CN106295558A - 一种猪只行为节律分析方法 - Google Patents

Abstract

本发明公开了一种猪只行为节律分析方法，包括如下步骤：S1在猪只生产现场安装监控摄像头，标记猪只用于区分猪只；S2实时获取猪只生产现场监控视频，定位猪只个体，确定猪只的活动距离；S3根据猪只单位时间的活动距离，判断猪只行为；S4结合猪只个体生长周期的行为数据，群体间的行为数据建立猪只行为节律模型。本发明的结构简单，方便易用，适合在养殖业上大规模部署应用。

Description

一种猪只行为节律分析方法

技术领域

本发明涉及分布式远程通讯领域，特别涉及一种猪只行为节律分析方法。

背景技术

自然条件下猪只生长周期的行为节律是猪只生长监控、生产性能分析、疾病预警等等的重要依据。过去由于条件所限对猪只行为的分析具有一定的困难。随着高清视频网络监控技术和图像处理分析技术的快速应用发展，利用机器视觉代替人眼使猪只行为分析成为了可能；

国内外多个学者对猪只行为展开了相关研究。现有技术中通过在猪只背部打上标记定位猪只个体，进一步采用视频监控猪只饮水行为和量化猪只移动的方法；或者采用通过自动录制的视频研究了猪只的面对面交流、头对头攻击、头对身体攻击、正反向并排挤压、咬脖、咬身、嚼耳、扑向对方等异常行为利用机器视觉和Delaunay三角剖分方法检测商业化农场环境下猪群卧躺行为变化，并与环境温度变化进行了关联分析；或者采用光流法和修改角直方图分析猪群的移动行为；或者采用监控视频定位具有异常行为的疑似病猪，检测猪只不同姿态，对猪只呼吸频率进行检测；或者采用多种图像分割技术对猪只及其行为识别进行了试验研究；或者一种基于几何参数特征与决策树支持向量机的猪只姿态分类方法。

发明内容

为了克服现有技术存在的缺点与不足，本发明提供一种猪只行为节律分析方法。

本发明采用如下技术方案：

一种猪只行为节律分析方法，包括如下步骤：

S1在猪只生产现场安装监控摄像头，标记猪只用于区分猪只；

S2实时获取猪只生产现场监控视频，定位猪只个体，确定猪只的活动距离；

S3根据猪只单位时间的活动距离，判断猪只行为；

S4结合猪只个体生长周期的行为数据，群体间的行为数据建立猪只行为节律模型。

所述S2中定位猪只个体，确定猪只的活动距离，采用参照物法，具体为在猪只生产现场放置标定板，获取图像像素点距离与实际距离之间的映射关系，然后应用基于颜色特征与形态特征结合的方法分割轻度粘连的猪只并采用最小二乘法拟合椭圆，得到每一帧图像中的猪只个体，确定猪只的运动距离即移动位移。

所述猪只行为包括a类行为及b类行为，所述a类行为包括运动及休息，所述b类行为包括饮水、采食、排泄、猪咬栏、猪咬尾症及打架；

具体判别方法为：

S3.1首先判别a类行为：

运动识别，如果猪只在t时刻到t+1时刻内移动位移大于等于设定的阈值Smove，则判断该猪只正在运动，继续进入S3.3中进入b类行为的判断；

休息识别，如果猪只在t时刻到t+1时刻内移动位移小于设定的阈值Sstay，则认为该猪只处于休息中，继续进入S3.2中进入b类行为的判断；

S3.2假设饮水槽、食槽及排泄槽范围已经划定，且饮水槽、食槽及排泄槽均为矩形，则猪只的头部被包含在饮水槽、食槽的矩形内，判定猪只为饮水或采食行为，如果猪只的尾部被包含在排泄槽的矩形范围内则判定为排泄行为；

S3.3如果猪只与围栏距离小于距离阈值并且持续时间大于时间阈值，则认为该猪只正在处于咬栏状态；

如果两只猪只的质心距离小于距离阈值并且持续时间大于时间阈值，则认为该两只猪都正在处于打架状态；

如果两只猪只通过猪只质心到边缘点的距离求出猪只轮廓中的特征点，比如代表头部的三个特征点，而与质心距离最远的就是代表尾部的特征点，此时判断两只猪之间是否存在猪咬症，如果

