在禽群病死个体检测中的应用机器视觉技术的探讨*

魏长宝，李　平

(黄淮学院信息工程学院，河南驻马店463000)



在禽群病死个体检测中的应用机器视觉技术的探讨*

魏长宝*，李平

(黄淮学院信息工程学院，河南驻马店463000)

摘要:目前的农场中，环境温度、风量、禽蛋、禽粪、食物和水的供给都已完成自动控制，但是对于农场中的死禽，并无达到自动监测和控制的目的，造成农场环境污染。针对上述死禽巡查检测中的各种缺陷，以养鸡场为研究对象，采用逻辑与操作排除活鸡存在的部分，提取出鸡的各个重要特征，以这些特征的变化量作为特征向量，判断是否为死鸡。通过实验结果可得，本文的图像识别方法能有效提升检测死鸡的精度。

关键词:机器视觉;自动检测;特征提取;检测精度

在科学技术日新月异的今天，农业这种最传统同时最有影响力的生产活动也受到了科技浪潮的影响，农业中各项生产活动都随着科学技术的发展，面向数字化、自动化、智能化方向发展［1］。在国外农业生产的诸多领域，都已全面实现自动化、智能化，近些年最典型的发展就是机器视觉技术的引入，可以得到农作物的生长状态，土壤状态、病情管理以及杂交工程等［2－7］，同时机器视觉技术也被引入到养殖领域中，促使传统的养殖方式转变为新型的绿色健康环保型养殖方式［8－10］。根据葡萄牙学者的研究发现［11］，机器视觉技术也可以用于检测植物枝叶特征工作中，通过提取树叶作为研究样本，利用数字扫描获取图像，然后根据图像得知叶子的特征参数。主要包括叶子的大小、长宽等。此外，日本学者也利用该技术研发了机器视觉系统［12］，该系统由PC和CCD摄像机组合而成，图像获取主要依靠摄像机，图像处理则由PC完成。系统可在不同的光照强度下识别出研究对象，并且在最快的时间内确定对象的位置。目前，在我国关于该技术的研究主要是浙江大学的学者研究发现了可调节的机器视觉系统［13－14］，也能很好的获得相关的数字图像，并且能拍摄种子生长的过程等，能让种子的特征更加明显的展示在人们眼前。还有华中科技大学的学者也利用该技术对农业病虫害等进行检测。不仅如此，在目前大规模的养禽场中，环境温度、风量、禽蛋、禽粪、食物和水的供给，都已完成自动控制，但是仍然有部分工作无法实现自动化，必须人为干预，其中最主要的就是死禽的发现和处理。目前国内对该问题的研究得很少，吉林大学郑双阳等在死鸡探测方面提出了基于向量机检测算法，利用远程功能，对鸡蛋进行跟踪监测，通过人工智能判断鸡蛋内是否发生质变的一种机器视觉系统［15］，另外中国农业机械化科学研究院李亚硕等人对鸡冠的颜色进行了机器视觉识别，从而判断是否为病鸡［16］，这些方法的研究对本课题研究都有一定借鉴意义。

对于如今的大型养禽场，虽然有人工定时排查，但仍然无法避免死禽留在禽舍中，造成极大的安全危害，同时死禽巡查又是一件极其繁琐的事情，特别对于种类庞多的禽类，巡查工人必须长时间观察每个禽舍的具体情况，而禽舍内部存在有害气体，同时尘埃颗粒较多，对巡查工人的身体健康带来极大影响，因此目前亟待开发自动检测死禽的系统，能够极大的提高养禽场的自动化程度，并保护养禽工作人员的身体健康。

本文以养鸡场为例，针对目前的大部分算法仅能够同时对一只死鸡进行检查，提出一种改进算法，将特征提取技术应用于死鸡检查中，该算法主要包含两个步骤:第一步要根据鸡舍区域位置的变化，排除活鸡存在的那部分，第二步要对疑似死鸡的部分做深入提取，包含各种特征，例如，鸡冠的三维尺寸等多个综合特征，先根据L* a* b*空间a*分量提取鸡冠区，再利用SVM对鸡冠像素点的RGB颜色信息进行统计分析，将这些作为判定变量，最终判定是否为死鸡。

