CN118505696A - 一种基于图像特征分析的猪粪便智能检测系统 - Google Patents

Abstract

本发明涉及图像处理及分析技术领域，具体涉及一种基于图像特征分析的猪粪便智能检测系统。本发明首先获取猪舍每个围栏的俯视图像；进一步利用图像分割，获取猪舍地面区域；进一步筛选猪舍地面区域，获得目标地面区域，缩小猪粪便区域搜索范围；进一步筛选目标地面区域，获得待测猪粪便区域，进一步缩小搜索范围；最后将待测猪粪便区域的图像输入神经网络，识别目标猪粪便区域，然后进行拼合叠加，获得完整猪粪便区域。本发明通过多次筛选，将最有可能是猪粪便的区域筛选出来，从而输入神经网络中进行最终识别，减少干扰因素，提升识别准确性，并减少需要神经网络处理的图像区域，减少计算量，提升检测效率。

Description

一种基于图像特征分析的猪粪便智能检测系统

技术领域

本发明涉及图像处理及分析技术领域，具体涉及一种基于图像特征分析的猪粪便智能检测系统。

背景技术

对于猪粪便的识别检测涉及图像处理和分析的技术，通过收集和分析猪粪便的图像数据，可以生成大量的信息用于决策制定，这样的数据驱动方法有助于优化养殖管理策略，提高农业生产的可持续性，同时可以帮助农场管理者更好地了解猪场内的状况。通过及时处理废物，提高清洁效率，有助于提高养殖效率和减少资源浪费。

目前基于图像特征进行猪粪便的检测一般基于全图直接进行神经网络识别，但实际中由于猪身遮挡无法获取地面部分区域，猪舍地面可能存在土块杂质、水渍的干扰的问题，导致无法精确的得到属于粪便的区域，影响基于图像特征生成的数据的准确性，不利于决策制定。

发明内容

为了解决现有方法获取粪便区域不够准确的技术问题，本发明的目的在于提供一种基于图像特征分析的猪粪便智能检测系统，所采用的技术方案具体如下：

图像采集模块：以预设采样间隔获取猪舍每个围栏的俯视图像；

图像分割模块：对所述俯视图像进行图像分割，获取猪舍地面区域；

初步筛选模块：根据每个所述猪舍地面区域的边缘像素点数量的相对比例，获取每个所述猪舍地面区域的边缘参数；根据所述猪舍地面区域内所有像素点的整体灰度值与裸露地面先验灰度值的偏离特征，获取覆盖可能性参数；根据每个所述猪舍地面区域内像素点的灰度值离散特征，结合所述边缘参数和所述覆盖可能性参数，获取筛选参数；根据所述筛选参数筛选出目标地面区域；

精细筛选模块：根据所述目标地面区域内像素点的分布特征，结合所述筛选参数获取每个所述目标地面区域的粪便区域可能性；根据所述粪便区域可能性，筛选出待测猪粪便区域；

粪便检测模块：将每个所述待测猪粪便区域的图像通过预训练的神经网络，获取目标猪粪便区域；将每个围栏对应的所有所述俯视图像中的所述目标猪粪便区域进行叠加拼合，获取每个围栏的完整猪粪便区域。

进一步地，所述边缘参数的获取方法包括：

通过Sobel算子获取所述俯视图像的边缘像素点；获取所述猪舍地面区域内包含的边缘像素点数量的极差作为分母参数；将每个所述猪舍地面区域内包含的边缘像素点数量与所述分母参数的比值作为每个所述猪舍地面区域的边缘参数。

