典型猪舍光环境下机器视觉图像量化评价及筛选

杜晓冬，滕光辉，李 卓，石 晨



典型猪舍光环境下机器视觉图像量化评价及筛选

杜晓冬，滕光辉※，李 卓，石 晨

（中国农业大学水利与土木工程学院，农业部设施农业工程重点实验室，北京 100083）

随着数字化农业进程的发展，利用机器视觉技术进行生猪养殖方面研究已成为许多研究人员关注的热点之一。机器视觉中外界光环境对采集图像的质量具有较大影响，但是较多猪体质量监测方面研究的焦点集中在图像算法方面，忽视外界光环境的重要性，缺乏量化评价机器视觉光环境优劣的方法。该文基于猪体质量检测平台，利用LabVIEW软件编程分析实际光环境条件下拍摄图像质量。经现场试验分析，理想图像、曝光过度图像、自然光图像、阴阳图像4类图像在曝光参数和照度均匀度参数有明显区别：理想图像和曝光过度图像的照度均匀度参数均满足照明工程标准要求，理想图像曝光正常比率较高；自然光图像和阴影图像的照度均匀度参数不满足照明工程标准要求，且曝光正常率偏低。该文采用曝光正常，最小照度与最大照度比值1>0.7和最小照度与平均照度比值2>0.8判断实现理想图像筛选，便于研究者前期图像预处理工作。

机器视觉；照明；监测；猪体质量；光环境；LabVIEW；照度均匀度

0 引 言

生猪养殖过程中，猪只称质量是一个必要的环节，畜禽质量是其健康状态和市场价值的一个重要指标[1-4]。传统养殖过程中猪只称质量采用体重箱、电子秤，费时、耗力，同时会对家畜产生应激，不利于其生长发育[5-8]。工业上机器视觉技术的快速发展为猪体尺测量和猪体质量监测提供了一种快速、准确的手段。目前，机器视觉技术已被应用到猪体质量监测研究中，并取得了良好的效果[2,9-10]。机器视觉获取图像质量的好坏，主要取决于光源、图像摄像机和视场几何图形这3个因素。相关学者研究表明，机器视觉中光源与补光对相机采集图像质量具有十分重要的影响[11]。光照不均匀是影响图像检测精度和分析结果的一个重要因素，在机器视觉应用中，外部光源中的非均匀照明会造成比环境照明还要坏的图像分割[12-14]。英国学者Marchant等[5]为猪体图像采集系统安置2个低功率光源来提高图像采集质量，补光效果较好。日本学者Minagawa等[15]研究表明，外界光照环境及光线投影产生的阴影线对于图像分析中提取猪只图像有一定影响，增加卤素灯补光来获取较好图像。英国学者Wu等[3]建立了一套较为复杂的图像采集系统，增加辅助的闪光单元，能较好的构建猪体3D模型。澳大利亚学者Kollis等[2]研究表明，由于试验环境较为封闭，当前光照水平难以满足图像采集要求，增加2个照明灯提升图像采集质量。杨艳等[16]研究表明，在图像采集过程中，由于光照条件影响，即使是同一头猪，在不同时间采集到的图像差异也很大。在提取猪的背部轮廓研究中发现，外界光环境对图像处理有较大影响，若图像背景比较复杂，猪体轮廓提取正确率较低，以至于无法提取到对应的体尺测点[1, 17]。朱伟兴课题组提出ALLA算法，测试结果较之于标准化图像有显著改变，利于后继猪只图像分割[18]。猪舍内光照环境会随时间变化，猪舍墙壁、窗户隔栏对入射光线也会产生一定影响，易造成猪体轮廓提取不完整，影响算法准确性和稳定性[19-20]。由此可见，机器视觉外界光环境的均匀性非常重要。但是在实际应用中缺乏一种有效评价光环境下图像优劣的方法，导致拍摄大量图像因光照影响而不能使用，并且需要人工去筛选有效图像，费时费力。本研究针对典型猪舍中机器视觉光环境进行研究，目的是探索一种方法有效筛选猪体质量监测平台拍摄的图像，过滤受外界光环境干扰较大的无效图像。

