基于圖像處理的生豬耳部顏色異常檢測技術(shù)

周麗萍 陳 達(dá) 陳 志 苑嚴(yán)偉 王麗麗 孫小文

(1.中國農(nóng)業(yè)機(jī)械化科學(xué)研究院， 北京 100083； 2.中國機(jī)械工業(yè)集團(tuán)有限公司， 北京 100080)

基于圖像處理的生豬耳部顏色異常檢測技術(shù)

周麗萍1陳 達(dá)2陳 志2苑嚴(yán)偉1王麗麗1孫小文1

(1.中國農(nóng)業(yè)機(jī)械化科學(xué)研究院， 北京 100083； 2.中國機(jī)械工業(yè)集團(tuán)有限公司， 北京 100080)

為研究規(guī)?；i養(yǎng)殖場中藍(lán)耳病疫情預(yù)警監(jiān)測方法，提出一種非接觸式耳部顏色自動(dòng)檢測方法。該方法將生豬熱紅外圖像和可見光圖像相結(jié)合尋找最優(yōu)尺度因子，確定可見光圖像中生豬耳根部特征區(qū)域；采用主動(dòng)形狀模型方法，選取34個(gè)生豬耳部輪廓特征點(diǎn)，并將搜索范圍限定在生豬頭部區(qū)域，用以提取生豬耳部輪廓；將提取的耳部輪廓進(jìn)行顏色對比，判斷該生豬是否患有藍(lán)耳病疫情。結(jié)果表明，由于限定生豬頭部區(qū)域搜索范圍，能快速準(zhǔn)確地提取生豬耳部輪廓。對生豬耳部顏色檢測準(zhǔn)確率達(dá)到77%以上。

生豬； 藍(lán)耳病疫情； 尺度因子； 耳部輪廓； 搜索范圍

引言

我國畜禽養(yǎng)殖中生豬養(yǎng)殖量居世界首位，生豬存欄量占世界生豬存欄量的50%以上[1]。豬肉產(chǎn)量占全國肉類產(chǎn)量比重不斷增加，到2015年已達(dá)到65%，其中城市消費(fèi)者的生鮮豬肉消費(fèi)量約占肉類消費(fèi)總量的60%以上[2]。由此可知生豬養(yǎng)殖業(yè)已成為畜禽養(yǎng)殖業(yè)的主導(dǎo)產(chǎn)業(yè)，豬肉成為人們?nèi)馐称返闹饕獊碓?。而生豬的健康問題直接關(guān)系到社會經(jīng)濟(jì)利益和食品安全。豬繁殖與呼吸系統(tǒng)綜合癥(PRRS，藍(lán)耳病)，是一種高致命性傳染疾病，首次發(fā)現(xiàn)于20世紀(jì)80年代末[3-4]。我國于2006年大規(guī)模爆發(fā)藍(lán)耳病，造成了巨大的經(jīng)濟(jì)損失。藍(lán)耳病主要以哺乳仔豬和懷孕母豬發(fā)病為主，病豬出現(xiàn)高熱、嗜睡、皮膚蒼白、耳尖發(fā)紫、精神不振、行走不穩(wěn)、食欲減退、咳嗽等特征。我國群養(yǎng)豬舍內(nèi)疫情巡檢幾乎全是人工操作，不能及時(shí)發(fā)現(xiàn)患病豬只[5]，近年來，很多學(xué)者針對生豬疫情檢測開展了不同程度的研究工作。MADSEN等[6]通過監(jiān)測育肥豬每小時(shí)的飲水量，基于狀態(tài)空間模型對生長豬的飲水模式進(jìn)行建模，用于監(jiān)測豬的飲水是否正常，預(yù)測豬疾病的爆發(fā)、飼料質(zhì)量和通風(fēng)設(shè)備問題等異常情況。陸明洲等[7]利用RFID射頻識別技術(shù)、紅外探測技術(shù)和水流量傳感器設(shè)計(jì)了一套群養(yǎng)方式下母豬飲水行為的自動(dòng)監(jiān)測系統(tǒng)，測得群養(yǎng)豬飲水頻率。SILVA等[8-9]與AERTS等[10]通過臨床發(fā)現(xiàn)染病豬咳嗽持續(xù)時(shí)間及咳嗽頻率高于健康豬，利用音頻分析技術(shù)能夠及時(shí)識別呼吸道感染病豬。肖德琴等[11]為快速檢測豬只運(yùn)動(dòng)信息，研究了一種基于視頻追蹤的豬只運(yùn)動(dòng)信息檢測方法。朱偉興等[12]針對群養(yǎng)豬行為，開發(fā)了疑似病豬行為自動(dòng)監(jiān)測系統(tǒng)，監(jiān)測具有異常行為的疑似病豬。劉波等[13]為研究生豬體表溫度與生豬異常的關(guān)系特征，提出了一種基于射線輪廓特征點(diǎn)匹配的紅外與可見光圖像自動(dòng)配準(zhǔn)方法。ANDERSEN等[14]利用耳標(biāo)式溫度傳感器和攝像頭研究豬耳部溫度和行為的關(guān)系。HENTZEN等[15]在實(shí)驗(yàn)室內(nèi)采用手術(shù)將無線膠囊溫度傳感器植入小豬體內(nèi)，研究小豬體溫和行為的關(guān)系。本文針對生豬藍(lán)耳病疫情的耳部發(fā)病特征，采用圖像匹配方法、主動(dòng)形狀模型方法提取白毛豬耳部輪廓圖形，并將提取的圖片進(jìn)行顏色對比，判斷其是否患有藍(lán)耳病疫情。

