楊斷利 張 然 陳 輝 鮑惠玲 宣鳳苓 高 媛

(1.河北農(nóng)業(yè)大學信息科學與技術(shù)學院， 保定 071001； 2.河北省農(nóng)業(yè)大數(shù)據(jù)重點實驗室， 保定 071001；3.河北農(nóng)業(yè)大學動物科技學院， 保定 071000； 4.石家莊市動物疫病預防控制中心， 石家莊 050026)

0 引言

雞體羽毛覆蓋狀況能直接反映雞只的生長發(fā)育和健康情況[1-2]。蛋雞受生理、營養(yǎng)、環(huán)境及疾病等多種因素的影響，會產(chǎn)生脫羽現(xiàn)象，背部是主要的脫羽部位[3-4]。羽毛缺失不僅影響雞只外觀，而且羽毛覆蓋度的降低，會造成雞體熱量的大量散失，對雞體體表溫度產(chǎn)生影響，迫使蛋雞通過增加采食量以維持生理需求，致使養(yǎng)雞成本增加，影響蛋雞生產(chǎn)性能及養(yǎng)殖效益[5-6]。

國外學者對蛋雞羽毛覆蓋度的估算及表示方法進行了相關(guān)研究[7-9]。研究表明，紅外熱成像是評價蛋雞羽毛覆蓋度的有效手段。但紅外熱成像儀采集到的溫度信息受室溫、距離等多種客觀因素影響[10-11]，當拍攝條件發(fā)生變化時，手動閾值分割方法需要重新調(diào)節(jié)溫度閾值，這不利于蛋雞及其羽毛損傷區(qū)域的分割與溫度提取，而基于圖像處理的雞體及羽毛受損區(qū)域分割方法不需要手動設(shè)置溫度閾值，克服了溫度變化的影響。數(shù)字圖像處理的方法可以準確地提取目標區(qū)域，文獻[12-21]研究表明，Otsu算法結(jié)合顏色空間可準確地分割前景與背景。目前為止，暫未發(fā)現(xiàn)基于數(shù)字圖像處理進行羽毛分割處理的相關(guān)研究報道。文獻[22-24]研究表明，紅外熱成像技術(shù)已應(yīng)用于雞體溫度檢測。雞體溫度可以反映雞只的健康狀況，雞體體表溫度受羽毛覆蓋度影響[25-27]。 但關(guān)于不同程度的羽毛覆蓋度對雞體體表溫度影響情況的研究，目前還未查到相關(guān)的文獻。本文利用圖像分割技術(shù)，計算雞體羽毛覆蓋度，并通過提取熱紅外圖像目標區(qū)域的方法，計算出雞體體表平均溫度，對不同程度羽毛覆蓋度與雞體體表溫度之間的量化關(guān)系進行研究。

