不同温度下仔猪群体特征行为检测方法研究

韩益博，王春光，康飞龙

(内蒙古农业大学 机电工程学院，呼和浩特 010018)



不同温度下仔猪群体特征行为检测方法研究

韩益博，王春光，康飞龙

(内蒙古农业大学 机电工程学院，呼和浩特 010018)

针对无应激条件下哺乳仔猪群体生活环境的舒适度检测问题，分别采集低温、适温、高温条件下的哺乳仔猪特征图像，分别对其进行预处理，提取出哺乳仔猪群体目标区域。同时，提出一种基于形态学操作和Radon变换的被测目标区域与其最小包围矩形面积比的计算方法，采用最大类间方差聚类法确定3种特征行为的双阈值，以其作为检测哺乳仔猪特征行为的有效手段，实现了无应激条件下哺乳仔猪群体生活环境的舒适度检测。通过对150张特征行为图片进行实验分析，结果显示：该方法的综合识别率高于87%，为智能监控软件在猪舍温度调控方面提供了数据参考。

哺乳仔猪；舒适度检测；Radon变换；最大类间方差聚类法

0 引言

在传统的猪舍环境下，饲养员通过手动调控的方式调节猪舍温度，猪在预定的环境温度下活动，这种粗放的控制模式因其没有整合分析其它影响因素，如湿度、地板类型、光照等，所以很难满足猪的真正的热需要[1-2]。研究表明：猪舍温度直接影响猪的日增重和采食量，2007年，山西农业大学的郭慧慧在影响猪的采食量一文中提出猪的等热区范围为12～23℃，高于此范围采食减少，低于此范围采食增加，猪平均日增重减少[3]。四川省德阳市食品局的赵正兴在气温对猪生产性能的影响一文中通过实验证明，猪在20kg体重的适宜温度是18～22℃，如果低于这个温度哺乳仔猪的采食量明显增加[4]。可见，外界环境温度在一定程度上对哺乳仔猪的生长发育和饲养成本造成影响。2008年，Bin Shao, Hongwei Xin等人开发了一套实时图像处理系统用于检测移动和识别群猪的热舒适度[5]。其以步频及猪体积占有率、密集程度作为特征向量，使用最小欧式距离区分猪的冷热舒适度状况，能够准确识别出哺乳仔猪群体的聚集形式；但其算法较为复杂，不易于实现实时监控。

为此，本文选取5头体重在2.2～3kg的哺乳仔猪，分别将其置于低温、适温、高温条件下，通过对采集到的特征行为图像进行预处理，完成对被测目标区域的提取，并采用形态学处理方法对提取到的被测目标区域面积进行计算[6]；然后，采用Radon变换获得包围被测目标区域最小矩形的面积，进一步提出被测目标区域与其最小包围矩形的面积比，从而获得区分不同温度下哺乳仔猪行为的有效特征；使用该有效特征并通过最大类间方差聚类法，利用3种不同温度下哺乳仔猪特征行为分类的双阈值，最终完成哺乳仔猪群体特征行为检测。

1 图像处理

1.1 图像获取

在呼和浩特市土左旗猪场，试验选择临床表现正常的、出生9天的DLY三元杂交猪5头，体重在2.2～3kg的哺乳仔猪作为试验对象。将试验对象置于55cm×110cm×55cm(长×宽×高)的保温室里，在保温箱中心处，距离保温箱地面170cm处安装MV-VD USB2.0接口 CCD工业相机，采用垂直向下的拍摄方式获取被测目标的俯视图图像。在保温室地板放置智能加热袋，将猪舍温度分别调至0、22、30℃各保持1h。并用红外测温仪每隔10min监测1次保温室内温度；采集3种温度下哺乳仔猪特征行为的图像若干，并将采集到的特征图像信息传至计算机。

图1为采集到0、22、30℃所对应的哺乳仔猪特征行为图像。

1.2 应用背景差分法完成目标检测

采集的图像既包含被测的目标，又包含智能加热袋、保温箱等复杂背景，再加上光照不均匀，导致图像中的目标和背景的对比度较差。

(a) 0℃下的特征行为 (b) 22℃下的特征行为 (c) 30℃下的特征行为

本文使用背景差分法[7-9]，又称背景减法，原理是将含有被测目标图像与不含被测目标的背景图像进行差分来最大程度地消除含有目标图像的复杂背景，进而提高被测目标与背景的对比度，为后续的图像分割奠定基础。则有

m(x,y,c)=f(x,y,c)-g(x,y,c)

