基于鸡头特征的病鸡识别方法研究

毕敏娜 张铁民,2 庄晓霖 焦培荣

(1.华南农业大学工程学院， 广州 510642； 2.国家生猪种业工程技术研究中心， 广州 510642；3.华南农业大学兽医学院， 广州 510642)

0 引言

黄羽鸡是我国传统的优良土种鸡，是我国南方地区主要的肉鸡养殖种类之一。随着人民生活水平提高和饮食结构变化，黄羽鸡养殖规模不断扩大，为国民提供质优价廉的蛋白质和肉类。家禽养殖业的发展主要受制于两方面：一方面是劳动力短缺，现阶段我国家禽养殖自动化水平较低，主要依靠人工饲养，工作环境恶劣、劳动强度大，难以吸引青壮劳动力，劳动力不足；另一方面是禽病疫病传播和流行，家禽疫病已成为肉鸡养殖业发展的瓶颈，不仅造成严重经济损失，并且带来食品安全等公共卫生问题[1]。因此，利用机器视觉代替人工监控鸡舍，对于快速识别出病鸡，缓解劳动力短缺，加强疫情控制，提高家禽养殖业的自动化水平具有重要意义。

近年来，机器视觉技术[2-4]在动物识别[5-7]、动物行为研究[8-12]、动物福利研究[13-15]等领域有了长足的发展。基于机器视觉的鸡只健康研究，主要通过鸡冠中心点和鸡只轮廓中心点[16-17]的移动进行死鸡判断；通过对图像鸡冠颜色提取[18]、鸡脚个数计数[19]进行病鸡识别。鸡头包括了鸡冠、鸡垂、鸡眼和鸡嘴，鸡只患病后外观主要表现在鸡冠颜色改变[20]、眼睛状态变化等。健康鸡的鸡冠颜色红润纹理均匀，鸡眼圆而有神。病鸡鸡冠颜色异常，干燥凹凸不平，鸡眼半闭或全闭。因此，本文利用鸡头特征进行病鸡识别。

本文针对复杂背景的黄羽鸡侧拍图像，在黄羽鸡色差信息分割的基础上，利用鸡冠和鸡垂轮廓上两点距离的合并算法，再通过修正算法识别鸡头。提取鸡头鸡冠纹理特征和鸡眼瞳孔的形状几何特征，构成病鸡识别的特征向量，采用支持向量机(SVM)分类器进行病鸡识别实验。

1 图像采集

本文使用数码相机SONY A7s采集散养黄羽鸡视频，数码相机最大分辨率为2 448像素×3 264像素；视频采集地点为华南地区某一黄羽肉鸡散养场，时间是2016年3月上旬某日10:00及14：00，天气晴朗，光线充足。数码相机由三脚架固定，分别拍摄健康鸡和病鸡视频，从视频中提取500幅健康鸡侧拍图，236幅病鸡侧拍图，图像尺寸为480像素×640像素，以RGB格式存储。

2 基于色差信息的黄羽鸡分割

2.1 RGB和HSV颜色模型

彩色图像中的目标识别关键是选择颜色模型。目前数码相机拍摄的图像主要通过RGB颜色模型表征，图像中某一像素点包含红(R)、绿(G)和蓝(B)亮度。R、G、B的取值范围均为0～255，该模型只能反映图像中各像素点颜色梯度的变化，无法体现色相间的差异。HSV颜色模型[21]的H分量是色调分量，用角度度量，取值范围为0°～360°，红色为0°；S分量表示颜色的纯度，取值范围为0～1；V分量表示颜色的明暗程度，反映了颜色的灰度等级。RGB图像转换为HSV图像的公式为

(1)

式中r、g、b——RGB图像3个分量归一化后的数值，取值为0～1之间的实数

Amax——r、g、b中的最大值

Amin——r、g、b中的最小值

2.2 基于色差信息的黄羽鸡识别

根据文献[20]，从500幅健康鸡图像中随机抽取100幅，在每幅图像中分别提取10个鸡身样本区域、3个鸡冠样本区域及10个背景样本区域，构成鸡身、鸡冠和背景样本集。其中鸡身样本区域尺寸为10像素×10像素，鸡冠样本区域尺寸为5像素×5像素，背景样本区域尺寸为10像素×10像素。提取样本集每个像素点的R、G、B分量，得到每个样本集在坐标R-B、R-G的分布，如图1所示。