1 材料與方法

1.1 蛋雞背部圖像、體表溫度數(shù)據(jù)采集

實驗蛋雞品種為海蘭褐蛋雞，養(yǎng)殖基地位于河北省保定市某養(yǎng)殖場，飼養(yǎng)場景如圖1所示。養(yǎng)殖場內(nèi)養(yǎng)殖有背部不同羽毛覆蓋度的蛋雞50只，在相同的飼養(yǎng)條件下，養(yǎng)殖有20只背部羽毛覆蓋完好的蛋雞作為對照組，每天09:00、16:00喂食，養(yǎng)殖5 d后，采集羽毛覆蓋完好及不同羽毛覆蓋度的蛋雞體表溫度，作為研究羽毛覆蓋度與雞體溫度關(guān)系的原始數(shù)據(jù)。采用testo890型紅外熱成像儀拍攝羽毛覆蓋完好及不同覆蓋度的蛋雞背部彩色圖像200幅，熱紅外圖像200幅，用于分割雞體背部及羽毛損傷區(qū)域，同時為算法提取雞體體表溫度提供熱紅外圖像。為了驗證本研究提出的，基于熱紅外圖像的自適應(yīng)性圖像增強算法是否具有普適性，實驗同時選擇了價格及配置與testo890型紅外熱成像儀差異較大的?？礖M-TPH11-3AXF型手持測溫熱像儀，拍攝熱紅外圖像200幅進行對比。拍攝時間為2021年11月19日，09:00—11:00，室內(nèi)溫度保持在16℃，為了獲取完整的蛋雞背部圖像，相機位于雞體正上方，距離雞體約0.4 m處，俯視拍攝，室內(nèi)光照較充足，為了消除復雜背景對分割雞體效果的影響，采集背景為綠色，數(shù)據(jù)采集示意圖如圖2所示。通過IRsoft2軟件進行鐵虹色熱紅外圖像、彩色圖像及溫度矩陣的信息提取與保存。通過SPSS 25.0軟件中的平均值檢驗進行體表溫度平均值、方差分析，利用Pearson相關(guān)性檢驗進行羽毛覆蓋度與體表溫度相關(guān)性分析。

圖1 飼養(yǎng)實物圖Fig.1 Single cage feeding

圖2 數(shù)據(jù)采集示意圖Fig.2 Data acquisition diagram1.相機 2.背景

1.2 熱紅外圖像中目標雞體與羽毛覆蓋完好區(qū)域提取

蛋雞熱紅外圖像中呈現(xiàn)的不同顏色，與該區(qū)域的溫度有關(guān)，環(huán)境溫度為低溫區(qū)域呈暗藍色，羽毛覆蓋完好區(qū)域為中溫區(qū)域呈洋紅色，蛋雞羽毛損傷區(qū)域為高溫區(qū)域呈黃白色，基于蛋雞圖像顏色特征對蛋雞、低溫環(huán)境及羽毛覆蓋完好區(qū)域進行分割。

1.2.1目標雞體提取

熱紅外圖像中普遍存在分辨率低、前景邊緣模糊等問題，當?shù)半u羽毛覆蓋完好區(qū)域與環(huán)境背景溫差較小時，二者的對比度更差，影響最大類間方差法[28](Otsu)對目標雞體的分割效果，基于RGB顏色模型的蛋雞熱紅外圖像分割結(jié)果如圖3所示。

圖3 蛋雞熱紅外圖像RGB顏色模型分割示意圖Fig.3 Segmentation diagrams of RGB color model of thermal infrared image of laying hens

通過分析蛋雞熱紅外圖像中的灰度，發(fā)現(xiàn)雞體與背景中分量R、B灰度存在顯著變化，分量R、G、B灰度分析如圖4所示，其中縱坐標對應(yīng)每個像素點的灰度。因此選取Lab顏色空間中的分量a進行目標雞體的提取，分量a二值化結(jié)果如圖5b所示。

圖4 分量R、G、B灰度分析Fig.4 Gray analysis of R，G and B components

圖5 分量a及Otsu算法分割示意圖Fig.5 a component and Otsu algorithm segmentation diagram

圖5a中分量a圖像中雞體邊界依然模糊，與背景差異較小，導致Otsu算法提取到的雞體不完整。本文針對Otsu算法的分割特性提出了一種基于分量R、B灰度直方圖的自適應(yīng)性圖像增強的方法，增強圖像中雞體邊緣對比度。該方法遍歷圖像全部灰度級，設(shè)概率最大的灰度級數(shù)為自適應(yīng)性圖像增強的閾值，并增設(shè)最佳閾值限制條件，防止因閾值過大造成的顏色特征丟失。

首先，設(shè)雞體圖像像素數(shù)為N，灰度級為L，圖像中分量R、B像素總數(shù)計算公式為

(1)

(2)

式中nri——R分量中第i個灰度級像素數(shù)

nbi——B分量中第i個灰度級像素數(shù)

其次，對灰度直方圖進行歸一化處理，統(tǒng)計每個像素級的概率，分量R、B歸一化處理公式分別為

(3)

