基于機器視覺的育肥豬分群系統設計與試驗

張建龍，莊晏榕，周 康，滕光輝

基于機器視覺的育肥豬分群系統設計與試驗

張建龍，莊晏榕，周 康，滕光輝※

（1.中國農業大學水利與土木工程學院，北京 100083；2. 中國農業大學農業農村部設施農業工程重點實驗室，北京 100083）

為控制育肥豬出欄時的體質量差異，該研究開發了一套基于機器視覺技術的育肥豬分群系統，該系統通過機器視覺技術和卷積神經網絡模型代替傳統地磅對豬只體質量進行估測，可有效避免糞污對設備精度的影響及腐蝕；以前一天全部豬只體質量數據從小到大排列的第30%個數據作為當日的分群基準質量，將大于等于基準質量的視為長勢較快的豬只，小于基準質量的視為長勢較慢的豬只，每次采食按照豬只長勢快慢分為2群進行飼喂；該系統依托于LabVIEW軟件開發平臺和物聯網系統構建，平均每頭豬只通過系統時間為6.2 s。為驗證該系統的實際應用效果開展了為期30 d的現場試驗，將飼喂于裝有分群系統豬欄中的120頭長白育肥豬作為試驗組，由分群系統按豬只長勢快慢分群飼喂；將飼喂于傳統豬欄中的120頭長白育肥豬作為對照組，按照傳統人工調欄的方式進行飼喂。試驗開始時試驗組和對照組豬只平均體質量分別為32.21、31.76 kg，標準差分為別2.61和2.49 kg；結束時試驗組和對照組豬只平均體質量分別為57.68、57.41 kg，標準差分為別5.26和5.51 kg，總料肉比分別為2.31和2.34，期間試驗組豬只體質量的標準差小于對照組，但是2組豬只平均體質量、標準差、總料肉比均不存在顯著差異，表明采用該系統對豬只進行分群飼喂控制豬只體質量差異效果等同于人工調欄，同時可以節省人力成本，緩解農業勞動力短缺的壓力。該研究也可為母豬飼喂站、種豬測定站等智能化養豬設備的研發提供參考。

機器視覺；動物；育肥豬；LabVIEW；分群系統

0 引 言

目前，在規模化育肥豬飼養過程中，為了提高出欄的體質量達標率并解決豬群等級秩序引發的相關問題，由飼養員定期對豬群進行人工調整與分欄，為長勢較慢的豬只提供適宜的采食環境，從而加快其生長速度，減小出欄時豬只之間的體質量差異。然而，人工調整與分欄的過程勞動強度較大，對豬只也會產生一定的應激反應。此外，重新建立的豬群等級的過程會再次引發等級秩序問題[10-11]，影響生產效益的同時也違背了動物福利的要求[12-13]。因此，規模化育肥豬養殖生產過程中迫切需要智能、自動分群系統對豬群在采食過程中進行及時的分群、并群管理，是采用全進全出飼養工藝提高出欄體質量達標率的重要保證。

隨著數字化、自動化、智能化技術在農業領域的發展與應用，國內外許多公司和科研人員已經開始研發育肥豬分群管理設備。荷蘭睿保樂公司（Nadaq）研發了育肥豬分欄管理系統，該系統采用地磅獲取育肥豬只體質量，可以幫助豬場管理者關注到每頭豬的生長狀況。德國大荷蘭人公司（Big Dutchman）生產的TriSortpro分群系統采用射頻識別技術（Radio Frequency Identification, RFID）技術對豬只身份進行識別，同樣以地磅獲取的豬只體質量作為分群的依據，可以管理200～400頭育肥豬。飼養過程中可以標出過肥或過瘦的豬只，并給達到出欄標準的豬只噴涂顏色后進行自動分離，有效地降低了勞動強度。段棟梁等[14]開發了一款將測量豬只體質量與識別技術相結合的育肥豬智能分群系統。該系統通過光電傳感器檢測豬只進出，采用地秤和RFID閱讀器來獲取豬只體質量及身份數據，并以此為依據分配不同的通道進行分群。強志銳[15]研發設計的育肥豬分群飼喂系統與段棟梁等的智能分群系統工作原理相同，但是可以將豬群按照體質量分為3類。曲申生等[16]設計了一種生豬分群智能飼喂設備，該設備配備有智能豬只體質量獲取設備、智能飲水計量設備和智能喂料設備，可以記錄豬只采食量、飲水量及體質量數據。

