APP下载

蛋鸡羽毛覆盖度计算及其与体温关系研究

2022-11-03杨断利鲍惠玲宣凤苓

农业机械学报 2022年10期
关键词:鸡体彩色图像覆盖度

杨断利 张 然 陈 辉 鲍惠玲 宣凤苓 高 媛

(1.河北农业大学信息科学与技术学院, 保定 071001; 2.河北省农业大数据重点实验室, 保定 071001;3.河北农业大学动物科技学院, 保定 071000; 4.石家庄市动物疫病预防控制中心, 石家庄 050026)

0 引言

鸡体羽毛覆盖状况能直接反映鸡只的生长发育和健康情况[1-2]。蛋鸡受生理、营养、环境及疾病等多种因素的影响,会产生脱羽现象,背部是主要的脱羽部位[3-4]。羽毛缺失不仅影响鸡只外观,而且羽毛覆盖度的降低,会造成鸡体热量的大量散失,对鸡体体表温度产生影响,迫使蛋鸡通过增加采食量以维持生理需求,致使养鸡成本增加,影响蛋鸡生产性能及养殖效益[5-6]。

国外学者对蛋鸡羽毛覆盖度的估算及表示方法进行了相关研究[7-9]。研究表明,红外热成像是评价蛋鸡羽毛覆盖度的有效手段。但红外热成像仪采集到的温度信息受室温、距离等多种客观因素影响[10-11],当拍摄条件发生变化时,手动阈值分割方法需要重新调节温度阈值,这不利于蛋鸡及其羽毛损伤区域的分割与温度提取,而基于图像处理的鸡体及羽毛受损区域分割方法不需要手动设置温度阈值,克服了温度变化的影响。数字图像处理的方法可以准确地提取目标区域,文献[12-21]研究表明,Otsu算法结合颜色空间可准确地分割前景与背景。目前为止,暂未发现基于数字图像处理进行羽毛分割处理的相关研究报道。文献[22-24]研究表明,红外热成像技术已应用于鸡体温度检测。鸡体温度可以反映鸡只的健康状况,鸡体体表温度受羽毛覆盖度影响[25-27]。 但关于不同程度的羽毛覆盖度对鸡体体表温度影响情况的研究,目前还未查到相关的文献。本文利用图像分割技术,计算鸡体羽毛覆盖度,并通过提取热红外图像目标区域的方法,计算出鸡体体表平均温度,对不同程度羽毛覆盖度与鸡体体表温度之间的量化关系进行研究。

1 材料与方法

1.1 蛋鸡背部图像、体表温度数据采集

实验蛋鸡品种为海兰褐蛋鸡,养殖基地位于河北省保定市某养殖场,饲养场景如图1所示。养殖场内养殖有背部不同羽毛覆盖度的蛋鸡50只,在相同的饲养条件下,养殖有20只背部羽毛覆盖完好的蛋鸡作为对照组,每天09:00、16:00喂食,养殖5 d后,采集羽毛覆盖完好及不同羽毛覆盖度的蛋鸡体表温度,作为研究羽毛覆盖度与鸡体温度关系的原始数据。采用testo890型红外热成像仪拍摄羽毛覆盖完好及不同覆盖度的蛋鸡背部彩色图像200幅,热红外图像200幅,用于分割鸡体背部及羽毛损伤区域,同时为算法提取鸡体体表温度提供热红外图像。为了验证本研究提出的,基于热红外图像的自适应性图像增强算法是否具有普适性,实验同时选择了价格及配置与testo890型红外热成像仪差异较大的海康HM-TPH11-3AXF型手持测温热像仪,拍摄热红外图像200幅进行对比。拍摄时间为2021年11月19日,09:00—11:00,室内温度保持在16℃,为了获取完整的蛋鸡背部图像,相机位于鸡体正上方,距离鸡体约0.4 m处,俯视拍摄,室内光照较充足,为了消除复杂背景对分割鸡体效果的影响,采集背景为绿色,数据采集示意图如图2所示。通过IRsoft2软件进行铁虹色热红外图像、彩色图像及温度矩阵的信息提取与保存。通过SPSS 25.0软件中的平均值检验进行体表温度平均值、方差分析,利用Pearson相关性检验进行羽毛覆盖度与体表温度相关性分析。

