基于图像的肉羊生长参数实时无接触监测方法

张丽娜，武 佩，乌云塔娜，宣传忠，马彦华，陈鹏宇



基于图像的肉羊生长参数实时无接触监测方法

张丽娜1,2，武 佩1※，乌云塔娜1，宣传忠1，马彦华1，陈鹏宇1

（1.内蒙古农业大学机电工程学院，内蒙古自治区草业与养殖业智能装备工程技术研究中心，呼和浩特 010018； 2. 内蒙古师范大学物理与电子信息学院，呼和浩特 010022）

针对基于体尺、体质量的肉羊实时生长监测中体尺、体质量需要人工测量的不足，论文提出基于结构化限位装置及机器视觉技术的无接触肉羊生长参数测量方法，并讨论无接触方法获取的体尺数据与羊只生长特性的关系。首先，基于自主研发的无应激形态参数采集系统实时采集60只小尾寒羊的俯视图和侧视图，应用图像处理技术对所得到的图像进行分析，提取体高、臀高、体长、胸深、胸宽、臀宽3类6种体尺参数；无接触生长参数采集系统同时记录对应羊只的体质量。对无接触方法获取的体尺、体质量数据相关关系进行研究，并分别利用单因素线性回归、单因素非线性回归、多元线性回归、偏最小二乘回归、RBF网络拟合、SVM回归方法建立体尺与体质量关系模型。试验表明：体高、臀高、体长、胸深、胸宽、臀宽的最大相对误差分别为4.73%、2.55%、2.50%、3.95%、3.80%和2.90%；无接触方法获取的体高、体长、胸宽与体质量相关性大于0.8；在基于单因素的生长监测中可选择体长参数；多体尺能够较全面地表达羊只的生长状态，其中胸深、胸宽、体长是重要的监测参数；多因素非线性模型可以更全面、精准的体现羊只生长特性。论文提出的无接触方法可有效提升工作效率，节约50%的人工投入。同时，也可减少羊只的应激反应，是长期、实时监测羊只生长的实用方法，对推动精准、福利化养羊具有重要意义。

图像分析；机器视觉；监测；活体羊；生长；无接触测量

0 引 言

内蒙古地区作为中国肉羊产业的主产区。近年来，随着“禁牧、休牧、轮牧”政策[1]的实施，利用秸秆等丰富的农副产品资源发展舍施养羊、变数量型养羊为质量型养羊成为内蒙古及周边地区养羊业可持续发展的基本战略[2-3]。在设施养羊中，随着人工、饲料和粪污处理等成本上涨，以及肉品安全问题日益突出，精准养殖成为现代养羊业发展的必然要求[4]，即在养殖中将羊作为个体或小群体进行管理[5]，利用各种传感器持续地自动获取羊只个体各时段信息，用以优化个体贡献、促使养羊业高效益、低成本、生态、可持续发展[6]。

羊只体尺数据间具有不同程度的相关性显著，能够反映羊只体格大小、体躯结构、生长发育状况以及各部位之间相对发育关系[7-9]，反映羊的生产性能[10-12]及遗传特性[13-16]。因此，常采用体尺累积生长、绝对生长和相对生长曲线表达生长发育规律[17-18]，采用形态学指数评价目标性状[19]，从而衡量羊生长发育的主要指标，评估羊只生长发育特性、遗传特性[20]；指导羊的选育，或预测未来羊群的性能[21]；评估羊只的生长速度、饲料利用率和胴体品质[22]。体质量信息体现羊只的生长速度、饲喂效益、营养状况等[23]，在集约化养羊生产过程中，基于体尺、体重的生长监测、对指导实际生产具有重要意义。

羊只体尺、体质量测量主要采用人工方式进行[24]，不仅测量工作量大，保定困难[25]，且需要直接接触羊体，羊的应激反应大，增加了人畜共患病的传播几率。目前基于光学原理的计算机视觉技术可获得丰富的体尺参数，测量结果具有较高的精度；相对手工测量，该方法更具客观性，近年来在活体动物体尺测量中被重视和采用[26-31]。如岳伟[32]应用机器视觉技术测量羊的体高、体长；Vieira等[33]开发了基于图像的奶山羊视觉评分系统；Khojastehkey等[34]基于图像处理技术估计新生羔羊体尺；Menesatti等[35]构建双目立体视觉系统评估活体羊的体尺及体质量。家畜体质量测定可借助RFID技术，结合电子秤，利用计算机数据管理技术实现自动、精准测量。公开发表的相关研究中[33-36]，对基于视觉的羊只体尺测量做了有益的探索，但相关研究中体尺参数测量的自动化程度不高，获取的体尺参数不丰富；相对成熟的研究方法多用于牛、猪领域，羊相对与牛、猪，羊只运动空间广、关节多，更加柔韧灵活，体姿多变，通常协同游走、采食、躺卧，且被毛厚重，这些特殊性都对基于无接触方法获取羊只体尺参数实施生长监测提出挑战。因此，本文提出基于视觉技术的无接触方法的羊只体尺、体质量检测方法。基于视觉技术的活体体尺测量包括限定空间环境的自动体尺参数测量方法，及相对自由空间的人机交互式测量方法。其中限定空间环境的自动体尺测量方法与相对自由空间的人机交互式测量方法相比，数据获取自动化程度更高，实用性更强，但测点自动提取策略的设定及其准确性有待提高。有鉴于此，本文提出采用结构化限位装置及机器视觉技术的无接触肉羊生长参数测量方法，在获取丰富体尺参数的同时，提高数据获取的自动化程度，以用于羊只实时生长监测，推动精准、福利化设施养羊。

