基于機器視覺的奶牛發情行為視頻監測算法研究

蔡兆暉，林學杰

（廈門大學嘉庚學院，福建 漳州 363100）

在奶牛養殖過程中，對奶牛發情行為進行監測，可以幫助養殖戶準確地判斷奶牛的排卵時間，從而確定配種適期，及時進行配種或人工授精，達到提高受胎率的目的，并且可以幫助縮短胎間期，增加奶牛產奶量。此外，通過對奶牛發情行為進行監測，養殖戶還可以判斷奶牛的發情行為是否正常，從而有效地進行疫病監控與預防。

在規模化農場，由于用工成本上升和監控要求提升，對奶牛各種生理狀態的監控已經不能完全依賴傳統的人工監測了，因此發展基于現代信息技術的自動監測技術，從而提高奶牛養殖的精準化和智能化程度是十分必要的。

本文借助機器視覺技術，從動態的監控圖像入手，通過背景過濾、圖像增強、奶牛個體自動識別及奶牛爬跨行為自動監測等算法的設計，創立了基于視頻圖像動態識別的奶牛發情行為視頻監測算法體系，從而在不增加過多額外設施和傳感器的基礎上，幫助養殖戶實現對奶牛發情行為的有效自動監測。

1 奶牛發情自動監測概述

隨著現代畜牧養殖業的發展，傳統的以人工經驗進行奶牛發情監測已經無法滿足集約式、規模化養殖模式的要求，因此引入信息技術對奶牛進行精細化、科學化的管理與監測是未來畜牧業智能化發展的必然趨勢。對奶牛發情體征進行監測的方法和手段主要分為以下3類：

1.1 傳感器監測

以電子傳感器監測、采集和記錄奶牛的發情體征，從而準確地判斷奶牛的發情時間，這是監測奶牛發情行為的重要手段。傳統的傳感器主要包括植入式傳感器和穿戴式傳感器2種。

植入式傳感器主要為植入式陰道傳感器，其原理是通過在奶牛陰道中植入包含溫度采集和無線電接收設備的棒狀無線遙測系統，對奶牛的陰道狀況進行實時數據采集，并分析確定發情狀態。此外，一些植入式傳感器還會增加振動傳感器等輔助模塊，實時監測奶牛運動量，從而提高奶牛發情行為的判斷準確率。

穿戴式傳感器主要以振動、姿態、溫度和壓力傳感器的有機組合為主，主要原理是通過采集奶牛的體溫、運動量、靜臥時間、爬跨接觸及強弱運動比例等數據，通過綜合分析來判斷奶牛是否發情。

1.2 視頻圖像監測

視頻圖像監測是在奶牛養殖場所安裝以俯視、頂視為主的監控攝像頭，通過圖像識別算法對奶牛的運動量和行為進行分析，從而判斷其是否發情。在現有的研究中，大部分視頻圖像識別算法受限于養殖場所的光線和牛群之間的重疊遮擋等因素，無法以純圖像識別的方式達到較佳的效果，因此通常情況下視頻圖像監測會通過一些輔助手段來提高檢測準確率。例如攝像頭可以觀察到當發情奶牛發生爬跨行為時，由于接觸和運動帶來的顏色形狀改變，從而判斷奶牛是否發情。

1.3 聲音信號監測

聲音信號監測是通過對奶牛的聲音信號進行觀測，分析奶牛發情狀態下的聲音信號特征，以聲音信號的持續時間、強度和共振峰特征參數對奶牛發情時的聲音特征進行標識，從而實現對奶牛發情行為的自動監測。

1.4 小結

目前，針對奶牛發情行為的自動監測手段中，傳感器手段一來成本較高，二來由于奶牛表皮毛發較濃密，難以固定各類穿戴式傳感器。而陰道植入式傳感器又存在感染風險、能耗較高及舒適感較差等問題未被養殖戶廣泛使用。聲音信號監測由于受養殖場所噪音、不同牛叫聲重疊等因素干擾，準確率較低，可靠性較差，無法達到實際應用的要求。

因此，筆者認為在未來奶牛養殖的自動監測方案中，借助目前規模化養殖場已有的監控設備，輔以科學有效的監控圖像檢測算法進行奶牛發情行為檢測，是一種在成本、可行性及準確率上都能夠達成最優的有效方法。由此，本文借助工業界較為成熟的機器視覺算法，將其引入到奶牛養殖業中進行奶牛發情行為的自動檢測，從而實現一套智能化的奶牛發情行為監測機制。

2 基于機器視覺的奶牛監控視頻背景去噪

在奶牛監控圖像中，由于養殖場所的背景環境復雜及雜光干擾較多，針對復雜背景下的奶牛發情行為檢測需要以有效的背景去噪算法為前提。養殖場所內的奶牛通常行動較慢，表面因為有毛皮覆蓋反光較弱，并且發情行為發生時的奶牛必然處在不斷運動之中，基于這些特點，本文采用灰化背景差分法對奶牛監控視頻進行動態背景去噪。灰化背景差分法首先是將彩色監控圖像由三通道RGB圖像轉化為灰化二值圖像，然后通過直方圖均衡化將圖像進行非線性拉伸，使得監控圖像中的奶牛與背景差異加大，最后以Background Subtraction算法進行動態前后幀對比，并去除一定閾值內的相似像素點。

