基于動態(tài)多特征變量的黃羽肉雞跛行狀態(tài)定量評價方法

沈明霞 李嘉位 陸明洲 劉龍申 孫玉文 李 泊

(1.南京農(nóng)業(yè)大學工學院， 南京 210031； 2.江蘇省智能化農(nóng)業(yè)裝備重點實驗室， 南京 210031)

0 引言

跛行程度是對肉雞腿部健康狀態(tài)和損傷判斷的標準化描述[1]。隨著肉雞集約化與規(guī)?；B(yǎng)殖的推廣，培育期大幅縮短，但肉雞腿部疾病發(fā)生率較為常見，肉雞有明顯跛行的占總量的20.66%[2-3]。跛行肉雞的存在比例與現(xiàn)代化養(yǎng)殖要求相悖，既降低了動物福利水平，又影響了肉雞生產(chǎn)的品質與產(chǎn)量。

對跛行進行早期識別，是對肉雞疾病進行預防的有效途徑。肉雞跛行經(jīng)典評價方法是KESTIN等[4]提出的鳥類步態(tài)六級評分標準(Gait score, GS)，其中GS0～GS5 6個級別分別表示從腿部健康到嚴重病態(tài)的情況,如表1所示。

表1 鳥類步態(tài)評分標準說明Tab.1 Gait score introduction of six-class definition

AYDIN等[5]的研究證明肉雞步態(tài)得分可以作為跛足衡量指標。對肉雞進行GS人工分類時，主觀性強，準確度差，易受到環(huán)境影響，而基于視頻的跛行評價算法為肉雞步態(tài)的自動判別提供了支持。NAAS等[6]開發(fā)了一套協(xié)同算法，通過圖像分析單只肉雞的行走速度與加速度，實現(xiàn)對肉雞進行GS0～GS5的自動分類，在GS3、GS4等極端分數(shù)上取得了接近100%的準確率，但針對GS1和GS2的判斷準確率僅為50%。 DAWKINS等[7]通過使用光流算法來調查雞群的行為，揭示了光流與肉雞步態(tài)評分水平之間的關系。AYDIN[8]通過3D相機研究肉雞的躺臥時間，提出了一種自動評估肉雞跛足的方法,以評估肉雞跛足的嚴重程度，得出肉雞躺臥時間與傳統(tǒng)肉雞的步態(tài)評分之間存在著明顯負相關的結論。在相近領域，勞鳳丹等[9]通過貝葉斯模型基于10個特征量實現(xiàn)了對蛋雞日常行為的分類。趙凱旋[10]通過奶牛行走視頻中對四肢進行定位和跟蹤，得出了奶牛運動曲線，并通過交叉驗證的決策樹建立了奶牛3分制步態(tài)評分模型，識別奶牛跛行總體精度達到90.18%。肉雞腿部健康與步態(tài)評價相關的研究，國內尚未見文獻報道。

本文基于C4.5決策樹模型，從肉雞步態(tài)視頻中提取速度、步頻、步幅、步幅差等動態(tài)指標，并將其作為訓練特征，以提高對GS1、GS2等輕微病態(tài)步態(tài)識別的準確率。最終以GS為依據(jù)，提出一種新的肉雞步態(tài)評分鑒別與分類方法，為肉雞健康預警提供技術支持。

1 材料和裝置

1.1 實驗對象

實驗于2017年12月—2018年1月在滁州市溫氏集團牧業(yè)的全椒肉雞養(yǎng)殖中心進行，共選取黃羽肉雞267只，日齡在40～45 d之間，質量在0.6～1.2 kg之間，雞舍溫度(21±5)℃。實驗前將木質步行道放入雞舍7 d，以使肉雞適應實驗環(huán)境，消除實驗時的環(huán)境應激性。以KESTIN步態(tài)評分標準[4]為依據(jù)，經(jīng)過動物科學相關專家人工鑒定，選取肉雞的步態(tài)分布結果如表2所示。其中GS5步態(tài)因為其走動能力極差，難以采集步態(tài)視頻，且強迫其走動有違動物福利要求，故未被作為實驗對象，實際參與實驗研究肉雞260只，每只雞記錄2次行走視頻，共記錄步態(tài)數(shù)據(jù)520條。

