孔娟娟，劉桂民，鄧浩然，周學利，王 龍，管博倫，錢 蓉*

(1.安徽省農(nóng)業(yè)科學院農(nóng)業(yè)經(jīng)濟與信息研究所，安徽合肥 230032;2.安徽省農(nóng)業(yè)科學院畜牧獸醫(yī)研究所，安徽合肥 230032)

生豬體重是生產(chǎn)者衡量生豬品質(zhì)的重要依據(jù)，也是管理生豬生長、健康和上市銷售的重要指標，是制定科學飼養(yǎng)決策的必備條件[1]，特別是及時估測出育肥豬的體重，決定利潤至關重要，因為這可以讓豬肉生產(chǎn)商在降低勞動力和飼料成本的同時，對群養(yǎng)豬做出正確的營銷決策。安徽農(nóng)業(yè)大學丁月云等[2-3]研究發(fā)現(xiàn)母豬胸圍、體長、體高等體尺性狀不僅與繁殖性狀相關，也與妊娠母豬的生長狀況、仔豬的初生質(zhì)量有很大相關性，對種豬的選種育種有較大指導作用。徐寧迎等[4-6]通過接觸式方法預估動物活體的體重、體尺等生長性狀，驗證了動物體重與體型和各個生長性狀間存在相關性。孟慶利等[7]采用對比分析方法發(fā)現(xiàn)體尺參數(shù)作為種豬選育指標，能提高種豬的選種準確性，為種豬育種工作重要的參考依據(jù)。Nakavisut等[8]提出體長可以作為評價母豬的生長狀況和繁殖性狀的標準之一。由此可知，體重體尺是生豬生產(chǎn)的重要因素。劉同海等[9]選用52頭120日齡左右的種豬為研究對象，手工測量體長、體高、體寬、臀寬、臀高、背膘厚、眼肌厚，研發(fā)RBF神經(jīng)網(wǎng)絡模型，智能預測種豬體重，預測值與實際值之間相關系數(shù)高達0.998，證明了豬活體重與生長性狀有著很強相關性。

在實際生產(chǎn)中，體重是人工或采用體重箱、磅秤、地秤測量等電子設備稱量而得，體尺是人工依據(jù)主觀經(jīng)驗目測或用皮尺測量。這種接觸式體重體尺測量方式不僅耗時耗力，且對生豬產(chǎn)生較大應激反應，影響生豬健康發(fā)展，也不符合動物福利養(yǎng)殖要求[10]。同時，在測量過程中因生豬姿態(tài)、豬籠大小等條件限制，導致測量誤差較大，測量結果具有局限性[11]。因此，接觸式測量方法難以滿足生產(chǎn)產(chǎn)業(yè)發(fā)展需求。

該研究重點介紹計算機視覺技術在生豬非接觸式體重智能測定方面研究與應用，截至目前，已有多位學者開展相關工作，為非接觸式體重估測研究提供研究依據(jù)?，F(xiàn)有研究表明，通過提取圖像中生豬體長、體高、腹圍寬、胸圍寬和背部面積等特征，基于線性函數(shù)或非線性函數(shù)，研發(fā)體重自動估測模型，可實現(xiàn)非接觸式生豬體重估測，但受試驗數(shù)據(jù)采集條件和模型泛化能力影響，研究結果未能推廣使用。

1 接觸式體重估測

黃家圣等[12]手工測量二元雜種肥豬的體長、胸圍和體重數(shù)據(jù)，采用公式(1)預測肥豬體重，根據(jù)豬只的營養(yǎng)情況不同，營養(yǎng)良好的為129，營養(yǎng)中等的為111，營養(yǎng)不良的為93。Johnson于1994年發(fā)表公式(2)，孫宗德[13]通過試驗證明該公式較適用蘇白豬、蘇雜豬、巴克夏豬，對杜洛克及其雜交豬則誤差較大，人工測量97頭杜洛克雜交豬的體尺、胸圍和體重數(shù)據(jù)，建立二元一次方程式，如公式(3)所示。李鐵寶等[14-15]測量生豬的體長、胸圍、體高、臀圍、腹圍等體尺指標，任選多個指標構建多元一次方程，依據(jù)實際體重值獲得自變量系數(shù)，進而構建體重估測線性模型，結果證明實驗室環(huán)境下，基于單個測量體尺的回歸方程可以準確預估育肥豬體重。李劍秋[16]研究大約克豬估重模型時也選擇了體長、體高、胸圍和腹圍4個指標，腿圍數(shù)據(jù)，利用逐步回歸分析法建立預測體重的多元回歸數(shù)學模型，回歸方程如公式(4)所示。對比上述研究報道可知，體重預估值與體尺性狀指標數(shù)增多，估重的準確性更高。