從以上研究來看，現有分群設備大多通過地磅獲取豬只體質量數據，然而，地磅的使用壽命與測量精度較易受到糞污的影響，且缺乏對豬群整齊度影響的研究。因此，國內外學者展開了基于機器視覺技術的豬只體質量預估研究，預估的流程是通過獲取豬只圖像后，從圖像中提取豬只體尺、背部面積等信息，并以此作為參數建立豬只體質量估測模型[17-25]，也有研究采用橢圓擬合的方式探索豬只體質量與橢圓參數之間的關系[26]。針對以上問題，本研究開發了一套基于機器視覺技術的育肥豬分群系統，系統中采用卷積神經網絡以端到端的方式估測豬只體質量，以前一天全部體質量數據從小到大排列后的第30%個數作為當日的分群基準質量并在商業豬場開展試驗，以期在控制育肥豬體質量差異的同時減小飼養員的勞動強度，避免調欄過程中引起豬只的應激，為提高規模化養殖場的自動化水平提供參考。

1 分群系統設計及工作原理

1.1 分群系統結構設計及運行過程

在本研究中設計的分群系統結構圖和結構簡圖分別如圖1a、1b所示，系統窄的一端為入口，寬的一端為出口，出口處有2個通道，綜合考慮育肥豬體長、體寬參數后將系統兩道氣動門之間的長度、通道寬度分別設計為1 500、500 mm。該系統采用多個光電傳感器檢測豬只在系統中的位置，使用2D相機獲取豬只背部圖像，通過分選門和氣動門a、b配合引導豬只按照長勢快慢分別進入FP、SP兩個不同的采食區域，控制系統布置于豬舍外以防止舍內粉塵、高濕環境及有害氣體的腐蝕。

下面結合圖1c，以長勢較慢的豬只通過分群系統為例進一步說明該系統運行過程：默認狀態下，位于入口處的氣動門a打開，氣動門b關閉；每當有豬進入系統時，安裝在入口處的光電傳感器a會被觸發，氣動門a關閉。光電傳感器和2個氣動門的設置可以保證系統每次僅允許通過一頭豬。當豬只運動到攝像頭正下方，安裝在相機下方稍微向前的光電傳感器b會被觸發，此時系統控制相機獲取豬只背部圖像，同時根據圖像對豬只體質量進行估測并存入數據庫，隨后將估測結果和分群基準質量對比判斷豬只長勢快慢；長勢判斷完畢后，分選門動作開啟通往SP采食區的通道，氣動門b開啟，使豬只可以通過通道進入到SP采食區域進行采食；當豬只離開分群系統后，會觸發光電傳感器c，隨后系統返回其默認狀態，氣動門a打開，氣動門b關閉，等待下一頭豬進入。同理，長勢較快的豬只通過分群系統后進入到FP采食區域。

1.氣動門a 2.光電傳感器a 3.相機 4.光電傳感器b 5.氣動門b 6.光電傳感器c 7.分選門 8.單向門 9.光電傳感器d

1.2 分群系統控制方案

該分群系統基于LabVIEW軟件開發平臺和物聯網開發，LabVIEW中的機器視覺模塊可以很方便地被調用，從而使分群系統控制變得高效便捷，同時可以實現遠程控制，其控制方案如圖2所示。

