基于機器視覺的母豬體重估測

文/武堯 劉振宇 谷亞寧 趙惠瑾

（山西農業大學信息科學與工程學院 山西省太谷縣 030801）

利用計算機視覺技術檢測動物的生長發育、行為特征能更好為動物提供優良的生長環境，減少外界的應激刺激。基于機器視覺技術和數字圖像分析技術的發展。據H.Minggaw a 研究顯示動物的體重與其體積和投影面積有很大的相關性，他利用投影在豬身上的網格線的視差與豬體高的非線性關系近似估計其體高，并利用經驗公式計算豬的體重。

1 算法原理

1.1 母豬圖像區域提取方法

1.1.1 優化前景學習

由于PBAS 算法是針對單個像素進行的統計背景建模，并在此基礎上進行前景檢測，所以當待測目標面積大或者運動緩慢時，會得到一個不完整的前景，從而降低了算法的檢測率。通過前景計數機制來防止目標物因靜止而被更新判定為背景。以像素點xi為中心的，建立5×5 窗口Z(xi),定義該點與窗口內其他點的顏色差值的平均和為該區域顏色背景復雜度C(xi)：

其中，Ic為該點各通道的像素值，結合區域信息的背景復雜度值COM(xi)為：

其中，dmin(xi)為記錄相似度最小距離值數組D(xi)的均值。背景復雜度控制判斷閾值R(xi)和學習率更新T(xi)公式為：

其中，Rinde為R(xi)單次更新的變化幅度，Rscale為調整背景復雜度dmin(xi)的尺度因子，二者均為預先設定的固定值。

其中，Tinc為上調幅度，其值為預先設定。F(xi)=1 表示該點被判定為前景點，F(xi) =0 表示該點被判定為背景點。就在原像素級背景復雜度的基礎上以加權的形式融入了區域信息。則TOM(xi)計數規則為：

每個像素xi的計數器初始值F(xi)均為0,當被判定為前景時，其計數器加1， TOMi(xi)=TOMmax, TOMmax為對靜止前景的最長生命周期，根據經驗可以設置為幀率的5 倍。

1.1.2 優化邊緣值檢測

圖1：體重誤差曲線

表1：成分累計解釋方差統計表

采用非線性帶權中值濾波來進行平滑圖像，首先按灰度值大小將領域內的像素進行排序，將排序好的序列中間像素作為中間值輸出。權值的分配由權值矩陣W(i, j)∈N 來決定。每個像素值I(u+i, v+j)被插入擴展的像素向量中，插入次數為其權值W(i, j)，擴展的像素像向量為：

其中，長度L 為：

對此像素向量進行排序，然后以某個像素為中心，選取3×3 方形領域，按領域內的每個像素灰度值的大小進行排序。中間值y 為：

采用3×3 來防止檢測出假邊緣值因而丟失真實邊緣。通過計算中心像素點和8 個鄰域像素在0°、90°、45°、135°四個方向的梯度后，進行像素灰度梯度G(i, j)的計算：

其中Gx(i, j)為0°(x 方向)的梯度，Gy(i, j)為90°(y 方向)的梯度，G45(i, j) 為45°方向的梯度，G135(i, j) 為135°方向的梯度。

根據梯度值反映出的周圍像素灰度變化情況，通過梯度幅值矩陣計算其平均梯度幅值并分別計算各模板當前像素平均梯度幅值，用平均幅度值代替原有梯度幅度值。

1.2 母豬體重模型建立

經研究[4]，本文通過偏最小二乘回歸分析法對母豬體重進行估測模型構建，分析各成分的累計解釋方差，結果如表1 所示。

由表1 可知，通過PLS 方法的交叉有效性檢驗，回歸模型的R2 為0.945。表明母豬的體尺在解釋母豬體重時起到了重要的作用。通過PLS 做母豬體重y 在前4 成分的線性回歸得到母豬體重估測模型為：

式中x1 為胸圍，x2 為腱圍，x3 為體長，x4 為體寬，x5 為體高，x6 為臀寬，x7 為臀高，y 為體重。

2 試驗結果與分析討論

2.1 試驗材料

選用山西運城某豬場60 頭處于生長不同階段的長白母豬作為試驗對象，利用4 臺高清廣角攝像機對母豬進行實時圖像采集，通過局域網在電腦上顯示采集圖像并進行相應處理。

2.2 誤差分析

在60 個實驗樣本中，去除一些非標準樣本，從中選取了21 頭母豬作為實驗對象進行驗證。通過體重模型估測母豬體重并繪制誤差曲線如圖1 所示，其平均誤差率為3.2%。

3 結論與討論

本文通過優化PBAS 算法和Canny 邊緣值檢測算法來滿足待測母豬活動量以及豬舍環境的復雜度，降低待測物體邊緣誤檢率使其圖像連續性更好。通過分析各成分與其體重的相關性建立母豬體重估測模型完成對母豬體重數據的獲取。

本文從計算機視覺角度對母豬體重數據進行非接觸測試獲取。通過誤差分析表明，估測的體重數據相對誤差在3.2%以內，該結果可以達到較好的精確度。利用計算機視覺技術，獲取母豬圖像數據進而進行圖像分析，能更方便、準確的測量出母豬的體態參數，通過參數分析預估其生長發展趨勢，建立生長模型，從而更加有效的改善母豬生長環境積極的預防母豬生長疾病。