基于雞頭特征的病雞識(shí)別方法研究

畢敏娜 張鐵民,2 莊曉霖 焦培榮

(1.華南農(nóng)業(yè)大學(xué)工程學(xué)院， 廣州 510642； 2.國(guó)家生豬種業(yè)工程技術(shù)研究中心， 廣州 510642；3.華南農(nóng)業(yè)大學(xué)獸醫(yī)學(xué)院， 廣州 510642)

0 引言

黃羽雞是我國(guó)傳統(tǒng)的優(yōu)良土種雞，是我國(guó)南方地區(qū)主要的肉雞養(yǎng)殖種類之一。隨著人民生活水平提高和飲食結(jié)構(gòu)變化，黃羽雞養(yǎng)殖規(guī)模不斷擴(kuò)大，為國(guó)民提供質(zhì)優(yōu)價(jià)廉的蛋白質(zhì)和肉類。家禽養(yǎng)殖業(yè)的發(fā)展主要受制于兩方面：一方面是勞動(dòng)力短缺，現(xiàn)階段我國(guó)家禽養(yǎng)殖自動(dòng)化水平較低，主要依靠人工飼養(yǎng)，工作環(huán)境惡劣、勞動(dòng)強(qiáng)度大，難以吸引青壯勞動(dòng)力，勞動(dòng)力不足；另一方面是禽病疫病傳播和流行，家禽疫病已成為肉雞養(yǎng)殖業(yè)發(fā)展的瓶頸，不僅造成嚴(yán)重經(jīng)濟(jì)損失，并且?guī)硎称钒踩裙残l(wèi)生問題[1]。因此，利用機(jī)器視覺代替人工監(jiān)控雞舍，對(duì)于快速識(shí)別出病雞，緩解勞動(dòng)力短缺，加強(qiáng)疫情控制，提高家禽養(yǎng)殖業(yè)的自動(dòng)化水平具有重要意義。

近年來，機(jī)器視覺技術(shù)[2-4]在動(dòng)物識(shí)別[5-7]、動(dòng)物行為研究[8-12]、動(dòng)物福利研究[13-15]等領(lǐng)域有了長(zhǎng)足的發(fā)展?；跈C(jī)器視覺的雞只健康研究，主要通過雞冠中心點(diǎn)和雞只輪廓中心點(diǎn)[16-17]的移動(dòng)進(jìn)行死雞判斷；通過對(duì)圖像雞冠顏色提取[18]、雞腳個(gè)數(shù)計(jì)數(shù)[19]進(jìn)行病雞識(shí)別。雞頭包括了雞冠、雞垂、雞眼和雞嘴，雞只患病后外觀主要表現(xiàn)在雞冠顏色改變[20]、眼睛狀態(tài)變化等。健康雞的雞冠顏色紅潤(rùn)紋理均勻，雞眼圓而有神。病雞雞冠顏色異常，干燥凹凸不平，雞眼半閉或全閉。因此，本文利用雞頭特征進(jìn)行病雞識(shí)別。

本文針對(duì)復(fù)雜背景的黃羽雞側(cè)拍圖像，在黃羽雞色差信息分割的基礎(chǔ)上，利用雞冠和雞垂輪廓上兩點(diǎn)距離的合并算法，再通過修正算法識(shí)別雞頭。提取雞頭雞冠紋理特征和雞眼瞳孔的形狀幾何特征，構(gòu)成病雞識(shí)別的特征向量，采用支持向量機(jī)(SVM)分類器進(jìn)行病雞識(shí)別實(shí)驗(yàn)。

1 圖像采集

本文使用數(shù)碼相機(jī)SONY A7s采集散養(yǎng)黃羽雞視頻，數(shù)碼相機(jī)最大分辨率為2 448像素×3 264像素；視頻采集地點(diǎn)為華南地區(qū)某一黃羽肉雞散養(yǎng)場(chǎng)，時(shí)間是2016年3月上旬某日10:00及14：00，天氣晴朗，光線充足。數(shù)碼相機(jī)由三腳架固定，分別拍攝健康雞和病雞視頻，從視頻中提取500幅健康雞側(cè)拍圖，236幅病雞側(cè)拍圖，圖像尺寸為480像素×640像素，以RGB格式存儲(chǔ)。