一只猪的头与另一只猪的尾巴距离少于设定的阈值，并且持续的时间也大于设定的阈值则为猪咬尾症。

阈值Smove、阈值Sstay、距离阈值及时间阈值具体是通过对数据集进行贝叶斯训练得到，然后根据最近的行为判别的历史结果加入能够动态自适应的行为类别判断机制进行实时调整。

判定猪只头部或尾部是否在矩形内的方法如下：

假设mCount是当前猪只i的轮廓边缘点的总数量，其中点(C_{x_n} ^t,C_{y_n} ^t)n<mCount，是t时刻的一个边缘点n的坐标值，状态p_i ^t下的(x^t _i,y^t _i)是当前猪只质心的坐标，在得到猪只完整轮廓的前提下，即包含猪只完整头部、耳朵以及身体的二值图，计算猪只质心到猪只轮廓边缘点的距离，获取极小值以及极大值相对应的坐标，即可得到分别对应左耳朵、鼻子、右耳朵的三个特征点；

假设当前时刻猪只面积像素点总数为mArea，饮水槽的矩形面积阈值为wArea，食槽的矩形面积阈值为eArea；

然后判断是否有两个以上特长点在饮水槽、食槽或排泄槽中，如果是则猪只进入水槽、食槽、排泄槽的面积分别大于饮水槽及食槽的阈值，且停留时间大于时间阈值则判断为饮水或采食行为。

猪只采用椭圆表示，头部与尾部看成是对称的分布在椭圆的两端，头部确定，尾部也就确定位置。

S4结合猪只个体生长周期的行为数据，群体间的行为数据建立猪只行为节律模型；

具体为获取每个猪只个体的各行为在一定时间周期内的平均发生次数、平均持续时间、最多发生次数、最多持续时间、最少发生次数及最少持续时间，通过机器学习方法建立猪只个体行为模型，当数据出现异常时，向饲养员发出警报。

本发明的有益效果：

(1)本发明结合了远程通讯技术、数据采集与处理技术、视觉处理技术和数据挖掘技术实现了可长期的，实时的，远程的自然条件下猪场猪只活动的现场动态监测和行为识别，大大地降低了劳动强度；

(2)本发明能够识别猪只运动、休息以及饮水、采食、排泄、猪咬栏、猪咬尾症、打架等八种行为状态，通过贝叶斯训练和动态自适应判断机制，避开人为判断，基于大数据库得到行为判断的阈值，结合历史数据库和猪只当前状态对行为判别的结果进行调整，实现了一套基于数据库的全自动行为识别系统；

(3)本发明能够对猪只整个生长周期行为节律进行动态建模，从机器视觉的角度为自然条件下猪只健康状况以及猪只生产性能分析提供参考依据；

(4)本发明的结构简单，方便易用，适合在养殖业上大规模部署应用。

附图说明

图1是本发明的工作流程图；

图2是本发明的猪只个体定位流程图；

图3是本发明的猪只行为提取休息识别流程图；

图4是本发明的猪只行为提取运动识别流程图；

图5是本发明的建立猪只行为节律模型的流程图。

具体实施方式

下面结合实施例及附图，对本发明作进一步地详细说明，但本发明的实施方式不限于此。

实施例

如图1-图4所示，一种猪只行为节律分析方法，包括如下步骤：

S1在猪只生产现场安装监控摄像头，猪只生产现场在摄像头的视野范围内，标记猪只用于区分猪只；

S2如图2所示，实时获取猪只生产现场监控视频，模块先图像分割得到二值图，然后拟合猪只椭圆定位猪只个体，确定猪只的活动距离；

具体为：

采用参照物法，具体为在猪只生产现场放置标定板，获取图像像素点距离与实际距离之间的映射关系，然后应用基于颜色特征与形态特征结合的方法分割轻度粘连的猪只并采用最小二乘法拟合椭圆，得到每一帧图像中的猪只个体，确定猪只的运动距离即移动位移。

S3根据猪只单位时间的活动距离，判断猪只行为；具体如图3及图4所示，本发明将猪只的行为分为a、b两类，其中a类代表基本行为，b类代表复杂行为。猪只行为判断必然是a类行为中的某一种，而b类行为作为附加行为与a类行为并列存在，即若b类行为判断为假，则最终判定的结果也是a类行为中的某一种，所述猪只行为包括a类行为及b类行为，所述a类行为包括运动及休息，所述b类行为包括饮水、采食、排泄、猪咬栏、猪咬尾症及打架；

