research, 1963(14): 690－703.

[16] Wynn P C, Thwaites C J. The relative growth and development of the carcass tissues of Merino and crossbred rams and wethers[J]. Australian Journal of Agricultural Research, 1981(32): 947－956.

[17] 姜加華. 波爾山羊級進(jìn)雜交二代羔羊的生長分析[D]. 南京：南京農(nóng)業(yè)大學(xué)，2004.

Jiang Jiahua. Growth Anslysis of Crossbred Filial-generation Two of Boer×Xuhuai White Goats[D]. Nanjing: Nanjing Agricultural University, 2004. (in Chinese with English abstract)

[18] Darmani-Kuhi H, Kebreab E, LoPez S, et al. A derivation and evaluation of the Von Bertalalffy equation for describing growth in broilers overtime[J]. J Anim Feed Sci, 2002(11): 109－125.

[19] Salako A. Application of morphological indices in the assessment of type and function in sheep[J]. International Journal of Morphology, 2006, 24(1): 13－18.

[20] 張帆，顏亭玉，楊佐君，等. 多元統(tǒng)計分析方法在羊體質(zhì)量與體尺研究中的應(yīng)用[J]. 北京農(nóng)學(xué)院學(xué)報，2012，27(4)：16－19.

Zhang Fan, Yan Tingyu, Yang Zuojun, et al. Application of multivariate statistical analysis methods on Ovine body size and body weight[J]. Journal of Beijing University of Agriculture, 2012, 27(4): 16－19. (in Chinese with English abstract)

[21] Janssens S, Vandepitte W. Genetic parameters for body measurements and linear type traits in Belgian Blue du Maine, Suffolk and Texel sheep[J]. Small Ruminant Research, 2004(54): 13－24.

[22] Wynn P C, Thwaites C J. The relative growth and development of the carcass tissues of Merino and crossbred rams and wethers[J]. Australian Journal of Agricultural Research, 1981(32): 947－956.

[23] Menesatti P, Costa C, Antonucci F, et al. A low-cost stereovision system to estimate size and weight of live sheep[J]. Computers & Electronics in Agriculture, 2014, 103(2): 33－38.

[24] 花立民，周建偉，于應(yīng)文，等. 放牧家畜質(zhì)量自動稱量系統(tǒng)的設(shè)計與試驗(yàn)[J]. 農(nóng)業(yè)工程學(xué)報，2012，28(15)：15－20.

Hua Limin, Zhou Jianwei, Yu Yingwen, et al. Design and experiment of livestock auto weighing system[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(15): 15－20. (in Chinese with Englishabstract)

[25] 賈蘭萍，吳登俊. 家畜體重研究進(jìn)展[J]. 畜禽業(yè)，2002，141(1)：4－5.

[26] 包鵬甲，裴杰，王宏博，等. 一種羊用野外稱重保定裝置：201420110553[P]. 2014-10-29.

[27] John C. System and method for measuring animals：USA，8036429[P]. 2011-10-11.

[28] 劉同海，滕光輝，付為森，等. 基于機(jī)器視覺的豬體體尺測點(diǎn)提取算法與應(yīng)用[J]. 農(nóng)業(yè)工程學(xué)報，2013，29(2)：161－168.

Liu Tonghai, Teng Guanghui, Fu Weisen, et al. Extraction algorithms and applications of pig body size measurement points based on computer vision[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(2): 161－168. (in Chinese with Englishabstract)

[29] Zwertvaegher I，Baert J，Vangeyte J，et al. Objective measuring technique for teat dimensions of dairy cows[J]. Biosystems Engineering, 2011, 110(2): 206－212.

[30] 郭浩，張勝利，馬欽，等. 基于點(diǎn)云采集設(shè)備的奶牛體尺指標(biāo)測量[J]. 農(nóng)業(yè)工程學(xué)報，2014，30(5)：116－122.

