張寶全，陸輝山，王福杰，李明明，王馨宇

(1. 中北大學(xué)機(jī)械工程學(xué)院，太原市，030051； 2. 中北大學(xué)儀器與電子學(xué)院，太原市，030051)

0 引言

隨著現(xiàn)代化技術(shù)的不斷提高，蛋雞福利化養(yǎng)殖的呼聲日益高漲，而散養(yǎng)模式給蛋雞提供較大的活動(dòng)空間，蛋雞可以自由覓食、奔跑、展翅等，是未來(lái)福利化養(yǎng)殖的一種趨勢(shì)[1-3]。近年來(lái)，機(jī)器視覺技術(shù)在家禽智能化養(yǎng)殖中得到了廣泛應(yīng)用[4-7]，由于養(yǎng)殖環(huán)境的多樣性以及多只雞聚集粘連的情況，如何從復(fù)雜背景中將粘連個(gè)體準(zhǔn)確分割，仍然是目前個(gè)體識(shí)別與計(jì)數(shù)的難點(diǎn)。

針對(duì)粘連個(gè)體的分割方法，國(guó)內(nèi)外學(xué)者進(jìn)行了相關(guān)研究，柳冠伊等[8]對(duì)粘連二值圖使用歐氏距離變化，在距離圖的基礎(chǔ)上進(jìn)行分水嶺分割，實(shí)現(xiàn)了玉米果穗粘連籽粒的分割。張建華等[9]在分水嶺分割方法的基礎(chǔ)上，結(jié)合最小二乘圓誤差理論，根據(jù)不同極小值閾值實(shí)現(xiàn)棉花葉部粘連病斑的分水嶺分割，但對(duì)大小不一的粘連病斑會(huì)造成欠分割。韓書慶等[10]先使用決策樹模型(Decision Tree Based Segmentation Model, DTSM)分割方法得到群養(yǎng)豬的二值圖，利用標(biāo)記符控制的分水嶺算法分割粘連豬體，該方法僅限于淺色豬只的分割。Farhan等[11]針對(duì)二值圖像凸塊分割問(wèn)題，提出了利用變尺度矩形窗口求凹點(diǎn)對(duì)的一種方法，結(jié)果表明該方法具有較高的準(zhǔn)確性，對(duì)細(xì)胞團(tuán)塊的分割效果較好。Wang等[12]針對(duì)圓形顆粒粘連，提出了一種基于形態(tài)學(xué)和人眼視覺認(rèn)知機(jī)制的附著粒子分析系統(tǒng)，該系統(tǒng)對(duì)非圓形顆粒的分割有待考驗(yàn)。Ulle等[13]提出了一種基于曲率和凸殼相結(jié)合的組織病理學(xué)圖像凹點(diǎn)檢測(cè)方法，該方法可以同時(shí)識(shí)別深凹點(diǎn)和淺凹點(diǎn)，但該方法僅識(shí)別凹點(diǎn)，對(duì)凹點(diǎn)的匹配沒有繼續(xù)研究。孫衛(wèi)紅等[14]針對(duì)粘連蠶繭難以分割定位的問(wèn)題，提出了一種基于凹點(diǎn)定向腐蝕的圖像分割方法，該方法對(duì)圖像邊界的粘連蠶繭也能實(shí)現(xiàn)較好的分割。Baek等[15]利用凹點(diǎn)和邊緣信息對(duì)群養(yǎng)豬進(jìn)行分割，在真實(shí)的養(yǎng)殖環(huán)境下測(cè)試，該方法可以較好的將粘連豬只分割。Miso等[16]針對(duì)粘連豬體分割問(wèn)題，提出了基于卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)與圖像處理技術(shù)相結(jié)合的方法，該方法可以實(shí)現(xiàn)兩只粘連個(gè)體的分割，對(duì)多只豬體的粘連分割仍需要檢驗(yàn)。高云等[17]提出了基于實(shí)例分割框架的粘連豬體圖像分割算法，為粘連豬體分割提供了新的方法，但該方法未在真實(shí)養(yǎng)殖環(huán)境下測(cè)試。在家禽的圖像分割上，國(guó)內(nèi)外學(xué)者著重研究了目標(biāo)與背景的分割[18-19]，而在粘連個(gè)體的分割方面研究較少。勞鳳丹等[20]針對(duì)粘連雞只利用改進(jìn)的極限腐蝕及凹點(diǎn)搜尋處理方法進(jìn)行分割，該方法僅對(duì)兩只雞粘連進(jìn)行試驗(yàn)，未對(duì)多只雞的粘連進(jìn)行試驗(yàn)。Nakarmi等[21]使用分水嶺方法分割粘連雞只，該方法對(duì)復(fù)雜的粘連雞體分割還需進(jìn)一步試驗(yàn)。

