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

(內蒙古農業大學 機電工程學院，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

(內蒙古農業大學 機電工程學院，呼和浩特 010018)

針對無應激條件下哺乳仔豬群體生活環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，分別對其進行預處理，提取出哺乳仔豬群體目標區域。同時，提出一種基于形態學操作和Radon變換的被測目標區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，實現了無應激條件下哺乳仔豬群體生活環境的舒適度檢測。通過對150張特征行為圖片進行實驗分析，結果顯示：該方法的綜合識別率高于87%，為智能監控軟件在豬舍溫度調控方面提供了數據參考。

哺乳仔豬；舒適度檢測；Radon變換；最大類間方差聚類法

0 引言

在傳統的豬舍環境下，飼養員通過手動調控的方式調節豬舍溫度，豬在預定的環境溫度下活動，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，山西農業大學的郭慧慧在影響豬的采食量一文中提出豬的等熱區范圍為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性能的影響一文中通過實驗證明，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，外界環境溫度在一定程度上對哺乳仔豬的生長發育和飼養成本造成影響。2008年，Bin Shao, Hongwei Xin等人開發了一套實時圖像處理系統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分豬的冷熱舒適度狀況，能夠準確識別出哺乳仔豬群體的聚集形式；但其算法較為復雜，不易于實現實時監控。

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行預處理，完成對被測目標區域的提取，并采用形態學處理方法對提取到的被測目標區域面積進行計算[6]；然后，采用Radon變換獲得包圍被測目標區域最小矩形的面積，進一步提出被測目標區域與其最小包圍矩形的面積比，從而獲得區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，試驗選擇臨床表現正常的、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對象。將試驗對象置于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工業相機，采用垂直向下的拍攝方式獲取被測目標的俯視圖圖像。在保溫室地板放置智能加熱袋，將豬舍溫度分別調至0、22、30℃各保持1h。并用紅外測溫儀每隔10min監測1次保溫室內溫度；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。

圖1為采集到0、22、30℃所對應的哺乳仔豬特征行為圖像。

1.2 應用背景差分法完成目標檢測

采集的圖像既包含被測的目標，又包含智能加熱袋、保溫箱等復雜背景，再加上光照不均勻，導致圖像中的目標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圖像與不含被測目標的背景圖像進行差分來最大程度地消除含有目標圖像的復雜背景，進而提高被測目標與背景的對比度，為后續的圖像分割奠定基礎。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動目標；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。

由于保溫箱環境較為復雜，圖像噪聲現象嚴重，式(1)不能得到真正的哺乳仔豬群體目標，得到的是群體目標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，需要運用閾值T分割提取目標，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

盡管在被測目標與背景的對比度十分明顯的情況下，閾值分割很容易實現；但實際上由于在被測目標和背景的分界部分存在細微的灰度變化，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、灰度值及當前像素的鄰域性質等因素有關，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：運用雙峰法進行閾值分割時，雖然算法簡單、運算速度快，但由于受到噪聲和光照的影響，容易造成目標元素的丟失，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與背景，但在邊界處依然會發生目標像素的丟失，而且在目標內部存在許多孤立像素。

本文用到的閾值分割技術是最大類間方差法[10-11]，分割效果圖如圖5所示。由圖5中可以看出：圖像的被測目標區域基本被提取出來，相比其他兩種方法目標內部的孤立像素點明顯減少，雖然被測目標區域中有空洞、區域邊緣不太平滑和背景區域有白點污染，但通過圖像填充、圖像閉運算及開運算形態學操作[12-13]，達到進一步處理需要的效果。圖像填充可以去除被測目標區域中的空洞，圖像閉運算可以實現區域邊緣的平滑，圖像開運算可以去除背景區域的白色污染，如圖6所示。

(a) 0℃ (b) 22℃ (c) 30℃

(a) 0℃ (b) 22℃ (c) 30℃

1.4 被測目標區域與其最小包圍矩形的面積比

在低溫狀態下，哺乳仔豬的特征行為高度聚集，通常會出現堆積現象，閾值分割后的二值圖像中被測目標不能被分開，目標區域通常是一個連通區域或接近連通的區域，且連通區域的孔數很少，故該被測目標區域的面積與其最小包圍矩形的面積比在3種狀態中最大；高溫狀態下，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可以明顯被分開，且被測目標之間的間隔很大，故該被測目標區域的面積與其最小包圍矩形的面積比在3種狀態中最小；舒適狀態下，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可以被分開但不明顯，故該被測目標區域的面積與其最小包圍矩形的面積比在3種狀態中介于低溫狀態和高溫狀態之間。被測目標區域面積與其最小包圍矩形的面積比是區分3種溫度狀態下哺乳仔豬特征行為的有效參數。