(4)

然后，計算分量R、B中最大概率的灰度級，公式為

Prmax=max(Pri)

(5)

Pbmax=max(Pbi)

(6)

獲取灰度概率最大的灰度級，公式為

(7)

式中Tr——分量R中自適應(yīng)性圖像增強閾值

Tb——分量B中自適應(yīng)性圖像增強閾值

ri——分量R第i個灰度級

bi——分量B第i個灰度級

在圖像增強處理中，少數(shù)圖像存在因增強閾值大于背景灰度造成原圖像顏色信息丟失的情況，因此在圖像增強過程中加入限制條件，閾值根據(jù)背景中各分量灰度范圍設(shè)定，本次實驗分量R、B的閾值分別是50和125，分量R、B圖像增強表達式為

(8)

(9)

將處理后的分量R′、B′與原圖像中的分量G進行拼接，生成經(jīng)過圖像增強處理后新圖像RGB_new，圖像增強后雞體圖像如圖6所示。

圖6 圖強增強后的雞體圖像RGB_newFig.6 RGB_new of chicken body image after enhancement

將經(jīng)圖像增強處理后的蛋雞背部熱紅外圖像RGB_new轉(zhuǎn)換到Lab顏色空間并提取分量a，然后采用Otsu算法進行雞體背部與低溫環(huán)境的分割，初步獲取雞體輪廓二值圖，要獲得完整的雞體背部輪廓，還需經(jīng)過雜點去除、形態(tài)學運算、孔洞填充等操作，并結(jié)合凸包檢測、孔洞填充操作獲得完整的雞體背部輪廓圖像，目標雞體分割結(jié)果如圖7所示。

圖7 目標雞體分割結(jié)果Fig.7 Segmentation results of target chicken body

1.2.2羽毛覆蓋完好區(qū)域提取

為了突出熱紅外圖像中羽毛損傷與完好區(qū)域的灰度差異，選取HSV顏色空間模型[29]中的分量H分割羽毛覆蓋完好區(qū)域。HSV顏色空間的顏色結(jié)構(gòu)模型是一個錐體，如圖8所示，H表示色調(diào)，S表示純度，V表示亮度。分量R、G、B與分量H、S、V的轉(zhuǎn)換關(guān)系為

(10)

(11)

(12)

其中

(13)

圖8 HSV顏色空間結(jié)構(gòu)示意圖Fig.8 Schematic of HSV color space structure

將目標雞體背部熱紅外圖像轉(zhuǎn)換到分量H，采用Otsu算法進行羽毛覆蓋完好區(qū)域的提取，獲得目標雞體背部羽毛覆蓋完好區(qū)域二值圖像；利用目標雞體背部與羽毛覆蓋完好區(qū)域的二值圖像進行減運算，獲得目標雞體背部羽毛損傷區(qū)域二值圖像。并以目標雞體背部羽毛覆蓋完好及損傷區(qū)域二值圖像為掩膜，獲得對應(yīng)的熱紅外圖像。羽毛覆蓋完好及損傷區(qū)域分割結(jié)果如圖9所示。

圖9 羽毛覆蓋完好及損傷區(qū)域圖像分割結(jié)果Fig.9 Image segmentation results of intact feather cover and damaged areas

采用Otsu雙閾值分割算法對羽毛損傷區(qū)域進一步分割，將圖像分割為背景、輕度損傷和重度損傷3部分，灰度級最低的一類為背景，灰度級最高的一類為重度損傷區(qū)。首先需要對蛋雞羽毛損傷區(qū)域彩色圖像進行灰度化處理，然后對蛋雞羽毛損傷區(qū)域灰度圖像進行雙閾值分割，Otsu雙閾值分割算法理論[30]與1.2.1節(jié)單閾值分割算法理論相同，雙閾值類間方差計算表達式為

(14)