1 无接触羊只体尺、体质量监测系统

1.1 无接触羊只体尺、体质量监测装置设计

考虑到羊的群居行为很强，熟悉的个体间易形成小群体，采用结构化限位专用装置测量羊只生长参数，即将活体羊确定在特定空间相对稳定的位置，继而使用事先布置在装置上的称重传感器称量体质量，使用CCD相机获取图像，测量羊体长、宽、高3个角度6个体尺参数：体高、臀高、体长、胸深、臀宽、胸宽的数据。考虑到对象与镜头相对位置对测量精度的影响[37]，分别在对象的左、右、顶部放置相机获取羊只3个角度（俯视图、左视图、右视图）的视图，其中通过对左、右两侧相机数据取均值来抑制由于活体羊处于非光轴对称中心对体长、体高数据引入的误差。无接触羊只监测装置如图1所示。

1.喇叭形入口 2.封闭式过道 3.RFDI耳标阅读器 4.动物电子秤 5.围栏 6.门禁控制装置 7.右侧相机 8.左侧相机 9.顶部相机 10.出口

封闭式过道宽度设计为40 cm宽、10 m长，以确保羊只以单列方式依次进入测量系统；采用低频（13.56 MHz）RFID（radio frequency identification）射频耳标阅读器阅读羊只身份信息；选用量程200 kg、输出灵敏度2.0±1% mV/V的悬臂梁称重测力传感器测量体质量；门禁控制系统采用行程为100 mm、最大负载1200 N的24 V推杆电机实施。

1.2 图像获取单元设计

左侧、右侧、顶部相机均选用分辨率为1280×960像素，像素尺寸为3.75m×3.75m，光学尺寸为1/3″的CCD传感器，帧率为40 帧/s （frames per second）的MV-EM120C型小型千兆网工业相机；镜头选用COMPUTAR_H0514-MP2工业镜头，焦距5 mm，口径比1∶1.4，最小物距0.1 m；选用MV-GigE 型四网口千兆高速数字相机采集卡，通过PCI-E总线将图像同步传递到计算机，采集装置布局如图2所示。

1.左侧相机 2.左侧相机光轴 3.右侧相机 4.右侧相机光轴 5.顶部相机 6.顶部相机光轴

1.3 计算机数据采集与处理

无接触羊只体尺、体质量监测系统既包含了数据的管理，同时涉及硬件设备间的通信，鉴于实验室虚拟仪器工程平台（Laboratory virtual instrumentation engineering workbench，LabVIEW）具有数据采集和仪器控制功能，在本应用中使用LabVIEW软件开发羊只形态参数测量系统[37]。LabVIEW与Access数据库的连接实现数据管理，视觉开发模块（vision development module，VDM）开发图像自动采集程序。Matlab具有强大的矩阵运算能力和图像处理能力，且LabVIEW支持应用程序之间通信的DDE（dynamic data exchange）、DLL（dynamic-link library）、COM（component object module）以及基于COM的ActiveX等技术，方便与Matlab接口并实现混合编程。因此，采用Matlab2013a软件处理图像数据。

在自然光照条件下，羊只在头羊的带领下，通过喇叭形入口，进入窄过道，RFID阅读器读入羊只身份信息后，触发开门装置，羊只进入体位限制装置。当体质量数据稳定时，系统记录体质量信息，同时软件触发3部相机同时拍照并计算体尺数据。打开出口门禁，当体质量数据归零后，关闭出口。依次往复，自动采集并计算体尺参数。在采集过程中，为提高图像处理的自动化水平，测量时，布置静态、单一、与羊体颜色区分度大的背景，本应用中分别在左、右侧相机处布置与装置对称面平行的蓝色背景板。

2 无接触羊只体尺参数测量

小尾寒羊是中国优良的地方品种，是发展规模化舍饲养羊产业的宝贵品种[38]。本文以小尾寒羊体尺测量为例，通过图像测点提取算法分别提取体高、臀高、体长、胸深、胸宽、臀宽6个参数。

2.1 图像预处理及前景提取

为提高后续算法的适应性，首先对图像进行中值滤波去噪，采用“参考白”法[39]进行光照补偿。

图3 部分前景提取结果

经前期试验发现，仅在恶劣环境下，前景提取可能不完整，但不完整部分出现在光照局部偏弱部分，即腹部偏后腿部分，非体尺测量关键区域，因此，不会对体尺参数的测量带来影响。此外，提取的前景图像在局部区域出现突起或凹陷，在体尺测量中采用轮廓拟合方法抑制误差。