图1 饲养实物图Fig.1 Single cage feeding

图2 数据采集示意图Fig.2 Data acquisition diagram1.相机 2.背景

1.2 热红外图像中目标鸡体与羽毛覆盖完好区域提取

蛋鸡热红外图像中呈现的不同颜色,与该区域的温度有关,环境温度为低温区域呈暗蓝色,羽毛覆盖完好区域为中温区域呈洋红色,蛋鸡羽毛损伤区域为高温区域呈黄白色,基于蛋鸡图像颜色特征对蛋鸡、低温环境及羽毛覆盖完好区域进行分割。

1.2.1目标鸡体提取

热红外图像中普遍存在分辨率低、前景边缘模糊等问题,当蛋鸡羽毛覆盖完好区域与环境背景温差较小时,二者的对比度更差,影响最大类间方差法[28](Otsu)对目标鸡体的分割效果,基于RGB颜色模型的蛋鸡热红外图像分割结果如图3所示。

图3 蛋鸡热红外图像RGB颜色模型分割示意图Fig.3 Segmentation diagrams of RGB color model of thermal infrared image of laying hens

通过分析蛋鸡热红外图像中的灰度,发现鸡体与背景中分量R、B灰度存在显著变化,分量R、G、B灰度分析如图4所示,其中纵坐标对应每个像素点的灰度。因此选取Lab颜色空间中的分量a进行目标鸡体的提取,分量a二值化结果如图5b所示。

图4 分量R、G、B灰度分析Fig.4 Gray analysis of R,G and B components

图5 分量a及Otsu算法分割示意图Fig.5 a component and Otsu algorithm segmentation diagram

图5a中分量a图像中鸡体边界依然模糊,与背景差异较小,导致Otsu算法提取到的鸡体不完整。本文针对Otsu算法的分割特性提出了一种基于分量R、B灰度直方图的自适应性图像增强的方法,增强图像中鸡体边缘对比度。该方法遍历图像全部灰度级,设概率最大的灰度级数为自适应性图像增强的阈值,并增设最佳阈值限制条件,防止因阈值过大造成的颜色特征丢失。

首先,设鸡体图像像素数为N,灰度级为L,图像中分量R、B像素总数计算公式为

(1)

(2)

式中nri——R分量中第i个灰度级像素数

nbi——B分量中第i个灰度级像素数

其次,对灰度直方图进行归一化处理,统计每个像素级的概率,分量R、B归一化处理公式分别为

(3)

(4)

然后,计算分量R、B中最大概率的灰度级,公式为

Prmax=max(Pri)

(5)

Pbmax=max(Pbi)

(6)

获取灰度概率最大的灰度级,公式为

(7)

式中Tr——分量R中自适应性图像增强阈值

Tb——分量B中自适应性图像增强阈值

ri——分量R第i个灰度级

bi——分量B第i个灰度级

在图像增强处理中,少数图像存在因增强阈值大于背景灰度造成原图像颜色信息丢失的情况,因此在图像增强过程中加入限制条件,阈值根据背景中各分量灰度范围设定,本次实验分量R、B的阈值分别是50和125,分量R、B图像增强表达式为

(8)

(9)

将处理后的分量R′、B′与原图像中的分量G进行拼接,生成经过图像增强处理后新图像RGB_new,图像增强后鸡体图像如图6所示。

图6 图强增强后的鸡体图像RGB_newFig.6 RGB_new of chicken body image after enhancement

将经图像增强处理后的蛋鸡背部热红外图像RGB_new转换到Lab颜色空间并提取分量a,然后采用Otsu算法进行鸡体背部与低温环境的分割,初步获取鸡体轮廓二值图,要获得完整的鸡体背部轮廓,还需经过杂点去除、形态学运算、孔洞填充等操作,并结合凸包检测、孔洞填充操作获得完整的鸡体背部轮廓图像,目标鸡体分割结果如图7所示。

图7 目标鸡体分割结果Fig.7 Segmentation results of target chicken body

1.2.2羽毛覆盖完好区域提取

为了突出热红外图像中羽毛损伤与完好区域的灰度差异,选取HSV颜色空间模型[29]中的分量H分割羽毛覆盖完好区域。HSV颜色空间的颜色结构模型是一个锥体,如图8所示,H表示色调,S表示纯度,V表示亮度。分量R、G、B与分量H、S、V的转换关系为

(10)

(11)

(12)

其中

(13)

图8 HSV颜色空间结构示意图Fig.8 Schematic of HSV color space structure

将目标鸡体背部热红外图像转换到分量H,采用Otsu算法进行羽毛覆盖完好区域的提取,获得目标鸡体背部羽毛覆盖完好区域二值图像;利用目标鸡体背部与羽毛覆盖完好区域的二值图像进行减运算,获得目标鸡体背部羽毛损伤区域二值图像。并以目标鸡体背部羽毛覆盖完好及损伤区域二值图像为掩膜,获得对应的热红外图像。羽毛覆盖完好及损伤区域分割结果如图9所示。

