生豬肉產(chǎn)量預(yù)測的非接觸實時在線機器視覺系統(tǒng)

田　芳，彭彥昆（中國農(nóng)業(yè)大學(xué)工學(xué)院，國家農(nóng)產(chǎn)品加工技術(shù)裝備研發(fā)分中心，北京100083）

?

生豬肉產(chǎn)量預(yù)測的非接觸實時在線機器視覺系統(tǒng)

田芳，彭彥昆※
（中國農(nóng)業(yè)大學(xué)工學(xué)院，國家農(nóng)產(chǎn)品加工技術(shù)裝備研發(fā)分中心，北京100083）

摘要：為了準確估測生豬肉產(chǎn)量，該文提出了一種自動提取生豬活體特征的方法，建立了生豬肉產(chǎn)量預(yù)測算法。首先，基于自主研發(fā)的生豬肉產(chǎn)量預(yù)測的機器視覺系統(tǒng)裝置實時采集54頭活體大白豬的俯視圖和側(cè)視圖，然后根據(jù)圖像處理技術(shù)對所得的圖像進行分析，提取生豬的體長、胸寬、臀寬、體高等體尺參數(shù)值；同時通過稱量裝置獲得每頭豬的活體質(zhì)量。其次，將54頭生豬樣品按2∶1的比例分為校正集和驗證集，基于體長、胸寬、臀寬、體高和體質(zhì)量5個特征參數(shù)分別利用多元線性回歸法（multiple linear regression， MLR）和偏最小二乘回歸法（partial least-squares regression， PLSR）建立不同的肉產(chǎn)量預(yù)測模型，通過比較各預(yù)測模型的估測精度、相關(guān)系數(shù)等，確定最佳預(yù)測模型。分析結(jié)果表明，5個參數(shù)中體質(zhì)量對肉產(chǎn)量預(yù)測的權(quán)重最大；偏最小二乘回歸方法的預(yù)測結(jié)果較好，最佳預(yù)測模型的預(yù)測相關(guān)系數(shù)為0.95，預(yù)測誤差為3.09 kg。試驗結(jié)果證實，在檢測系統(tǒng)中使用基于生豬的體尺參數(shù)和體質(zhì)量建立的偏最小二乘回歸預(yù)測模型可快速準確預(yù)測生豬肉產(chǎn)量，適于實際生產(chǎn)應(yīng)用。

關(guān)鍵詞：機器視覺；模型；特征提??；生豬；體質(zhì)量；體尺參數(shù)；肉產(chǎn)量預(yù)測

田芳，彭彥昆. 生豬肉產(chǎn)量預(yù)測的非接觸實時在線機器視覺系統(tǒng)[J]. 農(nóng)業(yè)工程學(xué)報，2016，32（2）：230－235.

Tian Fang， Peng Yankun. Machine vision system of nondestructive real-time prediction of live-pig meat yield [J]. Transactions of the Chinese Society of Agricultural Engineering （Transactions of the CSAE）， 2016， 32（2）: 230－235. （in Chinese with English abstract）doi：10.11975/j.issn.1002-6819.2016.02.033http://www.tcsae.org

Email：tianfangxn@163.com

0　引　言

在豬肉產(chǎn)業(yè)鏈中，生豬的肉產(chǎn)量直接影響了生豬養(yǎng)殖、收購和屠宰環(huán)節(jié)中的經(jīng)濟效益，在各個環(huán)節(jié)都受到人們的重視。常規(guī)方法中，生豬肉產(chǎn)量[1]的統(tǒng)計是根據(jù)生豬的出欄體質(zhì)量乘以產(chǎn)肉率獲得的，其中產(chǎn)肉率是常識性指標，取值在80%左右。目前，生豬收購和屠宰商家與養(yǎng)殖者進行交易時，是在集體稱量一批生豬的體質(zhì)量后，根據(jù)產(chǎn)肉率的經(jīng)驗值估算平均肉產(chǎn)量。但是基于經(jīng)驗值估測生豬肉產(chǎn)量所獲得的結(jié)果與實際值誤差較大，不能真實反映每頭生豬的生長情況。準確估測生豬肉產(chǎn)量一方面可以提高收購和屠宰時交易的效率，另外還可以幫助飼養(yǎng)者掌握生豬的生長狀態(tài)，合理喂養(yǎng)。

