基于圖像處理的生豬耳部顏色異常檢測技術

周麗萍 陳 達 陳 志 苑嚴偉 王麗麗 孫小文

(1.中國農業機械化科學研究院， 北京 100083； 2.中國機械工業集團有限公司， 北京 100080)

基于圖像處理的生豬耳部顏色異常檢測技術

周麗萍1陳 達2陳 志2苑嚴偉1王麗麗1孫小文1

(1.中國農業機械化科學研究院， 北京 100083； 2.中國機械工業集團有限公司， 北京 100080)

為研究規模化生豬養殖場中藍耳病疫情預警監測方法，提出一種非接觸式耳部顏色自動檢測方法。該方法將生豬熱紅外圖像和可見光圖像相結合尋找最優尺度因子，確定可見光圖像中生豬耳根部特征區域；采用主動形狀模型方法，選取34個生豬耳部輪廓特征點，并將搜索范圍限定在生豬頭部區域，用以提取生豬耳部輪廓；將提取的耳部輪廓進行顏色對比，判斷該生豬是否患有藍耳病疫情。結果表明，由于限定生豬頭部區域搜索范圍，能快速準確地提取生豬耳部輪廓。對生豬耳部顏色檢測準確率達到77%以上。

生豬； 藍耳病疫情； 尺度因子； 耳部輪廓； 搜索范圍

引言

我國畜禽養殖中生豬養殖量居世界首位，生豬存欄量占世界生豬存欄量的50%以上[1]。豬肉產量占全國肉類產量比重不斷增加，到2015年已達到65%，其中城市消費者的生鮮豬肉消費量約占肉類消費總量的60%以上[2]。由此可知生豬養殖業已成為畜禽養殖業的主導產業，豬肉成為人們肉食品的主要來源。而生豬的健康問題直接關系到社會經濟利益和食品安全。豬繁殖與呼吸系統綜合癥(PRRS，藍耳病)，是一種高致命性傳染疾病，首次發現于20世紀80年代末[3-4]。我國于2006年大規模爆發藍耳病，造成了巨大的經濟損失。藍耳病主要以哺乳仔豬和懷孕母豬發病為主，病豬出現高熱、嗜睡、皮膚蒼白、耳尖發紫、精神不振、行走不穩、食欲減退、咳嗽等特征。我國群養豬舍內疫情巡檢幾乎全是人工操作，不能及時發現患病豬只[5]，近年來，很多學者針對生豬疫情檢測開展了不同程度的研究工作。MADSEN等[6]通過監測育肥豬每小時的飲水量，基于狀態空間模型對生長豬的飲水模式進行建模，用于監測豬的飲水是否正常，預測豬疾病的爆發、飼料質量和通風設備問題等異常情況。陸明洲等[7]利用RFID射頻識別技術、紅外探測技術和水流量傳感器設計了一套群養方式下母豬飲水行為的自動監測系統，測得群養豬飲水頻率。SILVA等[8-9]與AERTS等[10]通過臨床發現染病豬咳嗽持續時間及咳嗽頻率高于健康豬，利用音頻分析技術能夠及時識別呼吸道感染病豬。肖德琴等[11]為快速檢測豬只運動信息，研究了一種基于視頻追蹤的豬只運動信息檢測方法。朱偉興等[12]針對群養豬行為，開發了疑似病豬行為自動監測系統，監測具有異常行為的疑似病豬。劉波等[13]為研究生豬體表溫度與生豬異常的關系特征，提出了一種基于射線輪廓特征點匹配的紅外與可見光圖像自動配準方法。ANDERSEN等[14]利用耳標式溫度傳感器和攝像頭研究豬耳部溫度和行為的關系。HENTZEN等[15]在實驗室內采用手術將無線膠囊溫度傳感器植入小豬體內，研究小豬體溫和行為的關系。本文針對生豬藍耳病疫情的耳部發病特征，采用圖像匹配方法、主動形狀模型方法提取白毛豬耳部輪廓圖形，并將提取的圖片進行顏色對比，判斷其是否患有藍耳病疫情。

1 材料與方法

1.1 試驗材料與試驗場地

選取白毛妊娠豬為研究對象，采用中國農機院機電技術應用研究所研制的熱紅外圖像采集器和分辨率為800 dpi的普通相機同時采集生豬的熱紅外圖像和可見光圖像，于北京市農業機械研究所通州生豬養殖基地5號豬舍采集所需生豬圖片。

