基于機(jī)器視覺的雞雞冠層檢測(cè)系統(tǒng)

0雞自動(dòng)識(shí)別系統(tǒng)隨著水產(chǎn)養(yǎng)殖規(guī)模的擴(kuò)大和水產(chǎn)養(yǎng)殖密度的增加，自動(dòng)控制疫情的監(jiān)測(cè)和控制迫在眉睫。我國現(xiàn)有的病雞檢測(cè)仍以人工為主,人工肉眼逐個(gè)查看雞冠、翅膀、羽毛、行為體征狀態(tài)來判斷養(yǎng)殖雞是否健康。人工檢測(cè)是一項(xiàng)瑣碎而細(xì)致的工作,工人必須近距離對(duì)每個(gè)雞籠進(jìn)行仔細(xì)檢查,而雞場(chǎng)內(nèi)有害氣體的濃度較高、粉塵較多,長時(shí)間停留環(huán)境惡劣的雞舍中對(duì)工人的身體健康將會(huì)產(chǎn)生不利的影響。由于養(yǎng)殖規(guī)模大,靠人工判斷不但耗時(shí)費(fèi)力,增加人工成本,也容易產(chǎn)生視覺疲勞導(dǎo)致誤判漏檢。因此,建立一個(gè)病雞自動(dòng)識(shí)別系統(tǒng)具有重要的實(shí)際應(yīng)用價(jià)值。當(dāng)雞患病時(shí),雞冠會(huì)呈現(xiàn)一定的病變狀態(tài),各種病癥可以通過觀察雞冠的變化識(shí)別雞病。因此,可以利用雞冠的變化信息對(duì)病雞進(jìn)行識(shí)別。本文提出了一種基于雞冠顏色和SVM的病雞自動(dòng)辨識(shí)方法,先根據(jù)L*a*b*空間a*分量提取雞冠區(qū)域,再利用SVM對(duì)雞冠像素點(diǎn)的RGB顏色信息進(jìn)行統(tǒng)計(jì)分析,建立健康雞與病雞的雞冠顏色特征判別模型。當(dāng)雞冠顏色不在健康雞冠顏色閾值內(nèi)就判定為病雞并立即啟動(dòng)報(bào)警裝置,同時(shí)定位出病雞的具體位置。利用電子眼自動(dòng)判斷雞冠顏色是否屬于正常范圍,不僅能夠克服人眼的差異和視覺疲勞,而且精確度高、可進(jìn)行批量檢測(cè)。1自動(dòng)檢測(cè)工作流程根據(jù)雞冠判斷雞是否生病,主要工作是定位雞冠并提取所需信息,找到判斷是否生病的雞冠顏色閾值,病雞自動(dòng)檢測(cè)工作流程如圖1所示。首先選取部分正常雞和病雞訓(xùn)練分類器模型,提取雞冠信息并對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練分析,找到區(qū)分性最強(qiáng)的閾值。當(dāng)有新的雞需要檢測(cè)時(shí),定位其雞冠并提取信息,根據(jù)已訓(xùn)練好的模型和閾值判別其是否正常,如果正常則處理下一只雞,若異常則定位出其具體雞籠位置并啟動(dòng)警報(bào)系統(tǒng)。1.1雞舍環(huán)境的錄像真實(shí)雞舍中病雞數(shù)量比較少,為了訓(xùn)練數(shù)據(jù)接近真實(shí)情況,又能得到比較理想的訓(xùn)練效果,選取500只健康雞和50只病雞,對(duì)其雞冠進(jìn)行拍照。拍照環(huán)境也應(yīng)盡量模擬真實(shí)雞舍環(huán)境,將雞放置在正常雞舍中拍照。為了在不影響雞的正常作息情況下獲取真實(shí)有效的信息,將攝像頭固定在喂料車上,在雞進(jìn)食的時(shí)候進(jìn)行錄像。因?yàn)楫?dāng)喂料車行進(jìn)時(shí),雞都會(huì)探頭進(jìn)食,這樣方便獲取雞冠圖像。