表2 實驗雞基本情況Tab.2 Basic condition of experimental broilers

1.2 實驗平臺

實驗裝置是由木質步行道、白色背景墻和攝像頭組成的特制平臺，步行道長130 cm，寬50 cm，高20 cm，白色背景墻與步行道等長，高65 cm，與木質步行道垂直放置。背景墻左右兩側各有一個標記為入口、出口的計時標記點。正對背景墻100 cm處放置一臺攝像機進行全程視頻采集。正對步行道地面高120 cm處放置攝像頭，在肉雞到達入口計時點時觸發(fā)，進行連續(xù)3幀的圖像數(shù)據(jù)采集。步態(tài)采集裝置示意圖如圖1所示。

圖1 步態(tài)采集裝置示意圖Fig.1 Schematic of broiler gait collection device

1.3 視頻采集

將單只肉雞人為放置在步行道最左端起點，使其自由行走。因僅有步行道終點一個方向可以通向雞群和日常生活環(huán)境，由于肉雞趨同行為，大多數(shù)時候肉雞可以沿這個方向通過直線路徑走向步行道盡頭。特別地，對于個別行走意愿不強烈的肉雞個體，進行輕微驅趕后采集，但在步行過程中不予干預。采集時間為09：00—14：00。

每只雞在步行道上完成5次視頻采集，從中選取2次步態(tài)相對自然的步態(tài)數(shù)據(jù)記錄，以消除偶發(fā)應激性導致的異常數(shù)據(jù)影響。攝像機分辨率為1 024像素×768像素，采集頻幀為60 f/s。本實驗采用自然光源以避免外加光源導致的肉雞應激反應。垂直攝像頭采集的圖像用來計算肉雞投影面積；水平攝像機采集的視頻用來獲取肉雞的行走速度、步幅、步幅差等動態(tài)特征參數(shù)。

1.4 距離標定實驗

在本實驗裝置設定完畢后，分別在攝像頭視野內不同的10個位置(水平位置5個，豎直位置5個)放置邊長為100 mm的正四邊形標定塊。通過K值法進行距離標定實驗。K是物理長度與像素長度的比值。在已采集圖像中，求出正四邊形標定塊邊長對應的像素長度A，標定塊實際邊長B為100 mm，計算得出K=B/A，標定結果如表3所示。

表3 標定實驗結果Tab.3 Calibration test results

圖像處理過程中，像素為最小處理單位，根據(jù)實驗結果，水平圖像中設置距離換算標準為1像素對應1.68 mm；豎直圖像中設置換算標準為1像素對應1.81 mm。

2 動態(tài)特征提取

將肉雞步態(tài)視頻按時間順序轉換成圖像序列，將每幀儲存為JPG文件，每幀圖像尺寸為1 920像素×1 080像素。

2.1 圖像預處理

針對黃羽肉雞，其雞體各部分毛色差異較大，在RGB圖像中將完整雞體進行提取有一定困難。本實驗中，HSV空間下雞體各部分均更易于與背景分離。

本文采用HSV空間對圖像進行處理[11]，實驗中發(fā)現(xiàn)S分量能較好地將肉雞身體與背景分離，但肉雞部分暗色羽毛(如尾部、翅膀等)特征不明顯。而在V分量中能較好地提取暗色羽毛部分，則以S通道為基礎，疊加V通道部分特征，可以取得理想的效果，如圖2所示。

圖2 肉雞步態(tài)序列圖像處理過程Fig.2 Process of broiler sequence gait image

肉雞場環(huán)境復雜，無法通過背景減差法[12-13]進行目標提取。本文通過OTSU算法[14]進行自適應二值化處理后得到二值圖，如圖2d、2e，并可消除大部分無關背景。將二值化后的S、V分量圖重新組合。最后通過連通域面積閾值過濾與開閉運算[15]，填補圖像空隙，消除非必要連通域，得到完整的肉雞圖像，如圖2g所示。

2.2 圖像分割

通過團序列檢測算法[16]快速將肉雞腿部與身體進行分割。逐行遍歷最大的連通域圖像，把每行中不間斷像素組成的序列標記為一個“團”，標記第i行團的起點為Tsi、終點為Tei，每幀圖像團序列總長度計算公式為

(1)

團序列分布圖是以圖像列數(shù)為自變量的離散函數(shù),通過樣條函數(shù)分段擬合[17]得到樣條曲線,在擬合樣條曲線中通過極值點識別到團序列變化過程中的轉折點，在該列處以10像素為寬度進行圖像分割，從而分離肉雞的身體部分與腿部部分，團序列分布如圖3所示，分割結果如圖4所示。之后對腿部圖像進行轉置團序列處理，從而實現(xiàn)將肉雞的兩條腿進行分割，方法相同不再贅述。