2.2 体尺参数测量原理及流程图

体高（withers height，WH）为从耆甲到地面的垂直高度；臀高（rump height，RH）为从坐骨结节最后隆凸处到地面的垂直高度；体长（body length，BL）为肩端前缘至坐骨端后缘的直线距离；胸深（chest depth，CD）为耆甲到胸底间的垂直距离；胸宽（Chest width，CW）、臀宽（Rump width，RW）为胸部、臀部外缘最宽处。测量图示见图4所示。

1.体高 2.臀高 3.体长 4.胸深 5.胸宽 6.臀宽

体高、体长类参数均落于羊体侧视图轮廓上，为轮廓特征点[43]，利用相邻的一组轮廓点来计算轮廓线上各点的曲率、定位特征点，运算量小、时间代价低[44]。体宽参数可通过计算轮廓线上的点到俯视图对称中心线的距离的变化曲率确定[43]。羊只体尺参数测量流程如图5所示。

图5 羊只体尺参数测量流程图

在体尺计算中，需要计算图像的空间分辨率，将图像坐标系（pixel）下的结果表示为羊体在世界坐标系OXYZ（mm）下的参数值。侧视图空间分辨率确定方法为：当相机与装置位置确定后，在进行体尺测量前，将长为100 cm的尺子置于羊只装置中羊只常站立的位置，然后根据公式（1）确定。

2.3 体尺参数测量方法

2.3.1 侧视图体尺参数提取

1.耆甲 2.坐骨结节隆凸处 3.坐骨端后缘测点 4.胸骨前缘测点 5.胸底测点 6.背部最低点 7.区间3起点 8.前、后腿中间纵垂线

区间或离散数据量比较大，或形状复杂，因此采用移动最小二乘法（moving least-squares，MLS）分区间拟合轮廓[45-46]。MLS拟合过程中，权衡平滑度和时间代价[43]，选用径向基函数作为权函数，采用线性基拟合区间轮廓。区间拟合结果如图7所示。

在区间1、属于羊体左半侧的拟合曲线上查找耆甲点，在区间1查找背部最低点。耆甲点为颈部凹点与背部凹点间的凸点，采用波峰、波谷法定位；背部最低点则取拟合曲线值最大的点。由背部最低点及羊体右侧边界点(2,2)确定区间2及区间3，在区间2查找坐骨结节最后隆凸处，在区间3查找坐骨端后缘测点，坐骨端后缘测点处于轮廓线局部曲率最大处。依此，根据已确定的测点位置，自动标定待测区间范围，并获取测点。胸骨前缘测点虽然也处于轮廓曲率最大处，但胸骨前缘区域由于活体羊体姿多变无法精确确定区间方位，对曲率检测精度影响较大，故采用距离法确定，即将胸骨前缘数据点的首、尾点相连构成一条直线，计算区间上的点到连线的距离，取距离最大的点作为肩端前缘测点；胸底测点由于区间定位包含腿部边界，因此，曲率变化率最大的点定位为胸底测点。测点提取算法流程图如图8所示。

图7 区间划分及分区间轮廓拟合结果

图8 羊只体高、体长测点提取流程图

确定体尺测点后，以外侧前脚与外侧后脚构成的直线作为体高参数测量基准，各体尺参数检测结果如图9所示。

2.3.2 俯视图体尺参数提取

羊只俯视图为非刚性对称体。因此使用Matlab的regionprops（img, 'centroid'）函数确定羊体各区间的形心。应用骨架提取方法提取骨架，将处只存在一个骨架点的点构成新的点集，应用最小二乘法拟合后形成俯视图主骨架，即剪除骨架分支。在剪枝后的骨架上垂直映射形心重定位形心点位置。将重定位后的形心用直线连接，得到近似对称中心线，后计算轮廓上的点与近似对称中心线间的距离的变化，查找胸宽与臀宽测点。体宽参数提取过程及结果如图10所示。

图9 体高、体长类体尺参数

在各自扫描区间，扫描与中轴对称的轮廓点间的距离，然后对距离数据拟合以消除噪声，查找胸部距离拟合曲线曲率最小的点定位为颈部测点，分析特征点在轮廓上的特征，并经多次试验确定：颈部测点开始向后曲率最大的点为胸宽测点；臀部区间距离拟合曲线曲率最大点处为臀宽测点。

3 试验设计及结果分析

3.1 试验设计

试验在内蒙古农业大学海流图肉羊养殖基地进行，基地位于内蒙古呼和浩特市土左旗北什轴乡海流村境内，地理坐标为111°22′30″E、40°41′30″N，是中国-加拿大可持续农业科技创新示范项目：肉羊业科技创新示范基地。该养殖基地为集约化养殖方式，羊只按照品种、年龄等分群管理，试验用羊群由60只小尾寒羊构成。

