基于计算机视觉技术育肥猪体重分析研究

张 凯，王春光，刘 涛，康飞龙

(内蒙古农业大学 机电工程学院，呼和浩特 010018)



基于计算机视觉技术育肥猪体重分析研究

张 凯，王春光，刘 涛，康飞龙

(内蒙古农业大学 机电工程学院，呼和浩特 010018)

为了更好地解决育肥猪的体重预估问题，本研究通过获取育肥猪在不同生长阶段的图像和质量数据，利用计算机视觉技术将猪的侧视图像进行预处理、颜色特征处理、阈值分割及图像形态学处理，经过推导计算求出猪体的侧视面积，对一维体尺参数、侧视面积与体重进行数据拟合并建立数学模型。研究结果表明：在只考虑体尺单因素的影响时，拟合出的体重与体尺的相关性较小，其平均误差也较大。通过比较逐步回归法与MLP神经网络模型发现：MLP神经网络拟合模型相关性最好，相关性R2可达到0.993，平均相对误差为1.38%，可以很好地保证估测精度，为测量猪的体重提供新的方法。

猪体；图像处理；体重；侧视面积；数据分析

0 引言

在猪的生长阶段，通过检测猪的体重，可实时检测猪的日增重、食物转化率和利润，对猪的福利化养殖有着重要意义。传统方法通常需要直接接触猪来测量体重，不仅费时费力而且给猪造成应激反应，甚至给猪造成许多不良的影响，带来很大的经济损失。目前，测量猪的体重主要采用电子称重测量设备，尽管测量仪器可以较为精确地测量猪的体重，但由于称重时体重平台的晃动以及污秽积累，容易影响测量结果的精确度。

猪的体尺参数作为一个重要的生物体征参数，可以实时监测猪的生长发育。猪的体尺参数主要包括体长、体高、体宽、胸围、腹围、投影面积和侧视面积等。现代计算机技术为动物的体尺测量提供了新技术。1990年，英国学者Schofield分析了传统测量猪体重的弊端，应用图像处理技术分析二维特征参量与体重之间的相关性，得出体重与俯视方向的投影面积的相关性最大[1]。2003年，日本学者Minagawa通过改进实验装置，使猪在无约束饮水的情况下用摄像机采集图片，测量俯视方向的投影面积，利用视差求出体高，拟合出投影面积、体高与体重之间的相关关系，相对误差在2.1%以内[2]。2015年，泰国Apirachai提出了矢量量化时间联想记忆(VQTAM)，它是一种基于计算机视觉的图像捕捉和有监督的学习算法，结果表明：这种基于VQTAM和改进的LLE方法能提供准确的体重预测，平均误差小于3%[3]。2006年，杨艳利用计算机视觉技术研究了去除头部和尾部的俯视投影面积与体重的相关性，相关系数达到0.94，体重预估误差不超过2.8%[4]。同年，杨艳利用数字图像技术测得猪的体尺数据，将猪的体重W与投影面积S、体高H拟合得到回归方程W=0.003S1. 2811H0. 6121，平均相对误差为3.2%[5]。2006年，付为森将猪体的头部和躯干分别近似为圆锥体和圆柱体，建立种猪体重的三维预估模型，平均相对误差在2.8%内[6]。从目前研究现状来看，国内外的学者大多采用俯视图研究猪的体重与体尺的相关性，而没有从猪的侧视图研究体尺与体重的相关性。因此，本文主要研究猪的体重与侧视体尺的相关性。

本文采用MatLab图像处理的方法，首先进行图像的预处理，可以减少噪声和光照等因素的影响。通过图像算法分析，利用RGB颜色特征分析并提取猪体的图像，将目标与背景有效的区分；然后采用阈值分割算法进行图像处理，经过图像分割及形态学处理后，得到猪的侧视图像，并根据贴在猪身的黑色矩形参考板计算出猪的侧视面积；利用最小二乘法、逐步回归法、MLP神经网络法分别分析测得的体尺与体重的相关性并建立相应的数学模型。

