基于轮廓特征的单只蛋鸡行为识别方法

doi:10.13733/j.jcam.issn.20955553.2022.02.020

摘要/Abstract

摘要： 育成期蛋鸡的行为能够反映其健康状况和对环境的适应情况，为快速地识别蛋鸡的行为，提出一种基于蛋鸡轮廓特征的行为识别方法。首先获取蛋鸡俯视图图像，并对蛋鸡图像进行预处理，通过自动阈值分割法得到蛋鸡轮廓并进行拟合，提取出拟合轮廓的几何特征，然后对特征进行排列组合，得到四种特征组合并结合极限学习机(ELM)进行训练，得到最佳的特征组合，最后建立蛋鸡行为识别模型。该方法的平均识别时间为1.54 s，且识别率高，对单只蛋鸡的采食、站、卧和修饰的识别率分别为97.00%、94.46%、91.50%和86.64%。

关键词: 行为识别, 特征提取, 图像处理, 极限学习机

中图分类号:

TP391.4

赵守耀, 陆辉山, 王福杰, 李沛, 王宁. 基于轮廓特征的单只蛋鸡行为识别方法[J]. 中国农机化学报, 2022, 43(2): 143-147.

Zhao Shouyao, Lu Huishan, Wang Fujie, Li Pei, Wang Ning.. Recognition method of single layer behavior based on contour feature[J]. Journal of Chinese Agricultural Mechanization, 2022, 43(2): 143-147.

参考文献

［1］　刘江川, 高云礼. 蛋鸡育成期的科学饲养和日常管理要点［J］. 现代畜牧科技, 2020(9): 32-33.
Liu Jiangchuan, Gao Yunli. Key points of scientific raising and daily management of laying hens in the breeding period ［J］. Modern Animal Husbandry Technology, 2020(9): 32-33.
［2］　郭磊, 陈信, 魏晓明, 等. 蛋鸡福利化养殖模式运用进展［J］. 中国畜禽种业, 2020, 16(7): 184.
Guo Lei, Chen Xin, Wei Xiaoming, et al. Progress in the application of welfare breeding model for laying hens ［J］. Chinas Livestock and Poultry Seed Industry, 2020, 16(7): 184.
［3］　任晓惠, 刘刚, 张淼, 等. 基于支持向量机分类模型的奶牛行为识别方法［J］. 农业机械学报, 2019, 50(S1): 290-296.
Ren Xiaohui, Liu Gang, Zhang Miao, et al. Dairy cattles behavior recognition method based on support vector machine classification model［J］. Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(S1): 290-296.
［4］　杨秋妹, 肖德琴, 张根兴. 猪只饮水行为机器视觉自动识别［J］. 农业机械学报, 2018, 49(6): 232-238.
Yang Qiumei, Xiao Deqin, Zhang Genxing. Automatic pig drinking behavior recognition with machine vision［J］. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(6): 232-238.
［5］　Cangar, Leroy T, Guarino M. Automatic realtime monitoring of locomotion and posture behavior of pregnant cows prior to calving using online image analysis ［J］. Computers & Electronics in Agriculture, 2008, 64(1): 53-60.
［6］　Leroy T, Vranken E, Brecht AV, et al. A computer vision method for online behavioral quantification of individually caged poultry ［J］. Transactions of the ASABE, 2006, 49(3): 795-802.
［7］　劳凤丹, 杜晓冬, 滕光辉. 基于深度图像的蛋鸡行为识别方法［J］. 农业机械学报, 2017, 48(1): 155-162.
Lao Fengdan, Du Xiaodong, Teng Guanghui. Automatic recognition method of laying hen behaviors based on depth image processing ［J］. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(1): 155-162.
［8］　劳凤丹, 滕光辉, 李军, 等. 机器视觉识别单只蛋鸡行为的方法［J］. 农业工程学报, 2012, 28(24): 157-163.
Lao Fengdan, Teng Guanghui, Li Jun, et al. Behavior recognition method for individual laying hen based on computer vision ［J］. Transactions of the Chinese Society of Agricultural Engineering, 2012, 28(24): 157-163.
［9］　Pereira D F, Miyamoto B C B, Maia G D N, et al. Machine vision to identify broiler breeder behavior ［J］. Computers and Electronics in Agriculture, 2013, 99: 194-199.
［10］　Poursaberi A, Wichman A, Bahr C, et al. Automatic monitoring of turkeys: A visionbased approach to detect and analyse the behavior of turkeys in transport cages based on ellipse fitting［J］. American Journal of Physiology, 2009, 267(1): 295-308.
［11］　季金胜. 高分辨率遥感影像典型地物目标的特征选择及其稳定性研究［D］. 上海: 上海交通大学, 2015.
Ji Jingsheng. Research on feature selection and stability of typical ground objects in high resolution remote sensing images ［D］. Shanghai: Shanghai Jiao Tong University, 2015.
［12］　李志铭, 赵静, 兰玉彬, 等. 基于无人机可见光图像的作物分类研究［J］. 西北农林科技大学学报(自然科学版), 2020, 48(6): 137-144, 154.
Li Zhiming, Zhao Jing, Lan Yubin, et al. Crop classification based on UAV visible image ［J］. Journal of Northwest A & F University (Natural Science Edition), 2020, 48(6): 137-144, 154.
［13］　戴建国, 张国顺, 郭鹏, 等. 基于无人机遥感可见光影像的北疆主要农作物分类方法［J］. 农业工程学报, 2018, 34(18): 122-129.
Dai Jianguo, Zhang Guoshun, Guo Peng, et al. Classification method of main crops in northern Xinjiang based on UAV visible waveband images ［J］. Transactions of the Chinese Society of Agricultural Engineering, 2018, 34(18): 122-129.
［14］　Huang Guangbin, Zhu Qinyu, Cheekheong S. Extreme learning machine: A new learning scheme of feedforward neural networks ［C］. IEEE International Joint Conference on Neural Networks. IEEE, 2005.