Guo Hao, Zhang Shengli, Ma Qin, et al. Cow body measurement based on Xtion[J] . Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(5): 116－122. (in Chinese with English abstract)

[31] 朱林，張溫，李琦，等. 基于嵌入式機(jī)器視覺的羊體體征測量系統(tǒng)[J]. 計算機(jī)測量與控制，2014，22(8)：2396－2398.

Zhu Lin, Zhang Wen, Li Qi, et al. Measuring system of sheep body size based on embedded machine vision[J]. Computer Measurement & Control, 2014, 22(8): 2396－2398. (in Chinese with English abstract)

[32] 岳偉. 基于機(jī)器視覺的羊體體征測量[D]. 包頭：內(nèi)蒙古科技大學(xué)，2015. Yue Wei. Sheep Body Size Measurement Based on Machine Vision[D]. Baotou: Inner Mongolia University of Science & Technology, 2015. (in Chinese with English abstract)

[33] Vieira A, Brand?o S, Monteiro A, et al. Development and validation of a visual body condition scoring system for dairy goats with picture-based training[J]. Journal of Dairy Science, 2015, 98(9): 6597－6608.

[34] Khojastehkey M, Aslaminejad A A, Shariati M M, et al. Body size estimation of new born lambs using image processing and its effect on the genetic gain of a simulated population[J]. Journal of Applied Animal Research, 2016, 44(1): 326－330.

[35] Menesatti P, Costa C, Antonucci F, et al. A low-cost stereovision system to estimate size and weight of live sheep[J]. Computers and Electronics in Agriculture, 2014, 103: 33－38.

[36] 田芳，彭彥昆. 生豬肉產(chǎn)量預(yù)測的非接觸實(shí)時在線機(jī)器視覺系統(tǒng)[J]. 農(nóng)業(yè)工程學(xué)報，2016，32(2)：230－235.

Tian Fang, Peng Yankun. Machine vision system of nondestructive real-time prediction of live-pig meat yield[J]. Transactions ofthe Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(2): 230－235. (in Chinese with English abstract)

[37] 張麗娜，楊建寧，武佩，等. 羊只形態(tài)參數(shù)無應(yīng)激測量系統(tǒng)設(shè)計與試驗(yàn)[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2016，47(11)：308－315.

Zhang Lina, Yang Jianning, Wu Pei, et al. Design and experiment of non-stress measuring system for sheep’s conformation parameters[J]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(11): 308－315. (in Chinese with English abstract)

[38] 臧強(qiáng)，李保明，施正香，等. 規(guī)模化羊場羊舍夏季環(huán)境與小尾寒羊的行為觀察[J]. 農(nóng)業(yè)工程學(xué)報，2005，21(9)：183－185. Zang Qiang, Li Baoming, Shi Zhengxiang, et al. Summer environment and behavior of Chinese little fat-tailed sheep on intensive sheep farm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2005, 21(9): 183－185. (in Chinese with English abstract)

[39] 楊帆，王志陶，張華. 精通圖像處理經(jīng)典算法[M]. 北京：北京航空航天大學(xué)出版社，2014.

[40] Achanta R, Shaji A, Smith K, et al. SLIC superpixels compared to state-of-the-art superpixel methods[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2012, 34(11): 2274－2282.

[41] 宋熙煜，周利莉，李中國，等. 圖像分割中的超像素方法研究綜述[J]. 中國圖象圖形學(xué)報，2015，20(5)：599－608.

Song Xiyu, Zhou Lili, Li Zhongguo, et al. Review on superpixel methods in image segmentation[J]. Journal of Image and Graphics, 2015, 20(5): 599－608. (in Chinese with English abstract)

[42] Bezdek J C. Pattern Recognition with Fuzzy Objective Function Algorithms[M]. New York: Plenum Press, 1981.

[43] 張麗娜. 基于跨視角機(jī)器視覺的羊只體尺參數(shù)測量方法研究[D]. 呼和浩特：內(nèi)蒙古農(nóng)業(yè)大學(xué)，2017.