1.2 試驗方法

本試驗分別采集100組睡臥姿態下妊娠豬圖像，即熱紅外圖像100幅，可見光圖像100幅，采集時間為13:00—15:00，光照充足。普通相機和熱紅外圖像采集器并排安裝在自動巡檢消毒車的機械臂上，鏡頭方向保持一致，均安裝在水平位置向下30°夾角處。熱紅外圖像采集器和普通相機在采集圖像時同時拍攝，盡量保證所拍攝照片中的生豬形態位置一致性。選取其中50對一致性較好的圖像進行研究。由于生豬在圖像中的頭部姿態各不相同，所以其耳部形狀也有所差異，在選擇圖像訓練時，盡量選擇耳部形狀基本一致的圖像進行分析。其中的10幅圖像作為訓練樣本，并對普通相機所拍攝的50幅圖像進行測試。

2 生豬熱紅外圖像與可見光圖像匹配方法

由于待配準圖像采集方法不同，圖像之間存在尺度、平移、旋轉、視角和亮度等各種變換。分別用尺度因子、平移因子、旋轉因子來衡量，在圖像配準的過程中可確定最優的尺度因子、平移因子和旋轉因子。本文所使用的生豬可見光圖像和熱紅外圖像為同一時間、同一視角采集，生豬的行為姿態大體一致，可以近似認為沒有旋轉和平移，即只需考慮尺度因子。計算圖像間的最優尺度因子是圖像能否正確匹配的關鍵因素。對于此類圖像而言，設向量a=(x,y)為熱紅外圖像中一個特征點，而向量b=(x′,y′)為可見光圖像中與之對應的特征點，則尺度比的計算式為

(1)

式中s(a)——特征點a的特征尺度s(b)——特征點b的特征尺度xk——尺度比k在x軸方向的坐標yk——尺度比k在y軸方向的坐標

對于圖像選取的n個特征點，其每個特征點的尺度比計算式為

(2)

2.1 生豬熱紅外圖像輪廓特征點集的構建

生豬熱紅外圖像如圖1所示。從圖中可以看出，由于生豬的體表熱輻射率與周圍環境存在較大差異，所以生豬輪廓能在圖像中完整地表現出來，便于提取其外圍輪廓。且生豬由于其耳根部體溫較高，基本能代表生豬的正常體溫，所以其耳根部區域與其他區域又存在明顯差異，便于提取耳根部特征區域，用于后期提取生豬耳部圖像進行研究分析。

圖1 白毛生豬熱紅外圖像Fig.1 Infrared image of white pig

參照文獻[16]將熱紅外圖像采集器采集到的生豬圖像進行處理，選取HSV顏色空間對圖像進行變換，生成S層圖像，采用改進的Otsu算法對S層圖像進行二值化處理，對原圖像進行耳根部特征區域檢測，得到耳根部特征區域圖像。本文采用該方法提取其耳根部特征區域，并在原圖像中進行標記。然后提取該耳根部特征區域圖像尋找其區域中心點C，在原圖像中一并進行標記，如圖2所示。

圖2 生豬耳部特征區域標記Fig.2 Mark of ear root zone

通過Otsu自動閾值分割方法、濾波消噪等，對生豬熱紅外圖像進行處理，提取出生豬外圍輪廓的二值化圖像(圖3)。對其輪廓構建特征點集。首先計算該生豬輪廓圖像的中心點坐標為O=(xo,yo)，將該點設為原點，建立二維坐標系。從O點出發構建輔助射線，射線與生豬輪廓的交點即為特征點(圖4)，圖4中*代表特征點。由于生豬輪廓較長，其背部和腹部到O點的距離比其頭部和尾部到O點的距離要小得多，如果整個輪廓都按照間隔θ角度構建輔助射線的話，必然會導致頭部和尾部的特征點間隔較大。鑒于這種情況，在45°≤θ≤135°和225°≤θ≤315°范圍內時，間隔θ角構建輔助射線；而在其余角度范圍內則間隔θ/n角構建輔助射線，根據生豬輪廓長短，選取n=2，共有p個輪廓線特征點。待配準紅外圖像的特征點集為

