生猪肉产量预测的非接触实时在线机器视觉系统

田　芳，彭彦昆（中国农业大学工学院，国家农产品加工技术装备研发分中心，北京100083）



生猪肉产量预测的非接触实时在线机器视觉系统

田芳，彭彦昆※
（中国农业大学工学院，国家农产品加工技术装备研发分中心，北京100083）

摘要：为了准确估测生猪肉产量，该文提出了一种自动提取生猪活体特征的方法，建立了生猪肉产量预测算法。首先，基于自主研发的生猪肉产量预测的机器视觉系统装置实时采集54头活体大白猪的俯视图和侧视图，然后根据图像处理技术对所得的图像进行分析，提取生猪的体长、胸宽、臀宽、体高等体尺参数值；同时通过称量装置获得每头猪的活体质量。其次，将54头生猪样品按2∶1的比例分为校正集和验证集，基于体长、胸宽、臀宽、体高和体质量5个特征参数分别利用多元线性回归法（multiple linear regression， MLR）和偏最小二乘回归法（partial least-squares regression， PLSR）建立不同的肉产量预测模型，通过比较各预测模型的估测精度、相关系数等，确定最佳预测模型。分析结果表明，5个参数中体质量对肉产量预测的权重最大；偏最小二乘回归方法的预测结果较好，最佳预测模型的预测相关系数为0.95，预测误差为3.09 kg。试验结果证实，在检测系统中使用基于生猪的体尺参数和体质量建立的偏最小二乘回归预测模型可快速准确预测生猪肉产量，适于实际生产应用。

关键词：机器视觉；模型；特征提取；生猪；体质量；体尺参数；肉产量预测

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 of the Chinese Society of Agricultural Engineering （Transactions of the CSAE）， 2016， 32（2）: 230－235. （in Chinese with English abstract）doi：10.11975/j.issn.1002-6819.2016.02.033http://www.tcsae.org

Email：tianfangxn@163.com

0　引　言

在猪肉产业链中，生猪的肉产量直接影响了生猪养殖、收购和屠宰环节中的经济效益，在各个环节都受到人们的重视。常规方法中，生猪肉产量[1]的统计是根据生猪的出栏体质量乘以产肉率获得的，其中产肉率是常识性指标，取值在80%左右。目前，生猪收购和屠宰商家与养殖者进行交易时，是在集体称量一批生猪的体质量后，根据产肉率的经验值估算平均肉产量。但是基于经验值估测生猪肉产量所获得的结果与实际值误差较大，不能真实反映每头生猪的生长情况。准确估测生猪肉产量一方面可以提高收购和屠宰时交易的效率，另外还可以帮助饲养者掌握生猪的生长状态，合理喂养。

在现代化生猪养殖中，机器视觉技术被有效应用于生猪身体参数以及饲喂环境等各项指标的检测[2-6]。养殖者实时监测生猪的体质量、肉产量等身体参数以及环境的舒适度[7-11]有利于掌握生猪的生长状态，提高饲喂的效益。滕光辉等[12]使用基于机器视觉系统采集得到生猪背部投影面积和体高参数预测生猪的体质量，相对误差在2.8%以内。M. Kashiha等[13]研究了生猪成长期内体质量随时间变化的规律，以生猪躯干的背部面积为自变量进行动态建模，可以很好地预测成长期内的生猪体质量随时间变化的规律。刘艳国[14]在研究生猪体尺参数与生猪等级评定的数学模型时，证明了生猪的产肉率与生猪体质量、背部宽度与长度之比、腹部面积占躯干面积比几个参数均成反比，结合产肉率与生猪肉产量的关系可知生猪的肉产量与生猪体质量和体尺参数具备一定的相关性。在基于机器视觉的生猪状态监测中，有效的图像处理算法可以提高生猪体尺参数提取的准确性[15-17]。

同一品种相同体质量的生猪，由于体型不同，其肉产量存在差别。为更加准确的预测生猪肉产量，作者已搭建机器视觉检测系统，进行了初步研究探讨[18-20]。

本文自主研发的预测生猪肉产量的机器视觉系统装置，首先采集被测猪的俯视图和侧视图，结合图像预处理算法提出了自动提取生猪体长、胸宽、臀宽、体高4个体尺特征参数的算法。通过实时在线采集活体猪图像，同时称量其体质量，利用体质量和4个体尺参数进行建模分析，并经实际现场验证比较得出预测效果较好的方法，研究结果为快速准确预测生猪肉产量提供参考。