式中w0、w1、w2——C0、C1、C2類概率

μ0、μ1、μ2——C0、C1、C2類平均灰度

μG——全局平均灰度

圖10 羽毛覆蓋完好及損傷區(qū)域的二值圖及熱紅外圖像Fig.10 Binary images and thermal infrared images of intact and damaged areas of feather cover

實驗結(jié)果表明，自適應(yīng)性圖像增強的方法可以突出雞體目標與背景的顏色差異，有利于目標雞體的提取；基于熱紅外圖像的目標雞體、羽毛損傷區(qū)域及羽毛覆蓋完好區(qū)域的分割流程合理有效。

1.3 蛋雞彩色圖像中目標雞體及羽毛覆蓋完好區(qū)域提取

由于熱成像設(shè)備價格較高，因此現(xiàn)實生活中彩色圖像的拍攝設(shè)備應(yīng)用更為廣泛，根據(jù)海蘭褐蛋雞全身羽毛呈紅褐色的特點，通過Otsu算法結(jié)合顏色空間模型對雞體及羽毛覆蓋完好區(qū)域進行分割。

1.3.1目標雞體提取

圖11 目標雞體的初次分割結(jié)果Fig.11 Initial segmentation results of target chicken body

為了準確地提取目標雞體，將原始圖像轉(zhuǎn)換到Lab顏色空間提取a分量，采用Otsu算法對a分量圖像進行二值化分割，目標雞體初次分割結(jié)果如圖11所示。

初次提取的目標雞體二值圖一般存在噪聲，如圖11c雞體外存在明顯的干擾信息和孔洞，所以需要對初次分割得到的二值化圖形進行二次處理。采用形態(tài)學開運算、雜點去除操作去除噪聲，保證提取的目標雞體較完整且無雜點殘留；采用形態(tài)學閉運算、孔洞填充操作進行雞體內(nèi)孔洞的填充，二次處理結(jié)果如圖12a～12d所示。將經(jīng)過形態(tài)學等操作處理后的目標雞體二值圖像作為掩膜，通過與運算去除彩色圖像中的背景，提取目標雞體的彩色圖像，目標雞體彩色圖像如圖12e所示。

圖12 完整雞體二值圖像提取過程Fig.12 Extraction process of binary image of complete chicken body

結(jié)果表明，提取到的目標雞體周圍沒有噪聲，且雞體完整，基于彩色圖像的目標雞體分割流程完整有效。

1.3.2羽毛覆蓋完好區(qū)域提取

圖13 目標雞體彩色圖像、分量S、分量V及其各自 分割結(jié)果Fig.13 Color image of target chicken body，S component， V component and their respective segmentation results

海蘭褐蛋雞羽毛覆蓋完好區(qū)域會被褐紅色羽毛覆蓋，而羽毛損傷區(qū)域會顯現(xiàn)出白色的羽毛根部和淺粉色的皮膚，因此可以利用顏色特征提取羽毛覆蓋完好區(qū)域及羽毛損傷區(qū)域。首先通過選取RGB顏色空間及HSV顏色空間的S、V分量進行羽毛覆蓋完好區(qū)域顏色特征提取，然后采用Otsu算法進行羽毛損失區(qū)域的分割。目標雞體彩色圖像、S分量、V分量及其各自分割結(jié)果如圖13所示。結(jié)果表明基于S通道的分割效果更接近于羽毛的實際情況，以S分量分割結(jié)果為掩膜提取羽毛覆蓋完好區(qū)域彩色圖像，羽毛覆蓋完好區(qū)域彩色圖像如圖14所示。

圖14 羽毛覆蓋完好區(qū)域彩色圖像Fig.14 Color image of intact feather cover

1.4 蛋雞背部羽毛覆蓋度計算

利用經(jīng)過分割得到的目標雞體及羽毛覆蓋完好區(qū)域二值圖進行羽毛覆蓋度的計算。首先，統(tǒng)計目標雞體和羽毛覆蓋完好區(qū)域二值圖像中像素總數(shù)；然后，以羽毛覆蓋完好區(qū)域總像素數(shù)為分子，蛋雞背部羽毛覆蓋度計算式為

