張 凱，王春光，劉 濤，康飛龍

(內(nèi)蒙古農(nóng)業(yè)大學(xué) 機電工程學(xué)院，呼和浩特 010018)

?

基于計算機視覺技術(shù)育肥豬體重分析研究

張 凱，王春光，劉 濤，康飛龍

(內(nèi)蒙古農(nóng)業(yè)大學(xué) 機電工程學(xué)院，呼和浩特 010018)

為了更好地解決育肥豬的體重預(yù)估問題，本研究通過獲取育肥豬在不同生長階段的圖像和質(zhì)量數(shù)據(jù)，利用計算機視覺技術(shù)將豬的側(cè)視圖像進行預(yù)處理、顏色特征處理、閾值分割及圖像形態(tài)學(xué)處理，經(jīng)過推導(dǎo)計算求出豬體的側(cè)視面積，對一維體尺參數(shù)、側(cè)視面積與體重進行數(shù)據(jù)擬合并建立數(shù)學(xué)模型。研究結(jié)果表明：在只考慮體尺單因素的影響時，擬合出的體重與體尺的相關(guān)性較小，其平均誤差也較大。通過比較逐步回歸法與MLP神經(jīng)網(wǎng)絡(luò)模型發(fā)現(xiàn)：MLP神經(jīng)網(wǎng)絡(luò)擬合模型相關(guān)性最好，相關(guān)性R2可達到0.993，平均相對誤差為1.38%，可以很好地保證估測精度，為測量豬的體重提供新的方法。

豬體；圖像處理；體重；側(cè)視面積；數(shù)據(jù)分析

0 引言

在豬的生長階段，通過檢測豬的體重，可實時檢測豬的日增重、食物轉(zhuǎn)化率和利潤，對豬的福利化養(yǎng)殖有著重要意義。傳統(tǒng)方法通常需要直接接觸豬來測量體重，不僅費時費力而且給豬造成應(yīng)激反應(yīng)，甚至給豬造成許多不良的影響，帶來很大的經(jīng)濟損失。目前，測量豬的體重主要采用電子稱重測量設(shè)備，盡管測量儀器可以較為精確地測量豬的體重，但由于稱重時體重平臺的晃動以及污穢積累，容易影響測量結(jié)果的精確度。

豬的體尺參數(shù)作為一個重要的生物體征參數(shù)，可以實時監(jiān)測豬的生長發(fā)育。豬的體尺參數(shù)主要包括體長、體高、體寬、胸圍、腹圍、投影面積和側(cè)視面積等?，F(xiàn)代計算機技術(shù)為動物的體尺測量提供了新技術(shù)。1990年，英國學(xué)者Schofield分析了傳統(tǒng)測量豬體重的弊端，應(yīng)用圖像處理技術(shù)分析二維特征參量與體重之間的相關(guān)性，得出體重與俯視方向的投影面積的相關(guān)性最大[1]。2003年，日本學(xué)者Minagawa通過改進實驗裝置，使豬在無約束飲水的情況下用攝像機采集圖片，測量俯視方向的投影面積，利用視差求出體高，擬合出投影面積、體高與體重之間的相關(guān)關(guān)系，相對誤差在2.1%以內(nèi)[2]。2015年，泰國Apirachai提出了矢量量化時間聯(lián)想記憶(VQTAM)，它是一種基于計算機視覺的圖像捕捉和有監(jiān)督的學(xué)習(xí)算法，結(jié)果表明：這種基于VQTAM和改進的LLE方法能提供準確的體重預(yù)測，平均誤差小于3%[3]。2006年，楊艷利用計算機視覺技術(shù)研究了去除頭部和尾部的俯視投影面積與體重的相關(guān)性，相關(guān)系數(shù)達到0.94，體重預(yù)估誤差不超過2.8%[4]。同年，楊艷利用數(shù)字圖像技術(shù)測得豬的體尺數(shù)據(jù)，將豬的體重W與投影面積S、體高H擬合得到回歸方程W=0.003S1. 2811H0. 6121，平均相對誤差為3.2%[5]。2006年，付為森將豬體的頭部和軀干分別近似為圓錐體和圓柱體，建立種豬體重的三維預(yù)估模型，平均相對誤差在2.8%內(nèi)[6]。從目前研究現(xiàn)狀來看，國內(nèi)外的學(xué)者大多采用俯視圖研究豬的體重與體尺的相關(guān)性，而沒有從豬的側(cè)視圖研究體尺與體重的相關(guān)性。因此，本文主要研究豬的體重與側(cè)視體尺的相關(guān)性。

