在禽群病死個體檢測中的應用機器視覺技術的探討*

魏長寶，李　平

(黃淮學院信息工程學院，河南駐馬店463000)

?

在禽群病死個體檢測中的應用機器視覺技術的探討*

魏長寶*，李平

(黃淮學院信息工程學院，河南駐馬店463000)

摘要:目前的農場中，環境溫度、風量、禽蛋、禽糞、食物和水的供給都已完成自動控制，但是對于農場中的死禽，并無達到自動監測和控制的目的，造成農場環境污染。針對上述死禽巡查檢測中的各種缺陷，以養雞場為研究對象，采用邏輯與操作排除活雞存在的部分，提取出雞的各個重要特征，以這些特征的變化量作為特征向量，判斷是否為死雞。通過實驗結果可得，本文的圖像識別方法能有效提升檢測死雞的精度。

關鍵詞:機器視覺;自動檢測;特征提取;檢測精度

在科學技術日新月異的今天，農業這種最傳統同時最有影響力的生產活動也受到了科技浪潮的影響，農業中各項生產活動都隨著科學技術的發展，面向數字化、自動化、智能化方向發展［1］。在國外農業生產的諸多領域，都已全面實現自動化、智能化，近些年最典型的發展就是機器視覺技術的引入，可以得到農作物的生長狀態，土壤狀態、病情管理以及雜交工程等［2－7］，同時機器視覺技術也被引入到養殖領域中，促使傳統的養殖方式轉變為新型的綠色健康環保型養殖方式［8－10］。根據葡萄牙學者的研究發現［11］，機器視覺技術也可以用于檢測植物枝葉特征工作中，通過提取樹葉作為研究樣本，利用數字掃描獲取圖像，然后根據圖像得知葉子的特征參數。主要包括葉子的大小、長寬等。此外，日本學者也利用該技術研發了機器視覺系統［12］，該系統由PC和CCD攝像機組合而成，圖像獲取主要依靠攝像機，圖像處理則由PC完成。系統可在不同的光照強度下識別出研究對象，并且在最快的時間內確定對象的位置。目前，在我國關于該技術的研究主要是浙江大學的學者研究發現了可調節的機器視覺系統［13－14］，也能很好的獲得相關的數字圖像，并且能拍攝種子生長的過程等，能讓種子的特征更加明顯的展示在人們眼前。還有華中科技大學的學者也利用該技術對農業病蟲害等進行檢測。不僅如此，在目前大規模的養禽場中，環境溫度、風量、禽蛋、禽糞、食物和水的供給，都已完成自動控制，但是仍然有部分工作無法實現自動化，必須人為干預，其中最主要的就是死禽的發現和處理。目前國內對該問題的研究得很少，吉林大學鄭雙陽等在死雞探測方面提出了基于向量機檢測算法，利用遠程功能，對雞蛋進行跟蹤監測，通過人工智能判斷雞蛋內是否發生質變的一種機器視覺系統［15］，另外中國農業機械化科學研究院李亞碩等人對雞冠的顏色進行了機器視覺識別，從而判斷是否為病雞［16］，這些方法的研究對本課題研究都有一定借鑒意義。

對于如今的大型養禽場，雖然有人工定時排查，但仍然無法避免死禽留在禽舍中，造成極大的安全危害，同時死禽巡查又是一件極其繁瑣的事情，特別對于種類龐多的禽類，巡查工人必須長時間觀察每個禽舍的具體情況，而禽舍內部存在有害氣體，同時塵埃顆粒較多，對巡查工人的身體健康帶來極大影響，因此目前亟待開發自動檢測死禽的系統，能夠極大的提高養禽場的自動化程度，并保護養禽工作人員的身體健康。

本文以養雞場為例，針對目前的大部分算法僅能夠同時對一只死雞進行檢查，提出一種改進算法，將特征提取技術應用于死雞檢查中，該算法主要包含兩個步驟:第一步要根據雞舍區域位置的變化，排除活雞存在的那部分，第二步要對疑似死雞的部分做深入提取，包含各種特征，例如，雞冠的三維尺寸等多個綜合特征，先根據L* a* b*空間a*分量提取雞冠區，再利用SVM對雞冠像素點的RGB顏色信息進行統計分析，將這些作為判定變量，最終判定是否為死雞。