(15)

其中

K1=sum(J1(x,y)=1)

(16)

K2=sum(J2(x,y)=1)

(17)

式中x、y——像素坐標

J1——背部羽毛覆蓋完好區(qū)域二值圖

J2——目標雞體背部二值圖

Fb——蛋雞背部羽毛覆蓋度，%

查閱文獻[8]可知，熱紅外圖像中蛋雞背部羽毛覆蓋度與全身羽毛覆蓋度的相關(guān)系數(shù)為0.94，則背部羽毛覆蓋度與全身羽毛覆蓋度的轉(zhuǎn)換表達式為

F=0.94Fb

(18)

式中F——蛋雞羽毛覆蓋度，%

2 結(jié)果分析

2.1 圖像分割結(jié)果

2.1.1自適應(yīng)性圖像增強結(jié)果

選擇了兩種不同價格、不同配置的相機拍攝蛋雞的熱紅外圖像，測試自適應(yīng)性圖像增強算法的普適性。testo890型紅外熱成像儀的配置及價格遠高于?？礖M-TPH11-3AXF型便攜式測溫熱像儀，testo890拍攝圖像的清晰度、對比度等圖像屬性均高于?？礖M-TPH11-3AXF，testo890型紅外熱成像儀的熱紅外圖像增強效果及分割對比結(jié)果如圖15所示，海康HM-TPH11-3AXF型便攜式測溫熱像儀熱紅外圖像增強效果及分割對比結(jié)果如圖16所示。結(jié)果表明，本文提出的圖像增強方法對兩種型號相機拍攝的圖像均有效，突出了雞體區(qū)域的特征，該方法能較好地初步分割出雞體區(qū)域，算法具有普適性。

圖15 testo890型紅外熱成像儀圖像的增強及分割對比結(jié)果Fig.15 Image enhancement and segmentation comparison results of testo890 infrared thermal imager

圖16 ?？礖M-TPH11-3AXF型便攜式測溫熱像儀 圖像的增強及分割對比結(jié)果Fig.16 Image enhancement and segmentation comparison results of Hikvision HM-TPH11-3AXF portable thermal imager

2.1.2雞體及羽毛完好區(qū)域分割結(jié)果

通過Matlab 2016a平臺進行目標雞體及損傷羽毛分割仿真實驗，通過手動閾值二值化分割蛋雞彩色圖像及熱紅外圖像，灰度大于手動閾值的區(qū)域為視覺目標區(qū)域，區(qū)域內(nèi)每個像素值設(shè)為1；其他區(qū)域像素值設(shè)為0。手動閾值分割計算公式為

(19)

式中I(x，y)——原始圖像中第x行、第y列像素塊的灰度

Mth——手動分割閾值

為了進一步客觀評價本文分割方法是否有效，采用準確率、精準度、召回率和交并比4個指標進行定量評價。

基于彩色圖像及熱紅外圖像的目標雞體、羽毛覆蓋完好區(qū)域分割精度如表1所示，基于熱紅外圖像的羽毛輕度、重度損傷區(qū)域分割精度如表2所示?；跓峒t外圖像的目標雞體分割準確率為97.18%、羽毛覆蓋完好區(qū)域分割準確率為96.86%，基于彩色圖像的目標雞體分割準確率為99.58%、羽毛覆蓋完好區(qū)域分割準確率為97.86%，基于熱紅外圖像羽毛輕度、重度損傷區(qū)域的分割準確率分別為97.55%、99.57%，實驗結(jié)果表明，基于熱紅外圖像的分割精度略低于彩色圖像，但準確率、精準度、召回率和交并比均在95%以上，彩色圖像及熱紅外圖像均達到了分割標準。