1 图像处理

1.1 图像获取试验

试验样本采样于山东栖霞猪场，猪场有187头育肥猪，筛选了22头体重在50～110 kg 范围的长白母猪作为试验对象，在猪的侧部贴一个10cm×5cm的黑色矩形板作为参照。在猪正常站立姿态时，用MV-VD200SC型工业相机采集猪的侧视图像，图像最大分辨率为1 600×1 200。每头猪的图像采集结束后，用猪场内的地磅称重，并用卷尺量取一维体尺。

图1 原始图像

1.2 图像预处理

由图1可以看出：实际生产中的猪的图像存在很多噪声、光照强度变化和阴影等干扰因素。由于这些因素会影响到图像分割质量，并对后续猪体图像的处理产生较大的影响，因此需要对图像进行预处理。本文采用直方图均衡化和中值滤波法对采集的图像进行预处理。直方图均衡化对于改善图像对比度和亮度具有明显的效果，使图像的对比度和亮度得到一定的提升；中值滤波对干扰脉冲和噪声具有较好的抑制作用，同时还可以保留边缘的锐度和图像的细节。图2为经过预处理后的图像。

图2 图像预处理及直方图

1.3 RGB颜色特征分析与提取

在经过图像的预处理后，发现直方图的分布比较均匀，不能及时准确地提取合适的阈值，使图像分割的效率降低。通过分析图像的RGB颜色特征建立相应的分析模型，可以准确地确定合适的阈值，为目标的提取提供条件。

为了能够把猪从背景图像中准确分割出来，首先要分析猪的颜色分布特征。猪的颜色偏淡红色，也就是猪的红色分量R较大，绿色分量G和蓝色分量B偏小；背景区域为深黑色和灰色，红色分量R、绿色分量G和蓝色分量B的值大小一致。经过综合比较分析，根据图像的颜色特征建立模型生成新的颜色特征图像d，使目标与背景有较好的区分，如图3(a)所示。

(1)

其中，c的取值视背景情况而定。本文中，常数c取值范围1.08～1.15。

(a) 颜色特征图像

(b) a图像直方图

(c) 图像分割 (d) 形态学处理图

1.4 图像分割及形态学处理

图像分割就是把图像分成若干个特定、独特的区域，从图像中提取出有意义的特征区域或感兴趣的目标。常用的图像分割方法有直方图法、迭代法及最大类间方差法等。根据采集的图像进行处理后发现：采用迭代法和最大类间方差法会使猪体与地面混淆，不能有效分割，对后续的形态学处理带来难度；而根据直方图的特点选用合适的阈值进行图像分割，可有效避免这种情况，为图像的形态学处理提供便利，分割结果如图3(c)所示。

经过图像分割后对图像取反得到所需的二值图像。由于实验是在猪场内部进行的，背景较为复杂，分割后的图像不是理想情况，因此需要使用形态学基本运算对经过分割后的二值化图像做形态学处理。首先，调用imdilate函数进行图像的膨胀，使图像中猪断开的肢体轮廓连续；然后，调用imerode函数将膨胀后的图像进行腐蚀，这样可以有效地去掉噪声点和毛刺；利用imclearborder函数删除和图像边界相连的对象；最后，利用bwareaopen函数删除二值图像中面积较小的对象，得到经过图像分割及形态学处理后的图像，如图3(d)所示。

1.5 面积公式推导

测量图像内猪体面积的常用法是像素计数法，就是统计边界及其内部的像素的总数，即为面积，计算公式为

(2)

对二值图像，若背景的像素用0表示，物体的像素用1表示，则面积就是统计f(x,y)=1的像素数量。对于经过图像分割后的猪体二值图像，猪的侧视部分为白色区域，即灰度值为1；而黑色参考板为黑色区域，即灰度值为0。拍摄时，图片中猪及参考系的面积会受到拍摄角度和距离的影响，因此拍摄时使相机与猪的距离保持不变，保证相机与参考板的连线方向与猪的侧视图方面相垂直，并且要确保相机与参考板等高。图像中的猪的面积即为灰度值为1的白色区域的像素的个数，参考板的面积即为矩形黑色区域的像素个数。由于已知参考板的真实面积，经过推导得到下面的公式，就可以计算出猪的真实侧视面积为