本文采用MatLab圖像處理的方法，首先進行圖像的預(yù)處理，可以減少噪聲和光照等因素的影響。通過圖像算法分析，利用RGB顏色特征分析并提取豬體的圖像，將目標與背景有效的區(qū)分；然后采用閾值分割算法進行圖像處理，經(jīng)過圖像分割及形態(tài)學(xué)處理后，得到豬的側(cè)視圖像，并根據(jù)貼在豬身的黑色矩形參考板計算出豬的側(cè)視面積；利用最小二乘法、逐步回歸法、MLP神經(jīng)網(wǎng)絡(luò)法分別分析測得的體尺與體重的相關(guān)性并建立相應(yīng)的數(shù)學(xué)模型。

1 圖像處理

1.1 圖像獲取試驗

試驗樣本采樣于山東棲霞豬場，豬場有187頭育肥豬，篩選了22頭體重在50～110 kg 范圍的長白母豬作為試驗對象，在豬的側(cè)部貼一個10cm×5cm的黑色矩形板作為參照。在豬正常站立姿態(tài)時，用MV-VD200SC型工業(yè)相機采集豬的側(cè)視圖像，圖像最大分辨率為1 600×1 200。每頭豬的圖像采集結(jié)束后，用豬場內(nèi)的地磅稱重，并用卷尺量取一維體尺。

圖1 原始圖像

1.2 圖像預(yù)處理

由圖1可以看出：實際生產(chǎn)中的豬的圖像存在很多噪聲、光照強度變化和陰影等干擾因素。由于這些因素會影響到圖像分割質(zhì)量，并對后續(xù)豬體圖像的處理產(chǎn)生較大的影響，因此需要對圖像進行預(yù)處理。本文采用直方圖均衡化和中值濾波法對采集的圖像進行預(yù)處理。直方圖均衡化對于改善圖像對比度和亮度具有明顯的效果，使圖像的對比度和亮度得到一定的提升；中值濾波對干擾脈沖和噪聲具有較好的抑制作用，同時還可以保留邊緣的銳度和圖像的細節(jié)。圖2為經(jīng)過預(yù)處理后的圖像。

圖2 圖像預(yù)處理及直方圖

1.3 RGB顏色特征分析與提取

在經(jīng)過圖像的預(yù)處理后，發(fā)現(xiàn)直方圖的分布比較均勻，不能及時準確地提取合適的閾值，使圖像分割的效率降低。通過分析圖像的RGB顏色特征建立相應(yīng)的分析模型，可以準確地確定合適的閾值，為目標的提取提供條件。

為了能夠把豬從背景圖像中準確分割出來，首先要分析豬的顏色分布特征。豬的顏色偏淡紅色，也就是豬的紅色分量R較大，綠色分量G和藍色分量B偏小；背景區(qū)域為深黑色和灰色，紅色分量R、綠色分量G和藍色分量B的值大小一致。經(jīng)過綜合比較分析，根據(jù)圖像的顏色特征建立模型生成新的顏色特征圖像d，使目標與背景有較好的區(qū)分，如圖3(a)所示。

(1)

其中，c的取值視背景情況而定。本文中，常數(shù)c取值范圍1.08～1.15。

(a) 顏色特征圖像

(b) a圖像直方圖

(c) 圖像分割 (d) 形態(tài)學(xué)處理圖

1.4 圖像分割及形態(tài)學(xué)處理

圖像分割就是把圖像分成若干個特定、獨特的區(qū)域，從圖像中提取出有意義的特征區(qū)域或感興趣的目標。常用的圖像分割方法有直方圖法、迭代法及最大類間方差法等。根據(jù)采集的圖像進行處理后發(fā)現(xiàn)：采用迭代法和最大類間方差法會使豬體與地面混淆，不能有效分割，對后續(xù)的形態(tài)學(xué)處理帶來難度；而根據(jù)直方圖的特點選用合適的閾值進行圖像分割，可有效避免這種情況，為圖像的形態(tài)學(xué)處理提供便利，分割結(jié)果如圖3(c)所示。