系統中由以太網采集模塊阿爾泰DAM-E3024采集光電傳感器信號并控制氣動門動作，該模塊具有6路隔離數字量輸入和6路繼電器輸出；使用像素分辨率為1294×964的Basler acA-1300-30gc工業相機獲取豬只背部圖像；采用MySQL數據庫為數據存儲數據庫，同時采用LabVIEW Database Connectivity Toolkit和開放數據庫互聯（Open Database Connectivity, ODBC）進行數據庫的操作；所有的數據均通過以太網交換機傳輸至服務器中進行處理，同時將服務器的指令傳輸至執行模塊完成分群過程。

1.5統計學方法將本次研究的所有臨床細菌的合格數均做好記錄,并建立數據庫,對細菌的合格率進行分析統計。采用SPSS17.0統計學軟件進行統計處理。計數資料以率(%)表示,實施χ2檢驗。P<0.05表示差異有統計學意義。

圖2 控制系統示意圖

1.3 基于機器視覺技術的豬只體質量估測原理

由于舍內糞污和高濕環境會對地磅造成腐蝕，且現有豬只體質量估測技術難以實現實時運行，而卷積神經網絡具有可以擬合任何輸入輸出間關系的強大能力，同時其處理速度非常快。在分群系統工作過程中，為保證豬只通行效率，對豬只體質量獲取速度要求高，因此該系統中采用卷積神經網絡模型以分類的方式對豬只體質量進行估測。

該研究中使用的卷積神經網絡模型可對25～102 kg范圍內的豬只體質量進行估測，其輸入為200×100像素大小的豬只背部圖像，包含78路輸出，每路輸出估測范圍為1 kg，分別對應著25～26 kg，…，>101～102 kg范圍內的豬只體質量。該神經網絡包含4個卷積層、4個池化層和3個全連接層：前2個卷積層的卷積核大小為5×5，后2個卷積層的卷積核大小為3×3；池化層均采用最大池化，池化核和步長均為2；前2個全連接層均包含4096個通道，第3層包含78個通道，執行78個豬只體質量類別的輸出。除輸出層采用了softmax函數外，為增加模型的非線性性，其他卷積層和全連接層均使用ReLU函數。為防止過擬合，3個全連接層均添加了權重衰減懲罰項，該項系數為0.1；并且前2個全連接層使用了dropout正則化（dropout率為0.3）。

該研究開始前，共獲取了150頭25～102 kg范圍內長白育肥豬的44 600組豬只背部圖像與豬只體質量數據，隨機選用其中75頭豬的23 100組數據訓練和測試了模型的估測效果，模型訓練的過程中使用自適應矩估計（Adam）優化器優化稀疏softmax交叉熵函數，訓練時學習率設為0.001，每次訓練的批次大小為64；使用另外75頭豬的21 500組數據考察了模型的泛化能力，結果表明，該模型估測準確率為93%，平均每張圖像估測時間0.16 s，可以應用于分群系統對處理速度要求嚴格的場合。模型特征圖可視化的結果表明豬只輪廓區域被激活，并且過濾掉了背景，進一步證明模型是根據豬只輪廓大小和形狀對豬只體質量進行估測。育肥豬分群試驗中，所選豬只品種相同，體型一致，并且由于相機高度固定，即使遇到體長相近，體高較大的豬只，該豬只的背部圖像中的輪廓面積也會較大，從而獲得較大的估測結果，降低估測差，因此本文中使用的2D相機也可以取得良好的估測效果。

該研究中，由于工業相機獲取的原始圖像為1 294×964像素，在輸入神經網絡前，需要將原始圖像處理200×100像素大小。具體過程為：先在原始圖像中以1 200×600大小截取豬只區域，而后處理為200×100像素大小的圖像作為模型輸入對豬只體質量進行估測，該過程如圖3所示。

圖3 豬只體質量估測原理

1.4 育肥豬分群機理

如前文所述，分群系統對每頭豬每次進行體質量估測后，會將估測的結果存入數據庫。每天的零點，分群系統會自動查閱數據庫中整個豬群前一天的全部豬只體質量數據，將這些數據從小到大排列后，以取整后的第30%個數為分群中值，也就是當日的分群基準質量，其計算方法如公式（1）和（2）