(1)

(2)

y=0.627 2×體長+1.151 4×胸圍-107.957 9

(3)

y=-155.29+0.223 6體長+1.145 8體高+0.947 2胸圍+0.700 7腿圍

(4)

2 非接觸式體重估測

接觸式體重估測增加飼養(yǎng)員工作量，也給生豬帶來較大的應激反應。同時，在測量過程中因生豬行走、跪立等姿勢，導致手工測量誤差較大，使得估測值與實際體重的相關性較低。采用非接觸式體重估測方法，可不受生豬的姿態(tài)影響，避免飼養(yǎng)員手工測量，也符合動物福利養(yǎng)殖的要求。

2.1 傳統(tǒng)CV估測算法研究Minagawa等[17]先后通過提取生豬背部圖像面積大小，找出背部面積和體重間相關性，研發(fā)生豬體重估測模型，獲得估測體重的平均誤差小于5%。White等[18]分別用VIA系統(tǒng)和FIRE系統(tǒng)監(jiān)測生豬的生長率，以背部面積和輪廓的大小為自變量，構建線性自動估重模型，發(fā)現(xiàn)因生豬姿勢變化導致估重值產(chǎn)生偏差，具有重要指導意義。Parsons等[19]于2007年研發(fā)出基于模型的、用于豬生長和污染物排放綜合控制的實時閉環(huán)原型系統(tǒng)和測試，每個試驗階段生豬體重都是實時通過視覺圖像分析系統(tǒng)獲取，線上估測的平均誤差<3.5%。Wang等[20]2006年利用圖像處理技術從二維圖像矩陣中提取豬后部面積、中間寬度等物理形態(tài)特征，并將它們與活重關聯(lián)起來構建模型，試驗結果表明投影面積與豬重的相關性最好。該團隊[21-22]于2008年開發(fā)了一種基于圖像的步行系統(tǒng)，無需將豬限制在固定成像的特定區(qū)域，使用人工神經(jīng)網(wǎng)絡技術將步行圖像中提取的外表特征與豬活體重關聯(lián)起來，建立估測模型，試圖提高活重估測的實用性，結果表明，該步行稱重系統(tǒng)的平均相對誤差在3%左右。楊艷等[23-24]利用數(shù)碼攝像機獲取種豬樣本圖像，采用域值分割法對圖像進行分割，根據(jù)投影區(qū)域與參考系的比例關系估測種豬真實投影面積和體高，并建立了其與體重的回歸方程，預測體重與實際稱量體重的平均相對誤差為3.2%。2018年，Jun等[25]從三方面提出了一種不同于以往研究的基于圖像的豬體重估計方法。一是不限制豬的姿勢和圖像捕捉環(huán)境，減少了豬的壓力；二是利用二維圖像的特征，不依賴于三維深度信息。三是估計模型是利用機器學習的最新進展構建的。除了豬的面積作為估計的主要特征參數(shù)外，引入了與姿態(tài)相關的曲率和偏差兩個新特征，從而能夠量化權重調(diào)整。通過一組試驗研究了特征和神經(jīng)網(wǎng)絡結構的組合對性能的影響。利用477張訓練圖像和103張測試圖像，獲得了平均3.15 kg的估計誤差，模型的決定系數(shù)R=0.792。Minagawa等[26]選用7頭87日齡雜交品種豬為研究對象，開發(fā)了一種由攝像機、幻燈機和計算機組成的設備，通過成像和圖像分析，從正上方獲取圖像數(shù)據(jù)，使用幻燈機提供印有黃色交叉線的紅色載玻片，獲得了一幅適合圖像分析的清晰的豬圖像，用圖像分析軟件獲得豬的體高和背部投影面積，用多元回歸方程構建預測模型，測量單頭豬的高度和重量，平均誤差為2.1%，組平均誤差為1.3%。

