典型豬舍光環境下機器視覺圖像量化評價及篩選

杜曉冬，滕光輝，李 卓，石 晨

?

典型豬舍光環境下機器視覺圖像量化評價及篩選

杜曉冬，滕光輝※，李 卓，石 晨

（中國農業大學水利與土木工程學院，農業部設施農業工程重點實驗室，北京 100083）

隨著數字化農業進程的發展，利用機器視覺技術進行生豬養殖方面研究已成為許多研究人員關注的熱點之一。機器視覺中外界光環境對采集圖像的質量具有較大影響，但是較多豬體質量監測方面研究的焦點集中在圖像算法方面，忽視外界光環境的重要性，缺乏量化評價機器視覺光環境優劣的方法。該文基于豬體質量檢測平臺，利用LabVIEW軟件編程分析實際光環境條件下拍攝圖像質量。經現場試驗分析，理想圖像、曝光過度圖像、自然光圖像、陰陽圖像4類圖像在曝光參數和照度均勻度參數有明顯區別：理想圖像和曝光過度圖像的照度均勻度參數均滿足照明工程標準要求，理想圖像曝光正常比率較高；自然光圖像和陰影圖像的照度均勻度參數不滿足照明工程標準要求，且曝光正常率偏低。該文采用曝光正常，最小照度與最大照度比值1>0.7和最小照度與平均照度比值2>0.8判斷實現理想圖像篩選，便于研究者前期圖像預處理工作。

機器視覺；照明；監測；豬體質量；光環境；LabVIEW；照度均勻度

0 引 言

生豬養殖過程中，豬只稱質量是一個必要的環節，畜禽質量是其健康狀態和市場價值的一個重要指標[1-4]。傳統養殖過程中豬只稱質量采用體重箱、電子秤，費時、耗力，同時會對家畜產生應激，不利于其生長發育[5-8]。工業上機器視覺技術的快速發展為豬體尺測量和豬體質量監測提供了一種快速、準確的手段。目前，機器視覺技術已被應用到豬體質量監測研究中，并取得了良好的效果[2,9-10]。機器視覺獲取圖像質量的好壞，主要取決于光源、圖像攝像機和視場幾何圖形這3個因素。相關學者研究表明，機器視覺中光源與補光對相機采集圖像質量具有十分重要的影響[11]。光照不均勻是影響圖像檢測精度和分析結果的一個重要因素，在機器視覺應用中，外部光源中的非均勻照明會造成比環境照明還要壞的圖像分割[12-14]。英國學者Marchant等[5]為豬體圖像采集系統安置2個低功率光源來提高圖像采集質量，補光效果較好。日本學者Minagawa等[15]研究表明，外界光照環境及光線投影產生的陰影線對于圖像分析中提取豬只圖像有一定影響，增加鹵素燈補光來獲取較好圖像。英國學者Wu等[3]建立了一套較為復雜的圖像采集系統，增加輔助的閃光單元，能較好的構建豬體3D模型。澳大利亞學者Kollis等[2]研究表明，由于試驗環境較為封閉，當前光照水平難以滿足圖像采集要求，增加2個照明燈提升圖像采集質量。楊艷等[16]研究表明，在圖像采集過程中，由于光照條件影響，即使是同一頭豬，在不同時間采集到的圖像差異也很大。在提取豬的背部輪廓研究中發現，外界光環境對圖像處理有較大影響，若圖像背景比較復雜，豬體輪廓提取正確率較低，以至于無法提取到對應的體尺測點[1, 17]。朱偉興課題組提出ALLA算法，測試結果較之于標準化圖像有顯著改變，利于后繼豬只圖像分割[18]。豬舍內光照環境會隨時間變化，豬舍墻壁、窗戶隔欄對入射光線也會產生一定影響，易造成豬體輪廓提取不完整，影響算法準確性和穩定性[19-20]。由此可見，機器視覺外界光環境的均勻性非常重要。但是在實際應用中缺乏一種有效評價光環境下圖像優劣的方法，導致拍攝大量圖像因光照影響而不能使用，并且需要人工去篩選有效圖像，費時費力。本研究針對典型豬舍中機器視覺光環境進行研究，目的是探索一種方法有效篩選豬體質量監測平臺拍攝的圖像，過濾受外界光環境干擾較大的無效圖像。