=(i)（1）

=[×30%]（2）

式中為前一天總數據個數，為取整后的第30%個數，(i)為從小到大排列后的體質量數據，為分群基準質量。將大于等于分群基準質量的視為長勢較快的豬只，小于分群基準質量的視為長勢較慢的豬只。分群流程如圖4所示。

圖4 分群系統工作流程圖

1.5 分群系統工作原理

如圖5所示，裝有分群系統的豬舍被劃分為躺臥區、FP采食區以及SP采食區，3個區域通過分群系統和單向門相連。躺臥區域配備有玩具球供豬只玩耍，用以避免大群飼養中豬只的打斗，同時提高動物福利。單向門的設置可以保證豬只每次采食時必須先通過分群系統，由分群系統對其進行體質量估測和長勢進行判定后進入相應的采食區域。采食結束后，豬只經過單向門進入躺臥區域飲水、躺臥或玩耍。這樣就可以給長勢較慢的豬只創造一個相對緩和的采食環境，減少采食過程中長勢較快的豬只對長勢較慢的攻擊，同時可以給長勢較慢的豬只增強營養，從而提高育肥豬出欄時的整齊度，減小其體質量差異。

圖5 分群系統工作原理

1.6 人機界面設計

育肥豬分群系統的控制程序和人機界面采用LabVIEW V18.0進行編寫，圖像處理及豬只體質量估測模塊由LabVIEW中自帶的python節點導入。最終設計的人機界面如圖6所示，系統右側用于顯示豬只在系統中所處的位置，同時可以手動控制氣動門和分選門的動作；系統中部用于顯示獲取的豬只背部圖像；系統左側顯示豬只體質量預估結果以及與分群基準質量對比后豬只長勢快慢的判斷結果。

圖6 分群系統人機界面

2 現場試驗驗證

試驗場地：2019年2月于山東榮昌育種有限公司一棟生長育肥豬舍搭建了分群系統，該舍長、寬、高分別為50、8.7、5.4 m，被劃分為12欄，每欄長×寬為7.5 m×3.95 m，豬欄高0.9 m，每欄可容納育肥豬30頭，整棟豬舍可容納360頭。試驗選取其中連續的4欄合并后搭建了育肥豬分群系統作為試驗組，從剩余豬欄中選取了連續4欄按照原有方式飼喂作為對照組，改造后的現場照片及試驗組對照組設置情況如圖7所示。

試驗對象：本試驗以240頭長白育肥豬為研究對象，隨機選取其中120頭飼喂于改造后裝有分群系統的試驗組，剩余120頭按照原有生產方式飼養在對照組。試驗開始時豬只日齡為70～75 d，試驗過程中所有豬只遵循公司免疫程序，分別于80、100日齡接種了偽狂犬、手足口病疫苗。

圖7 改造后的豬舍結構

試驗過程：分群設備搭建好后，對豬舍進行了為期一周的消毒空置，其后于2019年3月1日—2019年3月30日開展了試驗。試驗組豬只試驗前5天為訓練適應期，此階段分群系統不工作，各個氣動門開啟，由飼養員引導豬只通過分群系統進入采食區域進行采食。訓練適應期過后分群系統工作，豬只每次采食時先由分群系統進行體質量估測，隨后與當日的分群基準質量對比判斷該豬只長勢快慢而后豬只進入相應采食區域采食，整個豬群被分2群。對照組豬只采用傳統飼養方式，每周由飼養員進入到豬舍進行調欄，使得每欄中的豬只長勢趨于一致，試驗期間共調欄4次。

試驗過程中采用人工投喂的方式對兩組豬只進行飼喂，所投喂的飼料均為本公司產的袋裝飼料，每袋40 kg，2組豬只均采用不限飼的飼喂方式，每天投喂3次，時間分別為7:00、11:00和15:30，每天早上飼喂時都須將前一天的剩余飼料清除，每次投喂時均記錄2組豬只每天的飼料消耗量。試驗期間豬舍的平均溫度為25.2 ℃（范圍：22.3～27.3 ℃），相對濕度為39%～57%（平均值：47%）。