圖3 肉雞身體團序列分割示意圖Fig.3 Schematic diagrams of broiler body segmentation

圖3為針對圖2g的團序列識別結果，并識別出圖像團序列函數(shù)的極小值點，即圖3中第418行的團序列數(shù)，將此行作為分割點，將413行到423行的數(shù)據(jù)清除，并將0～412行與424～469行的像素數(shù)據(jù)分別進行提取，從而實現(xiàn)肉雞身體與腿部的分離，分割結果如圖4所示。

圖4 肉雞身體與腿部分離示意圖Fig.4 Diagram of broiler body and leg separation

2.3 質心提取

從分離的肉雞身體、前腿、后腿圖像塊中獲得肉雞身體和腿部的質心點，作為肉雞步態(tài)關鍵特征提取基礎。

本文選擇一階矩[18]和零階矩的方法計算圖像的質心，針對二值圖像，其零階矩M00以及一階矩M01、M10分別為

(2)

(3)

式中V(i,j)——坐標點(i,j)的像素值

根據(jù)式(2)、(3)，分別從分離出的雞身、左側腿、右側腿圖像中提取其雞身質心W、左腳質心P和右腳質心Q，并將分割圖像重新組合，在原圖中得到W、P、Q3點的坐標，如圖5所示。

圖5 肉雞各部分質心位置示意圖Fig.5 Schematic diagram of broilers centroid

2.4 肉雞步態(tài)關鍵特征定義

本文把視頻轉換成連續(xù)單幀圖像進行處理[19]，以GS[4]為標準，從中提取肉雞行進速度、步幅均值、步幅差均值、步頻等典型動態(tài)特征，特征定義及描述如表4所示。

表4 關鍵特征定義及描述Tab.4 Key feature definition and description

其中行走步幅S與步幅差D的計算公式為

(4)

(5)

式中a——肉雞的腳落地次數(shù)

xa——第a次落地的腳質心橫坐標

本文中雙腳同時落地狀態(tài)，指兩腳質心y坐標相同時的幀。若相鄰兩次雙腳同時落地，每只腳質心的x坐標變化之和不超過10像素，認為是同一步，不進行重復記錄。

3 討論與分析

行進速度、步幅均值、步幅差均值是描述肉雞步態(tài)的主要特征量，實驗中發(fā)現(xiàn)GS評分同一級別的肉雞，其特征量仍有較大差異，導致GS各級分類時容易發(fā)生混淆。AYDIN等[20]的研究發(fā)現(xiàn)特征量差異是由于肉雞之間體積、體重、體型等客觀差異導致的。為消除肉雞個體之間形態(tài)差異造成的數(shù)據(jù)異常波動，需預先對動態(tài)數(shù)據(jù)進行投影處理。

3.1 投影依據(jù)選擇

在二維圖像特征中，隨著肉雞生長，肉雞身體長度、寬度會同步增加，二者均可以作為肉雞體重的關聯(lián)特征。由于肉雞行走時，頭、尾部會產(chǎn)生伸縮狀移動，MORTENSEN等[21]基于對白羽肉雞的研究，認為在預測肉雞體重時，肉雞的寬度特征比長度更加穩(wěn)定。同時觀察發(fā)現(xiàn)，肉雞羽毛分布情況對水平投影圖像影響較大；俯視投影圖像中，受羽毛影響較小。

為驗證本實驗中反映黃羽肉雞體重情況的最佳變量，選取相同質量((1.16±0.02) kg)的健康肉雞59只，測量其長度、寬度、俯視投影面積、水平投影面積，實驗結果如圖6所示。

圖6 肉雞形態(tài)參數(shù)分布Fig.6 Broiler shape parameter distribution

實驗結果表明，對于相同質量的肉雞，其肉雞體長、肉雞體寬、水平投影面積、俯視投影面積分布的標準差分別為：35.09 mm、9.63 mm、124.28像素、27.21像素。由此可得出，在衡量肉雞體重的參數(shù)中，肉雞體寬比肉雞體長更穩(wěn)定，俯視投影比水平投影更穩(wěn)定，與MORTENSEN等的研究一致。