2 基于色差信息的黃羽雞分割

2.1 RGB和HSV顏色模型

彩色圖像中的目標(biāo)識(shí)別關(guān)鍵是選擇顏色模型。目前數(shù)碼相機(jī)拍攝的圖像主要通過RGB顏色模型表征，圖像中某一像素點(diǎn)包含紅(R)、綠(G)和藍(lán)(B)亮度。R、G、B的取值范圍均為0～255，該模型只能反映圖像中各像素點(diǎn)顏色梯度的變化，無法體現(xiàn)色相間的差異。HSV顏色模型[21]的H分量是色調(diào)分量，用角度度量，取值范圍為0°～360°，紅色為0°；S分量表示顏色的純度，取值范圍為0～1；V分量表示顏色的明暗程度，反映了顏色的灰度等級(jí)。RGB圖像轉(zhuǎn)換為HSV圖像的公式為

(1)

式中r、g、b——RGB圖像3個(gè)分量歸一化后的數(shù)值，取值為0～1之間的實(shí)數(shù)

Amax——r、g、b中的最大值

Amin——r、g、b中的最小值

2.2 基于色差信息的黃羽雞識(shí)別

根據(jù)文獻(xiàn)[20]，從500幅健康雞圖像中隨機(jī)抽取100幅，在每幅圖像中分別提取10個(gè)雞身樣本區(qū)域、3個(gè)雞冠樣本區(qū)域及10個(gè)背景樣本區(qū)域，構(gòu)成雞身、雞冠和背景樣本集。其中雞身樣本區(qū)域尺寸為10像素×10像素，雞冠樣本區(qū)域尺寸為5像素×5像素，背景樣本區(qū)域尺寸為10像素×10像素。提取樣本集每個(gè)像素點(diǎn)的R、G、B分量，得到每個(gè)樣本集在坐標(biāo)R-B、R-G的分布，如圖1所示。

圖1 背景、雞身、雞冠樣本集在RGB色彩模型的分布Fig.1 Distribution diagrams of background, chicken and comb samples in RGB color model

圖1中，背景樣本集像素點(diǎn)集中分布在坐標(biāo)R-B和R-G的對(duì)角線上，即R/B和R/G的數(shù)值非常接近1，表示背景像素點(diǎn)的R、G、B分量差值小。雞身樣本集和雞冠樣本集像素點(diǎn)的R、G、B分量的差值明顯大于背景樣本集，因此計(jì)算背景樣本集每個(gè)像素點(diǎn)的R、G、B分量色差|R-G|+|R-B|+|B-G|得到背景色差閾值去除背景。

提取樣本集像素點(diǎn)的H分量，每個(gè)樣本集隨機(jī)抽取100個(gè)像素點(diǎn)，得到3個(gè)樣本集的H分量圖，如圖2所示。

圖2 背景、雞身、雞冠樣本集H分量圖Fig.2 H components of background, chicken and comb samples

從圖2可知，雞冠的H分量在160°～180°之間，雞身和背景的H分量分布在60°以下，由此得到雞冠H分量閾值。同理可得到雞身的H分量閾值。

黃羽雞圖像分割原理圖如圖3所示，步驟如下：

(1)背景色差閾值和H分量閾值的確定。提取100幅訓(xùn)練圖像，每幅圖像提取10個(gè)背景區(qū)域、3個(gè)雞冠區(qū)域和10個(gè)雞身區(qū)域，提取每個(gè)像素點(diǎn)R、G、B和H分量，計(jì)算|R-G|+|R-B|+|B-G|的值，確定背景樣本集中|R-G|+|R-B|+|B-G|的最大值作為色差閾值，雞身和雞冠樣本集的H分量均值作為H閾值。