1 材料與方法

1.1 試驗(yàn)材料與試驗(yàn)場地

選取白毛妊娠豬為研究對象，采用中國農(nóng)機(jī)院機(jī)電技術(shù)應(yīng)用研究所研制的熱紅外圖像采集器和分辨率為800 dpi的普通相機(jī)同時(shí)采集生豬的熱紅外圖像和可見光圖像，于北京市農(nóng)業(yè)機(jī)械研究所通州生豬養(yǎng)殖基地5號豬舍采集所需生豬圖片。

1.2 試驗(yàn)方法

本試驗(yàn)分別采集100組睡臥姿態(tài)下妊娠豬圖像，即熱紅外圖像100幅，可見光圖像100幅，采集時(shí)間為13:00—15:00，光照充足。普通相機(jī)和熱紅外圖像采集器并排安裝在自動(dòng)巡檢消毒車的機(jī)械臂上，鏡頭方向保持一致，均安裝在水平位置向下30°夾角處。熱紅外圖像采集器和普通相機(jī)在采集圖像時(shí)同時(shí)拍攝，盡量保證所拍攝照片中的生豬形態(tài)位置一致性。選取其中50對一致性較好的圖像進(jìn)行研究。由于生豬在圖像中的頭部姿態(tài)各不相同，所以其耳部形狀也有所差異，在選擇圖像訓(xùn)練時(shí)，盡量選擇耳部形狀基本一致的圖像進(jìn)行分析。其中的10幅圖像作為訓(xùn)練樣本，并對普通相機(jī)所拍攝的50幅圖像進(jìn)行測試。

2 生豬熱紅外圖像與可見光圖像匹配方法

由于待配準(zhǔn)圖像采集方法不同，圖像之間存在尺度、平移、旋轉(zhuǎn)、視角和亮度等各種變換。分別用尺度因子、平移因子、旋轉(zhuǎn)因子來衡量，在圖像配準(zhǔn)的過程中可確定最優(yōu)的尺度因子、平移因子和旋轉(zhuǎn)因子。本文所使用的生豬可見光圖像和熱紅外圖像為同一時(shí)間、同一視角采集，生豬的行為姿態(tài)大體一致，可以近似認(rèn)為沒有旋轉(zhuǎn)和平移，即只需考慮尺度因子。計(jì)算圖像間的最優(yōu)尺度因子是圖像能否正確匹配的關(guān)鍵因素。對于此類圖像而言，設(shè)向量a=(x,y)為熱紅外圖像中一個(gè)特征點(diǎn)，而向量b=(x′,y′)為可見光圖像中與之對應(yīng)的特征點(diǎn)，則尺度比的計(jì)算式為