在現(xiàn)代化生豬養(yǎng)殖中，機器視覺技術(shù)被有效應(yīng)用于生豬身體參數(shù)以及飼喂環(huán)境等各項指標的檢測[2-6]。養(yǎng)殖者實時監(jiān)測生豬的體質(zhì)量、肉產(chǎn)量等身體參數(shù)以及環(huán)境的舒適度[7-11]有利于掌握生豬的生長狀態(tài)，提高飼喂的效益。滕光輝等[12]使用基于機器視覺系統(tǒng)采集得到生豬背部投影面積和體高參數(shù)預(yù)測生豬的體質(zhì)量，相對誤差在2.8%以內(nèi)。M. Kashiha等[13]研究了生豬成長期內(nèi)體質(zhì)量隨時間變化的規(guī)律，以生豬軀干的背部面積為自變量進行動態(tài)建模，可以很好地預(yù)測成長期內(nèi)的生豬體質(zhì)量隨時間變化的規(guī)律。劉艷國[14]在研究生豬體尺參數(shù)與生豬等級評定的數(shù)學(xué)模型時，證明了生豬的產(chǎn)肉率與生豬體質(zhì)量、背部寬度與長度之比、腹部面積占軀干面積比幾個參數(shù)均成反比，結(jié)合產(chǎn)肉率與生豬肉產(chǎn)量的關(guān)系可知生豬的肉產(chǎn)量與生豬體質(zhì)量和體尺參數(shù)具備一定的相關(guān)性。在基于機器視覺的生豬狀態(tài)監(jiān)測中，有效的圖像處理算法可以提高生豬體尺參數(shù)提取的準確性[15-17]。

同一品種相同體質(zhì)量的生豬，由于體型不同，其肉產(chǎn)量存在差別。為更加準確的預(yù)測生豬肉產(chǎn)量，作者已搭建機器視覺檢測系統(tǒng)，進行了初步研究探討[18-20]。

本文自主研發(fā)的預(yù)測生豬肉產(chǎn)量的機器視覺系統(tǒng)裝置，首先采集被測豬的俯視圖和側(cè)視圖，結(jié)合圖像預(yù)處理算法提出了自動提取生豬體長、胸寬、臀寬、體高4個體尺特征參數(shù)的算法。通過實時在線采集活體豬圖像，同時稱量其體質(zhì)量，利用體質(zhì)量和4個體尺參數(shù)進行建模分析，并經(jīng)實際現(xiàn)場驗證比較得出預(yù)測效果較好的方法，研究結(jié)果為快速準確預(yù)測生豬肉產(chǎn)量提供參考。

1　材料與方法

1.1生豬樣品

本文選用54頭成熟待宰的健康大白豬作為檢測對象，按照耳牌號對生豬進行區(qū)分。試驗在北京市千喜鶴食品有限公司屠宰車間進行，利用自主研發(fā)的生豬肉產(chǎn)量預(yù)測系統(tǒng)裝置現(xiàn)場采集生豬的圖像及體質(zhì)量數(shù)據(jù)。

數(shù)據(jù)采集完之后，工作人員用卷尺測量生豬的體長、胸寬、臀寬和體高等體尺參數(shù)值，測量精度為0.1 cm。測量中，每頭生豬的4個體尺參數(shù)均測3次，取平均值用于分析。然后把被測豬送入生產(chǎn)線進行屠宰分割，并記錄實際肉產(chǎn)量。

將在檢測現(xiàn)場采集的生豬圖像進行處理，提取到生豬的體長、胸寬、臀寬和體高4個參數(shù)。表1所示為圖像處理獲得的生豬體尺參數(shù)、體質(zhì)量和生豬實際肉產(chǎn)量6個參數(shù)的統(tǒng)計值。

1.2檢測系統(tǒng)裝置

1.2.1硬件部分

生豬肉產(chǎn)量預(yù)測系統(tǒng)裝置包括計算機控制和數(shù)據(jù)處理單元、光源單元、圖像采集單元、體質(zhì)量稱量單元4個部分。檢測裝置的具體結(jié)構(gòu)如圖1所示。

圖1　生豬肉產(chǎn)量預(yù)測的機器視覺系統(tǒng)裝置Fig.1　Machine vision system of live-pig meat yield prediction