图9 羽毛覆盖完好及损伤区域图像分割结果Fig.9 Image segmentation results of intact feather cover and damaged areas

采用Otsu双阈值分割算法对羽毛损伤区域进一步分割,将图像分割为背景、轻度损伤和重度损伤3部分,灰度级最低的一类为背景,灰度级最高的一类为重度损伤区。首先需要对蛋鸡羽毛损伤区域彩色图像进行灰度化处理,然后对蛋鸡羽毛损伤区域灰度图像进行双阈值分割,Otsu双阈值分割算法理论[30]与1.2.1节单阈值分割算法理论相同,双阈值类间方差计算表达式为

(14)

式中w0、w1、w2——C0、C1、C2类概率

μ0、μ1、μ2——C0、C1、C2类平均灰度

μG——全局平均灰度

图10 羽毛覆盖完好及损伤区域的二值图及热红外图像Fig.10 Binary images and thermal infrared images of intact and damaged areas of feather cover

实验结果表明,自适应性图像增强的方法可以突出鸡体目标与背景的颜色差异,有利于目标鸡体的提取;基于热红外图像的目标鸡体、羽毛损伤区域及羽毛覆盖完好区域的分割流程合理有效。

1.3 蛋鸡彩色图像中目标鸡体及羽毛覆盖完好区域提取

由于热成像设备价格较高,因此现实生活中彩色图像的拍摄设备应用更为广泛,根据海兰褐蛋鸡全身羽毛呈红褐色的特点,通过Otsu算法结合颜色空间模型对鸡体及羽毛覆盖完好区域进行分割。

1.3.1目标鸡体提取

图11 目标鸡体的初次分割结果Fig.11 Initial segmentation results of target chicken body

为了准确地提取目标鸡体,将原始图像转换到Lab颜色空间提取a分量,采用Otsu算法对a分量图像进行二值化分割,目标鸡体初次分割结果如图11所示。

初次提取的目标鸡体二值图一般存在噪声,如图11c鸡体外存在明显的干扰信息和孔洞,所以需要对初次分割得到的二值化图形进行二次处理。采用形态学开运算、杂点去除操作去除噪声,保证提取的目标鸡体较完整且无杂点残留;采用形态学闭运算、孔洞填充操作进行鸡体内孔洞的填充,二次处理结果如图12a~12d所示。将经过形态学等操作处理后的目标鸡体二值图像作为掩膜,通过与运算去除彩色图像中的背景,提取目标鸡体的彩色图像,目标鸡体彩色图像如图12e所示。

图12 完整鸡体二值图像提取过程Fig.12 Extraction process of binary image of complete chicken body

结果表明,提取到的目标鸡体周围没有噪声,且鸡体完整,基于彩色图像的目标鸡体分割流程完整有效。

1.3.2羽毛覆盖完好区域提取

图13 目标鸡体彩色图像、分量S、分量V及其各自 分割结果Fig.13 Color image of target chicken body,S component, V component and their respective segmentation results

海兰褐蛋鸡羽毛覆盖完好区域会被褐红色羽毛覆盖,而羽毛损伤区域会显现出白色的羽毛根部和浅粉色的皮肤,因此可以利用颜色特征提取羽毛覆盖完好区域及羽毛损伤区域。首先通过选取RGB颜色空间及HSV颜色空间的S、V分量进行羽毛覆盖完好区域颜色特征提取,然后采用Otsu算法进行羽毛损失区域的分割。目标鸡体彩色图像、S分量、V分量及其各自分割结果如图13所示。结果表明基于S通道的分割效果更接近于羽毛的实际情况,以S分量分割结果为掩膜提取羽毛覆盖完好区域彩色图像,羽毛覆盖完好区域彩色图像如图14所示。

图14 羽毛覆盖完好区域彩色图像Fig.14 Color image of intact feather cover

1.4 蛋鸡背部羽毛覆盖度计算

利用经过分割得到的目标鸡体及羽毛覆盖完好区域二值图进行羽毛覆盖度的计算。首先,统计目标鸡体和羽毛覆盖完好区域二值图像中像素总数;然后,以羽毛覆盖完好区域总像素数为分子,蛋鸡背部羽毛覆盖度计算式为

(15)

其中

K1=sum(J1(x,y)=1)

