图像识别技术对提升动物疫情监测预警能力的研究——以东莞市动物卫生监督所为例

陈松楠

（信阳农林学院信息工程学院，河南信阳 464000）

图像识别技术对提升动物疫情监测预警能力的研究
——以东莞市动物卫生监督所为例

陈松楠

（信阳农林学院信息工程学院，河南信阳 464000）

远程视频监控系统被利用到动物疫情监测的领域来，能够对所有的疫情监控点进行监测预警。但是，长时间的人工监控也会使工作人员产生疲劳感，降低工作效率。针对这样的情况，文章将从图像的预处理、病变区域的提取和病变区域的识别3个方面阐述如何利用计算机图像学理论来提升动物疫情监测预警的能力。

人工观察 图像识别 动物疫情 监测 预警

随着我国经济的快速发展，人们的生活水平也得到巨大的提升，进而对食品安全的关注度也越来越高。俗话说“民以食为天”，但是近年来一些“禽流感”、“口蹄疫”等疫情的爆发，严重影响了食品的安全，给国家和人民带来了巨大的经济损失。所以将计算机信息技术应用到动物疫情的预防和监督管理中变得刻不容缓。

1 广东省东莞市动物疫情监测方法的研究现状

随着计算机科学、信息技术、视频监控等技术手段的发展，远程视频监控系统被利用到动物疫情监测的领域来。中国起步比较晚，大约起步于20世纪80年代，并且得到了快速的发展[1]。

文章的研究是在广东省东莞市动物卫生监督所的支持下开展的，它是广东乃至全国最早开始利用科技手段对动物疫情进行监控的单位，利用远程视频监控系统对东莞市32个镇的疫情检疫进行全面覆盖。当前，广东省东莞市动物卫生监督所的工作人员对数据的存储方式和查询方式比较简单。首先，分段15 min保存各监测和检疫环节操作的录像，每30 d为1个周期进行视频录像的覆盖。然后，通过人工的方式对保存的视频录像或者图像进行抽样观察。当外来牲畜或家禽进入东莞市各个乡镇的屠宰场时，监控中心的工作人员就要对进入的牲畜或家禽进行实时的监控，一旦发现牲畜或家禽的体表皮肤有可疑的疫情症状发生时，就需要赶紧向上级动物疫情监管部门汇报。最后，由疫情检验人员通过生物学实验来最终确定是否为可能的疫情症状[2][3]。

2 广东省东莞市动物疫情监测方法存在的问题

虽然，该远程视频监控系统对动物检疫人员的工作和动物疫情的爆发有很好的监督和预防作用，但是这种检测的方法还是由监控人员通过肉眼对可能存在的动物病变图像进行截图分析，然后初步判断是否是某种疫情所具有的病变。这种重复的体力劳动，实际上的检测效率并不是很高，并且也未能实现对可疑病变的自动化识别和筛选。对各个镇乡的屠宰场进行疫情监控需要大量工作人员，并且大部分时间里被监控的将要被屠宰的动物都是健康的，工作人员在大部分的监控的时间里都处于“徒劳”的状态，效率比较低。一方面，工作人员没有那么多的精力对高清摄像头捕捉的图像进行实时的观察和判断；另一方面，当眼睛长时间对视频进行观察时，很容易产生视觉疲劳，忽略一些潜在病情的存在，从而造成疫情的大爆发。

图1 广东省东莞市动物疫情监测方法的主要流程

通过以上的介绍和分析很容易发现，当前动物疫情监测的大部分工作还是依靠人工来完成。由图1的当前广东省东莞市动物疫情监测方法的主要流程可以看出疫情监测效率仍然很低。而且每天存储的海量视频和图像数据并没有得到充分的运用，并且被大量的浪费。所以，该文在研究过程中，利用图像识别的方法对存储动物图像和疫情信息的视频进行充分的研究和分析，合理地对这些数据进行保存和利用，使得这些数据能对疫情的监测和预警起到关键性的作用。

3 图像识别技术提升动物疫情监测预警能力

针对当前动物疫情监测方法存在的问题，希望利用计算机图像学理论对视频监控系统获取的图像视频信息进行处理和识别，从而能够24 h对动物疫情进行实时监控，对患有疑似疫情的动物图像进行自动筛选和报警，缓解工作人员的工作量和压力，并对后续的生物学实验或基因检测提供源，提高动物疫情的检测效率。改进后的监测流程图如图2所示。