圖3 生豬熱紅外輪廓二值圖像Fig.3 Binary image of pig infrared contour

圖4 生豬熱紅外圖像輪廓特征點提取Fig.4 Feature points extraction for pig outline

A={a1,a2,…,ap}

(3)

2.2 生豬可見光圖片輪廓特征點集構建

采集的生豬可見光圖像如圖5所示。采用Canny算子[17]提取可見光圖像的邊緣輪廓(圖6)。經由尺度因子(xki,yki)變換后的中心坐標為O′=(x′o,y′o)，按照2.1節所述方法構建輔助射線，提取生豬可見光圖像輪廓特征點，構建可見光輪廓圖像的特征點集

B={b1,b2,…,bp}

(4)

圖5 白毛生豬可見光圖像Fig.5 Visible light image of white pig

圖6 生豬可見光邊緣輪廓圖像Fig.6 Outline of visible light image

2.3 改進的Hausdorff距離匹配

Hausdorff距離(HD)是描述2個點集之間相似程度的一種度量，是集合與集合之間距離的一種定義形式，其值越小，點集之間匹配得越好。采用Hausdorff距離進行模板匹配，通常選取圖像的邊緣特征作為匹配依據。對于點集合A={a1,a2,…,ap}和B={b1,b2,…,bp}，Housdorff距離定義為

H(A,B)=max(h(A,B),h(B,A))

(5)

其中

(6)

(7)

式中 ‖·‖ ——點集A和點集B間的距離范數h(A，B)——集合A到集合B的單向Housdorff距離

h(B,A)——集合B到集合A的單向Housdorff距離

為了增強受外點干擾和形狀缺損的魯棒性，HUTTENLOCHER等[18]提出部分Hausdorff距離(Partial hausdorff distance，PHD)，其定義式為

Hk,l(A,B)=max(hk(A,B),hl(B,A))

(1≤k≤p；1≤l≤q)

(8)

由于多個圖像變形也會產生相似的h(A,B)值，為獲得更加準確的匹配結果，SIM等[19]提出一種改進的Hausdorff距離(LTS-HD)，即對部分Hausdorff距離求和再求平均，具有較好的魯棒性，定義為

(9)

其中，k由h×p向下取整獲得，h∈[0,1]。

該方法剔除了由噪聲干擾或遮擋而產生的大距離，對于存在部分遮擋或受噪聲干擾的圖像可得到較好的匹配效果，h一般取0.8～0.9。

2.4 最優尺度因子提取

提取最優尺度因子(xk,yk)的算法如圖7所示。

圖7 匹配算法流程圖Fig.7 Flow chart of matching algorithm

利用提取的最優尺度因子(xk,yk)，計算可見光圖像中生豬耳根部區域中心點C′，該點與之前計算的生豬熱紅外圖像中耳根部區域中心點C相對應。

3 基于主動形狀模型的生豬耳部輪廓提取方法

3.1 生豬耳部輪廓特征點的選取

目前常用的特征點標定方法是人工標定。為了減少人工標定對形狀訓練的主觀影響，結合上文已經得到的生豬耳根部區域中心點，和生豬耳部輪廓生理結構的特點，利用人機交互的方式制定通用的生豬耳部輪廓特征點選取規則。首先選取生豬的耳根部區域中心點，并將其與耳尖輪廓點(設為特征點18)相連，與耳根部輪廓線相交點近似于耳根部輪廓線中點，設為特征點1；由于生豬耳部兩側輪廓線從耳根部到耳尖部均有明顯拐點，選取過渡輪廓線近似中點分別標定為特征點9和特征點26，將9和26連接起來，其連線與特征點1與特征點18連線的交點J近似于耳部輪廓的中心位置。以J點為圓心間隔α角作輔助線，與生豬輪廓線的交點定義為特征點。與1點相隔α角開始記為特征點2，順時針旋轉標記直到n(此處α=10°，n=34)。在人工標記的特征點9、18、26附近，若計算機生成的特征點與該人工標記特征點之間的角度θ<10°則該特征點忽略不計。生豬耳部輪廓特征點標記如圖8所示。通過上述標記點的選取規則制定，減少了隨意標記特征點對形狀對齊的影響。人工標定的4個特征點一定程度上保證了耳部輪廓的基本形狀，計算機標定其余特征點可保證耳部輪廓線的平滑完整，從而使耳部區域識別較為方便。

