基于圖像的肉羊生長參數實時無接觸監測方法

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實時無接觸監測方法

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.內蒙古農業大學機電工程學院，內蒙古自治區草業與養殖業智能裝備工程技術研究中心，呼和浩特 010018； 2. 內蒙古師范大學物理與電子信息學院，呼和浩特 010022）

針對基于體尺、體質量的肉羊實時生長監測中體尺、體質量需要人工測量的不足，論文提出基于結構化限位裝置及機器視覺技術的無接觸肉羊生長參數測量方法，并討論無接觸方法獲取的體尺數據與羊只生長特性的關系。首先，基于自主研發的無應激形態參數采集系統實時采集60只小尾寒羊的俯視圖和側視圖，應用圖像處理技術對所得到的圖像進行分析，提取體高、臀高、體長、胸深、胸寬、臀寬3類6種體尺參數；無接觸生長參數采集系統同時記錄對應羊只的體質量。對無接觸方法獲取的體尺、體質量數據相關關系進行研究，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網絡擬合、SVM回歸方法建立體尺與體質量關系模型。試驗表明：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、胸寬與體質量相關性大于0.8；在基于單因素的生長監測中可選擇體長參數；多體尺能夠較全面地表達羊只的生長狀態，其中胸深、胸寬、體長是重要的監測參數；多因素非線性模型可以更全面、精準的體現羊只生長特性。論文提出的無接觸方法可有效提升工作效率，節約50%的人工投入。同時，也可減少羊只的應激反應，是長期、實時監測羊只生長的實用方法，對推動精準、福利化養羊具有重要意義。

圖像分析；機器視覺；監測；活體羊；生長；無接觸測量

0 引 言

內蒙古地區作為中國肉羊產業的主產區。近年來，隨著“禁牧、休牧、輪牧”政策[1]的實施，利用秸稈等豐富的農副產品資源發展舍施養羊、變數量型養羊為質量型養羊成為內蒙古及周邊地區養羊業可持續發展的基本戰略[2-3]。在設施養羊中，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，精準養殖成為現代養羊業發展的必然要求[4]，即在養殖中將羊作為個體或小群體進行管理[5]，利用各種傳感器持續地自動獲取羊只個體各時段信息，用以優化個體貢獻、促使養羊業高效益、低成本、生態、可持續發展[6]。

羊只體尺數據間具有不同程度的相關性顯著，能夠反映羊只體格大小、體軀結構、生長發育狀況以及各部位之間相對發育關系[7-9]，反映羊的生產性能[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生長發育規律[17-18]，采用形態學指數評價目標性狀[19]，從而衡量羊生長發育的主要指標，評估羊只生長發育特性、遺傳特性[20]；指導羊的選育，或預測未來羊群的性能[21]；評估羊只的生長速度、飼料利用率和胴體品質[22]。體質量信息體現羊只的生長速度、飼喂效益、營養狀況等[23]，在集約化養羊生產過程中，基于體尺、體重的生長監測、對指導實際生產具有重要意義。

羊只體尺、體質量測量主要采用人工方式進行[24]，不僅測量工作量大，保定困難[25]，且需要直接接觸羊體，羊的應激反應大，增加了人畜共患病的傳播幾率。目前基于光學原理的計算機視覺技術可獲得豐富的體尺參數，測量結果具有較高的精度；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]應用機器視覺技術測量羊的體高、體長；Vieira等[33]開發了基于圖像的奶山羊視覺評分系統；Khojastehkey等[34]基于圖像處理技術估計新生羔羊體尺；Menesatti等[35]構建雙目立體視覺系統評估活體羊的體尺及體質量。家畜體質量測定可借助RFID技術，結合電子秤，利用計算機數據管理技術實現自動、精準測量。公開發表的相關研究中[33-36]，對基于視覺的羊只體尺測量做了有益的探索，但相關研究中體尺參數測量的自動化程度不高，獲取的體尺參數不豐富；相對成熟的研究方法多用于牛、豬領域，羊相對與牛、豬，羊只運動空間廣、關節多，更加柔韌靈活，體姿多變，通常協同游走、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實施生長監測提出挑戰。因此，本文提出基于視覺技術的無接觸方法的羊只體尺、體質量檢測方法。基于視覺技術的活體體尺測量包括限定空間環境的自動體尺參數測量方法，及相對自由空間的人機交互式測量方法。其中限定空間環境的自動體尺測量方法與相對自由空間的人機交互式測量方法相比，數據獲取自動化程度更高，實用性更強，但測點自動提取策略的設定及其準確性有待提高。有鑒于此，本文提出采用結構化限位裝置及機器視覺技術的無接觸肉羊生長參數測量方法，在獲取豐富體尺參數的同時，提高數據獲取的自動化程度，以用于羊只實時生長監測，推動精準、福利化設施養羊。

