基于信息融合的豬只檢測研究

孫 娟，吳洪昊

(江蘇聯合職業技術學院鹽城生物工程分院，江蘇 鹽城 224051)

0 引言

農業信息化是整個農業發展的趨勢，每頭豬的信息從出生到死亡的每一件事都記錄在與他對應的唯一號碼上，相當于身份證一樣。那么對豬運動信息的跟蹤也就顯得尤為重要。豬是一種社會性動物，通過打架來確定社會地位。由于豬只運動的復雜性，普通的車輛跟蹤算法無法對多豬只進行軌跡跟蹤。本文利用圖像信息融合算法實現了豬只的精確檢測，解決了豬只重疊等問題。

1 基于信息融合的豬只檢測算法

1.1 改進的檢測算法

本文提出了一種將高斯混合建模和Mean shift 分割算法相結合的方法，巧妙地解決了目標檢測問題。具體步驟如下：

1.1.1 設定初始幀僅包含背景不含目標，用來防止豬的靜止或緩慢運動的情況，如果相鄰兩幀視頻的差分結果為0，我們讓當前幀視頻與初始幀視頻作差分提取結果，設定檢測閾值，當檢測結果太小時，視為背景噪聲如豬的糞便、光照的變化等等。

1.1.2 將GMM 算法和Mean shift 分割算法的結果進行二值化，分別記為FG(i)、FM(i)，其中i 為視頻幀序號，并對結果進行二值化。

1.1.3 在均值分割算法結果FM(i)中，利用兩遍掃描法，檢測并掃描白色像素點的位置，并記錄像素個數為M(j)，其中j 為區域的序號。

1.1.4 統計GMM 算法處理結果中像素個數，碰到低于閾值的情況，令FG(i)= FG(i-1)；

1.1.5 在FM(i) 區域找出相應FG(i) 區域內的白素像素點個數， 記為G(j)，令μ=G(j)/ M(j)，設置閾值μ*，當μ＞μ*時，為有效區域，否則為黑色，本文中μ*=0.35，該值為實驗判斷值。

1.2 實驗與結果

高斯混合建模檢測結果顯示，豬的部分形狀存在缺失現象，原因是豬存在運動緩慢或者靜止現象。

均值分割算法的結果檢測精確度不高。經過信息融合的結果。可以看出經過改進，起到很好的目標檢測效果，改進的算法具備很好的檢測效果。

2 結語

隨著農業信息化的不斷發展，智能化養殖是養殖產業轉型升級的推進器，本研究主要針對豬的運動軌跡跟蹤展開豬的運動檢測，在分析傳統檢測算法的前提下，結合豬舍實際的背景環境，提出GMM 和Mean shift 相結合的算法，通過兩邊掃描法成功提取豬目標，并進行了實驗對比，驗證了算法的可行性。

本研究可應用于豬只智能養殖系統，推動產業的轉型升級。鑒于當前豬只養殖的自動化程度還不高，數據模型不完善，特別是在對豬的病情診斷方面，仍然需要人工來完成。下一步將利用卷積神經網絡技術學習不同病情豬叫聲的樣本數據，形成訓練模型，從而可對豬的病情進行判斷。