(16)

K2=sum(J2(x,y)=1)

(17)

式中x、y——像素坐标

J1——背部羽毛覆盖完好区域二值图

J2——目标鸡体背部二值图

Fb——蛋鸡背部羽毛覆盖度,%

查阅文献[8]可知,热红外图像中蛋鸡背部羽毛覆盖度与全身羽毛覆盖度的相关系数为0.94,则背部羽毛覆盖度与全身羽毛覆盖度的转换表达式为

F=0.94Fb

(18)

式中F——蛋鸡羽毛覆盖度,%

2 结果分析

2.1 图像分割结果

2.1.1自适应性图像增强结果

选择了两种不同价格、不同配置的相机拍摄蛋鸡的热红外图像,测试自适应性图像增强算法的普适性。testo890型红外热成像仪的配置及价格远高于海康HM-TPH11-3AXF型便携式测温热像仪,testo890拍摄图像的清晰度、对比度等图像属性均高于海康HM-TPH11-3AXF,testo890型红外热成像仪的热红外图像增强效果及分割对比结果如图15所示,海康HM-TPH11-3AXF型便携式测温热像仪热红外图像增强效果及分割对比结果如图16所示。结果表明,本文提出的图像增强方法对两种型号相机拍摄的图像均有效,突出了鸡体区域的特征,该方法能较好地初步分割出鸡体区域,算法具有普适性。

图15 testo890型红外热成像仪图像的增强及分割对比结果Fig.15 Image enhancement and segmentation comparison results of testo890 infrared thermal imager

图16 海康HM-TPH11-3AXF型便携式测温热像仪 图像的增强及分割对比结果Fig.16 Image enhancement and segmentation comparison results of Hikvision HM-TPH11-3AXF portable thermal imager

2.1.2鸡体及羽毛完好区域分割结果

通过Matlab 2016a平台进行目标鸡体及损伤羽毛分割仿真实验,通过手动阈值二值化分割蛋鸡彩色图像及热红外图像,灰度大于手动阈值的区域为视觉目标区域,区域内每个像素值设为1;其他区域像素值设为0。手动阈值分割计算公式为

(19)

式中I(x,y)——原始图像中第x行、第y列像素块的灰度

Mth——手动分割阈值

为了进一步客观评价本文分割方法是否有效,采用准确率、精准度、召回率和交并比4个指标进行定量评价。

基于彩色图像及热红外图像的目标鸡体、羽毛覆盖完好区域分割精度如表1所示,基于热红外图像的羽毛轻度、重度损伤区域分割精度如表2所示。基于热红外图像的目标鸡体分割准确率为97.18%、羽毛覆盖完好区域分割准确率为96.86%,基于彩色图像的目标鸡体分割准确率为99.58%、羽毛覆盖完好区域分割准确率为97.86%,基于热红外图像羽毛轻度、重度损伤区域的分割准确率分别为97.55%、99.57%,实验结果表明,基于热红外图像的分割精度略低于彩色图像,但准确率、精准度、召回率和交并比均在95%以上,彩色图像及热红外图像均达到了分割标准。

表1 蛋鸡背部羽毛覆盖度分割精度Tab.1 Segmentation accuracy of back feather coverage of laying hens %

表2 蛋鸡热红外图像羽毛损伤区域分割精度Tab.2 Segmentation accuracy of feather damage in thermal infrared image of laying hens %

2.2 热红外图像与彩色图像羽毛覆盖度对比结果

由彩色图像及热红外图像计算出的蛋鸡羽毛覆盖度如表3所示。由表3可知,彩色图像羽毛覆盖度平均值为76.68%,热红外图像羽毛覆盖度平均值为87.74%。经对比发现,同一个蛋鸡样本的彩色图像羽毛覆盖度与红外图像羽毛覆盖度的最小差值为2.01%,且二者最大差值为30.29%,所有鸡只差值平均值为11.07%,且所有样本中,蛋鸡的彩色图像羽毛覆盖度均小于热红外图像羽毛覆盖度。

通过对比图17中蛋鸡热红外图像及图18中彩色图像的分割结果,分析差异产生原因。研究发现基于彩色图像的鸡体羽毛分割,会误将蛋鸡修饰行为、剐蹭鸡笼行为导致白色羽毛根部显现的部分分割为损伤区域,导致羽毛覆盖度下降的问题产生,而热红外图像中相同区域的辐射值和羽毛覆盖度并未受影响,因此基于红外热图像的羽毛覆盖度计算效果更接近于蛋鸡的真实羽毛覆盖情况。

