李亞碩 毛文華 胡小安 張小超

（中國農(nóng)業(yè)機械化科學(xué)研究院，北京，100083）

基于機器視覺識別雞冠顏色的病雞檢測方法

李亞碩 毛文華 胡小安 張小超

（中國農(nóng)業(yè)機械化科學(xué)研究院，北京，100083）

病雞最明顯的體征之一是雞冠顏色異常，健康雞的雞冠顏色鮮紅，而病雞的雞冠發(fā)白、發(fā)紺或發(fā)黃，利用機器視覺檢測雞冠顏色是否異常成為一種病雞檢測的有效方法。本文在喂料機上搭建高清機器視覺系統(tǒng)，采用并行算法實現(xiàn)多路視頻快速采集，基于L*a*b*空間a*分量的雞冠區(qū)域提取算法，數(shù)理統(tǒng)計分析健康雞與病雞的雞冠顏色特征差異；當(dāng)雞冠顏色不在健康雞冠顏色閾值內(nèi)，系統(tǒng)判定該雞為病雞，立即啟動報警裝置，定位出病雞的具體位置。以白色蛋雞進(jìn)行試驗，雞冠的正確提取率為98%，病雞的正確識別率為96%，誤識別率為2%。

機器視覺，病雞，雞冠，并行算法，自動檢測

0 引言

隨著養(yǎng)殖規(guī)模的擴(kuò)大和養(yǎng)殖密度的增加，自動化的疫情監(jiān)測和控制亟待實現(xiàn)。我國現(xiàn)有的病雞檢測仍以人工為主，人工肉眼逐個查看雞冠、翅膀、羽毛、行為體征狀態(tài)來判斷養(yǎng)殖雞是否健康[1-5]。人工檢測是一項瑣碎而細(xì)致的工作，工人必須近距離對每個雞籠進(jìn)行仔細(xì)檢查，而雞場內(nèi)有害氣體的濃度較高、粉塵較多，長時間停留環(huán)境惡劣的雞舍中對工人的身體健康將會產(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費力，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，建立一個病雞自動識別系統(tǒng)具有重要的實際應(yīng)用價值。

當(dāng)雞患病時,雞冠會呈現(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別雞病。因此，可以利用雞冠的變化信息對病雞進(jìn)行識別。本文提出了一種基于雞冠顏色和SVM的病雞自動辨識方法,先根據(jù)L*a*b*空間a*分量提取雞冠區(qū)域[6-7]，再利用SVM對雞冠像素點的RGB顏色信息進(jìn)行統(tǒng)計分析[8-9]，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報警裝置，同時定位出病雞的具體位置。利用電子眼自動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。

1 病雞自動檢測方法

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，病雞自動檢測工作流程如圖1所示。首先選取部分正常雞和病雞訓(xùn)練分類器模型，提取雞冠信息并對數(shù)據(jù)進(jìn)行訓(xùn)練分析，找到區(qū)分性最強的閾值。當(dāng)有新的雞需要檢測時，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警報系統(tǒng)。

圖1 病雞檢測流程圖

1.1 雞冠信息采集

真實雞舍中病雞數(shù)量比較少，為了訓(xùn)練數(shù)據(jù)接近真實情況，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，對其雞冠進(jìn)行拍照。拍照環(huán)境也應(yīng)盡量模擬真實雞舍環(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有效的信息，將攝像頭固定在喂料車上，在雞進(jìn)食的時候進(jìn)行錄像。因為當(dāng)喂料車行進(jìn)時，雞都會探頭進(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，保證每個雞籠都能有一副圖片相對應(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個雞籠，喂料車移動速度是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 雞冠信息提取與處理

按林開顏[7]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，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[10]。顏色空間RGB到顏色空間XYZ的轉(zhuǎn)化計算公式為：

從XYZ顏色空間到L*a*b*顏色空間的轉(zhuǎn)換公式為：

由于養(yǎng)雞場光線較暗，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，遮擋和陰影都會有影響，因此對于灰度化圖像，利用Otsu法進(jìn)行分割[11-12]。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)域識別錯誤。

圖2 雞的原始圖像與雞冠二值化圖像

雞冠分割效果如圖2所示。閾值分割后的二值圖像會存在一些噪聲，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)域中也會存在一些不規(guī)則的黑色孔洞。針對這一問題，本文采用形態(tài)學(xué)特征運算對其進(jìn)行去噪，運用膨脹、腐蝕[13-15]方法對圖像進(jìn)行后期處理，減少噪聲干擾。

分割處理完成后，統(tǒng)計各連通區(qū)域，每個連通區(qū)域即為一個雞冠位置。人工對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 雞原始圖像與雞冠像素點RGB分布圖

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，每個點代表雞冠位置像素點的RGB值。其中紅色+號代表左側(cè)雞冠像素點RGB值，藍(lán)色*號代表右側(cè)雞冠像素點RGB值。根據(jù)分類結(jié)果計算出閾值，作為病雞判斷標(biāo)準(zhǔn)。從圖3 可以看出，雖然兩類點有區(qū)分性，但是正常雞冠和生病雞冠的像素信息會有部分交叉，有時候重疊區(qū)域不小，這是因為雞舍光線較差，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，使得檢測誤差較大。

統(tǒng)計每個雞冠區(qū)域內(nèi)像素的RGB值作為三維特征，和樣本標(biāo)號一起用SVM線性分類器訓(xùn)練分類器模型。對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 病雞檢測