1　材料与方法

1.1生猪样品

本文选用54头成熟待宰的健康大白猪作为检测对象，按照耳牌号对生猪进行区分。试验在北京市千喜鹤食品有限公司屠宰车间进行，利用自主研发的生猪肉产量预测系统装置现场采集生猪的图像及体质量数据。

数据采集完之后，工作人员用卷尺测量生猪的体长、胸宽、臀宽和体高等体尺参数值，测量精度为0.1 cm。测量中，每头生猪的4个体尺参数均测3次，取平均值用于分析。然后把被测猪送入生产线进行屠宰分割，并记录实际肉产量。

将在检测现场采集的生猪图像进行处理，提取到生猪的体长、胸宽、臀宽和体高4个参数。表1所示为图像处理获得的生猪体尺参数、体质量和生猪实际肉产量6个参数的统计值。

1.2检测系统装置

1.2.1硬件部分

生猪肉产量预测系统装置包括计算机控制和数据处理单元、光源单元、图像采集单元、体质量称量单元4个部分。检测装置的具体结构如图1所示。

图1　生猪肉产量预测的机器视觉系统装置Fig.1　Machine vision system of live-pig meat yield prediction

计算机控制及数据处理单元为肉产量预测系统装置的控制核心，保证系统的稳定高效工作，主要包括Windows 32位计算机一台。光源单元为一套矩形结构的LED灯，工作功率为23 W，用于给图像采集提供稳定的照明。图像采集单元包括2个Basler aca1600-20gc相机，分别用于采集生猪的俯视图和侧视图，并把图片传送到计算机单元。体质量称量单元为一台电子动物秤，用于称量生猪的体质量，电子动物秤的量程为500 kg，精度为0.2 kg。当生猪在检测装置上的活动稳定之后，系统保存测得的体质量数据。为防止生猪四处冲撞，影响检测，在电子动物秤四周边缘安装了护栏，并在护栏一侧安装了蓝色背景板，用于提高所采集的侧视图中生猪与背景的对比度。

1.2.2软件部分

系统装置基于VC＋＋开发了软件，软件功能主要包括体质量数据读取，相机控制，图像采集和自动处理，肉产量预测结果的显示和保存。在编写图像处理算法时，配置使用了OpenCV开源图像处理库，用于提高程序编写的效率。

1.3特征参数提取方法

当生猪通过肉产量预测系统装置时，相机采集生猪的俯视图和侧视图，如图2a和图2b所示，然后利用自行开发的处理软件进行预处理和特征参数提取。

由于生猪背部光强分布不均匀，对俯视图使用最大类间方差法[21]进行二值化处理，然后依次扫描图像中连通区域的轮廓，保留轮廓周长最大的连通区域，作为俯视图的二值图像，如图2c所示。在侧视图中，由于生猪和背景在RGB颜色空间的对比度高，可直接设定阈值进行二值化，图2d为经过形态学滤波去噪处理之后的二值图。

图2　生猪体尺特征提取过程Fig.2　Feature extraction process of pig body parameters

生猪体尺特征参数提取时，在俯视图上所提取的参数为体长、胸宽和臀宽，在侧视图上提取的参数为体高。步骤如下：

1）生猪背部中轴线的确定。生猪站在检测装置上时，头尾方向不规律，导致俯视图中的图像处于倾斜、伸直或弯曲的状态。如图2c所示，为确定生猪的站立状态，首先提取生猪背部轮廓的质心O，以质心O的横坐标为分界把图像分为前胸躯干和臀部躯干两部分，然后分别提取两部分的质心（O1，O2）。依次连接前胸躯干、背部轮廓和臀部躯干的3个质心点，所得的折线作为生猪背部的中轴线。

2）体长的确定。在图2c中，以中轴线的垂线做扫描线，在前胸和臀部两部分躯干的轮廓上沿着中轴线方向扫描，以得到最短扫描线的轮廓为前胸躯干，该扫描线为生猪颈部连线。延长中轴线，分别与颈部连线和臀部轮廓相交，得到的中轴线长为体长（BL）。

3）胸宽和臀宽的确定。以中轴线的垂线做扫描线，在前胸和臀部两部分躯干的轮廓上沿着中轴线方向扫描，分别取两轮廓上最长的线段，作为生猪的胸宽（AC）和臀宽（DW）（图2c）。