1　检测算法

文中的检查算法主要由两个步骤决定，第一个步骤为检查鸡冠区域的变化情况，排除活鸡存在的那部分，该步骤采取的方法为二值与运算操作，也即判定鸡冠在规定时间内是否移动，对比前后两幅图鸡冠的位置我们即可判定活鸡还是死鸡，如果鸡冠仍停留之前位置，我们就怀疑为死鸡情况，需要进一步处理，如果鸡冠产生移动，那就为活鸡部分，予以排除。第二步骤为，对之前疑似死鸡的情况，对鸡冠进行局部特征提取，最终判断是否为死鸡。具体的步骤如下所示:

第1步定时采集同一个鸡笼的两幅画面，时间间隔为5 min，将采集的画面进行分析处理，把鸡冠区域的图片提取。

第2步对第1步采集到的图片进行与操作，排除活鸡存在的部分。

第3步对剩下的疑似死鸡部分，提取鸡冠区域的局部特征，例如鸡冠三维尺度、球形性特征等，进行逐个分类。

第4步将第2步分类好的死鸡特征重新分类训练，检验最终结果，是否为死鸡。

第5步得到最终的判定结果。

另外，在完成第2步操作后，如果没有发现鸡冠，可直接进行第5步，则表示该鸡笼中的鸡都正常，如图1所示。

图1　算法流程图

2　提取鸡冠特征

我们在本文中采用了彩色图像获取鸡冠信息，相对灰色图像，彩色图像能够提取更丰富的物体特征信息，其处理方法相比灰度图像具有明显的优势，利用彩色图像可以更有效的提取红鸡冠这一敏感特征，当然相对灰色图像来说，彩色图像的处理技术更加复杂［17－18］。

由于鸡笼中鸡毛颜色主要为黑、白和棕红色，白、黑色与鸡冠颜色差异很大，易提取鸡冠特征，而对于棕红色鸡，其羽毛颜色与鸡冠颜色过于一致，因此提取难度增加，对此，我们针对不同颜色的鸡，选择相对应的颜色模型，同时采用最大类间方差法来进行图形分割，同时进行运算，去除图像噪声。接下来我们对鸡冠轮廓区域以及形状特征的提取进行深入研究［19］。

2.1鸡冠轮廓的提取

本文采用数学形态学的方法去除图像噪声，同时采取边缘检测算法来提取鸡冠轮廓，该方法相对传统方法在各方面都具有明显的优势，提取的效果如图2所示。

图2　鸡冠轮廓提取图

2.2鸡冠中心区域提取

在鸡冠轮廓提取过程中，经常出现鸡冠遮盖的情况，造成图像识别出现误差。为此，本文提取鸡冠的中心点进行图像识别，避免出现上述误差，下面重点介绍鸡冠中心点的获得方法:

第1步对采集的图像进行识别，得到水平和竖直方向的边距，分别为h，w，可得:

第2步对采集的图形进行处理，得到水平和竖直方向的最大边距hmax，wmax，可得:

第3步结合第一步和第二步得到的数据，获得所有E(h，w)＞e的边距均值为xh，yw，也即鸡冠中心的坐标值。

具体实现的算法如下所示:

选取8个中心附近区的像素点，为了便于区分，将其调至白色，其分别代表鸡冠。假设中心点坐标为i，j，像素的数值为f(i，j)，则中心点58个像素点坐标值如表1所示。

表1　中心点区域坐标

图3　鸡冠中心点提取

坐标关系如下所示:

由上述方法得到鸡冠中心区域提取图如图4所示。

图4　鸡冠中心区域提取图

2.3提取鸡冠的形状特征

2.2.3 缺乏有效的护患沟通和知识宣教。护士未落实责任制整体护理,往往重视患者的病情,而忽视了对患者的相关知识宣教和心理评估。长期置管患者对管道的自我管理警惕性下降,7例患者中2例T管脱出均是来院拔管的患者。