1 材料与方法

1.1 试验对象

试验在中国农业大学上庄试验站进行，从天津市惠康种猪有限公司购入5头去势长白猪，平均体质量30 kg左右，日龄为103 d左右，饲养时间为2015年11月12日―2016年1月31日，圈栏饲养，自由采食，补光时间为07:00―19:00，出栏日龄为183 d左右，平均体质量110 kg左右。

1.2 猪体质量监测试验平台

为获取猪体图像和分析图像光照信息，搭建猪体质量监测试验平台[21]，硬件平台由相机、LED光源、反光伞、以太网采集卡、服务器等构成。采用德国Basler工业数字相机，型号为acA1300-30gm，安装在饮水区正上方，通过网络将拍摄图像传输至服务器；补光系统利用LED射灯、导轨、反光伞等组件，负责提供均匀光环境；图像自动采集程序是基于美国国家仪器有限公司的LabVIEW 2013和Vision Development Module 2013开发，数据库采用Mysql 5.5，数据库连接程序采用LabVIEW Database Connectivity Toolkit编写。

1.3 光照数据分析

试验现场光照度测量采用SMART SENSOR公司AS813光照度计，为确保数据准确性出厂时进行传感器校准，仪器测量范围0～100×103 lx，测量精准度±4%，分辨率1 lx。试验结束后，利用农业部设施农业工程重点实验室仪器—美国Labsphere Inc.公司的小型均匀光源系统，配合美国LI-COR公司的 LI-1500和LI-200R传感器对AS813进行第2次校准，将高精度LI-200R传感器近似作为真值，利用小型均匀光源系统在实验室环境下创造均匀光环境，分析对比LI-200R和AS813光照度计读取数据及误差。

绝对误差定义式为

=−（1）

式中为绝对误差，lx；为测量值，lx；为真值，lx。

相对误差定义式为

=/×100% （2）

式中为相对误差，%。

试验分现场试验和实验室试验，现场试验主要进行目标区域光照度测量，依据不同饲养时期猪体高度不同，测量不同猪体高度时目标区域光环境。实验室试验分为两部分，一是校准光照度传感器；二是处理图像数据，对比算法值同真实值之间差异。光照实测区位于相机拍摄猪体图像的饮水区域，依据猪体长为1.2 m，饮水区宽为0.4 m，试验将1.2 m×0.4 m区域设定为光照测量目标区域。在目标区域划分4×3共12个测点，南北向等间隔选取4个测量点，东西向等间隔选取3个测量点，测量点以×号表示，测量高度随猪体提高增加而改变，饲养前期高度设定50 cm，饲养中期55 cm，饲养后期60 cm，主要获取光照度参数为最大光照度、最小光照度、平均照度等[22]。现场试验时间和光照实测点分布如表1、图2、图3所示。

表1 试验时间表

图3中建立的三维坐标系中体现的坐标值是2016年1月21日采集的光照度值，以此为例。坐标系原点选取目标区域东北角，测量区域中的每个测点是由坐标系中坐标和坐标确定，坐标值为实测光照度值。每次试验光照数据采集3组，取平均值作为实际光照值，数据以平均值±标准偏差（MEAN±S.D）表示。

光照测量区域的均匀性分析是借鉴照明工程标准中照度均匀度指标来评价的，照度均匀度指标是用于体育赛事电视转播及拍摄图像时要求较高图像质量时参考的量化评价标准，所以借鉴其对猪图像拍摄区域的光环境进行量化评价。照度均匀度指标采用1和2两个参数，水平面上最小照度与最大照度之比为1，最小照度与平均照度之比为2[23-25]。

式中1为最小照度与最大照度比值；min为最小照度，lx；max为最大照度，lx；2为最小照度与平均照度比值；ave为平均照度，lx。

照度均匀度指标1和2越接近1，则照度均匀性越好，说明猪体质量预估系统光环境合适；反之，照度均匀性越差，目标面上为光线分布不均匀。依据照明工程标准要求，1不应小于0.5，2不应小于0.7，光环境合适。