圖8 耳部輪廓特征點選取Fig.8 Feature points selection of pig ear

采用人工標定的4個特征點和計算機自動標定其余特征點集合，形成訓練集。通過對比試驗，確定要提取便捷特征點的個數，由于特征點數越多，匹配時間越長，匹配準確率也越高；但隨著特征點的不斷增加，匹配率趨于平穩狀態，增加不明顯。經綜合考慮選取34為最佳匹配點數。

3.2 生豬耳部區域搜索范圍確定

主動形狀模型[20-21]在進行目標識別檢測時，首先要將獲得的模型映射到待檢測圖像中，經過形狀對齊操作后使平均形狀與原圖坐標空間脫離關系。由于在拍攝生豬可見光照片時，生豬在圖像中的位置并非固定位置，這樣很容易造成生豬耳部檢測失敗。因此，映射時要為平均形狀設定一個適合的初始位置，即將每幅圖像重新進行初始化，找到一個適合的初始化位置。

根據前文所提取的最優尺度因子，確定可見光圖片生豬耳根部區域中心點坐標為C′=(x′C,y′C)。以C′為中心點、R為半徑作圓，R為生豬耳根部區域中心點C′到鼻尖處點J之間的距離(圖9)。由圖可知，R為半徑的搜索范圍過大，因此，在進行主動形狀模型提取生豬耳部輪廓時，將其搜索區域限定在以O點為圓心，2R/3為半徑的圓周內。此處圓心O點在C′J這條線段上，O點到C′的距離為R/3。這樣降低了誤檢率，可以更好地實現對目標的分割檢測。按照固定的搜索范圍所提取的生豬耳部輪廓如圖10所示。

圖9 生豬耳部區域定位Fig.9 Searching scope of pig ear zone

圖10 生豬耳部輪廓提取Fig.10 Extraction of pig ear outline

4 生豬耳部顏色異常檢測方法

由于健康生豬與患藍耳病的生豬耳部顏色存在明顯差別(圖11)，所以本文利用彩色圖像中的顏色特征檢測生豬耳部顏色是否異常，來判定是否存在疑似藍耳病病豬。具體的耳部顏色異常病豬自動檢測方法如下：

圖11 患藍耳病疫情生豬耳部顏色Fig.11 Color of pig ear with blue ear epidemic

(1)分割耳部區域圖像：采用圖像匹配與主動形狀模型相結合的方法，對采集到的可見光圖像提取生豬耳部輪廓。

(2)對提取的耳部輪廓圖像進行處理：將耳部RGB彩色圖像轉換為L*a*b*空間b*分量的灰度圖像，再利用自適應取閾值的Otsu法從b*分量的灰度圖像中分割出耳部患病所在區域，分割出的生豬患病區域的灰度Gp為255，其余區域灰度Gb為0。

(3)對提取的生豬耳部輪廓進行耳部像素標記訓練。圖12中，每個點代表圖11中耳部位置像素點的RGB值，其中紅色+代表生豬正常耳部像素點RGB值，藍色*代表患藍耳病的耳部像素點RGB值。根據分類結果計算出閾值，作為病豬判斷標準。

圖12 生豬耳部像素標記Fig.12 Pixel labeling of different pig ear colors

(4)閾值訓練：利用SVM分類器建立模型，每個像素點特征為一個輸入數據，數據類型包括四維特征，分別為類別、R、G、B，其中正常耳部的類別為1，異常耳部的類別為-1，R、G、B數據范圍均為0～255。分類結果有2種，正常耳部像素點類型為1，病豬耳部像素點類型為-1。設定判斷閾值為0.25。

(5)結果判定：在檢測時，根據得到的分類器模型，對每個生豬耳部的像素點進行計算。當耳部像素點計算得分多數在閾值之上，就認為這只豬是正常的，檢測下一只豬，一個耳部超過1/2的像素點計算得分在閾值之下，就認為可能生病，定位此豬所在位置并報警。