計算機控制及數(shù)據(jù)處理單元為肉產(chǎn)量預(yù)測系統(tǒng)裝置的控制核心，保證系統(tǒng)的穩(wěn)定高效工作，主要包括Windows 32位計算機一臺。光源單元為一套矩形結(jié)構(gòu)的LED燈，工作功率為23 W，用于給圖像采集提供穩(wěn)定的照明。圖像采集單元包括2個Basler aca1600-20gc相機，分別用于采集生豬的俯視圖和側(cè)視圖，并把圖片傳送到計算機單元。體質(zhì)量稱量單元為一臺電子動物秤，用于稱量生豬的體質(zhì)量，電子動物秤的量程為500 kg，精度為0.2 kg。當生豬在檢測裝置上的活動穩(wěn)定之后，系統(tǒng)保存測得的體質(zhì)量數(shù)據(jù)。為防止生豬四處沖撞，影響檢測，在電子動物秤四周邊緣安裝了護欄，并在護欄一側(cè)安裝了藍色背景板，用于提高所采集的側(cè)視圖中生豬與背景的對比度。

1.2.2軟件部分

系統(tǒng)裝置基于VC＋＋開發(fā)了軟件，軟件功能主要包括體質(zhì)量數(shù)據(jù)讀取，相機控制，圖像采集和自動處理，肉產(chǎn)量預(yù)測結(jié)果的顯示和保存。在編寫圖像處理算法時，配置使用了OpenCV開源圖像處理庫，用于提高程序編寫的效率。

1.3特征參數(shù)提取方法

當生豬通過肉產(chǎn)量預(yù)測系統(tǒng)裝置時，相機采集生豬的俯視圖和側(cè)視圖，如圖2a和圖2b所示，然后利用自行開發(fā)的處理軟件進行預(yù)處理和特征參數(shù)提取。

由于生豬背部光強分布不均勻，對俯視圖使用最大類間方差法[21]進行二值化處理，然后依次掃描圖像中連通區(qū)域的輪廓，保留輪廓周長最大的連通區(qū)域，作為俯視圖的二值圖像，如圖2c所示。在側(cè)視圖中，由于生豬和背景在RGB顏色空間的對比度高，可直接設(shè)定閾值進行二值化，圖2d為經(jīng)過形態(tài)學(xué)濾波去噪處理之后的二值圖。

圖2　生豬體尺特征提取過程Fig.2　Feature extraction process of pig body parameters

生豬體尺特征參數(shù)提取時，在俯視圖上所提取的參數(shù)為體長、胸寬和臀寬，在側(cè)視圖上提取的參數(shù)為體高。步驟如下：

1）生豬背部中軸線的確定。生豬站在檢測裝置上時，頭尾方向不規(guī)律，導(dǎo)致俯視圖中的圖像處于傾斜、伸直或彎曲的狀態(tài)。如圖2c所示，為確定生豬的站立狀態(tài)，首先提取生豬背部輪廓的質(zhì)心O，以質(zhì)心O的橫坐標為分界把圖像分為前胸軀干和臀部軀干兩部分，然后分別提取兩部分的質(zhì)心（O1，O2）。依次連接前胸軀干、背部輪廓和臀部軀干的3個質(zhì)心點，所得的折線作為生豬背部的中軸線。

2）體長的確定。在圖2c中，以中軸線的垂線做掃描線，在前胸和臀部兩部分軀干的輪廓上沿著中軸線方向掃描，以得到最短掃描線的輪廓為前胸軀干，該掃描線為生豬頸部連線。延長中軸線，分別與頸部連線和臀部輪廓相交，得到的中軸線長為體長（BL）。

3）胸寬和臀寬的確定。以中軸線的垂線做掃描線，在前胸和臀部兩部分軀干的輪廓上沿著中軸線方向掃描，分別取兩輪廓上最長的線段，作為生豬的胸寬（AC）和臀寬（DW）（圖2c）。

4）體高的確定。側(cè)視圖中，首先掃描生豬的后蹄坐標，確定參數(shù)提取的感興趣區(qū)域，如圖2d中框內(nèi)所示。由于護欄欄桿的遮擋，生豬背部曲線有間斷。根據(jù)線性插值法，如公式（1）所示，以欄桿與生豬背部曲線形成的交點為插值節(jié)點，擬合背部曲線（圖2d所示）。然后掃描感興趣區(qū)域內(nèi)生豬背部輪廓的最高點，以該點到地面的距離作為體高（EH）。