1　檢測算法

文中的檢查算法主要由兩個步驟決定，第一個步驟為檢查雞冠區域的變化情況，排除活雞存在的那部分，該步驟采取的方法為二值與運算操作，也即判定雞冠在規定時間內是否移動，對比前后兩幅圖雞冠的位置我們即可判定活雞還是死雞，如果雞冠仍停留之前位置，我們就懷疑為死雞情況，需要進一步處理，如果雞冠產生移動，那就為活雞部分，予以排除。第二步驟為，對之前疑似死雞的情況，對雞冠進行局部特征提取，最終判斷是否為死雞。具體的步驟如下所示:

第1步定時采集同一個雞籠的兩幅畫面，時間間隔為5 min，將采集的畫面進行分析處理，把雞冠區域的圖片提取。

第2步對第1步采集到的圖片進行與操作，排除活雞存在的部分。

第3步對剩下的疑似死雞部分，提取雞冠區域的局部特征，例如雞冠三維尺度、球形性特征等，進行逐個分類。

第4步將第2步分類好的死雞特征重新分類訓練，檢驗最終結果，是否為死雞。

第5步得到最終的判定結果。

另外，在完成第2步操作后，如果沒有發現雞冠，可直接進行第5步，則表示該雞籠中的雞都正常，如圖1所示。

圖1　算法流程圖

2　提取雞冠特征

我們在本文中采用了彩色圖像獲取雞冠信息，相對灰色圖像，彩色圖像能夠提取更豐富的物體特征信息，其處理方法相比灰度圖像具有明顯的優勢，利用彩色圖像可以更有效的提取紅雞冠這一敏感特征，當然相對灰色圖像來說，彩色圖像的處理技術更加復雜［17－18］。

由于雞籠中雞毛顏色主要為黑、白和棕紅色，白、黑色與雞冠顏色差異很大，易提取雞冠特征，而對于棕紅色雞，其羽毛顏色與雞冠顏色過于一致，因此提取難度增加，對此，我們針對不同顏色的雞，選擇相對應的顏色模型，同時采用最大類間方差法來進行圖形分割，同時進行運算，去除圖像噪聲。接下來我們對雞冠輪廓區域以及形狀特征的提取進行深入研究［19］。

2.1雞冠輪廓的提取

本文采用數學形態學的方法去除圖像噪聲，同時采取邊緣檢測算法來提取雞冠輪廓，該方法相對傳統方法在各方面都具有明顯的優勢，提取的效果如圖2所示。

圖2　雞冠輪廓提取圖

2.2雞冠中心區域提取

在雞冠輪廓提取過程中，經常出現雞冠遮蓋的情況，造成圖像識別出現誤差。為此，本文提取雞冠的中心點進行圖像識別，避免出現上述誤差，下面重點介紹雞冠中心點的獲得方法:

第1步對采集的圖像進行識別，得到水平和豎直方向的邊距，分別為h，w，可得:

第2步對采集的圖形進行處理，得到水平和豎直方向的最大邊距hmax，wmax，可得:

第3步結合第一步和第二步得到的數據，獲得所有E(h，w)＞e的邊距均值為xh，yw，也即雞冠中心的坐標值。

具體實現的算法如下所示:

選取8個中心附近區的像素點，為了便于區分，將其調至白色，其分別代表雞冠。假設中心點坐標為i，j，像素的數值為f(i，j)，則中心點58個像素點坐標值如表1所示。

表1　中心點區域坐標

圖3　雞冠中心點提取

坐標關系如下所示:

由上述方法得到雞冠中心區域提取圖如圖4所示。

圖4　雞冠中心區域提取圖

2.3提取雞冠的形狀特征

2.2.3 缺乏有效的護患溝通和知識宣教。護士未落實責任制整體護理,往往重視患者的病情,而忽視了對患者的相關知識宣教和心理評估。長期置管患者對管道的自我管理警惕性下降,7例患者中2例T管脫出均是來院拔管的患者。