图1 背景、鸡身、鸡冠样本集在RGB色彩模型的分布Fig.1 Distribution diagrams of background, chicken and comb samples in RGB color model

图1中，背景样本集像素点集中分布在坐标R-B和R-G的对角线上，即R/B和R/G的数值非常接近1，表示背景像素点的R、G、B分量差值小。鸡身样本集和鸡冠样本集像素点的R、G、B分量的差值明显大于背景样本集，因此计算背景样本集每个像素点的R、G、B分量色差|R-G|+|R-B|+|B-G|得到背景色差阈值去除背景。

提取样本集像素点的H分量，每个样本集随机抽取100个像素点，得到3个样本集的H分量图，如图2所示。

图2 背景、鸡身、鸡冠样本集H分量图Fig.2 H components of background, chicken and comb samples

从图2可知，鸡冠的H分量在160°～180°之间，鸡身和背景的H分量分布在60°以下，由此得到鸡冠H分量阈值。同理可得到鸡身的H分量阈值。

黄羽鸡图像分割原理图如图3所示，步骤如下：

(1)背景色差阈值和H分量阈值的确定。提取100幅训练图像，每幅图像提取10个背景区域、3个鸡冠区域和10个鸡身区域，提取每个像素点R、G、B和H分量，计算|R-G|+|R-B|+|B-G|的值，确定背景样本集中|R-G|+|R-B|+|B-G|的最大值作为色差阈值，鸡身和鸡冠样本集的H分量均值作为H阈值。

(2)测试图像。在RGB颜色模型中利用色差阈值去除背景，然后转换到HSV颜色模型，通过H阈值分割鸡身和鸡冠，再进行形态学滤波去除噪声及孔洞、膨胀腐蚀、平滑边界等，最后得到黄羽鸡图像。

图3 基于色差信息的黄羽鸡分割原理图Fig.3 Principle diagram of yellow feather chicken segmentation based on color components difference

3 基于鸡头特征信息的鸡头定位

鸡头定位是通过合并鸡冠和鸡垂来实现的。鸡头定位原理如图4a所示，Pi和Pj是不同轮廓上的点，两点间的距离为d1，当d1小于阈值Tjiguan时，则合并鸡冠和鸡垂确定鸡头。对736幅黄羽鸡图像分析统计可得，d1小于鸡冠和鸡垂外接矩形最大边长的有713幅，即96.9%的鸡头定位可通过判断鸡冠和鸡垂轮廓上两点距离d1小于外接矩形的最大边长来实现，因此，将外接矩形最大边长设为阈值Tjiguan。

为确保鸡头的完整性，根据鸡头宽度Dwidth一般不超过外接矩形高度Dheight的原则，拓展外接矩形修正鸡头部位，拓展部位的鸡身分量超过一定比例k(实验所得0.65)，则将此部分归入鸡头部位，否则停止拓展，原理如图4b所示。

图4 鸡头合并修正算法原理图Fig.4 Schematic diagrams of merging and correcting combs

合并算法步骤如下：

(1)提取每个分割区域轮廓，标识为MContour(i)(i=1,2，…，m)，Pi为MContour(i)上的点。

(3)若d1

(4)直线连接Pi和Pj。

图5 鸡头识别过程Fig.5 Recognition process of head

(5)根据连通区域求外接矩形，定位鸡头。

(6)结束。

识别修正算法如下：

(1)检查鸡头矩形是否满足Dwidth>Dheight，如果是，则转步骤(6)，否则进行下一步。

(2)向左搜索属于鸡头部分区域：以d个像素为单位向左拓展鸡头部位，判断拓展点Ai是否在图像内，如果不是，转步骤(6)。

(3)在拓展AiAi-1Di-1Di区域计算属于鸡头部位的像素点数Narea，当Narea>dDheightk，更新Dwidth=Dwidth+d，转步骤(1)，否则转步骤(6)。

(4)向右搜索属于鸡头部分区域，以d个像素为单位向右拓展鸡头部位，判断拓展点Bi是否在图像内，如果超出图像范围，转步骤(6)。

(5)在拓展Bi-1BiCiCi-1区域计算属于鸡头部位的像素点数Narea，当Narea>dNareak，更新Dwidth=Dwidth+d，转步骤(4)，否则转步骤(6)。