经过上述几个步骤的图像提取，能基本掌握鸡冠特征，然后再深入分析，根据相对静止和运动的原理，即使鸡冠不运动，图像提取的纵横方向也不变，但是进行位移之后，鸡冠的相对位置也发生了改变。为此，必须提取其他重要特征，才能解决上述问题，提取的特征如下所示:

(1)面积特征

作为最常见的特征，图像面积的提取非常简单，通过统计像素个数即可得到，如下所示:

这里f(x，y)是像素各点数，图幅大小是M×N

(2)周长特征

作为区域描述的通用特征，对于周长L的计算可以从面积公式中衍变出来，如下所示:

式中，A为目标的面积SUM(in)表示其4邻域全为目标点的像素点总数，L即是周长。

(3)伸长度特征

这里p，q为边界的长度和宽度方向大小。

(4)冗余度特征

冗余度代表了图幅中的复杂程度，如下所示:

(5)球度特征

反映了图幅的扁平特性，如下所示:

这里ri，rc为圆心在重心的内切圆和外切圆的半径。

3　图片拍摄时间设定

对于本实验，采集一定时间间隔的两张图片，拍摄间隔的时间很重要，时间过长过短对死鸡的判定都不好，表2为对比不同间隔时间下的判定结果。

从表2的结果来看，5 min以内，随着间隔时间的增长，判定率不断增长，当时间大于5 min后，随着间隔时间的增长，判定率不断下降，因此最佳间隔时间为5 min。

4　图像特征提取实验

采用第4节提到的最佳拍摄时间间隔，对同一个鸡笼进行前后拍摄，同时采用第3节中提到的图像处理技术，对鸡冠进行处理，得到如图5所示结果，接着对图5进行下一步操作，提取疑似死鸡的鸡冠中心点，如图6所示，最后对疑似死鸡提取鸡冠的各种特征并且分类，进行最后判定。

图5　提取鸡冠中心区域

图6　疑似死鸡的鸡冠中心区域

5　结果讨论与分析

为了验证本文的图像识别方法的有效性，我们选择不同的品种，颜色的鸡进行对比试验，得到如表3所示的试验结果。

表3　测试结果

从测试结果来看，白鸡的正确判定率最高，并且提取时间最短，相反芦花鸡正确判定率最低，耗时也最长，黑鸡居于两者之间，这跟实际情况也是相符的，三种鸡的正确判定率都达到了91.7%，并且提取时间都很短，因此本文的方法能够有效对养鸡场的死鸡进行监控。

虽然本实验能较为有效检测出鸡的局部特征，但特征要素相对单一，尤其当遇到前景目标被部分遮挡或光照不均匀，对特征要素的提取有很大的影响。尤其对于后期分类器的设计，应设法选取更多特征作为提取要素使分类器设计更为具体，并对分类器进行评价与优化。其中有效角点的检测处理速度较慢，运用到实际中还需提高运算速度。

6　结束语

针对死禽巡查检测中的各种缺陷，本文以养鸡场为研究对象，给出基于机器视觉技术的死鸡检测方法。该方法首先对养鸡场内中心区域位置的变化，采用逻辑与操作排除活鸡存在的部分;其次，提取出鸡的各个重要特征，以这些特征的变化量作为特征向量，判断死鸡和活鸡。通过实验结果可得，本文的图像识别方法能够有效的提升检测死鸡的精度。但是由于本实验图像素材较为理想，实际运用到养鸡场复杂的环境下，方法上需进一步优化改善。

参考文献:

［1］韩九强.机器视觉技术及应用［M］.北京:高等教育出版社，2009:5－18.

［2］刘泉，胡文娟.基于机器视觉的PCB缺陷检测系统设计与研究［J］.电子器件，2007，30(4):20－26.

［3］吴继华，刘燕德，欧阳爱国.基于机器视觉的种子品种实时检测系统研究［J］.传感技术学报，2015，28(12):8－18.

［4］刘长青，陈兵旗.基于机器视觉的玉米果穗参数的图像测量方法［J］.农业工程学报，2014(6):131－138.

［5］程洪，史智兴，尹辉娟，等.基于机器视觉的多个玉米籽粒胚部特征检测［J］.农业工程学报，2013(19):141－151.