(1)

式中s(a)——特征點(diǎn)a的特征尺度s(b)——特征點(diǎn)b的特征尺度xk——尺度比k在x軸方向的坐標(biāo)yk——尺度比k在y軸方向的坐標(biāo)

對于圖像選取的n個(gè)特征點(diǎn)，其每個(gè)特征點(diǎn)的尺度比計(jì)算式為

(2)

2.1 生豬熱紅外圖像輪廓特征點(diǎn)集的構(gòu)建

生豬熱紅外圖像如圖1所示。從圖中可以看出，由于生豬的體表熱輻射率與周圍環(huán)境存在較大差異，所以生豬輪廓能在圖像中完整地表現(xiàn)出來，便于提取其外圍輪廓。且生豬由于其耳根部體溫較高，基本能代表生豬的正常體溫，所以其耳根部區(qū)域與其他區(qū)域又存在明顯差異，便于提取耳根部特征區(qū)域，用于后期提取生豬耳部圖像進(jìn)行研究分析。

圖1 白毛生豬熱紅外圖像Fig.1 Infrared image of white pig

參照文獻(xiàn)[16]將熱紅外圖像采集器采集到的生豬圖像進(jìn)行處理，選取HSV顏色空間對圖像進(jìn)行變換，生成S層圖像，采用改進(jìn)的Otsu算法對S層圖像進(jìn)行二值化處理，對原圖像進(jìn)行耳根部特征區(qū)域檢測，得到耳根部特征區(qū)域圖像。本文采用該方法提取其耳根部特征區(qū)域，并在原圖像中進(jìn)行標(biāo)記。然后提取該耳根部特征區(qū)域圖像尋找其區(qū)域中心點(diǎn)C，在原圖像中一并進(jìn)行標(biāo)記，如圖2所示。

圖2 生豬耳部特征區(qū)域標(biāo)記Fig.2 Mark of ear root zone

通過Otsu自動(dòng)閾值分割方法、濾波消噪等，對生豬熱紅外圖像進(jìn)行處理，提取出生豬外圍輪廓的二值化圖像(圖3)。對其輪廓構(gòu)建特征點(diǎn)集。首先計(jì)算該生豬輪廓圖像的中心點(diǎn)坐標(biāo)為O=(xo,yo)，將該點(diǎn)設(shè)為原點(diǎn)，建立二維坐標(biāo)系。從O點(diǎn)出發(fā)構(gòu)建輔助射線，射線與生豬輪廓的交點(diǎn)即為特征點(diǎn)(圖4)，圖4中*代表特征點(diǎn)。由于生豬輪廓較長，其背部和腹部到O點(diǎn)的距離比其頭部和尾部到O點(diǎn)的距離要小得多，如果整個(gè)輪廓都按照間隔θ角度構(gòu)建輔助射線的話，必然會導(dǎo)致頭部和尾部的特征點(diǎn)間隔較大。鑒于這種情況，在45°≤θ≤135°和225°≤θ≤315°范圍內(nèi)時(shí)，間隔θ角構(gòu)建輔助射線；而在其余角度范圍內(nèi)則間隔θ/n角構(gòu)建輔助射線，根據(jù)生豬輪廓長短，選取n=2，共有p個(gè)輪廓線特征點(diǎn)。待配準(zhǔn)紅外圖像的特征點(diǎn)集為

圖3 生豬熱紅外輪廓二值圖像Fig.3 Binary image of pig infrared contour

圖4 生豬熱紅外圖像輪廓特征點(diǎn)提取Fig.4 Feature points extraction for pig outline

A={a1,a2,…,ap}

(3)

2.2 生豬可見光圖片輪廓特征點(diǎn)集構(gòu)建

采集的生豬可見光圖像如圖5所示。采用Canny算子[17]提取可見光圖像的邊緣輪廓(圖6)。經(jīng)由尺度因子(xki,yki)變換后的中心坐標(biāo)為O′=(x′o,y′o)，按照2.1節(jié)所述方法構(gòu)建輔助射線，提取生豬可見光圖像輪廓特征點(diǎn)，構(gòu)建可見光輪廓圖像的特征點(diǎn)集