3.1 动物图像的采集

该文以生猪口蹄疫疫情为例，说明动物图像的采集过程。当生猪从外地进入东莞市32个乡镇的屠宰场时，就要对生猪进行实时监控。该远程视频监控系统主要包含4个部分：乡镇屠宰场监控室，乡镇分所监控室，乡镇屠宰场前段监控点和市动监所监控中心，如图3所示。

图2 利用图像识别技术进行动物疫情监测的主要流程

图3 远程视频监控系统采集图像

通过专线将屠宰场的监控室、各分所的前端监控室、屠宰场前端监控点和市动物卫生监督所联系在一起，组成1个专业的监控网络。每隔15 min对监控到的视频图像进行高清度的解析、保存，便于随时记录，抽查。每30 d为1个周期进行视频的覆盖。同时，该远程系统的前端摄像头能270°旋转，在必要的时候，能拉近镜头，使得能清晰地观察到生猪体表的病变特征。当发现问题时，由市动监所的监控中心，统一下发命令，统一对可能的情况进行及时地处理和安排。

3.2 动物图像的识别

采集高清的动物图像后，就需要利用计算机图像识别理论，对可疑的疫情进行识别，并发出预警信号。以口蹄疫疫情为例，生猪口蹄部位的图像识别流程如图4所示。

由图4不难发现，动物图像的识别过程主要由线下计算和线上计算两大部分组成。线下计算主要是建立病变的特征库，通过对特征库里存储的样本特征进行训练从而得到效果较好的分类器，使得能更准确，更有效地对疫情进行识别。由于样本特征的积累是一个长期的过程，且随着样本库特征数量的增加，分类器的训练时间也会越来越长，所以，对于线下计算来说，并不需要在处理数据时满足系统的实时性；线上计算主要负责对监控视频中获取的图像进行特征提取，通过疫情识别器对提取的特征进行判断，从而根据一定的阈值来决定是否发出疫情预警的信号，该部分需要实时的对传过来的数据进行处理，对算法的执行时间要求较高。

通过对线上计算和线下计算的功能进行分析和研究，又将线上计算和线下计算进行了进一步的细分，线上计算主要包括：视频帧的提取及预处理、病变区域的提取、病变区域特征值的提取；线下计算主要包括：病变区域的颜色特征库建立、病变识别分类器的设计。

3.2.1 图像帧的预处理

首先，监控人员将通过监控视频获得的或者人工“截取”的图像传送到图像帧预处模块中。系统就会自动的对视频的每一帧或者“截取”的图像，从上到下，从左到右进行滤波处理，使得图像本身避免噪声的“污染”，为后续的分割降低干扰。广东工业大学的巫桂梅提出了一种基于离散小波变换算法，对视频图像进行去噪处理[4]，最大限度地提高传输图像的清晰度；重庆大学龙红梅提出了一种基于运动估计的视频图像3D（时空联合）降噪算法，既可以有效地抑制视频图像中的噪声，又能较好的保护好图像的细节[5]。

3.2.2 图像帧的前景提取

图像经过预处理后，噪声对其的影响已经降到了最低，这时需要将动物的病变部位，从图像中分离出来，从而降低背景图像的干扰，病变部位提取的流程如图5所示。

由于该监测系统要满足监测的自动性，所以在前景图像的提取过程中，需要利用迭代算法动态的变换阈值，从而尽可能地将监控的部位从图像中提取出来。湖南大学的盛先提出了一种基于人眼检测的视频前景自动提取算法，来取代传统的手工交互式获取视频图像的前景[6]。覃晓等人提出了模拟退火优化的阈值图像分割算法（Ostusa），极大提高了前景图像的提取效率[7]。

但是，由于阈值的动态变化中会使图像产生一些微小的区域或者“毛刺”点，这些区域可能含有重要的疫情信息，所以在情景提取的过程中，也要对这些“毛刺”点进行修补或者平滑操作，使得提取的前景区域尽可能包含全部的疫情信息。刁智华等人对数学形态学的分类及其在病害图像中的分割进行了详细的阐述[8]，并能很好地解决“毛刺”点问题。