5 試驗結果

應用主動形狀模型方法進行生豬可見光圖像耳部輪廓檢測。利用圖像匹配方法提取最優尺度因子，將生豬耳部區域的搜索范圍限定在特定區域內。試驗在Matlab環境下由多分辨率主動形狀模型工具箱編制。在訓練集的基礎上，擴大采集圖像樣本數量，圖像采集器保持垂直位置不變，分別與生豬體長方向呈30°、45°和60°情況下獲取圖像，各取150組試驗圖片。將所獲取的圖像均采用文中所述方法進行生豬耳部顏色提取，結果見表1。檢測結果表明，采用限定生豬耳部搜索區域的方法能夠準確提取生豬耳部輪廓，對生豬耳部顏色檢測準確率達到77%以上。由于生豬耳部圖像受到光照及陰影的影響，且部分生豬耳部存在污漬，對生豬耳部顏色識別正確率產生了一定的干擾。從檢測結果可看出，拍攝角度對生豬耳部顏色識別有一定的影響。

表1 檢測結果

6 結論

(1)利用圖像匹配方法尋找生豬熱紅外圖像和可見光圖像的最優尺度因子，提取生豬熱紅外圖像耳根部區域，將其映射到可見光圖像。利用主動形狀模型提取生豬耳部輪廓，人機交互選取34個耳部輪廓特征點，并將耳部輪廓搜索范圍限定在生豬頭部區域范圍內。最后將提取的耳部輪廓顏色進行對比，檢測該生豬是否患有藍耳病疫情。對生豬耳部顏色檢測準確率達到77%以上。

(2)將本文方法結合文獻[16]所述非接觸式生豬體溫檢測方法，應用于生豬非接觸式藍耳病疫情預警檢測中，有利于及時發現生豬發熱、耳部顏色異常等情況，可實現早期藍耳病疫情的快速非接觸式自動檢測。

1 付蓉,張倩,于峰.生豬養殖信息化現狀及問題分析[J].河南農業科學,2014,43(12):169-172. FU Rong, ZHANG Qian, YU Feng. Information technology direction and problem analysis of pig breeding[J].Journal of Henan Agricultural Sciences,2014,43(12):169-172. (in Chinese)

2 周振琪,顧莞婷,金融,等.南京市消費者生鮮豬肉安全認知度與消費信心調查與分析[J].畜牧與獸醫,2007,39(11):40-42.

3 KEFFABER K K. Reproductive failure of unknown etiology[J]. Am Assoc Swine Pract Newslett, 1989,1：1-10.

4 BIODEAU R, DEA S, SAUVAGEAU R A, et a1.Porcine reproductive and respiratory syndrome in Quebec[J].Veterinary Record,1991,129(5)：102—103．

5 浦雪峰, 朱偉興, 陸晨芳. 基于對稱像素塊識別的病豬行為監測系統[J]. 計算機工程, 2009, 35(21): 250-252. PU Xuefeng, ZHU Weixing, LU Chenfang.Sick pig behavior monitor system based on symmetrical pixel block recognization[J].Computer Engineering,2009, 35(21): 250-252.(in Chinese)

6 MADSEN T N, ANDERSEN S, KRISTENSEN A R. Modelling the drinking patterns of young pigs using a state space model[J]. Computers & Electronics in Agriculture, 2005, 48(1):39-61.

7 陸明洲, 沈明霞, 丁永前,等. 群養母豬飲水行為自動監測系統設計[J].南京農業大學學報, 2013,36(5):133-138. LU Mingzhou,SHEN Mingxia,DING Yongqian,et al. Design of automatic system for drinking behavior monitoring in group housed sows[J].Journal of Nanjing Agricultural University,2013,36(5):133-138. (in Chinese)

8 SILVA M, FERRARI S, COSTA A, et al. Cough localization for the detection of respiratory diseases in pig houses[J]. Computers & Electronics in Agriculture, 2008, 64(2):286-292.

9 SILVA M, EXADAKTYLOS V, FERRARI S, et al. The influence of respiratory disease on the energy envelope dynamics of pig cough sounds[J]. Computers & Electronics in Agriculture, 2009, 69(1):80-85.

10 AERTS J M, FERRARI S, SILVA M, et al. Cough sound analysis to identify respiratory infection in pigs[J]. Computers & Electronics in Agriculture, 2009, 64(2):318-325.