1 材料與方法

1.1 試驗對象

試驗在中國農業大學上莊試驗站進行，從天津市惠康種豬有限公司購入5頭去勢長白豬，平均體質量30 kg左右，日齡為103 d左右，飼養時間為2015年11月12日―2016年1月31日，圈欄飼養，自由采食，補光時間為07:00―19:00，出欄日齡為183 d左右，平均體質量110 kg左右。

1.2 豬體質量監測試驗平臺

為獲取豬體圖像和分析圖像光照信息，搭建豬體質量監測試驗平臺[21]，硬件平臺由相機、LED光源、反光傘、以太網采集卡、服務器等構成。采用德國Basler工業數字相機，型號為acA1300-30gm，安裝在飲水區正上方，通過網絡將拍攝圖像傳輸至服務器；補光系統利用LED射燈、導軌、反光傘等組件，負責提供均勻光環境；圖像自動采集程序是基于美國國家儀器有限公司的LabVIEW 2013和Vision Development Module 2013開發，數據庫采用Mysql 5.5，數據庫連接程序采用LabVIEW Database Connectivity Toolkit編寫。

1.3 光照數據分析

試驗現場光照度測量采用SMART SENSOR公司AS813光照度計，為確保數據準確性出廠時進行傳感器校準，儀器測量范圍0～100×103 lx，測量精準度±4%，分辨率1 lx。試驗結束后，利用農業部設施農業工程重點實驗室儀器—美國Labsphere Inc.公司的小型均勻光源系統，配合美國LI-COR公司的 LI-1500和LI-200R傳感器對AS813進行第2次校準，將高精度LI-200R傳感器近似作為真值，利用小型均勻光源系統在實驗室環境下創造均勻光環境，分析對比LI-200R和AS813光照度計讀取數據及誤差。

絕對誤差定義式為

=?（1）

式中為絕對誤差，lx；為測量值，lx；為真值，lx。

相對誤差定義式為

=/×100% （2）

式中為相對誤差，%。

試驗分現場試驗和實驗室試驗，現場試驗主要進行目標區域光照度測量，依據不同飼養時期豬體高度不同，測量不同豬體高度時目標區域光環境。實驗室試驗分為兩部分，一是校準光照度傳感器；二是處理圖像數據，對比算法值同真實值之間差異。光照實測區位于相機拍攝豬體圖像的飲水區域，依據豬體長為1.2 m，飲水區寬為0.4 m，試驗將1.2 m×0.4 m區域設定為光照測量目標區域。在目標區域劃分4×3共12個測點，南北向等間隔選取4個測量點，東西向等間隔選取3個測量點，測量點以×號表示，測量高度隨豬體提高增加而改變，飼養前期高度設定50 cm，飼養中期55 cm，飼養后期60 cm，主要獲取光照度參數為最大光照度、最小光照度、平均照度等[22]。現場試驗時間和光照實測點分布如表1、圖2、圖3所示。

表1 試驗時間表

圖3中建立的三維坐標系中體現的坐標值是2016年1月21日采集的光照度值，以此為例。坐標系原點選取目標區域東北角，測量區域中的每個測點是由坐標系中坐標和坐標確定，坐標值為實測光照度值。每次試驗光照數據采集3組，取平均值作為實際光照值，數據以平均值±標準偏差（MEAN±S.D）表示。

光照測量區域的均勻性分析是借鑒照明工程標準中照度均勻度指標來評價的，照度均勻度指標是用于體育賽事電視轉播及拍攝圖像時要求較高圖像質量時參考的量化評價標準，所以借鑒其對豬圖像拍攝區域的光環境進行量化評價。照度均勻度指標采用1和2兩個參數，水平面上最小照度與最大照度之比為1，最小照度與平均照度之比為2[23-25]。