具体的猪只行为描述如下表：

通过对猪只的单位时间的活动距离分析猪只的运动与休息行为2类a类行为；通过猪只质心与轮廓点的欧氏距离分析猪只的头部位置，从而根据头部位置与食槽、水槽、排粪区的位置来判断猪只的采食、饮水、排泄等b类行为；

通过猪只质心、运动速度、运动加速度、群体之间的距离、行为持续时间判断猪咬栏、猪咬尾症、打架等b类行为。基于数据库中一部分样本进行贝叶斯训练，不需要人工干预，得到行为判别的阈值，动态自适应判别模块结合历史数据库和当前猪只运动状态调整行为判别的结果。

具体判断过程如下：

S3.1首先判别a类行为：

运动识别，如果猪只在t时刻到t+1时刻内移动位移大于等于设定的阈值Smove，则判断该猪只正在运动，继续进入S3.3中进入b类行为的判断；

休息识别，如果猪只在t时刻到t+1时刻内移动位移小于设定的阈值Sstay，则认为该猪只处于休息中，继续进入S3.2中进入b类行为的判断；

S3.2假设饮水槽、食槽及排泄槽范围已经划定，且饮水槽、食槽及排泄槽均为矩形，则猪只的头部被包含在饮水槽、食槽的矩形内，判定猪只为饮水或采食行为，消除了猪只尾部在矩形内被判定为饮水或采食行为的误差。另一方面，猪只的尾部被包含在排泄槽范围的矩形内才能被判定为排泄行为，消除了猪只头部在矩形r内被判定为排泄行为的误差。

饮水、采食以及排泄行为的前置行为是休息行为。即只有猪只被判定为休息行为之后，才会继续判断是否处于饮水、采食或排泄行为。

具体判定过程为：

假设mCount是当前猪只i的轮廓边缘点的总数量，其中点(C_{x_n} ^t,C_{y_n} ^t)(n<mCount)是t时刻的一个边缘点n的坐标值，状态p_i ^t下的(x^t _i,y^t _i)是当前猪只质心的坐标，在得到猪只完整轮廓的前提下(即包含猪只完整头部、耳朵以及身体的二值图)，计算质心到边缘点距离，计算猪只质心到猪只轮廓边缘点的距离，获取极小值以及极大值相对应的坐标，即可得到分别对应左耳朵、鼻子、右耳朵的三个特征点。

假设当前时刻猪只面积像素点总数为mArea，饮水槽的矩形面积阈值为wArea，食槽的矩形面积阈值为eArea，排泄槽的矩形面积阈值为pArea，则猪只进入饮水槽、食槽、排泄槽的面积分别大于这3个阈值才能成为饮水、采食以及排泄行为。

饮水、采食以及排泄行为都需要持续一定时间，假设时间阈值为t，猪只在饮水槽、食槽、排泄槽的停留时间大于时间阈值才能分别成为饮水、采食以及排泄行为。

S3.3如果猪只与围栏距离小于距离阈值并且持续时间大于时间阈值，则认为该猪只正在处于咬栏状态；

通过两只猪只的质心距离、运动速度、运动加速度以及该行为的持续时间，可以判定两只猪只是否处于打架状态。两只猪只得距离小于距离阈值并且持续时间大于时间阈值，则认为该两只猪都正在处于打架状态。

如果两只猪只通过猪只质心到边缘点的距离求出猪只轮廓中的特征点，比如代表头部的三个特征点，而与质心距离最远的就是代表尾部的特征点，此时判断两只猪之间是否存在猪咬症，如果

一只猪的头与另一只猪的尾巴距离少于设定的阈值，并且持续的时间也大于设定的阈值则为猪咬尾症。

由于人工干预设定阈值过于受限，猪只个体之间行为参数是有区别的，所以本发明阈值Smove、阈值Sstay、距离阈值及时间阈值具体贝叶斯阈值训练和动态自适应判别机制，用作行为判断的所有阈值都不采用人为设定值，而是直接通过对数据集进行贝叶斯训练得到；为了增强算法对行为识别的准确性，需要根据最近的行为判别的历史结果加入能够动态自适应的行为类别判断机制，在长时间对猪只行为的分析过程中根据个体差异对阈值进行动态自适应调整。具体方法如下：