［6］孙群，王庆，薛卫青，等.无损检测技术在种子质量检验上的应用研究进展［J］.中国农业大学学报，2012(3):1－6.

［7］邵鲁浩，坎杂，李景彬，等.基于形状特征的脱绒棉种品种识别［J］.农业工程学报，2011(S2):86－89.

［8］王润涛，张长利，房俊龙，等.基于机器视觉的大豆籽粒精选技术［J］.农业工程学报，2011(8):355－359.

［9］全燕鸣，黎淑梅，成喜春，等.基于机器视觉的果肉多类型异物识别方法［J］.农业工程学报，2011(3):162－166.

［10］黄星奕，姜爽，陈全胜，等.基于机器视觉技术的畸形秀珍菇识别［J］.农业工程学报，2010(10):350－354.

［11］Cunha J B.Application Image Processing Techniques in the Characterization of Plant Leafs［J］.Industrial Electronics，2003(1):612－616.

［12］Bulanon D M，Kataoka T，Okamoto H，et al.Development of a Real-Time Machine Vision System for the Apple Harvesting Robot ［J］.SICE，2004 Annual Conference，2004(1):595－598.

［13］Cheng Fang，Ying Yibin.Machine Vision System for Inspecting Characteristics of Hybrid Rice Seed［J］.Monitoring Food Safety，Agriculture，and Plant Health，2004，5271:328－335.

［14］Qiu Daoyin，Zhang Hongtao，Liu Xinyu，et al.Design of Detection System for Agriculture Field Pests Based on Machine Vision［J］.Transactions of the Chinese Society of Agricultural Machinery，2007，38(1):120－122.

［15］郑双阳，王琳琳.基于机器视觉对高阶直立式鸡笼内蛋鸡的监视系统的开发［J］.吉林农业大学学报，2009，31(4):476－480.

［16］李亚硕，毛文华，胡小安，等.基于机器视觉识别鸡冠颜色的病鸡检测方法［J］.机器人技术与应用，2014(5):18－26.

［17］林开颜，吴军辉，徐立鸿.彩色图像分割方法综述［J］.中国图像图形学报，2005，10(1):1－10.

［18］韩思奇，王蕾.图像分割的阈值法综述［J］.系统工程与电子技术，2002，24(6):91－94.

［19］陈月华，胡晓光，张长利.基于机器视觉的小麦害虫分割算法研究［J］.农业机械工程学报，2007，23(12):187－191.

魏长宝(1972－)，男，河南省驻马店市人，汉族，硕士，副教授，研究方向为计算机信息与智能信息处理;

李　平(1976－)，女，河南省驻马店市人，汉族，硕士，讲师，研究方向为信息处理与现代电子系统，llishbbs@163.com。

Design of Cab Signaling Test System Based on DDS Ramped FSK Technology

YANG Jin1*，YANG Cheng2
(1.Department of Signal and Communication，Nanjing Institute of Railway Technology，Nanjing 210035，China;
2.Signal＆Communication Center，Nanjing Metro Operation Co.，Ltd.，Nanjing 210012，China)

Abstract:To solve the problem of high system complexity and expensive price for general cab signaling loop transmitter while low precision and low reliability for portable cab signaling transmitter，a cab signaling test system based on DDS Ramped FSK technology was introduced.The test system could simulate the shifting frequencies of 18 information frequency shift track circuit，UM71 and ZPW2000 track circuit.The test system was controlled by upper computer to output different continuous carrier frequency and low-frequency encoded Ramped FSK signals.The interference signal against adjacent signal apparatus was reduced and it was convenient for the demodulation of cab signaling apparatus.The system structure was simple and outputting signal was stable and reliable.The hardware architecture and design method of this test system are illustrated.Experimental results show that every aspect of this system can work well.

Key words:cab signaling; ramped FSK; Direct Digital Synthesizer; frequency-shift track circuit

doi:EEACC:722010.3969/j.issn.1005－9490.2015.04.023

收稿日期:2015－03－09修改日期:2015－04－14

中图分类号:TP391

文献标识码:A

文章编号:1005－9490(2015)04－0826－05

项目来源:国家自然科学基金青年基金项目(61304172)