式中1為最小照度與最大照度比值；min為最小照度，lx；max為最大照度，lx；2為最小照度與平均照度比值；ave為平均照度，lx。

照度均勻度指標1和2越接近1，則照度均勻性越好，說明豬體質量預估系統光環境合適；反之，照度均勻性越差，目標面上為光線分布不均勻。依據照明工程標準要求，1不應小于0.5，2不應小于0.7，光環境合適。

1.4 圖像數據分析

三類圖像是需要在圖像預處理環節剔除的，一類是圖像亮暗不均勻；一類是圖像較暗，豬只輪廓較模糊；一類是圖像曝光過度，豬只全部或局部過亮。

由于現場人工采集光環境參數費時耗力，試圖借助計算機軟件程序替代人工測量手段，以實現半自動化處理、分析光照度數據。圖像光照均勻度是用現場采集光照數據來判斷的，光照度大的區域對應圖像上較亮的區域；反之，對應圖像上較暗的區域。由于光照度同圖像像素灰度值之間存在較復雜經驗公式[26]，在此為了便于說明，假設光照度大小同像素點灰度值大小近似成正比關系，建立光照度和像素點灰度值兩者之間的比例關系。

=·（5）

式中為光照度，lx；為比例系數，lx；為灰度。

雖然比例系數未知，但是參數的已知或未知對照度均勻度計算公式不影響，最終可以約去，在這里不展開證明。

基于LabVIEW平臺編程實現圖像ROI區域（region of interest，即目標區域）動態抓取，將圖像繪制的ROI區域平均分為6塊小區域，分別求各自區域內平均灰度值，以減小隨機誤差，并計算目標區域1和2參數，并同現場實測值作對比[27-28]。設ROI區域中其中一塊區域大小為·，則平均灰度計算公式[13]

式中為圖像平均灰度；(,)為圖像中第行，第列的灰度。

圖像清晰度是采用圖像邊緣灰度變化率來判斷，就相同內容的圖像來說，清晰圖像邊緣灰度變化率較大，而模糊圖像邊緣灰度變化率較小，以每一列像素點灰度值連續下降幅度最大的邊緣灰度變化率代表此列灰度變化率。對于同一內容而言，清晰圖像邊緣灰度變化率要大于模糊圖像邊緣灰度變化率，即清晰圖像邊緣像素點的灰度值能更快地從高灰度值降到低灰度值[29-30]。

本文選取豬只輪廓邊緣灰度變化率作為圖像清晰度的評價參數，文中定義灰度變化率為豬只輪廓邊緣兩側像素點灰度值變換速率。在圖像處理中任意繪制垂直于豬只輪廓邊緣的直線，獲取直線上每一像素點的灰度值，可知邊緣區域兩側像素點灰度值連續變換過程中階躍最大，采用最小二乘法擬合邊緣兩側像素點灰度值變化直線，計算擬合直線斜率，即為灰度變化率。

=|| （9）

式中為灰度變化率；為擬合直線斜率。

為了減小隨機誤差，選取單幅圖像灰度變化率的平均值作為其評價參數。

圖像曝光正常與否同樣對后期算法處理有很大影響，理想狀態下圖像正常曝光，若圖像出現曝光過度或曝光不足現象，則該圖像不滿足要求。

正常圖像像素尺寸為1296×966像素，以32×32像素尺寸為一個正方形單位，對整幅圖像像素進行單位劃分。按0～255共256個灰度級繪制圖像的灰度直方圖，所以當一幅圖像中像素點灰度值達到255的越多，則圖像整體越亮，且這些像素點已經超過了正常灰度級的最大值，將一個基本單位內像素點灰度值達到255的個數進行統計，其占整個基本單位像素點總數的比例作為最大曝光參數；反之，將一個基本單位內像素點灰度值達到30以下的個數進行統計，將其作為最小曝光參數。文中最大、最小曝光參數統一設置為0.5。