1.4 图像数据分析

三类图像是需要在图像预处理环节剔除的，一类是图像亮暗不均匀；一类是图像较暗，猪只轮廓较模糊；一类是图像曝光过度，猪只全部或局部过亮。

由于现场人工采集光环境参数费时耗力，试图借助计算机软件程序替代人工测量手段，以实现半自动化处理、分析光照度数据。图像光照均匀度是用现场采集光照数据来判断的，光照度大的区域对应图像上较亮的区域；反之，对应图像上较暗的区域。由于光照度同图像像素灰度值之间存在较复杂经验公式[26]，在此为了便于说明，假设光照度大小同像素点灰度值大小近似成正比关系，建立光照度和像素点灰度值两者之间的比例关系。

=·（5）

式中为光照度，lx；为比例系数，lx；为灰度。

虽然比例系数未知，但是参数的已知或未知对照度均匀度计算公式不影响，最终可以约去，在这里不展开证明。

基于LabVIEW平台编程实现图像ROI区域（region of interest，即目标区域）动态抓取，将图像绘制的ROI区域平均分为6块小区域，分别求各自区域内平均灰度值，以减小随机误差，并计算目标区域1和2参数，并同现场实测值作对比[27-28]。设ROI区域中其中一块区域大小为·，则平均灰度计算公式[13]

式中为图像平均灰度；(,)为图像中第行，第列的灰度。

图像清晰度是采用图像边缘灰度变化率来判断，就相同内容的图像来说，清晰图像边缘灰度变化率较大，而模糊图像边缘灰度变化率较小，以每一列像素点灰度值连续下降幅度最大的边缘灰度变化率代表此列灰度变化率。对于同一内容而言，清晰图像边缘灰度变化率要大于模糊图像边缘灰度变化率，即清晰图像边缘像素点的灰度值能更快地从高灰度值降到低灰度值[29-30]。

本文选取猪只轮廓边缘灰度变化率作为图像清晰度的评价参数，文中定义灰度变化率为猪只轮廓边缘两侧像素点灰度值变换速率。在图像处理中任意绘制垂直于猪只轮廓边缘的直线，获取直线上每一像素点的灰度值，可知边缘区域两侧像素点灰度值连续变换过程中阶跃最大，采用最小二乘法拟合边缘两侧像素点灰度值变化直线，计算拟合直线斜率，即为灰度变化率。

=|| （9）

式中为灰度变化率；为拟合直线斜率。

为了减小随机误差，选取单幅图像灰度变化率的平均值作为其评价参数。

图像曝光正常与否同样对后期算法处理有很大影响，理想状态下图像正常曝光，若图像出现曝光过度或曝光不足现象，则该图像不满足要求。

正常图像像素尺寸为1296×966像素，以32×32像素尺寸为一个正方形单位，对整幅图像像素进行单位划分。按0～255共256个灰度级绘制图像的灰度直方图，所以当一幅图像中像素点灰度值达到255的越多，则图像整体越亮，且这些像素点已经超过了正常灰度级的最大值，将一个基本单位内像素点灰度值达到255的个数进行统计，其占整个基本单位像素点总数的比例作为最大曝光参数；反之，将一个基本单位内像素点灰度值达到30以下的个数进行统计，将其作为最小曝光参数。文中最大、最小曝光参数统一设置为0.5。

2 结果与分析

对表2测量结果进行单因素方差分析（ANOVA），以此探究不同猪体高时光环境差异，在此分析min、ave、max于不同猪体高下的差异。由照度均匀度分析结果可知，经过方差齐性检验，组内差异不显著（>0.05）；不同猪体高时，组间差异不显著（>0.05）。从数据分析可知，饲养周期内测量不同高度时的光照度数据差异不显著。

从表3中可以看出，1和之间显著相关，相关系数=0.791；2和之间显著相关，相关系数=0.853。采用成对t检验方法分别对1、之间和2、之间是否存在差异进行判断。实测值和模拟值之间对比如图4、表4所示。

表2 光照度测量结果

表3 照度均匀度相关性分析

注：*在0.05水平（双侧）上显著相关。

Note: * Significant correlation at 0.05 level (double side).

