机器视觉在奶牛个体识别中的研究进展.docx

?

?

机器视觉在奶牛个体识别中的研究进展

?

?

王思懿

摘要：奶牛养殖是中国畜牧业重要的组成部分，为提高养殖场的规模和管理效率，增强产业经济效益，应用计算机视觉处理奶牛信息成为一种主流趋势。奶牛个体的精确识别作为机器视觉处理奶牛信息的基础步骤，对其信息获取的准确性有着重要的影响。该文将从牛只图像位置获取技术、牛只身份识别技术和增强牛只图像信息量技术对奶牛的精准识别进行综述。

关键词：计算机视觉;信息技术;奶牛;图像识别;研究

1??机器视觉技术监管

目前，中国奶牛养殖从整体上来看，有着规模小、养殖观念传统、缺乏养殖和管理经验等缺陷，这导致牧场的管理水平低下，影响了奶牛养殖的产量与质量[1]。普遍的人力监管方式难以避免人为因素导致的牛奶质量问题，且其获取养殖场的综合信息能力较低。因此为保证奶牛得到高效率的监管，增加养殖收益，使用机器视觉技术监管成为一种趋势。

机器视觉作为一种智慧农场实现的热点技术，具有非接触、不易干扰奶牛正常生活、长时间连续监控、算法更新迅速的优点。对于奶牛的个体准确识别是机器视觉对获取到的奶牛图像进行各类体况分析的前提，也是将奶牛体况信息精准记录到每一只奶牛的基础技术。该文将从以下三方面基础技术对奶牛个体的精准识别研究进展进行综述，即从图像中识别到奶牛具体位置的算法，对奶牛身份进行识别对应的算法，获取更多奶牛信息量的算法。

2??精確识别牛只技术

2.1??牛只图像位置识别技术

所有对于奶牛图像的各类人工智能分析方法，都建立在一个最基础的问题上——奶牛图像的获取。摄像机等硬件设备能够拍摄获得奶牛所处场景的整体图像，但无法单独获取奶牛个体的图像。因此，为了进行后续对奶牛个体动作和状态的分析，首先需要解决奶牛个体图像的准确提取。顾静秋等[2]提出了使用聚类算法和熵结合的方式获取奶牛对象。通过阈值区分天空、地面和目标对象的图像灰度，再对图像欧氏空间内的特征向量进行聚类，抽取分离奶牛对象。实验中奶牛对象提取效果较好，但由于其方法基于灰度值的计算，在目标对象与背景灰度近似时可能会造成准确度的影响。赵凯旋[3]同样提出了一种对图像灰度进行分析的方法。通过按照灰度值划分不重叠的子区，使用动态RGB通道合成参数调整的方法对目标及背景图像进行适时调整，然后使用背景去除和最后进行子区域拼接的方法完成目标的检测。检测率为88.34%，误检率、误检帧和拒检帧较低，且对光照变化适应性较强。但文章只对单头奶牛和单一背景进行了实验，对于这一方法的适用性还需要更多应用和测试来进行评估。同样是背景去除的方法，宋怀波等[4]将图像转换为HSV图像，对亮度分量进行二值化得到奶牛目标提取的掩模，使用高斯去噪后，使用掩模在灰度图上去除无关背景后，得到奶牛目标。其算法一定程度上补充了背景去除算法的思路。

不同于利用灰度值的思想，宋怀波等还提出了使用光流法对于奶牛个体或其所需要检测的部位图像进行提取。光流是一种图像亮度模式的表观运动，其表达了目标的运动信息，其引申出的光流场概念描述了图像中所有像素点构成的瞬时速度场，因此光流法提取目标主要应用于运动较剧烈的目标的提取。宋怀波等[5]使用每帧图像的光流场，通过识别光流场的变化，检测奶牛较大运动部位，作为目标区域的候选。对图像用合适阈值分割，使用有较大变化的光流值的帧，叠加分割后帧的二值图像，利用牛反刍时嘴部运动最为剧烈的特点，通过最终叠加后的二值图像识别牛的嘴部区域。

除光流法外，也有其他对于图像中的运动区域进行识别的方法被应用于奶牛个体的识别。TsaiD等[6]使用IP摄像机从牛棚顶部拍摄奶牛，通过对视频的时空表示识别高水平的运动区域，得到运动强度图，然后通过区域生长分割的方法，保留面积最大的区域进行进一步处理。使用基于模式的前景分割从当前图像中提取奶牛的形状。分割后的运动区域用来限制目标物体的前景，消除附近不相关的牛的部分。该方法能够得到对奶牛个体的最小包围框，而非沿奶牛个体边界的精确提取。

2.2??牛只身份识别技术

为解决对牛个体间的区分问题，研究人员常利用机器学习和卷积神经网络的方法对牛只身份进行识别。赵凯旋等[7]提出通过帧间差值法计算直线行走侧视奶牛视频中的粗略轮廓，再由分段跨度分析对应二值图像，从而定位器躯干区域，使用二值图像对躯干进行比对跟踪。将上述方法得到的躯干图像进行灰度化，并进行插值运算和归一化转换为矩阵，作为神经网络的输入数据。通过第一卷积层，第二下采样层，第三卷积层和第四下采样层的卷积神经网络结构，建立与奶牛头数相当的感知器，使每一种奶牛个体作为一个模式进行输出。该方法对视频中奶牛个体的识别准确率达到了93.33%，同时，方法中减少了卷积层中特征图的数量，提高了网络对图像信息的利用率。然而再对相似图像进行处理时，会由于先前对图像进行的变化导致细节信息的