楊秋妹 肖德琴 張根興

(華南農(nóng)業(yè)大學數(shù)學與信息學院， 廣州 510642)

0 引言

正常情況下，豬的飲水行為呈穩(wěn)定持續(xù)的模式，當疾病出現(xiàn)、喂食質(zhì)量或環(huán)境發(fā)生變化時則會導致其飲水行為改變。人工對豬的飲水行為進行監(jiān)控需要投入大量的人力并且難以實現(xiàn)長期持續(xù)的觀察。因此，需要自動化實時地監(jiān)控豬只的飲水行為，提取其飲水行為節(jié)律，這對豬只的健康異常預警，改善其生長福利有很重要的作用[1-3]。

目前，自動監(jiān)控豬飲水行為已有相關的研究成果，主要采用兩種方式：無線射頻技術RFID和機器視覺技術。采用RFID技術識別豬只飲水主要是通過給豬只佩戴電子耳標，另外在飲水器旁邊安裝RFID接收器，當豬只靠近飲水器時接收器則讀取相應的信息，從而記錄飲水行為的發(fā)生，有學者對高頻RFID的有效使用范圍作了相應的研究，開展了基于RFID的豬只個體飲水行為和豬場產(chǎn)量與健康問題的相關分析[4-7]；陸明洲等[8]則用此方法來檢測母豬個體的飲水頻率。但是，基于RFID的監(jiān)控方式需要給豬只打入耳標，為入侵式的實驗方式，并且耳標容易丟失，給管理帶來不便。機器視覺作為一種無入侵的方式可以實時地監(jiān)控動物的日常行為，由于其價格低廉、容易安裝，已經(jīng)在豬場生產(chǎn)管理中得到廣泛的應用，很多豬場都已經(jīng)獲得了大量的監(jiān)控錄像數(shù)據(jù)，但是利用動物視頻監(jiān)控數(shù)據(jù)進行信息提取，獲得對生產(chǎn)管理有用信息的研究還不多，在豬只上的應用主要有關于移動、爬跨、攻擊及飲食等行為的探討[9-11]。在飲水識別上，KASHIHA等[12-13]提出二值化圖像后，借助豬只輪廓關鍵點與質(zhì)心的距離來識別豬只頭部，從而確定飲水行為的發(fā)生，得到飲水次數(shù)與持續(xù)時間，建立豬只飲水量與其飲水時間的關聯(lián)模型，但該方法對豬只頭部的識別過度依賴于圖像分割結(jié)果，如分割出來的圖像不能較好地還原豬只輪廓則無法準確識別豬只頭部。精準檢測豬只頭部與飲水器發(fā)生接觸是采用機器視覺自動識別豬只飲水行為的關鍵，本文擬在已有的飲水識別方法基礎上，加入圖像占領指數(shù)、深度學習等機器視覺算法，提出一種新的基于機器視覺的豬只飲水行為識別方法(Pig drink recognition，PDR)。

1 材料與方法

1.1 試驗數(shù)據(jù)來源

試驗數(shù)據(jù)來源于廣州力智農(nóng)業(yè)有限公司位于廣州市蘿崗區(qū)的現(xiàn)代化生豬生產(chǎn)基地。選取種豬欄作為監(jiān)控場景，監(jiān)控豬欄面積為4 m×5 m，攝像機布置于豬欄正中高約5 m的橫柱上，以俯視的角度進行拍攝，為了將整個豬欄完全覆蓋在攝像機成像范圍內(nèi)，采用鏡頭焦距為2.8 mm的?？礑S-2CD3345-I型紅外網(wǎng)絡攝像機，視頻利用?？礑S-7804N-K1/C型網(wǎng)絡硬盤錄像機存儲。