經(jīng)過圖像分割后對圖像取反得到所需的二值圖像。由于實驗是在豬場內(nèi)部進行的，背景較為復(fù)雜，分割后的圖像不是理想情況，因此需要使用形態(tài)學(xué)基本運算對經(jīng)過分割后的二值化圖像做形態(tài)學(xué)處理。首先，調(diào)用imdilate函數(shù)進行圖像的膨脹，使圖像中豬斷開的肢體輪廓連續(xù)；然后，調(diào)用imerode函數(shù)將膨脹后的圖像進行腐蝕，這樣可以有效地去掉噪聲點和毛刺；利用imclearborder函數(shù)刪除和圖像邊界相連的對象；最后，利用bwareaopen函數(shù)刪除二值圖像中面積較小的對象，得到經(jīng)過圖像分割及形態(tài)學(xué)處理后的圖像，如圖3(d)所示。

1.5 面積公式推導(dǎo)

測量圖像內(nèi)豬體面積的常用法是像素計數(shù)法，就是統(tǒng)計邊界及其內(nèi)部的像素的總數(shù)，即為面積，計算公式為

(2)

對二值圖像，若背景的像素用0表示，物體的像素用1表示，則面積就是統(tǒng)計f(x,y)=1的像素數(shù)量。對于經(jīng)過圖像分割后的豬體二值圖像，豬的側(cè)視部分為白色區(qū)域，即灰度值為1；而黑色參考板為黑色區(qū)域，即灰度值為0。拍攝時，圖片中豬及參考系的面積會受到拍攝角度和距離的影響，因此拍攝時使相機與豬的距離保持不變，保證相機與參考板的連線方向與豬的側(cè)視圖方面相垂直，并且要確保相機與參考板等高。圖像中的豬的面積即為灰度值為1的白色區(qū)域的像素的個數(shù)，參考板的面積即為矩形黑色區(qū)域的像素個數(shù)。由于已知參考板的真實面積，經(jīng)過推導(dǎo)得到下面的公式，就可以計算出豬的真實側(cè)視面積為

(3)

式中S—豬的真實側(cè)視面積(cm2)；

N1—豬的側(cè)視區(qū)域(白色區(qū)域)的像素數(shù)；

N2—黑色矩形參考板區(qū)域的像素數(shù)。

1.6 面積估測系統(tǒng)GUI設(shè)計

利用MatLab設(shè)計GUI圖形用戶界面，將其設(shè)計成一種人與計算機通信的界面顯示格式，允許用戶使用鼠標等輸入設(shè)備操縱屏幕上的圖標或菜單選項，以選擇命令、調(diào)用文件、啟動程序或執(zhí)行其它一些日常任務(wù)，極大地方便了人們的使用。圖4為設(shè)計的豬體側(cè)視面積估計系統(tǒng)的GUI界面。

圖4 豬體側(cè)視面積估計系統(tǒng)的GUI界面圖

2 數(shù)據(jù)分析

2.1 最小二乘法擬合分析

為了保證試驗結(jié)果的準確性，試驗選取標準的22個樣本圖像，將22張豬的圖像進行處理，測量出豬體的側(cè)視面積，結(jié)合測得的體重與一維體尺，進行擬合分析。分析結(jié)果顯示：體重與一維體尺的擬合相關(guān)性均不如體重與側(cè)視面積的線性相關(guān)性。分別分析體重和側(cè)視面積的直線擬合、冪次擬合、對數(shù)擬合、二次多項式擬合關(guān)系，得出擬合回歸方程和決定系數(shù)并進行統(tǒng)計，統(tǒng)計結(jié)果如表1所示。結(jié)果發(fā)現(xiàn)，二次多項式的擬合效果最好，圖5為體重與側(cè)視面積的擬合圖。為了檢驗估測值與真實值的差異，將測得的22組樣本數(shù)據(jù)進行檢驗，結(jié)果顯示：4組模型的平均相對誤差值比較接近，對數(shù)函數(shù)模型求得的平均相對誤差最小，其平均相對誤差為8.30%。