試驗過程中獲取了試驗組豬只每天的豬只體質量數據，并于試驗開始時、第10天、第20天以及結束時，測量并記錄了對照組每頭豬只的體質量數據，同時按公式（3）計算2組豬只總體料肉比（Feed Conversion Ratio, FCR）：

3 結果與分析

本研究以豬只體質量為主要考察指標，以體質量均值（Mean Weight，MW）和標準差（Standard Deviation, SD）為豬群生長狀況和體質量差異大小的判別標準，試驗開始和結束時試驗組、對照組豬只體質量數據、料肉比如表1所示，可以看出：試驗開始時，試驗組豬只平均體質量高于對照組0.45 kg，對2組豬只體質量數據做方差齊性檢驗，=1.095<0.05(119,119)=1.35，>0.05，表明試驗開始時2組豬只體質量的標準差無顯著差異。隨后對試驗開始時2組豬只體質量的均值做檢驗分析，結果=1.38<0.05(119)=1.97，>0.05，表明試驗開始時2組豬只體質量不存在顯著的差異。試驗結束時，試驗組豬只平均體質量比對照組高0.27 kg，同樣對2組豬只體質量數據做方差齊性檢驗，=1.098<0.05(119,119)=1.35，>0.05，表明試驗結束時2組豬只體質量的標準差無顯著差異。隨后對試驗結束時2組豬只體質量的均值做檢驗分析，結果=0.37<0.05(119)=1.97，>0.05，表明試驗結束時2組豬只體質量也不存在顯著的差異。試驗期間，試驗組豬只平均體質量增加25.47 kg，較對照組低0.18 kg，差異不顯著；試驗組豬只總體料肉比為2.31，低于對照組，但差異不顯著。

表1 兩組豬只生長狀況對比

注：同列不同字母表示差異顯著（0.05）。

Note: The different letter in same column indicated that the difference between two groups was significant (0.05).

試驗期間系統每天的分群基準質量變化以及2組豬只體質量標準差變化如圖8所示。試驗過程中分群基準質量隨著豬只生長呈直線上升的趨勢，由于分群基準質量的選取為前一天全部數據從小到大排列后取整的第30%個數，因此每天被確定為長勢較慢豬只的數量基本不變。2組豬只的體質量標準差均呈上升趨勢，試驗剛開始時，由于試驗組豬只在適應階段，分群系統未工作，因此試驗組豬只體質量的標準差增長速度較對照組豬只快。分群系統開始工作后，試驗組豬只標準差增長速度逐漸減小，到試驗結束時試驗組豬只標準差已經小于對照組，但差異不顯著。

試驗結束時2組豬只體質量分布情況如圖9所示：在體質量范圍>55～60、>60～65、>65～70 kg內的豬只數量幾乎相同，但是在45～50 kg范圍內，試驗組豬只數量少于對照組。

圖8 分群基準質量及豬只體質量標準差變化

注：兩組豬只體質量總體分布不存在顯著差異（P>0.05）。

在試驗期間，試驗組豬只體質量標準差增長趨勢小于對照組且在結束時長勢較慢豬只的數量少于對照組的原因可能是在對照組中，為使每欄豬只體質量趨于一致，由飼養員每周進入豬欄調欄，將每欄中長勢較差豬只挑出后重新歸為新的一欄飼養，試驗期間共進行了4次調欄。每次調欄時飼養員進入豬欄對豬只進行追捕，給豬只帶來不少應激，甚至導致豬只采食量下降，勞動強度也大。調欄后豬群需要重新確立等級關系，此過程中打斗現象嚴重，等級關系確立后豬只往往皮膚損傷嚴重，也影響到了豬只增重。而試驗組的豬只群體一旦確定后則不再變化，無需重新確立等級關系，通過分群系統進行分群免去了飼養員給豬只造成的應激。此外，由于試驗組布置有玩具球，也大大減少了試驗過程中的打斗次數。

