APP下载

机器视觉下的猪行为识别技术研究

2019-09-10秦阳鸿

大众科学·下旬 2019年9期
关键词:机器视觉

秦阳鸿

摘 要:随着中国生猪养殖产业的不断发展,生猪养殖过程中的个体行为检测逐渐由手工记录转化为信息化监管模式。机器视觉是一种较好替代接触式生猪检测手段,通过获取生猪监控视频,使用机器学习方法识别生猪行为,可以用于识别和预防生猪发生疾病。本文介绍生猪行为机器视觉系统,并分析系统中常用的算法在准确性和有效性上的问题,并分析系统中的重难点研究方向。

关键词:机器视觉;猪行为;目标提取算法;个体识别算法;行为识别算法

在畜牧养殖业中,动物行为与动物福利养殖有直接关系,且动物心理可以从行为识别中得到直接体现。因为动物行为可以观察,所以为了保障动物健康,避免动物不良行为对畜牧养殖业的影响,在新时代背景下,各国科研人员开始从动物行为入手,重点研究动物心理感受。由于现阶段养殖模式正在向着集约化的方向稳步前进,自动化养殖技术越来越高,智能监控也成为养殖系统不可或缺的基础内容,此时运用机器视觉技术对猪行为进行整合研究,有助于为实践研究提供更为精准的依据。因此,下面对机器视觉下猪行为识别技术进行研究。

1.猪行为识别视觉系统分析

这一系统主要用来收集猪行为的视频,并运用视觉处理算法研究视频中的猪行为,而后输出识别结果或分析异常。在二十世纪八十年代末期,随着成像系统的提出,促使猪生产水平得到了优化,各国科研人员开始运用可见光相机和深度相机视觉传感器来识别猪行为。具体内容分为:其一,可见光相机视觉系统是指运用单目可见光相机得到猪栏俯视图,以此对猪行为进行跟踪调查。同时,也会运用单CCD相机获取俯视图,以此识别猪行为。从俯视角度观察猪行为,可以准确获取猪舍位置变化信息,对比侧视角度观察情况分析,遮挡区域较多,因此更加符合群体猪行为的检测工作。一般来讲,主要用来检测生猪的运动、饮食及排泄、攀爬攻击等行为。其二,深度相机视觉系统。要想更快掌握猪行为及相关位置信息,科研人员在观测的同时还要采集有关信息。例如,Stephen[1]等就運用两个Kinect获取俯视角下深度二维图像,以此对猪目标实施跟踪调查。

2.研究猪行为识别

2.1运动行为

这类行为识别主要包含:其一,运动检测。通过观察猪的运动行为可以正确判断它的活跃度和健康状态。其二,跛足检测。由于跛足属于家畜常见病,所以做好这项检测工作可以有效控制疾病传播,并在发现问题后及时处理。常见方法有压力传感器、非接触式跛足检测法等。其三,目标跟踪。这项检测包含三点:基于模型的生猪跟踪、基于特征的生猪跟踪及基于区域的生猪跟踪。由于目标丢失是影响跟踪算法的主要原因,常见为群养猪的多个猪体之间彼此靠近和碰触导致目标间连遮挡。

2.2伏地行为

群聚伏地分布情况直接决定了室内环境参数对猪体的影响,且影响着猪体的健康与生活状态。例如,Shao等[2]运用图像紧凑性,结合从前景到背景的像素变化、不变距及占地比等特征,分类检测了猪的伏地行为。

2.3呼吸行为

猪体在出现疾病后,经常给会出现呼吸急促症状。通过了解猪只呼吸频率,能及时掌握出现的疾病类型。同时,也可以为检测生物基因与动物行为关系提供依据。在传统工作模式中,人工观察虽然可以满足部分工作需求,但随着时间和数量的增加,不但会消耗大量资源,而且最终结果具有主观性。通过引用视觉算法检测猪只呼吸情况再进行自动化养殖,可以有效缓解养殖人员的压力。一般来讲,在研究猪呼吸行为时,可以从腹部和脊背周期性运动这一特点入手。

3.问题及研究方向

3.1现有识别分析方法的问题

国内外科研人员运用机器视觉进行猪行为识别技术,在实践发展中获取了优异成绩,但最中国研究成果并没有得到有效利用,主要原因在于:其一,目标提取算法。一方面,有效性。现阶段,污垢、光照与阴影多变化等依旧是行为识别需要关注的重点,常见解决方法会在算法中提高分割次数,或引入参数变量,这样势必会增加算法的复杂性;另一方面,适用性。目前生猪目标提取更适宜与背景色存在较大差异的猪体,这对纹理不同且与背景色类似的猪体而言并不适宜。其二,个体识别算法。一方面,可靠性。在人工识别中,检测人员会在自主涂刷后进行算法研究,但因为标记容易消失,所以实际应用性并不高;另一方面,适用性。人工标记不符合大型养殖场需求,不仅标记步骤过于繁琐,而且精确性要求极高,因此在实践操作中很容易消耗大量资源。在新时代背景下,如何结合自身特点识别个体是现阶段养殖业关注的焦点。其三,行为识别算法。一方面,有效性。跟踪持续时间作为研究跟踪算法是否有效的主要影响因素,现阶段提出的算法难以在长期跟踪中达到预期目标,因此急需加大对重叠处理、目标黏连等问题的研究;另一方面,准确性。目前有关猪行为的识别判断依旧没有达到实际需求,若是换猪舍很容易在段时间内导致算法失效。由此可知,现有行为识别算法依旧处于初期阶段。

3.2方向

通过上文研究分析可知,随着我国养殖业的飞速发展,面对越来越高的检测要求,养殖人员要从以下几方面入手进行深层研究:其一,优化视觉系统。通过构建多传感器视觉系统,可以解决以往数据类型单一等问题,促使机器视觉下的猪识别技术更加有效。同时,也要结合多种图像配准算法,这样有助于在整合多源图像的基础上,更加准确检测猪行为。其二,改善算法。通过提出多视角进行识别工作,有助于提高个体识别效率。由于三维多视角识别属于现阶段视觉领域极具挑战性的问题之一,所以科研人员要在不断创新中解决相关问题。同时,还要针对特殊时期提出行为识别,以此满足养殖人员健康需求。其三,创新行业。因为机器识别猪行为具有成本低、回报高及不用接触等优势,所以在发展畜牧业自动化背景下,有关技术理念得到了行业的支持与认可。若是可以在行业中普及利用,并构建猪视频标准集具有深远意义。

结束语

综上所述,为了将猪行为自动分类研究成果运用到实践发展中,要求各国在大力推广光机器视觉及相关技术理念的同时,转变养殖人员检测意识,注重针对具体问题,提出有效的处理措施。这样不仅能提高养猪业发展水平,而且可以保障分类结果的精准性,以此为找到更为优质的养殖模式提供有效依据。

参考文献

[1]何永康,侯跃谦.基于多种平面度测量方法机器视觉的优势[J].内燃机与配件,2019(21):211-212.

[2]刘俊.机器视觉下多技术融合的精细农业探索[J].电子质量,2018(04):11-14.

猜你喜欢

机器视觉
基于芯片点胶系统的视觉检测技术研究
全自动模拟目标搜救系统的设计与实现
基于机器视觉的自动浇注机控制系统的研究
大场景三维激光扫描仪在研究生实践教学培养中的应用
基于机器视觉的工件锯片缺陷检测系统设计
基于机器视觉技术的动态“白带”常规检测系统的开发
对激光切割机的改进
人工智能在高校图书馆的预期
基于车牌识别的机器视觉课程研究
机器视觉技术在烟支钢印检测中的应用