以上方法大致可分為基于改進(jìn)的分水嶺方法、基于凹點(diǎn)分析的方法以及基于深度學(xué)習(xí)的方法，由于家禽的形態(tài)多變，很容易造成多個(gè)極小值的出現(xiàn)，所以不適合用分水嶺方法?？紤]到雞體呈橢圓形并且粘連雞體輪廓存在凹特性，所以本文提出了一種基于凹點(diǎn)分析法的粘連雞體分割新方法，該方法可為后續(xù)監(jiān)控雞群個(gè)體健康狀況提供技術(shù)支持。

1 試驗(yàn)材料與方法

1.1 試驗(yàn)材料

試驗(yàn)在山西省大同市某公司進(jìn)行，綠殼蛋雞采取散養(yǎng)模式，并且每個(gè)雞舍搭配一個(gè)舍外活動(dòng)區(qū)，供蛋雞自由活動(dòng)。試驗(yàn)個(gè)體選用20周齡的綠殼蛋雞。在閑置雞舍內(nèi)搭建8個(gè)1 m×1.3 m×1.5 m的雞籠，每個(gè)雞籠飼養(yǎng)1～5只蛋雞，通過(guò)雞籠外側(cè)固定的料槽和水槽提供雞的喂料與飲水。在每個(gè)雞籠中心距地面2 m高處安裝相機(jī)，8路相機(jī)與硬盤錄像機(jī)相連，硬盤錄像機(jī)連接一臺(tái)顯示器，可以實(shí)時(shí)觀察雞舍內(nèi)的狀況。圖像獲取系統(tǒng)如圖1所示。

(a) 試驗(yàn)現(xiàn)場(chǎng)

(b) 圖像獲取系統(tǒng)示意圖

1.2 試驗(yàn)方法

本文首先在不同顏色空間下使用OTSU算法結(jié)合形態(tài)學(xué)運(yùn)算得到粘連雞體的二值圖，然后對(duì)粘連雞體的凸缺陷進(jìn)行分析，針對(duì)不同的凸缺陷，使用不同凹點(diǎn)檢測(cè)算法得到粘連區(qū)域的凹點(diǎn)，最后對(duì)凹點(diǎn)進(jìn)行隨機(jī)匹配找到正確的匹配方式，算法流程圖如圖2所示。

圖2 分割流程圖Fig. 2 Flow chart of segmentation

2 圖像預(yù)處理

OTSU算法是依據(jù)圖像中像素值的分布自動(dòng)計(jì)算背景與前景的分割閾值的自適應(yīng)全局閾值分割方法，該方法的關(guān)鍵是如何確定出最佳的分割閾值[22-23]。

對(duì)于本文試驗(yàn)對(duì)象綠殼蛋雞來(lái)說(shuō)，蛋雞頸部與尾部的羽毛顏色通常比其他部位的羽毛顏色較深，如果在單一的顏色空間下使用OTSU算法處理，很容易造成蛋雞某些部位的缺失，所以本文通過(guò)在RGB、HSV顏色空間下分別使用OTSU算法進(jìn)行圖像分割。

如圖3所示，上面四幅圖為基于RGB顏色空間的處理，下面四幅圖為基于HSV顏色空間的處理。圖3(a) 為原圖，使用OTSU算法分割后(圖3(b))，RGB原圖中蛋雞的頭部、脖子以及雞身顏色較深的地方被當(dāng)成背景處理了。而反觀HSV原圖可以看出，蛋雞的頭部、脖子以及雞身顏色較深的地方與其他部分有明顯的對(duì)比，經(jīng)過(guò)OTSU算法分割后，正好保留了雞只顏色較深的地方。

在兩種顏色空間下分別使用OTSU算法進(jìn)行自適應(yīng)閾值分割后，還殘留漏糞網(wǎng)、飼料以及漏糞網(wǎng)支架等干擾物，使用形態(tài)學(xué)開運(yùn)算可以濾除大部分的背景，采用圓形結(jié)構(gòu)元素，大小為5像素，結(jié)果如圖3(c)所示。形態(tài)學(xué)開運(yùn)算后圖中還保留部分偽目標(biāo)，并且雞體存在細(xì)小的孔洞，使用小面積去除與孔洞填充(小面積閾值為100像素)，這樣不僅濾除了小面積偽目標(biāo)同時(shí)也消除了雞體孔洞，如圖3(d)所示。