式中x為生豬背部擬合曲線點在水平方向的值，P（x）為所擬合的生豬背部曲線，lk（x）和lk＋1（x）分別為基于交點（xk，yk），（xk＋1， yk＋1）得到的插值基函數(shù)。

5）實際體尺參數(shù)值的轉(zhuǎn)換。為校準圖像上的生豬體尺參數(shù)值，把一個長為10 cm的比例校正尺置于生豬平均高度處采集圖像并處理。然后根據(jù)公式（2）將圖像求得的體尺特征參數(shù)值轉(zhuǎn)化為實際值。

式中ɑ， b， B分別表示圖像上比例校正尺的長度（pixel），圖像上體尺參數(shù)的值（pixel）和體尺參數(shù)的實際長度（cm）。

1.4數(shù)據(jù)分析

選擇如下幾種常用的建模方法，即逐步多元線性回歸法（stepwise multiple linear regression， Stepwise-MLR）、進入多元線性回歸法（enter multiple linear regression，Enter-MLR）和偏最小二乘回歸法（partial least-squares regression， PLSR）建立肉產(chǎn)量預(yù)測模型，比較3種方法的預(yù)測相關(guān)系數(shù)和均方根誤差，得到較好的預(yù)測結(jié)果。

在建模過程中，將54組數(shù)據(jù)按照2∶1的比例分為校正集和驗證集。首先用生豬的體長、胸寬、臀寬、體高和體質(zhì)量5個參數(shù)以及宰后稱得的實際肉產(chǎn)量共36組數(shù)據(jù)建立模型，然后使用剩余的18組數(shù)據(jù)驗證模型。首先求出模型的相關(guān)系數(shù)和均方根誤差；另外，為檢驗?zāi)Ｐ皖A(yù)測肉產(chǎn)量的準確率，根據(jù)公式（3）和（4）分別計算了預(yù)測相對誤差和預(yù)測平均相對誤差。

式中ei為預(yù)測相對誤差，wi為肉產(chǎn)量實際值（kg），wpi為肉產(chǎn)量預(yù)測值（kg）；E為預(yù)測平均相對誤差，n為樣品總數(shù)，i為樣品序號。

2　結(jié)果與分析

2.1體尺特征參數(shù)及相關(guān)性分析

使用圖像處理算法從采集的生豬圖像中提取體長、胸寬、臀寬和體高參數(shù)，與人工測得的相應(yīng)數(shù)據(jù)間的相關(guān)關(guān)系如圖3所示，決定系數(shù)均在0.96以上，可以看出圖像處理得到的體尺參數(shù)與實際值一致性很高。

圖3 生豬體尺參數(shù)圖像處理值與實際值的相關(guān)關(guān)系Fig.3　Correlation of pig body parameters got by IM and measuring

54頭生豬的體質(zhì)量、體長、胸寬、臀寬和體高5個預(yù)測參數(shù)之間及各個參數(shù)與肉產(chǎn)量之間的相關(guān)關(guān)系如表2所示。從表2中可看出，生豬的體長、胸寬、臀寬、體高和體質(zhì)量這5個預(yù)測參數(shù)間的最大相關(guān)系數(shù)為0.635，相關(guān)性均不高，說明它們相互間是獨立的。體質(zhì)量與肉產(chǎn)量之間的相關(guān)性最高，為0.920；其他幾個參數(shù)與肉產(chǎn)量間的相關(guān)性較低，在0.70以下，表明體質(zhì)量參數(shù)預(yù)測肉產(chǎn)量的權(quán)重較大。

表2　生豬體質(zhì)量，體尺參數(shù)與實際肉產(chǎn)量的相關(guān)關(guān)系Table 2　Correlation between pig weight， measured meat yield and body parameters

2.2肉產(chǎn)量預(yù)測模型的建立

利用校正集的36組數(shù)據(jù)建立模型。以圖像處理獲得的生豬的體長、胸寬、臀寬、體高參數(shù)以及體質(zhì)量為預(yù)測參數(shù)，肉產(chǎn)量為被預(yù)測參數(shù)，進行建模分析。表4所示為使用Stepwise-MLR、Enter-MLR和PLSR 3種方法建立的預(yù)測模型的相關(guān)系數(shù)RC及標準偏差SEC。