試驗期間監(jiān)控豬欄共飼養(yǎng)4頭種豬，試驗周期為2016年7月8日至2016年8月8日共32 d，每天24 h對豬欄進行監(jiān)控，但是由于晚間時段豬只多處于睡眠狀態(tài)，因此每日只選取白天豬只比較活躍時段的視頻作為研究素材，具體為每日的08:00至18:00。為了便于區(qū)分豬欄里的各頭豬，在豬只背部采用油性筆標上A、B、C、D作為豬只編號，試驗豬欄有一高一低2個直式飲水器供欄中的所有豬只飲水。豬只在欄中活動畫面如圖1所示，飲水器安裝在圖1中的黃色框內(nèi)。

圖1 豬欄監(jiān)控畫面Fig.1 Scene of piggery monitoring

1.2 豬只飲水行為識別體系結(jié)構(gòu)

本文旨在通過豬欄的監(jiān)控視頻，自動提取出豬欄中各頭豬只的飲水情況，具體的體系結(jié)構(gòu)如圖2所示。

圖2 豬只飲水行為體系識別結(jié)構(gòu)Fig.2 Framework for pig drinking behavior recognition

從圖2可以看到，豬只飲水行為自動化識別主要有3部分。第1部分為基于閾值分割的豬只檢測，本文通過大津法對圖像進行二值化，將豬只作為前景與背景區(qū)分開來，得到每頭豬只的輪廓，并用其輪廓的外接矩形將其提取出來。第2部分為基于圖像占領指數(shù)的飲水行為預判，本文將通過識別豬欄的飲水區(qū)域是否有監(jiān)控對象進入，如果有，并且監(jiān)控對象在此區(qū)域停留一定的時間長度，則認為有可能發(fā)生飲水行為，沒有則無飲水行為發(fā)生。第3部分為基于深度學習的飲水行為精準識別，為了進一步確認飲水行為是否發(fā)生，本文將提取豬只頭部、身體的圖像進行訓練，構(gòu)建豬只頭部身體區(qū)分的分類器模型，截取飲水區(qū)域的圖像判別是否有豬只頭部進入，如果是則可確認飲水行為發(fā)生。

1.3 豬只飲水行為識別算法設計原理

1.3.1基于閾值分割的豬只檢測算法

在監(jiān)控視頻中，豬只作為研究對象，在每幀圖像中，要將前景與背景區(qū)分開來，現(xiàn)有的研究主要是采用圖像分割方法來完成[14-16]。在豬場監(jiān)控場景下，攝像頭的位置固定，拍攝成像的豬場區(qū)域固定，豬只在限定的豬欄范圍內(nèi)活動，不會出現(xiàn)越出豬欄的情景，因此，豬欄以外的圖像區(qū)域不屬于有效的豬只活動區(qū)域，可以在圖像處理前，設定一個有效監(jiān)控區(qū)域?qū)⑵渑懦谕?，得到矩形框?nèi)的有效監(jiān)控區(qū)域。如圖3所示，紅色矩形框為有效豬只活動范圍。豬只飲水自動化識別的整個流程都在該有效監(jiān)控區(qū)域內(nèi)進行。

圖3 設定的豬只有效活動區(qū)域Fig.3 Setting up valid region for pigs

從圖3可以看到，豬欄地板為偏黑色的水泥地，圍欄顏色也偏黑，而豬身體為白色，與背景有明顯的顏色差異，所以本文采用基于顏色的圖像分割方法來檢測豬只。將原始的RGB圖像轉(zhuǎn)換為灰度圖像后，利用大津法確定圖像分割閾值[17-18]，將圖像中的像素點分成前景和背景。具體做法是假設任意值T為前景與背景的分割閾值，小于閾值T的像素點為背景，大于等于該閾值的則為前景，背景、前景像素點個數(shù)占圖像總像素點個數(shù)的比例分別為w0、w1，背景、前景所有像素點的灰度平均值分別為u0、u1，則有

u=w0u0+w1u1

(1)

g=w0(u0-u)2+w1(u1-u)2

(2)