錄像結(jié)束后,根據(jù)行車速度和雞籠長度讀取雞籠圖像,保證每個(gè)雞籠都能有一副圖片相對(duì)應(yīng)。本文采用的攝像頭讀取速度是25幀/秒,雞舍長度是30m,每排共有90個(gè)雞籠,喂料車移動(dòng)速度是0.125m/s。為了保證每只雞都能取到圖像并且不重復(fù),錄制視頻后每隔67幀讀取一次圖像。1.2雞舍模糊ls分類器按林開顏等提出的方法提取a*分量信息并進(jìn)行分割和處理,得到雞冠信息后進(jìn)行SVM分類器訓(xùn)練。根據(jù)健康雞和病雞的雞冠數(shù)據(jù)找到最有區(qū)分性的閾值。處理含有雞冠的圖像時(shí),需要將雞冠部分分割出來,選用的是L*a*b*顏色空間的a*分量對(duì)圖像進(jìn)行灰度化。將RGB顏色空間變換為XYZ空間,再從XYZ空間轉(zhuǎn)化到L*a*b*顏色空間。提取a*為特征量,獲得灰度圖像。顏色空間RGB到顏色空間XYZ的轉(zhuǎn)化計(jì)算公式為:從XYZ顏色空間到L*a*b*顏色空間的轉(zhuǎn)換公式為:式中,X,Y,Z分別是顏色空間XYZ的分量Xn,Yn,Zn,分別是標(biāo)準(zhǔn)白色對(duì)應(yīng)顏色空間XYZ的參數(shù)值。由于養(yǎng)雞場(chǎng)光線較暗,不同位置光線差異較大,特別是多層雞舍,上面一層和下面一層差別更大,遮擋和陰影都會(huì)有影響,因此對(duì)于灰度化圖像,利用Otsu法進(jìn)行分割。Otsu法是一種經(jīng)典的全局、非參數(shù)、無監(jiān)督自適應(yīng)閾值選取方法。按圖像的灰度特性,將圖像分成背景和目標(biāo)兩大類。當(dāng)背景和目標(biāo)之間的類間方差越大,說明構(gòu)成圖像的兩部分的差別越大。因此,使類間方差最大的分割意味著錯(cuò)分概率最小。先求出整體閾值進(jìn)行初分割,求分割后的連通區(qū)域,對(duì)各連通區(qū)域再次分割。在該區(qū)域內(nèi),雞冠與周圍的區(qū)分性比較大,這樣就能避免同一閾值不好選取和整體閾值造成部分區(qū)域識(shí)別錯(cuò)誤。雞冠分割效果如圖2所示。閾值分割后的二值圖像會(huì)存在一些噪聲,即白色背景中除黑色目標(biāo)之外還存在其他一些黑色小區(qū)域,黑色目標(biāo)區(qū)域中也會(huì)存在一些不規(guī)則的黑色孔洞。針對(duì)這一問題,本文采用形態(tài)學(xué)特征運(yùn)算對(duì)其進(jìn)行去噪,運(yùn)用膨脹、腐蝕方法對(duì)圖像進(jìn)行后期處理,減少噪聲干擾。分割處理完成后,統(tǒng)計(jì)各連通區(qū)域,每個(gè)連通區(qū)域即為一個(gè)雞冠位置。人工對(duì)健康雞和病雞的雞冠進(jìn)行標(biāo)記,健康雞的雞冠作為正樣本,標(biāo)記為1,病雞雞冠作為負(fù)樣本,標(biāo)記為-1。圖3左圖中兩只雞,左側(cè)的是健康雞,右側(cè)的是病雞,可以看出病雞的雞冠明顯比健康雞的暗淡。右圖中,每個(gè)點(diǎn)代表雞冠位置像素點(diǎn)的RGB值。其中紅色+號(hào)代表左側(cè)雞冠像素點(diǎn)RGB值,藍(lán)色*號(hào)代表右側(cè)雞冠像素點(diǎn)RGB值。根據(jù)分類結(jié)果計(jì)算出閾值,作為病雞判斷標(biāo)準(zhǔn)。