Zhang Lina. Study on Sheep’s Body Size Measurement Based on Cross-angle Computer Vision[D]. Hohhot：Inner Mongolia Agricultural University, 2017. (in Chinese with English abstract)

[44] 張文景，許曉鳴，丁國駿，等. 一種基于曲率提取輪廓特征點(diǎn)的方法[J]. 上海交通大學(xué)學(xué)報，1999，33(5)：86－89.

Zhang Wenjing, Xu Xiaoming, Ding Guojun, et al. Approach to extract feature points on boundary based on curvature[J]. Journal of Shanghai Jiao Tong university, 1999, 33(5): 86－89. (in Chinese with English abstract)

[45] Oudjene M, Ben-Ayed L, Delamézière A, et al. Shape optimization of clinching tools using the response surface methodology with moving least-square approximation[J]. Journal of Materials Processing Technology, 2009, 209(1): 289－296.

[46] Huang X, Tian Q, Mao J, et al. Adaptive moving least squares for scattering points fitting[J]. Wseas Transactions on Computers, 2010, 9(6): 664－673.

[47] 呂玉玲，張培松，崔保國，等. 小尾寒羊體重估測方法的研究[J]. 畜牧與飼料科學(xué)，2007，28(5)：25－26.

[48] 李卓. 基于立體視覺技術(shù)的生豬體重估測研究[D]. 北京：中國農(nóng)業(yè)大學(xué)，2016.

Li Zhuo. Research of Pig Weight Estimation Based on Stereo Vision Technology[D]. Beijing: China Agricultural University, 2016. (in Chinese with English abstract)

[49] 何正風(fēng). MATLAB概率與數(shù)理統(tǒng)計分析（第二版）[M]. 北京：機(jī)械工業(yè)出版社，2012，275－299.

[50] 龔敏慶，孫明偉，金明仲. PLS分析與RBF神經(jīng)網(wǎng)絡(luò)耦合環(huán)境模型[J]. 數(shù)理統(tǒng)計與管理，2011，30(5)：840－845.

Gong Minqing, Sun Mingwei, Jin Mingzhong. Environmental coupling model of PLS analysis and RBF neural network[J]. Journal of Applied Statistics and Management, 2011, 30(5): 840－845. (in Chinese with English abstract)

[51] 周潤景，張麗娜. 基于Matlab與Fuzzytech的模糊與神經(jīng)網(wǎng)絡(luò)設(shè)計[M]. 北京：電子工業(yè)出版社，2010，284－312.

[52] 顧亞祥，丁世飛. 支持向量機(jī)研究進(jìn)展[J]. 計算機(jī)科學(xué)，2011，38(2)：14－17.

Gu Yaxiang, Ding Shifei. Advances of support vector machines (SVM)[J]. Computer Science, 2011, 38(2): 14－17. (in Chinese with English abstract)

[53] Vapnik V, Levin E, Cun Y. Measuring the VC-dimension of a learning machine[J]. Neural Computation, 1994, 6(5): 851－876.

[54] 張學(xué)工. 關(guān)于統(tǒng)計學(xué)習(xí)理論與支持向量機(jī)[J]. 自動化學(xué)報，2000，26(1)：32－42.

Zhang Xuegong. Introduction to statistical learning theory and support vector machines[J]. ACTA Automatica Sinica, 2000, 26(1): 32－42. (in Chinese with English abstract)

Real-time non-contact monitoring method for growth parameters of sheep based on image analysis

Zhang Lina1,2, Wu Pei1※, Wuyun Tana1, Xuan Chuanzhong1, Ma Yanhua1, Chen Pengyu1

(1.,,010018,; 2.,,010022,)