图5 图像前景提取流程

3.2.3 图像帧中病变区域的提取

当利用图像前景提取方法将患病部位与图像的背景区分开后，就需要对目标区域——疫情病变区域进行精确提取，为后面的颜色特征提取做准备。病变区域的提取流程如图6所示。

图6 病变区域提取流程

由于一开始对图像的操作都是在RGB颜色空间中进行的，在前面章节也分析了RGB颜色空间虽然有很好地识别度也符合人眼的观察，但是该颜色空间的图像受光照的影响较大，这会给口蹄疫病变区域的分割带来极大的干扰。所以需要将将前景图像的颜色空间进行了转换，并对转换的颜色空间进行了重新量化，通过对某一颜色通道的提取，设定合适的阈值对病变区域进行了精确的分割。庞晓敏等人提出了基于HSI和LAB颜色空间的彩色图像分割方法[9]。虎晓红等人提出了多颜色空间中，玉米叶部病害图像图论分割方法[10]，对叶部病害区域进行提取。

3.2.4 图像帧中病变类型的识别

当提取到病变区域后，就需要对病变类型进行识别和做出预警。目前，比较常用的方法，就是利用支持向量机算法，对病变类型的显著特征进行训练，从而设置合适的分类器，对某一类疫情进行识别。

支持向量机（SVM）算法的主要思想是：首先，将训练样本的特征信息由低维空间通过一定的函数映射到高维的特征空间中，使得这些数据集在高维的特征空间能够被线性可分。然后，在特征空间中建立一个最大间隔的最优分离平面，使得该分离平面能够将不同的特征集完全的分离开来。由上述的分析不难看出支持向量机算法必须要解决2个问题：（1）核函数的选择，用来将非线性的数据集映射到高维空间使之成为一个线性可分的数据集;（2）如何在高维的空间中求出一个最优的分离平面，将所有的样本能够准确的分离开来。李美清等人利用支持向量机算法对多光谱番茄磷营养进行诊断[11]；李冠林等人利用支持向量机的理论对小麦条锈病和叶锈病进行识别{12}。

所以，可以利用支持向量机理论设计出口蹄疫、猪丹毒等常见的动物体表病变识别器，来对动物疫情的监测做出预警。

4 结语

随着科学技术的发展，图像识别技术在农业的应用范围越来越广泛，研究的人员也越来越多，但是在动物疫情监控领域的研究还不是很多。该文以广东省东莞市动物卫生监督所为例，希望利用图像识别技术来解决人工监控的缺点，从而显著地提升动物疫情监测预警能力，实现对畜禽产品安全工作的有效监管。

[1] 陈军，王昌建，张朝阳．动物疫情预测方法的研究．中国动物检疫，2010，27（12）：74～76

[2] 罗卫强，王永，李小军，等．东莞市建设动物卫生远程视频监控系统探讨．广东农业科学，2011，38（3）：219～220

[3] 罗卫强．东莞市生猪质量安全追溯关键技术研究及集成应用．南京农业大学，2013

[4] 巫桂梅．远程网络视频教育动态图像清晰化方法研究．计算机仿真，2012，29（11）：391～394

[5] 龙红梅．视频图像降噪算法研究．重庆大学，2009

[6] 盛先．基于人眼检测的视频前景自动提取算法研究．湖南大学，2012

[7] 覃晓，元昌安，邓育林，等．一种改进的Ostu图像分割法．山西大学学报：自然科学版，2013，36（4）：530～534

[8] 刁智华，赵春江，吴刚，等．数学形态学在作物病害图像处理中的应用研究．农机化研究，2010，15（2）：194～199

[9] 庞晓敏，闵子建，阚江明．基于HSI和LAB颜色空间的彩色图像分割．广西大学学报：自然科学版，2011，36（6）：976～980

[10] 虎晓红，李炳军，刘芳．多颜色空间中玉米叶部病害图像图论分割方法．农业机械学报，2013，44（2）：177～181

[11] 李美清，李晋阳，毛罕平．基于支持向量机的多光谱番茄磷营养诊断．农业机械学报，2016（3）：1～7

[12] 李冠林，马占鸿，王海光．基于支持向量机的小麦条锈病和叶锈病图像识别．中国农业大学学报，2012，17（2）：72～79