B={b1,b2,…,bp}

(4)

圖5 白毛生豬可見光圖像Fig.5 Visible light image of white pig

圖6 生豬可見光邊緣輪廓圖像Fig.6 Outline of visible light image

2.3 改進(jìn)的Hausdorff距離匹配

Hausdorff距離(HD)是描述2個(gè)點(diǎn)集之間相似程度的一種度量，是集合與集合之間距離的一種定義形式，其值越小，點(diǎn)集之間匹配得越好。采用Hausdorff距離進(jìn)行模板匹配，通常選取圖像的邊緣特征作為匹配依據(jù)。對于點(diǎn)集合A={a1,a2,…,ap}和B={b1,b2,…,bp}，Housdorff距離定義為

H(A,B)=max(h(A,B),h(B,A))

(5)

其中

(6)

(7)

式中 ‖·‖ ——點(diǎn)集A和點(diǎn)集B間的距離范數(shù)h(A，B)——集合A到集合B的單向Housdorff距離

h(B,A)——集合B到集合A的單向Housdorff距離

為了增強(qiáng)受外點(diǎn)干擾和形狀缺損的魯棒性，HUTTENLOCHER等[18]提出部分Hausdorff距離(Partial hausdorff distance，PHD)，其定義式為

Hk,l(A,B)=max(hk(A,B),hl(B,A))

(1≤k≤p；1≤l≤q)

(8)

由于多個(gè)圖像變形也會產(chǎn)生相似的h(A,B)值，為獲得更加準(zhǔn)確的匹配結(jié)果，SIM等[19]提出一種改進(jìn)的Hausdorff距離(LTS-HD)，即對部分Hausdorff距離求和再求平均，具有較好的魯棒性，定義為

(9)

其中，k由h×p向下取整獲得，h∈[0,1]。

該方法剔除了由噪聲干擾或遮擋而產(chǎn)生的大距離，對于存在部分遮擋或受噪聲干擾的圖像可得到較好的匹配效果，h一般取0.8～0.9。

2.4 最優(yōu)尺度因子提取

提取最優(yōu)尺度因子(xk,yk)的算法如圖7所示。

圖7 匹配算法流程圖Fig.7 Flow chart of matching algorithm

利用提取的最優(yōu)尺度因子(xk,yk)，計(jì)算可見光圖像中生豬耳根部區(qū)域中心點(diǎn)C′，該點(diǎn)與之前計(jì)算的生豬熱紅外圖像中耳根部區(qū)域中心點(diǎn)C相對應(yīng)。

3 基于主動(dòng)形狀模型的生豬耳部輪廓提取方法

3.1 生豬耳部輪廓特征點(diǎn)的選取

目前常用的特征點(diǎn)標(biāo)定方法是人工標(biāo)定。為了減少人工標(biāo)定對形狀訓(xùn)練的主觀影響，結(jié)合上文已經(jīng)得到的生豬耳根部區(qū)域中心點(diǎn)，和生豬耳部輪廓生理結(jié)構(gòu)的特點(diǎn)，利用人機(jī)交互的方式制定通用的生豬耳部輪廓特征點(diǎn)選取規(guī)則。首先選取生豬的耳根部區(qū)域中心點(diǎn)，并將其與耳尖輪廓點(diǎn)(設(shè)為特征點(diǎn)18)相連，與耳根部輪廓線相交點(diǎn)近似于耳根部輪廓線中點(diǎn)，設(shè)為特征點(diǎn)1；由于生豬耳部兩側(cè)輪廓線從耳根部到耳尖部均有明顯拐點(diǎn)，選取過渡輪廓線近似中點(diǎn)分別標(biāo)定為特征點(diǎn)9和特征點(diǎn)26，將9和26連接起來，其連線與特征點(diǎn)1與特征點(diǎn)18連線的交點(diǎn)J近似于耳部輪廓的中心位置。以J點(diǎn)為圓心間隔α角作輔助線，與生豬輪廓線的交點(diǎn)定義為特征點(diǎn)。與1點(diǎn)相隔α角開始記為特征點(diǎn)2，順時(shí)針旋轉(zhuǎn)標(biāo)記直到n(此處α=10°，n=34)。在人工標(biāo)記的特征點(diǎn)9、18、26附近，若計(jì)算機(jī)生成的特征點(diǎn)與該人工標(biāo)記特征點(diǎn)之間的角度θ<10°則該特征點(diǎn)忽略不計(jì)。生豬耳部輪廓特征點(diǎn)標(biāo)記如圖8所示。通過上述標(biāo)記點(diǎn)的選取規(guī)則制定，減少了隨意標(biāo)記特征點(diǎn)對形狀對齊的影響。人工標(biāo)定的4個(gè)特征點(diǎn)一定程度上保證了耳部輪廓的基本形狀，計(jì)算機(jī)標(biāo)定其余特征點(diǎn)可保證耳部輪廓線的平滑完整，從而使耳部區(qū)域識別較為方便。