进一步地，所述覆盖可能性参数的获取方法包括：

将每个所述猪舍地面区域内所有像素点的灰度平均值与所述裸露地面先验灰度值的差值绝对值，作为每个所述猪舍地面区域的覆盖可能性参数。

进一步地，所述筛选参数的获取方法包括：

将所述猪舍地面区域内像素点灰度值的平均绝对偏差作为纹理粗糙参数；

将每个所述猪舍地面区域的所述纹理粗糙参数、所述边缘参数和所述覆盖可能性参数的乘积归一化后，作为每个所述猪舍地面区域的筛选参数。

进一步地，所述目标地面区域的获取方法包括：

将所述筛选参数大于预设覆盖物存在阈值的猪舍地面区域作为目标地面区域。

进一步地，所述粪便区域可能性的获取方法包括：

利用8-链码对所述目标地面区域进行处理，获取相邻链码的夹角，构成夹角序列；分析夹角序列内夹角的统计特征，获得第一参数；

将目标地面区域内像素点梯度幅值的平均绝对偏差作为第二参数；

分析所述目标地面区域内整体灰度趋势特征，获取第三参数；

将所述第一参数、所述第二参数和所述第三参数的乘积利用指数函数映射并归一化，获得所述目标地面区域的粪便区域可能性。

进一步地，所述第一参数的获取方法包括：

将所述夹角序列中夹角进行余弦变换，获得夹角余弦值序列，将所述夹角余弦值序列中每个余弦值进行负相关映射，并将映射结果求和，获得第一参数。

进一步地，所述第三参数的获取方法包括：

将所述目标地面区域内所有像素点中最大灰度值与平均灰度值的差进行负相关映射，获得整体偏向参数；将所述目标地面区域的所述筛选参数与所述整体偏向参数的乘积作为第三参数。

进一步地，所述待测猪粪便区域的获取方法包括：

将所述粪便区域可能性大于等于预设粪便区域可能性阈值的所述目标地面区域标记为待测猪粪便区域。

进一步地，所述猪舍地面区域的获取方法包括：

利用OTSU算法对所述俯视图像进行处理，获取猪舍地面图像；将所述猪舍地面图像利用选择性搜索算法进行处理，获取猪舍地面区域。

本发明具有如下有益效果：

本发明针对现有方法获取粪便区域不够准确的技术问题，提出了一种基于图像特征分析的猪粪便智能检测系统。本发明首先以预设采样间隔获取猪舍每个围栏的俯视图像，以便最后将多幅图像进行拼合叠加，减少因为猪身遮挡导致的无法获取部分地面图像的情况；进一步利用图像分割，获取猪舍地面区域，排除猪身区域干扰；进一步利用猪舍地面区域的平滑特征、边缘参数和覆盖可能性参数，筛选猪舍地面区域，排除裸露地面区域干扰，获得目标地面区域，缩小猪粪便区域搜索范围；进一步根据所述目标地面区域内像素点的分布特征，筛选目标地面区域，减少土块、水渍区域的干扰，获得待测猪粪便区域，进一步缩小住粪便区域的搜索范围；最后将待测猪粪便区域的图像输入神经网络，识别目标猪粪便区域，然后进行拼合叠加，获得完整猪粪便区域。本发明通过多次筛选，将最有可能是猪粪便的区域筛选出来，从而输入神经网络中进行最终识别，减少干扰因素，提升识别准确性，并减少需要神经网络处理的图像区域，减少计算量，提升检测效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明一个实施例所提供的一种基于图像特征分析的猪粪便智能检测系统的系统框图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于图像特征分析的猪粪便智能检测系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种基于图像特征分析的猪粪便智能检测系统的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种基于图像特征分析的猪粪便智能检测系统的系统框图，该系统包括：图像采集模块101，图像分割模块102，初步筛选模块103，精细筛选模块104和粪便检测模块105。

图像采集模块101：以预设采样间隔获取猪舍每个围栏的俯视图像。

由于猪本身的活动会遮盖地面部分区域，导致无法获取这部分图像，所以本发明实施例中通过多次采样、统一拼合的方式，在屋顶架设摄像头进行俯视拍摄，利用多个相机对多个围栏进行拍摄，保证成像视角能够覆盖猪舍某围栏内的全部区域，且多个采样区域邻接不重叠。对于猪舍内每个围栏区域每隔5分钟拍摄一次，将同一个围栏区域一小时内所拍摄的图像作为一组图像，然后针对组内所有图像进行处理，将每张图像中的猪身区域去除，减少土块和水渍区域的干扰，将最有可能是猪粪便的区域筛选出来，从而减少神经网络识别过程中的干扰因素，获得更加准确的目标猪粪便区域，最后将目标猪粪便区域进行叠加拼合即可获得围栏区域内的粪便检测结果。