式中u——整幀圖像的平均灰度

g——背景和前景圖像的類間方差

計算T取不同值時g的值，直到g取得最大值，此時T為最終分割閾值。

灰度圖像經(jīng)過閾值分割得到二值圖像后，該二值圖像因為光線等原因存在一些噪聲，采用Canny邊緣檢測獲取豬只輪廓，對其利用形態(tài)學腐蝕、膨脹等方法進行噪聲去除，并根據(jù)實際的豬只大小情況將一些較小的不可能為豬的連通區(qū)域去除，最終得到只含豬只輪廓的二值圖像。經(jīng)過處理得到豬只輪廓二值圖像后，對于圖中每頭豬的輪廓用其最小外接矩形將其框出，得到每頭豬的感興趣區(qū)域，第i頭豬的感興趣區(qū)域記為PROI(i)。每頭豬保存其質(zhì)心、角度等信息作為飲水行為的判斷依據(jù)，第i頭豬的質(zhì)心記為P(i)，第i頭豬的角度記為θ(i)。針對豬只監(jiān)控視頻數(shù)據(jù)，本文以8 f/s的采樣方式抽取視頻幀，定義豬只檢測算法A，每一幀圖像I采用該算法進行豬只檢測，(x,y)為圖像中像素點坐標，A算法過程如下：

while (x,y) inI

if (x,y)沒有超出有效監(jiān)控區(qū)域保留像素點(x,y)；

else舍棄像素點(x,y)；

rgb2gray(I)轉(zhuǎn)為灰度圖像；

im2bw(I, graythresh(I))轉(zhuǎn)為灰度圖像；

imerode(I,se)腐蝕膨脹解決粘連;

imdilate(I,se)膨脹填充孔洞;

bwareaopen(I,P,conn)刪除小面積連通區(qū)域;

for each連通區(qū)域生成其外接矩形和橢圓擬合；

output：每塊連通區(qū)域為一頭豬，第i頭豬輸出其感興趣區(qū)域PROI(i)，質(zhì)心P(i)，角度θ(i)。

1.3.2基于圖像占領指數(shù)的飲水行為預判

在實際的豬欄中，豬只通過飲水器飲水，每次飲水必須進入飲水器的鄰近區(qū)域，并且通過觀察發(fā)現(xiàn)豬只飲水時處于接近靜止狀態(tài)，本文通過監(jiān)控豬只飲水區(qū)域，當豬只處于靜止狀態(tài)并且此飲水區(qū)域有足夠多的面積被豬只身體占領時則有可能發(fā)生飲水行為。

豬只是否靜止可以通過豬的質(zhì)心及角度的變化來判斷，當相鄰兩幀中同一頭豬的質(zhì)心變化不超過給定范圍，并且其角度變化不超出給定值，則認為其處于靜止狀態(tài)，超出此范圍則認為是處于運動狀態(tài)。

記第i頭豬在第t幀的質(zhì)心為P(i,t)，靜止時豬的質(zhì)心變化滿足

P(i,t+1)-P(i,t)<α

(3)

式中α——質(zhì)心變化閾值

記第i頭豬在第t幀的角度為θ(i,t)，靜止時豬的角度變化滿足

θ(i,t+1)-θ(i,t)<β

(4)

式中β——角度變化閾值

當豬處于靜止狀態(tài)時，則判斷其是否處于飲水區(qū)域。圖像占領指數(shù)可用于識別在某個區(qū)域范圍有無出現(xiàn)特定的監(jiān)控對象[19]，本文引入飲水區(qū)域的圖像占領指數(shù)這一概念來判斷豬只是否發(fā)生了飲水行為。

在任意時刻，飲水區(qū)域的占領指數(shù)通過二值圖像來描述，一幀圖像中飲水區(qū)域記為W，(x,y)表示W(wǎng)中的像素點坐標，像素點取值記為BI(x,y)，BI(x,y)=0表示此像素點未被豬只覆蓋，BI(x,y)=1表示此像素點已被豬只覆蓋。其中，w表示區(qū)域W的像素點總數(shù)，飲水區(qū)域W被豬只占領的指數(shù)定義為

