圖像識別技術對提升動物疫情監測預警能力的研究
——以東莞市動物衛生監督所為例

陳松楠

（信陽農林學院信息工程學院，河南信陽 464000）

圖像識別技術對提升動物疫情監測預警能力的研究
——以東莞市動物衛生監督所為例

陳松楠

（信陽農林學院信息工程學院，河南信陽 464000）

遠程視頻監控系統被利用到動物疫情監測的領域來，能夠對所有的疫情監控點進行監測預警。但是，長時間的人工監控也會使工作人員產生疲勞感，降低工作效率。針對這樣的情況，文章將從圖像的預處理、病變區域的提取和病變區域的識別3個方面闡述如何利用計算機圖像學理論來提升動物疫情監測預警的能力。

人工觀察 圖像識別 動物疫情 監測 預警

隨著我國經濟的快速發展，人們的生活水平也得到巨大的提升，進而對食品安全的關注度也越來越高。俗話說“民以食為天”，但是近年來一些“禽流感”、“口蹄疫”等疫情的爆發，嚴重影響了食品的安全，給國家和人民帶來了巨大的經濟損失。所以將計算機信息技術應用到動物疫情的預防和監督管理中變得刻不容緩。

1 廣東省東莞市動物疫情監測方法的研究現狀

隨著計算機科學、信息技術、視頻監控等技術手段的發展，遠程視頻監控系統被利用到動物疫情監測的領域來。中國起步比較晚，大約起步于20世紀80年代，并且得到了快速的發展[1]。

文章的研究是在廣東省東莞市動物衛生監督所的支持下開展的，它是廣東乃至全國最早開始利用科技手段對動物疫情進行監控的單位，利用遠程視頻監控系統對東莞市32個鎮的疫情檢疫進行全面覆蓋。當前，廣東省東莞市動物衛生監督所的工作人員對數據的存儲方式和查詢方式比較簡單。首先，分段15 min保存各監測和檢疫環節操作的錄像，每30 d為1個周期進行視頻錄像的覆蓋。然后，通過人工的方式對保存的視頻錄像或者圖像進行抽樣觀察。當外來牲畜或家禽進入東莞市各個鄉鎮的屠宰場時，監控中心的工作人員就要對進入的牲畜或家禽進行實時的監控，一旦發現牲畜或家禽的體表皮膚有可疑的疫情癥狀發生時，就需要趕緊向上級動物疫情監管部門匯報。最后，由疫情檢驗人員通過生物學實驗來最終確定是否為可能的疫情癥狀[2][3]。

2 廣東省東莞市動物疫情監測方法存在的問題

雖然，該遠程視頻監控系統對動物檢疫人員的工作和動物疫情的爆發有很好的監督和預防作用，但是這種檢測的方法還是由監控人員通過肉眼對可能存在的動物病變圖像進行截圖分析，然后初步判斷是否是某種疫情所具有的病變。這種重復的體力勞動，實際上的檢測效率并不是很高，并且也未能實現對可疑病變的自動化識別和篩選。對各個鎮鄉的屠宰場進行疫情監控需要大量工作人員，并且大部分時間里被監控的將要被屠宰的動物都是健康的，工作人員在大部分的監控的時間里都處于“徒勞”的狀態，效率比較低。一方面，工作人員沒有那么多的精力對高清攝像頭捕捉的圖像進行實時的觀察和判斷；另一方面，當眼睛長時間對視頻進行觀察時，很容易產生視覺疲勞，忽略一些潛在病情的存在，從而造成疫情的大爆發。

圖1 廣東省東莞市動物疫情監測方法的主要流程

通過以上的介紹和分析很容易發現，當前動物疫情監測的大部分工作還是依靠人工來完成。由圖1的當前廣東省東莞市動物疫情監測方法的主要流程可以看出疫情監測效率仍然很低。而且每天存儲的海量視頻和圖像數據并沒有得到充分的運用，并且被大量的浪費。所以，該文在研究過程中，利用圖像識別的方法對存儲動物圖像和疫情信息的視頻進行充分的研究和分析，合理地對這些數據進行保存和利用，使得這些數據能對疫情的監測和預警起到關鍵性的作用。

3 圖像識別技術提升動物疫情監測預警能力

針對當前動物疫情監測方法存在的問題，希望利用計算機圖像學理論對視頻監控系統獲取的圖像視頻信息進行處理和識別，從而能夠24 h對動物疫情進行實時監控，對患有疑似疫情的動物圖像進行自動篩選和報警，緩解工作人員的工作量和壓力，并對后續的生物學實驗或基因檢測提供源，提高動物疫情的檢測效率。改進后的監測流程圖如圖2所示。