2 結果與分析

對表2測量結果進行單因素方差分析（ANOVA），以此探究不同豬體高時光環境差異，在此分析min、ave、max于不同豬體高下的差異。由照度均勻度分析結果可知，經過方差齊性檢驗，組內差異不顯著（>0.05）；不同豬體高時，組間差異不顯著（>0.05）。從數據分析可知，飼養周期內測量不同高度時的光照度數據差異不顯著。

從表3中可以看出，1和之間顯著相關，相關系數=0.791；2和之間顯著相關，相關系數=0.853。采用成對t檢驗方法分別對1、之間和2、之間是否存在差異進行判斷。實測值和模擬值之間對比如圖4、表4所示。

表2 光照度測量結果

表3 照度均勻度相關性分析

注：*在0.05水平（雙側）上顯著相關。

Note: * Significant correlation at 0.05 level (double side).

表4 U1和U2參數的實測值、模擬值差值樣本檢驗表

從表4中結果可知>0.05，查詢檢驗臨界值表可知0.05(6)=2.447。|1?|和|2?|都小于0.05(6)，由此可推斷，1和之間差異不顯著；同理2和之間差異也不顯著，在實際測量中可利用實測值近似代替測量值。

由于使用SMART SENSOR公司AS813光照度計時間較長，為確保數據準確性和可靠性，試驗結束后對傳感器進行再次校準，美國LI-COR公司的 LI-1500和LI-200R傳感器精度較高，可作光照校準的約定真值，試驗結果如表5所示。

表5 光照度傳感器校準結果

注：-表示空缺，不參加計算。

Note: -denote vacancy. It was not involved in calculation

由表5可知，AS813傳感器長期使用后，存在較大誤差，對試驗結果會有一定影響。但是相對誤差較一致，在20%上下浮動，為了確保數據的有效性，提出光照度校正系數，還原試驗現場真實光環境數據，儀器測量的相對誤差為20%，計算可得光照度校正系數。

由于照度均勻度公式為比值形式，校正數據后對1和2參數沒有影響，在這不展開證明。

選取4種典型豬舍環境進行算法驗證，一種是人工補光，圖像亮度質量較理想；一種是光線較強，導致圖像局部曝光過度；一種是自然光照，圖像局部較暗；一種是陰陽圖像，存在較多陰影區域[18]，如圖5所示。

a. 理想圖像a. Ideal imageb. 曝光過度圖像b. Overexposed image c. 自然光圖像c. Natural light imaged. 陰陽圖像d. Yin and Yang image

第1種類型圖像抽取53幅圖像樣本做算法驗證，第2種類型圖像抽取38幅圖像樣本做算法驗證，第3種類型圖像抽取30幅圖像樣本做算法驗證，第4種類型圖像抽取14幅圖像樣本做算法驗證。分析結果如表6所示。

表6 試驗驗證結果

從表6中可以看出，第1類理想情況下圖像各指標合格率較高，曝光正常率為96%，，，照度均勻度合格率96%，圖像質量效果較好；第2類圖像平均灰度變化率高于第1類圖像，但是曝光異常的圖像比例較高，平均照度均勻度也低于第1類圖像；第3類圖像質量明顯不如第1類、第2類圖像，主要由于第3類圖像為自然光照下拍攝的圖像，受舍內光環境影響較大，導致圖像邊緣平均灰度變化率較小；第4類陰陽圖像效果最差，對后期圖像處理產生極大影響。由此可見，通過人工光源補光的圖像質量效果較理想，滿足圖像曝光正常的要求，且，。采用本文圖像評價方法選取有效參數，對采集圖像進行自動篩選，具體流程如圖6所示。