基于上述結論，本文以肉雞俯視投影面積為依據(jù)對主要特征量進行投影處理，使GS評分中同級肉雞的動態(tài)特征量更加集中。

3.2 俯視投影面積提取

本文將肉雞俯視投影面積作為動態(tài)特征數(shù)據(jù)進行投影處理的核心依據(jù)，俯視投影面積提取過程如下。

3.2.1垂直俯視圖像預處理

垂直圖像由豎直攝像頭采集。圖像預處理方法與水平攝像頭相同，采用HSV分量組合的方法，不再贅述。

3.2.2投影圖像橢圓擬合

肉雞俯視投影圖近似紡錘狀，肉雞行走過程中頭部與尾部有前伸或后縮的動作，會產(chǎn)生圖像的不規(guī)則形狀誤差。為進一步提升精確度，需要對俯視投影圖像進行擬合處理。MORTENSEN等[21]在通過肉雞俯視圖像預測肉雞體重時，使用了“最大內切圓”的擬合方法。根據(jù)實驗觀察，年輕肉雞一般體型較長，年老肉雞體型較圓，此時“最大內切圓”方法對年輕肉雞預測誤差較大。

本文將“最大內切圓”優(yōu)化為基于最小二乘法的橢圓擬合方法對肉雞的俯視投影圖像進行處理，橢圓擬合方法考慮了肉雞整體的形態(tài)特征，更好地降低了體型差異導致的誤差，并可以消除肉雞行進中頭部尾部晃動對面積計算的影響。設平面內任意圓錐曲線為

αx2+βxy+ζy2+ηx+φy+λ=0

(6)

式中α、β、ζ、η、φ、λ——橢圓方程參數(shù)

設Pi(xi,yi)(i=1,2,…,N)為肉雞俯視圖像輪廓上的N(N≥6)個測量點,依據(jù)最小二乘法原理，目標函數(shù)為

(7)

為使f最小，令

解得橢圓系數(shù)α、β、ζ、η、φ、λ，即可得到擬合曲線。特別地，為避免零解，同時把多倍的解看作同一個橢圓，設定制約條件為α+ζ=1。本實驗中使用橢圓擬合改進算法[22-23]，結合本實驗情況，采用如下方案：

(1)在所有樣本點中隨機選取6個，用最小二乘法得到橢圓參數(shù)α、β、ζ、η、φ、λ。

(2)遍歷所有樣本點，判斷每個樣本點和已知橢圓的距離，如果小于15像素，標記該點為匹配點。

(3)循環(huán)執(zhí)行步驟(1)、(2)400次，找到匹配點最多的橢圓，其橢圓參數(shù)即為所求參數(shù)，擬合結果如圖7所示。

圖7 橢圓擬合示意圖Fig.7 Ellipse fitting diagrams

3.2.3橢圓面積計算

將圓錐曲線一般方程轉換為幾何參數(shù)表示，即由橢圓中心(x0、y0)、長軸長度δ、短軸長度ε、長軸轉角θ5個變量表示。其中δ可近似視為肉雞的身長，ε可近似視為肉雞胸部寬度，計算方法為

(8)

由積分公式得出，投影橢圓面積為

H=πεδ

(9)

3.3 數(shù)據(jù)處理

本實驗中，選取健康狀態(tài)(GS0)肉雞61只，采集其步態(tài)信息與擬合橢圓面積共122次(每只2次),以得到肉雞理想動態(tài)參數(shù)。數(shù)據(jù)分析結果如圖8所示。

圖8 肉雞投影面積-動態(tài)特征散點圖Fig.8 Scatter plot of broiler projection area and dynamic characteristic

從圖中可以看出，肉雞步幅、速度與擬合橢圓的面積近似呈正相關關系?；诒緦嶒灁?shù)據(jù)，擬合得出理想步幅S0、理想速度V0與投影面積H的近似關系，決定系數(shù)為0.793 5與0.805 1，具有較好的統(tǒng)計學意義。為方便統(tǒng)計，更好地反映動態(tài)數(shù)據(jù)偏離正常值的程度，引入步幅異常指數(shù)Su、速度異常指數(shù)Vu、步幅差異常指數(shù)Du，定義為

(10)

(11)

(12)

步幅異常指數(shù)和速度異常指數(shù)等于100表示實際值與理想值相等的最佳狀態(tài)，速度異常指數(shù)為零表示沒有步幅差的理想狀態(tài)。異常指數(shù)能反映肉雞動態(tài)參數(shù)實際情況，同時最大程度消除肉雞個體形態(tài)學差異對數(shù)據(jù)的影響，一定程度上提高判斷算法適應性。