(5)

經(jīng)過豬只檢測算法A處理后得到的二值圖像如圖4所示。豬只作為前景對象每個像素點的值記為1，背景對象每個像素點值記為零，圖4a中黃色矩形無豬只進入，該區(qū)域中所有像素點取值均為零，此時飲水區(qū)域的占領指數(shù)為零；圖4b中有豬只進入黃色矩形區(qū)域，此時該區(qū)域占領指數(shù)值為豬只進入飲水區(qū)域的像素點數(shù)與飲水區(qū)域總像素點數(shù)的比值。

圖4 豬只占領區(qū)域示意圖Fig.4 Schematics of pig occupation area

定義豬只飲水預判定算法B,對于上一步得到的二值化圖像做出是否可能發(fā)生豬只飲水行為的判別，B算法步驟如下：

(1)計算相鄰兩幀圖像中每頭豬的質(zhì)心和角度變化。

(2)如果變化小于給定閾值，則對于豬斑點區(qū)域的每個點判斷其是否位于飲水區(qū)域，累計飲水區(qū)域內(nèi)的像素點數(shù)。

(3)判斷飲水區(qū)域內(nèi)的像素點數(shù)是否大于給定閾值，若大于給定閾值則可初步判定飲水行為發(fā)生。

1.3.3基于深度學習的飲水行為精準識別

僅是通過飲水區(qū)域是否有豬只存在來判斷飲水行為是否發(fā)生并不夠準確，實際的豬場中，經(jīng)常會設置一高一低2個飲水器，高位飲水器需要豬只抬起頭才夠得著，低位飲水器則需要低頭飲水。低位飲水器往往會出現(xiàn)由于豬只身體占領了飲水區(qū)域，但實際并沒有飲水行為發(fā)生的情況，如圖5所示，豬只尾部占領了圖像中低飲水器的位置，但是實際沒有發(fā)生飲水行為。

圖5 豬只進入飲水區(qū)域但無飲水圖Fig.5 Picture of pig in drinking zone but no drinking

為了避免將此種情況誤判為飲水行為的發(fā)生，本文加入了豬只頭部、背部、尾部的識別判斷。當出現(xiàn)飲水區(qū)域被占領的情況后，則在飲水器周圍截取部分圖像，截取出來的圖像有可能是頭部，也有可能是尾部或地板，或者不屬于上面的幾種情況(如豬身中部等)。因此，本文采用物體分類的方法來區(qū)分這幾個類別。在物體分類上，深度學習模型GoogLenet在2014年刷新了圖像分類的性能記錄[20]，本文引入該方法構(gòu)建豬只頭部識別模型C。

GoogLenet增加了網(wǎng)絡的寬度和深度，共22層，利用如圖6所示的Inception結(jié)構(gòu)，實現(xiàn)有效降維。

圖6 Inception模型Fig.6 Inception model

為了解決訓練樣本不足的問題，本文采用遷移學習的思想，利用預訓練好的模型，結(jié)合有標簽數(shù)據(jù)進行fine-tuning，得到豬只頭部識別模型。豬只頭部識別模型C的訓練步驟如下：

(2)計算數(shù)據(jù)集的圖像均值。

(3)選定預訓練好的模型，修改分類層的參數(shù)。

(4)調(diào)整訓練過程的配置參數(shù)。

(5)啟動訓練，對預訓練模型進行參數(shù)微調(diào)。

訓練結(jié)束后得到的豬只頭部識別模型C具有識別輸入圖像是否為豬只頭部、豬只尾部以及地板的功能。采用1.3.2節(jié)的方法初步檢測到豬只飲水行為的發(fā)生后，在飲水器周圍截取部分圖像，用上述訓練得到的模型C判斷該圖像是否為豬只頭部，如果是則可記錄為飲水行為的發(fā)生，并且計算其飲水時長。