圖8 耳部輪廓特征點(diǎn)選取Fig.8 Feature points selection of pig ear

采用人工標(biāo)定的4個(gè)特征點(diǎn)和計(jì)算機(jī)自動(dòng)標(biāo)定其余特征點(diǎn)集合，形成訓(xùn)練集。通過對比試驗(yàn)，確定要提取便捷特征點(diǎn)的個(gè)數(shù)，由于特征點(diǎn)數(shù)越多，匹配時(shí)間越長，匹配準(zhǔn)確率也越高；但隨著特征點(diǎn)的不斷增加，匹配率趨于平穩(wěn)狀態(tài)，增加不明顯。經(jīng)綜合考慮選取34為最佳匹配點(diǎn)數(shù)。

3.2 生豬耳部區(qū)域搜索范圍確定

主動(dòng)形狀模型[20-21]在進(jìn)行目標(biāo)識別檢測時(shí)，首先要將獲得的模型映射到待檢測圖像中，經(jīng)過形狀對齊操作后使平均形狀與原圖坐標(biāo)空間脫離關(guān)系。由于在拍攝生豬可見光照片時(shí)，生豬在圖像中的位置并非固定位置，這樣很容易造成生豬耳部檢測失敗。因此，映射時(shí)要為平均形狀設(shè)定一個(gè)適合的初始位置，即將每幅圖像重新進(jìn)行初始化，找到一個(gè)適合的初始化位置。

根據(jù)前文所提取的最優(yōu)尺度因子，確定可見光圖片生豬耳根部區(qū)域中心點(diǎn)坐標(biāo)為C′=(x′C,y′C)。以C′為中心點(diǎn)、R為半徑作圓，R為生豬耳根部區(qū)域中心點(diǎn)C′到鼻尖處點(diǎn)J之間的距離(圖9)。由圖可知，R為半徑的搜索范圍過大，因此，在進(jìn)行主動(dòng)形狀模型提取生豬耳部輪廓時(shí)，將其搜索區(qū)域限定在以O(shè)點(diǎn)為圓心，2R/3為半徑的圓周內(nèi)。此處圓心O點(diǎn)在C′J這條線段上，O點(diǎn)到C′的距離為R/3。這樣降低了誤檢率，可以更好地實(shí)現(xiàn)對目標(biāo)的分割檢測。按照固定的搜索范圍所提取的生豬耳部輪廓如圖10所示。

圖9 生豬耳部區(qū)域定位Fig.9 Searching scope of pig ear zone

圖10 生豬耳部輪廓提取Fig.10 Extraction of pig ear outline

4 生豬耳部顏色異常檢測方法

由于健康生豬與患藍(lán)耳病的生豬耳部顏色存在明顯差別(圖11)，所以本文利用彩色圖像中的顏色特征檢測生豬耳部顏色是否異常，來判定是否存在疑似藍(lán)耳病病豬。具體的耳部顏色異常病豬自動(dòng)檢測方法如下：