(3)

式中S—猪的真实侧视面积(cm2)；

N1—猪的侧视区域(白色区域)的像素数；

N2—黑色矩形参考板区域的像素数。

1.6 面积估测系统GUI设计

利用MatLab设计GUI图形用户界面，将其设计成一种人与计算机通信的界面显示格式，允许用户使用鼠标等输入设备操纵屏幕上的图标或菜单选项，以选择命令、调用文件、启动程序或执行其它一些日常任务，极大地方便了人们的使用。图4为设计的猪体侧视面积估计系统的GUI界面。

图4 猪体侧视面积估计系统的GUI界面图

2 数据分析

2.1 最小二乘法拟合分析

为了保证试验结果的准确性，试验选取标准的22个样本图像，将22张猪的图像进行处理，测量出猪体的侧视面积，结合测得的体重与一维体尺，进行拟合分析。分析结果显示：体重与一维体尺的拟合相关性均不如体重与侧视面积的线性相关性。分别分析体重和侧视面积的直线拟合、幂次拟合、对数拟合、二次多项式拟合关系，得出拟合回归方程和决定系数并进行统计，统计结果如表1所示。结果发现，二次多项式的拟合效果最好，图5为体重与侧视面积的拟合图。为了检验估测值与真实值的差异，将测得的22组样本数据进行检验，结果显示：4组模型的平均相对误差值比较接近，对数函数模型求得的平均相对误差最小，其平均相对误差为8.30%。

图5 体重与侧视面积的拟合图

拟合回归方程决定系数R2平均相对误差/%y=0．024x-10．080．7378．55y=0．004x1．1940．73811．34y=96．11lnx-706．70．7538．30y=-0．000009x2+0．0912x-136．2370．76110．17

y为猪体体重(kg)；x为侧视面积(cm2)。

2.2 逐步回归法拟合分析

测取猪的一维体尺参数(体长、体高、臀宽、胸围)，结合猪的侧视面积进行数据的逐步回归分析。逐步回归的基本思想是将变量逐一引入模型，进行显著性检验，保证每次引入新的变量之前回归方程中只包含显著性变量，最后得到最优的解释变量集。本文利用SPSS软件进行逐步分析后，得到相关性较好的两个模型，拟合的回归方程如表2所示。经过比较发现，体重与侧视面积、臀宽、体长的拟合效果最好，相关性可达到0.95，其平均相对误差为3.91%。

表2 逐步回归法拟合结果

y.猪体体重(kg)；x1.侧视面积(cm2)；x2.臀宽(cm)；x3.体长(cm)。

2.3 MLP神经网络

设计多层感知器(MLP)神经网络建立体重与体尺的拟合模型。在单因素相关性分析的基础上，选取与猪体体重相关性显著的侧视面积、体长、体高、臀宽和胸围5个体尺参数作为输入量，在本文的MLP神经网络中有唯一输出量，即育肥猪的体重实测值。使用分区变量分配个案，通过多次网络训练，比较网络均方误差，找到误差最小的模型，该最小训练样本误差平方和为0.080，相对误差为0.008，从而确定本文中数据处理的隐含层数为4；最终建立输入端包含偏差的6个神经元输入端、4个隐含层神经元以及1个神经元输出端的MLP神经网络。

为了反映建立的MLP模型预测体重的准确性和稳定性,本文通过线性回归法对预测结果和实测值进行拟合，其拟合的结果R2为0.993，拟合度很高，经计算其平均相对误差为1.38%，优于上述所有数学模型，能很好地预测猪体体重。MLP神经网络拟合结果如图6所示。

图6 MLP神经网络拟合结果

3 结论

1)根据本文采样图像的特点，利用颜色特征建立新的特征模型，得到新的样本图像，可便于图像阈值分割及图像形态学处理，得到完整的二值化猪体侧视图像，并利用GUI设计出猪体侧视面积估计系统，为猪体面积的测量提供便利。

2)在只考虑体尺单因素的影响时，拟合出的体重与体尺的回归方程的相关性较低，其平均误差也较大，说明采用单因素效果不理想。通过比较逐步回归法与MLP神经网络模型发现，MLP神经网络拟合模型相关性最好，相关性R2可达到0.993，平均相对误差为1.38%，可以达到较好的预测精度，为测量育肥猪体重提供新的方法。

[1] Schofield C P．Evaluation of image analysis B a means of estimating the weight of pigs[J].J of Agriculture Engineering Research，1990，47：287-296.

