基于機(jī)器視覺(jué)識(shí)別雞冠顏色的病雞檢測(cè)方法

李亞碩 毛文華 胡小安 張小超

（中國(guó)農(nóng)業(yè)機(jī)械化科學(xué)研究院，北京，100083）

基于機(jī)器視覺(jué)識(shí)別雞冠顏色的病雞檢測(cè)方法

李亞碩 毛文華 胡小安 張小超

（中國(guó)農(nóng)業(yè)機(jī)械化科學(xué)研究院，北京，100083）

病雞最明顯的體征之一是雞冠顏色異常，健康雞的雞冠顏色鮮紅，而病雞的雞冠發(fā)白、發(fā)紺或發(fā)黃，利用機(jī)器視覺(jué)檢測(cè)雞冠顏色是否異常成為一種病雞檢測(cè)的有效方法。本文在喂料機(jī)上搭建高清機(jī)器視覺(jué)系統(tǒng)，采用并行算法實(shí)現(xiàn)多路視頻快速采集，基于L*a*b*空間a*分量的雞冠區(qū)域提取算法，數(shù)理統(tǒng)計(jì)分析健康雞與病雞的雞冠顏色特征差異；當(dāng)雞冠顏色不在健康雞冠顏色閾值內(nèi)，系統(tǒng)判定該雞為病雞，立即啟動(dòng)報(bào)警裝置，定位出病雞的具體位置。以白色蛋雞進(jìn)行試驗(yàn)，雞冠的正確提取率為98%，病雞的正確識(shí)別率為96%，誤識(shí)別率為2%。

機(jī)器視覺(jué)，病雞，雞冠，并行算法，自動(dòng)檢測(cè)

0 引言

隨著養(yǎng)殖規(guī)模的擴(kuò)大和養(yǎng)殖密度的增加，自動(dòng)化的疫情監(jiān)測(cè)和控制亟待實(shí)現(xiàn)。我國(guó)現(xiàn)有的病雞檢測(cè)仍以人工為主，人工肉眼逐個(gè)查看雞冠、翅膀、羽毛、行為體征狀態(tài)來(lái)判斷養(yǎng)殖雞是否健康[1-5]。人工檢測(cè)是一項(xiàng)瑣碎而細(xì)致的工作，工人必須近距離對(duì)每個(gè)雞籠進(jìn)行仔細(xì)檢查，而雞場(chǎng)內(nèi)有害氣體的濃度較高、粉塵較多，長(zhǎng)時(shí)間停留環(huán)境惡劣的雞舍中對(duì)工人的身體健康將會(huì)產(chǎn)生不利的影響。由于養(yǎng)殖規(guī)模大，靠人工判斷不但耗時(shí)費(fèi)力，增加人工成本，也容易產(chǎn)生視覺(jué)疲勞導(dǎo)致誤判漏檢。因此，建立一個(gè)病雞自動(dòng)識(shí)別系統(tǒng)具有重要的實(shí)際應(yīng)用價(jià)值。

當(dāng)雞患病時(shí),雞冠會(huì)呈現(xiàn)一定的病變狀態(tài),各種病癥可以通過(guò)觀察雞冠的變化識(shí)別雞病。因此，可以利用雞冠的變化信息對(duì)病雞進(jìn)行識(shí)別。本文提出了一種基于雞冠顏色和SVM的病雞自動(dòng)辨識(shí)方法,先根據(jù)L*a*b*空間a*分量提取雞冠區(qū)域[6-7]，再利用SVM對(duì)雞冠像素點(diǎn)的RGB顏色信息進(jìn)行統(tǒng)計(jì)分析[8-9]，建立健康雞與病雞的雞冠顏色特征判別模型。當(dāng)雞冠顏色不在健康雞冠顏色閾值內(nèi)就判定為病雞并立即啟動(dòng)報(bào)警裝置，同時(shí)定位出病雞的具體位置。利用電子眼自動(dòng)判斷雞冠顏色是否屬于正常范圍，不僅能夠克服人眼的差異和視覺(jué)疲勞，而且精確度高、可進(jìn)行批量檢測(cè)。

1 病雞自動(dòng)檢測(cè)方法

根據(jù)雞冠判斷雞是否生病，主要工作是定位雞冠并提取所需信息，找到判斷是否生病的雞冠顏色閾值，病雞自動(dòng)檢測(cè)工作流程如圖1所示。首先選取部分正常雞和病雞訓(xùn)練分類(lèi)器模型，提取雞冠信息并對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練分析，找到區(qū)分性最強(qiáng)的閾值。當(dāng)有新的雞需要檢測(cè)時(shí)，定位其雞冠并提取信息，根據(jù)已訓(xùn)練好的模型和閾值判別其是否正常，如果正常則處理下一只雞，若異常則定位出其具體雞籠位置并啟動(dòng)警報(bào)系統(tǒng)。