當豬只的飲水行為得到確認后，從精準養(yǎng)殖的角度出發(fā)，需更進一步確認發(fā)生飲水行為的豬只身份，本文再次利用深度學習模型GoogLenet，構(gòu)建豬只個體身份分類器，當豬只飲水行為發(fā)生后，能準確識別出飲水個體。采集每頭豬的個體圖像作為訓練樣本，由于豬背已經(jīng)人為標記藍色的A、B、C、D作為區(qū)分，以此人工添加標簽，再次利用預訓練好的GoogLenet進行fine-tuning得到豬只個體身份分類器，訓練過程與豬只頭部識別模型C相同。

2 試驗與結(jié)果分析

2.1 豬只檢測算法試驗

利用本文提出的豬只檢測算法A對豬只圖像進行處理，得到圖7所示的識別結(jié)果。

圖7 檢測算法A識別結(jié)果Fig.7 Recognition result of A

對于每一幀圖像，從原始圖像截取邊界后得到有效監(jiān)控區(qū)域，在此基礎上對圖像采用大津法閾值分割后得到二值圖像，接著采用形態(tài)學去噪進行膨脹腐蝕，之后刪除小面積連通區(qū)域，最終每塊有效的連通區(qū)域則分別代表一頭豬，每頭豬用其外接矩形框圈出。

在我國現(xiàn)行的司法體制中，憲法、民法、刑法、相關司法解釋和法規(guī)條例都對公民隱私權有一定的規(guī)定，但仍不完善[4]。

為了驗證豬只檢測算法A的有效性，在豬場監(jiān)控視頻中采樣100幀監(jiān)控圖像，每幀圖像有4頭豬，共400頭豬，考慮到該算法運行結(jié)果可能會受光照、豬只粘連等情況影響，在采樣時特別考慮了不同時間段光照不一樣的圖像，也對豬只出現(xiàn)粘連的情況進行了采樣。采用A算法進行豬只檢測，在這100幀圖像中共檢測出370頭豬，其中完全正確檢測的豬只有356頭，將粘連在一起的2頭豬檢測為1頭的有11次共涉及22頭豬，錯誤將光斑檢測為豬只的有3次，有22頭豬漏檢。

定義豬只檢測正確率為：算法正確識別出的豬只數(shù)目與所有被算法認為是豬只的連通區(qū)域數(shù)目之比。豬只檢測召回率為：算法正確識別出的豬只數(shù)目與圖像中實際存在的豬只數(shù)目之比，由此計算得到豬只檢測正確率為96.22%，召回率為89%。召回率偏低的原因是將粘連豬只作為一頭豬只識別，此種情況不屬于正確識別出豬只，但并不影響本文的飲水行為識別。

2.2 豬只頭部識別算法試驗

在本次豬只頭部識別試驗中，采用caffe深度學習平臺，GPU模式(Nvidia GTX 1060)，在預訓練好的BVLC GoogLeNet模型上進行fine-tuning。

用于豬只頭部識別模型C訓練的圖像總數(shù)為1 204幅，用于測試的圖像總數(shù)為1 396幅，其中地板的訓練圖像為200幅，測試圖像為401幅，地板樣例圖像如圖8所示。

圖8 地板樣例圖像Fig.8 Sample pictures of floor

豬只頭部的訓練圖像為475幅，測試圖像為422幅，樣例圖像如圖9所示。

圖9 豬只頭部樣例圖像Fig.9 Sample pictures of pig head

豬只尾部的訓練圖像為529幅，測試圖像為573幅，樣例圖像如圖10所示。

圖10 豬只尾部樣例圖像Fig.10 Sample pictures of pig tail

訓練前，利用caffe中的convert_imageset將圖像轉(zhuǎn)換為特定的數(shù)據(jù)庫，使用compute_image_mean生成圖像數(shù)據(jù)的均值文件，數(shù)據(jù)庫文件和均值文件是caffe進行訓練的必要文件，本次訓練有3個類別，分別為地板、頭部、尾部。在train_val.prototxt、solver.prototxt以及deploy.prototxt中設置相關的訓練參數(shù)，具體設置如表1所示。