圖11 患藍(lán)耳病疫情生豬耳部顏色Fig.11 Color of pig ear with blue ear epidemic

(1)分割耳部區(qū)域圖像：采用圖像匹配與主動(dòng)形狀模型相結(jié)合的方法，對采集到的可見光圖像提取生豬耳部輪廓。

(2)對提取的耳部輪廓圖像進(jìn)行處理：將耳部RGB彩色圖像轉(zhuǎn)換為L*a*b*空間b*分量的灰度圖像，再利用自適應(yīng)取閾值的Otsu法從b*分量的灰度圖像中分割出耳部患病所在區(qū)域，分割出的生豬患病區(qū)域的灰度Gp為255，其余區(qū)域灰度Gb為0。

(3)對提取的生豬耳部輪廓進(jìn)行耳部像素標(biāo)記訓(xùn)練。圖12中，每個(gè)點(diǎn)代表圖11中耳部位置像素點(diǎn)的RGB值，其中紅色+代表生豬正常耳部像素點(diǎn)RGB值，藍(lán)色*代表患藍(lán)耳病的耳部像素點(diǎn)RGB值。根據(jù)分類結(jié)果計(jì)算出閾值，作為病豬判斷標(biāo)準(zhǔn)。

圖12 生豬耳部像素標(biāo)記Fig.12 Pixel labeling of different pig ear colors

(4)閾值訓(xùn)練：利用SVM分類器建立模型，每個(gè)像素點(diǎn)特征為一個(gè)輸入數(shù)據(jù)，數(shù)據(jù)類型包括四維特征，分別為類別、R、G、B，其中正常耳部的類別為1，異常耳部的類別為-1，R、G、B數(shù)據(jù)范圍均為0～255。分類結(jié)果有2種，正常耳部像素點(diǎn)類型為1，病豬耳部像素點(diǎn)類型為-1。設(shè)定判斷閾值為0.25。

(5)結(jié)果判定：在檢測時(shí)，根據(jù)得到的分類器模型，對每個(gè)生豬耳部的像素點(diǎn)進(jìn)行計(jì)算。當(dāng)耳部像素點(diǎn)計(jì)算得分多數(shù)在閾值之上，就認(rèn)為這只豬是正常的，檢測下一只豬，一個(gè)耳部超過1/2的像素點(diǎn)計(jì)算得分在閾值之下，就認(rèn)為可能生病，定位此豬所在位置并報(bào)警。

5 試驗(yàn)結(jié)果

應(yīng)用主動(dòng)形狀模型方法進(jìn)行生豬可見光圖像耳部輪廓檢測。利用圖像匹配方法提取最優(yōu)尺度因子，將生豬耳部區(qū)域的搜索范圍限定在特定區(qū)域內(nèi)。試驗(yàn)在Matlab環(huán)境下由多分辨率主動(dòng)形狀模型工具箱編制。在訓(xùn)練集的基礎(chǔ)上，擴(kuò)大采集圖像樣本數(shù)量，圖像采集器保持垂直位置不變，分別與生豬體長方向呈30°、45°和60°情況下獲取圖像，各取150組試驗(yàn)圖片。將所獲取的圖像均采用文中所述方法進(jìn)行生豬耳部顏色提取，結(jié)果見表1。檢測結(jié)果表明，采用限定生豬耳部搜索區(qū)域的方法能夠準(zhǔn)確提取生豬耳部輪廓，對生豬耳部顏色檢測準(zhǔn)確率達(dá)到77%以上。由于生豬耳部圖像受到光照及陰影的影響，且部分生豬耳部存在污漬，對生豬耳部顏色識別正確率產(chǎn)生了一定的干擾。從檢測結(jié)果可看出，拍攝角度對生豬耳部顏色識別有一定的影響。

表1 檢測結(jié)果

6 結(jié)論

(1)利用圖像匹配方法尋找生豬熱紅外圖像和可見光圖像的最優(yōu)尺度因子，提取生豬熱紅外圖像耳根部區(qū)域，將其映射到可見光圖像。利用主動(dòng)形狀模型提取生豬耳部輪廓，人機(jī)交互選取34個(gè)耳部輪廓特征點(diǎn)，并將耳部輪廓搜索范圍限定在生豬頭部區(qū)域范圍內(nèi)。最后將提取的耳部輪廓顏色進(jìn)行對比，檢測該生豬是否患有藍(lán)耳病疫情。對生豬耳部顏色檢測準(zhǔn)確率達(dá)到77%以上。