由以上結果可以得出，試驗組和對照組豬只在試驗開始和結束時體質量的標準差、均值均不存在顯著差異，總體料肉比也近乎一致，且試驗組中長勢較慢豬只的數量少于對照組，說明基于機器視覺技術的育肥豬分群系統可以同人工調欄一樣控制豬只體質量差異，并能代替飼養員完成育肥豬調欄過程，減小飼養員勞動強度，進而避免了調欄過程中給豬只帶來的應激。本研究中開發的分群系統處理速度快，響應時間短，豬只通過系統的時間主要取決于豬只行走速度，豬只平均通過時間為6.2 s。

4 結 論

本文針對基于機器視覺技術的育肥豬分群系統進行了設計并開展了現場試驗，得出以下結論：

1）基于LabVIEW開發平臺和機器視覺技術開發了育肥豬分群系統，該系統中通過卷積神經網絡對豬只體質量進行估測，以整個豬群前一天的全部豬只體質量數據從小到大排列后取整的第30%個數為分群基準質量，于每次采食前對豬只按照長勢快慢進行分群，豬只平均通過系統時間為6.2 s。

2）在商業豬場開展現場試驗對分群系統的效果進行了驗證，以240頭長白育肥豬為研究對象，隨機挑選120頭飼養于改造后裝有分群系統的試驗組，剩余120頭作為對照組飼養于傳統飼喂方式的豬欄中。試驗剛開始時兩組豬只的長勢一致，試驗初期由于試驗組豬只處于適應階段，分群系統未開啟，其體質量標準差增長速度較對照組快，分群系統工作后其標準差增長速度較對照組慢。試驗結束時，試驗組豬只體質量均值為57.68 kg，大于對照組的57.41 kg，標準差為5.26 kg，小于對照組的5.51 kg，長勢較慢豬只的數量也少于對照組，但均不存在顯著差異，表明采用基于機器視覺技術的育肥豬分群系統對豬只進行分群飼喂可以在代替人工調欄的同時控制豬只體質量差異。

下一步的研究中可以結合液飼系統，同時給長勢較慢的豬只單獨添加營養，考察其是否可以提高育肥豬出欄時體質量的達標率。同時也可以增加每臺分群系統所管理的豬只的數量，提高設備的利用率。

[1]朱佳，于濱銅，張熙，等. 非洲豬瘟對豬肉消費行為的影響研究：基于遼寧省沈陽市459份消費者問卷調查[J]. 中國食物與營養，2019，25(5)：37-41.

Zhu Jia, Yu Bintong, Zhang Xi, et al. The influence of african swine fever on pork consumption behavior: Based on 459 consumer questionnaires in Shenyang city of Liaoning province[J]. Food and Nutrition in China, 2019, 25(5): 37-41. (in Chinese with English abstract)

[2]國家統計局. 中華人民共和國2019年國民經濟和社會發展統計公報[EB/OL]. [2020-02-28]. http://www.stats.gov.cn/ tjsj/zxfb/202002/t20200228_1728913.html.

[3]國務院辦公廳. 國務院辦公廳關于穩定生豬生產促進轉型升級的意見[EB/OL]. 2019-09-06[2019-09-10]. http://www.gov.cn/zhengce/content/2019-09/10/content_5428819.htm?_zbs_baidu_bk.

[4]Hwang Hyun Su, Lee Jae Kang, Eom Tae Kyung, et al. Behavioral characteristics of weaned piglets mixed in different groups[J]. Asian Australasian Journal of Animal Sciences, 2015, 29(7): 1060-1064.

[5]Tan Shenton S L, Shackleton David M. Effects of mixing unfamiliar individuals and of azaperone on the social behaviour of finishing pigs[J]. Applied Animal Behaviour Science, 1990, 26(1/2): 157-168.

[6]Coutellier Laurence, Arnould Cécile, Boissy Alain, et al. Pig's responses to repeated social regrouping and relocation during the growing-finishing period[J]. Applied Animal Behaviour Science, 2007, 105(1/3): 102-114.