4）体高的确定。侧视图中，首先扫描生猪的后蹄坐标，确定参数提取的感兴趣区域，如图2d中框内所示。由于护栏栏杆的遮挡，生猪背部曲线有间断。根据线性插值法，如公式（1）所示，以栏杆与生猪背部曲线形成的交点为插值节点，拟合背部曲线（图2d所示）。然后扫描感兴趣区域内生猪背部轮廓的最高点，以该点到地面的距离作为体高（EH）。

式中x为生猪背部拟合曲线点在水平方向的值，P（x）为所拟合的生猪背部曲线，lk（x）和lk＋1（x）分别为基于交点（xk，yk），（xk＋1， yk＋1）得到的插值基函数。

5）实际体尺参数值的转换。为校准图像上的生猪体尺参数值，把一个长为10 cm的比例校正尺置于生猪平均高度处采集图像并处理。然后根据公式（2）将图像求得的体尺特征参数值转化为实际值。

式中ɑ， b， B分别表示图像上比例校正尺的长度（pixel），图像上体尺参数的值（pixel）和体尺参数的实际长度（cm）。

1.4数据分析

选择如下几种常用的建模方法，即逐步多元线性回归法（stepwise multiple linear regression， Stepwise-MLR）、进入多元线性回归法（enter multiple linear regression，Enter-MLR）和偏最小二乘回归法（partial least-squares regression， PLSR）建立肉产量预测模型，比较3种方法的预测相关系数和均方根误差，得到较好的预测结果。

在建模过程中，将54组数据按照2∶1的比例分为校正集和验证集。首先用生猪的体长、胸宽、臀宽、体高和体质量5个参数以及宰后称得的实际肉产量共36组数据建立模型，然后使用剩余的18组数据验证模型。首先求出模型的相关系数和均方根误差；另外，为检验模型预测肉产量的准确率，根据公式（3）和（4）分别计算了预测相对误差和预测平均相对误差。

式中ei为预测相对误差，wi为肉产量实际值（kg），wpi为肉产量预测值（kg）；E为预测平均相对误差，n为样品总数，i为样品序号。

2　结果与分析

2.1体尺特征参数及相关性分析

使用图像处理算法从采集的生猪图像中提取体长、胸宽、臀宽和体高参数，与人工测得的相应数据间的相关关系如图3所示，决定系数均在0.96以上，可以看出图像处理得到的体尺参数与实际值一致性很高。

图3 生猪体尺参数图像处理值与实际值的相关关系Fig.3　Correlation of pig body parameters got by IM and measuring

54头生猪的体质量、体长、胸宽、臀宽和体高5个预测参数之间及各个参数与肉产量之间的相关关系如表2所示。从表2中可看出，生猪的体长、胸宽、臀宽、体高和体质量这5个预测参数间的最大相关系数为0.635，相关性均不高，说明它们相互间是独立的。体质量与肉产量之间的相关性最高，为0.920；其他几个参数与肉产量间的相关性较低，在0.70以下，表明体质量参数预测肉产量的权重较大。

表2　生猪体质量，体尺参数与实际肉产量的相关关系Table 2　Correlation between pig weight， measured meat yield and body parameters

2.2肉产量预测模型的建立

利用校正集的36组数据建立模型。以图像处理获得的生猪的体长、胸宽、臀宽、体高参数以及体质量为预测参数，肉产量为被预测参数，进行建模分析。表4所示为使用Stepwise-MLR、Enter-MLR和PLSR 3种方法建立的预测模型的相关系数RC及标准偏差SEC。

从表2和表3中看出，生猪的体长、臀宽和体高参数对肉产量相关性不显著， Stepwise-MLR方法建模仅保留了体质量和胸宽2个参数。Enter-MLR法将生猪的5个参数直接用于建模。而PLSR法建模时，首先对生猪的5个预测参数进行主成分分析，得到最佳主成分数为2，然后利用最佳主成分数建立模型。比较3种方法的建模结果，Enter-MLR方法与PLSR方法的相关系数RC均在0.95以上，比Stepwise-MLR高；而PLSR方法的标准偏差SEC最低，为3.06 kg。

表3　生猪肉产量的预测模型Table 3　Prediction models of pig meat yield

2.3模型验证比较

利用剩余18组在检测现场采集的生猪样品的体尺参数和体质量数据作验证集，分别验证3种方法所建立的肉产量预测模型。根据公式（3）和（4），计算3种建模方法的肉产量的预测平均相对误差。表4所示为模型验证的结果。