(1)

其中，m(x,y,c)表示c温度下仔猪的群体运动目标；f(x,y,c)表示c温度下的特征图像；g(x,y,0)表示c温度下的背景图像。

由于保温箱环境较为复杂，图像噪声现象严重，式(1)不能得到真正的哺乳仔猪群体目标，得到的是群体目标与噪声组成的差分图像

d(x,y,c)=m(x,y,c)+n(x,y,c)

(2)

其中，n(x,y,c)为噪声因素。所以，需要运用阈值T分割提取目标，有

(3)

图2是对图1中3种不同温度哺乳仔猪图像分别使用背景差分法的处理效果。

(a) 0℃ (b) 22℃ (c) 30℃

1.3 图像分割及分割后处理

尽管在被测目标与背景的对比度十分明显的情况下，阈值分割很容易实现；但实际上由于在被测目标和背景的分界部分存在细微的灰度变化，所以阈值分割时确定阈值是困难的。阈值的选取与像素的位置、灰度值及当前像素的邻域性质等因素有关，常见的阈值分割法有双峰法、最大类间方差法和自动迭代法。图3和图4分别为运用双峰法和迭代法分割3种特征行为所得到的阈值分割图像。

(a) 0℃ (b) 22℃ (c) 30℃

如图3可知：运用双峰法进行阈值分割时，虽然算法简单、运算速度快，但由于受到噪声和光照的影响，容易造成目标元素的丢失，使得物体和背景的边界部分易被填充，边界处目标与背景很难分割。

(a) 0℃ (b) 22℃ (c) 30℃

由图4可知：迭代法基本可以分离哺乳仔猪群体目标与背景，但在边界处依然会发生目标像素的丢失，而且在目标内部存在许多孤立像素。

本文用到的阈值分割技术是最大类间方差法[10-11]，分割效果图如图5所示。由图5中可以看出：图像的被测目标区域基本被提取出来，相比其他两种方法目标内部的孤立像素点明显减少，虽然被测目标区域中有空洞、区域边缘不太平滑和背景区域有白点污染，但通过图像填充、图像闭运算及开运算形态学操作[12-13]，达到进一步处理需要的效果。图像填充可以去除被测目标区域中的空洞，图像闭运算可以实现区域边缘的平滑，图像开运算可以去除背景区域的白色污染，如图6所示。

(a) 0℃ (b) 22℃ (c) 30℃

(a) 0℃ (b) 22℃ (c) 30℃

1.4 被测目标区域与其最小包围矩形的面积比

在低温状态下，哺乳仔猪的特征行为高度聚集，通常会出现堆积现象，阈值分割后的二值图像中被测目标不能被分开，目标区域通常是一个连通区域或接近连通的区域，且连通区域的孔数很少，故该被测目标区域的面积与其最小包围矩形的面积比在3种状态中最大；高温状态下，哺乳仔猪比较暴躁，其特征行为极度分散，阈值分割后的二值图像中被测目标可以明显被分开，且被测目标之间的间隔很大，故该被测目标区域的面积与其最小包围矩形的面积比在3种状态中最小；舒适状态下，哺乳仔猪比较安逸，其特征行为是卧着休憩，且各个仔猪之间有间隙但不是太大，阈值分割后的二值图像中被测目标可以被分开但不明显，故该被测目标区域的面积与其最小包围矩形的面积比在3种状态中介于低温状态和高温状态之间。被测目标区域面积与其最小包围矩形的面积比是区分3种温度状态下哺乳仔猪特征行为的有效参数。

1.4.1 被测目标区域面积的获取

得到哺乳仔猪二值化图像后，图像中的非零像素的数目即为哺乳仔猪群体面积。采用形态学函数bwarea对图像中非零像素进行加权运算，有效地补偿了图像的固有失真，以图6(c)为例，其目标区域的面积为S=12 224像素。

1.4.2 包围被测目标区域最小矩形的获取

被测目标区域的最小包围矩形面积的求取用到Radon变换，Radon变换是描述一个二维图像函数f(x,y)的沿着某一方向的投影函数gθ(R)，可以看成是R与θ构成的极坐标系统，(R,θ)被称为Radon空间。该空间任意一点(Ri,θi)代表二维图像函数f(x,y)所在xoy平面内的线积分，其数学表达式为

(4)