利用SVM分類器建立模型，每個像素點特征為一個輸入數(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，正常雞冠像素點類型為1，病雞雞冠像素點類型為-1。試驗中閾值設(shè)定為0.37是分類效果最好的，但考慮到實際情況對病雞控制要求嚴(yán)格，應(yīng)盡量避免漏檢，當(dāng)閾值是0.23時，訓(xùn)練樣本漏檢率為0，因此選0.23為判斷閾值。

在檢測時，根據(jù)得到的分類器模型，對每個雞冠的像素點進(jìn)行計算。當(dāng)雞冠像素點計算得分多數(shù)在閾值之上，就認(rèn)為這只雞是正常的，檢測下一只雞，一個雞冠超過一半的像素點計算得分在閾值之下，就認(rèn)為可能生病，定位此雞所在位置并報警，讓工作人員去指定位置核查。

2 實驗

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)實養(yǎng)雞環(huán)境中，對病雞控制的很嚴(yán)格，基本不允許病雞的存在，因此想在真實環(huán)境中找到病雞做實驗有一定的難度。根據(jù)病雞特征，事先人工對部分雞冠染色，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)雞場一個雞舍的所有雞進(jìn)行測試。測試方法也是人工對部分雞冠染色，使其與病雞雞冠顏色接近來模擬病雞。雞的總數(shù)為3725，模擬病雞個數(shù)為30。按同樣的雞冠信息提取方法，用SVM分類器模型對雞冠像素點信息分類，根據(jù)閾值判斷是否生病。實驗結(jié)果如表1所示。

表1 病雞檢測識別結(jié)果

雖然雞在進(jìn)食時會探頭，容易捕獲雞冠，但此時也比較活躍，遮擋情況不可避免，經(jīng)計算，雞冠正確識別率為98.1%，病雞識別正確率為96.7%，誤識別率為1.6%。所以本文方法保守的雞冠正確提取率為98%，病雞的正確識別率為96%，誤識別率為2%。

3 結(jié)論

雞生病時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檢測方法，由于雞舍光線較暗，需要對圖像進(jìn)行特殊處理，Otsu分割方法比較適合這種光線不一的情況。分割之后對圖像再進(jìn)行膨脹腐蝕處理，減少噪聲干擾。對得到的圖像信息采用SVM訓(xùn)練分類器訓(xùn)練分類，分類速度快，準(zhǔn)確率高。根據(jù)分類器閾值篩選疑似病雞，定位其位置并啟動警報，再進(jìn)行人工檢測。實驗結(jié)果表明，本文方法檢測準(zhǔn)確率高，有效地節(jié)省了人工成本。

[1] Leroy T，Vranken E，Van Brecht A，et al．A computer vision method for on—line behavioral quantification of individually caged poultry[J]．Transactions of the American Society of Agricultural and Biological Engineers，2006,49(3)：795-802．

[2] Aydin A，Cangar O，Eren O S，et al．Application of a fully automatic analysis tool to assess the activity of broiler chickens with different gait scores[J]．Computers and Electronics in Agriculture，2010，73(2)：194-199．

[3] Ramazani R B，Krishnan H R，Bergeson S E，et al．Computer automated movement detection for the analysis of behavior[J]．Journal of Neuroscience Methods，2007，162(1/2)：171-179．

[4] Dawkins M S，Lee Hyoung-joo，Waitt C D，et al．Optical flow paterns in broiler chicken flocks as automated measures of behaviour and gait[J]．Applied Animal Behaviour Science，2009，119(3/4)：203-209．

[5] Leroy T，Vranken E，Struelens E，et al．Computer vision based recognition of behavior phenotypes of laying hens[C] The 2005 ASAE Annual International Meeting．Tampa，F(xiàn)lorida，2005.

[6] 余衛(wèi)宇,曹燕,余英林．基于語義的圖像物體提取的新方法[J]．微計算機信息，2007，23(21)：211-213.

[7] 林開顏,吳軍輝,徐立鴻．彩色圖像分割方法綜述[J]．中國圖象圖形學(xué)報，2005，10(1)：1-10．

[8] Han P Hui，Mao Binghuan，Lv Hairong，et al．One—Sided Fuzzy SVM Based on Sphere for Imbalanced Data Sets Learning[C] In proceedings of the Fourth International Conference on Fuzzy Systems and Knowledge Discovery，Washington. IEEE Computer Society．2007：166-170.

[9] Melgani F, Bruzzone L. Classification of hyperspectral remote sensing images with support vector machine.IEEE Trans. Geosci. Remote Sens,2004,42(8) :1778 -1790.

[10]謝志勇，張鐵中. 基于RGB彩色模型的草莓圖像色調(diào)分割算法[J].中國農(nóng)業(yè)大學(xué)學(xué)報,2006,1.

[11] Otsu N.A threshold selection method from gray level histograms[J]. IEEE Transon System，Man and Cybernetics SMC，1979，9(1)：62-66.

[12]范九倫，趙鳳.灰度圖像的二維 Otsu 曲線閾值分割法.電子學(xué)報，2007.

[13]陸宗騏，朱煜. 用帶形狀校正的腐蝕膨脹實現(xiàn)Euclidean距離變換[J]. 中國圖象圖形學(xué)報,2010,15(2).

[14] Conzalez R C，Woods R E．Digital Image Processing[M]．2ndEd．Beijing：Publishing House of Electronics Industry，2002: 519-549.

[15]陸宗騏，朱煜．?dāng)?shù)學(xué)形態(tài)學(xué)腐蝕膨脹運算的快速算法[C] .第十三屆全國圖象圖形學(xué)學(xué)術(shù)會議論文集．北京：清華大學(xué)出版社，2006：306-311．

本項目由國家高技術(shù)研究發(fā)展計劃（863計劃）資助，項目編號2012AA041507。