從表2和表3中看出，生豬的體長、臀寬和體高參數(shù)對肉產(chǎn)量相關(guān)性不顯著， Stepwise-MLR方法建模僅保留了體質(zhì)量和胸寬2個參數(shù)。Enter-MLR法將生豬的5個參數(shù)直接用于建模。而PLSR法建模時，首先對生豬的5個預(yù)測參數(shù)進行主成分分析，得到最佳主成分數(shù)為2，然后利用最佳主成分數(shù)建立模型。比較3種方法的建模結(jié)果，Enter-MLR方法與PLSR方法的相關(guān)系數(shù)RC均在0.95以上，比Stepwise-MLR高；而PLSR方法的標準偏差SEC最低，為3.06 kg。

表3　生豬肉產(chǎn)量的預(yù)測模型Table 3　Prediction models of pig meat yield

2.3模型驗證比較

利用剩余18組在檢測現(xiàn)場采集的生豬樣品的體尺參數(shù)和體質(zhì)量數(shù)據(jù)作驗證集，分別驗證3種方法所建立的肉產(chǎn)量預(yù)測模型。根據(jù)公式（3）和（4），計算3種建模方法的肉產(chǎn)量的預(yù)測平均相對誤差。表4所示為模型驗證的結(jié)果。

表4　生豬肉產(chǎn)量的模型驗證Table 4　Model validation of pig meat yield

從表4可以看出，Stepwise-MLR方法所建模型的預(yù)測平均相對誤差較高，為16.25%，肉產(chǎn)量預(yù)測值相對于真實值的偏移較大；同時預(yù)測相關(guān)系數(shù)RV和標準偏差SEV較低。基于Enter-MLR法所建模型的RV和標準偏差SEV分別為0.94和3.84 kg，肉產(chǎn)量的預(yù)測平均相對誤差為3.33%，預(yù)測結(jié)果較好。PLSR方法首先分析了生豬的5個預(yù)測參數(shù)對肉產(chǎn)量的預(yù)測能力，然后建立模型，其RV和標準偏差SEV分別為0.95和3.09 kg，預(yù)測平均相對誤差為3.21%，肉產(chǎn)量預(yù)測值與實際值的一致性較其他2種方法更高，預(yù)測效果更好?；赑LSR方法建立的生豬肉產(chǎn)量預(yù)測模型如式（5）所示。圖4為PLSR法所建模型的肉產(chǎn)量預(yù)測值與實際值的估測曲線。

圖4　PLSR方法的肉產(chǎn)量預(yù)測值與實際值的估測曲線Fig.4　Regression curve of estimated pig meat yield and measured mass based on PLSR

式中M，BW，BL，EH，AC和DW依次表示生豬的預(yù)測肉產(chǎn)量（kg），體質(zhì)量（kg），體長（cm），體高（cm），胸寬（cm）和臀寬（cm）參數(shù)。

2.4討論

以上特征參數(shù)提取算法及建模分析的結(jié)果表明，生豬肉產(chǎn)量預(yù)測系統(tǒng)裝置可使用生豬的體尺參數(shù)和體質(zhì)量預(yù)測其肉產(chǎn)量。與目前估測生豬肉產(chǎn)量的方法比較，使用該裝置系統(tǒng)對每一頭生豬進行檢測可以提高肉產(chǎn)量預(yù)測的準確性，其操作簡便，且檢測結(jié)果可靠性高。應(yīng)用于生豬收購和宰前環(huán)節(jié)可快速準確的估算生豬的肉產(chǎn)量，提高交易效率，節(jié)省時間，減少人力物力資源浪費。另外該檢測系統(tǒng)可用于在生豬養(yǎng)殖過程中定期監(jiān)測其肉產(chǎn)量的增長，幫助養(yǎng)殖戶掌握生豬的生長情況，合理配置資源。