[1]	李子茂, , 李嘉晖, , 尹帆, , 帖军, , 吴钱宝, . 基于可形变卷积与SimAM注意力的密集柑橘检测算法[J]. 中国农机化学报, 2023, 44(2): 156-162.
[2]	任浩, , 李丽, , 卢世博, , 陈静姚, 张云峰, . 基于深度学习的复杂自然环境下桑树枝干识别方法[J]. 中国农机化学报, 2023, 44(2): 182-188.
[3]	刘宇泽, 孙涵, 李明洋, 李明心, 康巨涛, 王恩浩. 细粒度图像识别任务的多层和区域特征融合模型[J]. 中国农机化学报, 2023, 44(1): 199-207.
[4]	梁喜凤, 花瑞, 杨铭涛. 番茄枝叶修剪机械手视觉伺服控制系统研究[J]. 中国农机化学报, 2022, 43(7): 8-13.
[5]	阮承治, 陈茜, 陈旭, 赵升云, 孙月平, 赵德安. 颜色空间直方图相交法的竹条色差分类检测系统研究[J]. 中国农机化学报, 2022, 43(5): 85-92.
[6]	李金阳, 张伟, 康烨, 许秀英, 亓立强, 石文强, . 基于无人机遥感技术的大豆苗数估算研究[J]. 中国农机化学报, 2022, 43(4): 83-89.
[7]	郑如新, 孙青云, 肖国栋. 基于机器视觉的金银花图像识别处理算法研究[J]. 中国农机化学报, 2022, 43(4): 153-159.
[8]	宋建熙, 李兴科, 于哲, 李西兵. 改进Retina-Net的草坪杂草目标检测[J]. 中国农机化学报, 2022, 43(12): 170-177.
[9]	李小敏, 张日红, 陈天赐, 侯炳法, 张权, 李雄, . 基于深度学习的林下落果识别方法与试验[J]. 中国农机化学报, 2021, 42(9): 202-208.
[10]	项小东, 翟蔚, 黄言态, 刘薇, . 基于Xception-CEMs神经网络的植物病害识别[J]. 中国农机化学报, 2021, 42(8): 177-186.
[11]	刘艳昌, 赵海生, 李泽旭, 张志霞, 左现刚, 李国厚, . 基于机器人的生猪健康养殖智能监控系统设计[J]. 中国农机化学报, 2021, 42(8): 187-195.
[12]	王雪晴;郑福来;赵换丽;. 基于几何和色度学特征识别的花生视觉选种方法[J]. 中国农机化学报, 2021, 42(5): 94-99.
[13]	郭祥雨;薛新宇;. 基于机器视觉的水稻制种田导航线提取方法[J]. 中国农机化学报, 2021, 42(5): 197-201.
[14]	吕梦棋;张芮祥;贾浩;马丽;. 基于改进ResNet玉米种子分类方法研究[J]. 中国农机化学报, 2021, 42(4): 92-98.
[15]	谢佩军;张育斌;. 膜计算粒子群算法改进极限学习机的水肥预测模型研究[J]. 中国农机化学报, 2021, 42(4): 142-149.