待试验的60只成年小尾寒羊母羊（12～36月龄）均未怀孕。早上空腹时进行体尺、体质量测量。为了验证方法的可行性，首先人工测量待测羊只的体尺参数，测量时确保羊站立在平坦的地方，一人固定羊，以确保姿势端正，另一人使用测杖进行测量并记录数据，测量时将羊毛厚度计入，每个参数均测3次取均值。接着诱导羊只进入测量装置，采用图像系统获取羊只的俯视图、左视图及右视图。经过图像预处理、图像分割、图像聚类、粒子填充与过滤，获得羊体轮廓图像后，自动检测体尺测点、折算空间分辨率，得到体尺数据。分析体质量与图像获取的体尺的相关性。利用单因素线性回归、单因素非线性回归、多元线性回归、偏最小二乘回归、RBF神经网络、支持向量机等方法建立基于体尺的体质量预估模型，分析体尺数据与生长特性的关系。

3.2 基于图像的体尺数据有效性分析

对同一只羊在不同体位、体姿情形下，每一视角采集5幅图像，测量体尺参数，验证基于图像自动获取体尺参数方法的有效性，测量结果见表1所示。

表1 同一只羊处于不同位置时体尺参数测量的可重复性

*注：去掉一个最大值，去掉一个最小值后计算均值。

Note: Mean value was computed by removing a maximum and a minimum value.

试验结果表明，同一只羊的不同体位、体姿对测量数据的精度有较大影响，极端体姿情形下，体高、体长数据与实测值偏差较大；多次测量求平均值可抑制误差；左、右相机分别计算体尺参数取后取均值是抑制误差的有效方法。

对试验的60只小尾寒羊经图像分析自动获取的体尺参数与人工测量值（标准值）对比，得到：体高、臀高、体长、胸深的最大相对误差分别为4.73%、2.55%、2.50%、3.95%；胸宽、臀宽的最大相对误差分别为3.80%和2.90%。数据精度较高。

3.3 体质量与各体尺参数相关性分析

60只小尾寒羊视觉图像提取体尺参数及体质量数据统计信息见表2所示。由表可以看出，体质量与各体尺参数的分布具有一定的广度。

表2 无接触方法获得的体尺参数及体质量统计结果

虽然小尾寒羊体尺与体质量的相关关系已在多篇公开发表的文献[1-8,11,19]中给出，但相关结果对应于采用人工方法测量的体尺，测量的体尺参数不包含羊毛厚度，而采用机器视觉方法获得的体尺参数包含羊毛厚度，因此仍需进行相关性分析。使用SAS软件，选择=0.05置信水平，分析体质量与各体尺指标的相关性，体质量与各体尺指标的置信椭圆见图11所示。

由置信椭圆长、短轴之比衡量变量间的相关性，图示可知各体尺参数与体质量均有较强的相关性，其中体质量与体长的相关性最强；胸宽与体质量的相关性次之。吕玉玲等[47]采用“人工”“皮尺测量”的方法获得的体尺参数对小尾寒羊体质量估测，也得到了相关的结论，表明基于视觉的体尺测量方法可行。

3.4 体尺与体质量相关模型分析

3.4.1 体尺与体质量建模

通过建立体尺与体质量相关模型进一步讨论基于无接触方法获得的体尺参数对生长性能影响。

一元回归分析讨论单个变量体现生长特性的能力；多元线形回归方法可以抑制体尺数据间存在共线性问题[48]，将变量间的内在联系和相互影响考虑进来，采用逐步法进行变量的筛选，去掉相关性小的变量相后建立多元线性回归模型，得到多元变量对生长性能的影响特性；偏最小二乘回归方法实现了多元线性回归、主成分分析和典型相关分析的综合，对样本容量小、解释变量个数多、变量间存在严重多重相关性问题回归更加有效，整体性更强[49-50]，因此使用偏最小二乘回归方法建立体质量与体尺的相关模型。选用采用够逼近任意的非线性函数、结构简单、泛化能力强、学习收敛速度快、不易陷入局部极小点等诸多优点[51]的径向基函数（radial basis function，RBF）网络，及具有优秀的学习能力[52]、较好的泛化功能[53]、较好的解决小样本学习问题[54]的支持向量机（support vector machine，SVM）方法构建多元变量与体质量的非线性模型。

将60组数据中的40组作为训练集，剩余20作为测试集。各预估模型及预估值与实测值相关系数、标准偏差见表3所示。单因素回归分析中，体长与体质量的回归模型估测结果与实测值相关性最大；胸宽与体质量的回归模型估测结果与实测值相关性次之。单因素非线性模型表达生长特性优于线性模型。多元线性回归模型的拟合优度优于一元线性回归模型。逐步多元线性回归模型估测结果表明体长、胸宽是体质量决定性相关变量。偏最小二乘回归方程可以看到，胸深、胸宽在解释体质量时起到极为重要的作用，体长的作用次之。非线性回归模型拟合优度高于线性回归模型。