1 無接觸羊只體尺、體質量監測系統

1.1 無接觸羊只體尺、體質量監測裝置設計

考慮到羊的群居行為很強，熟悉的個體間易形成小群體，采用結構化限位專用裝置測量羊只生長參數，即將活體羊確定在特定空間相對穩定的位置，繼而使用事先布置在裝置上的稱重傳感器稱量體質量，使用CCD相機獲取圖像，測量羊體長、寬、高3個角度6個體尺參數：體高、臀高、體長、胸深、臀寬、胸寬的數據。考慮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、右兩側相機數據取均值來抑制由于活體羊處于非光軸對稱中心對體長、體高數據引入的誤差。無接觸羊只監測裝置如圖1所示。

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

封閉式過道寬度設計為40 cm寬、10 m長，以確保羊只以單列方式依次進入測量系統；采用低頻（13.56 MHz）RFID（radio frequency identification）射頻耳標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量；門禁控制系統采用行程為100 mm、最大負載1200 N的24 V推桿電機實施。

1.2 圖像獲取單元設計

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

1.左側相機 2.左側相機光軸 3.右側相機 4.右側相機光軸 5.頂部相機 6.頂部相機光軸

1.3 計算機數據采集與處理

無接觸羊只體尺、體質量監測系統既包含了數據的管理，同時涉及硬件設備間的通信，鑒于實驗室虛擬儀器工程平臺（Laboratory virtual instrumentation engineering workbench，LabVIEW）具有數據采集和儀器控制功能，在本應用中使用LabVIEW軟件開發羊只形態參數測量系統[37]。LabVIEW與Access數據庫的連接實現數據管理，視覺開發模塊（vision development module，VDM）開發圖像自動采集程序。Matlab具有強大的矩陣運算能力和圖像處理能力，且LabVIEW支持應用程序之間通信的DDE（dynamic data exchange）、DLL（dynamic-link library）、COM（component object module）以及基于COM的ActiveX等技術，方便與Matlab接口并實現混合編程。因此，采用Matlab2013a軟件處理圖像數據。

在自然光照條件下，羊只在頭羊的帶領下，通過喇叭形入口，進入窄過道，RFID閱讀器讀入羊只身份信息后，觸發開門裝置，羊只進入體位限制裝置。當體質量數據穩定時，系統記錄體質量信息，同時軟件觸發3部相機同時拍照并計算體尺數據。打開出口門禁，當體質量數據歸零后，關閉出口。依次往復，自動采集并計算體尺參數。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、單一、與羊體顏色區分度大的背景，本應用中分別在左、右側相機處布置與裝置對稱面平行的藍色背景板。

2 無接觸羊只體尺參數測量

小尾寒羊是中國優良的地方品種，是發展規模化舍飼養羊產業的寶貴品種[38]。本文以小尾寒羊體尺測量為例，通過圖像測點提取算法分別提取體高、臀高、體長、胸深、胸寬、臀寬6個參數。