(2)測(cè)試圖像。在RGB顏色模型中利用色差閾值去除背景，然后轉(zhuǎn)換到HSV顏色模型，通過H閾值分割雞身和雞冠，再進(jìn)行形態(tài)學(xué)濾波去除噪聲及孔洞、膨脹腐蝕、平滑邊界等，最后得到黃羽雞圖像。

圖3 基于色差信息的黃羽雞分割原理圖Fig.3 Principle diagram of yellow feather chicken segmentation based on color components difference

3 基于雞頭特征信息的雞頭定位

雞頭定位是通過合并雞冠和雞垂來實(shí)現(xiàn)的。雞頭定位原理如圖4a所示，Pi和Pj是不同輪廓上的點(diǎn)，兩點(diǎn)間的距離為d1，當(dāng)d1小于閾值Tjiguan時(shí)，則合并雞冠和雞垂確定雞頭。對(duì)736幅黃羽雞圖像分析統(tǒng)計(jì)可得，d1小于雞冠和雞垂外接矩形最大邊長(zhǎng)的有713幅，即96.9%的雞頭定位可通過判斷雞冠和雞垂輪廓上兩點(diǎn)距離d1小于外接矩形的最大邊長(zhǎng)來實(shí)現(xiàn)，因此，將外接矩形最大邊長(zhǎng)設(shè)為閾值Tjiguan。

為確保雞頭的完整性，根據(jù)雞頭寬度Dwidth一般不超過外接矩形高度Dheight的原則，拓展外接矩形修正雞頭部位，拓展部位的雞身分量超過一定比例k(實(shí)驗(yàn)所得0.65)，則將此部分歸入雞頭部位，否則停止拓展，原理如圖4b所示。

圖4 雞頭合并修正算法原理圖Fig.4 Schematic diagrams of merging and correcting combs

合并算法步驟如下：

(1)提取每個(gè)分割區(qū)域輪廓，標(biāo)識(shí)為MContour(i)(i=1,2，…，m)，Pi為MContour(i)上的點(diǎn)。

(3)若d1

(4)直線連接Pi和Pj。

圖5 雞頭識(shí)別過程Fig.5 Recognition process of head

(5)根據(jù)連通區(qū)域求外接矩形，定位雞頭。

(6)結(jié)束。

識(shí)別修正算法如下：

(1)檢查雞頭矩形是否滿足Dwidth>Dheight，如果是，則轉(zhuǎn)步驟(6)，否則進(jìn)行下一步。

(2)向左搜索屬于雞頭部分區(qū)域：以d個(gè)像素為單位向左拓展雞頭部位，判斷拓展點(diǎn)Ai是否在圖像內(nèi)，如果不是，轉(zhuǎn)步驟(6)。

(3)在拓展AiAi-1Di-1Di區(qū)域計(jì)算屬于雞頭部位的像素點(diǎn)數(shù)Narea，當(dāng)Narea>dDheightk，更新Dwidth=Dwidth+d，轉(zhuǎn)步驟(1)，否則轉(zhuǎn)步驟(6)。

(4)向右搜索屬于雞頭部分區(qū)域，以d個(gè)像素為單位向右拓展雞頭部位，判斷拓展點(diǎn)Bi是否在圖像內(nèi)，如果超出圖像范圍，轉(zhuǎn)步驟(6)。

(5)在拓展Bi-1BiCiCi-1區(qū)域計(jì)算屬于雞頭部位的像素點(diǎn)數(shù)Narea，當(dāng)Narea>dNareak，更新Dwidth=Dwidth+d，轉(zhuǎn)步驟(4)，否則轉(zhuǎn)步驟(6)。