表1 蛋雞背部羽毛覆蓋度分割精度Tab.1 Segmentation accuracy of back feather coverage of laying hens %

表2 蛋雞熱紅外圖像羽毛損傷區(qū)域分割精度Tab.2 Segmentation accuracy of feather damage in thermal infrared image of laying hens %

2.2 熱紅外圖像與彩色圖像羽毛覆蓋度對比結(jié)果

由彩色圖像及熱紅外圖像計算出的蛋雞羽毛覆蓋度如表3所示。由表3可知，彩色圖像羽毛覆蓋度平均值為76.68%，熱紅外圖像羽毛覆蓋度平均值為87.74%。經(jīng)對比發(fā)現(xiàn)，同一個蛋雞樣本的彩色圖像羽毛覆蓋度與紅外圖像羽毛覆蓋度的最小差值為2.01%，且二者最大差值為30.29%，所有雞只差值平均值為11.07%，且所有樣本中，蛋雞的彩色圖像羽毛覆蓋度均小于熱紅外圖像羽毛覆蓋度。

通過對比圖17中蛋雞熱紅外圖像及圖18中彩色圖像的分割結(jié)果，分析差異產(chǎn)生原因。研究發(fā)現(xiàn)基于彩色圖像的雞體羽毛分割，會誤將蛋雞修飾行為、剮蹭雞籠行為導致白色羽毛根部顯現(xiàn)的部分分割為損傷區(qū)域，導致羽毛覆蓋度下降的問題產(chǎn)生，而熱紅外圖像中相同區(qū)域的輻射值和羽毛覆蓋度并未受影響，因此基于紅外熱圖像的羽毛覆蓋度計算效果更接近于蛋雞的真實羽毛覆蓋情況。

表3 部分蛋雞背部羽毛覆蓋度計算結(jié)果對比Tab.3 Comparison of calculation results of back feather coverage of some laying hens %

圖17 熱紅外圖像分割效果Fig.17 Segmentation effects of thermal infrared images of laying hens

圖18 蛋雞彩色圖像分割效果Fig.18 Segmentation effects of color images of laying hens

2.3 羽毛覆蓋度分級

為了突出羽毛缺失的程度，對羽毛覆蓋度數(shù)據(jù)進行分級處理。文獻[7]提出的4分制評分方法中，1分表示雞體羽毛嚴重受損，僅存在小部分或沒有羽毛覆蓋雞體，羽毛覆蓋度為3.7%～27.2%；2分表示羽毛損傷明顯或皮膚大面積裸露，羽毛覆蓋度為33.4%～70.7%；3分表示羽毛出現(xiàn)損傷，但幾乎能夠完全覆蓋雞體，羽毛覆蓋度為55.67%～90.4%；4分表示沒有或很少的羽毛出現(xiàn)損傷，羽毛覆蓋度為96.6%～99.3%。文獻[8]提出了手動分割溫度閾值估算羽毛覆蓋度的方法IRT,使用IRT得到的羽毛完好區(qū)域的面積與4分制評分相關(guān)性顯著(P<0.01),其中背部羽毛覆蓋度與整體得分的相關(guān)系數(shù)為0.94。

經(jīng)過實驗統(tǒng)計發(fā)現(xiàn)，多數(shù)蛋雞羽毛覆蓋度處于70%～90%之間，而4分制評分方法將55.67%～90.4%劃分為一級，每分代表的范圍過大，分級較粗糙。針對這一問題，本文在4分制評分的基礎(chǔ)上提出了A、B、C、D四級評分方法，其中A級羽毛覆蓋度為70%～82%，B級為82%～85%，C級為85%～90%，D級為90%～94%。