2.2 基于3D圖像的體重估測與2D圖像相比，3D圖像更完整，具有立體感，能表達出目標對象各個角度的細節(jié)特征，通常用深度相機采集，其成像原理主要分為3D結構光、TOF和雙目立體視覺。隨著深度相機價格不斷下降，性能逐漸提升，被廣泛應用到動物體型、體況及體重估測和行為自動識別等研究中，在實驗室條件下取得較好成效。

2.2.1基于3D圖像的線性估測模型。中國農(nóng)業(yè)大學騰光輝團隊的劉同海[27]采用多元線性回歸、SMLR、RBF和PLS等方法，構建了豬體重估測模型，其中基于RBF神經(jīng)網(wǎng)絡的豬體重估測模型的R2為0.977，經(jīng)對比分析發(fā)現(xiàn)非線性模型預測效果明顯優(yōu)于線性模型。Marchant等[28]開展了基于圖像的豬體檢測技術的研究，應用蛇算法改進了輪廓提取算法，提取出多個豬重疊的個體輪廓，有望改進多目標中單個輪廓的提取算法。2016年，Shi等[29]采用雙目攝像機采集生豬圖像，經(jīng)重建和分割獲得三維圖像，估算出體背部面積和體重間關系，構建生豬體重估算模型，并驗證得到生豬體長和肩高的相關性約為0.91～0.98，為后期研究提供參考。張建龍等[30]利用深度學習技術估測生豬體重，試驗對比Xception、MobileNetV2、DenseNet201和ResNet152V2模型，其中DenseNet201估測效果最佳，在驗證集上估測的相關系數(shù)為0.99，平均相對誤差為1.57%。

2.2.2基于3D圖像的非線性估測模型。雙目視覺技術應用較為廣泛，2014年，付為森等[31]已開始嘗試運用雙目視覺技術重建生豬立體圖，探索生豬生長性狀自動監(jiān)測、體尺和體重間相關性。劉同海[27]分別采用偏最小二乘法和RBF神經(jīng)網(wǎng)絡算法建立估重模型，精度優(yōu)于普通線性回歸模型，通過試驗對比，上述兩種算法的估測精度優(yōu)于線性模型，為基于雙目視覺技術下的非接觸式生豬體重估測研究奠定基礎。

中國農(nóng)業(yè)大學騰光輝[27，32]團隊先后使用雙目視覺技術采集生豬三維圖像數(shù)據(jù)，通過圖像處理方法提取胸圍、臀高、體長、體高、體寬等生長性狀數(shù)據(jù)，分別基于線性函數(shù)、非線性函數(shù)、機器學習算法和深度學習算法等構建預測模型，豬體重估測值與實測值相關系數(shù)為97%，平均相對誤差為2.5%，優(yōu)于僅用背部面積估測模型。2014年，Kongsro[33]利用深度圖像不需要太多校準工作，也不容易受到背景和光照等噪音影響的特點，基于微軟Kinect攝像頭技術，利用紅外圖像深度值，設計了一個用于豬稱重的原型，該系統(tǒng)成功地對長白羊和杜洛克兩種不同純種的體重進行了估計，與美國奧斯本的Fire系統(tǒng)稱量體重值間平均誤差在4%～5%。

3 展望

生豬體重一直倍受養(yǎng)殖戶關注，傳統(tǒng)體重稱量方式地磅秤、過道秤和桿秤等工具人工稱量，要求工人有一定體力才能勝任，稱量過程耗時很久，同時，給生豬帶來的應激反應更為嚴重。近年，計算機視覺技術快速發(fā)展，被成功應用到生豬產(chǎn)業(yè)發(fā)展中，基于2D或3D圖像的生豬非接觸式體重估測是典型應用之一。對比已有研究報道可知，利用圖像處理技術分析生豬3D圖像特征信息，提取體尺相關指標，通過卷積神經(jīng)網(wǎng)絡模型、PointNet++模型等非線性函數(shù)方法構建生豬自動估重模型，在實驗室條件下估測效果更為理想。為了加速基于3D圖像的非接觸式生豬估重方法落地，應擴大研究對象范圍，在豬場實際生產(chǎn)場景下采集數(shù)據(jù)，進而提高估重模型的泛化能力，有利于估重模型產(chǎn)品化，避免傳統(tǒng)稱量方法帶來的生豬應激反應，進而減少生產(chǎn)損失，降低豬場運營的生產(chǎn)成本，可用于生豬生長過程的監(jiān)測和研究，為生豬的精準飼養(yǎng)管理提供了一種有效的監(jiān)測手段。