檢測系統(tǒng)用于在線檢測時，豬體相對于檢測系統(tǒng)的運動狀態(tài)可描述為進入檢測系統(tǒng)，在檢測系統(tǒng)上勻速前進和離開檢測系統(tǒng)3個階段。生豬在進入和離開檢測系統(tǒng)時，與檢測裝置的相對狀態(tài)發(fā)生不規(guī)律變化，此時裝置采集的數(shù)據(jù)波動大，不穩(wěn)定。生豬在檢測系統(tǒng)上勻速前進時，生豬與裝置的相對狀態(tài)保持穩(wěn)定，系統(tǒng)采集到的體質(zhì)量數(shù)據(jù)也比較穩(wěn)定。試驗分別采集了20頭生豬靜態(tài)和運動（通過檢測裝置）狀態(tài)的體質(zhì)量，使用濾波方法去除后者數(shù)據(jù)中首尾兩端波動較大的部分，然后取平均值作為生豬體質(zhì)量。比較分析靜態(tài)和運動狀態(tài)的體質(zhì)量數(shù)據(jù)，可知運動狀態(tài)時稱得的體質(zhì)量相對靜態(tài)時的誤差在1%以內(nèi)，可用于肉產(chǎn)量預(yù)測。通過現(xiàn)場試驗驗證，在線檢測時，檢測裝置平均每預(yù)測一頭生豬的肉產(chǎn)量的時間為10 s，可快速預(yù)測生豬的肉產(chǎn)量。

生豬體尺特征參數(shù)的準確提取對環(huán)境光照條件的要求較高；另外，生豬對光照敏感，過強的光照容易造成刺激傷害，使其狀態(tài)不穩(wěn)定，影響數(shù)據(jù)采集。為提高特征提取的精度，需要將實際應(yīng)用現(xiàn)場的光照條件調(diào)整到合適的狀態(tài)，并屏蔽自然光的干擾；另外，檢測裝置安裝藍色背景板，降低了環(huán)境干擾，提高了圖像處理的精度。

試驗中所研究的生豬為常見的品種大白豬，對于其他品種的生豬，可使用相同的檢測系統(tǒng)和分析方法，建模實現(xiàn)肉產(chǎn)量的準確預(yù)測。

3　結(jié)　論

1）在基于機器視覺的生豬肉產(chǎn)量預(yù)測研究中，使用了自主研發(fā)的檢測裝置采集生豬的圖像和體質(zhì)量，并提出了自動提取生豬的體長、胸寬、臀寬、體高等體尺特征參數(shù)的算法，所提取的體尺參數(shù)與人工測得值的決定系數(shù)在0.96以上。

2）生豬的體長、胸寬、臀寬、體高和體質(zhì)量5個參數(shù)相互獨立。在單獨預(yù)測肉產(chǎn)量時，體質(zhì)量與肉產(chǎn)量的相關(guān)系數(shù)最高，為0.920，而其他幾個參數(shù)與肉產(chǎn)量間的相關(guān)性較低。

3）使用多參數(shù)預(yù)測生豬肉產(chǎn)量時，偏最小二乘回歸法（partial least-squares regression， PLSR）相對于多元線性回歸法（enter multiple linear regression， MLR）具有更高的校正相關(guān)系數(shù)，為0.95，其校正誤差為3.09 kg；該方法的肉產(chǎn)量平均相對預(yù)測誤差最小，為3.21%。結(jié)果表明使用生豬的體尺參數(shù)和體質(zhì)量建立的偏最小二乘回歸預(yù)測模型可有效預(yù)測生豬肉產(chǎn)量。

[參考文獻]

[1] 潘佶，王繼章. 農(nóng)業(yè)主要統(tǒng)計指標解釋[Z]// 衢州統(tǒng)計年鑒.北京：中國統(tǒng)計出版社，2014：114.

[2] Bin Shao， Hongwei Xin. A real-time computer vision assessment and control of thermal comfort for group-housed pigs[J]. Computers and Electronics in Agriculture， 2008，62（1）: 15－21.

[3] Schofield C P， Marchant J A， White R P， et al. Monitoring pig growth using a prototype imaging system[J]. Journal of Agricultural Engineering Research， 1999， 72（3）: 205－210.

[4] Peter Ahrendt， Torben Gregersen， Henrik Karstoft. Development of a real-time computer vision system for tracking loose-housed pigs[J]. Computers and Electronics in Agriculture， 2011， 76（2）: 169－174.

[5] Wongsriworaphon A， Arnonkijpanich B， Pathumnakul S. 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（1）: 26－33.