①贝叶斯迭代训练

选择小集合视频作为训练集，人工将训练集划分成运动、休息以及饮水、采食、排泄、猪咬栏、猪咬尾症、打架等八个行为类别。训练集用来分别计算某一行为类别的(a)此行为类别的先验概率P(s)；(b)每组运动特征在训练集中出现的先验概率P(c)；(c)属于此行为类别的每组运动特征的先验概率P(c|s)。接下来，此行为类别的概率P(s|c)可以通过贝叶斯规则计算得到：

$P\left(s\right|c)=\frac{P\left(c\right|s)*P\left(s\right)}{P\left(c\right)}$

每组运动特征属于某一行为类别的可能性被确定后，概率P(s|c)>Tmax会被认为是此行为类别。另外，基于行为的时间连续性，相邻于这组运动参量的P(s|c)>Tmin且Tmin<Tmax的前后两帧都会被认为是此行为类别。这个操作的理由是，如果这些前后帧与概率高的某一行为类别帧相邻，较低的概率也应该被考虑进去。Tmin和Tmax的值由人工给定初始值。

②动态自适应检测

算法保存了2个先验概率P(s)、P(c)、P(c|s)的集合：离线训练集P(s)、P(c)、P(c|s)，最近ω帧所收集到的信息。显然，第二组能更好地反映行为类别的“近期”结果，所以动态自适应计算公式如下：

P(s|c)＝γP(s|c)+(1-γ)P_ω(s|c)

P(s|c)和P_ω(s|c)都是用①中的贝叶斯公式计算得到的，但动态自适应公式涉及整个训练集的计算和从上ω帧判别结果的先验概率。动态自适应公式中，γ是控制判别过程中设定的训练影响的灵敏度参数。γ值由人工给定初始值。

S4，如图5所示，结合猪只个体生长周期的行为数据，群体间的行为数据建立猪只行为节律模型。

本发明长时间监控每个猪只个体每天、每周、每月的日常行为，分析出每个猪只个体的各行为在一定时间周期内的平均发生次数、平均持续时间、最多发生次数、最多持续时间、最少发生次数、最少持续时间等等，通过机器学习方法建立猪只个体行为模型，当发现某时刻行为数据与以往正常数据出现差异时，时系统会向饲养人员提出警报；系统同时长时间监控猪只群体间每天、每周、每月的行为，分析各个栏内猪只群体的各行为状况，建立猪只群体行为模型，当发现某时刻行为数据与以往正常数据出现差异或者出现打架、群体染病等情况，系统会向饲养人员提出警报；系统警报后将通过人为评估猪只状况然后回复系统的警报是否正确，若系统警报正确，则系统将以原有的模型继续运行，若系统警报错误，则系统会利用此错误数据重新动态调整模型，以进行更好的监控。

本发明包括猪场现场的监控节点、各个猪场的NVR服务器，高清视频监控节点对猪只进行每天24小时实时监控，对自然条件下猪场猪只个体进行检测、识别、跟踪；识别猪只运动、休息以及饮水、采食、排泄、猪咬栏、猪咬尾症、打架等八种行为状态，通过贝叶斯训练和动态自适应判断机制，避开人为判断，基于大数据库得到行为判断的阈值，结合历史数据库和猪只当前状态对行为判别的结果进行调整，实现了一套基于数据库的全自动行为识别系统；对猪只整个生长周期内的猪只个体、猪只群体建立行为节律动态建模，利用机器学习方法为自然条件下猪只健康状况以及猪只生产性能分析提供参考依据。

本发明结合了远程通讯技术、数据采集与处理技术、视觉处理技术、数据挖掘技术，实现了远程的、实时的猪场猪只监控和跟踪，并实现了猪只生长周期行为节律提取，大大地降低了劳动强度，能够为自然条件下猪只健康状况以及猪只生产性能分析提供参考依据。本发明的结构简单，方便易用，适合在养殖业上大规模部署应用。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受所述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (7)