表1 訓練參數(shù)設置Tab.1 Parameter setting for training procedure

訓練的迭代次數(shù)為10 000次，此時訓練結(jié)果已收斂，正確率為97.64%。在錯誤識別的圖像中，有一部分是由于圖像光線不足而導致識別出錯，有一部分是由于外界干擾(如澆水沖洗豬舍)及豬只運動導致的圖像模糊。由此可見，本次試驗的結(jié)果可用于實際的豬只頭部判別。

2.3 豬只個體分類器試驗

豬只個體分類器訓練參數(shù)test_iter設為12，訓練有4個類別，分別為A、B、C、D，其他的參數(shù)與豬只頭部識別試驗相同。從監(jiān)控視頻中，采樣A、B、C、D 4頭豬的圖像用于訓練學習，為了減少由于截取范圍過大而造成的識別誤差，利用本文提出的豬只檢測算法A定位得到每頭豬只的外接矩形，在原圖中將該區(qū)域圖像截取出來作為訓練樣本，用于訓練的圖像共949幅，其中豬A 227幅，豬B 217幅，豬C 270幅，豬D 235幅；另外每頭豬分別利用100幅圖像進行測試，構(gòu)建了一個大小為400幅圖像的測試樣本集。A、B、C、D 4頭豬的樣例圖像如圖11所示。

圖11 豬只個體訓練樣本示例圖Fig.11 Sample pictures of individual pig

訓練迭代次數(shù)為10 000次，此時訓練結(jié)果已收斂，正確率為95%。在測試中發(fā)現(xiàn)，得到的分類器對處于側(cè)臥狀態(tài)看不到背部標記的豬只無法正確識

別其身份，但由于豬只飲水時多為站立且背部朝上字母沒遮擋，所以該分類器可以用于飲水豬只的身份識別。

由于豬背上所打標記會隨著時間褪色，也會因為豬只長大會出現(xiàn)變形，在試驗期間，當所打標簽顯示模糊時，則在原來的痕跡上重新上色。用原模型對32 d后采集的數(shù)據(jù)進行測試，共測試146幅圖像，正確識別135幅，錯誤11幅，識別正確率為92.47%，仍保持較高的識別正確率。

2.4 豬只個體飲水行為識別試驗

為了驗證本文提出的基于機器視覺的豬只飲水行為識別算法的可行性，本文構(gòu)建了一個豬只飲水視頻數(shù)據(jù)集。在32 d試驗周期內(nèi)，抽取30個長度不等的視頻序列，選取的視頻序列中包含僅高位飲水器有豬只飲水、僅低位飲水器有豬只飲水、高低位飲水器均有豬只飲水、無豬只飲水4種情況。

由于豬只飲水為時間持續(xù)行為，有一定的時長規(guī)律，本文加入了額外的判斷條件，對于在飲水區(qū)域逗留時間小于2 s或者大于3 min的都認為不屬于飲水行為，小于2 s的有可能是豬只從飲水器經(jīng)過，大于3 min的很有可能是豬躺臥在飲水器旁邊休息，低的飲水器往往會出現(xiàn)此種情形。

在抽取的30個視頻中，人工觀看視頻并記錄飲水行為的發(fā)生次數(shù)及時長，與本文算法檢測結(jié)果做對照。試驗結(jié)果如表2所示。

表2 豬只飲水次數(shù)試驗結(jié)果Tab.2 Result of experiment for pig’s drinking frequency

據(jù)統(tǒng)計，人工觀察視頻記錄得到的實際飲水次數(shù)為41次，而采用本文算法共檢測出38次飲水，通過人工驗證，正確識別飲水的次數(shù)為35次，將非飲水行為識別為飲水行為的次數(shù)為3次，實際發(fā)生了飲水卻沒檢測到的次數(shù)為6次。出現(xiàn)誤判的情況主要是由于豬只有時會在飲水區(qū)域玩耍，頭部靠近了飲水器，但是卻沒有實際飲水；漏判的出現(xiàn)則主要因為光線問題導致豬只輪廓獲取不完整，沒有識別出豬只到達飲水區(qū)域。