(6)結(jié)束。

經(jīng)過雞頭修正算法，圖5e右邊雞頭包含雞眼，得到完整的雞頭。

4 基于雞頭特征提取的病雞識(shí)別

4.1 基于H分量共生矩陣的雞冠特征提取

灰度共生矩陣(Gray-level co-occurrence matrix)最早由Harlick在1973年提出，定義為像素對(duì)的聯(lián)合分布概率，是一個(gè)對(duì)稱矩陣，它不僅反映圖像灰度在相鄰的方向、相鄰間隔、變化幅度的綜合信息，也反映了相同的灰度級(jí)像素之間的位置分布特征，是計(jì)算紋理特征的基礎(chǔ)，是描述紋理的常用方法。

假設(shè)一幅圖像f尺寸為M×N，灰度級(jí)別為Ng，圖像像素點(diǎn)的灰度表示為f(x,y)，則滿足一定空間關(guān)系的灰度共生矩陣為

p(i,j,d,θ)=#{(x1,y1),(x2,y2)∈
M×N|f(x1,y1)=i,f(x2,y2)=j}

(2)

式(2)中#{x}表示集合x中的元素個(gè)數(shù)，(x1,y1)與(x2,y2)的灰度為i和j，若點(diǎn)(x1,y1)與(x2,y2)間距離為d，兩者與坐標(biāo)橫軸夾角為θ，pi，j的值表示兩點(diǎn)相距d像素在θ角的方向上出現(xiàn)的次數(shù)?；叶裙采仃嚉w一化

(3)

雞冠特征主要體現(xiàn)在顏色變化上，在H分量求共生矩陣，獲得帶有雞冠顏色信息的紋理特征。利用歸一化的共生矩陣p計(jì)算紋理特征：角二階矩ASM、相關(guān)性COR、逆差矩IDM和熵Ent[22]。公式為

(4)

(5)

(6)

(7)

式中μx、μy、σx、σy——?dú)w一化共生矩陣的行px、列py的均值和方差

4.2 雞眼形狀幾何特征提取

形狀特征主要包括幾何特征和矩特征。幾何特征是描述輪廓的常用方法，包括形狀面積A、周長(zhǎng)P、矩形度Rect、伸長(zhǎng)度E、復(fù)雜度C。其中面積A和周長(zhǎng)P屬于剛性特征，受與目標(biāo)拍攝距離的影響，一般不作為分類的特征。為了減少拍攝距離和角度的影響，引入面積周長(zhǎng)比A/P作為瞳孔幾何特征之一。

分別提取雞冠紋理特征(ASM，COR，IDM，Ent)和雞眼瞳孔幾何特征(A，P，Rect，E，C，A/P)，其中紋理特征由式(4)～(7)求取。健康雞圖像中雞冠和雞眼均正常，病雞圖像按雞頭特征可分以下3類：①雞冠正常、雞眼異常。②雞冠顏色異常、雞眼正常。③雞冠顏色異常、雞眼異常。從4類圖像中隨機(jī)選取1幅圖像，求取10個(gè)特征變量，得到4類圖像的雞冠雞眼特征表，如表1所示。

表1 雞冠雞眼特征表Tab.1 Feature values of eyes and combs of chicken

4.3 特征選擇

為了減少計(jì)算量，實(shí)現(xiàn)病雞的實(shí)時(shí)檢測(cè)，需要精簡(jiǎn)特征集，在眾多特征中找出對(duì)判斷最有貢獻(xiàn)的特征子集。雞冠和雞眼的特征集有10個(gè)特征變量，測(cè)試每個(gè)特征變量的識(shí)別正確率，采用平均識(shí)別正確率(Average recognition accuracies，ARA)[23]進(jìn)行特征選擇。ARA算法如下：

(1)尋找識(shí)別正確率最低和最高的特征量

X=minARA

(8)

Y=maxARA

(9)

(2)計(jì)算識(shí)別精度閾值

(10)