表4　生猪肉产量的模型验证Table 4　Model validation of pig meat yield

从表4可以看出，Stepwise-MLR方法所建模型的预测平均相对误差较高，为16.25%，肉产量预测值相对于真实值的偏移较大；同时预测相关系数RV和标准偏差SEV较低。基于Enter-MLR法所建模型的RV和标准偏差SEV分别为0.94和3.84 kg，肉产量的预测平均相对误差为3.33%，预测结果较好。PLSR方法首先分析了生猪的5个预测参数对肉产量的预测能力，然后建立模型，其RV和标准偏差SEV分别为0.95和3.09 kg，预测平均相对误差为3.21%，肉产量预测值与实际值的一致性较其他2种方法更高，预测效果更好。基于PLSR方法建立的生猪肉产量预测模型如式（5）所示。图4为PLSR法所建模型的肉产量预测值与实际值的估测曲线。

图4　PLSR方法的肉产量预测值与实际值的估测曲线Fig.4　Regression curve of estimated pig meat yield and measured mass based on PLSR

式中M，BW，BL，EH，AC和DW依次表示生猪的预测肉产量（kg），体质量（kg），体长（cm），体高（cm），胸宽（cm）和臀宽（cm）参数。

2.4讨论

以上特征参数提取算法及建模分析的结果表明，生猪肉产量预测系统装置可使用生猪的体尺参数和体质量预测其肉产量。与目前估测生猪肉产量的方法比较，使用该装置系统对每一头生猪进行检测可以提高肉产量预测的准确性，其操作简便，且检测结果可靠性高。应用于生猪收购和宰前环节可快速准确的估算生猪的肉产量，提高交易效率，节省时间，减少人力物力资源浪费。另外该检测系统可用于在生猪养殖过程中定期监测其肉产量的增长，帮助养殖户掌握生猪的生长情况，合理配置资源。

检测系统用于在线检测时，猪体相对于检测系统的运动状态可描述为进入检测系统，在检测系统上匀速前进和离开检测系统3个阶段。生猪在进入和离开检测系统时，与检测装置的相对状态发生不规律变化，此时装置采集的数据波动大，不稳定。生猪在检测系统上匀速前进时，生猪与装置的相对状态保持稳定，系统采集到的体质量数据也比较稳定。试验分别采集了20头生猪静态和运动（通过检测装置）状态的体质量，使用滤波方法去除后者数据中首尾两端波动较大的部分，然后取平均值作为生猪体质量。比较分析静态和运动状态的体质量数据，可知运动状态时称得的体质量相对静态时的误差在1%以内，可用于肉产量预测。通过现场试验验证，在线检测时，检测装置平均每预测一头生猪的肉产量的时间为10 s，可快速预测生猪的肉产量。

生猪体尺特征参数的准确提取对环境光照条件的要求较高；另外，生猪对光照敏感，过强的光照容易造成刺激伤害，使其状态不稳定，影响数据采集。为提高特征提取的精度，需要将实际应用现场的光照条件调整到合适的状态，并屏蔽自然光的干扰；另外，检测装置安装蓝色背景板，降低了环境干扰，提高了图像处理的精度。

试验中所研究的生猪为常见的品种大白猪，对于其他品种的生猪，可使用相同的检测系统和分析方法，建模实现肉产量的准确预测。

3　结　论

1）在基于机器视觉的生猪肉产量预测研究中，使用了自主研发的检测装置采集生猪的图像和体质量，并提出了自动提取生猪的体长、胸宽、臀宽、体高等体尺特征参数的算法，所提取的体尺参数与人工测得值的决定系数在0.96以上。

2）生猪的体长、胸宽、臀宽、体高和体质量5个参数相互独立。在单独预测肉产量时，体质量与肉产量的相关系数最高，为0.920，而其他几个参数与肉产量间的相关性较低。

3）使用多参数预测生猪肉产量时，偏最小二乘回归法（partial least-squares regression， PLSR）相对于多元线性回归法（enter multiple linear regression， MLR）具有更高的校正相关系数，为0.95，其校正误差为3.09 kg；该方法的肉产量平均相对预测误差最小，为3.21%。结果表明使用生猪的体尺参数和体质量建立的偏最小二乘回归预测模型可有效预测生猪肉产量。

[参考文献]

[1] 潘佶，王继章. 农业主要统计指标解释[Z]// 衢州统计年鉴.北京：中国统计出版社，2014：114.

[2] Bin Shao， Hongwei Xin. A real-time computer vision assessment and control of thermal comfort for group-housed pigs[J]. Computers and Electronics in Agriculture， 2008，62（1）: 15－21.