圖1 病雞檢測(cè)流程圖

1.1 雞冠信息采集

真實(shí)雞舍中病雞數(shù)量比較少，為了訓(xùn)練數(shù)據(jù)接近真實(shí)情況，又能得到比較理想的訓(xùn)練效果，選取500只健康雞和50只病雞，對(duì)其雞冠進(jìn)行拍照。拍照環(huán)境也應(yīng)盡量模擬真實(shí)雞舍環(huán)境,將雞放置在正常雞舍中拍照。為了在不影響雞的正常作息情況下獲取真實(shí)有效的信息，將攝像頭固定在喂料車(chē)上，在雞進(jìn)食的時(shí)候進(jìn)行錄像。因?yàn)楫?dāng)喂料車(chē)行進(jìn)時(shí)，雞都會(huì)探頭進(jìn)食，這樣方便獲取雞冠圖像。錄像結(jié)束后，根據(jù)行車(chē)速度和雞籠長(zhǎng)度讀取雞籠圖像，保證每個(gè)雞籠都能有一副圖片相對(duì)應(yīng)。本文采用的攝像頭讀取速度是25幀/秒,雞舍長(zhǎng)度是30m，每排共有90個(gè)雞籠，喂料車(chē)移動(dòng)速度是0.125m/s。為了保證每只雞都能取到圖像并且不重復(fù)，錄制視頻后每隔67幀讀取一次圖像。

1.2 雞冠信息提取與處理

按林開(kāi)顏[7]等提出的方法提取a*分量信息并進(jìn)行分割和處理，得到雞冠信息后進(jìn)行SVM分類(lèi)器訓(xùn)練。根據(jù)健康雞和病雞的雞冠數(shù)據(jù)找到最有區(qū)分性的閾值。處理含有雞冠的圖像時(shí)，需要將雞冠部分分割出來(lái)，選用的是L*a*b*顏色空間的a*分量對(duì)圖像進(jìn)行灰度化。將RGB顏色空間變換為XYZ空間，再?gòu)腦YZ空間轉(zhuǎn)化到L*a*b*顏色空間。提取a*為特征量，獲得灰度圖像[10]。顏色空間RGB到顏色空間XYZ的轉(zhuǎn)化計(jì)算公式為：

從XYZ顏色空間到L*a*b*顏色空間的轉(zhuǎn)換公式為：

由于養(yǎng)雞場(chǎng)光線較暗，不同位置光線差異較大，特別是多層雞舍，上面一層和下面一層差別更大，遮擋和陰影都會(huì)有影響，因此對(duì)于灰度化圖像，利用Otsu法進(jìn)行分割[11-12]。Otsu法是一種經(jīng)典的全局、非參數(shù)、無(wú)監(jiān)督自適應(yīng)閾值選取方法。按圖像的灰度特性，將圖像分成背景和目標(biāo)兩大類(lèi)。當(dāng)背景和目標(biāo)之間的類(lèi)間方差越大，說(shuō)明構(gòu)成圖像的兩部分的差別越大。因此，使類(lèi)間方差最大的分割意味著錯(cuò)分概率最小。先求出整體閾值進(jìn)行初分割，求分割后的連通區(qū)域，對(duì)各連通區(qū)域再次分割。在該區(qū)域內(nèi)，雞冠與周?chē)膮^(qū)分性比較大，這樣就能避免同一閾值不好選取和整體閾值造成部分區(qū)域識(shí)別錯(cuò)誤。

圖2 雞的原始圖像與雞冠二值化圖像

雞冠分割效果如圖2所示。閾值分割后的二值圖像會(huì)存在一些噪聲，即白色背景中除黑色目標(biāo)之外還存在其他一些黑色小區(qū)域，黑色目標(biāo)區(qū)域中也會(huì)存在一些不規(guī)則的黑色孔洞。針對(duì)這一問(wèn)題，本文采用形態(tài)學(xué)特征運(yùn)算對(duì)其進(jìn)行去噪，運(yùn)用膨脹、腐蝕[13-15]方法對(duì)圖像進(jìn)行后期處理，減少噪聲干擾。

分割處理完成后，統(tǒng)計(jì)各連通區(qū)域，每個(gè)連通區(qū)域即為一個(gè)雞冠位置。人工對(duì)健康雞和病雞的雞冠進(jìn)行標(biāo)記，健康雞的雞冠作為正樣本，標(biāo)記為1，病雞雞冠作為負(fù)樣本，標(biāo)記為-1。