最后利用圖像與運(yùn)算將在兩種顏色空間下得到的目標(biāo)提取圖像疊加，經(jīng)過(guò)形態(tài)學(xué)處理后即可得到完整的目標(biāo)提取圖像。對(duì)圖3(d)進(jìn)行疊加，疊加后如圖4(b) 所示，可以看出，雞體之間還存在細(xì)小的孔洞，對(duì)其進(jìn)行孔洞填充后如圖4(c)所示。對(duì)圖4(c)邊緣檢測(cè)后與原圖疊加(圖4(d))，可以看出，圖像預(yù)處理后雞只保留較完整，并且很好地去除了漏糞網(wǎng)、飼料以及料槽等干擾物。

(a) 原圖

(b) OTSU算法分割

(c) 形態(tài)學(xué)濾波

(d) 小面積去除及孔洞填充

(a) 原圖

(b) 疊加后

(c) 孔洞填充

(d) 輪廓擬合

3 粘連分割

通過(guò)分析粘連雞只二值圖，雞體呈橢圓形并且粘連雞體輪廓存在凹特性，所以本文選用凹點(diǎn)分析法分割粘連雞體，首先通過(guò)粘連判別提取粘連區(qū)域，然后通過(guò)對(duì)凸缺陷分析檢測(cè)出正確凹點(diǎn)，最后利用凹點(diǎn)隨機(jī)匹配法實(shí)現(xiàn)粘連區(qū)域的分割，具體粘連分割步驟如下。

3.1 粘連的判別

由于蛋雞形態(tài)多變，并且頭部與翅膀的變化較大，選用連通區(qū)域的輪廓復(fù)雜度形狀因子與最大面積閾值作為粘連判別的參數(shù)，形狀因子

(1)

式中:A——連通區(qū)域面積像素；

C——連通區(qū)域周長(zhǎng)像素。

SF取值范圍為[0，1]，當(dāng)連通區(qū)域形狀越接近圓形，形狀因子越趨向1，相反，連通區(qū)域形狀越復(fù)雜，形狀因子越趨向0。如圖5(b)所示，三個(gè)連通區(qū)域的形狀因子分別為0.312 98、0.613 96、0.661 77，可以看出，通過(guò)形狀因子能區(qū)分粘連與非粘連區(qū)域，通過(guò)試驗(yàn)分析，確定形狀因子閾值SF0為0.45，結(jié)合最大面積閾值A(chǔ)max作為判斷粘連依據(jù)，即某個(gè)連通區(qū)域滿足SFAmax時(shí)，該區(qū)域?yàn)檎尺B區(qū)域。將此區(qū)域面積除單只雞體的最大面積向上取整即可得到粘連雞只數(shù)量[24]

(2)

(a) 原圖

(b) 連通區(qū)域形狀因子

(c) 提取粘連區(qū)域

3.2 基于凸缺陷分析的凹點(diǎn)檢測(cè)

凸包即為粘連區(qū)域的最小凸多邊形，凸包面積與粘連區(qū)域面積的差集即為凸缺陷，經(jīng)統(tǒng)計(jì)分析，凸缺陷面積大于1 000像素時(shí)，說(shuō)明該凸缺陷內(nèi)存在凹點(diǎn)，所以選擇面積大于1 000像素的凸缺陷為待處理凸缺陷，這一步的目的是避免多余凹點(diǎn)的出現(xiàn)。對(duì)圖5(c)計(jì)算凸包、凸缺陷、待處理凸缺陷，結(jié)果如圖6所示。圖6(a)中灰色輪廓線即為粘連區(qū)域凸包，對(duì)凸包區(qū)域填充(圖6(b))，凸包面積減去粘連區(qū)域面積即為該粘連區(qū)域的凸缺陷(圖6(c))，計(jì)算每個(gè)凸缺陷的面積像素，提取面積像素大于1 000的凸缺陷作為待處理凸缺陷(圖6(d))。

(a) 粘連區(qū)域凸包

(b) 凸包填充

(c) 凸缺陷

(d) 待處理凸缺陷

3.2.1 凸缺陷分類

對(duì)每個(gè)待處理凸缺陷計(jì)算凸包，并提取凹區(qū)域(為避免混淆，使用凹區(qū)域命名)，如圖7所示，圖7(a)為一個(gè)待處理凸缺陷，圖7(b)為對(duì)該凸缺陷提取凹區(qū)域。計(jì)算凹區(qū)域的面積。通過(guò)分析100個(gè)待處理凸缺陷的凹區(qū)域，發(fā)現(xiàn)待處理凸缺陷內(nèi)凹點(diǎn)的個(gè)數(shù)與凹區(qū)域面積大于500像素的個(gè)數(shù)相關(guān)，即