[7]惠雪，施正香，李保明. 福利化養豬生產工藝與技術裝備[J]. 豬業科學，2016，33(8)：43-46.

Hui Xue, Shi Zhengxiang, Li Baoming. Welfare pig production technology and technical equipment[J]. Swine Industry Science, 2016, 33(8): 43-46. (in Chinese with English abstract)

[8]彭利英. 淺談“全進全出”的現代化養豬工藝[J]. 獸醫導刊，2014(S1)：65-66.

Peng Liying. Talking about the “all-in, all-out” modern pig raising technology[J]. Veterinary Orientation, 2014(S1): 65-66. (in Chinese with English abstract)

[9]Evans Anabel. Variability in growers a great expense[J]. Pig Progress, 2002, 18(5): 29-32.

[10]Stookey J M, Gonyou H W. The effect of regrouping on behavioral and production parameters in finishing swine[J]. Journal of Animal Science, 1994, 72(11): 2804-2811.

[11]Fels Michaela, Hartung J Rg, Hoy Steffen. Social hierarchy formation in piglets mixed in different group compositions after weaning[J]. Applied Animal Behaviour Science, 2014, 152: 17-22.

[12]Melotti Luca, Oostindjer Marije, Bolhuis J. Elizabeth, et al. Coping personality type and environmental enrichment affect aggression at weaning in pigs[J]. Applied Animal Behaviour Science, 2011, 133(3/4): 144-153.

[13]Li Y Z, Johnston L J. Behavior and performance of pigs previously housed in large groups[J]. Journal of Animal Science, 2009, 87(4): 1472-1478.

[14]段棟梁，申浩，王樹華，等. 育肥豬智能分群系統：2016 20972589.6[P]. 2017-04-05.

[15]強志銳. 一種育肥豬智能化飼喂系統：2016 10315627.5[P]. 2017-11-24.

[16]曲申生，張杰，付海東，等. 一種生豬分群智能飼喂設備：2019 20462993.2[P]. 2019-12-31.

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

[18]Minagawa H. Determining the weight of pigs with image analysis[J]. Transactions of the ASAE, 1994, 37(3): 1011-1015.

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

[20]Shi Chen, Teng Guanghui, Li Zhuo. An approach of pig weight estimation using binocular stereo system based on LabVIEW[J]. Computers & Electronics in Agriculture, 2016, 129: 37-43.

[21]Wang Yongsheng, Yang Wade, Winter Phil, et al. Non-contact sensing of hog weights by machine vision[J]. 2006, 22(1): 577-582.

[22]付為森. 基于雙目視覺的豬體尺檢測與體重預估方法研究[D]. 北京：中國農業大學，2011.

Fu Weisen. Study of Pig’s Body Dimensions Detection and Weight Estimation Based on Binocular Stereovision[D]. Beijing: China Agricultural University, 2011. (in Chinese with English abstract)

[23]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)

[24]劉同海. 基于雙目視覺的豬體體尺參數提取算法優化及三維重構[D]. 北京：中國農業大學，2014.

Liu Tonghai. Study of Pig’S Body Size Parameter Extraction Algorithm Optimization and Three-Dimensional Reconstruction Based on Binocular Stereo Vision[D]. Beijing: China Agricultural University, 2014. (in Chinese with English abstract)

[25]楊艷，滕光輝，李保明. 利用二維數字圖像估算種豬體重[J]. 中國農業大學學報，2006，11(3)：61-64.

Yang Yan, Teng Guanghui, Li Baoming. Determination of pig weight from 2D images[J]. Journal of China Agricultural University, 2006, 11(3): 61-64. (in Chinese with English abstract)

[26]Kashiha M, Bahr C, Ott S, et al. Automatic weight estimation of individual pigs using image analysis[J]. Computers & Electronics in Agriculture, 2014, 107: 38-44.