定義豬只飲水識別正確率為本文算法正確識別出的豬只飲水次數(shù)與所有被算法認為是飲水的視頻片段數(shù)目之比，飲水識別召回率為算法正確識別出的豬只飲水次數(shù)與視頻中實際出現(xiàn)的豬只飲水次數(shù)之比，由此計算得到豬只飲水識別正確率為92.11%，召回率為85.37%。從試驗結(jié)果可以看到，本文提出的算法能識別大部分的豬只飲水行為。

在正確識別的35次飲水中，利用本文提出的豬只身份分類器統(tǒng)計可得各頭豬只的飲水情況，其中豬A實際飲水9次，正確識別6次，豬B實際飲水9次，正確識別9次，豬C實際飲水13次，正確識別11次，豬D實際飲水4次，正確識別3次，正確識別飲水的豬只共29次，能較好地在飲水行為中確定豬只身份。

3 結(jié)束語

提出了基于圖像處理技術的豬只飲水行為識別算法，該算法可以應用在背景相對固定的圈養(yǎng)豬欄中。本文算法采用圖像分割的方式實現(xiàn)了豬只檢測，該方法對背景相對固定的養(yǎng)豬場有很高的正確率，能有效幫助在自動化豬只視頻監(jiān)控過程中對豬只進行檢測，本文提出的算法A正確率達96.22%。通過計算圖像占領指數(shù)來確定豬只是否位于飲水區(qū)域，該方法可以用于識別豬只的其他與區(qū)域相關的行為，如飲水、排泄等。結(jié)合深度學習模型GoogLenet來確認是否為豬只頭部接觸飲水器，該方法可以精準識別豬身體的各個部位，為其他與豬身體部位相關的行為判斷提供輔助。在本文構(gòu)建的視頻數(shù)據(jù)集上測試得到文中提出的豬只飲水行為識別算法PDR的正確率為92.11%，并能識別出飲水的豬只個體身份，因此PDR方法能準確識別豬只飲水行為，且整個算法實現(xiàn)過程只依賴于豬場監(jiān)控視頻，對豬舍改造投入少，對豬身無損傷，不影響豬只的正常生活秩序，更容易被養(yǎng)殖場所接受，可方便在我國傳統(tǒng)養(yǎng)豬場中進行部署實施，從大量的監(jiān)控視頻數(shù)據(jù)中獲取有用信息輔助養(yǎng)豬管理決策。

1 KRISTENSEN A R, DAN B J. The intelligent pig barn[C]∥International Conference on Pig Welfare: Improving Pig Welfare-What are the Ways Forward, 2015: 34-37.

2 SCALERA A, BRIZZI P, TOMASI R, et al. The PigWise project: a novel approach in livestock farming through synergistic performances monitoring at individual level[C]∥Proceedings of the EFITA 2013 Conference, 2013: 1-8.

3 沈明霞, 劉龍申,閆麗,等. 畜禽養(yǎng)殖個體信息監(jiān)測技術研究進展[J/OL]. 農(nóng)業(yè)機械學報, 2014, 45(10):245-251. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20141038&journal_id=jcsam.DOI:10.6041/j.issn.1000-1298.2014.10.038.

SHEN Mingxia,LIU Longshen,YAN Li, et al.Review of monitoring technology for animal individual in animal husbandry[J/OL].Transactions of the Chinese Society for Agricultural Machinery,2014,45(10):245-251.(in Chinese)

4 MASELYNE J, SAEYS W, NUFFEL A V, et al. A health monitoring system for growing-finishing pigs based on the individual feeding pattern using radio frequency identification and synergistic control[C]∥Proceedings of the 6th European Conference on Precision Livestock Farming, 2013: 825-833.