利用該思想進行LabVIEW編程，實現圖像篩選功能，前面板界面如圖7所示。

3 討 論

從不同高度測量的光照度數據經分析后，結果表明無顯著差異，依據照明工程標準要求，垂直照度梯度上最小值和最大值之比不應小于0.4，最小值和平均值之比不應小于0.6，由于現場試驗在不同時間段進行，這可能會對采集的數據有一定的影響，但是，經過計算后的不同豬體高度測量的光照度滿足要求，其他干擾因素對最終結果影響較小[25]。顧冰等[26]研究數碼相片的顏色值與實際亮度值之間關系，采用圖像顏色值近似測量場景的亮度分布。本文研究中1、之間和2、之間差異不顯著，在實際測量中可利用模擬值近似代替實測值，該類方法都是從圖像的顏色或灰度值出發，探索快速測量、分析光環境的手段。

紀濱等[18]將豬舍圖像分為3類，一類是光線均勻，圖像質量較為理想；一類是自然光條件；一類是舍內白熾燈光源，亮度不均勻。獲取的3種類型圖像灰度和亮度特征有明顯區別。本文4類圖像曝光參數和照度均勻度參數也有明顯區別，可利用各類圖像特征將較理想圖像成功篩選出。

另外，本試驗中豬舍環境較為封閉，但是同樣存在一定外界自然光線照射干擾情況，舍內光照較為復雜。本文試驗沒有涉及大陽光強烈直射情況，該情況需考慮增大LED光源功率或采用閃光燈設備，在該文研究中沒有涉及。

4 結 論

本研究提出一種典型豬舍光環境下圖像評價方法，利用圖像灰度值跟光照度之間關系以及照度均勻度參數對圖像進行分析，可知最小照度與最大照度比值1和最小照度與平均照度比值2的實測值和模擬值之間差異不顯著，1實測值和模擬值之間相關系數為0.791；2實測值和模擬值之間相關系數為0.853，可利用模擬值近似代替實測值快速獲取光照度分布情況。另外，針對四類圖像樣本數據分析后的特點，基于LabVIEW編程并選取理想圖像指標：曝光正常、最小照度與最大照度比值1>0.7、最小照度與平均照度比值2>0.8以實現圖像自動篩選，過濾曝光過度圖像、自然光圖像、陰影圖像，保留理想圖像。限于精力和試驗條件約束，后期研究工作可從閃光燈補光、不同顏色補光等角度開展一系列試驗，實現補光系統自適應調光同樣是需要努力實現的目標。

[1] Stavrakakis Sophia, Li Wei, Guy Jonathan H, et al. Validity of the Microsoft Kinect sensor for assessment of normal walking patterns in pigs[J]. Computers and Electronics in Agriculture, 2015, 117: 1－7.

[2] Kollis K, Phang C S, Banhazi T M, et al. Weight estimation using image analysis and statistical modelling: A preliminary study[J]. Applied Engineering in Agriculture, 2007, 23(1): 91－96.

[3] Wu Jiahua, Tillett R, McFarlane N, et al. Extracting the three-dimensional shape of live pigs using stereo photogrammetry.[J]. Computers and Electronics in Agriculture, 2004, 44(3): 203－222.

[4] Schofield C P. Evaluation of image analysis as a means of estimating the weight of pigs[J]. Journal of Agricultural Engineering Research, 1990, 47(C): 287－296.

[5] Marchant J A, Schofield C P, White R P. Pig growth and conformation monitoring using image analysis.[J]. Animal science: An International Journal of Fundamental and Applied Research, 1999, 68(1): 141－150.

[6] Kongsro J?rgen. Estimation of pig weight using a Microsoft Kinect prototype imaging system[J]. Computers and Electronics in Agriculture, 2014, 109: 32－35.

[7] 劉同海，滕光輝，張盛南，等. 基于點云數據的豬體曲面三維重建與應用[J]. 農業機械學報，2014，44(6)：291－295.