2.1 圖像預處理及前景提取

為提高后續算法的適應性，首先對圖像進行中值濾波去噪，采用“參考白”法[39]進行光照補償。

圖3 部分前景提取結果

經前期試驗發現，僅在惡劣環境下，前景提取可能不完整，但不完整部分出現在光照局部偏弱部分，即腹部偏后腿部分，非體尺測量關鍵區域，因此，不會對體尺參數的測量帶來影響。此外，提取的前景圖像在局部區域出現突起或凹陷，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）為從坐骨結節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、體長類參數均落于羊體側視圖輪廓上，為輪廓特征點[43]，利用相鄰的一組輪廓點來計算輪廓線上各點的曲率、定位特征點，運算量小、時間代價低[44]。體寬參數可通過計算輪廓線上的點到俯視圖對稱中心線的距離的變化曲率確定[43]。羊只體尺參數測量流程如圖5所示。

圖5 羊只體尺參數測量流程圖

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

2.3 體尺參數測量方法

2.3.1 側視圖體尺參數提取

1.耆甲 2.坐骨結節隆凸處 3.坐骨端后緣測點 4.胸骨前緣測點 5.胸底測點 6.背部最低點 7.區間3起點 8.前、后腿中間縱垂線

區間或離散數據量比較大，或形狀復雜，因此采用移動最小二乘法（moving least-squares，MLS）分區間擬合輪廓[45-46]。MLS擬合過程中，權衡平滑度和時間代價[43]，選用徑向基函數作為權函數，采用線性基擬合區間輪廓。區間擬合結果如圖7所示。

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

圖7 區間劃分及分區間輪廓擬合結果

圖8 羊只體高、體長測點提取流程圖

確定體尺測點后，以外側前腳與外側后腳構成的直線作為體高參數測量基準，各體尺參數檢測結果如圖9所示。

2.3.2 俯視圖體尺參數提取

羊只俯視圖為非剛性對稱體。因此使用Matlab的regionprops（img, 'centroid'）函數確定羊體各區間的形心。應用骨架提取方法提取骨架，將處只存在一個骨架點的點構成新的點集，應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，后計算輪廓上的點與近似對稱中心線間的距離的變化，查找胸寬與臀寬測點。體寬參數提取過程及結果如圖10所示。

圖9 體高、體長類體尺參數

在各自掃描區間，掃描與中軸對稱的輪廓點間的距離，然后對距離數據擬合以消除噪聲，查找胸部距離擬合曲線曲率最小的點定位為頸部測點，分析特征點在輪廓上的特征，并經多次試驗確定：頸部測點開始向后曲率最大的點為胸寬測點；臀部區間距離擬合曲線曲率最大點處為臀寬測點。

3 試驗設計及結果分析

3.1 試驗設計

試驗在內蒙古農業大學海流圖肉羊養殖基地進行，基地位于內蒙古呼和浩特市土左旗北什軸鄉海流村境內，地理坐標為111°22′30″E、40°41′30″N，是中國-加拿大可持續農業科技創新示范項目：肉羊業科技創新示范基地。該養殖基地為集約化養殖方式，羊只按照品種、年齡等分群管理，試驗用羊群由60只小尾寒羊構成。

待試驗的60只成年小尾寒羊母羊（12～36月齡）均未懷孕。早上空腹時進行體尺、體質量測量。為了驗證方法的可行性，首先人工測量待測羊只的體尺參數，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，另一人使用測杖進行測量并記錄數據，測量時將羊毛厚度計入，每個參數均測3次取均值。接著誘導羊只進入測量裝置，采用圖像系統獲取羊只的俯視圖、左視圖及右視圖。經過圖像預處理、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、折算空間分辨率，得到體尺數據。分析體質量與圖像獲取的體尺的相關性。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神經網絡、支持向量機等方法建立基于體尺的體質量預估模型，分析體尺數據與生長特性的關系。

3.2 基于圖像的體尺數據有效性分析

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，驗證基于圖像自動獲取體尺參數方法的有效性，測量結果見表1所示。

表1 同一只羊處于不同位置時體尺參數測量的可重復性

*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.