圖5 體重與側(cè)視面積的擬合圖

擬合回歸方程決定系數(shù)R2平均相對誤差/%y=0．024x-10．080．7378．55y=0．004x1．1940．73811．34y=96．11lnx-706．70．7538．30y=-0．000009x2+0．0912x-136．2370．76110．17

y為豬體體重(kg)；x為側(cè)視面積(cm2)。

2.2 逐步回歸法擬合分析

測取豬的一維體尺參數(shù)(體長、體高、臀寬、胸圍)，結(jié)合豬的側(cè)視面積進行數(shù)據(jù)的逐步回歸分析。逐步回歸的基本思想是將變量逐一引入模型，進行顯著性檢驗，保證每次引入新的變量之前回歸方程中只包含顯著性變量，最后得到最優(yōu)的解釋變量集。本文利用SPSS軟件進行逐步分析后，得到相關(guān)性較好的兩個模型，擬合的回歸方程如表2所示。經(jīng)過比較發(fā)現(xiàn)，體重與側(cè)視面積、臀寬、體長的擬合效果最好，相關(guān)性可達到0.95，其平均相對誤差為3.91%。

表2 逐步回歸法擬合結(jié)果

y.豬體體重(kg)；x1.側(cè)視面積(cm2)；x2.臀寬(cm)；x3.體長(cm)。

2.3 MLP神經(jīng)網(wǎng)絡(luò)

設(shè)計多層感知器(MLP)神經(jīng)網(wǎng)絡(luò)建立體重與體尺的擬合模型。在單因素相關(guān)性分析的基礎(chǔ)上，選取與豬體體重相關(guān)性顯著的側(cè)視面積、體長、體高、臀寬和胸圍5個體尺參數(shù)作為輸入量，在本文的MLP神經(jīng)網(wǎng)絡(luò)中有唯一輸出量，即育肥豬的體重實測值。使用分區(qū)變量分配個案，通過多次網(wǎng)絡(luò)訓(xùn)練，比較網(wǎng)絡(luò)均方誤差，找到誤差最小的模型，該最小訓(xùn)練樣本誤差平方和為0.080，相對誤差為0.008，從而確定本文中數(shù)據(jù)處理的隱含層數(shù)為4；最終建立輸入端包含偏差的6個神經(jīng)元輸入端、4個隱含層神經(jīng)元以及1個神經(jīng)元輸出端的MLP神經(jīng)網(wǎng)絡(luò)。

為了反映建立的MLP模型預(yù)測體重的準確性和穩(wěn)定性,本文通過線性回歸法對預(yù)測結(jié)果和實測值進行擬合，其擬合的結(jié)果R2為0.993，擬合度很高，經(jīng)計算其平均相對誤差為1.38%，優(yōu)于上述所有數(shù)學(xué)模型，能很好地預(yù)測豬體體重。MLP神經(jīng)網(wǎng)絡(luò)擬合結(jié)果如圖6所示。

圖6 MLP神經(jīng)網(wǎng)絡(luò)擬合結(jié)果

3 結(jié)論

1)根據(jù)本文采樣圖像的特點，利用顏色特征建立新的特征模型，得到新的樣本圖像，可便于圖像閾值分割及圖像形態(tài)學(xué)處理，得到完整的二值化豬體側(cè)視圖像，并利用GUI設(shè)計出豬體側(cè)視面積估計系統(tǒng)，為豬體面積的測量提供便利。

2)在只考慮體尺單因素的影響時，擬合出的體重與體尺的回歸方程的相關(guān)性較低，其平均誤差也較大，說明采用單因素效果不理想。通過比較逐步回歸法與MLP神經(jīng)網(wǎng)絡(luò)模型發(fā)現(xiàn)，MLP神經(jīng)網(wǎng)絡(luò)擬合模型相關(guān)性最好，相關(guān)性R2可達到0.993，平均相對誤差為1.38%，可以達到較好的預(yù)測精度，為測量育肥豬體重提供新的方法。

[1] Schofield C P．Evaluation of image analysis B a means of estimating the weight of pigs[J].J of Agriculture Engineering Research，1990，47：287-296.

