基于机器视觉的母猪体重估测

文/武尧 刘振宇 谷亚宁 赵惠瑾

（山西农业大学信息科学与工程学院 山西省太谷县 030801）

利用计算机视觉技术检测动物的生长发育、行为特征能更好为动物提供优良的生长环境，减少外界的应激刺激。基于机器视觉技术和数字图像分析技术的发展。据H.Minggaw a 研究显示动物的体重与其体积和投影面积有很大的相关性，他利用投影在猪身上的网格线的视差与猪体高的非线性关系近似估计其体高，并利用经验公式计算猪的体重。

1 算法原理

1.1 母猪图像区域提取方法

1.1.1 优化前景学习

由于PBAS 算法是针对单个像素进行的统计背景建模，并在此基础上进行前景检测，所以当待测目标面积大或者运动缓慢时，会得到一个不完整的前景，从而降低了算法的检测率。通过前景计数机制来防止目标物因静止而被更新判定为背景。以像素点xi为中心的，建立5×5 窗口Z(xi),定义该点与窗口内其他点的颜色差值的平均和为该区域颜色背景复杂度C(xi)：

其中，Ic为该点各通道的像素值，结合区域信息的背景复杂度值COM(xi)为：

其中，dmin(xi)为记录相似度最小距离值数组D(xi)的均值。背景复杂度控制判断阈值R(xi)和学习率更新T(xi)公式为：

其中，Rinde为R(xi)单次更新的变化幅度，Rscale为调整背景复杂度dmin(xi)的尺度因子，二者均为预先设定的固定值。

其中，Tinc为上调幅度，其值为预先设定。F(xi)=1 表示该点被判定为前景点，F(xi) =0 表示该点被判定为背景点。就在原像素级背景复杂度的基础上以加权的形式融入了区域信息。则TOM(xi)计数规则为：

每个像素xi的计数器初始值F(xi)均为0,当被判定为前景时，其计数器加1， TOMi(xi)=TOMmax, TOMmax为对静止前景的最长生命周期，根据经验可以设置为帧率的5 倍。

1.1.2 优化边缘值检测

图1：体重误差曲线

表1：成分累计解释方差统计表

采用非线性带权中值滤波来进行平滑图像，首先按灰度值大小将领域内的像素进行排序，将排序好的序列中间像素作为中间值输出。权值的分配由权值矩阵W(i, j)∈N 来决定。每个像素值I(u+i, v+j)被插入扩展的像素向量中，插入次数为其权值W(i, j)，扩展的像素像向量为：

其中，长度L 为：

对此像素向量进行排序，然后以某个像素为中心，选取3×3 方形领域，按领域内的每个像素灰度值的大小进行排序。中间值y 为：

采用3×3 来防止检测出假边缘值因而丢失真实边缘。通过计算中心像素点和8 个邻域像素在0°、90°、45°、135°四个方向的梯度后，进行像素灰度梯度G(i, j)的计算：

其中Gx(i, j)为0°(x 方向)的梯度，Gy(i, j)为90°(y 方向)的梯度，G45(i, j) 为45°方向的梯度，G135(i, j) 为135°方向的梯度。

根据梯度值反映出的周围像素灰度变化情况，通过梯度幅值矩阵计算其平均梯度幅值并分别计算各模板当前像素平均梯度幅值，用平均幅度值代替原有梯度幅度值。

1.2 母猪体重模型建立

经研究[4]，本文通过偏最小二乘回归分析法对母猪体重进行估测模型构建，分析各成分的累计解释方差，结果如表1 所示。

由表1 可知，通过PLS 方法的交叉有效性检验，回归模型的R2 为0.945。表明母猪的体尺在解释母猪体重时起到了重要的作用。通过PLS 做母猪体重y 在前4 成分的线性回归得到母猪体重估测模型为：

式中x1 为胸围，x2 为腱围，x3 为体长，x4 为体宽，x5 为体高，x6 为臀宽，x7 为臀高，y 为体重。

2 试验结果与分析讨论

2.1 试验材料

选用山西运城某猪场60 头处于生长不同阶段的长白母猪作为试验对象，利用4 台高清广角摄像机对母猪进行实时图像采集，通过局域网在电脑上显示采集图像并进行相应处理。

2.2 误差分析

在60 个实验样本中，去除一些非标准样本，从中选取了21 头母猪作为实验对象进行验证。通过体重模型估测母猪体重并绘制误差曲线如图1 所示，其平均误差率为3.2%。

3 结论与讨论

本文通过优化PBAS 算法和Canny 边缘值检测算法来满足待测母猪活动量以及猪舍环境的复杂度，降低待测物体边缘误检率使其图像连续性更好。通过分析各成分与其体重的相关性建立母猪体重估测模型完成对母猪体重数据的获取。

本文从计算机视觉角度对母猪体重数据进行非接触测试获取。通过误差分析表明，估测的体重数据相对误差在3.2%以内，该结果可以达到较好的精确度。利用计算机视觉技术，获取母猪图像数据进而进行图像分析，能更方便、准确的测量出母猪的体态参数，通过参数分析预估其生长发展趋势，建立生长模型，从而更加有效的改善母猪生长环境积极的预防母猪生长疾病。