[6] Navarro Jover J M， Alca?iz-Raya M， Gómez V， et al. An automatic colour-based computer vision algorithm for tracking the position of piglets[J]. Spanish Journal of Agricultural Research， 2009， 7（3）: 535－549.

[7] Kongsro J. Estimation of pig weight using a Microsoft Kinect prototype imaging system[J]. Computers and Electronics in Agriculture， 2014， 109（1）: 32－35.

[8] 劉同海，李卓，滕光輝，等. 基于RBF神經(jīng)網(wǎng)絡(luò)的種豬體重預(yù)測[J]. 農(nóng)業(yè)機械學(xué)報，2013，44（8）：245－249. Liu Tonghai， Li Zhuo， Teng Guanghui， et al. Prediction of pig weight based on radical basis function neural network[J]. Journal of agricultural machinery， 2013， 44（8）: 245－249. （in Chinese with English abstract）

[9] 劉波，朱偉興，紀濱，等. 基于射線輪廓點匹配的生豬紅外與可見光圖像自動配準[J]. 農(nóng)業(yè)工程學(xué)報，2013，29（2）：153－160. Liu Bo， Zhu Weixing， Ji Bin， et al. Automatic registration of IR and optical pig images based on contour match of radial line feature points[J]. Transactions of the Chinese Society of Agricultural Engineering （Transactions of the CSAE）， 2013，29（2）: 153－160. （in Chinese with English abstract）

[10] Wang Y， Yang W， Walker L， et al. Enhancing the accuracy of area extraction in machine vision-based pig weighing through edge detection[J]. Int J Agric ＆ Biol Eng， 2008， 1（1）: 37－42.

[11] 李卓，毛濤濤，劉同海，等. 基于機器視覺的豬體質(zhì)量估測模型比較與優(yōu)化[J]. 農(nóng)業(yè)工程學(xué)報，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）

[12] 楊艷，滕光輝，李保明，等. 基于計算機視覺技術(shù)估算種豬體重的應(yīng)用研究[J]. 農(nóng)業(yè)工程學(xué)報，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）

[13] Kashiha M， Bahr C， Ott S， et al. Automatic weight estimation of individual pigs using image analysis[J]. Computers and Electronics in Agriculture， 2014， 107（1）: 38－44.

[14] 劉艷國. 圖像處理技術(shù)在活體豬等級評定中的應(yīng)用[D].北京：中國農(nóng)業(yè)大學(xué)，2005. Liu Yanguo. Application of Image Processing Techniques on Synthesis Evaluation of Living Pig[D]. Beijing: China Agricultural University， 2005. （in Chinese with English abstract）

[15] 劉同海，滕光輝，付為森，等. 基于機器視覺的豬體體尺測點提取算法與應(yīng)用[J]. 農(nóng)業(yè)工程學(xué)報，2013，29（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， 29（2）: 161－168. （in Chinese with English abstract）

[16] Wang Y， 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.

[17] Wongsriworaphon A， Pathumnakul S， Arnonkijpanich B. Image analysis for pig recognition based on size and weight[C]//Industrial Engineering and Engineering Management （IEEM）， 2012 IEEE International Conference on. IEEE， 2012: 856－860.

[18] Chen J， Peng Y， Tian F， et al. An imaging system for monitoring livestock growth based on optical visiontechnology[C]//American Society of Agricultural and Biological Engineers Annual International Meeting 2013，ASABE 2013， Kansas City， Missouri， USA， 2013: 444－449.

[19] Fang Tian， Yankun Peng， Jingjing Chen， et al. Development of machine vision system to detect meat mass of pig prior to slaughtering[C]//American Society of Agricultural and Biological Engineers Annual International Meeting 2014，ASABE 2014， Montreal， Quebec， Canada， 2014: 2244－2249.