(3)比較特征識(shí)別率和識(shí)別精度閾值，選擇大于識(shí)別正確率和大于或等于識(shí)別精度閾值的特征量，構(gòu)成特征子集。

(4)如果RAT≤Y，令X=RAT，轉(zhuǎn)步驟(2)，否則轉(zhuǎn)步驟(5)。

(5)結(jié)束。

選擇420幅健康雞圖像，200幅病雞圖像進(jìn)行SVM訓(xùn)練，80幅健康圖像和36幅病雞圖像作為測(cè)試集，分別得到10個(gè)特征量的平均識(shí)別正確率，見表2。

利用ARA算法得到的特征子集為(ASM,COR,IDM,Ent,A,P,Rect,E,C,A/P)、(ASM,Ent,P,Rect,E,C,A/P)、(ASM,Ent,E,A/P)、(Ent,E,A/P)、(Ent,A/P)、(Ent)。選擇結(jié)果如表3所示。

表2 特征量平均識(shí)別正確率Tab.2 ARA of features %

表3 ARA算法的特征子集選擇

Tab.3 Feature selection of ARA algorithm %

5 實(shí)驗(yàn)及結(jié)果分析

5.1 病雞識(shí)別實(shí)驗(yàn)

實(shí)驗(yàn)所用計(jì)算機(jī)為Intel(R)Core(TM) i7-CPU中央處理器，4 GB內(nèi)存，操作系統(tǒng)采用Windows 7(64位)，使用Microsoft Visual Studio 2015平臺(tái)，通過OpenCV 2.0編程實(shí)現(xiàn)圖像預(yù)處理、黃羽雞分割及雞頭識(shí)別、特征提取及SVM分類器。

實(shí)驗(yàn)利用ARA算法得到的6個(gè)特征子集進(jìn)行病雞識(shí)別，選擇420幅健康雞圖像，200幅病雞圖像進(jìn)行SVM訓(xùn)練，80幅健康圖像和36幅病雞圖像作為測(cè)試集，病雞識(shí)別正確率見表4。

表4 特征子集病雞識(shí)別正確率

Tab.4 Recognition accuracy of feature subsets %

5.2 結(jié)果分析

由表4可知，特征子集(ASM,Ent,E,A/P)由雞冠H分量的能量、熵、雞眼的伸長(zhǎng)度、面積周長(zhǎng)比組成，融合了雞冠和雞眼2個(gè)部位特征，符合對(duì)病雞雞頭特征分析。針對(duì)含有雞冠雞眼的側(cè)拍圖像，若沒檢出雞頭，則認(rèn)為雞冠顏色異常為病雞，識(shí)別的雞頭檢測(cè)不到雞眼，認(rèn)為是閉眼，屬于病雞的一種，在此前提下，病雞識(shí)別正確率為92.5%。表4中的病雞識(shí)別率比健康雞識(shí)別率高，主要原因有：①雞頭運(yùn)動(dòng)造成雞頭識(shí)別不完整，SVM識(shí)別時(shí)將不完整的雞頭識(shí)別為病雞。②閉眼休息狀態(tài)的健康雞無法檢測(cè)出雞眼，判斷為病雞。

6 結(jié)束語

針對(duì)現(xiàn)場(chǎng)采集的黃羽雞圖像，運(yùn)用R、G、B分量色差信息先對(duì)黃羽雞圖像進(jìn)行背景去除，再在HSV顏色模型下利用H分割閾值提取黃羽雞圖像。在黃羽雞圖像識(shí)別中，利用H分量閾值提取雞冠雞垂，通過合并雞冠雞垂實(shí)現(xiàn)雞頭識(shí)別。在完整雞頭中利用H分量閾值提取雞眼輪廓。計(jì)算雞冠H分量的共生矩陣，獲取共生矩陣中能量、相關(guān)性、逆差矩和熵，從雞眼輪廓獲得周長(zhǎng)、面積、矩形度、伸長(zhǎng)度、復(fù)雜度、面積周長(zhǎng)比的形狀幾何特征，再通過ARA特征選擇得到特征子集(ASM,Ent,E,A/P)。實(shí)驗(yàn)測(cè)試了80幅健康雞只側(cè)拍圖和36幅病雞側(cè)拍圖，病雞識(shí)別正確率為92.5%。本文所提方案針對(duì)健康和雞冠雞眼有病變的黃羽雞側(cè)拍圖，每幅圖像都包含雞冠和雞眼的前提下，有一定的局限性，但是通過雞頭特征進(jìn)行病雞識(shí)別是一個(gè)新的嘗試，對(duì)視覺判斷病雞研究有一定的實(shí)踐意義。