其中，θ表示投影方向与x方向的夹角，θ∈[0°，179°]；R代表在某一方向θ上的投影宽度。光带的宽度为在该方向上的有效投影宽度，即被测目标在该方向上的最大宽度，如图7所示。图7(a)是一幅大小为200×200像素的图像，图像中包含一个大小为100×100像素的被测目标区域；图7(b)为图7(a)在0°方向上的Radon变换，可以看出：曲线在轴上首末端点的距离(有效投影宽度)正好为被测目标的宽度；同理，图7(c) 中曲线在轴上首末端点的距离正好为被测目标对角线长度。这样，在图7(d)中轴上会有180个且与θ相对应的有效长度，即被测目标在各个方向上的有效投影宽度，那么i与(i+90°)投影方向角所对应的有效投影长度为包围被测目标区域的矩形的长和宽，i∈[0°，89°]。其在整个投影方向区间内会形成90个包围被测目标区域的矩形，本文用到的是包围被测目标区域面积最小的矩形。

(a) 原始图像 (b) 0°方向上Radon变换

(c) 45°方向上Radon变换 (d) 0°到179°Radon变换

以图6(c)为例，获取其被测区域面积后，对其进行0°～179°的Radon变换，变换结果如图8所示。通过Radon变换图像获取包围被测区域最小矩形的面积Smin=37 728像素 。

图8 图6(c)0°到179°的Radon变换

1.4.3 被测目标区域与其最小包围矩形的面积比分类能力评价

为了有效地识别出3种不同温度下哺乳仔猪的特征行为，需要对被测目标区域与其最小包围矩形的面积比的分类能力进行评价。以图6(c)为例，其被测目标区域与其最小包围矩形的面积比K=S/Smin=0.324,分别选取0、22、30℃下哺乳仔猪特征行为样本图像各50幅，分别计算其被测目标区域与其最小包围矩形的面积比并作出散点图，如图9所示。

图9 样本图像被测目标区域与其最小包围矩形的面积比散点图

分析图9可知：0℃下哺乳仔猪特征行为样本图像被测目标区域与其最小包围矩形的面积比最大，数据起伏变化较小，说明被测目标区域与其最小包围矩形的面积比对寒冷状态下哺乳仔猪有较好的聚类能力，可以减少错误分类现象的发生的概率；相反，30℃下哺乳仔猪特征行为样本图像被测目标区域与其最小包围矩形的面积比最小，数据波动较大，分布较为分散，因而在实际应用时可能会出现错误分类的现象；22℃下哺乳仔猪特征行为样本图像被测目标区域与其最小包围矩形的面积比居于两者之间，数据波动也居于两者之间。因此，被测目标区域与其最小包围矩形的面积比是识别3种不同温度下哺乳仔猪特征行为的有效特征量。

2 3种不同温度下哺乳仔猪特征行为识别

2.1 根据最大类间方差聚类法确定双阈值

这里单独采用被测目标区域与其最小包围矩形的面积比识别3种哺乳仔猪的特征行为状态，需要2个分类阈值来确定状态的所属类别。根据图7样本面积比的计算结果，可以进一步求出被测目标区域与其最小包围矩形的面积比的概率分布图。从图10中可以看出：概率分布图呈三峰性，且两个波谷位置明显。

图10 面积比的概率分布图

(5)

1)获取图7中被测目标区域与其最小包围矩形的面积比R；

2)确定阈值T1、T2的范围Tmin～Tmax，直接定为最小到最大的面积比；

3)阈值T1、T2按步长0.001在阈值范围Tmin～Tmax变化过程中，根据公式(5)计算σ2；

4)寻找最大的σ2，找出对应的阈值T1、T2。

2.2 基于最大类间方差聚类法双阈值的识别率测定

为了验证基于被测目标区域与其最小包围矩形的面积比分类哺乳仔猪3种状态的可行性和有效性，以及基于最大类间方差聚类法双阈值的识别率高低，分别选取0、22、30℃下哺乳仔猪特征行为图像各50幅，这些图像均在相同的实验条件下采集到的，由2.1中确定下来的阈值T1(0.356 4)、T2(0.498 3)直接作为这里识别率测定试验中的分类阈值，测定结果如表1所示。由表1可知：在150幅哺乳仔猪特征行为的图像中，0、22、30℃下哺乳仔猪特征行为的图像分别有46、43、42幅被正确识别，因此本文所提的方法，对于0、22、30℃状态下的哺乳仔猪特征行为识别率分别为92%、86%、84%。