表4 U1和U2参数的实测值、模拟值差值样本检验表

从表4中结果可知>0.05，查询检验临界值表可知0.05(6)=2.447。|1−|和|2−|都小于0.05(6)，由此可推断，1和之间差异不显著；同理2和之间差异也不显著，在实际测量中可利用实测值近似代替测量值。

由于使用SMART SENSOR公司AS813光照度计时间较长，为确保数据准确性和可靠性，试验结束后对传感器进行再次校准，美国LI-COR公司的 LI-1500和LI-200R传感器精度较高，可作光照校准的约定真值，试验结果如表5所示。

表5 光照度传感器校准结果

注：-表示空缺，不参加计算。

Note: -denote vacancy. It was not involved in calculation

由表5可知，AS813传感器长期使用后，存在较大误差，对试验结果会有一定影响。但是相对误差较一致，在20%上下浮动，为了确保数据的有效性，提出光照度校正系数，还原试验现场真实光环境数据，仪器测量的相对误差为20%，计算可得光照度校正系数。

由于照度均匀度公式为比值形式，校正数据后对1和2参数没有影响，在这不展开证明。

选取4种典型猪舍环境进行算法验证，一种是人工补光，图像亮度质量较理想；一种是光线较强，导致图像局部曝光过度；一种是自然光照，图像局部较暗；一种是阴阳图像，存在较多阴影区域[18]，如图5所示。

a. 理想图像a. Ideal imageb. 曝光过度图像b. Overexposed image c. 自然光图像c. Natural light imaged. 阴阳图像d. Yin and Yang image

第1种类型图像抽取53幅图像样本做算法验证，第2种类型图像抽取38幅图像样本做算法验证，第3种类型图像抽取30幅图像样本做算法验证，第4种类型图像抽取14幅图像样本做算法验证。分析结果如表6所示。

表6 试验验证结果

从表6中可以看出，第1类理想情况下图像各指标合格率较高，曝光正常率为96%，，，照度均匀度合格率96%，图像质量效果较好；第2类图像平均灰度变化率高于第1类图像，但是曝光异常的图像比例较高，平均照度均匀度也低于第1类图像；第3类图像质量明显不如第1类、第2类图像，主要由于第3类图像为自然光照下拍摄的图像，受舍内光环境影响较大，导致图像边缘平均灰度变化率较小；第4类阴阳图像效果最差，对后期图像处理产生极大影响。由此可见，通过人工光源补光的图像质量效果较理想，满足图像曝光正常的要求，且，。采用本文图像评价方法选取有效参数，对采集图像进行自动筛选，具体流程如图6所示。

利用该思想进行LabVIEW编程，实现图像筛选功能，前面板界面如图7所示。

3 讨 论

从不同高度测量的光照度数据经分析后，结果表明无显著差异，依据照明工程标准要求，垂直照度梯度上最小值和最大值之比不应小于0.4，最小值和平均值之比不应小于0.6，由于现场试验在不同时间段进行，这可能会对采集的数据有一定的影响，但是，经过计算后的不同猪体高度测量的光照度满足要求，其他干扰因素对最终结果影响较小[25]。顾冰等[26]研究数码相片的颜色值与实际亮度值之间关系，采用图像颜色值近似测量场景的亮度分布。本文研究中1、之间和2、之间差异不显著，在实际测量中可利用模拟值近似代替实测值，该类方法都是从图像的颜色或灰度值出发，探索快速测量、分析光环境的手段。

纪滨等[18]将猪舍图像分为3类，一类是光线均匀，图像质量较为理想；一类是自然光条件；一类是舍内白炽灯光源，亮度不均匀。获取的3种类型图像灰度和亮度特征有明显区别。本文4类图像曝光参数和照度均匀度参数也有明显区别，可利用各类图像特征将较理想图像成功筛选出。

另外，本试验中猪舍环境较为封闭，但是同样存在一定外界自然光线照射干扰情况，舍内光照较为复杂。本文试验没有涉及大阳光强烈直射情况，该情况需考虑增大LED光源功率或采用闪光灯设备，在该文研究中没有涉及。