3 羽毛覆蓋度與體表溫度關(guān)系研究

羽毛的缺失會導致雞體熱量散失速度加快[31]，影響蛋雞的健康，為了研究羽毛覆蓋度對體表溫度的影響，摒棄其他外界環(huán)境干擾因素，本實驗利用同等飼養(yǎng)條件下、羽毛覆蓋完好的蛋雞作為對照組，采集不同羽毛覆蓋度的蛋雞體表溫度，分析羽毛覆蓋度和雞體體表溫度的關(guān)系。

3.1 體表溫度獲取與分析

通過Otsu算法分割得到的目標區(qū)域二值化圖像和溫度矩陣得到目標區(qū)域平均溫度，平均溫度計算式為

(20)

式中Xtemp——紅外熱成像儀采集的溫度矩陣

A——目標區(qū)域二值矩陣

下角標x、y表示矩陣中點的位置。

圖19 部分蛋雞羽毛覆蓋度和各區(qū)域溫度平均值Fig.19 Average value of feather coverage and temperature in different areas of some laying hens

本實驗共采集5類數(shù)據(jù)，包括蛋雞羽毛覆蓋度及背部、羽毛覆蓋完好區(qū)域、羽毛損傷區(qū)域、羽毛嚴重損傷區(qū)域的溫度平均值，蛋雞羽毛覆蓋度及各區(qū)域的溫度平均值折線圖如圖19所示。蛋雞背部、羽毛覆蓋完好區(qū)域、羽毛損傷區(qū)域、羽毛嚴重損傷區(qū)域的溫度平均值均隨著羽毛覆蓋度的變化出現(xiàn)明顯波動，溫度較高的雞只羽毛覆蓋度較低，且同一個樣本中羽毛嚴重損傷區(qū)域溫度最高，羽毛覆蓋完好區(qū)域溫度最低。

將所有數(shù)據(jù)依據(jù)羽毛覆蓋度人工分為兩組，組1中蛋雞羽毛存在明顯損傷，組2中蛋雞羽毛較完整，表4以平均值±標準差的形式表示羽毛覆蓋度對各區(qū)域體表溫度的影響。組1中各區(qū)域平均溫度比組2高1～5℃，且組1各區(qū)域溫度標準差明顯比組2高0.7～2.9℃，說明雞體羽毛覆蓋度對體表溫度造成了一定的影響。

為了探究蛋雞羽毛覆蓋度與體表溫度的相關(guān)性，分析了羽毛覆蓋度與背部、羽毛覆蓋完好、羽毛損傷及羽毛嚴重損傷區(qū)域體表溫度的相關(guān)性及相關(guān)系數(shù)，如表5所示。蛋雞羽毛覆蓋度與背部、羽毛覆蓋完好、羽毛損傷及羽毛嚴重損傷區(qū)域體表溫度呈極顯著負相關(guān)(P<0.01)，其中羽毛嚴重損傷區(qū)域體表溫度與羽毛覆蓋度相關(guān)性最高，背部、羽毛覆蓋完好、羽毛損傷、羽毛嚴重損傷區(qū)域體表溫度之間呈極顯著正相關(guān)(P<0.01)。

表4 羽毛覆蓋度對各區(qū)域體表溫度的影響Tab.4 Effect of feather coverage on body surface temperature in each region

表5 蛋雞羽毛覆蓋度與各區(qū)域體表溫度相關(guān)系數(shù)Tab.5 Correlation analysis between feather coverage and body surface temperature of layers

3.2 羽毛覆蓋度對體表溫度的影響

雞體的羽毛覆蓋度對體表溫度影響顯著，根據(jù)3.1節(jié)的相關(guān)性分析發(fā)現(xiàn)羽毛覆蓋度與背部、羽毛損傷及羽毛嚴重損傷區(qū)域體表溫度的相關(guān)系數(shù)均在0.9以上。根據(jù)2.3節(jié)中羽毛覆蓋分級方法，對羽毛覆蓋度不同的實驗蛋雞分級處理，通過各級別間的體表溫度差值，分析相同外界環(huán)境下羽毛覆蓋對體表溫度的影響。