11 肖德琴，馮愛晶，楊秋妹，等. 基于視頻追蹤的豬只運動快速檢測方法[J/OL]. 農業機械學報，2016，47(10)：351-357，331. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=201045&flag=1. DOI: 10.6041/j.issn/1000-1298.2016.10.045. XIAO Deqin，FENG Aijing，YANG Qiumei，et al. Fast motion detection for pigs based on video tracking[J/OL]. Transactions of the Chinese Society for Agricultural Machinery,2016,47(10):351-357，331. (in Chinese)

12 朱偉興，浦雪峰，李新城，等. 基于行為監測的疑似病豬自動化識別系統[J]. 農業工程學報，2010，26(1)：188-192. ZHU Weixing, PU Xuefeng, LI Xincheng, et al. Automatic identification system of pigs with suspected case based on behavior monitoring[J]. Transactions of the CSAE, 2010, 26(1): 188-192. (in Chinese)

13 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]. 農業工程學報，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 CSAE, 2013,29(2): 153-160. (in Chinese)

14 ANDERSEN H M L, JORGENSEN E, DYBKJAR L, et al. The ear skin temperature as an indicator of the thermal comfort of pigs[J]. Applied Animal Behaviour Science, 2008, 113(1): 43-56.

15 HENTZEN M, HOVDEN D, JANSEN M, et al. Design and validation of a wireless temperature measurement system for laboratory and farm animals[C]∥Proceedings of Measuring Behavior, 2012: 466-471.

16 周麗萍，陳志，陳達，等. 基于改進Otsu算法的生豬熱紅外圖像耳根特征區域檢測[J/OL]. 農業機械學報，2016，47(4)：228-232，14. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20160430&journal_id=jcsam. DOI：10.6041/j.issn.1000-1298.2016.04.030. ZHOU Liping,CHEN Zhi,CHEN Da,et al. Pig ear root detection based on adapted Otsu[J/OL].Transactions of the Chinese Society for Agricultural Machinery,2016,47(4):228-232，14. (in Chinese)

17 CANNY J. A computational approach to edge detection[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 1986, 8(6):679-698.

18 HUTTENLOCHER D P, KLANDERMAN G A, RUCKLIDGE W A. Comparing images using the Hausdorff distance[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence,1993,15(9):850-863.

19 SIM D G, KWON O K, PARK R H. Object matching algorithms using robust Hausdorff distance measures[J]. IEEE Transactions on Image Processing, 1999, 8(3): 425-429.

20 COOTES F T, HILL A, TAYLOR J C, et al. The use of active shape models for locating structures in medical images[J]. Image and Vision Computing, 1994, 12(6): 355-366.

21 COOTES F T, TAYLOR J C, COOPER D, et al. Active shape models—their training and application[J]. Computer Vision Image Understanding, 1995, 61(1): 38-59.

Pig Ear Abnormal Color Detection on Image Processing Techniques

ZHOU Liping1CHEN Da2CHEN Zhi2YUAN Yanwei1WANG Lili1SUN Xiaowen1

(1.ChineseAcademyofAgriculturalMechanizationSciences,Beijing100083,China2.ChinaNationalMachineryIndustryCorporation,Beijing100080,China)

In order to study blue ear epidemic early warning and monitoring method in large-scale pig farms, the non-contact ear automatic color detection method was proposed. Pig’s thermal infrared images and visual images were collected at the same time and the same viewing angle. Two pictures were used together to find the optimal scale factor of matching. By the optimal scale factor, pig ear root section can be found in visible image, and then the ear root central point can be confirmed. According to active shape model method, pig ear root central point was selected as the first feature point, the ear tip as 18th feature points, and both middle point of outlines as 9th and 26th feature points, and 34 pig ears outline feature points in all were selected by human-computer interaction. ASM search scope was defined in pig head region, thus pig ear outline could be extracted correctly. Then the extracted pig ear color was compared with the color of normal pig ears, the ear color detection accuracy could be above 77%, and it could be easily found whether there was the risk of blueear pig disease. The results showed that due to the limited search scope method, the pig ear contour could be extracted accurately, and it could be applied to auto ear color detection in swine house.

pig; blue ear epidemic； scaling factor； ear contour； searching scope

10.6041/j.issn.1000-1298.2017.04.022

2016-07-06

2016-11-15

國家國際科技合作專項(S2015ZR1137)

周麗萍(1979—)，女，高級工程師，博士,主要從事檢測技術與自動化設備研究，E-mail： 309691348@qq.com

TP391.41； S852.65+1

A

1000-1298(2017)04-0166-07