圖3 雞原始圖像與雞冠像素點(diǎn)RGB分布圖

圖3 左圖中兩只雞，左側(cè)的是健康雞，右側(cè)的是病雞，可以看出病雞的雞冠明顯比健康雞的暗淡。右圖中，每個(gè)點(diǎn)代表雞冠位置像素點(diǎn)的RGB值。其中紅色+號(hào)代表左側(cè)雞冠像素點(diǎn)RGB值，藍(lán)色*號(hào)代表右側(cè)雞冠像素點(diǎn)RGB值。根據(jù)分類(lèi)結(jié)果計(jì)算出閾值，作為病雞判斷標(biāo)準(zhǔn)。從圖3 可以看出，雖然兩類(lèi)點(diǎn)有區(qū)分性，但是正常雞冠和生病雞冠的像素信息會(huì)有部分交叉，有時(shí)候重疊區(qū)域不小，這是因?yàn)殡u舍光線較差，并存在雞冠被籠子或者其他雞遮擋，雞低頭或者側(cè)身等情況，使得檢測(cè)誤差較大。

統(tǒng)計(jì)每個(gè)雞冠區(qū)域內(nèi)像素的RGB值作為三維特征，和樣本標(biāo)號(hào)一起用SVM線性分類(lèi)器訓(xùn)練分類(lèi)器模型。對(duì)于已知分類(lèi)和小樣本分類(lèi)問(wèn)題，SVM線性分類(lèi)器分類(lèi)速度快，準(zhǔn)確率高。

1.3 病雞檢測(cè)

利用SVM分類(lèi)器建立模型，每個(gè)像素點(diǎn)特征為一個(gè)輸入數(shù)據(jù)，數(shù)據(jù)類(lèi)型包括四維特征，分別為：類(lèi)別，R，G，B，其中正常雞冠的類(lèi)別為1，異常雞冠的類(lèi)別為-1，R、G、B數(shù)據(jù)范圍為0-255。分類(lèi)結(jié)果有兩種，正常雞冠像素點(diǎn)類(lèi)型為1，病雞雞冠像素點(diǎn)類(lèi)型為-1。試驗(yàn)中閾值設(shè)定為0.37是分類(lèi)效果最好的，但考慮到實(shí)際情況對(duì)病雞控制要求嚴(yán)格，應(yīng)盡量避免漏檢，當(dāng)閾值是0.23時(shí)，訓(xùn)練樣本漏檢率為0，因此選0.23為判斷閾值。

在檢測(cè)時(shí)，根據(jù)得到的分類(lèi)器模型，對(duì)每個(gè)雞冠的像素點(diǎn)進(jìn)行計(jì)算。當(dāng)雞冠像素點(diǎn)計(jì)算得分多數(shù)在閾值之上，就認(rèn)為這只雞是正常的，檢測(cè)下一只雞，一個(gè)雞冠超過(guò)一半的像素點(diǎn)計(jì)算得分在閾值之下，就認(rèn)為可能生病，定位此雞所在位置并報(bào)警，讓工作人員去指定位置核查。

2 實(shí)驗(yàn)

在雞舍喂料車(chē)上架設(shè)攝像頭拍照，訓(xùn)練樣本選用1000只建康雞和20只病雞。在現(xiàn)實(shí)養(yǎng)雞環(huán)境中，對(duì)病雞控制的很?chē)?yán)格，基本不允許病雞的存在，因此想在真實(shí)環(huán)境中找到病雞做實(shí)驗(yàn)有一定的難度。根據(jù)病雞特征，事先人工對(duì)部分雞冠染色，使其與病雞雞冠顏色接近來(lái)模擬病雞，放置在固定雞籠位置。獲取視頻信息后再根據(jù)每67幀取一副圖像，將這些圖像提取a*分量信息并進(jìn)行分割和處理，得到雞冠信息后進(jìn)行SVM分類(lèi)器訓(xùn)練。得到分類(lèi)器模型后，再用養(yǎng)雞場(chǎng)一個(gè)雞舍的所有雞進(jìn)行測(cè)試。測(cè)試方法也是人工對(duì)部分雞冠染色，使其與病雞雞冠顏色接近來(lái)模擬病雞。雞的總數(shù)為3725，模擬病雞個(gè)數(shù)為30。按同樣的雞冠信息提取方法，用SVM分類(lèi)器模型對(duì)雞冠像素點(diǎn)信息分類(lèi)，根據(jù)閾值判斷是否生病。實(shí)驗(yàn)結(jié)果如表1所示。