图像分割模块102：对俯视图像进行图像分割，获取猪舍地面区域。

在本发明实施例中，考虑到猪身区域对于粪便区域识别存在一定的背景干扰，影响粪便区域的准确定位，而将图像进行分割更有利于目标识别与检测，使得可以专注于每个区域的局部特征，所以首先将俯视图像进行图像分割，排除猪身区域的干扰，以便更精确的定位粪便区域。

优选地，在本发明一个实施例中，考虑到猪身区域与地面区域的灰度有明显的差异，所以利用OTSU算法对俯视图像进行处理，寻找最大类间方差，将地面区域和猪身区域进行分离，获取猪舍地面图像；又考虑到选择性搜索算法适用性广泛，对于图像中的遮挡和复杂场景具有一定的鲁棒性，所以将猪舍地面图像利用选择性搜索算法进行处理，将猪舍地面图像进行自适应分割，获取猪舍地面区域。

需要说明的是，OTSU算法和选择性搜索算法已是本领域技术人员所熟知的技术手段，在此不再进行赘述；在本发明其他实施例中，实施者可以选择分水岭算法等其他图像分割方法，获取猪舍地面区域。

初步筛选模块103：根据每个猪舍地面区域的边缘像素点数量的相对比例，获取每个猪舍地面区域的边缘参数；根据猪舍地面区域内所有像素点的整体灰度值与裸露地面先验灰度值的偏离特征，获取覆盖可能性参数；根据每个猪舍地面区域内像素点的灰度值离散特征，结合边缘参数和覆盖可能性参数，获取筛选参数；根据筛选参数筛选出目标地面区域。

通过图像分割模块102获得了不同特征的猪舍地面区域，由于最终目的是对地面上的猪粪便进行检测，因此需要排除无覆盖物的裸露地面影响，筛选出存在覆盖物的目标地面区域。

在本发明实施例中，考虑到猪舍通常采用混凝土地面，如果地面上存在覆盖物则会在图像上引起灰度变化，并且由经验可知，猪舍地面的粪便、土块和水渍等覆盖物相对于裸露的地面灰度值更低，同时存在漫反射现象，覆盖物区域内灰度变化波动较大，相对不够平滑，对图像进行边缘检测后，覆盖物区域会存在更多的边缘点，所以分别获取边缘参数、覆盖可能性参数，然后结合平滑特征筛选出目标地面区域。

优选地，在本发明一个实施例中，通过Sobel算子获取俯视图像的边缘像素点；获取猪舍地面区域内包含的边缘像素点数量的极差作为分母参数；将每个猪舍地面区域内包含的边缘像素点数量与分母参数的比值作为每个猪舍地面区域的边缘参数；边缘像素点数量与分母参数的比值越大，说明猪舍地面区域的边缘像素点数量的相对比例越大，边缘像素点的数量相对越多，越不可能是干净的裸露地面，边缘参数越大。

在本发明另一个实施例中，实施者也可以直接将每个猪舍地面区域内包含的边缘像素点数量利用归一化函数归一化后，作为对应猪舍地面区域的边缘参数；也可以通过所有猪舍地面区域内包含的边缘像素点数量的平均值作为分母参数，分析每个猪舍地面区域的边缘像素点数量的相对比例，获取边缘参数。

需要说明的是，由于不同猪舍地面区域的猪粪便分布会产生差异，所以猪舍地面区域内包含的边缘像素点数量会具有差异，其极差不为0，即分母参数不会为0。

需要说明的是，利用Sobel算子进行边缘检测获取图像边缘点已是本领域技术人员所熟知的技术手段，在此不再进行赘述；在本发明其他实施例中，实施者可以选择其他现有技术中边缘检测方法，获取图像的边缘点。