試驗結果表明，同一只羊的不同體位、體姿對測量數據的精度有較大影響，極端體姿情形下，體高、體長數據與實測值偏差較大；多次測量求平均值可抑制誤差；左、右相機分別計算體尺參數取后取均值是抑制誤差的有效方法。

對試驗的60只小尾寒羊經圖像分析自動獲取的體尺參數與人工測量值（標準值）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%。數據精度較高。

3.3 體質量與各體尺參數相關性分析

60只小尾寒羊視覺圖像提取體尺參數及體質量數據統計信息見表2所示。由表可以看出，體質量與各體尺參數的分布具有一定的廣度。

表2 無接觸方法獲得的體尺參數及體質量統計結果

雖然小尾寒羊體尺與體質量的相關關系已在多篇公開發表的文獻[1-8,11,19]中給出，但相關結果對應于采用人工方法測量的體尺，測量的體尺參數不包含羊毛厚度，而采用機器視覺方法獲得的體尺參數包含羊毛厚度，因此仍需進行相關性分析。使用SAS軟件，選擇=0.05置信水平，分析體質量與各體尺指標的相關性，體質量與各體尺指標的置信橢圓見圖11所示。

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

3.4 體尺與體質量相關模型分析

3.4.1 體尺與體質量建模

通過建立體尺與體質量相關模型進一步討論基于無接觸方法獲得的體尺參數對生長性能影響。

一元回歸分析討論單個變量體現生長特性的能力；多元線形回歸方法可以抑制體尺數據間存在共線性問題[48]，將變量間的內在聯系和相互影響考慮進來，采用逐步法進行變量的篩選，去掉相關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現了多元線性回歸、主成分分析和典型相關分析的綜合，對樣本容量小、解釋變量個數多、變量間存在嚴重多重相關性問題回歸更加有效，整體性更強[49-50]，因此使用偏最小二乘回歸方法建立體質量與體尺的相關模型。選用采用夠逼近任意的非線性函數、結構簡單、泛化能力強、學習收斂速度快、不易陷入局部極小點等諸多優點[51]的徑向基函數（radial basis function，RBF）網絡，及具有優秀的學習能力[52]、較好的泛化功能[53]、較好的解決小樣本學習問題[54]的支持向量機（support vector machine，SVM）方法構建多元變量與體質量的非線性模型。

將60組數據中的40組作為訓練集，剩余20作為測試集。各預估模型及預估值與實測值相關系數、標準偏差見表3所示。單因素回歸分析中，體長與體質量的回歸模型估測結果與實測值相關性最大；胸寬與體質量的回歸模型估測結果與實測值相關性次之。單因素非線性模型表達生長特性優于線性模型。多元線性回歸模型的擬合優度優于一元線性回歸模型。逐步多元線性回歸模型估測結果表明體長、胸寬是體質量決定性相關變量。偏最小二乘回歸方程可以看到，胸深、胸寬在解釋體質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度高于線性回歸模型。

3.4.2 體尺與體質量相關模型精度測試

用測試數據集測試各模型精度。對于單因素回歸模型，只選取體質量回歸模型特性相對較好體長與體質量模型、胸寬與體質量模型進行測試。結果見表4所示。

從表4可以看出，基于單因素的體質量預估模型中，基于體長的體質量冪回歸模型相對誤差較小，預測相關系數和標準偏差較小；而在基于多因素的體質量預估模型中，支持向量機回歸模型的性能較好，也是多種建模方法中預測結果最好的模型。

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

表3 體質量預估模型

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 體質量預估模型精度測試

4 結 論

本文提出基于無接觸方法的肉羊實時生長監測，采用圖像分析的方法獲取羊只的體尺參數，避免人與羊的直接接觸，減少羊只的應激反應，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據與體質量的相關系，證明了基于視覺的羊只生長監測方法是可行的，并得出：在基于視覺的單因素生長監測中，可選擇體長作為生長監測參數；多體尺參數能夠更好的表達羊只生長特性，在實施無接觸生長監測中，胸深、胸寬、體長是影響生長的重要參數，可長期監測；體高、臀高、體長、胸深、胸寬、臀寬參數與生長特性的非線性模型可精準的體現羊只生長，預估體質量與實測體質量的相關系數達到0.953 8。此外本文提出的方法，與單一的基于體質量的生長監測相比，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]. 中國牧業通訊，2007(9)：22－27.