3.4.2 体尺与体质量相关模型精度测试

用测试数据集测试各模型精度。对于单因素回归模型，只选取体质量回归模型特性相对较好体长与体质量模型、胸宽与体质量模型进行测试。结果见表4所示。

从表4可以看出，基于单因素的体质量预估模型中，基于体长的体质量幂回归模型相对误差较小，预测相关系数和标准偏差较小；而在基于多因素的体质量预估模型中，支持向量机回归模型的性能较好，也是多种建模方法中预测结果最好的模型。

同时人工方法需要2人配合测量进行测量，与人工监测方法相比，基于机器视觉方法的体尺测量只需1人疏导，图像获取、参数计算自动完成，人工投入量至少降低50%。

表3 体质量预估模型

Note:1,2,3,4,5and6represent withers height, rump height,body length, chest depth, chest width and rump width, respectively.represents weight. The input of RBF neural network is the body size variable, the output is the body weight, the initial center is selected randomly, the squared variance of the basis function is the sum of the co-variances at each point of the sample, and the connection between the hidden layer and the neuron in the output layer is calculated using the least square method; Regression model of support vector machine uses RBF function kernel function,=10,=0.01. In this application, it has 23 support vectors.

表4 体质量预估模型精度测试

4 结 论

本文提出基于无接触方法的肉羊实时生长监测，采用图像分析的方法获取羊只的体尺参数，避免人与羊的直接接触，减少羊只的应激反应，同时，降低人畜共患病的传播几率，人工投入量降低50%。从测量精度看，基于视觉的方法获取的体尺参数精度较高，最大相对误差小于4.73%。

本文分析了图像获取的体尺数据与体质量的相关系，证明了基于视觉的羊只生长监测方法是可行的，并得出：在基于视觉的单因素生长监测中，可选择体长作为生长监测参数；多体尺参数能够更好的表达羊只生长特性，在实施无接触生长监测中，胸深、胸宽、体长是影响生长的重要参数，可长期监测；体高、臀高、体长、胸深、胸宽、臀宽参数与生长特性的非线性模型可精准的体现羊只生长，预估体质量与实测体质量的相关系数达到0.953 8。此外本文提出的方法，与单一的基于体质量的生长监测相比，可提供除全面的生长信息外，还可获得羊只的体型特征、遗传特征等，用于羊群的选育。

[1] 时彦民. 我国为何要推行草原禁牧休牧轮牧[J]. 中国牧业通讯，2007(9)：22－27.

[2] 樊宏霞，薛强. 内蒙古养羊业的现状、问题及对策[J]. 内蒙古农业大学学报：社会科学版，2010，12(6)：95－97.

[3] 赵媛，王海荣，曹秀月，等. 内蒙古巴彦淖尔市典型饲料资源及肉羊饲养方式调查[J]. 畜牧与饲料科学，2011，32(1)：44－45.

[4] 李栋. 中国奶牛养殖模式及其效率研究[D]. 北京：中国农业科学院，2013.

Li Dong. Study on Efficiency and Model of Dairy Cattle Breeding[D]. Beijing: Chinese Academy of Agricultural Sciences, 2013. (in Chinese with English abstract)

[5] Atkins K D, Besier B, Colditz I G, et al. Integrated animal management system and method: AU, WO/2005/101273[P]. 2005-10-27.

[6] 何东健，刘冬，赵凯旋. 精准畜牧业中动物信息智能感知与行为检测研究进展[J]. 农业机械学报，2016，47(5)：231－244.

He Dongjian, Liu Dong, Zhao Kaixuan. Review of perceiving animal information and behavior in precision livestock farming[J]. Transactions of the Chinese Society for Agriculture Machinery, 2016, 47(5): 231－244. (in Chinese with English abstract)

[7] 顾亚玲，马吉锋. 萨福克羔羊断奶体重体尺指标及其相关性的研究[J] . 内蒙古畜牧科学，2003，24(5)：28－29.

[8] 达布西，金凤，德庆哈拉，等. 苏尼特成年母羊体重与体尺的通径分析[J]. 内蒙古畜牧科学，2002，23(5)：15－17.

[9] Bingöl M, Gökdal O, Aygün T, et al. Some productive characteristics and body measurements of Norduz goats of Turkey[J]. Tropical Animal Health & Production, 2012, 44(3): 545－550.

[10] Owen JB. 绵羊生产[M]. 涂友仁，译. 北京：农业出版社，1984：5－53.

[11] 王欣荣，吴建平，杨联，等. 甘南草地型藏羊体质量与体尺指标的相关性研究[J]. 甘肃农业大学学报，2011，46(5)：7－11.

Wang Xinrong, Wu Jianping, Yang Lian, et al. Regression analysis between body weight and body size of Gannan Tibetan sheep[J]. Journal of Gansu Agriculture University, 2011, 46(5): 7－11. (in Chinese with English abstract)

[12] Mayaka T B, Tchoumboue J, Manjeli Y, et al. Estimation of live body weight in west african dwarf goats from heart girth measurement[J]. Trop, Anim. Hlth Prod, 1995(28): 126－128.