优选地，在本发明一个实施例中，考虑到猪舍地面区域内像素点的灰度平均值与先验灰度值的差异越大，越有可能不是裸露地面，有覆盖物的可能性越大，通过猪舍地面区域内像素点的灰度平均值，表示猪舍地面区域内所有像素点的整体灰度值，通过差值绝对值的方式表示灰度值的偏离特征，所以将每个猪舍地面区域内所有像素点的灰度平均值与裸露地面先验灰度值的差值绝对值，作为每个猪舍地面区域的覆盖可能性参数。

在本发明另一个实施例中，还可以通过百分比差异表示灰度值的偏离特征，例如将猪舍地面区域内所有像素点的灰度平均值与裸露地面先验灰度值的差值绝对值作为分子，将裸露地面先验灰度值作为分母，比值作为覆盖可能性参数。还可以通过像素点灰度值的众数、中位数以及平均数加权求和的方式，获取猪舍地面区域内所有像素点的整体灰度值，例如众数、中位数以及平均数的加权权重分别为0.3、0.3和0.4，加权求和结果作为猪舍地面区域内所有像素点的整体灰度值。

优选地，在本发明其他实施例中，考虑到平均绝对偏差（Mean AbsoluteDeviation，MAD）能够反映出数据的离散特征，像素点灰度值的平均绝对偏差越小，猪舍地面区域内的灰度变化越平滑，灰度差异程度越小，纹理粗糙参数就越小，筛选参数就越小；边缘参数越大，说明猪舍地面区域内包含的边缘像素点数量越多，存在覆盖物的可能性越大，筛选参数就越大；覆盖可能性参数越大，说明猪舍地面区域内像素点的灰度平均值与先验灰度值的差异越大，越有可能不是裸露地面，筛选参数就越大；基于此，将猪舍地面区域内像素点灰度值的平均绝对偏差作为纹理粗糙参数；

将每个猪舍地面区域的纹理粗糙参数、边缘参数和覆盖可能性参数的乘积归一化后，作为每个猪舍地面区域的筛选参数，将筛选参数大于预设覆盖物存在阈值的猪舍地面区域作为目标地面区域。

筛选参数的计算公式包括：

其中，表示第个猪舍围栏内第张采集图像的第个猪舍地面区域的筛选参数；表示最大最小归一化函数；表示第个猪舍围栏内第张采集图像的第个猪舍地面区域的纹理粗糙参数；表示第个猪舍围栏内第张采集图像的第个猪舍地面区域的边缘参数，表示猪舍地面区域内边缘像素点数量的标识符号，表示所有猪舍地面区域内边缘像素点数量的最大值，表示所有猪舍地面区域内边缘像素点数量的最小值，表示第个猪舍围栏内第张采集图像的第个猪舍地面区域内包含边缘像素点的数量；表示裸露地面先验灰度值；表示第个猪舍围栏内第张采集图像的第个猪舍地面区域内像素点的灰度平均值。

需要说明的是，平均绝对偏差的计算过程已是本领域技术人员所熟知的技术手段，在此不再进行赘述；在本发明其他实施例中，实施者也可以通过计算方差或极差等其他方式，分析猪舍地面区域内灰度值的离散特征，获取纹理粗糙参数；构建筛选参数计算公式时，也可选用其他基础数学运算或者函数映射实现相关映射，其为本领域技术人员熟知的技术手段，在此不做赘述。

需要说明的是，在本发明一个实施例中，预设覆盖物存在阈值为0.25，将筛选参数大于预设覆盖物存在阈值的猪舍地面区域作为目标地面区域。在本发明其他实施例中，实施者可以设置其他的覆盖物存在阈值。

