基于關(guān)鍵輪廓點(diǎn)模型的豬的步態(tài)異常檢測(cè)

王祥 魏慶 吳燕

【摘 要】本文提出使用豬的關(guān)鍵輪廓點(diǎn)模型采集豬的步態(tài)信息，利用該模型所提供的步態(tài)信息判別豬是否出現(xiàn)跛腳行走。實(shí)驗(yàn)分別采集了豬正常行走和跛腳行走的視頻作為研究對(duì)象。該方法能夠智能檢測(cè)出豬患病狀態(tài)為跛腳行走這一類的豬疾病，為規(guī)模不斷擴(kuò)大的生豬養(yǎng)殖業(yè)實(shí)現(xiàn)智能養(yǎng)殖提供了可行性。

【關(guān)鍵詞】圖像處理;關(guān)鍵輪廓點(diǎn);關(guān)節(jié)角度;豬跛腳判別

中圖分類號(hào)： TP391.41 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 2095-2457（2019）12-0076-002

DOI：10.19694/j.cnki.issn2095-2457.2019.12.036

【Abstract】In this paper， a pig's key contour point model is used to collect the gait information of pigs， and the gait information provided by the model is used to distinguish whether the pigs are lame. The videos of pigs walking normally and? walking in limp were collected as subjects. This method can intelligently detect swine diseases such as lame walking， and provide the feasibility for intelligent breeding of pig farms.

【Key words】Image processing; Key contour points; Joint angle; Pig lame discrimination

0 引言

目前，我國(guó)養(yǎng)豬的規(guī)?；降玫搅撕艽蟮奶岣?。但是由于技術(shù)以及成本限制等問(wèn)題，傳染性豬疫病時(shí)常發(fā)生。如果能在傳染性豬疫病發(fā)病初期對(duì)其進(jìn)行及時(shí)有效的隔離治療，將會(huì)極大減少對(duì)豬養(yǎng)殖業(yè)造成的損失。第五屆（2018）規(guī)模化養(yǎng)豬新技術(shù)國(guó)際研討會(huì)就規(guī)?；i場(chǎng)疾病預(yù)防技術(shù)進(jìn)行了交流探討，其中，華中農(nóng)業(yè)大學(xué)陳煥春院士在我國(guó)豬病流行現(xiàn)狀和防控策略報(bào)告中提出“管重于養(yǎng)，養(yǎng)重于防，防重于治”的思想。如何切實(shí)有效的提高規(guī)?；B(yǎng)殖場(chǎng)的管理，建立有效豬疾病智能預(yù)警機(jī)制，已成為我國(guó)建立規(guī)?；B(yǎng)豬場(chǎng)重點(diǎn)研究方向。

對(duì)于初期會(huì)出現(xiàn)共濟(jì)失調(diào)，步態(tài)搖擺，震顫等癥狀的豬神經(jīng)性疾病的檢測(cè)，如果能在發(fā)病初期就檢測(cè)出來(lái)并對(duì)其進(jìn)行及時(shí)有效隔離治療，防止豬疾病的蔓延，可以避免豬疾病的大范圍擴(kuò)散傳染現(xiàn)象，有效減少豬疾病造成的豬養(yǎng)殖業(yè)經(jīng)濟(jì)上的損失。

1 材料與方法

1.1 試驗(yàn)豬廠環(huán)境及生豬信息采集

本實(shí)驗(yàn)在自然光條件下并且豬舍環(huán)境較理想的條件下進(jìn)行視頻的拍攝。對(duì)于實(shí)驗(yàn)數(shù)據(jù)的采集是利用攝像機(jī)分別對(duì)處于正常行走和跛腳行走的生豬進(jìn)行視頻的拍攝。實(shí)驗(yàn)數(shù)據(jù)是通過(guò)隨機(jī)的挑選四頭正常行走的豬，然后分別對(duì)其拍攝四組視頻得到共16組代表正常行走的視頻信息。然后對(duì)4頭跛腳行走的豬進(jìn)行同樣的實(shí)驗(yàn)數(shù)據(jù)的采集得到16組代表跛腳行走的視頻信息。以上共32組豬行走視頻就是本實(shí)驗(yàn)的研究數(shù)據(jù)基礎(chǔ)。

1.2 圖像預(yù)處理提取目標(biāo)輪廓

目標(biāo)檢測(cè)是目標(biāo)識(shí)別、跟蹤和行為分析的基本保證。為了獲得豬的清晰的輪廓，在豬舍環(huán)境、光線等較為理想的條件下進(jìn)行目標(biāo)視頻的拍攝。然后，對(duì)目標(biāo)視頻圖像提取一系列的單幀圖像，采用背景減除法來(lái)檢測(cè)出目標(biāo)圖像豬。再采用二值化和形態(tài)學(xué)處理獲得完整的目標(biāo)圖像。最后，采用canny算子提取目標(biāo)輪廓。最終的目標(biāo)輪廓的提取過(guò)程如圖1、2、3所示。

1.3 豬體的關(guān)鍵輪廓點(diǎn)模型的建立

本文提出的關(guān)鍵輪廓點(diǎn)模型法，是利用圖像的輪廓中心點(diǎn)與輪廓上的關(guān)鍵點(diǎn)的距離曲線來(lái)建立骨架模型。輪廓中心-邊緣點(diǎn)距離曲線繪制及骨架模型建立的具體方法如下：