(3)

其中,a=1;b=N2-1。

式中:N2——凹區(qū)域面積大于500像素的個(gè)數(shù)。

本文將待檢測(cè)凸缺陷分為兩類，一類是凹點(diǎn)個(gè)數(shù)為1的凸缺陷，一類是凹點(diǎn)個(gè)數(shù)為N2-1的凸缺陷。

(a) 待處理凸缺陷(b) 凹區(qū)域

3.2.2 凹點(diǎn)檢測(cè)

方法原理：首先提取待處理凸缺陷輪廓，以輪廓像素為中心，計(jì)算該像素周圍25像素×25像素內(nèi)像素值為1的數(shù)量，數(shù)量最多的像素點(diǎn)即為凹點(diǎn)。具體執(zhí)行如下。

Step1：對(duì)每個(gè)待處理凸缺陷提取邊緣，然后與粘連區(qū)域輪廓疊加，提取重疊部分像素坐標(biāo)，即為粘連區(qū)域待處理輪廓像素坐標(biāo)。

Step2：以待處理輪廓像素為中心，使用25像素×25像素的正方形模板移動(dòng)，每移動(dòng)一次計(jì)算正方形模板內(nèi)像素值為1的數(shù)量(這一步是在圖5(c)中處理)。

Step3：提取凹點(diǎn)。對(duì)凹點(diǎn)個(gè)數(shù)為1的粘連區(qū)域凸缺陷，每個(gè)待處理輪廓上都對(duì)應(yīng)一個(gè)數(shù)量最多的像素點(diǎn)，該點(diǎn)即為此凸缺陷內(nèi)的凹點(diǎn)，圖8為圖6(d)中四個(gè)凸缺陷待處理輪廓像素對(duì)應(yīng)模板下像素值為1的數(shù)量，圖中使用黑色小方塊標(biāo)記的點(diǎn)即為該凸缺陷內(nèi)的凹點(diǎn)。對(duì)于凹點(diǎn)個(gè)數(shù)為N2-1的粘連區(qū)域凸缺陷，執(zhí)行Step1、Step2后，統(tǒng)計(jì)出該凸缺陷輪廓像素對(duì)應(yīng)模板內(nèi)像素值為1的數(shù)量，提取前N2-1個(gè)峰值，即為該凸缺陷內(nèi)的凹點(diǎn)。對(duì)圖7(a)中的凸缺陷進(jìn)行凹點(diǎn)檢測(cè)，該凸缺陷內(nèi)N2為4，所以該凸缺陷輪廓存在3個(gè)凹點(diǎn)，如圖9所示，提取前3個(gè)峰值對(duì)應(yīng)的像素點(diǎn)即為該凸缺陷內(nèi)的凹點(diǎn)。

(a) 凸缺陷一(b) 凸缺陷二

(c) 凸缺陷三(d) 凸缺陷四

圖9 對(duì)圖7(a)中的凸缺陷提取凹點(diǎn)Fig. 9 Extract the concave point of the convex defect in Fig. 7(a)

文獻(xiàn)[14]中利用正方形模板在粘連區(qū)域輪廓的所有像素點(diǎn)上滑動(dòng)，本文先確定凹點(diǎn)存在的區(qū)域，然后只對(duì)該區(qū)域輪廓進(jìn)行計(jì)算，減少了計(jì)算量并且避免多個(gè)凹點(diǎn)的出現(xiàn)。

3.3 凹點(diǎn)匹配

對(duì)于兩只雞粘連，直接繪制經(jīng)過(guò)兩個(gè)凹點(diǎn)的直線分割粘連雞體；對(duì)于多只個(gè)體的粘連，將檢測(cè)到的凹點(diǎn)隨機(jī)連線，連接的原則是每個(gè)凹點(diǎn)只能連一次，每次連接后計(jì)算連通區(qū)域的個(gè)數(shù)和每個(gè)連通區(qū)域的面積，判斷條件如式(4)。

Nnum=N&&?Ai≤Amax

(4)