表1 病雞檢測(cè)識(shí)別結(jié)果

雖然雞在進(jìn)食時(shí)會(huì)探頭，容易捕獲雞冠，但此時(shí)也比較活躍，遮擋情況不可避免，經(jīng)計(jì)算，雞冠正確識(shí)別率為98.1%，病雞識(shí)別正確率為96.7%，誤識(shí)別率為1.6%。所以本文方法保守的雞冠正確提取率為98%，病雞的正確識(shí)別率為96%，誤識(shí)別率為2%。

3 結(jié)論

雞生病時(shí)雞冠顏色變化是最明顯的體態(tài)特征，因此本文提出了一種基于雞冠顏色的病雞自動(dòng)檢測(cè)方法，由于雞舍光線較暗，需要對(duì)圖像進(jìn)行特殊處理，Otsu分割方法比較適合這種光線不一的情況。分割之后對(duì)圖像再進(jìn)行膨脹腐蝕處理，減少噪聲干擾。對(duì)得到的圖像信息采用SVM訓(xùn)練分類(lèi)器訓(xùn)練分類(lèi)，分類(lèi)速度快，準(zhǔn)確率高。根據(jù)分類(lèi)器閾值篩選疑似病雞，定位其位置并啟動(dòng)警報(bào)，再進(jìn)行人工檢測(cè)。實(shí)驗(yàn)結(jié)果表明，本文方法檢測(cè)準(zhǔn)確率高，有效地節(jié)省了人工成本。

[1] Leroy T，Vranken E，Van Brecht A，et al．A computer vision method for on—line behavioral quantification of individually caged poultry[J]．Transactions of the American Society of Agricultural and Biological Engineers，2006,49(3)：795-802．

[2] Aydin A，Cangar O，Eren O S，et al．Application of a fully automatic analysis tool to assess the activity of broiler chickens with different gait scores[J]．Computers and Electronics in Agriculture，2010，73(2)：194-199．

[3] Ramazani R B，Krishnan H R，Bergeson S E，et al．Computer automated movement detection for the analysis of behavior[J]．Journal of Neuroscience Methods，2007，162(1/2)：171-179．

[4] Dawkins M S，Lee Hyoung-joo，Waitt C D，et al．Optical flow paterns in broiler chicken flocks as automated measures of behaviour and gait[J]．Applied Animal Behaviour Science，2009，119(3/4)：203-209．

[5] Leroy T，Vranken E，Struelens E，et al．Computer vision based recognition of behavior phenotypes of laying hens[C] The 2005 ASAE Annual International Meeting．Tampa，F(xiàn)lorida，2005.

[6] 余衛(wèi)宇,曹燕,余英林．基于語(yǔ)義的圖像物體提取的新方法[J]．微計(jì)算機(jī)信息，2007，23(21)：211-213.

[7] 林開(kāi)顏,吳軍輝,徐立鴻．彩色圖像分割方法綜述[J]．中國(guó)圖象圖形學(xué)報(bào)，2005，10(1)：1-10．

[8] Han P Hui，Mao Binghuan，Lv Hairong，et al．One—Sided Fuzzy SVM Based on Sphere for Imbalanced Data Sets Learning[C] In proceedings of the Fourth International Conference on Fuzzy Systems and Knowledge Discovery，Washington. IEEE Computer Society．2007：166-170.

[9] Melgani F, Bruzzone L. Classification of hyperspectral remote sensing images with support vector machine.IEEE Trans. Geosci. Remote Sens,2004,42(8) :1778 -1790.

[10]謝志勇，張鐵中. 基于RGB彩色模型的草莓圖像色調(diào)分割算法[J].中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào),2006,1.

[11] Otsu N.A threshold selection method from gray level histograms[J]. IEEE Transon System，Man and Cybernetics SMC，1979，9(1)：62-66.

[12]范九倫，趙鳳.灰度圖像的二維 Otsu 曲線閾值分割法.電子學(xué)報(bào)，2007.

[13]陸宗騏，朱煜. 用帶形狀校正的腐蝕膨脹實(shí)現(xiàn)Euclidean距離變換[J]. 中國(guó)圖象圖形學(xué)報(bào),2010,15(2).

[14] Conzalez R C，Woods R E．Digital Image Processing[M]．2ndEd．Beijing：Publishing House of Electronics Industry，2002: 519-549.

[15]陸宗騏，朱煜．?dāng)?shù)學(xué)形態(tài)學(xué)腐蝕膨脹運(yùn)算的快速算法[C] .第十三屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集．北京：清華大學(xué)出版社，2006：306-311．

本項(xiàng)目由國(guó)家高技術(shù)研究發(fā)展計(jì)劃（863計(jì)劃）資助，項(xiàng)目編號(hào)2012AA041507。