(6)结束。

经过鸡头修正算法，图5e右边鸡头包含鸡眼，得到完整的鸡头。

4 基于鸡头特征提取的病鸡识别

4.1 基于H分量共生矩阵的鸡冠特征提取

灰度共生矩阵(Gray-level co-occurrence matrix)最早由Harlick在1973年提出，定义为像素对的联合分布概率，是一个对称矩阵，它不仅反映图像灰度在相邻的方向、相邻间隔、变化幅度的综合信息，也反映了相同的灰度级像素之间的位置分布特征，是计算纹理特征的基础，是描述纹理的常用方法。

假设一幅图像f尺寸为M×N，灰度级别为Ng，图像像素点的灰度表示为f(x,y)，则满足一定空间关系的灰度共生矩阵为

p(i,j,d,θ)=#{(x1,y1),(x2,y2)∈
M×N|f(x1,y1)=i,f(x2,y2)=j}

(2)

式(2)中#{x}表示集合x中的元素个数，(x1,y1)与(x2,y2)的灰度为i和j，若点(x1,y1)与(x2,y2)间距离为d，两者与坐标横轴夹角为θ，pi，j的值表示两点相距d像素在θ角的方向上出现的次数。灰度共生矩阵归一化

(3)

鸡冠特征主要体现在颜色变化上，在H分量求共生矩阵，获得带有鸡冠颜色信息的纹理特征。利用归一化的共生矩阵p计算纹理特征：角二阶矩ASM、相关性COR、逆差矩IDM和熵Ent[22]。公式为

(4)

(5)

(6)

(7)

式中μx、μy、σx、σy——归一化共生矩阵的行px、列py的均值和方差

4.2 鸡眼形状几何特征提取

形状特征主要包括几何特征和矩特征。几何特征是描述轮廓的常用方法，包括形状面积A、周长P、矩形度Rect、伸长度E、复杂度C。其中面积A和周长P属于刚性特征，受与目标拍摄距离的影响，一般不作为分类的特征。为了减少拍摄距离和角度的影响，引入面积周长比A/P作为瞳孔几何特征之一。

分别提取鸡冠纹理特征(ASM，COR，IDM，Ent)和鸡眼瞳孔几何特征(A，P，Rect，E，C，A/P)，其中纹理特征由式(4)～(7)求取。健康鸡图像中鸡冠和鸡眼均正常，病鸡图像按鸡头特征可分以下3类：①鸡冠正常、鸡眼异常。②鸡冠颜色异常、鸡眼正常。③鸡冠颜色异常、鸡眼异常。从4类图像中随机选取1幅图像，求取10个特征变量，得到4类图像的鸡冠鸡眼特征表，如表1所示。

表1 鸡冠鸡眼特征表Tab.1 Feature values of eyes and combs of chicken

4.3 特征选择

为了减少计算量，实现病鸡的实时检测，需要精简特征集，在众多特征中找出对判断最有贡献的特征子集。鸡冠和鸡眼的特征集有10个特征变量，测试每个特征变量的识别正确率，采用平均识别正确率(Average recognition accuracies，ARA)[23]进行特征选择。ARA算法如下：

(1)寻找识别正确率最低和最高的特征量

X=minARA

(8)

Y=maxARA

(9)

(2)计算识别精度阈值

(10)

(3)比较特征识别率和识别精度阈值，选择大于识别正确率和大于或等于识别精度阈值的特征量，构成特征子集。

(4)如果RAT≤Y，令X=RAT，转步骤(2)，否则转步骤(5)。

(5)结束。

选择420幅健康鸡图像，200幅病鸡图像进行SVM训练，80幅健康图像和36幅病鸡图像作为测试集，分别得到10个特征量的平均识别正确率，见表2。

利用ARA算法得到的特征子集为(ASM,COR,IDM,Ent,A,P,Rect,E,C,A/P)、(ASM,Ent,P,Rect,E,C,A/P)、(ASM,Ent,E,A/P)、(Ent,E,A/P)、(Ent,A/P)、(Ent)。选择结果如表3所示。

表2 特征量平均识别正确率Tab.2 ARA of features %

表3 ARA算法的特征子集选择

Tab.3 Feature selection of ARA algorithm %

5 实验及结果分析

5.1 病鸡识别实验

实验所用计算机为Intel(R)Core(TM) i7-CPU中央处理器，4 GB内存，操作系统采用Windows 7(64位)，使用Microsoft Visual Studio 2015平台，通过OpenCV 2.0编程实现图像预处理、黄羽鸡分割及鸡头识别、特征提取及SVM分类器。

