随着养殖业的不断发展,自动化养猪已经成为养猪业的发展趋势。针对人工测量猪只体尺和人工观察猪只行为效率低下,而基于机器视觉的自动监测可代替人工,以提高检测效率,已经成为当前的研究热点之一。为提高基于机器视觉的猪体体尺测量研究中的图像利用率和体尺测量效率,以及对猪只的行为进行实时监测和及时发现异常,本研究提出一种基于机器视觉的猪体尺测量及行为识别研究方法。主要内容及结论如下:(1)针对单帧静态图像进行体尺测量时对图像要求高,难以获取,本研究基于Kinect深度相机获取的猪体视频数据,提出了一种猪体理想姿态帧检测算法。该算法利用最小外接矩形法调整猪体为水平方向;利用投影法和差分法识别头部和尾部位置,通过头部边界标记法判断耳部是否缺失;利用骨骼化算法结合霍夫变换算法检测猪体头部是否歪斜,结果表明,检测出理想姿态帧2592帧,漏报432帧,误报0帧,误报率较低。(2)在检测到理想姿态帧基础上,设计了一种猪体体尺测量算法。该算法需要准确找到猪只的耳根、尾根、肩胛骨的位置,利用差分法找到耳根和尾根的大概位置后,差分曲线中耳根和尾根位置的表示不是很准确,需要进一步确认其位置,找到测点位置后,即可求出猪只的体宽、体高、体长。本文以长白猪和大白猪为研究对象,针对养殖场获取的103组视频数据,俯视和侧视各52016帧图像,进行了理想姿态帧检测及体尺测量。结果表明,每帧图像的体长偏差与本组体长均值小于2.3%,组内理想姿态帧之间差异较小,一致性较好;体宽测量的平均精确度为95.5%,体高测量的平均精确度为96.3%,体长测量的平均精确度为97.3%,平均准确度较高。(3)针对自动监测猪只的行为,通过算法自动识别其行为,找出其行为规律,及时发现异常。提出一种自动识别母猪行为(进食、饮水、站立、伏卧、侧躺和坐立)的方法,该方法首先根据特征分析先识别母猪的进食和饮水行为,然后利用支持向量机识别其余行为。本研究利用红外热像仪对分娩圈内的母猪进行24小时监控,将采集到的图像数据用本文的算法识别,并将算法分类识别与人工识别进行对比,该算法分类识别准确度为:进食96.3%,饮水92.7%,站立92.8%,伏卧82.4%,侧躺97.0%,坐立91.1%。结果表明,本文提出的自动识别猪只行为的方法准确度较高。