式中:Nnum——隨機(jī)連線后連通區(qū)域個(gè)數(shù)；

Ai——連線后某個(gè)連通區(qū)域面積像素；

i——隨機(jī)連線后某個(gè)連通區(qū)域的序號(hào)。

如果式(4)成立，判定凹點(diǎn)匹配正確。圖10為圖5(c)中粘連區(qū)域的三種匹配方式，該粘連區(qū)域有三只雞粘連。圖10(a)中連通區(qū)域有三個(gè)，并且每個(gè)連通區(qū)域的面積都小于最大面積，所以為正確的匹配方式；圖10(b)不滿足每個(gè)連通區(qū)域的面積都小于最大面積，匹配不正確；圖10(c)中連通區(qū)域有4個(gè)，不滿足連通區(qū)域的個(gè)數(shù)等于粘連雞只數(shù)量，匹配不正確。

(a) 凹點(diǎn)匹配一

(b) 凹點(diǎn)匹配二

(c) 凹點(diǎn)匹配三

4 試驗(yàn)結(jié)果與討論

4.1 試驗(yàn)設(shè)計(jì)

文獻(xiàn)[9]中，分別開展了不同數(shù)量粘連病斑分割試驗(yàn)、粘連病斑分割方法對(duì)比及真實(shí)環(huán)境下病斑分割試驗(yàn)共3個(gè)試驗(yàn)，本文借鑒該試驗(yàn)設(shè)計(jì)，對(duì)不同數(shù)量的粘連雞只進(jìn)行分割試驗(yàn)、與前人文獻(xiàn)中雞只粘連分割方法進(jìn)行對(duì)比、對(duì)真實(shí)養(yǎng)殖環(huán)境下粘連雞體分割試驗(yàn)。試驗(yàn)的軟件平臺(tái)為Matlab r2017b，Windows 10版本64位操作系統(tǒng)；硬件平臺(tái)為DELL品牌計(jì)算機(jī)，Intel(R) Core(TM)i5/3.2 GHz 處理器，內(nèi)存8.0 GB。

試驗(yàn)選取2～4個(gè)粘連雞只圖像200幅，其中2個(gè)粘連雞只100幅，3個(gè)粘連雞只60幅，4個(gè)粘連雞只40幅。使用本文方法與基于極限腐蝕結(jié)合凹點(diǎn)搜尋方法[21]、基于分水嶺方法進(jìn)行對(duì)比[22]，統(tǒng)計(jì)平均分割準(zhǔn)確率與平均運(yùn)行時(shí)間，用以對(duì)比分析本文方法在粘連雞只分割中的性能。

4.2 結(jié)果與分析

不同數(shù)量的粘連分割試驗(yàn)結(jié)果如圖11所示，從圖11中可以看出，基于凹點(diǎn)分析法的粘連雞體分割算法能較好的分割2～4個(gè)粘連雞只。

使用不同分割方法對(duì)提取的200幅樣本圖像進(jìn)行處理，結(jié)果如表1所示，從本文方法的分割結(jié)果可以看出，對(duì)于2只個(gè)體的粘連，100幅圖像全部正確分割，分割準(zhǔn)確率為100%；對(duì)于3只粘連雞體，60幅圖像中有6幅圖像分割錯(cuò)誤，分割準(zhǔn)確率為93.3%。其中2幅圖像存在一只蛋雞正好從另一只蛋雞身下穿過(guò)，導(dǎo)致粘連區(qū)域的面積過(guò)小，被判斷為2只個(gè)體粘連，造成欠分割，4幅圖像中蛋雞正在展開翅膀，造成分割錯(cuò)誤；對(duì)于4只個(gè)體的粘連，40幅圖像中有6幅圖像分割錯(cuò)誤，分割準(zhǔn)確率為85%。其中3幅圖像存在一只蛋雞正好從另一只蛋雞身下穿過(guò)，被判斷為3只個(gè)體粘連，導(dǎo)致欠分割，另外3幅圖像由于粘連特別緊密，存在凹點(diǎn)的凸缺陷面積過(guò)小，沒有被識(shí)別為待處理凸缺陷，造成錯(cuò)誤分割。本文方法對(duì)于不同數(shù)量粘連雞體的平均分割準(zhǔn)確率為92.8%，平均運(yùn)行時(shí)間為2.817 s?；跇O限腐蝕結(jié)合凹點(diǎn)搜尋方法的平均分割準(zhǔn)確率為63.4%，平均運(yùn)行時(shí)間為1.693 s，基于分水嶺方法的平均分割準(zhǔn)確率為71.6%，平均運(yùn)行時(shí)間為2.349 s?？梢钥闯?，本文方法在運(yùn)行時(shí)間上與其他兩種方法存在些許劣勢(shì)，但分割準(zhǔn)確率遠(yuǎn)高于其他兩種方法。尤其是隨著粘連數(shù)量的增加，本文方法依然能較好的實(shí)現(xiàn)分割，但基于極限腐蝕結(jié)合凹點(diǎn)搜尋方法對(duì)于4只粘連雞體的分割準(zhǔn)確率僅為32.5%，基于分水嶺方法分割準(zhǔn)確率為55%，分割效果欠佳。