需要说明的是，裸露地面先验灰度值受猪舍采光效果、摄像参数、混凝土材质等因素影响，实施者需要根据实际情况自行设定；在本发明一个实施例中，可以通过设定一处不会存在遮盖物的裸露地面区域的平均灰度值进行实时获得；在本发明其他实施例中，实施者可以设定固定经验值或采用其他方式获取裸露地面先验灰度值。

精细筛选模块104：根据目标地面区域内像素点的分布特征，结合筛选参数获取每个目标地面区域的粪便区域可能性；根据粪便区域可能性，筛选出待测猪粪便区域。

通过初步筛选模块103筛选得到所有存在覆盖物的目标地面区域，但是并非所有覆盖物都是猪粪便，可能存在其他干扰因素，因此需要对存在覆盖物的区域进一步分析筛选，获取待测猪粪便区域。

在本发明实施例中，考虑到猪粪便内存在食物残渣，粪便区域颗粒感较强，那么相比于土块、水渍等杂质，粪便区域像素点分布更不均匀，变化更加复杂，并且粪便区域的整体灰度相对于土块、水渍等杂质的灰度存在差异，所以根据目标地面区域内像素点的分布特征，获取每个目标地面区域的粪便区域可能性。

优选地，在本发明一个实施例中，考虑到粪便区域的边缘线条相对于杂质区域会存在较多的凹凸波动，边缘变化更加剧烈，而8-链码是一种常用的描述轮廓或者区域边缘的编码方式，获取相邻链码夹角可以提供关于轮廓方向变化的信息，夹角的大小可以用来描述边缘的曲率和形状变化，夹角越大，变化越剧烈，又为了去除角度量纲，将夹角进行余弦变化，然后负相关映射，此时夹角与映射结果正相关，将所有夹角的映射结果求和之后，就可以获得从边缘变化角度衡量粪便可能性的第一参数；

又考虑到食物残渣随机分布，影响着整体的灰度变化，梯度变化更加随机，所以将梯度幅值的平均绝对偏差从幅值变化角度衡量粪便可能性的第二参数；

同时考虑到猪粪便包含大量的有机物质，如纤维素、脂肪和其他有机成分，这些有机物质在光学上可能表现出较亮的特性，因为它们对光的散射、反射可能较大，所以相比之下，整体灰度偏大，并且筛选参数也能反映出区域灰度的平滑特征，筛选参数越大，越不平滑，越有可能是猪粪便区域，所以以此获取第三参数，从整体灰度偏向和灰度波动角度衡量粪便可能性。

基于此，利用8-链码对目标地面区域进行处理，获取相邻链码的夹角，构成夹角序列；将夹角序列中夹角进行余弦变换，获得夹角余弦值序列，将夹角余弦值序列中每个余弦值进行负相关映射，并将映射结果求和，获得第一参数；

将目标地面区域内像素点梯度幅值的平均绝对偏差作为第二参数；

分析目标地面区域内整体灰度趋势特征，将目标地面区域内所有像素点中最大灰度值与平均灰度值的差进行负相关映射，获得整体偏向参数；将目标地面区域的筛选参数与整体偏向参数的乘积作为第三参数；

将第一参数、第二参数和第三参数的乘积利用指数函数映射并归一化，获得目标地面区域的粪便区域可能性。

以任意目标地面区域为例，粪便区域可能性的计算公式包括：

其中，表示当前地面区域的粪便区域可能性；表示最大最小归一化函数；表示以自然常数为底的指数函数；表示当前地面区域的第一参数，，表示夹角余弦值序列内元素的数量，表示夹角余弦值序列内第个元素的余弦值，表示夹角序列中第个夹角的角度值，2为自然数，用于调整余弦值域；表示当前地面区域的第二参数，，表示当前目标地面区域内第个像素点的梯度幅值，表示当前目标地面区域内像素点的梯度幅值构成的集合，表示平均绝对偏差函数；表示当前地面区域的第三参数，，表示当前目标地面区域的筛选参数，表示当前目标地面区域内像素点灰度值的最大值，表示当前目标地面区域内像素点灰度值的平均值，1为自然数，用于防止分母为零。