5 MASELYNE J, SAEYS W, KETELAERE B D, et al. Validation of a high frequency radio frequency identification (HF RFID) system for registering feeding patterns of growing-finishing pigs[J]. Computers and Electronics in Agriculture, 2014, 102(1): 10-18.

6 MASELYNE J, NUFFEL A V, KETELAERE B D, et al. Range measurements of a high frequency radio frequency identification (HF RFID) system for registering feeding patterns of growing-finishing pigs[J]. Computers and Electronics in Agriculture, 2014, 108(10): 209-220.

7 MASELYNE J, ADRIAENS I, HUYBRECHTS T, et al. Measuring the drinking behaviour of individual pigs housed in group using radio frequency identification (RFID)[J]. Animal, 2016, 10(9):1557-1566.

8 陸明洲, 沈明霞, 丁永前, 等. 群養(yǎng)母豬飲水行為自動監(jiān)測系統(tǒng)設計[J]. 南京農(nóng)業(yè)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)

9 KASHIHA M A, BAHR C, OTT S, et al. Automatic monitoring of pig locomotion using image analysis[J]. Livestock Science, 2014, 159(1):141-148.

10 NASIRAHMADI A, HENSEL O, EDWARDS S A, et al. Automatic detection of mounting behaviours among pigs using image analysis[J]. Computers and Electronics in Agriculture, 2016, 124:295-302.

11 VIAZZI S, ISMAYILOVA G, OCZAK M, et al. Image feature extraction for classification of aggressive interactions among pigs[J]. Computers and Electronics in Agriculture, 2014, 104(2):57-62.

12 KASHIHA M, BAHR C, OTT S, et al. Automatic identification of marked pigs in a pen using image pattern recognition[J]. Computers and Electronics in Agriculture, 2013, 93(2): 111-120.

13 KASHIHA M, BAHR C, HAREDASHT S A, et al. The automatic monitoring of pigs water use by cameras[J]. Computers and Electronics in Agriculture, 2013, 90(1): 164-169.

14 馮愛晶, 肖德琴. 自然條件下豬只運動參量提取算法[J]. 計算機應用, 2016, 36(10):2900-2906.

FENG Aijing, XIAO Deqin. Motion parameter extraction algorithm for pigs under natural conditions[J]. Journal of Computer Applications, 2016, 36(10):2900-2906. (in Chinese)

15 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(nóng)業(yè)機械學報, 2016, 47(10):351-357.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20161045&journal_id=jcsam. 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. (in Chinese)

16 GUO Y, ZHU W, JIAO P, et al. Multi-object extraction from topview group-housed pig images based on adaptive partitioning and multilevel thresholding segmentation[J]. Biosystems Engineering, 2015, 135(7): 54-60.

17 卜文斌, 游福成, 李泉,等. 一種基于大津法改進的圖像分割方法[J]. 北京印刷學院學報, 2015,23(4):76-78.

BU Wenbin, YOU Fucheng, LI Quan, et al. An improved image segmentation method based on Otsu[J]. Journal of Beijing Institute of Graphic Communication, 2015,23(4):76-78. (in Chinese)

18 OTSU N. A threshold selection method from gray-level histograms[J]. IEEE Transactions on Systems Man & Cybernetics, 1979, 9(1):62-66.

19 COSTA A, ISMAYILOVA G, BORGONOVO F, et al. The use of image analysis as a new approach to assess behaviour classification in a pig barn[J]. Acta Veterinaria Brno, 2013, 82(1):25-30.

20 SZEGEDY C, LIU W, JIA Y, et al. Going deeper with convolutions[C]∥2015 IEEE Conference on Computer Vision and Pattern Recognition, 2015:1-9.