由于牛舍中處于安靜狀態的奶牛不需要進行發情與否的判別，因此本文對傳統的背景差分計算進行了適應性改進，在監控圖像檢測過程中，假設Pt-1(x,y)為t-1時刻奶牛監控視頻中最新圖像的前一幀，Nt(x,y)為t時刻奶牛監控視頻中的最新一幀，對差分運算得到差分圖像Dt(x,y)為：

Dt(x,y)=│Nt(x,y)-Pt-1(c,y)│

在差分結果圖像中，通過逐行掃描，將結果圖像的灰度值與閾值進行比較，僅取結果圖像中大于閾值的部分作為ROI區域，從而濾除背景和噪音的影響。考慮到奶牛體毛反光較差而具有一定的吸光性，并且結合奶牛發情行為一般為夜間的實際情況，本文將背景去噪閾值設定為10，以達到更好的背景過濾效果，結果如圖1所示。

圖1 奶牛監控視頻圖像背景去噪效果對比圖

3 基于機器視覺的奶牛監控視頻圖像增強

由于奶牛養殖環境較為復雜，在夜間、雨天及霧天等因素干擾下，監控圖像往往會出現圖像模糊、偏暗、噪聲及光暈等不良圖像特征，并且由于多數奶牛在夜間發情，因此進行發情行為檢測前必須對圖像進行增強處理，以突出主要視覺特征。

圖像增強作為圖像預處理的一種手段有很多算法，由于本文在圖像增強前已經進行了背景去噪，因此本文使用空間域圖像增強方法，以自適應直方圖均衡算法（AHE,Adaptive Histogram Equalization）對奶牛監控圖像進行圖像增強。AHE是一種用來改善圖像對比度的圖像增強技術，與傳統的直方圖均衡算法不同，AHE算法通過計算圖像每一個顯著區域的直方圖來重新分布圖像的亮度值，因此它更適合于用來改善圖像的局部對比度，以及增強圖像邊緣信息，從而有利于在奶牛監控圖像中加強不同奶牛間的邊緣界線，有利于后續對奶牛待分析區域的圖像切割。

假設待處理奶牛監控圖像為灰度圖像，r表示監控視頻幀的灰度，并有 γ∈［0,L-1］，其中 r=0表示黑色，r=L-1表示白色，直方圖均衡化的過程對應于一個變換T：

S=T(r),0≤r≤L-1

基于該算法的奶牛視頻監控圖像增強效果如圖2所示，對比不同圖像灰度值分布直方圖可以發現，經過直方圖均衡化處理的奶牛監控灰度圖像中，奶牛邊緣與背景的差異得到了增強，圖像整體失真較小，突出了原有圖像的細節特征，使得增強后的圖像更加符合人眼的視覺特征。

圖2 奶牛監控視頻圖像增強效果對比及灰度直方圖(原始圖像-背景去噪-灰化圖像-AHE均衡化圖像)

4 基于機器視覺的奶牛爬跨行為判斷機制

在背景去噪和圖像增強后的奶牛監控視頻圖像上，由于圖像已經去除了噪點，并且加強了奶牛圖像邊緣的細節特征，因此本文使用分水嶺算法對奶牛個體進行圖像切割以辨識不同的奶牛個體，并通過對其外接四邊形的角度變化判斷來確定其是否發生爬跨行為，從而完成對奶牛發情行為的動態監測。

分水嶺算法以奶牛監控圖像中的每個像素點灰度值作為第三維坐標進行三維化，并以此為基礎考慮三類像素點：第一種為局部性最小值點或最小值面；第二種為不在局部最小值上的隨機位置，在該點上當一滴水放在該位置時，在三維空間上該水滴會下落到一個單一的最小值點；第三種為不同最小值點中間的邊緣峰線位置，當水處在該位置時，水會等概率地流向不止一個這樣的最小值點。因此，第二種點的結合稱為分水嶺，而第三種點的集合即為分割線，由此得到圖像的切割結果，如圖3所示。

圖3 奶牛監控圖像個體圖區切割分水嶺算法示意圖

基于分水嶺算法的切割結果，本文以最小外接長方形對分割區域進行擬合，并對該長方形角度進行檢測，當該長方形角度超過一定閾值時，便可以推斷為該區域圖像所表征的奶牛出現了爬跨，如圖4所示。當該行為出現頻率超過數次后，便可以觸發發情行為提示，提示農場養殖人員關注該發情奶牛，及時進行后續處理。

圖4 奶牛監控視頻圖像爬跨行為檢測結果圖（爬跨前-爬跨后）

5 結論

奶牛發情特征的自動采集對于其發情行為的自動檢測有著十分重要的作用，因此借助機器視覺手段，從奶牛的監控動態圖像中進行發情行為判斷是規模化養殖農場可以采用的低成本、可操作性較強的自動檢測方案。

本文借助機器視覺算法對奶牛監控視頻圖像進行背景去噪、圖像增強和自動分割擬合，從而形成了一套有效的奶牛爬跨行為自動判定程序，借助奶牛爬跨行為特征的實時檢測實現高效的自動化奶牛發情行為判定，從而為制定奶牛養殖智能化方案提供科學的輔助依據。