4 结 论

本研究提出一种典型猪舍光环境下图像评价方法，利用图像灰度值跟光照度之间关系以及照度均匀度参数对图像进行分析，可知最小照度与最大照度比值1和最小照度与平均照度比值2的实测值和模拟值之间差异不显著，1实测值和模拟值之间相关系数为0.791；2实测值和模拟值之间相关系数为0.853，可利用模拟值近似代替实测值快速获取光照度分布情况。另外，针对四类图像样本数据分析后的特点，基于LabVIEW编程并选取理想图像指标：曝光正常、最小照度与最大照度比值1>0.7、最小照度与平均照度比值2>0.8以实现图像自动筛选，过滤曝光过度图像、自然光图像、阴影图像，保留理想图像。限于精力和试验条件约束，后期研究工作可从闪光灯补光、不同颜色补光等角度开展一系列试验，实现补光系统自适应调光同样是需要努力实现的目标。

[1] Stavrakakis Sophia, Li Wei, Guy Jonathan H, et al. Validity of the Microsoft Kinect sensor for assessment of normal walking patterns in pigs[J]. Computers and Electronics in Agriculture, 2015, 117: 1－7.

[2] Kollis K, Phang C S, Banhazi T M, et al. Weight estimation using image analysis and statistical modelling: A preliminary study[J]. Applied Engineering in Agriculture, 2007, 23(1): 91－96.

[3] Wu Jiahua, Tillett R, McFarlane N, et al. Extracting the three-dimensional shape of live pigs using stereo photogrammetry.[J]. Computers and Electronics in Agriculture, 2004, 44(3): 203－222.

[4] Schofield C P. Evaluation of image analysis as a means of estimating the weight of pigs[J]. Journal of Agricultural Engineering Research, 1990, 47(C): 287－296.

[5] Marchant J A, Schofield C P, White R P. Pig growth and conformation monitoring using image analysis.[J]. Animal science: An International Journal of Fundamental and Applied Research, 1999, 68(1): 141－150.

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

[7] 刘同海，滕光辉，张盛南，等. 基于点云数据的猪体曲面三维重建与应用[J]. 农业机械学报，2014，44(6)：291－295.

Liu Tonghai, Teng Guanghui, Zhang Shengnan, et al. Reconstruction and application of 3D pig body model based on point cloud data[J]. Transactions of the Chinese Society for Agricultural Machinery, 2014, 44(6): 291－295. (in Chinese with English abstract)

[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(8)：245－249.

Liu Tonghai, Li Zhuo, Teng Guanghui, et al. Prediction of pig weight based on radical basis function neural[J]. Transactions of the Chinese Society for Agricultural Machinery, 2013(8): 245－249. (in Chinese with English abstract)

[9] Wang Y S, 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.

[10] Wongsriworaphon Apirachai, Arnonkijpanich Banchar, Pathumnakul Supachai. 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: 26－33.

[11]穆向阳，张太镒.机器视觉系统的设计[J]. 西安石油大学学报：自然科学版，2007(6)：104－109.

Mu Xiangyang, Zhang Taiyi. Design of a machine vision system[J]. Journal of Xi’an Shiyou University: Natural Science Edition, 2007(6): 104－109. (in Chinese with English abstract)

[12] 张巧芬，高健. 机器视觉中照明技术的研究进展[J]. 照明工程学报，2011(2)：31－37.

Zhang Qiaofen, Gao Jian. Research progress of lighting technology in machine vision[J]. China Illuminating Engineering Journal, 2011(2): 31－37. (in Chinese with English abstract)

[13] 刘秀峰，王兴东，裴云，等. 基于图像灰度自适应控制的光源系统[J]. 电子器件，2015(2)：269－273.

Liu Xiufeng, Wang Xingdong, Pei Yun, et al. Lighting system based on image gray value adaptive control[J]. Chinese Journal of Electron Devices, 2015(2): 269－273. (in Chinese with English abstract)

[14] 于丽杰，李德胜，董南萍. 视觉检测中的光照强度优化研究[J]. 计算机工程与应用，2012(17)：178－182.

Yu Lijie, Li Desheng, Dong Nanping. Research on lighting intensity optimum in vision inspection system[J]. Computer Engineering and Applications, 2012(17): 178－182. (in Chinese with English abstract)

[15] Minagawa H, Taira O, Nissato H. A Color Technique to Simplify Image Processing in Measurement of Pig Weight by a Hands-Off Method[M]//Swine Housing II, Proceedings. ST Joseph: Amer Soc Agr Engineers, 2003: 166－173.