1 張毅, 王幼明, 王芳,等. 我國(guó)禽流感研究進(jìn)展及成就[J]. 微生物學(xué)通報(bào), 2014, 41(3):497-503. ZHANG Yi, WANG Youming, WANG Fang, et al. Progress and achicvcments of avian influenza in China[J].Microbiology China,2014,41(3):497-503.(in Chinese)

2 應(yīng)義斌, 傅賓忠. 機(jī)器視覺技術(shù)在農(nóng)業(yè)生產(chǎn)自動(dòng)化中的應(yīng)用[J]. 農(nóng)業(yè)工程學(xué)報(bào), 1999, 15(3):199-203. YING Yibin, FU Binzhong.Application of machine vision technique to automation of agricultural production affiliation[J].Transations of the CSAE,1999,15(3):199-203.(in Chinese)

3 CHEN Y R, CHAO K, KIM M S. Machine vision technology for agricultural applications [J]. Computers & Electronics in Agriculture, 2002, 36(2-3):173-191.

4 SAARINEN K. Image processing, analysis and machine vision[M]. Chapman & Computing,1993.

5 勞鳳丹，滕光輝，李卓，等．復(fù)雜環(huán)境中蛋雞識(shí)別及粘連分離方法研究[J/OL].農(nóng)業(yè)機(jī)械學(xué)報(bào),2013,44(4):213-216,227.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20130437&journal_id=jcsam. DOI：10.6041/j.issn.1000-1298.2013.04.037. LAO Fengdan, TENG Guanghui, LI Zhuo, et al. Recognition and conglutination separation of individual hens based on machine vision in complex environment[J/OL]. Transactions of the Chinese Society for Agricultural Machinery,2013,44(4):213-216,227.(in Chinese)

6 李文勇, 李明, 陳梅香,等. 基于機(jī)器視覺的作物多姿態(tài)害蟲特征提取與分類方法[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2014, 30(14):154-162. LI Wenyong, LI Ming, CHEN Meixiang, et al. Feature extraction and classification method of multi-pose pests using machine vision[J]. Transactions of the CSAE,2014, 30(14):154-162.(in Chinese)

7 SABERIOON M, GHOLIZADEH A, CISAR P, et al. Application of machine vision systems in aquaculture with emphasis on fish: state-of-the-art and key issues[J]. Reviews in Aquaculture, 2016, 110(2):466-469.

8 VISHWAKARMA S, AGRAWAL A. A survey on activity recognition and behavior understanding in video surveillance[J]. The Visual Computer, 2013, 29(10):983-1009.

9 GOWSIKHAA D, ABIRAMI S, BASKARAN R. Automated human behavior analysis from surveillance videos: a survey[J]. Artificial Intelligence Review, 2014, 42(4):747-765.

10 KASHIHA M A, BAHR C, OTT S, et al. Automatic monitoring of pig activity using image analysis[C]∥International Conference on Advanced Concepts for Intelligent Vision Systems. Springer International Publishing, 2013:555-563.

11 NASIRAHMADI A, EDWARDS S, RICHTER U, et al. Automatic detection of changes in group pig lying behavior using image analysis[C]∥ASABE International Meeting, 2015:51-52.