表6為背部、羽毛損傷、羽毛嚴重損傷區(qū)域在各分級中的體表溫度平均值，各區(qū)域體表溫度隨著分級級別的上升而逐漸降低，在A～D每個分級中，背部與羽毛嚴重損傷區(qū)域的平均溫度差值分別為12.54、13.3、13.47、11.07℃，相同分級、不同區(qū)域的體表溫度對比結(jié)果表明，羽毛嚴重損傷區(qū)域比背部區(qū)域平均溫度均高10℃以上。背部、羽毛損傷及羽毛嚴重損傷區(qū)域在各級別中的體表溫度均值差值，所有數(shù)據(jù)都在0℃以上。在3類區(qū)域中，級別A與D的體表溫度均值差值都在3.8℃以上，其中羽毛嚴重損傷區(qū)域的級別A與D體表溫度均值差值最大，達到5.36℃。相同區(qū)域、不同分級的蛋雞體表溫度對比結(jié)果表明，相同區(qū)域、相鄰級別的蛋雞體，體表溫度差值較小，隨著間隔級別的增加，體表溫度的差值增大，且羽毛覆蓋級別高的蛋雞體表溫度均小于級別低的蛋雞體表溫度。

表6 各級別中蛋雞體表溫度平均值Tab.6 Average body surface temperature of laying hens in each level ℃

綜上所述，不同羽毛覆蓋級別間的蛋雞背部體表溫度最大差值為3.89℃，不同羽毛覆蓋級別間的蛋雞羽毛損傷區(qū)域體表溫度最大差值為5.36℃，相同羽毛覆蓋級別間的背部與蛋雞羽毛損傷區(qū)域體表溫度的最大差值為13.47℃。

4 結(jié)論

(1)以蛋雞為研究對象，設(shè)計了一種基于圖像處理分割雞體及羽毛覆蓋完好區(qū)域的方法。針對熱紅外圖像中雞體邊界模糊的問題，提出了一種自適應(yīng)性圖像增強算法。實驗結(jié)果表明，利用熱紅外圖像分割雞體及羽毛覆蓋完好區(qū)域的分割準確率為97.18%和96.86%，平均準確率為97.02%，利用彩色圖像分割雞體及羽毛覆蓋完好區(qū)域準確率為99.58%和97.86%，平均準確率為98.72%，分割準確率均在95%以上，能夠滿足蛋雞羽毛覆蓋度的計算要求。提出的自適應(yīng)性圖像增強方法，突出了前景與背景的差異性，可應(yīng)用于前景與背景的分割研究。

(2)通過分析發(fā)現(xiàn)，蛋雞剮蹭雞籠、修飾等行為會造成白色羽毛根部露出，在彩色圖像中，由于圖像顏色受羽色的影響，因而白色羽毛根部露出的部位會被錯誤地認定為羽毛損傷區(qū)域，而熱紅外圖像則不受羽色的影響，白色羽毛根部露出部位的熱輻射值無明顯升高，因而兩種圖像計算出的羽毛覆蓋度有較大差異，熱紅外圖像更適用于客觀評定蛋雞羽毛覆蓋度。

(3)利用熱紅外圖像，通過面積比值計算羽毛覆蓋度，對羽毛覆蓋度與背部各區(qū)域體表溫度進行了相關(guān)性分析，羽毛覆蓋度與各區(qū)域體表溫度呈極顯著負相關(guān)(P<0.01)，除羽毛完好區(qū)域外，羽毛覆蓋度與各區(qū)域體表溫度相關(guān)系數(shù)均大于0.9。依據(jù)羽毛覆蓋度計算結(jié)果對蛋雞進行分級，并分析了各級蛋雞體表溫度差異，結(jié)果表明，相同區(qū)域、不同級別的蛋雞體表溫度最大差值達到3℃以上，相同級別的蛋雞羽毛嚴重損傷區(qū)域均比背部平均體表溫度高10℃以上。