1.4.1 被測目標區域面積的獲取

得到哺乳仔豬二值化圖像后，圖像中的非零像素的數目即為哺乳仔豬群體面積。采用形態學函數bwarea對圖像中非零像素進行加權運算，有效地補償了圖像的固有失真，以圖6(c)為例，其目標區域的面積為S=12 224像素。

1.4.2 包圍被測目標區域最小矩形的獲取

被測目標區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f(x,y)的沿著某一方向的投影函數gθ(R)，可以看成是R與θ構成的極坐標系統，(R,θ)被稱為Radon空間。該空間任意一點(Ri,θi)代表二維圖像函數f(x,y)所在xoy平面內的線積分，其數學表達式為

(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像素的被測目標區域；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的距離(有效投影寬度)正好為被測目標的寬度；同理，圖7(c) 中曲線在軸上首末端點的距離正好為被測目標對角線長度。這樣，在圖7(d)中軸上會有180個且與θ相對應的有效長度，即被測目標在各個方向上的有效投影寬度，那么i與(i+90°)投影方向角所對應的有效投影長度為包圍被測目標區域的矩形的長和寬，i∈[0°，89°]。其在整個投影方向區間內會形成90個包圍被測目標區域的矩形，本文用到的是包圍被測目標區域面積最小的矩形。

(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，獲取其被測區域面積后，對其進行0°～179°的Radon變換，變換結果如圖8所示。通過Radon變換圖像獲取包圍被測區域最小矩形的面積Smin=37 728像素 。

圖8 圖6(c)0°到179°的Radon變換

1.4.3 被測目標區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，需要對被測目標區域與其最小包圍矩形的面積比的分類能力進行評價。以圖6(c)為例，其被測目標區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區域與其最小包圍矩形的面積比并作出散點圖，如圖9所示。

圖9 樣本圖像被測目標區域與其最小包圍矩形的面積比散點圖

分析圖9可知：0℃下哺乳仔豬特征行為樣本圖像被測目標區域與其最小包圍矩形的面積比最大，數據起伏變化較小，說明被測目標區域與其最小包圍矩形的面積比對寒冷狀態下哺乳仔豬有較好的聚類能力，可以減少錯誤分類現象的發生的概率；相反，30℃下哺乳仔豬特征行為樣本圖像被測目標區域與其最小包圍矩形的面積比最小，數據波動較大，分布較為分散，因而在實際應用時可能會出現錯誤分類的現象；22℃下哺乳仔豬特征行為樣本圖像被測目標區域與其最小包圍矩形的面積比居于兩者之間，數據波動也居于兩者之間。因此，被測目標區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 根據最大類間方差聚類法確定雙閾值

這里單獨采用被測目標區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，需要2個分類閾值來確定狀態的所屬類別。根據圖7樣本面積比的計算結果，可以進一步求出被測目標區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中被測目標區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，根據公式(5)計算σ2；

4)尋找最大的σ2，找出對應的閾值T1、T2。

2.2 基于最大類間方差聚類法雙閾值的識別率測定

為了驗證基于被測目標區域與其最小包圍矩形的面積比分類哺乳仔豬3種狀態的可行性和有效性，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驗條件下采集到的，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中的分類閾值，測定結果如表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果

3 結論

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區域與其最小包圍矩形面積比的方法，并將其作為分類特征，進一步對其分類能力進行了評價。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現了3種不同溫度下哺乳仔豬特征行為的分類。實驗表明：被測目標區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、穩定性好，具有很好的應用前景。

[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,2007,34(12):17-21.

[4] 趙正興. EM發酵飼料飼喂育肥豬的效果[J].四川畜牧獸醫,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. 數字圖象數學形態學算法研究與應用[D].鄭州：中國人民解放軍信息工程大學，2005：40-44.

[7] 張毅剛,曹陽,項學智. 靜態背景差分運動目標檢測研究[J].電子測量與儀器學報，2010,24(5):494-498.

[8] 汪沖,席志紅,肖春麗. 基于背景差分的運動目標檢測方法[J].應用科技，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,2005：12-14.

[10] 齊麗娜,張博,王戰凱. 最大類間方差法在圖像處理中的應用[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用[J].煤炭技術，2008,27(7):23-24.

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

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

[14] 李茂寬, 關鍵. 基于共形幾何代數與 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 Radon 變換的芯片幾何特征檢測[J].計算機工程, 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形目標直徑測量方法[J].激光與光電子學進展，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，內蒙古鄂爾多斯人，教授，博士生導師，(E-mail) jdwcg@imau.edu.cn。

S818

A

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