經過上述幾個步驟的圖像提取，能基本掌握雞冠特征，然后再深入分析，根據相對靜止和運動的原理，即使雞冠不運動，圖像提取的縱橫方向也不變，但是進行位移之后，雞冠的相對位置也發生了改變。為此，必須提取其他重要特征，才能解決上述問題，提取的特征如下所示:

(1)面積特征

作為最常見的特征，圖像面積的提取非常簡單，通過統計像素個數即可得到，如下所示:

這里f(x，y)是像素各點數，圖幅大小是M×N

(2)周長特征

作為區域描述的通用特征，對于周長L的計算可以從面積公式中衍變出來，如下所示:

式中，A為目標的面積SUM(in)表示其4鄰域全為目標點的像素點總數，L即是周長。

(3)伸長度特征

這里p，q為邊界的長度和寬度方向大小。

(4)冗余度特征

冗余度代表了圖幅中的復雜程度，如下所示:

(5)球度特征

反映了圖幅的扁平特性，如下所示:

這里ri，rc為圓心在重心的內切圓和外切圓的半徑。

3　圖片拍攝時間設定

對于本實驗，采集一定時間間隔的兩張圖片，拍攝間隔的時間很重要，時間過長過短對死雞的判定都不好，表2為對比不同間隔時間下的判定結果。

從表2的結果來看，5 min以內，隨著間隔時間的增長，判定率不斷增長，當時間大于5 min后，隨著間隔時間的增長，判定率不斷下降，因此最佳間隔時間為5 min。

4　圖像特征提取實驗

采用第4節提到的最佳拍攝時間間隔，對同一個雞籠進行前后拍攝，同時采用第3節中提到的圖像處理技術，對雞冠進行處理，得到如圖5所示結果，接著對圖5進行下一步操作，提取疑似死雞的雞冠中心點，如圖6所示，最后對疑似死雞提取雞冠的各種特征并且分類，進行最后判定。

圖5　提取雞冠中心區域

圖6　疑似死雞的雞冠中心區域

5　結果討論與分析

為了驗證本文的圖像識別方法的有效性，我們選擇不同的品種，顏色的雞進行對比試驗，得到如表3所示的試驗結果。

表3　測試結果

從測試結果來看，白雞的正確判定率最高，并且提取時間最短，相反蘆花雞正確判定率最低，耗時也最長，黑雞居于兩者之間，這跟實際情況也是相符的，三種雞的正確判定率都達到了91.7%，并且提取時間都很短，因此本文的方法能夠有效對養雞場的死雞進行監控。

雖然本實驗能較為有效檢測出雞的局部特征，但特征要素相對單一，尤其當遇到前景目標被部分遮擋或光照不均勻，對特征要素的提取有很大的影響。尤其對于后期分類器的設計，應設法選取更多特征作為提取要素使分類器設計更為具體，并對分類器進行評價與優化。其中有效角點的檢測處理速度較慢，運用到實際中還需提高運算速度。

6　結束語

針對死禽巡查檢測中的各種缺陷，本文以養雞場為研究對象，給出基于機器視覺技術的死雞檢測方法。該方法首先對養雞場內中心區域位置的變化，采用邏輯與操作排除活雞存在的部分;其次，提取出雞的各個重要特征，以這些特征的變化量作為特征向量，判斷死雞和活雞。通過實驗結果可得，本文的圖像識別方法能夠有效的提升檢測死雞的精度。但是由于本實驗圖像素材較為理想，實際運用到養雞場復雜的環境下，方法上需進一步優化改善。

參考文獻:

［1］韓九強.機器視覺技術及應用［M］.北京:高等教育出版社，2009:5－18.

［2］劉泉，胡文娟.基于機器視覺的PCB缺陷檢測系統設計與研究［J］.電子器件，2007，30(4):20－26.

［3］吳繼華，劉燕德，歐陽愛國.基于機器視覺的種子品種實時檢測系統研究［J］.傳感技術學報，2015，28(12):8－18.

［4］劉長青，陳兵旗.基于機器視覺的玉米果穗參數的圖像測量方法［J］.農業工程學報，2014(6):131－138.

［5］程洪，史智興，尹輝娟，等.基于機器視覺的多個玉米籽粒胚部特征檢測［J］.農業工程學報，2013(19):141－151.