(2)將本文方法結(jié)合文獻(xiàn)[16]所述非接觸式生豬體溫檢測方法，應(yīng)用于生豬非接觸式藍(lán)耳病疫情預(yù)警檢測中，有利于及時(shí)發(fā)現(xiàn)生豬發(fā)熱、耳部顏色異常等情況，可實(shí)現(xiàn)早期藍(lán)耳病疫情的快速非接觸式自動(dòng)檢測。

1 付蓉,張倩,于峰.生豬養(yǎng)殖信息化現(xiàn)狀及問題分析[J].河南農(nóng)業(yè)科學(xué),2014,43(12):169-172. FU Rong, ZHANG Qian, YU Feng. Information technology direction and problem analysis of pig breeding[J].Journal of Henan Agricultural Sciences,2014,43(12):169-172. (in Chinese)

2 周振琪,顧莞婷,金融,等.南京市消費(fèi)者生鮮豬肉安全認(rèn)知度與消費(fèi)信心調(diào)查與分析[J].畜牧與獸醫(yī),2007,39(11):40-42.

3 KEFFABER K K. Reproductive failure of unknown etiology[J]. Am Assoc Swine Pract Newslett, 1989,1：1-10.

4 BIODEAU R, DEA S, SAUVAGEAU R A, et a1.Porcine reproductive and respiratory syndrome in Quebec[J].Veterinary Record,1991,129(5)：102—103．

5 浦雪峰, 朱偉興, 陸晨芳. 基于對稱像素塊識別的病豬行為監(jiān)測系統(tǒng)[J]. 計(jì)算機(jī)工程, 2009, 35(21): 250-252. PU Xuefeng, ZHU Weixing, LU Chenfang.Sick pig behavior monitor system based on symmetrical pixel block recognization[J].Computer Engineering,2009, 35(21): 250-252.(in Chinese)

6 MADSEN T N, ANDERSEN S, KRISTENSEN A R. Modelling the drinking patterns of young pigs using a state space model[J]. Computers & Electronics in Agriculture, 2005, 48(1):39-61.

7 陸明洲, 沈明霞, 丁永前,等. 群養(yǎng)母豬飲水行為自動(dòng)監(jiān)測系統(tǒng)設(shè)計(jì)[J].南京農(nóng)業(yè)大學(xué)學(xué)報(bào), 2013,36(5):133-138. LU Mingzhou,SHEN Mingxia,DING Yongqian,et al. Design of automatic system for drinking behavior monitoring in group housed sows[J].Journal of Nanjing Agricultural University,2013,36(5):133-138. (in Chinese)

8 SILVA M, FERRARI S, COSTA A, et al. Cough localization for the detection of respiratory diseases in pig houses[J]. Computers & Electronics in Agriculture, 2008, 64(2):286-292.

9 SILVA M, EXADAKTYLOS V, FERRARI S, et al. The influence of respiratory disease on the energy envelope dynamics of pig cough sounds[J]. Computers & Electronics in Agriculture, 2009, 69(1):80-85.

10 AERTS J M, FERRARI S, SILVA M, et al. Cough sound analysis to identify respiratory infection in pigs[J]. Computers & Electronics in Agriculture, 2009, 64(2):318-325.

11 肖德琴，馮愛晶，楊秋妹，等. 基于視頻追蹤的豬只運(yùn)動(dòng)快速檢測方法[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2016，47(10)：351-357，331. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=201045&flag=1. DOI: 10.6041/j.issn/1000-1298.2016.10.045. XIAO Deqin，F(xiàn)ENG Aijing，YANG Qiumei，et al. Fast motion detection for pigs based on video tracking[J/OL]. Transactions of the Chinese Society for Agricultural Machinery,2016,47(10):351-357，331. (in Chinese)

12 朱偉興，浦雪峰，李新城，等. 基于行為監(jiān)測的疑似病豬自動(dòng)化識別系統(tǒng)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2010，26(1)：188-192. ZHU Weixing, PU Xuefeng, LI Xincheng, et al. Automatic identification system of pigs with suspected case based on behavior monitoring[J]. Transactions of the CSAE, 2010, 26(1): 188-192. (in Chinese)