表3 部分蛋鸡背部羽毛覆盖度计算结果对比Tab.3 Comparison of calculation results of back feather coverage of some laying hens %

图17 热红外图像分割效果Fig.17 Segmentation effects of thermal infrared images of laying hens

图18 蛋鸡彩色图像分割效果Fig.18 Segmentation effects of color images of laying hens

2.3 羽毛覆盖度分级

为了突出羽毛缺失的程度,对羽毛覆盖度数据进行分级处理。文献[7]提出的4分制评分方法中,1分表示鸡体羽毛严重受损,仅存在小部分或没有羽毛覆盖鸡体,羽毛覆盖度为3.7%~27.2%;2分表示羽毛损伤明显或皮肤大面积裸露,羽毛覆盖度为33.4%~70.7%;3分表示羽毛出现损伤,但几乎能够完全覆盖鸡体,羽毛覆盖度为55.67%~90.4%;4分表示没有或很少的羽毛出现损伤,羽毛覆盖度为96.6%~99.3%。文献[8]提出了手动分割温度阈值估算羽毛覆盖度的方法IRT,使用IRT得到的羽毛完好区域的面积与4分制评分相关性显著(P<0.01),其中背部羽毛覆盖度与整体得分的相关系数为0.94。

经过实验统计发现,多数蛋鸡羽毛覆盖度处于70%~90%之间,而4分制评分方法将55.67%~90.4%划分为一级,每分代表的范围过大,分级较粗糙。针对这一问题,本文在4分制评分的基础上提出了A、B、C、D四级评分方法,其中A级羽毛覆盖度为70%~82%,B级为82%~85%,C级为85%~90%,D级为90%~94%。

3 羽毛覆盖度与体表温度关系研究

羽毛的缺失会导致鸡体热量散失速度加快[31],影响蛋鸡的健康,为了研究羽毛覆盖度对体表温度的影响,摒弃其他外界环境干扰因素,本实验利用同等饲养条件下、羽毛覆盖完好的蛋鸡作为对照组,采集不同羽毛覆盖度的蛋鸡体表温度,分析羽毛覆盖度和鸡体体表温度的关系。

3.1 体表温度获取与分析

通过Otsu算法分割得到的目标区域二值化图像和温度矩阵得到目标区域平均温度,平均温度计算式为

(20)

式中Xtemp——红外热成像仪采集的温度矩阵

A——目标区域二值矩阵

下角标x、y表示矩阵中点的位置。

图19 部分蛋鸡羽毛覆盖度和各区域温度平均值Fig.19 Average value of feather coverage and temperature in different areas of some laying hens

本实验共采集5类数据,包括蛋鸡羽毛覆盖度及背部、羽毛覆盖完好区域、羽毛损伤区域、羽毛严重损伤区域的温度平均值,蛋鸡羽毛覆盖度及各区域的温度平均值折线图如图19所示。蛋鸡背部、羽毛覆盖完好区域、羽毛损伤区域、羽毛严重损伤区域的温度平均值均随着羽毛覆盖度的变化出现明显波动,温度较高的鸡只羽毛覆盖度较低,且同一个样本中羽毛严重损伤区域温度最高,羽毛覆盖完好区域温度最低。

将所有数据依据羽毛覆盖度人工分为两组,组1中蛋鸡羽毛存在明显损伤,组2中蛋鸡羽毛较完整,表4以平均值±标准差的形式表示羽毛覆盖度对各区域体表温度的影响。组1中各区域平均温度比组2高1~5℃,且组1各区域温度标准差明显比组2高0.7~2.9℃,说明鸡体羽毛覆盖度对体表温度造成了一定的影响。

为了探究蛋鸡羽毛覆盖度与体表温度的相关性,分析了羽毛覆盖度与背部、羽毛覆盖完好、羽毛损伤及羽毛严重损伤区域体表温度的相关性及相关系数,如表5所示。蛋鸡羽毛覆盖度与背部、羽毛覆盖完好、羽毛损伤及羽毛严重损伤区域体表温度呈极显著负相关(P<0.01),其中羽毛严重损伤区域体表温度与羽毛覆盖度相关性最高,背部、羽毛覆盖完好、羽毛损伤、羽毛严重损伤区域体表温度之间呈极显著正相关(P<0.01)。

表4 羽毛覆盖度对各区域体表温度的影响Tab.4 Effect of feather coverage on body surface temperature in each region