实验利用ARA算法得到的6个特征子集进行病鸡识别，选择420幅健康鸡图像，200幅病鸡图像进行SVM训练，80幅健康图像和36幅病鸡图像作为测试集，病鸡识别正确率见表4。

表4 特征子集病鸡识别正确率

Tab.4 Recognition accuracy of feature subsets %

5.2 结果分析

由表4可知，特征子集(ASM,Ent,E,A/P)由鸡冠H分量的能量、熵、鸡眼的伸长度、面积周长比组成，融合了鸡冠和鸡眼2个部位特征，符合对病鸡鸡头特征分析。针对含有鸡冠鸡眼的侧拍图像，若没检出鸡头，则认为鸡冠颜色异常为病鸡，识别的鸡头检测不到鸡眼，认为是闭眼，属于病鸡的一种，在此前提下，病鸡识别正确率为92.5%。表4中的病鸡识别率比健康鸡识别率高，主要原因有：①鸡头运动造成鸡头识别不完整，SVM识别时将不完整的鸡头识别为病鸡。②闭眼休息状态的健康鸡无法检测出鸡眼，判断为病鸡。

6 结束语

针对现场采集的黄羽鸡图像，运用R、G、B分量色差信息先对黄羽鸡图像进行背景去除，再在HSV颜色模型下利用H分割阈值提取黄羽鸡图像。在黄羽鸡图像识别中，利用H分量阈值提取鸡冠鸡垂，通过合并鸡冠鸡垂实现鸡头识别。在完整鸡头中利用H分量阈值提取鸡眼轮廓。计算鸡冠H分量的共生矩阵，获取共生矩阵中能量、相关性、逆差矩和熵，从鸡眼轮廓获得周长、面积、矩形度、伸长度、复杂度、面积周长比的形状几何特征，再通过ARA特征选择得到特征子集(ASM,Ent,E,A/P)。实验测试了80幅健康鸡只侧拍图和36幅病鸡侧拍图，病鸡识别正确率为92.5%。本文所提方案针对健康和鸡冠鸡眼有病变的黄羽鸡侧拍图，每幅图像都包含鸡冠和鸡眼的前提下，有一定的局限性，但是通过鸡头特征进行病鸡识别是一个新的尝试，对视觉判断病鸡研究有一定的实践意义。

1 张毅, 王幼明, 王芳,等. 我国禽流感研究进展及成就[J]. 微生物学通报, 2014, 41(3):497-503. ZHANG Yi, WANG Youming, WANG Fang, et al. Progress and achicvcments of avian influenza in China[J].Microbiology China,2014,41(3):497-503.(in Chinese)

2 应义斌, 傅宾忠. 机器视觉技术在农业生产自动化中的应用[J]. 农业工程学报, 1999, 15(3):199-203. YING Yibin, FU Binzhong.Application of machine vision technique to automation of agricultural production affiliation[J].Transations of the CSAE,1999,15(3):199-203.(in Chinese)

3 CHEN Y R, CHAO K, KIM M S. Machine vision technology for agricultural applications [J]. Computers & Electronics in Agriculture, 2002, 36(2-3):173-191.

4 SAARINEN K. Image processing, analysis and machine vision[M]. Chapman & Computing,1993.

5 劳凤丹，滕光辉，李卓，等．复杂环境中蛋鸡识别及粘连分离方法研究[J/OL].农业机械学报,2013,44(4):213-216,227.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20130437&journal_id=jcsam. DOI：10.6041/j.issn.1000-1298.2013.04.037. LAO Fengdan, TENG Guanghui, LI Zhuo, et al. Recognition and conglutination separation of individual hens based on machine vision in complex environment[J/OL]. Transactions of the Chinese Society for Agricultural Machinery,2013,44(4):213-216,227.(in Chinese)

6 李文勇, 李明, 陈梅香,等. 基于机器视觉的作物多姿态害虫特征提取与分类方法[J]. 农业工程学报, 2014, 30(14):154-162. LI Wenyong, LI Ming, CHEN Meixiang, et al. Feature extraction and classification method of multi-pose pests using machine vision[J]. Transactions of the CSAE,2014, 30(14):154-162.(in Chinese)

7 SABERIOON M, GHOLIZADEH A, CISAR P, et al. Application of machine vision systems in aquaculture with emphasis on fish: state-of-the-art and key issues[J]. Reviews in Aquaculture, 2016, 110(2):466-469.