[16] 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)

[17] 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(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(2): 161－168. (in Chinese with English abstract)

[18] 纪滨，朱伟兴，刘宏申. 猪舍图像局部亮度调整方法[J]. 农业工程学报，2013，29(5)：139－146.

Ji Bin, Zhu Weixing, Liu Hongshen. Method of local brightness adjusting of pigpen image[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(5): 139－146. (in Chinese with English abstract)

[19] 李卓，杜晓冬，毛涛涛，等. 基于深度图像的猪体尺检测系统[J]. 农业机械学报，2016，47(3)：1－8.

Li Zhuo, Du Xiaodong, Mao Taotao, et al. Pig dimension detection system based on depth image[J]. Transactions of the Chinese Society for Agricultural Machinery (Transactions of the CSAM), 2016, 47(3): 1－8. (in Chinese with English abstract)

[20] 纪滨，朱伟兴，李先锋，等. 猪舍固定摄像背景去除法[J]. 计算机应用研究，2011，28(9)：3585－3587，3590.

Ji Bin, Zhu Weixing, Li Xianfeng, et al. Background subtraction for static camera in pigpen[J]. Application Research of Computers, 2011, 28(9): 3585－3587, 3590. (in Chinese with English abstract)

[21] 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)

[22] 杜晓冬，滕光辉，李英英，等. 猪舍饮水区光照环境实测分析[J]. 猪业科学，2015(3)：94－96.

Du Xiaodong, Teng Guanghui, Li Yingying, et al. Analysis of illumination environment for piggery water district[J]. Swine Industry Science, 2015(3): 94－96. (in Chinese with English abstract)

[23] 朱舟，应盛盛，胡洪钧，等. LED植物光源阵列光照分布及均匀性研究[J]. 浙江农业学报，2015(8)：1489－1493.

Zhu Zhou, Ying Shengsheng, Hu Hongjun, et al. Study on illumination distribution and uniformity for LED plant light source array[J]. Acta Agriculturae Zhejiangensis, 2015(8): 1489－1493. (in Chinese with English abstract)

[24] 方溁，季杭峰，季慧华，等. LED植物组培灯具的光照均匀性设计[J]. 中国照明电器，2014(2)：1－5.

Fang Ying, Ji Hangfeng, Ji Huihua, et al. Design of high illumination uniformity led luminaires for plant tissue culture[J]. China Light & Lighting, 2014(2): 1－5. (in Chinese with English abstract)

[25] 《建筑照明设计标准》GB 50034-2013[S]. 北京：中国建筑工业出版社，2014.

[26] 顾冰，詹庆旋，祝志强. 利用数码相机测量亮度分布的实验研究[J]. 照明工程学报，2003(1)：15－18.

Gu Bing, Zhan Qingxuan, Zhu Zhiqiang. Research on measurement of luminance distribution using digital cameras [J]. China Illuminating Engineering Journal, 2003(1): 15－18. (in Chinese with English abstract)

[27] 彭坤杨，董兰芳. 一种基于图像平均灰度值的快速图像修复算法[J]. 中国图象图形学报，2010(1)：50－55.

Peng Kunyang, Dong Lanfang. A fast image inpainting algorithm based on average gray value[J]. Journal of Image and Graphics, 2010(1): 50－55. (in Chinese with English abstract)

[28] 张恒博，欧宗瑛. 一种基于色彩和灰度直方图的图像检索方法[J]. 计算机工程，2004，30(10)：20－22.

Zhang Hengbo, Ou Zongying. A method of content base image retrieval based on color and grey level histogram[J]. Computer Engineering, 2004, 30(10): 20－22. (in Chinese with English abstract)

[29] 徐贵力，刘小霞，田裕鹏，等. 一种图像清晰度评价方法[J]. 红外与激光工程，2009，38(1)：180－184.

Xu Guili, Liu Xiaoxia, Tian Yupeng, et al. Image clarity-evaluation-function method[J]. Infrared and Laser Engineering, 2009, 38(1): 180－184. (in Chinese with English abstract)

[30] 王鸿南，钟文，汪静，等. 图像清晰度评价方法研究[J]. 中国图象图形学报，2004，9(7)：828－831.