表5 蛋鸡羽毛覆盖度与各区域体表温度相关系数Tab.5 Correlation analysis between feather coverage and body surface temperature of layers

3.2 羽毛覆盖度对体表温度的影响

鸡体的羽毛覆盖度对体表温度影响显著,根据3.1节的相关性分析发现羽毛覆盖度与背部、羽毛损伤及羽毛严重损伤区域体表温度的相关系数均在0.9以上。根据2.3节中羽毛覆盖分级方法,对羽毛覆盖度不同的实验蛋鸡分级处理,通过各级别间的体表温度差值,分析相同外界环境下羽毛覆盖对体表温度的影响。

表6为背部、羽毛损伤、羽毛严重损伤区域在各分级中的体表温度平均值,各区域体表温度随着分级级别的上升而逐渐降低,在A~D每个分级中,背部与羽毛严重损伤区域的平均温度差值分别为12.54、13.3、13.47、11.07℃,相同分级、不同区域的体表温度对比结果表明,羽毛严重损伤区域比背部区域平均温度均高10℃以上。背部、羽毛损伤及羽毛严重损伤区域在各级别中的体表温度均值差值,所有数据都在0℃以上。在3类区域中,级别A与D的体表温度均值差值都在3.8℃以上,其中羽毛严重损伤区域的级别A与D体表温度均值差值最大,达到5.36℃。相同区域、不同分级的蛋鸡体表温度对比结果表明,相同区域、相邻级别的蛋鸡体,体表温度差值较小,随着间隔级别的增加,体表温度的差值增大,且羽毛覆盖级别高的蛋鸡体表温度均小于级别低的蛋鸡体表温度。

表6 各级别中蛋鸡体表温度平均值Tab.6 Average body surface temperature of laying hens in each level ℃

综上所述,不同羽毛覆盖级别间的蛋鸡背部体表温度最大差值为3.89℃,不同羽毛覆盖级别间的蛋鸡羽毛损伤区域体表温度最大差值为5.36℃,相同羽毛覆盖级别间的背部与蛋鸡羽毛损伤区域体表温度的最大差值为13.47℃。

4 结论

(1)以蛋鸡为研究对象,设计了一种基于图像处理分割鸡体及羽毛覆盖完好区域的方法。针对热红外图像中鸡体边界模糊的问题,提出了一种自适应性图像增强算法。实验结果表明,利用热红外图像分割鸡体及羽毛覆盖完好区域的分割准确率为97.18%和96.86%,平均准确率为97.02%,利用彩色图像分割鸡体及羽毛覆盖完好区域准确率为99.58%和97.86%,平均准确率为98.72%,分割准确率均在95%以上,能够满足蛋鸡羽毛覆盖度的计算要求。提出的自适应性图像增强方法,突出了前景与背景的差异性,可应用于前景与背景的分割研究。

(2)通过分析发现,蛋鸡剐蹭鸡笼、修饰等行为会造成白色羽毛根部露出,在彩色图像中,由于图像颜色受羽色的影响,因而白色羽毛根部露出的部位会被错误地认定为羽毛损伤区域,而热红外图像则不受羽色的影响,白色羽毛根部露出部位的热辐射值无明显升高,因而两种图像计算出的羽毛覆盖度有较大差异,热红外图像更适用于客观评定蛋鸡羽毛覆盖度。

(3)利用热红外图像,通过面积比值计算羽毛覆盖度,对羽毛覆盖度与背部各区域体表温度进行了相关性分析,羽毛覆盖度与各区域体表温度呈极显著负相关(P<0.01),除羽毛完好区域外,羽毛覆盖度与各区域体表温度相关系数均大于0.9。依据羽毛覆盖度计算结果对蛋鸡进行分级,并分析了各级蛋鸡体表温度差异,结果表明,相同区域、不同级别的蛋鸡体表温度最大差值达到3℃以上,相同级别的蛋鸡羽毛严重损伤区域均比背部平均体表温度高10℃以上。

猜你喜欢

鸡体彩色图像覆盖度
呼和浩特市和林格尔县植被覆盖度变化遥感监测
基于NDVI的晋州市植被覆盖信息提取
辽宁省地表蒸散发及其受植被覆盖度影响研究
高温高湿条件下鸡舍的通风管理
低覆盖度CO分子在Ni(110)面的吸附研究
基于FPGA的实时彩色图像边缘检测
基于专家模糊技术的彩色图像对比度增强方法
免疫增强剂在鸡疫病防治中的应用
鸡日粮中为啥要加食盐
基于视觉注意的全参考彩色图像质量评价方法