[3] Schofield C P， Marchant J A， White R P， et al. Monitoring pig growth using a prototype imaging system[J]. Journal of Agricultural Engineering Research， 1999， 72（3）: 205－210.

[4] Peter Ahrendt， Torben Gregersen， Henrik Karstoft. Development of a real-time computer vision system for tracking loose-housed pigs[J]. Computers and Electronics in Agriculture， 2011， 76（2）: 169－174.

[5] Wongsriworaphon A， Arnonkijpanich B， Pathumnakul S. 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（1）: 26－33.

[6] Navarro Jover J M， Alcañiz-Raya M， Gómez V， et al. An automatic colour-based computer vision algorithm for tracking the position of piglets[J]. Spanish Journal of Agricultural Research， 2009， 7（3）: 535－549.

[7] Kongsro J. Estimation of pig weight using a Microsoft Kinect prototype imaging system[J]. Computers and Electronics in Agriculture， 2014， 109（1）: 32－35.

[8] 刘同海，李卓，滕光辉，等. 基于RBF神经网络的种猪体重预测[J]. 农业机械学报，2013，44（8）：245－249. Liu Tonghai， Li Zhuo， Teng Guanghui， et al. Prediction of pig weight based on radical basis function neural network[J]. Journal of agricultural machinery， 2013， 44（8）: 245－249. （in Chinese with English abstract）

[9] 刘波，朱伟兴，纪滨，等. 基于射线轮廓点匹配的生猪红外与可见光图像自动配准[J]. 农业工程学报，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 Chinese Society of Agricultural Engineering （Transactions of the CSAE）， 2013，29（2）: 153－160. （in Chinese with English abstract）

[10] Wang Y， Yang W， Walker L， et al. Enhancing the accuracy of area extraction in machine vision-based pig weighing through edge detection[J]. Int J Agric ＆ Biol Eng， 2008， 1（1）: 37－42.

[11] 李卓，毛涛涛，刘同海，等. 基于机器视觉的猪体质量估测模型比较与优化[J]. 农业工程学报，2015，31（2）：155—161. Li Zhuo， Mao Taotao， Liu Tonghai， et al. Comparison and optimization of pig mass estimation models based on machine vision[J]. Transactions of the Chinese Society of Agricultural Engineering （Transactions of the CSAE）， 2015，31（2）: 155－161. （in Chinese with English abstract）

[12] 杨艳，滕光辉，李保明，等. 基于计算机视觉技术估算种猪体重的应用研究[J]. 农业工程学报，2006，22（2）：127—131. Yang Yan， Teng Guanghui， Li Baoming， et al. Measurement of pig weight based on computer vision[J]. Transactions of the Chinese Society of Agricultural Engineering （Transactions of the CSAE）， 2006， 22（2）: 127－131. （in Chinese with English abstract）

[13] Kashiha M， Bahr C， Ott S， et al. Automatic weight estimation of individual pigs using image analysis[J]. Computers and Electronics in Agriculture， 2014， 107（1）: 38－44.

[14] 刘艳国. 图像处理技术在活体猪等级评定中的应用[D].北京：中国农业大学，2005. Liu Yanguo. Application of Image Processing Techniques on Synthesis Evaluation of Living Pig[D]. Beijing: China Agricultural University， 2005. （in Chinese with English abstract）

[15] 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 English abstract）

[16] Wang Y， Yang W， Winter P， et al. Walk-through weighing of pigs using machine vision and an artificial neural network[J]. Biosystems Engineering， 2008， 100（1）: 117－125.

[17] Wongsriworaphon A， Pathumnakul S， Arnonkijpanich B. Image analysis for pig recognition based on size and weight[C]//Industrial Engineering and Engineering Management （IEEM）， 2012 IEEE International Conference on. IEEE， 2012: 856－860.

[18] Chen J， Peng Y， Tian F， et al. An imaging system for monitoring livestock growth based on optical visiontechnology[C]//American Society of Agricultural and Biological Engineers Annual International Meeting 2013，ASABE 2013， Kansas City， Missouri， USA， 2013: 444－449.

[19] Fang Tian， Yankun Peng， Jingjing Chen， et al. Development of machine vision system to detect meat mass of pig prior to slaughtering[C]//American Society of Agricultural and Biological Engineers Annual International Meeting 2014，ASABE 2014， Montreal， Quebec， Canada， 2014: 2244－2249.