從圖3可以看出,雖然兩類點(diǎn)有區(qū)分性,但是正常雞冠和生病雞冠的像素信息會(huì)有部分交叉,有時(shí)候重疊區(qū)域不小,這是因?yàn)殡u舍光線較差,并存在雞冠被籠子或者其他雞遮擋,雞低頭或者側(cè)身等情況,使得檢測(cè)誤差較大。統(tǒng)計(jì)每個(gè)雞冠區(qū)域內(nèi)像素的RGB值作為三維特征,和樣本標(biāo)號(hào)一起用SVM線性分類器訓(xùn)練分類器模型。對(duì)于已知分類和小樣本分類問題,SVM線性分類器分類速度快,準(zhǔn)確率高。1.3像素點(diǎn)類型選取利用SVM分類器建立模型,每個(gè)像素點(diǎn)特征為一個(gè)輸入數(shù)據(jù),數(shù)據(jù)類型包括四維特征,分別為:類別,R,G,B,其中正常雞冠的類別為1,異常雞冠的類別為-1,R、G、B數(shù)據(jù)范圍為0-255。分類結(jié)果有兩種,正常雞冠像素點(diǎn)類型為1,病雞雞冠像素點(diǎn)類型為-1。試驗(yàn)中閾值設(shè)定為0.37是分類效果最好的,但考慮到實(shí)際情況對(duì)病雞控制要求嚴(yán)格,應(yīng)盡量避免漏檢,當(dāng)閾值是0.23時(shí),訓(xùn)練樣本漏檢率為0,因此選0.23為判斷閾值。在檢測(cè)時(shí),根據(jù)得到的分類器模型,對(duì)每個(gè)雞冠的像素點(diǎn)進(jìn)行計(jì)算。當(dāng)雞冠像素點(diǎn)計(jì)算得分多數(shù)在閾值之上,就認(rèn)為這只雞是正常的,檢測(cè)下一只雞,一個(gè)雞冠超過一半的像素點(diǎn)計(jì)算得分在閾值之下,就認(rèn)為可能生病,定位此雞所在位置并報(bào)警,讓工作人員去指定位置核查。2雞的svm分類器性能在雞舍喂料車上架設(shè)攝像頭拍照,訓(xùn)練樣本選用1000只建康雞和20只病雞。在現(xiàn)實(shí)養(yǎng)雞環(huán)境中,對(duì)病雞控制的很嚴(yán)格,基本不允許病雞的存在,因此想在真實(shí)環(huán)境中找到病雞做實(shí)驗(yàn)有一定的難度。根據(jù)病雞特征,事先人工對(duì)部分雞冠染色,使其與病雞雞冠顏色接近來模擬病雞,放置在固定雞籠位置。獲取視頻信息后再根據(jù)每67幀取一副圖像,將這些圖像提取a*分量信息并進(jìn)行分割和處理,得到雞冠信息后進(jìn)行SVM分類器訓(xùn)練。得到分類器模型后,再用養(yǎng)雞場(chǎng)一個(gè)雞舍的所有雞進(jìn)行測(cè)試。測(cè)試方法也是人工對(duì)部分雞冠染色,使其與病雞雞冠顏色接近來模擬病雞。雞的總數(shù)為3725,模擬病雞個(gè)數(shù)為30。按同樣的雞冠信息提取方法,用SVM分類器模型對(duì)雞冠像素點(diǎn)信息分類,根據(jù)閾值判斷是否生病。實(shí)驗(yàn)結(jié)果如表1所示。雖然雞在進(jìn)食時(shí)會(huì)探頭,容易捕獲雞冠,但此時(shí)也比較活躍,遮擋情況不可避免,經(jīng)計(jì)算,雞冠正確識(shí)別率為98.1%,病雞識(shí)別正確率為96.7%,誤識(shí)別率為1.6%。所以本文方法保守的雞冠正確提取率為98%,病雞的正確識(shí)別率為96%,誤識(shí)別率為2%。3圖像信息的處理與分類雞生病時(shí)雞冠顏色變化是最明顯的體態(tài)特征,因此本文提出了一種基于雞冠顏色的病雞自動(dòng)檢測(cè)方法,由于雞舍光線較暗