Liu Tonghai, Teng Guanghui, Zhang Shengnan, et al. Reconstruction and application of 3D pig body model based on point cloud data[J]. Transactions of the Chinese Society for Agricultural Machinery, 2014, 44(6): 291－295. (in Chinese with English abstract)

[8] 劉同海，李卓，滕光輝，等. 基于RBF神經網絡的種豬體重預測[J]. 農業機械學報，2013(8)：245－249.

Liu Tonghai, Li Zhuo, Teng Guanghui, et al. Prediction of pig weight based on radical basis function neural[J]. Transactions of the Chinese Society for Agricultural Machinery, 2013(8): 245－249. (in Chinese with English abstract)

[9] Wang Y S, Yang W, Winter P, et al. Walk-through weighing of pigs using machine vision and an artificial neural network[J]. Biosystems Engineering, 2008, 100(1): 117－125.

[10] Wongsriworaphon Apirachai, Arnonkijpanich Banchar, Pathumnakul Supachai. An approach based on digital image analysis to estimate the live weights of pigs in farm environments[J]. Computers and Electronics in Agriculture, 2015, 115: 26－33.

[11]穆向陽，張太鎰.機器視覺系統的設計[J]. 西安石油大學學報：自然科學版，2007(6)：104－109.

Mu Xiangyang, Zhang Taiyi. Design of a machine vision system[J]. Journal of Xi’an Shiyou University: Natural Science Edition, 2007(6): 104－109. (in Chinese with English abstract)

[12] 張巧芬，高健. 機器視覺中照明技術的研究進展[J]. 照明工程學報，2011(2)：31－37.

Zhang Qiaofen, Gao Jian. Research progress of lighting technology in machine vision[J]. China Illuminating Engineering Journal, 2011(2): 31－37. (in Chinese with English abstract)

[13] 劉秀峰，王興東，裴云，等. 基于圖像灰度自適應控制的光源系統[J]. 電子器件，2015(2)：269－273.

Liu Xiufeng, Wang Xingdong, Pei Yun, et al. Lighting system based on image gray value adaptive control[J]. Chinese Journal of Electron Devices, 2015(2): 269－273. (in Chinese with English abstract)

[14] 于麗杰，李德勝，董南萍. 視覺檢測中的光照強度優化研究[J]. 計算機工程與應用，2012(17)：178－182.

Yu Lijie, Li Desheng, Dong Nanping. Research on lighting intensity optimum in vision inspection system[J]. Computer Engineering and Applications, 2012(17): 178－182. (in Chinese with English abstract)

[15] Minagawa H, Taira O, Nissato H. A Color Technique to Simplify Image Processing in Measurement of Pig Weight by a Hands-Off Method[M]//Swine Housing II, Proceedings. ST Joseph: Amer Soc Agr Engineers, 2003: 166－173.

[16] 楊艷，滕光輝，李保明，等. 基于計算機視覺技術估算種豬體重的應用研究[J]. 農業工程學報，2006，22(2)：127－131.

Yang Yan, Teng Guanghui, Li Baoming, et al. Measurement of pig weight based on computer vision[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2006, 22(2): 127－131. (in Chinese with English abstract)

[17] 劉同海，滕光輝，付為森，等. 基于機器視覺的豬體體尺測點提取算法與應用[J]. 農業工程學報，2013(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(2): 161－168. (in Chinese with English abstract)

[18] 紀濱，朱偉興，劉宏申. 豬舍圖像局部亮度調整方法[J]. 農業工程學報，2013，29(5)：139－146.

Ji Bin, Zhu Weixing, Liu Hongshen. Method of local brightness adjusting of pigpen image[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(5): 139－146. (in Chinese with English abstract)

[19] 李卓，杜曉冬，毛濤濤，等. 基于深度圖像的豬體尺檢測系統[J]. 農業機械學報，2016，47(3)：1－8.