Design of automatic group sorting system for fattening pigs based on machine vision

Zhang Jianlong, Zhuang Yanrong, Zhou Kang, Teng Guanghui※

(1.,,100083,;2.,,,100083,)

Excessive weight variation among slaughtered fattening pigs has posed a practical challenge on the economic benefits of pig farm in recent years. Therefore, live weight homogeneity of pig batches during fattening has drawn great interest in the pig industry. In this study, an automatic sorting system was developed for the growing and fattening pigs, using the machine vision technology and Convolutional Neural Network (CNN) framework, in order to reduce the weight variation among pigs, and further to save labor in the subsequent process. A CNN model in the system was used to estimate the weight of pigs, instead of ground scale. This arrangement can effectively avoid the influence of manure on the surface corrosion and the accuracy of facilities. The back images (200×100 pixels) of pigs served as the input data in the model, thereby to estimate the weight of pigs ranging from 25 to 102 kg with the accuracy of 93%, and the average estimated time of 0.16 s. In view of changing every day, the standard value of sorting was set as the 30th percentile of pigs weight from the previous day in an ascending order. The pigs that heavier than the baseline were considered as the fast-growing pigs (FP), otherwise, they were supposed as the slow-growing pigs (SP). The modelling system was performed on the LabVIEW software development platform and internet of things, where the average time for each pig to pass through the system was 6.2 s. Field experiments were carried out to verify the application effect of the system at a commercial pig farm in Shandong province in March, 2019. The experimental pig house was divided into 12 pens, four of which were merged and installed with the sorting system. The experimental pen (EP) consisted of the feeding area for FP, feeding area for SP, and lying area. The pigs fed in EP were treated as the experimental group. Specifically, the pigs first passed through the sorting system before feeding, and then entered the corresponding feeding area after being marked as SP or FP. Therefore, two groups each time, including SP and FP, were categorized after the pigs were fed. The pigs in other four unmodified pens were regarded as the control group, in which the pigs were fed and sorted by traditionally manual method. At the beginning of the experiment, the initial average weights of the pigs in the experimental and control group were 32.21 and 31.76 kg, with the values of standard deviation (SD) of 2.61 and 2.49 kg, respectively. At the end of experiment, the average weights of the pigs in the experimental and control group were 57.68 and 57.41 kg, where the values of SD were 5.26 and 5.51 kg, and the total feed-to-meat ratios were 2.31 and 2.34 kg, respectively. The number of pigs in the weight range of 45-50 kg in the experimental group was less than that of control group. There was no significant difference in the average weight, SD, and total feed-to-meat ratio between the two groups during the experiment. In the early stage of the experiment, the weight variance of the experimental group increased faster than that of the control group, for the reason that the grouping system was not activated, and then the change was slower than that of the control group. The results indicated that the proposed system can be equivalent to the manual adjustment for the group feeding of pigs, while, the sorting system can be used for group feeding to save labor. The findings can also provide a sound theoretical reference for the development of intelligent pig feeding equipment, such as sow feeding and breeding station in the pig industry.

machine vision; animals; growing-finishing pigs; LabVIEW; sorting system

張建龍，莊晏榕，周康，等. 基于機器視覺的育肥豬分群系統設計與試驗[J]. 農業工程學報，2020，36(17)：174-181.doi：10.11975/j.issn.1002-6819.2020.17.021 http://www.tcsae.org

Zhang Jianlong, Zhuang Yanrong, Zhou Kang, et al. Design of automatic group sorting system for fattening pigs based on machine vision[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(17): 174-181. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.17.021 http://www.tcsae.org

2020-05-18

2020-06-28

國家重點研發計劃（2016YFD0700204）

張建龍，博士生，主要從事設施養殖過程控制研究。Email：zhangjianlong@cau.edu.cn

滕光輝，教授，博士生導師，主要從事設施環境監測與信息技術應用研究。Email：futong@cau.edu.cn

10.11975/j.issn.1002-6819.2020.17.021

S818

A

1002-6819(2020)-17-0174-08