论文部分内容阅读
随着养殖业的规模化和自动化发展,依靠人工观察对生猪的异常行为及健康状况进行监测的效率较低,增加了劳动力成本,因此,为了提高监测效率,在集约化养猪场中利用机器视觉监测技术代替人工监测已逐渐兴起。本文在分析了基于机器视觉的畜禽行为检测及生猪异常分析的研究现状后,提出基于目标特征的生猪体态识别及异常行为分析方法。通过视频监测系统获取猪场的视频图像,采用机器视觉技术进行生猪目标检测和体态识别,并根据生猪日常行为的统计信息,建立了生猪异常评价体系。本文主要研究工作有:(1)通过对双峰直方图法、改进的OTSU算法和基于颜色特征的生猪目标检测算法进行理论阐述,并结合实验对比与分析,利用颜色特征对生猪目标进行提取的实验结果较为满意,并通过滤波和形态学处理对生猪目标检测图像进行优化。为了进一步改善生猪目标检测图像的清晰度和完整度,针对均值漂移分割法检测出的生猪目标轮廓不够精确,易受噪声干扰,目标内部存在空洞等现象,本文提出了融合超像素信息的均值漂移算法,利用SLIC超像素分割算法可以将生猪目标与背景进行清晰划分,因此融合生猪的超像素分割信息可以对经均值漂移检测的生猪二值图像进行轮廓改善和空洞填补。(2)本文选取了所要研究的生猪常见体态,并建立相应的图像样本库,采用Canny边缘检测算子对生猪目标的轮廓进行提取。通过综合考虑图像特征提取算法及生猪体态特点,建立了表征生猪体态的目标特征集,包括圆形度、矩形度和边界矩等12个特征,并采用类内类间距离判据算法对样本数据建立的目标特征集进行特征优选。为了实现生猪不同体态的准确识别,依据决策树逻辑思路与支持向量机算法建立决策树支持向量机(DT-SVM)对生猪体态进行分层识别,并对RBF核函数采用网格搜索和交叉验证法进行参数寻优,相比于1-V-1 SVM的实验结果,DT-SVM对生猪体态识别的准确率更高。(3)利用已建立的决策树支持向量机分类模型实现了生猪体态图像的标注,同时根据行为锚定评价法,选择生猪休息睡眠与日常活动两种关键行为作为评价项目。针对生猪关键行为的评价项目进行数据统计,根据具体行为数据与整体统计数据库的差异对比建立了生猪异常评价体系,为自动监测生猪异常行为奠定理论基础,有利于提升生猪养殖业的自动化水平。