[13] 白俊艳，张省林，庞有志，等. 大尾寒羊体尺指标的主成分分析[J]. 湖北农业科学杂志，2011，50(14)：2912－2914.

[14] 王大广，苏秀侠，杨德新，等. 萨福克肉用种羊体型测定值体形测定值遗传参数的估计[J]. 吉林农业科学，2002，27(5)：45－46.

[15] Dunlop A A. Interactions between heredity and environment in the Australian Merino. II. Strain x location interactions in body traits and reproductive performance[J]. Australian Journal of Agricultural Research, 1963(14): 690－703.

[16] Wynn P C, Thwaites C J. The relative growth and development of the carcass tissues of Merino and crossbred rams and wethers[J]. Australian Journal of Agricultural Research, 1981(32): 947－956.

[17] 姜加华. 波尔山羊级进杂交二代羔羊的生长分析[D]. 南京：南京农业大学，2004.

Jiang Jiahua. Growth Anslysis of Crossbred Filial-generation Two of Boer×Xuhuai White Goats[D]. Nanjing: Nanjing Agricultural University, 2004. (in Chinese with English abstract)

[18] Darmani-Kuhi H, Kebreab E, LoPez S, et al. A derivation and evaluation of the Von Bertalalffy equation for describing growth in broilers overtime[J]. J Anim Feed Sci, 2002(11): 109－125.

[19] Salako A. Application of morphological indices in the assessment of type and function in sheep[J]. International Journal of Morphology, 2006, 24(1): 13－18.

[20] 张帆，颜亭玉，杨佐君，等. 多元统计分析方法在羊体质量与体尺研究中的应用[J]. 北京农学院学报，2012，27(4)：16－19.

Zhang Fan, Yan Tingyu, Yang Zuojun, et al. Application of multivariate statistical analysis methods on Ovine body size and body weight[J]. Journal of Beijing University of Agriculture, 2012, 27(4): 16－19. (in Chinese with English abstract)

[21] Janssens S, Vandepitte W. Genetic parameters for body measurements and linear type traits in Belgian Blue du Maine, Suffolk and Texel sheep[J]. Small Ruminant Research, 2004(54): 13－24.

[22] Wynn P C, Thwaites C J. The relative growth and development of the carcass tissues of Merino and crossbred rams and wethers[J]. Australian Journal of Agricultural Research, 1981(32): 947－956.

[23] Menesatti P, Costa C, Antonucci F, et al. A low-cost stereovision system to estimate size and weight of live sheep[J]. Computers & Electronics in Agriculture, 2014, 103(2): 33－38.

[24] 花立民，周建伟，于应文，等. 放牧家畜质量自动称量系统的设计与试验[J]. 农业工程学报，2012，28(15)：15－20.

Hua Limin, Zhou Jianwei, Yu Yingwen, et al. Design and experiment of livestock auto weighing system[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(15): 15－20. (in Chinese with Englishabstract)

[25] 贾兰萍，吴登俊. 家畜体重研究进展[J]. 畜禽业，2002，141(1)：4－5.

[26] 包鹏甲，裴杰，王宏博，等. 一种羊用野外称重保定装置：201420110553[P]. 2014-10-29.

[27] John C. System and method for measuring animals：USA，8036429[P]. 2011-10-11.

[28] 刘同海，滕光辉，付为森，等. 基于机器视觉的猪体体尺测点提取算法与应用[J]. 农业工程学报，2013，29(2)：161－168.

Liu Tonghai, Teng Guanghui, Fu Weisen, et al. Extraction algorithms and applications of pig body size measurement points based on computer vision[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(2): 161－168. (in Chinese with Englishabstract)

[29] Zwertvaegher I，Baert J，Vangeyte J，et al. Objective measuring technique for teat dimensions of dairy cows[J]. Biosystems Engineering, 2011, 110(2): 206－212.

[30] 郭浩，张胜利，马钦，等. 基于点云采集设备的奶牛体尺指标测量[J]. 农业工程学报，2014，30(5)：116－122.

Guo Hao, Zhang Shengli, Ma Qin, et al. Cow body measurement based on Xtion[J] . Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(5): 116－122. (in Chinese with English abstract)

[31] 朱林，张温，李琦，等. 基于嵌入式机器视觉的羊体体征测量系统[J]. 计算机测量与控制，2014，22(8)：2396－2398.

Zhu Lin, Zhang Wen, Li Qi, et al. Measuring system of sheep body size based on embedded machine vision[J]. Computer Measurement & Control, 2014, 22(8): 2396－2398. (in Chinese with English abstract)

[32] 岳伟. 基于机器视觉的羊体体征测量[D]. 包头：内蒙古科技大学，2015. Yue Wei. Sheep Body Size Measurement Based on Machine Vision[D]. Baotou: Inner Mongolia University of Science & Technology, 2015. (in Chinese with English abstract)

[33] Vieira A, Brandão S, Monteiro A, et al. Development and validation of a visual body condition scoring system for dairy goats with picture-based training[J]. Journal of Dairy Science, 2015, 98(9): 6597－6608.

