基于信息融合的猪只检测研究

孙 娟，吴洪昊

(江苏联合职业技术学院盐城生物工程分院，江苏 盐城 224051)

0 引言

农业信息化是整个农业发展的趋势，每头猪的信息从出生到死亡的每一件事都记录在与他对应的唯一号码上，相当于身份证一样。那么对猪运动信息的跟踪也就显得尤为重要。猪是一种社会性动物，通过打架来确定社会地位。由于猪只运动的复杂性，普通的车辆跟踪算法无法对多猪只进行轨迹跟踪。本文利用图像信息融合算法实现了猪只的精确检测，解决了猪只重叠等问题。

1 基于信息融合的猪只检测算法

1.1 改进的检测算法

本文提出了一种将高斯混合建模和Mean shift 分割算法相结合的方法，巧妙地解决了目标检测问题。具体步骤如下：

1.1.1 设定初始帧仅包含背景不含目标，用来防止猪的静止或缓慢运动的情况，如果相邻两帧视频的差分结果为0，我们让当前帧视频与初始帧视频作差分提取结果，设定检测阈值，当检测结果太小时，视为背景噪声如猪的粪便、光照的变化等等。

1.1.2 将GMM 算法和Mean shift 分割算法的结果进行二值化，分别记为FG(i)、FM(i)，其中i 为视频帧序号，并对结果进行二值化。

1.1.3 在均值分割算法结果FM(i)中，利用两遍扫描法，检测并扫描白色像素点的位置，并记录像素个数为M(j)，其中j 为区域的序号。

1.1.4 统计GMM 算法处理结果中像素个数，碰到低于阈值的情况，令FG(i)= FG(i-1)；

1.1.5 在FM(i) 区域找出相应FG(i) 区域内的白素像素点个数， 记为G(j)，令μ=G(j)/ M(j)，设置阈值μ*，当μ＞μ*时，为有效区域，否则为黑色，本文中μ*=0.35，该值为实验判断值。

1.2 实验与结果

高斯混合建模检测结果显示，猪的部分形状存在缺失现象，原因是猪存在运动缓慢或者静止现象。

均值分割算法的结果检测精确度不高。经过信息融合的结果。可以看出经过改进，起到很好的目标检测效果，改进的算法具备很好的检测效果。

2 结语

随着农业信息化的不断发展，智能化养殖是养殖产业转型升级的推进器，本研究主要针对猪的运动轨迹跟踪展开猪的运动检测，在分析传统检测算法的前提下，结合猪舍实际的背景环境，提出GMM 和Mean shift 相结合的算法，通过两边扫描法成功提取猪目标，并进行了实验对比，验证了算法的可行性。

本研究可应用于猪只智能养殖系统，推动产业的转型升级。鉴于当前猪只养殖的自动化程度还不高，数据模型不完善，特别是在对猪的病情诊断方面，仍然需要人工来完成。下一步将利用卷积神经网络技术学习不同病情猪叫声的样本数据，形成训练模型，从而可对猪的病情进行判断。