［6］孫群，王慶，薛衛青，等.無損檢測技術在種子質量檢驗上的應用研究進展［J］.中國農業大學學報，2012(3):1－6.

［7］邵魯浩，坎雜，李景彬，等.基于形狀特征的脫絨棉種品種識別［J］.農業工程學報，2011(S2):86－89.

［8］王潤濤，張長利，房俊龍，等.基于機器視覺的大豆籽粒精選技術［J］.農業工程學報，2011(8):355－359.

［9］全燕鳴，黎淑梅，成喜春，等.基于機器視覺的果肉多類型異物識別方法［J］.農業工程學報，2011(3):162－166.

［10］黃星奕，姜爽，陳全勝，等.基于機器視覺技術的畸形秀珍菇識別［J］.農業工程學報，2010(10):350－354.

［11］Cunha J B.Application Image Processing Techniques in the Characterization of Plant Leafs［J］.Industrial Electronics，2003(1):612－616.

［12］Bulanon D M，Kataoka T，Okamoto H，et al.Development of a Real-Time Machine Vision System for the Apple Harvesting Robot ［J］.SICE，2004 Annual Conference，2004(1):595－598.

［13］Cheng Fang，Ying Yibin.Machine Vision System for Inspecting Characteristics of Hybrid Rice Seed［J］.Monitoring Food Safety，Agriculture，and Plant Health，2004，5271:328－335.

［14］Qiu Daoyin，Zhang Hongtao，Liu Xinyu，et al.Design of Detection System for Agriculture Field Pests Based on Machine Vision［J］.Transactions of the Chinese Society of Agricultural Machinery，2007，38(1):120－122.

［15］鄭雙陽，王琳琳.基于機器視覺對高階直立式雞籠內蛋雞的監視系統的開發［J］.吉林農業大學學報，2009，31(4):476－480.

［16］李亞碩，毛文華，胡小安，等.基于機器視覺識別雞冠顏色的病雞檢測方法［J］.機器人技術與應用，2014(5):18－26.

［17］林開顏，吳軍輝，徐立鴻.彩色圖像分割方法綜述［J］.中國圖像圖形學報，2005，10(1):1－10.

［18］韓思奇，王蕾.圖像分割的閾值法綜述［J］.系統工程與電子技術，2002，24(6):91－94.

［19］陳月華，胡曉光，張長利.基于機器視覺的小麥害蟲分割算法研究［J］.農業機械工程學報，2007，23(12):187－191.

魏長寶(1972－)，男，河南省駐馬店市人，漢族，碩士，副教授，研究方向為計算機信息與智能信息處理;

李　平(1976－)，女，河南省駐馬店市人，漢族，碩士，講師，研究方向為信息處理與現代電子系統，llishbbs@163.com。

Design of Cab Signaling Test System Based on DDS Ramped FSK Technology

YANG Jin1*，YANG Cheng2
(1.Department of Signal and Communication，Nanjing Institute of Railway Technology，Nanjing 210035，China;
2.Signal＆Communication Center，Nanjing Metro Operation Co.，Ltd.，Nanjing 210012，China)

Abstract:To solve the problem of high system complexity and expensive price for general cab signaling loop transmitter while low precision and low reliability for portable cab signaling transmitter，a cab signaling test system based on DDS Ramped FSK technology was introduced.The test system could simulate the shifting frequencies of 18 information frequency shift track circuit，UM71 and ZPW2000 track circuit.The test system was controlled by upper computer to output different continuous carrier frequency and low-frequency encoded Ramped FSK signals.The interference signal against adjacent signal apparatus was reduced and it was convenient for the demodulation of cab signaling apparatus.The system structure was simple and outputting signal was stable and reliable.The hardware architecture and design method of this test system are illustrated.Experimental results show that every aspect of this system can work well.

Key words:cab signaling; ramped FSK; Direct Digital Synthesizer; frequency-shift track circuit

doi:EEACC:722010.3969/j.issn.1005－9490.2015.04.023

收稿日期:2015－03－09修改日期:2015－04－14

中圖分類號:TP391

文獻標識碼:A

文章編號:1005－9490(2015)04－0826－05

項目來源:國家自然科學基金青年基金項目(61304172)