Wang Hongnan, Zhong Wen, Wang Jing, et al. Research of measurement for digital image definition[J]. Journal of Image and Graphics, 2004, 9(7): 828－831. (in Chinese with English abstract)

Quantitative assessment and screening of images in lighting environment of typical piggery

Du Xiaodong, Teng Guanghui※, Li Zhuo, Shi Chen

(100083)

With the advancement of digital agriculture, researching on pig weight estimation by using machine vision technology has become one of hotspots. The outside light environment of machine vision has a great influence on the quality of captured images. Ignoring the significance of lighting system, majorities of studies on pig weight estimation focused on algorithms and image processing without quantitative assessment methods of light environment. This research focus on the light environment for machine vision in typical piggery and the purpose is to explore a method to achieve effectively screening images taken by monitoring platform to filter out a large amount of invalid images interfered by outside light environment. This paper, based on pig weight monitoring platform, LabVIEW software was used to analyze the image quality of actual light environment condition. Researches consisted of field test and laboratory test. Light measurement of region of interest was mainly carried out in field test during different breeding periods as well as with different heights of pig body. Laboratory test was divided into two parts. One was the calibration of light sensor and the other was image processing for comparing the difference between the algorithm value and the real value. Experiments were carried out in the experimental station of Shangzhuang of China Agricultural University and the test objects were 5 heads of castration landrace. AS813 illuminance meter of SMART SENSOR Company was used to conduct research in test spot. In order to ensure the data accuracy, it was conducted two times of sensor calibration. The analysis of uniformity of illumination in measurement area was referred to lighting engineering standards for evaluating the intensity of illumination evenness.1and2parameters were used to evaluate evenness index of illumination intensity.1is the ratio of the minimum illuminance and the maximum illuminance.2is the ratio of the minimum illuminance and the average illuminance. By means of computer software program, it could replace artificial measures to realize the measurement of illumination simulation values, the gray level change rate and image exposure judgement parameters. After on-site validation experiments as well as data analysis, it had not significant difference among light measurements of various height of pig body during breeding period. Also, it had no obvious difference between measured value and simulation value. The correlation coefficient of1between measured value and simulation value is 0.791 and the correlation coefficient of2between measured value and simulation value is 0.853. Replacing measured values, simulation can fast achieve the distribution of the light environment approximately. Illumination correction coefficientwas put forward in order to ensure the validity of the data, reflect the true light environment and make up for 20% relative error of the measurement instrument. In addition, it is obviously different among ideal image, overexposed image, natural light image and Yin and Yang image in the parameters of exposure and uniformity ratio of illumination: the illumination uniformity parameters of ideal image and overexposed image meet the requirement of standards of illuminating engineering, and the normal rate of exposure for ideal image rate is higher. The illumination uniformity parameters of natural light image and Yin and Yang image did not meet the requirements of standards of illuminating engineering. Judgment standards of normal exposure were determined at1>0.7 and2>0.8 to realize the filter of ideal image which is convenient for researchers screening out ideal image.

machine vision; illuminance; monitoring; pig weight; lighting environment; LabVIEW; uniformity ratio of illuminance

10.11975/j.issn.1002-6819.2017.02.029

S821.4+6

A

1002-6819(2017)-02-0213-07

2016-05-03

2016-12-06

“十二五”国家科技支撑项目（2014BAD08B05）

杜晓冬，男，博士生，主要从事设施养殖过程控制与环境研究，北京中国农业大学水利与土木工程学院，100083。Email：duxiaodong@cau.edu.cn

滕光辉，男，教授，博士，博士生导师，主要从事农业生物环境智能控制和数字畜牧研究。北京 中国农业大学水利与土木工程学院， 100083。Email：futong@cau.edu.cn

杜晓冬，滕光辉，李 卓，石 晨. 典型猪舍光环境下机器视觉图像量化评价及筛选[J]. 农业工程学报，2017，33(2)：213－219. doi：10.11975/j.issn.1002-6819.2017.02.029 http://www.tcsae.org

Du Xiaodong, Teng Guanghui, Li Zhuo, Shi Chen. Quantitive assessment and screening of images in lighting environment of typical piggery[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(2): 213－219. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2017.02.029 http://www.tcsae.org