[20] 陈菁菁，彭彦昆. 基于机器视觉技术的生猪活体监测系统[J].食品安全质量检测学报，2012，3（6）：600－602. Chen Jingjing， Peng Yankun. Monitoring system for livestock growth based on machine vision technology[J]. Journal of Food Safety and Quality， 2012， 3（6）: 600－602. （in Chinese with English abstract）

[21] 赵向文，靳国旺，许竞轩，等. 基于多阈值大津法直方图分割的SAR数据伪彩色量化方法[J]. 测绘科学技术学报，2012（6）：445－449. Zhao Xiangwen， Jin Guowang， Xu Jingxuan， et al. Pseudo-color quantization of SAR data based on multi-threshold Otsu method of histogram segmentation[J]. Journal of Geomatics Science and Technology， 2012（6）: 445－449. （in Chinese with English abstract）

Machine vision system of nondestructive real-time prediction of live-pig meat yield

Tian Fang, Peng Yankun※
（College of Engineering, Chinɑ Agriculturɑl University, Nɑtionɑl R＆D Center for Agro-Processing Equipments, Beijing 100083, Chinɑ）

Abstract:The live pig meat yield is an important element to pig-breeding， purchase and slaughter industry. It’s beneficial to get hold of the pig’s growing status to predict the live pig meat yield during pig-breeding and transaction. For the traditional detection method of meat yield， the product of pig weight and meat production rate is considered as the meat yield. It depends on the experience of the stockman and is unreliable. The live pig meat yield prediction based on machine vision system is a nondestructive， real-time and precise method. In this study， a method of automatic extraction of pig body parameters was proposed， and the prediction model of pig meat yield was built. First of all， the top-view images and side-view images of 54 live white pigs were captured by the self-developed machine vision system. At the same time， the pig weight was measured with the electric animal balance. After the data collecting was finished， the pig body parameters， namely the body length， chest width， hip width and hip height， were measured using the tape by worker. Then the image processing algorithm was developed on the Microsoft VC＋＋ 2010 platform. The open source image processing library named OpenCV was used to assist the processing. In the top-view binary image， the central axis of the pig back was extracted. Then the body length， chest width and hip width were calculated based on the axis. In addition， the hip height was extracted in side-view binary image after the back curve was fitted. After the image processing and weight collecting of each pig， the 54 sets of data were divided into the calibration set and validation set for modeling analysis at the ratio of 2:1. Multiple linear regression （MLR） and partial least squares regression （PLSR） were used to establish the estimation models of live pig meat yield. Results showed that， the correlation coefficient of the pig body parameters got by image processing and manual measuring all could reach 0.96. So the parameters got by image processing could be used to modeling. The correlation between the 5 parameters， namely the body length， chest width， hip width， hip height and weight， was not significant. Pig weight had a higher correlation with meat yield and the correlation coefficient was 0.92. In the process of Stepwise-MLR analysis， only pig weight and chest width were reserved to the prediction model （P＜0.05）， for they were more significant to meat yield. The correlation coefficients in model prediction and model validation were 0.94 and 0.88 respectively. The method of Enter-MLR and PLSR got higher correlation coefficients， which were all above 0.95. Because PLSR had the smaller standard deviation in model validation which was 3.09 kg， and its average relative error was the minimum which was 3.21%，it was confirmed to be the best model to predict the live pig meat yield. This study showed that， the PLSR model built based on pig’s weight and body parameters could predict live pig meat yield effectively during the pig-breeding. Through the field experiment， we know that the system of live pig meat yield prediction is labor-saving and resource-saving. It’s worth popularizing and more efforts have to be applied to improve the prediction precision in the future.

Keywords:computer vision; models; feature extraction; live pig; weight; body parameter; meat yield prediction

通信作者：※彭彦昆，男（汉族），山东人，教授，博士生导师，主要从事农畜产品品质安全无损检测研究。北京中国农业大学工学院，100083。Email：ypeng@cau.edu.cn

作者简介：田 芳，女（土家族），湖北人，博士生，主要从事农畜产品质安全无损检测研究。北京 中国农业大学工学院，100083。

基金项目：国家科技支撑计划项目（2012BAH04B00）

收稿日期：2015-09-20

修订日期：2015-10-21

中图分类号：S818.9; TP391

文献标志码：A

文章编号：1002-6819（2016）-02-0230-06

doi：10.11975/j.issn.1002-6819.2016.02.033 10.11975/j.issn.1002-6819.2016.02.033http://www.tcsae.org