表1 0、22、30℃哺乳仔猪特征行为分类结果

3 结论

研究了一种不同温度下哺乳仔猪特征行为的分类方法，提出一种计算被测目标区域与其最小包围矩形面积比的方法，并将其作为分类特征，进一步对其分类能力进行了评价。同时，提出了一种最大类间方差聚类法确定对其分类的双阈值，并通过测得的阈值实现了3种不同温度下哺乳仔猪特征行为的分类。实验表明：被测目标区域与其最小包围矩形的面积比作为分类特征是可行的和有效的，基于最大类间方差聚类法获得的双阈值对3种状态哺乳仔猪特征行为的综合识别率高于87%。相对人工检测哺乳仔猪特征行为而言，本文所提的方法效率高、稳定性好，具有很好的应用前景。

[1] Xin H, Zhang Q, Puma M, et al. Effects of fluctuating temperatures on isowean pigs[J].Trans. ASAE ,2000,43 (2)：433-438.

[2] Ye W, Xin H. Measurement of surface temperature and postural responses of group-housed pigs to thermal conditions by thermography[J].Trans. ASAE, 2000,43 (6):1843-1851.

[3] 郭慧慧,刘岐,王立贤,等. 影响猪采食量的因素[J].中国畜牧兽医,2007,34(12):17-21.

[4] 赵正兴. EM发酵饲料饲喂育肥猪的效果[J].四川畜牧兽医,2006(1)：28-31.

[5] Bin Shao,Hongwei Xin. A real-time computer vision assessment and control of thermal comfort for group-housed pigs[J].computers and electronics in agriculture,2007,62(2008):15-21.

[6] 王继芳. 数字图象数学形态学算法研究与应用[D].郑州：中国人民解放军信息工程大学，2005：40-44.

[7] 张毅刚,曹阳,项学智. 静态背景差分运动目标检测研究[J].电子测量与仪器学报，2010,24(5):494-498.

[8] 汪冲,席志红,肖春丽. 基于背景差分的运动目标检测方法[J].应用科技，2009,36(10):17-18.

[9] 王辉. 背景差分图像处理[D].哈尔滨：哈尔滨理工大学,2005：12-14.

[10] 齐丽娜,张博,王战凯. 最大类间方差法在图像处理中的应用[J].无线电工程，2006,36(7):25-26.

[11] 孙璐,陈洪海. 最大类间方差法在图像分割中的应用[J].煤炭技术，2008,27(7):23-24.

[12] 杨丹,赵海滨,龙哲.MATLAB图像处理实例详解[M].北京：清华大学出版社，2013:362-366.

[13] 张铮.精通Matlab数字图像处理与识别[M].北京：人民邮电出版社，2013:220-243.

[14] 李茂宽, 关键. 基于共形几何代数与 Radon 变换的圆检测方法[J].光电工程, 2010, 37(4): 72-76.

[15] 孔华锋, 鲁宏伟, 胡东红. 基于改进 Radon 变换的芯片几何特征检测[J].计算机工程, 2010, 37(4): 210-212.

[16] 郭延杰,白福忠. 基于 Radon 变换与灰度重心法的环形目标直径测量方法[J].激光与光电子学进展，2015,52(8):1-5.

Piglets Group Characteristics under Different Temperature Behavior Detection Method Research

Han Yibo，Wang Chunguang，Kang Feilong

(College of Mechanical and Electrical Engineering， Inner Mongolia Agricultural University, Hohhot 010018, China)

In order to check the lactation piglet group living environment of the comfort level problem, respectively collected under the condition of low temperature, suitable temperature, high temperature characteristics of lactation piglet images. And then carry on the pretreatment, respectively to extract the target area for lactation piglet groups. Based on morphological operations and Radon transform a target area to be measured and the calculation method of minimum bounding rectangle area ratio, the between-cluster variance clustering method is used to determine three characteristic behavior of double threshold, with its feature detection lactation piglet behavior effective means, to achieve no stress under the condition of lactation piglet groups living environment of the comfort level detection. Analysis by image characteristics of 150 behavior experiment, the result shows that the method of comprehensive recognition rate above 87%, shows that it has good practical value and application prospect, for the intelligent monitoring software provides data reference in piggery temperature regulation.

lactation piglet；comfort level detection；radon transform；the between-cluster variance clustering method

2016-04-08

“十二五”国家科技支撑计划项目(2014BAD08B05-04)

韩益博(1986-),男，呼和浩特人，硕士研究生，(E-mail) hanyibo099@163.com。

王春光(1959-)，男，内蒙古鄂尔多斯人，教授，博士生导师，(E-mail) jdwcg@imau.edu.cn。

S818

A

1003-188X(2017)05-0021-05