[2] Minagawa H, Taira O, Nissato H. A color technique to simplify image processing measurement of pig weight by a hands- off method [C]//ASAE Publication Number 701P1303，2003.

[3] Apirachai Wongsriworaphon, Banchar Arnonkijpanich, Supachai Pathumnakul.An approach based on digital image analysis to estimate the live weights of pigs in farm environments[J]. Computers and Electronics in Agriculture,2015,115: 26-33.

[4] 楊艷，滕光輝，李保明，等.基于計算機視覺技術(shù)估算種豬體質(zhì)量的應(yīng)用研究[J].農(nóng)業(yè)工程學(xué)報，2006，22(2)：127-131.

[5] 楊艷，滕光輝，李保明.利用二維數(shù)字圖像估算種豬體重[J].中國農(nóng)業(yè)大學(xué)學(xué)報，2006,11(3): 61-64.

[6] 付為森，滕光輝，楊艷.種豬體重三維預(yù)估模型的研究[J].農(nóng)業(yè)工程學(xué)報，2006,22(2)：84-87.

[7] 王文靜，徐建瑜，呂志敏，等.基于機器視覺的水下鲆鰈魚類質(zhì)量估計[J].農(nóng)業(yè)工程學(xué)報， 2012,28(16):153-156.

[8] 周品. MatLab圖像處理與圖形用戶界面設(shè)計[M]. 北京：清華大學(xué)出版社，2013:140-324.

[9] 李卓，毛濤濤，劉同海，等.基于機器視覺的豬體質(zhì)量估測模型比較與優(yōu)化[J].農(nóng)業(yè)工程學(xué)報，2015,31(2):155-161.

[10] Mohammadamin Kashiha, Claudia Bahr, Sanne Ottb, et al.Automatic weight estimation of individual pigs using image analysis[J].Computers and Electronics in Agriculture， 2014，107: 38-44.

[11] 李明，張長利，房俊龍.基于圖像處理技術(shù)的小麥葉面積指數(shù)的提取[J].農(nóng)業(yè)工程學(xué)報，2010，26(1):205-209.

[11] 陳天華. 數(shù)字圖像處理 [M].北京：清華大學(xué)出版社，2014:312-320.

[13] 尹建軍，毛罕平，王新忠，等. RGB與HSI顏色空間下番茄圖像分割的對比研究[C]//中國農(nóng)業(yè)工程學(xué)會，2005：327-331.

[14] 謝振威.基于多元線性回歸和神經(jīng)網(wǎng)絡(luò)的化纖行業(yè)能耗預(yù)測研究[J].北京服裝學(xué)院學(xué)報：自然科學(xué)版,2012(4):59-67.

[15] 謝龍漢，尚濤，蔡明京. SPSS統(tǒng)計分析與數(shù)據(jù)挖掘[M].北京：電子工業(yè)出版社，2014:438-458.

Study on Weight of Fattening Pigs Based on Computer Vision Technology

Zhang Kai, Wang Chunguang, Liu Tao, Kang Feilong

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

In order to solve the problem of estimating the weight of the fattening pigs, the image and quality data of pigs was obtained at different growth stages. The research is based on the computer vision technology, the side image of pig will be treated with a series of measure steps which include the processing of image preprocessing, color characters, threshold segmentation and the processing of image pattern, measuring the side area of pigs after computation. Through the analysis of one dimension body size, side area and weight, it can apply the data fitting and establish mathematical model. The results show that the single factor of the body size is considered only, The correlation is lower between body weight and body size, and its average error is larger. Through the comparison of the stepwise regression method and the MLP neural network model, we find that the correlation of the MLP neural network model is the best.The correlation coefficient is 0.993, and the average relative error is 1.38%. It can assure the precision of evaluations very well, and provide new method for measuring the weight of pigs.

pig; image processing; weight; side area；data analysis

2016-04-20

“十二五”國家科技支撐計劃項目(2014BAD08B05)

張 凱(1989- )，男，山東煙臺人，碩士研究生，( E-mail)zhk5517@163.com。

王春光(1959- )，男，內(nèi)蒙古鄂爾多斯人，教授，博士生導(dǎo)師，( E-mail)jdwcg@imau.edu.cn。

S821.4+4

A

1003-188X(2017)05-0032-05