3.1 動物圖像的采集

該文以生豬口蹄疫疫情為例，說明動物圖像的采集過程。當生豬從外地進入東莞市32個鄉鎮的屠宰場時，就要對生豬進行實時監控。該遠程視頻監控系統主要包含4個部分：鄉鎮屠宰場監控室，鄉鎮分所監控室，鄉鎮屠宰場前段監控點和市動監所監控中心，如圖3所示。

圖2 利用圖像識別技術進行動物疫情監測的主要流程

圖3 遠程視頻監控系統采集圖像

通過專線將屠宰場的監控室、各分所的前端監控室、屠宰場前端監控點和市動物衛生監督所聯系在一起，組成1個專業的監控網絡。每隔15 min對監控到的視頻圖像進行高清度的解析、保存，便于隨時記錄，抽查。每30 d為1個周期進行視頻的覆蓋。同時，該遠程系統的前端攝像頭能270°旋轉，在必要的時候，能拉近鏡頭，使得能清晰地觀察到生豬體表的病變特征。當發現問題時，由市動監所的監控中心，統一下發命令，統一對可能的情況進行及時地處理和安排。

3.2 動物圖像的識別

采集高清的動物圖像后，就需要利用計算機圖像識別理論，對可疑的疫情進行識別，并發出預警信號。以口蹄疫疫情為例，生豬口蹄部位的圖像識別流程如圖4所示。

由圖4不難發現，動物圖像的識別過程主要由線下計算和線上計算兩大部分組成。線下計算主要是建立病變的特征庫，通過對特征庫里存儲的樣本特征進行訓練從而得到效果較好的分類器，使得能更準確，更有效地對疫情進行識別。由于樣本特征的積累是一個長期的過程，且隨著樣本庫特征數量的增加，分類器的訓練時間也會越來越長，所以，對于線下計算來說，并不需要在處理數據時滿足系統的實時性；線上計算主要負責對監控視頻中獲取的圖像進行特征提取，通過疫情識別器對提取的特征進行判斷，從而根據一定的閾值來決定是否發出疫情預警的信號，該部分需要實時的對傳過來的數據進行處理，對算法的執行時間要求較高。

通過對線上計算和線下計算的功能進行分析和研究，又將線上計算和線下計算進行了進一步的細分，線上計算主要包括：視頻幀的提取及預處理、病變區域的提取、病變區域特征值的提取；線下計算主要包括：病變區域的顏色特征庫建立、病變識別分類器的設計。

3.2.1 圖像幀的預處理

首先，監控人員將通過監控視頻獲得的或者人工“截取”的圖像傳送到圖像幀預處模塊中。系統就會自動的對視頻的每一幀或者“截取”的圖像，從上到下，從左到右進行濾波處理，使得圖像本身避免噪聲的“污染”，為后續的分割降低干擾。廣東工業大學的巫桂梅提出了一種基于離散小波變換算法，對視頻圖像進行去噪處理[4]，最大限度地提高傳輸圖像的清晰度；重慶大學龍紅梅提出了一種基于運動估計的視頻圖像3D（時空聯合）降噪算法，既可以有效地抑制視頻圖像中的噪聲，又能較好的保護好圖像的細節[5]。

3.2.2 圖像幀的前景提取

圖像經過預處理后，噪聲對其的影響已經降到了最低，這時需要將動物的病變部位，從圖像中分離出來，從而降低背景圖像的干擾，病變部位提取的流程如圖5所示。

由于該監測系統要滿足監測的自動性，所以在前景圖像的提取過程中，需要利用迭代算法動態的變換閾值，從而盡可能地將監控的部位從圖像中提取出來。湖南大學的盛先提出了一種基于人眼檢測的視頻前景自動提取算法，來取代傳統的手工交互式獲取視頻圖像的前景[6]。覃曉等人提出了模擬退火優化的閾值圖像分割算法（Ostusa），極大提高了前景圖像的提取效率[7]。

但是，由于閾值的動態變化中會使圖像產生一些微小的區域或者“毛刺”點，這些區域可能含有重要的疫情信息，所以在情景提取的過程中，也要對這些“毛刺”點進行修補或者平滑操作，使得提取的前景區域盡可能包含全部的疫情信息。刁智華等人對數學形態學的分類及其在病害圖像中的分割進行了詳細的闡述[8]，并能很好地解決“毛刺”點問題。