粪便区域可能性的计算公式中，第一参数越大，说明当前目标地面区域的边缘平整性越低，边缘变化越剧烈，形状越不规整，越有可能是粪便区域，粪便区域可能性越大；第二参数越大，说明当前目标地面区域内的梯度变化越剧烈，越有可能是食物残渣的影响，越有可能是粪便区域，粪便区域可能性越大；第三参数越大，说明当前目标地面区域整体更加偏向高灰度，整体波动性越强，越有可能是粪便区域，粪便区域可能性越大。

需要说明的是，水渍区域可能受地面不平整的影响，边缘也不规整，并且也会对光产生反射，导致水渍区域的整体灰度偏大，但是水渍区域的灰度变化较为平滑，所以第二参数和第三参数中的筛选参数能够很好的抑制这一特征，减少水渍区域被误判为粪便区域的可能性。

需要说明的是，在本发明其他实施例中，在计算第一参数和第三参数时可以设置其他正参数调整分母部分的值域，避免分母为非正数，也可选用其他基础数学运算或者函数映射实现相关映射，其为本领域技术人员熟知的技术手段，在此不做赘述。

在本发明一个实施例中，将粪便区域可能性大于等于预设粪便区域可能性阈值的目标地面区域标记为待测猪粪便区域，预设粪便区域可能性阈值为0.85。

粪便检测模块105：将每个待测猪粪便区域的图像通过预训练的神经网络，获取目标猪粪便区域；将每个围栏对应的所有俯视图像中的目标猪粪便区域进行叠加拼合，获取每个围栏的完整猪粪便区域。

通过去除俯视图像中的猪身区域、筛选目标地面区域、筛选待测住粪便区域，一步步缩小范围，精确猪粪便区域，减少猪身区域、土块和水渍区域的干扰，将最有可能是猪粪便的区域筛选出来，从而输入神经网络中进行最终识别，减少干扰因素，提升识别准确性，并减少需要神经网络处理的图像区域，减少计算量，提升检测效率。

优选地，在本发明一个实施例中，选用现有的Mask-RCNN网络，结构为Encoder-Decoder，使用交叉熵损失函数，预先训练好。将待测猪粪便区域的图像输入预先训练好的神经网络，输出带标签的图像，将目标猪粪便区域的像素点标记为0，获得俯视图像中所有目标猪粪便区域后，在俯视图像中进行标记，将目标猪粪便区域以外的区域像素点标记为1，利用掩膜叠加的方式将同一组图像进行叠加拼合，即可得到一个猪舍围栏内完整的猪粪便区域。

需要说明的是，掩膜叠加和Mask-RCNN网络已是本领域技术人员所熟知的技术手段，在此不再进行赘述详细过程，在本发明其他实施例中，实施者可以训练其他合适的神经网络，进行图像处理。

获得猪粪便区域后，就可以通过分析粪便区域占围栏总体区域的面积比例大小，确定此围栏是否需要进行及时清扫，或者利用猪粪便区域的信息进行其他操作。

综上所述，本发明针对现有方法获取粪便区域不够准确的技术问题，提出了一种基于图像特征分析的猪粪便智能检测系统。本发明首先获取猪舍每个围栏的俯视图像；进一步利用图像分割，获取猪舍地面区域；进一步筛选猪舍地面区域，获得目标地面区域，缩小猪粪便区域搜索范围；进一步筛选目标地面区域，获得待测猪粪便区域，进一步缩小搜索范围；最后将待测猪粪便区域的图像输入神经网络，识别目标猪粪便区域，然后进行拼合叠加，获得完整猪粪便区域。本发明通过多次筛选，将最有可能是猪粪便的区域筛选出来，从而输入神经网络中进行最终识别，减少干扰因素，提升识别准确性，并减少需要神经网络处理的图像区域，减少计算量，提升检测效率。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