8 VISHWAKARMA S, AGRAWAL A. A survey on activity recognition and behavior understanding in video surveillance[J]. The Visual Computer, 2013, 29(10):983-1009.

9 GOWSIKHAA D, ABIRAMI S, BASKARAN R. Automated human behavior analysis from surveillance videos: a survey[J]. Artificial Intelligence Review, 2014, 42(4):747-765.

10 KASHIHA M A, BAHR C, OTT S, et al. Automatic monitoring of pig activity using image analysis[C]∥International Conference on Advanced Concepts for Intelligent Vision Systems. Springer International Publishing, 2013:555-563.

11 NASIRAHMADI A, EDWARDS S, RICHTER U, et al. Automatic detection of changes in group pig lying behavior using image analysis[C]∥ASABE International Meeting, 2015:51-52.

12 刘龙申,沈明霞, 柏广宇,等. 基于机器视觉的母猪分娩检测方法研究[J/OL]. 农业机械学报, 2014, 45(3):237-242.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20140339&journal_id=jcsam. DOI：10.6041/j.issn.1000-1298.2014.03.039. LIU Longshen, SHEN Mingxia, BO Guangyu, et al. Sows parturition detection method based on machine vision[J/OL]. Transactions of the Chinese Society for Agricultural Machinery,2014, 45(3):237-242. (in Chinese)

13 刘星桥, 孙玉坤, 赵德安,等. 采用图像处理技术对鱼体健康状况监视和预报[J]. 农业工程学报, 2005, 21(6):118-121. LIU Xingqiao, SUN Yukun, ZHAO Dean, et al. Monitoring and prediction the health condition of fish using image processing technology[J].Transactions of the CSAE,2005, 21(6):118-121.(in Chinese)

14 李卓, 毛涛涛, 刘同海,等. 基于机器视觉的猪体质量估测模型比较与优化[J]. 农业工程学报, 2015, 31(2):155-161. LI Zhuo, MAO Taotao, LIU Tonghai, et al. Comparison and optimization of pig mass estimation models based on machine vision[J]. Transactions of the CSAE,2015, 31(2):155-161.(in Chinese)

15 KASHIHA M A, BAHR C, OTT S, et al. Weight estimation of pigs using top-view image processing[C]∥Proceedings of the 10th International Conference on Image Analysis and Recognition, 2014:496-503.

16 陆晨芳. 基于机器视觉的规模养鸡场死鸡探测系统设计研究[D]. 镇江:江苏大学, 2009. LU Chenfang. Study on dead birds detection system based on machine vision in modern chicken farm[D]. Zhenjiang: Jiangsu University, 2009.(in Chinese)

17 彭彦松. 基于支持向量机的养鸡场死鸡检测方法研究[D]. 镇江:江苏大学, 2010. PENG Yansong. Study on detecting dead birds in modern chicken farm based on SVM[D]. Zhenjiang: Jiangsu University, 2010.(in Chinese)

18 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):23-25.

19 李腾飞. 笼养蛋鸡健康行为监测机器人系统研究[D]. 北京:中国农业大学, 2016. LI Tengfei. Study on caged layer health behavior monitoring robot system[D]. Beijing: China Agricultural University, 2016.(in Chinese)

20 毕敏娜,张铁民,庄晓霖, 等.基于色差信息多色彩模型的黄羽鸡快速分割方法[J/OL].农业机械学报，2016,47(12)：293-298,308.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20161236&journal_id=jcsam. DOI：10.6041/j.issn.1000-1298.2016.12.036. BI Minna, ZHANG Tiemin, ZHUANG Xiaolin, et al.Fast segmentation method of yellow feather chicken based on the difference of color information in different color models[J/OL].Transactions of the Chinese Society for Agricultural Machinery, 2016,47(12)：293-298,308.(in Chinese)

21 王玉德, 张学志. 复杂背景下甜瓜果实分割算法[J]. 农业工程学报, 2014, 30(2):176-181. WANG Yude, ZHANG Xuezhi. Segmentation algorithm of muskmelon fruit with complex background[J]. Transactions of the CSAE, 2014, 30(2):176-181.(in Chinese)

22 KIM D G. Detection of citrus diseases using computer vision techniques[D]. Gainesville:University of Horida,2011.

23 ANAMI B S, NAVEEN N M, HANAMARATTI N G. Behavior of HSI color co-occurrence features in variety recognition from bulk paddy grain image samples[J]. International Journal of Signal Processing, Image Processing & Pattern Recognition, 2015,8(4): 19-30.