[20] 陳菁菁，彭彥昆. 基于機器視覺技術(shù)的生豬活體監(jiān)測系統(tǒng)[J].食品安全質(zhì)量檢測學(xué)報，2012，3（6）：600－602. Chen Jingjing， Peng Yankun. Monitoring system for livestock growth based on machine vision technology[J]. Journal of Food Safety and Quality， 2012， 3（6）: 600－602. （in Chinese with English abstract）

[21] 趙向文，靳國旺，許競軒，等. 基于多閾值大津法直方圖分割的SAR數(shù)據(jù)偽彩色量化方法[J]. 測繪科學(xué)技術(shù)學(xué)報，2012（6）：445－449. Zhao Xiangwen， Jin Guowang， Xu Jingxuan， et al. Pseudo-color quantization of SAR data based on multi-threshold Otsu method of histogram segmentation[J]. Journal of Geomatics Science and Technology， 2012（6）: 445－449. （in Chinese with English abstract）

Machine vision system of nondestructive real-time prediction of live-pig meat yield

Tian Fang, Peng Yankun※
（College of Engineering, Chinɑ Agriculturɑl University, Nɑtionɑl R＆D Center for Agro-Processing Equipments, Beijing 100083, Chinɑ）

Abstract:The live pig meat yield is an important element to pig-breeding， purchase and slaughter industry. It’s beneficial to get hold of the pig’s growing status to predict the live pig meat yield during pig-breeding and transaction. For the traditional detection method of meat yield， the product of pig weight and meat production rate is considered as the meat yield. It depends on the experience of the stockman and is unreliable. The live pig meat yield prediction based on machine vision system is a nondestructive， real-time and precise method. In this study， a method of automatic extraction of pig body parameters was proposed， and the prediction model of pig meat yield was built. First of all， the top-view images and side-view images of 54 live white pigs were captured by the self-developed machine vision system. At the same time， the pig weight was measured with the electric animal balance. After the data collecting was finished， the pig body parameters， namely the body length， chest width， hip width and hip height， were measured using the tape by worker. Then the image processing algorithm was developed on the Microsoft VC＋＋ 2010 platform. The open source image processing library named OpenCV was used to assist the processing. In the top-view binary image， the central axis of the pig back was extracted. Then the body length， chest width and hip width were calculated based on the axis. In addition， the hip height was extracted in side-view binary image after the back curve was fitted. After the image processing and weight collecting of each pig， the 54 sets of data were divided into the calibration set and validation set for modeling analysis at the ratio of 2:1. Multiple linear regression （MLR） and partial least squares regression （PLSR） were used to establish the estimation models of live pig meat yield. Results showed that， the correlation coefficient of the pig body parameters got by image processing and manual measuring all could reach 0.96. So the parameters got by image processing could be used to modeling. The correlation between the 5 parameters， namely the body length， chest width， hip width， hip height and weight， was not significant. Pig weight had a higher correlation with meat yield and the correlation coefficient was 0.92. In the process of Stepwise-MLR analysis， only pig weight and chest width were reserved to the prediction model （P＜0.05）， for they were more significant to meat yield. The correlation coefficients in model prediction and model validation were 0.94 and 0.88 respectively. The method of Enter-MLR and PLSR got higher correlation coefficients， which were all above 0.95. Because PLSR had the smaller standard deviation in model validation which was 3.09 kg， and its average relative error was the minimum which was 3.21%，it was confirmed to be the best model to predict the live pig meat yield. This study showed that， the PLSR model built based on pig’s weight and body parameters could predict live pig meat yield effectively during the pig-breeding. Through the field experiment， we know that the system of live pig meat yield prediction is labor-saving and resource-saving. It’s worth popularizing and more efforts have to be applied to improve the prediction precision in the future.

Keywords:computer vision; models; feature extraction; live pig; weight; body parameter; meat yield prediction

通信作者：※彭彥昆，男（漢族），山東人，教授，博士生導(dǎo)師，主要從事農(nóng)畜產(chǎn)品品質(zhì)安全無損檢測研究。北京中國農(nóng)業(yè)大學(xué)工學(xué)院，100083。Email：ypeng@cau.edu.cn

作者簡介：田 芳，女（土家族），湖北人，博士生，主要從事農(nóng)畜產(chǎn)品質(zhì)安全無損檢測研究。北京 中國農(nóng)業(yè)大學(xué)工學(xué)院，100083。

基金項目：國家科技支撐計劃項目（2012BAH04B00）

收稿日期：2015-09-20

修訂日期：2015-10-21

中圖分類號：S818.9; TP391

文獻標志碼：A

文章編號：1002-6819（2016）-02-0230-06

doi：10.11975/j.issn.1002-6819.2016.02.033 10.11975/j.issn.1002-6819.2016.02.033http://www.tcsae.org