(a) 原圖

(b) 目標(biāo)提取

(c) 待處理凸缺陷

(d) 分割結(jié)果

另外，文獻(xiàn)[21]對(duì)檢測(cè)到的凹點(diǎn)使用最小距離點(diǎn)對(duì)連線的方法進(jìn)行凹點(diǎn)匹配，對(duì)于粘連復(fù)雜的雞只容易造成錯(cuò)誤匹配。本文方法囊括了所有的凹點(diǎn)匹配方式，并根據(jù)判別條件確定正確匹配方式，匹配準(zhǔn)確率更高。

為了進(jìn)一步驗(yàn)證該文方法對(duì)粘連雞體分割的效果，從真實(shí)養(yǎng)殖環(huán)境下采集的圖像中選取3幅圖像進(jìn)行試驗(yàn)，如圖12(a)所示，從圖中可以看出蛋雞粘連數(shù)量較多，使得粘連分割難度增加。首先，使用OTSU算法結(jié)合形態(tài)學(xué)處理提取目標(biāo)，分割效果如圖12(b)，然后使用本文粘連分割方法對(duì)圖像中粘連區(qū)域進(jìn)行分割。從圖12(c)分割結(jié)果可以看出，本文方法對(duì)圖中存在粘連的雞只實(shí)現(xiàn)了較好的分割，說(shuō)明本文方法有較好的魯棒性，能夠適用于真實(shí)養(yǎng)殖環(huán)境下。

表1 不同方法對(duì)不同數(shù)量粘連雞只分割結(jié)果Tab. 1 Segmentation results of different numbers of adherent chickens by different methods

(a) 原圖

(b) 目標(biāo)提取

(c) 分割結(jié)果

5 結(jié)論

本文針對(duì)真實(shí)雞舍環(huán)境下采集到的視頻圖像粘連個(gè)體難于分割問(wèn)題，提出了一種基于凹點(diǎn)分析法的粘連雞體分割方法，首先通過(guò)OTSU算法結(jié)合形態(tài)學(xué)運(yùn)算獲得粘連區(qū)域二值圖，通過(guò)對(duì)粘連區(qū)域凸缺陷上的輪廓使用正方形模板確定凹點(diǎn)位置，最后通過(guò)凹點(diǎn)隨機(jī)匹配法正確分割粘連雞體。通過(guò)不同數(shù)量的粘連雞體分割試驗(yàn)、不同方法與本文方法的對(duì)比試驗(yàn)以及真實(shí)養(yǎng)殖環(huán)境下粘連雞體分割試驗(yàn)，得出以下結(jié)論。

1) 對(duì)2～4只不同數(shù)量的粘連雞體進(jìn)行試驗(yàn)，平均分割準(zhǔn)確率為92.8%，平均運(yùn)行時(shí)間為2.817 s。

2) 本文方法與基于極限腐蝕結(jié)合凹點(diǎn)搜尋方法、基于分水嶺方法相比，運(yùn)行時(shí)間略高，但本文方法的分割準(zhǔn)確率比其他兩種方法高了至少21.2個(gè)百分點(diǎn)，本文方法的分割效果更好。

3) 對(duì)真實(shí)養(yǎng)殖環(huán)境下粘連雞體分割試驗(yàn)表明，本文方法對(duì)圖像中粘連雞群能實(shí)現(xiàn)較好的分割。

本文算法也存在不足之處，隨著粘連數(shù)量的增加，凹點(diǎn)匹配種類也逐漸增加，導(dǎo)致算法運(yùn)行耗時(shí)相對(duì)較長(zhǎng)，目前深度學(xué)習(xí)方法已經(jīng)在豬、牛等大型牲畜個(gè)體識(shí)別方面取得了一定進(jìn)展，在今后的研究中，將結(jié)合深度學(xué)習(xí)方法提高雞體分割的準(zhǔn)確率，降低本文方法的運(yùn)行時(shí)間。