3.4 數(shù)據(jù)差異性驗證

將不同GS級別的肉雞平均行進速度、步幅均值、步幅差均值與每只肉雞的速度異常指數(shù)、步幅異常指數(shù)、步幅差異常指數(shù)的均值進行統(tǒng)計，得到數(shù)據(jù)如表5所示。

表5 原始特征與異常指數(shù)對比Tab.5 Comparison between original features and abnormal index

從表5對比可以看出，通過異常指數(shù)評價肉雞步態(tài)時，可消除肉雞個體形態(tài)對數(shù)據(jù)的影響，并保留原始數(shù)據(jù)中各級別動態(tài)參數(shù)的差異，同時將差異進行更為合理的縮放，使各級之間區(qū)分更加明顯，特征獨立性更強。全數(shù)據(jù)異常指數(shù)分布箱線圖如圖9所示。

圖9 異常指數(shù)分布箱線圖Fig.9 Box plot of abnormal index distribution

從以上數(shù)據(jù)可看出，隨著腿部疾病級別加重，速度、步幅、步頻等數(shù)值總體呈下降趨勢。特征數(shù)據(jù)中，除GS3與GS4之間速度異常指數(shù)差異較大外，其他各級別各特征之間數(shù)據(jù)有很大部分的重疊，難以對個體數(shù)據(jù)通過簡單統(tǒng)計學方法進行分類。

4 步態(tài)評分模型

各級步態(tài)之間數(shù)據(jù)存在一定的統(tǒng)計學差異，而這些差異不足以直接作為評判各個GS級別的標準。DAWKINS等[7]的研究表明，速度和加速度等動態(tài)參數(shù)與步態(tài)評分之間沒有簡單的聯(lián)系，本文使用C4.5決策樹模型對肉雞動態(tài)特征異常指數(shù)進行訓練，并進行步態(tài)級別分類。

4.1 訓練參數(shù)

選取速度異常指數(shù)Vu、步幅異常指數(shù)Su、步幅差異常指數(shù)Du作為關鍵屬性，針對每只肉雞，把每只肉雞的GS評分作為評價結果，形成最優(yōu)決策樹。

訓練集組成方式如下：訓練集由4列組成，每列依次為X1、X2、X3、Ylable4個變量,前3列為特征屬性，對應速度異常指數(shù)Vu、步幅異常指數(shù)Su、步幅差異常指數(shù)Du，第4列為標簽變量，為肉雞的GS人工評分結果，由GS0～GS4表示。數(shù)據(jù)集的每行對應一條訓練數(shù)據(jù)。

4.2 算法模型

C4.5決策樹作為傳統(tǒng)ID3決策樹的優(yōu)化算法，是使用信息增益率作為分裂屬性指標進行決斷的[24-25]。

信息熵是度量樣本純度的常用指標與計算信息增益的基礎[26]。若肉雞步態(tài)樣本集合T中，第k類步態(tài)樣本所占比例為pk(k=1,2,3,4,5)，則T的信息熵定義為

(13)

針對肉雞速度屬性V而言，有M個不同的取值{V1,V2,…,VM},若使用V屬性對樣本T進行劃分，則會產(chǎn)生M個分支點，其中第m個分支點包括了T中所有在屬性V上取值為Vm的樣本，記為Tm。則信息增益定義為

(14)

(15)

此時，針對數(shù)據(jù)集純度提升最高劃分點，信息增益定義為

(16)

信息增益越大，表示按照屬性V進行劃分所獲得的“純度增益”越大。當分支點過多時，取值數(shù)目更多的屬性信息增益將變大，影響分類結果。使用增益率可以解決這一問題[27]，信息增益率定義為

(17)

(18)

屬性V的取值數(shù)目M越多，P(V)的值也會越大[28]，從而消除取值數(shù)目對結果的影響。

4.3 訓練過程

針對肉雞步態(tài)評價方法，以速度、步幅、步幅差等連續(xù)動態(tài)屬性為基礎，進行決策樹生成。特別地，步頻是步幅和速度的派生變量，非獨立變量，不單獨作為決策樹生長的屬性。決策樹生長流程如下：

(1)創(chuàng)建根節(jié)點，基于速度、步幅差、步幅等屬性增益率，選擇節(jié)點分裂屬性。

(2)建立新節(jié)點，進行數(shù)據(jù)集的劃分。

(3)判斷節(jié)點是否達到生長停止條件，如果達到，決策樹建立終止；否則重復步驟(1)、(2)。為防止過擬合，在本實驗中設定樣本數(shù)低于5時，終止遞歸。