Li Zhuo, Du Xiaodong, Mao Taotao, et al. Pig dimension detection system based on depth image[J]. Transactions of the Chinese Society for Agricultural Machinery (Transactions of the CSAM), 2016, 47(3): 1－8. (in Chinese with English abstract)

[20] 紀濱，朱偉興，李先鋒，等. 豬舍固定攝像背景去除法[J]. 計算機應用研究，2011，28(9)：3585－3587，3590.

Ji Bin, Zhu Weixing, Li Xianfeng, et al. Background subtraction for static camera in pigpen[J]. Application Research of Computers, 2011, 28(9): 3585－3587, 3590. (in Chinese with English abstract)

[21] 李卓，毛濤濤，劉同海，等. 基于機器視覺的豬體質量估測模型比較與優化[J]. 農業工程學報, 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 Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2015, 31(2): 155－161. (in Chinese with English abstract)

[22] 杜曉冬，滕光輝，李英英，等. 豬舍飲水區光照環境實測分析[J]. 豬業科學，2015(3)：94－96.

Du Xiaodong, Teng Guanghui, Li Yingying, et al. Analysis of illumination environment for piggery water district[J]. Swine Industry Science, 2015(3): 94－96. (in Chinese with English abstract)

[23] 朱舟，應盛盛，胡洪鈞，等. LED植物光源陣列光照分布及均勻性研究[J]. 浙江農業學報，2015(8)：1489－1493.

Zhu Zhou, Ying Shengsheng, Hu Hongjun, et al. Study on illumination distribution and uniformity for LED plant light source array[J]. Acta Agriculturae Zhejiangensis, 2015(8): 1489－1493. (in Chinese with English abstract)

[24] 方溁，季杭峰，季慧華，等. LED植物組培燈具的光照均勻性設計[J]. 中國照明電器，2014(2)：1－5.

Fang Ying, Ji Hangfeng, Ji Huihua, et al. Design of high illumination uniformity led luminaires for plant tissue culture[J]. China Light & Lighting, 2014(2): 1－5. (in Chinese with English abstract)

[25] 《建筑照明設計標準》GB 50034-2013[S]. 北京：中國建筑工業出版社，2014.

[26] 顧冰，詹慶旋，祝志強. 利用數碼相機測量亮度分布的實驗研究[J]. 照明工程學報，2003(1)：15－18.

Gu Bing, Zhan Qingxuan, Zhu Zhiqiang. Research on measurement of luminance distribution using digital cameras [J]. China Illuminating Engineering Journal, 2003(1): 15－18. (in Chinese with English abstract)

[27] 彭坤楊，董蘭芳. 一種基于圖像平均灰度值的快速圖像修復算法[J]. 中國圖象圖形學報，2010(1)：50－55.

Peng Kunyang, Dong Lanfang. A fast image inpainting algorithm based on average gray value[J]. Journal of Image and Graphics, 2010(1): 50－55. (in Chinese with English abstract)

[28] 張恒博，歐宗瑛. 一種基于色彩和灰度直方圖的圖像檢索方法[J]. 計算機工程，2004，30(10)：20－22.

Zhang Hengbo, Ou Zongying. A method of content base image retrieval based on color and grey level histogram[J]. Computer Engineering, 2004, 30(10): 20－22. (in Chinese with English abstract)

[29] 徐貴力，劉小霞，田裕鵬，等. 一種圖像清晰度評價方法[J]. 紅外與激光工程，2009，38(1)：180－184.

Xu Guili, Liu Xiaoxia, Tian Yupeng, et al. Image clarity-evaluation-function method[J]. Infrared and Laser Engineering, 2009, 38(1): 180－184. (in Chinese with English abstract)

[30] 王鴻南，鐘文，汪靜，等. 圖像清晰度評價方法研究[J]. 中國圖象圖形學報，2004，9(7)：828－831.