1.一种猪只行为节律分析方法，其特征在于，包括如下步骤：

S1在猪只生产现场安装监控摄像头，标记猪只用于区分猪只；

S2实时获取猪只生产现场监控视频，定位猪只个体，确定猪只的活动距离；

S3根据猪只单位时间的活动距离，判断猪只行为；

S4结合猪只个体生长周期的行为数据，群体间的行为数据建立猪只行为节律模型。

2.根据权利要求1所述的猪只行为节律分析方法，其特征在于，所述S2中定位猪只个体，确定猪只的活动距离，采用参照物法，具体为在猪只生产现场放置标定板，获取图像像素点距离与实际距离之间的映射关系，然后应用基于颜色特征与形态特征结合的方法分割轻度粘连的猪只并采用最小二乘法拟合椭圆，得到每一帧图像中的猪只个体，确定猪只的运动距离即移动位移。

3.根据权利要求1所述的猪只行为节律分析方法，其特征在于，所述猪只行为包括a类行为及b类行为，所述a类行为包括运动及休息，所述b类行为包括饮水、采食、排泄、猪咬栏、猪咬尾症及打架；

具体判别方法为：

S3.1首先判别a类行为：

运动识别，如果猪只在t时刻到t+1时刻内移动位移大于等于设定的阈值Smove，则判断该猪只正在运动，继续进入S3.3中进入b类行为的判断；

休息识别，如果猪只在t时刻到t+1时刻内移动位移小于设定的阈值Sstay，则认为该猪只处于休息中，继续进入S3.2中进入b类行为的判断；

S3.2假设饮水槽、食槽及排泄槽范围已经划定，且饮水槽、食槽及排泄槽均为矩形，则猪只的头部被包含在饮水槽、食槽的矩形内，判定猪只为饮水或采食行为，如果猪只的尾部被包含在排泄槽的矩形范围内则判定为排泄行为；

S3.3如果猪只与围栏距离小于距离阈值并且持续时间大于时间阈值，则认为该猪只正在处于咬栏状态；

如果两只猪只的质心距离小于距离阈值并且持续时间大于时间阈值，则认为该两只猪都正在处于打架状态；

如果两只猪只通过猪只质心到边缘点的距离求出猪只轮廓中的特征点，比如代表头部的三个特征点，而与质心距离最远的就是代表尾部的特征点，此时判断两只猪之间是否存在猪咬症，如果

一只猪的头与另一只猪的尾巴距离少于设定的阈值，并且持续的时间也大于设定的阈值则为猪咬尾症。

4.根据权利要求3所述的猪只行为节律分析方法，其特征在于，阈值Smove、阈值Sstay、距离阈值及时间阈值具体是通过对数据集进行贝叶斯训练得到，然后根据最近的行为判别的历史结果加入能够动态自适应的行为类别判断机制进行实时调整。

5.根据权利要求3所述的猪只行为节律分析方法，其特征在于，判定猪只头部或尾部是否在矩形内的方法如下：

假设mCount是当前猪只i的轮廓边缘点的总数量，其中点(C_{x_n} ^t,C_{y_n} ^t)n<mCount，是t时刻的一个边缘点n的坐标值，状态p_i ^t下的(x^t _i,y^t _i)是当前猪只质心的坐标，在得到猪只完整轮廓的前提下，即包含猪只完整头部、耳朵以及身体的二值图，计算猪只质心到猪只轮廓边缘点的距离，获取极小值以及极大值相对应的坐标，即可得到分别对应左耳朵、鼻子、右耳朵的三个特征点；

假设当前时刻猪只面积像素点总数为mArea，饮水槽的矩形面积阈值为wArea，食槽的矩形面积阈值为eArea；

然后判断是否有两个以上特长点在饮水槽、食槽或排泄槽中，如果是则猪只进入水槽、食槽、排泄槽的面积分别大于饮水槽及食槽的阈值，且停留时间大于时间阈值则判断为饮水或采食行为。

6.根据权利要求5所述的猪只行为节律分析方法，其特征在于，猪只采用椭圆表示，头部与尾部看成是对称的分布在椭圆的两端，头部确定，尾部也就确定位置。

7.根据权利要求1所述的猪只行为节律分析方法，其特征在于，S4结合猪只个体生长周期的行为数据，群体间的行为数据建立猪只行为节律模型；

具体为获取每个猪只个体的各行为在一定时间周期内的平均发生次数、平均持续时间、最多发生次数、最多持续时间、最少发生次数及最少持续时间，通过机器学习方法建立猪只个体行为模型，当数据出现异常时，向饲养员发出警报。