[2] 樊宏霞，薛強. 內蒙古養羊業的現狀、問題及對策[J]. 內蒙古農業大學學報：社會科學版，2010，12(6)：95－97.

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

[4] 李棟. 中國奶牛養殖模式及其效率研究[D]. 北京：中國農業科學院，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. 精準畜牧業中動物信息智能感知與行為檢測研究進展[J]. 農業機械學報，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及其相關性的研究[J] . 內蒙古畜牧科學，2003，24(5)：28－29.

[8] 達布西，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]. 內蒙古畜牧科學，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[M]. 涂友仁，譯. 北京：農業出版社，1984：5－53.

[11] 王欣榮，吳建平，楊聯，等. 甘南草地型藏羊體質量與體尺指標的相關性研究[J]. 甘肅農業大學學報，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. 大尾寒羊體尺指標的主成分分析[J]. 湖北農業科學雜志，2011，50(14)：2912－2914.

[14] 王大廣，蘇秀俠，楊德新，等. 薩福克肉用種羊體型測定值體形測定值遺傳參數的估計[J]. 吉林農業科學，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. 波爾山羊級進雜交二代羔羊的生長分析[D]. 南京：南京農業大學，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. 多元統計分析方法在羊體質量與體尺研究中的應用[J]. 北京農學院學報，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，于應文，等. 放牧家畜質量自動稱量系統的設計與試驗[J]. 農業工程學報，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. 家畜體重研究進展[J]. 畜禽業，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，2013，29(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. 基于點云采集設備的奶牛體尺指標測量[J]. 農業工程學報，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. 基于嵌入式機器視覺的羊體體征測量系統[J]. 計算機測量與控制，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. 基于機器視覺的羊體體征測量[D]. 包頭：內蒙古科技大學，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. 生豬肉產量預測的非接觸實時在線機器視覺系統[J]. 農業工程學報，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. 羊只形態參數無應激測量系統設計與試驗[J]. 農業機械學報，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，李保明，施正香，等. 規模化羊場羊舍夏季環境與小尾寒羊的行為觀察[J]. 農業工程學報，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. 精通圖像處理經典算法[M]. 北京：北京航空航天大學出版社，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. 基于跨視角機器視覺的羊只體尺參數測量方法研究[D]. 呼和浩特：內蒙古農業大學，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的方法[J]. 上海交通大學學報，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，2007，28(5)：25－26.

[48] 李卓. 基于立體視覺技術的生豬體重估測研究[D]. 北京：中國農業大學，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. MATLAB概率與數理統計分析（第二版）[M]. 北京：機械工業出版社，2012，275－299.

[50] 龔敏慶，孫明偉，金明仲. PLS分析與RBF神經網絡耦合環境模型[J]. 數理統計與管理，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的模糊與神經網絡設計[M]. 北京：電子工業出版社，2010，284－312.

[52] 顧亞祥，丁世飛. 支持向量機研究進展[J]. 計算機科學，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] 張學工. 關于統計學習理論與支持向量機[J]. 自動化學報，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

國家自然科學基金資助項目（61461042，11364029）；內蒙古“草原英才”產業創新人才團隊項目（內組通字[2014] 27號）

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

武 佩，男，呼和浩特，教授，博士生導師，研究方向：農業工程測試與控制。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實時無接觸監測方法[J]. 農業工程學報，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