Wang Hongnan, Zhong Wen, Wang Jing, et al. Research of measurement for digital image definition[J]. Journal of Image and Graphics, 2004, 9(7): 828－831. (in Chinese with English abstract)

Quantitative assessment and screening of images in lighting environment of typical piggery

Du Xiaodong, Teng Guanghui※, Li Zhuo, Shi Chen

(100083)

With the advancement of digital agriculture, researching on pig weight estimation by using machine vision technology has become one of hotspots. The outside light environment of machine vision has a great influence on the quality of captured images. Ignoring the significance of lighting system, majorities of studies on pig weight estimation focused on algorithms and image processing without quantitative assessment methods of light environment. This research focus on the light environment for machine vision in typical piggery and the purpose is to explore a method to achieve effectively screening images taken by monitoring platform to filter out a large amount of invalid images interfered by outside light environment. This paper, based on pig weight monitoring platform, LabVIEW software was used to analyze the image quality of actual light environment condition. Researches consisted of field test and laboratory test. Light measurement of region of interest was mainly carried out in field test during different breeding periods as well as with different heights of pig body. Laboratory test was divided into two parts. One was the calibration of light sensor and the other was image processing for comparing the difference between the algorithm value and the real value. Experiments were carried out in the experimental station of Shangzhuang of China Agricultural University and the test objects were 5 heads of castration landrace. AS813 illuminance meter of SMART SENSOR Company was used to conduct research in test spot. In order to ensure the data accuracy, it was conducted two times of sensor calibration. The analysis of uniformity of illumination in measurement area was referred to lighting engineering standards for evaluating the intensity of illumination evenness.1and2parameters were used to evaluate evenness index of illumination intensity.1is the ratio of the minimum illuminance and the maximum illuminance.2is the ratio of the minimum illuminance and the average illuminance. By means of computer software program, it could replace artificial measures to realize the measurement of illumination simulation values, the gray level change rate and image exposure judgement parameters. After on-site validation experiments as well as data analysis, it had not significant difference among light measurements of various height of pig body during breeding period. Also, it had no obvious difference between measured value and simulation value. The correlation coefficient of1between measured value and simulation value is 0.791 and the correlation coefficient of2between measured value and simulation value is 0.853. Replacing measured values, simulation can fast achieve the distribution of the light environment approximately. Illumination correction coefficientwas put forward in order to ensure the validity of the data, reflect the true light environment and make up for 20% relative error of the measurement instrument. In addition, it is obviously different among ideal image, overexposed image, natural light image and Yin and Yang image in the parameters of exposure and uniformity ratio of illumination: the illumination uniformity parameters of ideal image and overexposed image meet the requirement of standards of illuminating engineering, and the normal rate of exposure for ideal image rate is higher. The illumination uniformity parameters of natural light image and Yin and Yang image did not meet the requirements of standards of illuminating engineering. Judgment standards of normal exposure were determined at1>0.7 and2>0.8 to realize the filter of ideal image which is convenient for researchers screening out ideal image.

machine vision; illuminance; monitoring; pig weight; lighting environment; LabVIEW; uniformity ratio of illuminance

10.11975/j.issn.1002-6819.2017.02.029

S821.4+6

A

1002-6819(2017)-02-0213-07

2016-05-03

2016-12-06

“十二五”國家科技支撐項目（2014BAD08B05）

杜曉冬，男，博士生，主要從事設施養殖過程控制與環境研究，北京中國農業大學水利與土木工程學院，100083。Email：duxiaodong@cau.edu.cn

滕光輝，男，教授，博士，博士生導師，主要從事農業生物環境智能控制和數字畜牧研究。北京 中國農業大學水利與土木工程學院， 100083。Email：futong@cau.edu.cn

杜曉冬，滕光輝，李 卓，石 晨. 典型豬舍光環境下機器視覺圖像量化評價及篩選[J]. 農業工程學報，2017，33(2)：213－219. doi：10.11975/j.issn.1002-6819.2017.02.029 http://www.tcsae.org

Du Xiaodong, Teng Guanghui, Li Zhuo, Shi Chen. Quantitive assessment and screening of images in lighting environment of typical piggery[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(2): 213－219. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2017.02.029 http://www.tcsae.org