(4)用REP后剪枝處理[29]，自下而上處理每個節(jié)點，直到進一步修剪有害為止。修剪過程如下：①刪除以此節(jié)點為根的子樹，讓節(jié)點變?yōu)槿~子節(jié)點。②賦予這個節(jié)點最常見分類，若修剪后驗證集的性能未出現(xiàn)降低，正式刪除此節(jié)點，即以葉節(jié)點代替子樹。

決策樹生長流程圖如圖10所示。

圖10 決策樹生長流程圖Fig.10 Flow chart of decision tree growth

4.4 訓練方法

HENG[30]通過大量數(shù)據(jù)集、使用不同學習技術進行的研究表明，10折交叉驗證是可以獲得較好誤差估計的恰當選擇,相比其他驗證方式有簡便高效的優(yōu)勢。本文采取“十折交叉驗證”法將肉雞步態(tài)數(shù)據(jù)集T隨機分為10個包，輪流選取其中9個作為訓練數(shù)據(jù)集U，另外1個包作為測試數(shù)據(jù)集I。訓練結果如表6所示。

表6 十折交叉法驗證結果Tab.6 10-fold cross validation results

肉雞的步幅差作為新的統(tǒng)計量首次加入到步態(tài)評分模型中，對易混淆級別的分類準確度做出了較高貢獻。使用決策樹C4.5模型識別的結果中，GS0～GS2等級別中分類準確率分別達到了66%、71%與74%，彌補了以往GS0～GS2級別區(qū)分準確率低的問題。

4.5 結果與分析

4.5.1分類誤差

本研究中在1、7、8、10訓練輪次中出現(xiàn)了GS3與GS4中1或2例明顯的錯分結果，經(jīng)調取原始數(shù)據(jù)研究發(fā)現(xiàn)，在對肉雞雞體進行分割時，若肉雞步行中因腿部疾病導致身體匍匐在地面行走，某些情況下會導致團序列檢測錯誤，從而發(fā)生錯誤分割致使提取到了錯誤的動態(tài)信息。

從整體測試結果來看，GS3和GS4等極端分值的區(qū)分準確率仍顯著高于GS0～GS2等級別。通過訓練結果的混淆矩陣看出，GS0級別被誤判為GS1級別的樣本占到誤判為其他級別的90.4%，GS1級別被誤判為GS0級別的樣本占到誤判為其他級別的72.6%，說明GS0和GS1之間的相互誤判比較高,這是因為其步態(tài)特征相近，即使綜合新引入的步幅差變量來看，GS0和GS1中的樣本也存在很大的重合度。經(jīng)調查得知，在實際人工操作中區(qū)分GS0與GS1的依據(jù)是 “輕微缺陷引起的肉雞不均衡步態(tài)”，而這種不均衡不僅體現(xiàn)在本文關注的肉雞前進步態(tài)的水平方向(步幅、步幅差等)，還會存在于垂直方向[31](左右搖擺等)，針對垂直方向特征本文暫未做研究。

4.5.2基于分類結果的肉雞步態(tài)健康預警

根據(jù)肉雞步態(tài)評分標準，被評判為GS0、GS1的狀態(tài)均不會影響肉雞的生活與其對資源的爭奪，而GS2～GS5分別表示已經(jīng)對肉雞健康產(chǎn)生了從輕微到嚴重的影響[4]。大多數(shù)腿部出現(xiàn)疾病的病雞都會出現(xiàn)從GS1～GS4逐級惡化的現(xiàn)象[32]。一般被發(fā)現(xiàn)時肉雞已經(jīng)達到GS3及以上的嚴重病態(tài)，此時給予治療已經(jīng)效果不佳。

結合本文方法，對識別為GS1與GS2級別的肉雞分別發(fā)出低級和高級疾病預警；GS3、GS4級別肉雞發(fā)出一級、二級疾病報告，從而實現(xiàn)提前發(fā)現(xiàn)肉雞的腿部疾病，并爭取最優(yōu)時間對有發(fā)病可能的肉雞實施預防和干預。

5 結束語

以決策樹C4.5模型為基礎提出了一種肉雞步態(tài)自動定量評價方法，基于肉雞步行的理想?yún)?shù)與異常指數(shù)，實現(xiàn)了對步態(tài)得分(GS)的預測。本文方法對GS0～GS4評分的準確率依次為：66%、71%、74%、98%、95%，整體準確率為78%。將GS0、GS1、GS2級別的鑒別準確率從50%提升到70%左右，為肉雞早期腿部疾病的識別奠定基礎。