圖5 圖像前景提取流程

3.2.3 圖像幀中病變區域的提取

當利用圖像前景提取方法將患病部位與圖像的背景區分開后，就需要對目標區域——疫情病變區域進行精確提取，為后面的顏色特征提取做準備。病變區域的提取流程如圖6所示。

圖6 病變區域提取流程

由于一開始對圖像的操作都是在RGB顏色空間中進行的，在前面章節也分析了RGB顏色空間雖然有很好地識別度也符合人眼的觀察，但是該顏色空間的圖像受光照的影響較大，這會給口蹄疫病變區域的分割帶來極大的干擾。所以需要將將前景圖像的顏色空間進行了轉換，并對轉換的顏色空間進行了重新量化，通過對某一顏色通道的提取，設定合適的閾值對病變區域進行了精確的分割。龐曉敏等人提出了基于HSI和LAB顏色空間的彩色圖像分割方法[9]。虎曉紅等人提出了多顏色空間中，玉米葉部病害圖像圖論分割方法[10]，對葉部病害區域進行提取。

3.2.4 圖像幀中病變類型的識別

當提取到病變區域后，就需要對病變類型進行識別和做出預警。目前，比較常用的方法，就是利用支持向量機算法，對病變類型的顯著特征進行訓練，從而設置合適的分類器，對某一類疫情進行識別。

支持向量機（SVM）算法的主要思想是：首先，將訓練樣本的特征信息由低維空間通過一定的函數映射到高維的特征空間中，使得這些數據集在高維的特征空間能夠被線性可分。然后，在特征空間中建立一個最大間隔的最優分離平面，使得該分離平面能夠將不同的特征集完全的分離開來。由上述的分析不難看出支持向量機算法必須要解決2個問題：（1）核函數的選擇，用來將非線性的數據集映射到高維空間使之成為一個線性可分的數據集;（2）如何在高維的空間中求出一個最優的分離平面，將所有的樣本能夠準確的分離開來。李美清等人利用支持向量機算法對多光譜番茄磷營養進行診斷[11]；李冠林等人利用支持向量機的理論對小麥條銹病和葉銹病進行識別{12}。

所以，可以利用支持向量機理論設計出口蹄疫、豬丹毒等常見的動物體表病變識別器，來對動物疫情的監測做出預警。

4 結語

隨著科學技術的發展，圖像識別技術在農業的應用范圍越來越廣泛，研究的人員也越來越多，但是在動物疫情監控領域的研究還不是很多。該文以廣東省東莞市動物衛生監督所為例，希望利用圖像識別技術來解決人工監控的缺點，從而顯著地提升動物疫情監測預警能力，實現對畜禽產品安全工作的有效監管。

[1] 陳軍，王昌建，張朝陽．動物疫情預測方法的研究．中國動物檢疫，2010，27（12）：74～76

[2] 羅衛強，王永，李小軍，等．東莞市建設動物衛生遠程視頻監控系統探討．廣東農業科學，2011，38（3）：219～220

[3] 羅衛強．東莞市生豬質量安全追溯關鍵技術研究及集成應用．南京農業大學，2013

[4] 巫桂梅．遠程網絡視頻教育動態圖像清晰化方法研究．計算機仿真，2012，29（11）：391～394

[5] 龍紅梅．視頻圖像降噪算法研究．重慶大學，2009

[6] 盛先．基于人眼檢測的視頻前景自動提取算法研究．湖南大學，2012

[7] 覃曉，元昌安，鄧育林，等．一種改進的Ostu圖像分割法．山西大學學報：自然科學版，2013，36（4）：530～534

[8] 刁智華，趙春江，吳剛，等．數學形態學在作物病害圖像處理中的應用研究．農機化研究，2010，15（2）：194～199

[9] 龐曉敏，閔子建，闞江明．基于HSI和LAB顏色空間的彩色圖像分割．廣西大學學報：自然科學版，2011，36（6）：976～980

[10] 虎曉紅，李炳軍，劉芳．多顏色空間中玉米葉部病害圖像圖論分割方法．農業機械學報，2013，44（2）：177～181

[11] 李美清，李晉陽，毛罕平．基于支持向量機的多光譜番茄磷營養診斷．農業機械學報，2016（3）：1～7

[12] 李冠林，馬占鴻，王海光．基于支持向量機的小麥條銹病和葉銹病圖像識別．中國農業大學學報，2012，17（2）：72～79