13 劉波，朱偉興，紀(jì)濱，等. 基于射線輪廓點(diǎn)匹配的生豬紅外與可見光圖像自動(dòng)配準(zhǔn)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2013，29(2)：153-160. LIU Bo, ZHU Weixing, JI Bin, et al. Automatic registration of IR and optical pig images based on contour match of radial line feature points[J]. Transactions of the CSAE, 2013,29(2): 153-160. (in Chinese)

14 ANDERSEN H M L, JORGENSEN E, DYBKJAR L, et al. The ear skin temperature as an indicator of the thermal comfort of pigs[J]. Applied Animal Behaviour Science, 2008, 113(1): 43-56.

15 HENTZEN M, HOVDEN D, JANSEN M, et al. Design and validation of a wireless temperature measurement system for laboratory and farm animals[C]∥Proceedings of Measuring Behavior, 2012: 466-471.

16 周麗萍，陳志，陳達(dá)，等. 基于改進(jìn)Otsu算法的生豬熱紅外圖像耳根特征區(qū)域檢測[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2016，47(4)：228-232，14. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20160430&journal_id=jcsam. DOI：10.6041/j.issn.1000-1298.2016.04.030. ZHOU Liping,CHEN Zhi,CHEN Da,et al. Pig ear root detection based on adapted Otsu[J/OL].Transactions of the Chinese Society for Agricultural Machinery,2016,47(4):228-232，14. (in Chinese)

17 CANNY J. A computational approach to edge detection[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 1986, 8(6):679-698.

18 HUTTENLOCHER D P, KLANDERMAN G A, RUCKLIDGE W A. Comparing images using the Hausdorff distance[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence,1993,15(9):850-863.

19 SIM D G, KWON O K, PARK R H. Object matching algorithms using robust Hausdorff distance measures[J]. IEEE Transactions on Image Processing, 1999, 8(3): 425-429.

20 COOTES F T, HILL A, TAYLOR J C, et al. The use of active shape models for locating structures in medical images[J]. Image and Vision Computing, 1994, 12(6): 355-366.

21 COOTES F T, TAYLOR J C, COOPER D, et al. Active shape models—their training and application[J]. Computer Vision Image Understanding, 1995, 61(1): 38-59.

Pig Ear Abnormal Color Detection on Image Processing Techniques

ZHOU Liping1CHEN Da2CHEN Zhi2YUAN Yanwei1WANG Lili1SUN Xiaowen1

(1.ChineseAcademyofAgriculturalMechanizationSciences,Beijing100083,China2.ChinaNationalMachineryIndustryCorporation,Beijing100080,China)

In order to study blue ear epidemic early warning and monitoring method in large-scale pig farms, the non-contact ear automatic color detection method was proposed. Pig’s thermal infrared images and visual images were collected at the same time and the same viewing angle. Two pictures were used together to find the optimal scale factor of matching. By the optimal scale factor, pig ear root section can be found in visible image, and then the ear root central point can be confirmed. According to active shape model method, pig ear root central point was selected as the first feature point, the ear tip as 18th feature points, and both middle point of outlines as 9th and 26th feature points, and 34 pig ears outline feature points in all were selected by human-computer interaction. ASM search scope was defined in pig head region, thus pig ear outline could be extracted correctly. Then the extracted pig ear color was compared with the color of normal pig ears, the ear color detection accuracy could be above 77%, and it could be easily found whether there was the risk of blueear pig disease. The results showed that due to the limited search scope method, the pig ear contour could be extracted accurately, and it could be applied to auto ear color detection in swine house.

pig; blue ear epidemic； scaling factor； ear contour； searching scope

10.6041/j.issn.1000-1298.2017.04.022

2016-07-06

2016-11-15

國家國際科技合作專項(xiàng)(S2015ZR1137)

周麗萍(1979—)，女，高級工程師，博士,主要從事檢測技術(shù)與自動(dòng)化設(shè)備研究，E-mail： 309691348@qq.com

TP391.41； S852.65+1

A

1000-1298(2017)04-0166-07