（1）求取目標(biāo)的輪廓中心點(diǎn)（xc，yc）

Nb為邊緣點(diǎn)數(shù)，（xi，yi）為某邊緣點(diǎn)。

（2）繪制中心-邊緣點(diǎn)距離曲線

圖4為中心-邊緣點(diǎn)距離曲線的繪制示意圖。在豬體輪廓上任取一個(gè)邊緣點(diǎn)（xi，yi）作為起始點(diǎn)，并計(jì)算出中心-邊緣點(diǎn)距離。然后，按逆時(shí)針?lè)较?，?jì)算豬體輪廓上每個(gè)邊緣點(diǎn)與中心的距離。計(jì)算公式如下：

將一維離散方程d（i）表示在二維坐標(biāo)系上就是中心-邊緣點(diǎn)距離曲線。如圖5所示。

將平滑后的中心-邊緣點(diǎn)距離曲線表示成差分方程的形式：

計(jì)算平滑后的中心-邊緣點(diǎn)距離曲線 i）的極大值i點(diǎn)，其橫坐標(biāo)的值就代表豬體輪廓上第i個(gè)邊緣點(diǎn)。將該邊緣點(diǎn)視為關(guān)鍵輪廓點(diǎn)，并用大寫(xiě)英文字母對(duì)其編號(hào)。在該實(shí)驗(yàn)中，建立豬體的星狀骨架模型的是選用截止頻率c=0.03×Nb，得到七個(gè)關(guān)鍵輪廓點(diǎn)，分別標(biāo)志出了耳朵，鼻子，尾尖，尾根以及能被檢測(cè)到的前后肢。通過(guò)連接這七個(gè)關(guān)鍵輪廓點(diǎn)就得到本文中所需要使用的星狀骨架模型。

其中尾根-輪廓中心點(diǎn)-耳朵即為本實(shí)驗(yàn)中所需要標(biāo)注的角度α，通過(guò)對(duì)數(shù)據(jù)α的統(tǒng)計(jì)和分析，得出該角度以區(qū)分正常和跛腳行走。

2 豬跛腳和正常行走的α的數(shù)據(jù)統(tǒng)計(jì)

利用數(shù)據(jù)的統(tǒng)計(jì)信息可以發(fā)現(xiàn)數(shù)據(jù)中的潛在規(guī)律，目前，該技術(shù)已經(jīng)被使用到了養(yǎng)殖業(yè)上。在本實(shí)驗(yàn)中，我們采集了兩組不同的豬的行走的姿態(tài)：一組是豬的正常行走的α，另一組是豬跛腳行走時(shí)的α，具體的統(tǒng)計(jì)結(jié)果見(jiàn)下圖8。

通過(guò)統(tǒng)計(jì)和對(duì)比這兩組不同行走方式的實(shí)驗(yàn)數(shù)據(jù)，兩組數(shù)據(jù)之間存在著極大的差異性，并且與豬行走不連續(xù)性是一致的。兩組數(shù)據(jù)的差異為豬跛腳行走過(guò)程中步態(tài)變化幅度大，連續(xù)性差，易于識(shí)別。

3 總結(jié)

文中實(shí)驗(yàn)所采用的方法是獲得豬的輪廓圖并通過(guò)繪制中心-邊緣點(diǎn)距離曲線得到關(guān)鍵輪廓點(diǎn)，然后利用輪廓圖上的關(guān)鍵點(diǎn)來(lái)建立本實(shí)驗(yàn)所使? 用的星狀骨架模型。最后，利用該關(guān)鍵輪廓點(diǎn)模型分別提取出正常行走和跛腳行走的豬的行走數(shù)據(jù)，進(jìn)行對(duì)比研究和分析，本實(shí)驗(yàn)?zāi)苤苯訌谋O(jiān)控視頻中智能的檢測(cè)出患病狀態(tài)為跛腳行走這一類的豬疾病，為未來(lái)大規(guī)模的商品豬智能飼養(yǎng)提供了很好的方法。

【參考文獻(xiàn)】

[1]蔣偉.基于步態(tài)識(shí)別的移動(dòng)設(shè)備身份認(rèn)證模型[J].電子科技大學(xué)學(xué)報(bào).2019（02）：272-277.

[2]張加加.基于CNN與SVM融合的步態(tài)識(shí)別方法[J].中國(guó)計(jì)量大學(xué)學(xué)報(bào).2019（01）：65-71.

[3]郇戰(zhàn).基于多分類器融合的步態(tài)識(shí)別方法[J].計(jì)算機(jī)應(yīng)用.2019（02）：712-718.

[4]何燦隆.基于加速度傳感器的肉雞步態(tài)檢測(cè)方法研究與實(shí)現(xiàn)[J].2019（02）：365-372.

※基金項(xiàng)目：本研究為江蘇省大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計(jì)劃項(xiàng)目成果（201813103024X）。

作者簡(jiǎn)介：王祥，男。

魏慶，男。

*通訊作者：吳燕，助理研究員，主要研究方向?yàn)闄C(jī)器視覺(jué)。