12 劉龍申,沈明霞, 柏廣宇,等. 基于機(jī)器視覺的母豬分娩檢測(cè)方法研究[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2014, 45(3):237-242.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20140339&journal_id=jcsam. DOI：10.6041/j.issn.1000-1298.2014.03.039. LIU Longshen, SHEN Mingxia, BO Guangyu, et al. Sows parturition detection method based on machine vision[J/OL]. Transactions of the Chinese Society for Agricultural Machinery,2014, 45(3):237-242. (in Chinese)

13 劉星橋, 孫玉坤, 趙德安,等. 采用圖像處理技術(shù)對(duì)魚體健康狀況監(jiān)視和預(yù)報(bào)[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2005, 21(6):118-121. LIU Xingqiao, SUN Yukun, ZHAO Dean, et al. Monitoring and prediction the health condition of fish using image processing technology[J].Transactions of the CSAE,2005, 21(6):118-121.(in Chinese)

14 李卓, 毛濤濤, 劉同海,等. 基于機(jī)器視覺的豬體質(zhì)量估測(cè)模型比較與優(yōu)化[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2015, 31(2):155-161. LI Zhuo, MAO Taotao, LIU Tonghai, et al. Comparison and optimization of pig mass estimation models based on machine vision[J]. Transactions of the CSAE,2015, 31(2):155-161.(in Chinese)

15 KASHIHA M A, BAHR C, OTT S, et al. Weight estimation of pigs using top-view image processing[C]∥Proceedings of the 10th International Conference on Image Analysis and Recognition, 2014:496-503.

16 陸晨芳. 基于機(jī)器視覺的規(guī)模養(yǎng)雞場(chǎng)死雞探測(cè)系統(tǒng)設(shè)計(jì)研究[D]. 鎮(zhèn)江:江蘇大學(xué), 2009. LU Chenfang. Study on dead birds detection system based on machine vision in modern chicken farm[D]. Zhenjiang: Jiangsu University, 2009.(in Chinese)

17 彭彥松. 基于支持向量機(jī)的養(yǎng)雞場(chǎng)死雞檢測(cè)方法研究[D]. 鎮(zhèn)江:江蘇大學(xué), 2010. PENG Yansong. Study on detecting dead birds in modern chicken farm based on SVM[D]. Zhenjiang: Jiangsu University, 2010.(in Chinese)

18 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):23-25.

19 李騰飛. 籠養(yǎng)蛋雞健康行為監(jiān)測(cè)機(jī)器人系統(tǒng)研究[D]. 北京:中國(guó)農(nóng)業(yè)大學(xué), 2016. LI Tengfei. Study on caged layer health behavior monitoring robot system[D]. Beijing: China Agricultural University, 2016.(in Chinese)

20 畢敏娜,張鐵民,莊曉霖, 等.基于色差信息多色彩模型的黃羽雞快速分割方法[J/OL].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2016,47(12)：293-298,308.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20161236&journal_id=jcsam. DOI：10.6041/j.issn.1000-1298.2016.12.036. BI Minna, ZHANG Tiemin, ZHUANG Xiaolin, et al.Fast segmentation method of yellow feather chicken based on the difference of color information in different color models[J/OL].Transactions of the Chinese Society for Agricultural Machinery, 2016,47(12)：293-298,308.(in Chinese)

21 王玉德, 張學(xué)志. 復(fù)雜背景下甜瓜果實(shí)分割算法[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2014, 30(2):176-181. WANG Yude, ZHANG Xuezhi. Segmentation algorithm of muskmelon fruit with complex background[J]. Transactions of the CSAE, 2014, 30(2):176-181.(in Chinese)

22 KIM D G. Detection of citrus diseases using computer vision techniques[D]. Gainesville:University of Horida,2011.

23 ANAMI B S, NAVEEN N M, HANAMARATTI N G. Behavior of HSI color co-occurrence features in variety recognition from bulk paddy grain image samples[J]. International Journal of Signal Processing, Image Processing & Pattern Recognition, 2015,8(4): 19-30.