[34] Khojastehkey M, Aslaminejad A A, Shariati M M, et al. Body size estimation of new born lambs using image processing and its effect on the genetic gain of a simulated population[J]. Journal of Applied Animal Research, 2016, 44(1): 326－330.

[35] Menesatti P, Costa C, Antonucci F, et al. A low-cost stereovision system to estimate size and weight of live sheep[J]. Computers and Electronics in Agriculture, 2014, 103: 33－38.

[36] 田芳，彭彦昆. 生猪肉产量预测的非接触实时在线机器视觉系统[J]. 农业工程学报，2016，32(2)：230－235.

Tian Fang, Peng Yankun. Machine vision system of nondestructive real-time prediction of live-pig meat yield[J]. Transactions ofthe Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(2): 230－235. (in Chinese with English abstract)

[37] 张丽娜，杨建宁，武佩，等. 羊只形态参数无应激测量系统设计与试验[J]. 农业机械学报，2016，47(11)：308－315.

Zhang Lina, Yang Jianning, Wu Pei, et al. Design and experiment of non-stress measuring system for sheep’s conformation parameters[J]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(11): 308－315. (in Chinese with English abstract)

[38] 臧强，李保明，施正香，等. 规模化羊场羊舍夏季环境与小尾寒羊的行为观察[J]. 农业工程学报，2005，21(9)：183－185. Zang Qiang, Li Baoming, Shi Zhengxiang, et al. Summer environment and behavior of Chinese little fat-tailed sheep on intensive sheep farm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2005, 21(9): 183－185. (in Chinese with English abstract)

[39] 杨帆，王志陶，张华. 精通图像处理经典算法[M]. 北京：北京航空航天大学出版社，2014.

[40] Achanta R, Shaji A, Smith K, et al. SLIC superpixels compared to state-of-the-art superpixel methods[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2012, 34(11): 2274－2282.

[41] 宋熙煜，周利莉，李中国，等. 图像分割中的超像素方法研究综述[J]. 中国图象图形学报，2015，20(5)：599－608.

Song Xiyu, Zhou Lili, Li Zhongguo, et al. Review on superpixel methods in image segmentation[J]. Journal of Image and Graphics, 2015, 20(5): 599－608. (in Chinese with English abstract)

[42] Bezdek J C. Pattern Recognition with Fuzzy Objective Function Algorithms[M]. New York: Plenum Press, 1981.

[43] 张丽娜. 基于跨视角机器视觉的羊只体尺参数测量方法研究[D]. 呼和浩特：内蒙古农业大学，2017.

Zhang Lina. Study on Sheep’s Body Size Measurement Based on Cross-angle Computer Vision[D]. Hohhot：Inner Mongolia Agricultural University, 2017. (in Chinese with English abstract)

[44] 张文景，许晓鸣，丁国骏，等. 一种基于曲率提取轮廓特征点的方法[J]. 上海交通大学学报，1999，33(5)：86－89.

Zhang Wenjing, Xu Xiaoming, Ding Guojun, et al. Approach to extract feature points on boundary based on curvature[J]. Journal of Shanghai Jiao Tong university, 1999, 33(5): 86－89. (in Chinese with English abstract)

[45] Oudjene M, Ben-Ayed L, Delamézière A, et al. Shape optimization of clinching tools using the response surface methodology with moving least-square approximation[J]. Journal of Materials Processing Technology, 2009, 209(1): 289－296.

[46] Huang X, Tian Q, Mao J, et al. Adaptive moving least squares for scattering points fitting[J]. Wseas Transactions on Computers, 2010, 9(6): 664－673.

[47] 吕玉玲，张培松，崔保国，等. 小尾寒羊体重估测方法的研究[J]. 畜牧与饲料科学，2007，28(5)：25－26.

[48] 李卓. 基于立体视觉技术的生猪体重估测研究[D]. 北京：中国农业大学，2016.

Li Zhuo. Research of Pig Weight Estimation Based on Stereo Vision Technology[D]. Beijing: China Agricultural University, 2016. (in Chinese with English abstract)

[49] 何正风. MATLAB概率与数理统计分析（第二版）[M]. 北京：机械工业出版社，2012，275－299.

[50] 龚敏庆，孙明伟，金明仲. PLS分析与RBF神经网络耦合环境模型[J]. 数理统计与管理，2011，30(5)：840－845.

Gong Minqing, Sun Mingwei, Jin Mingzhong. Environmental coupling model of PLS analysis and RBF neural network[J]. Journal of Applied Statistics and Management, 2011, 30(5): 840－845. (in Chinese with English abstract)

[51] 周润景，张丽娜. 基于Matlab与Fuzzytech的模糊与神经网络设计[M]. 北京：电子工业出版社，2010，284－312.

[52] 顾亚祥，丁世飞. 支持向量机研究进展[J]. 计算机科学，2011，38(2)：14－17.