[2] Minagawa H, Taira O, Nissato H. A color technique to simplify image processing measurement of pig weight by a hands- off method [C]//ASAE Publication Number 701P1303，2003.

[3] Apirachai Wongsriworaphon, Banchar Arnonkijpanich, Supachai Pathumnakul.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.

[4] 杨艳，滕光辉，李保明，等.基于计算机视觉技术估算种猪体质量的应用研究[J].农业工程学报，2006，22(2)：127-131.

[5] 杨艳，滕光辉，李保明.利用二维数字图像估算种猪体重[J].中国农业大学学报，2006,11(3): 61-64.

[6] 付为森，滕光辉，杨艳.种猪体重三维预估模型的研究[J].农业工程学报，2006,22(2)：84-87.

[7] 王文静，徐建瑜，吕志敏，等.基于机器视觉的水下鲆鲽鱼类质量估计[J].农业工程学报， 2012,28(16):153-156.

[8] 周品. MatLab图像处理与图形用户界面设计[M]. 北京：清华大学出版社，2013:140-324.

[9] 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.

[10] Mohammadamin Kashiha, Claudia Bahr, Sanne Ottb, et al.Automatic weight estimation of individual pigs using image analysis[J].Computers and Electronics in Agriculture， 2014，107: 38-44.

[11] 李明，张长利，房俊龙.基于图像处理技术的小麦叶面积指数的提取[J].农业工程学报，2010，26(1):205-209.

[11] 陈天华. 数字图像处理 [M].北京：清华大学出版社，2014:312-320.

[13] 尹建军，毛罕平，王新忠，等. RGB与HSI颜色空间下番茄图像分割的对比研究[C]//中国农业工程学会，2005：327-331.

[14] 谢振威.基于多元线性回归和神经网络的化纤行业能耗预测研究[J].北京服装学院学报：自然科学版,2012(4):59-67.

[15] 谢龙汉，尚涛，蔡明京. SPSS统计分析与数据挖掘[M].北京：电子工业出版社，2014:438-458.

Study on Weight of Fattening Pigs Based on Computer Vision Technology

Zhang Kai, Wang Chunguang, Liu Tao, Kang Feilong

(College of Mechanical and Electrical Engineering，Inner Mongolia Agricultural University，Hohhot 010018，China)

In order to solve the problem of estimating the weight of the fattening pigs, the image and quality data of pigs was obtained at different growth stages. The research is based on the computer vision technology, the side image of pig will be treated with a series of measure steps which include the processing of image preprocessing, color characters, threshold segmentation and the processing of image pattern, measuring the side area of pigs after computation. Through the analysis of one dimension body size, side area and weight, it can apply the data fitting and establish mathematical model. The results show that the single factor of the body size is considered only, The correlation is lower between body weight and body size, and its average error is larger. Through the comparison of the stepwise regression method and the MLP neural network model, we find that the correlation of the MLP neural network model is the best.The correlation coefficient is 0.993, and the average relative error is 1.38%. It can assure the precision of evaluations very well, and provide new method for measuring the weight of pigs.

pig; image processing; weight; side area；data analysis

2016-04-20

“十二五”国家科技支撑计划项目(2014BAD08B05)

张 凯(1989- )，男，山东烟台人，硕士研究生，( E-mail)zhk5517@163.com。

王春光(1959- )，男，内蒙古鄂尔多斯人，教授，博士生导师，( E-mail)jdwcg@imau.edu.cn。

S821.4+4

A

1003-188X(2017)05-0032-05