Monitoring the growth performance is imperative to profitable sheep production. Knowledge of daily growth rates provides producers with information that can assist them in making effective management decisions. With the development of intensive sheep farming, small adjustments in production can have a large effect on overall performance and profits in growing-finishing units. The parameters of body size and body weight reflect the animal’s growth development, production performance and genetic characteristics. By using the records of the body size parameters, producers can monitor and estimate the feeding programs, herd health status, individual sheep growth characteristics, breeding, and so on. So, monitoring body size and body weight in real time is necessary. However, the present way of determining these parameters is normally by men, e.g. the sheep has to stand on a flat place with correct posture during measuring the body size with measuring stick, tape measure, and so on, and the sheep has to be tied up or hung up on scales when weighting, which has the shortcoming in causing the stress reaction of the sheep. In this work, a non-contact system with 3 high-resolution cameras was developed for automatically obtaining both the body dimension landmarks in 3 views and the body weight (BW). A software, developed in MATLAB environment, has been used to process the images and to obtain the points position in the image and the distances between the points. The measured body parameters included withers height (WH), rump height (RH), body length (BL), chest depth (CD), chest width (CW), and rump width (RW). A left camera and a right camera were used to restrain errors of WH, RH, BL and CD, and the average was performed to avoid precision reduction caused by the object deviating from the camera optical axis when using a single side camera. sixty small-tailed Han sheep (adult, females, not pregnant) with different ages (from 12 to 36 months, mean 65.48±8.58 kg) were weighed and recorded with 0.1 kg precision scale in the morning before their release for feeding in order to minimize the post-prandial variation. The measurement results in farm showed that the complementary parameters of left and right views could improve the accuracy of the measurement system, and the average of several measurements could reduce the deviation from the actual value obtained by single measurement of the multi postures. The maximum relative errors of WH, RH, BL, CD, CW and RW were 4.73%, 2.55%, 2.50%, 3.95%, 3.80% and 2.90%, respectively. In order to prove the usefulness of the monitored parameters, the body sizes of each animal were used to predict the weight by a few methods, including single variable linear regression, single variable nonlinear regression, stepwise multiple linear regression (stepwise-MLR), partial least squares regression (PLSR), radial basis function network (RBF), and support vector machine (SMV). Results showed that, the body size got by image processing and liveweight had a higher correlation. In the process of single variable analysis, only the BL was reserved to the prediction model, for it was more significant to liveweight. It was found that by using the SVM method, the standard deviation and average error in model validation were the minimum, which reached 3.82 kg and 4.32% respectively. So the parameters got by image processing can be used for monitoring the growth of sheep. Through the in-situ test, it proved that the real-time monitoring method of sheep’s growth eases the livestock measuring workload greatly and overcomes the limitations of manual measurement, and it’s worth popularizing and making more efforts to improve the precision management and welfare farming of sheep.

image analysis; computer vision; monitoring; live-sheep; growth; contactless measurement

10.11975/j.issn.1002-6819.2017.24.024

S24

A

1002-6819(2017)-24-0182-10

2017-05-15

2017-10-26

國家自然科學(xué)基金資助項目（61461042，11364029）；內(nèi)蒙古“草原英才”產(chǎn)業(yè)創(chuàng)新人才團(tuán)隊項目（內(nèi)組通字[2014] 27號）

張麗娜，女（蒙），呼和浩特，博士，副教授，研究方向：農(nóng)業(yè)工程測試與控制。Email：linanazhang@126.com

武 佩，男，呼和浩特，教授，博士生導(dǎo)師，研究方向：農(nóng)業(yè)工程測試與控制。Email: jdwupei@163.com

張麗娜，武 佩，烏云塔娜，宣傳忠，馬彥華，陳鵬宇. 基于圖像的肉羊生長參數(shù)實(shí)時無接觸監(jiān)測方法[J]. 農(nóng)業(yè)工程學(xué)報，2017，33(24)：182－191. doi：10.11975/j.issn.1002-6819.2017.24.024 http://www.tcsae.org

Zhang Lina, Wu Pei, Wuyun Tana, Xuan Chuanzhong, Ma Yanhua, Chen Pengyu. Real-time non-contact monitoring method for growth parameters of sheep based on image analysis[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(24): 182－191. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2017.24.024 http://www.tcsae.org