Gu Yaxiang, Ding Shifei. Advances of support vector machines (SVM)[J]. Computer Science, 2011, 38(2): 14－17. (in Chinese with English abstract)

[53] Vapnik V, Levin E, Cun Y. Measuring the VC-dimension of a learning machine[J]. Neural Computation, 1994, 6(5): 851－876.

[54] 张学工. 关于统计学习理论与支持向量机[J]. 自动化学报，2000，26(1)：32－42.

Zhang Xuegong. Introduction to statistical learning theory and support vector machines[J]. ACTA Automatica Sinica, 2000, 26(1): 32－42. (in Chinese with English abstract)

Real-time non-contact monitoring method for growth parameters of sheep based on image analysis

Zhang Lina1,2, Wu Pei1※, Wuyun Tana1, Xuan Chuanzhong1, Ma Yanhua1, Chen Pengyu1

(1.,,010018,; 2.,,010022,)

Monitoring the growth performance is imperative to profitable sheep production. Knowledge of daily growth rates provides producers with information that can assist them in making effective management decisions. With the development of intensive sheep farming, small adjustments in production can have a large effect on overall performance and profits in growing-finishing units. The parameters of body size and body weight reflect the animal’s growth development, production performance and genetic characteristics. By using the records of the body size parameters, producers can monitor and estimate the feeding programs, herd health status, individual sheep growth characteristics, breeding, and so on. So, monitoring body size and body weight in real time is necessary. However, the present way of determining these parameters is normally by men, e.g. the sheep has to stand on a flat place with correct posture during measuring the body size with measuring stick, tape measure, and so on, and the sheep has to be tied up or hung up on scales when weighting, which has the shortcoming in causing the stress reaction of the sheep. In this work, a non-contact system with 3 high-resolution cameras was developed for automatically obtaining both the body dimension landmarks in 3 views and the body weight (BW). A software, developed in MATLAB environment, has been used to process the images and to obtain the points position in the image and the distances between the points. The measured body parameters included withers height (WH), rump height (RH), body length (BL), chest depth (CD), chest width (CW), and rump width (RW). A left camera and a right camera were used to restrain errors of WH, RH, BL and CD, and the average was performed to avoid precision reduction caused by the object deviating from the camera optical axis when using a single side camera. sixty small-tailed Han sheep (adult, females, not pregnant) with different ages (from 12 to 36 months, mean 65.48±8.58 kg) were weighed and recorded with 0.1 kg precision scale in the morning before their release for feeding in order to minimize the post-prandial variation. The measurement results in farm showed that the complementary parameters of left and right views could improve the accuracy of the measurement system, and the average of several measurements could reduce the deviation from the actual value obtained by single measurement of the multi postures. The maximum relative errors of WH, RH, BL, CD, CW and RW were 4.73%, 2.55%, 2.50%, 3.95%, 3.80% and 2.90%, respectively. In order to prove the usefulness of the monitored parameters, the body sizes of each animal were used to predict the weight by a few methods, including single variable linear regression, single variable nonlinear regression, stepwise multiple linear regression (stepwise-MLR), partial least squares regression (PLSR), radial basis function network (RBF), and support vector machine (SMV). Results showed that, the body size got by image processing and liveweight had a higher correlation. In the process of single variable analysis, only the BL was reserved to the prediction model, for it was more significant to liveweight. It was found that by using the SVM method, the standard deviation and average error in model validation were the minimum, which reached 3.82 kg and 4.32% respectively. So the parameters got by image processing can be used for monitoring the growth of sheep. Through the in-situ test, it proved that the real-time monitoring method of sheep’s growth eases the livestock measuring workload greatly and overcomes the limitations of manual measurement, and it’s worth popularizing and making more efforts to improve the precision management and welfare farming of sheep.

image analysis; computer vision; monitoring; live-sheep; growth; contactless measurement

10.11975/j.issn.1002-6819.2017.24.024

S24

A

1002-6819(2017)-24-0182-10

2017-05-15

2017-10-26

国家自然科学基金资助项目（61461042，11364029）；内蒙古“草原英才”产业创新人才团队项目（内组通字[2014] 27号）

张丽娜，女（蒙），呼和浩特，博士，副教授，研究方向：农业工程测试与控制。Email：linanazhang@126.com

武 佩，男，呼和浩特，教授，博士生导师，研究方向：农业工程测试与控制。Email: jdwupei@163.com

张丽娜，武 佩，乌云塔娜，宣传忠，马彦华，陈鹏宇. 基于图像的肉羊生长参数实时无接触监测方法[J]. 农业工程学报，2017，33(24)：182－191. doi：10.11975/j.issn.1002-6819.2017.24.024 http://www.tcsae.org

Zhang Lina, Wu Pei, Wuyun Tana, Xuan Chuanzhong, Ma Yanhua, Chen Pengyu. Real-time non-contact monitoring method for growth parameters of sheep based on image analysis[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(24): 182－191. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2017.24.024 http://www.tcsae.org