Claims (10)

1.一种基于图像特征分析的猪粪便智能检测系统，其特征在于，所述系统包括：

图像采集模块：以预设采样间隔获取猪舍每个围栏的俯视图像；

图像分割模块：对所述俯视图像进行图像分割，获取猪舍地面区域；

初步筛选模块：根据每个所述猪舍地面区域的边缘像素点数量的相对比例，获取每个所述猪舍地面区域的边缘参数；根据所述猪舍地面区域内所有像素点的整体灰度值与裸露地面先验灰度值的偏离特征，获取覆盖可能性参数；根据每个所述猪舍地面区域内像素点的灰度值离散特征，结合所述边缘参数和所述覆盖可能性参数，获取筛选参数；根据所述筛选参数筛选出目标地面区域；

精细筛选模块：根据所述目标地面区域内像素点的分布特征，结合所述筛选参数获取每个所述目标地面区域的粪便区域可能性；根据所述粪便区域可能性，筛选出待测猪粪便区域；

粪便检测模块：将每个所述待测猪粪便区域的图像通过预训练的神经网络，获取目标猪粪便区域；将每个围栏对应的所有所述俯视图像中的所述目标猪粪便区域进行叠加拼合，获取每个围栏的完整猪粪便区域。

2.根据权利要求1中所述的一种基于图像特征分析的猪粪便智能检测系统，其特征在于，所述边缘参数的获取方法包括：

通过Sobel算子获取所述俯视图像的边缘像素点；获取所述猪舍地面区域内包含的边缘像素点数量的极差作为分母参数；将每个所述猪舍地面区域内包含的边缘像素点数量与所述分母参数的比值作为每个所述猪舍地面区域的边缘参数。

3.根据权利要求1中所述的一种基于图像特征分析的猪粪便智能检测系统，其特征在于，所述覆盖可能性参数的获取方法包括：

将每个所述猪舍地面区域内所有像素点的灰度平均值与所述裸露地面先验灰度值的差值绝对值，作为每个所述猪舍地面区域的覆盖可能性参数。

4.根据权利要求1中所述的一种基于图像特征分析的猪粪便智能检测系统，其特征在于，所述筛选参数的获取方法包括：

将所述猪舍地面区域内像素点灰度值的平均绝对偏差作为纹理粗糙参数；

将每个所述猪舍地面区域的所述纹理粗糙参数、所述边缘参数和所述覆盖可能性参数的乘积归一化后，作为每个所述猪舍地面区域的筛选参数。

5.根据权利要求1中所述的一种基于图像特征分析的猪粪便智能检测系统，其特征在于，所述目标地面区域的获取方法包括：

将所述筛选参数大于预设覆盖物存在阈值的猪舍地面区域作为目标地面区域。

6.根据权利要求1中所述的一种基于图像特征分析的猪粪便智能检测系统，其特征在于，所述粪便区域可能性的获取方法包括：

利用8-链码对所述目标地面区域进行处理，获取相邻链码的夹角，构成夹角序列；分析夹角序列内夹角的统计特征，获得第一参数；

将目标地面区域内像素点梯度幅值的平均绝对偏差作为第二参数；

分析所述目标地面区域内整体灰度趋势特征，获取第三参数；

将所述第一参数、所述第二参数和所述第三参数的乘积利用指数函数映射并归一化，获得所述目标地面区域的粪便区域可能性。

7.根据权利要求6中所述的一种基于图像特征分析的猪粪便智能检测系统，其特征在于，所述第一参数的获取方法包括：

将所述夹角序列中夹角进行余弦变换，获得夹角余弦值序列，将所述夹角余弦值序列中每个余弦值进行负相关映射，并将映射结果求和，获得第一参数。

8.根据权利要求6中所述的一种基于图像特征分析的猪粪便智能检测系统，其特征在于，所述第三参数的获取方法包括：

将所述目标地面区域内所有像素点中最大灰度值与平均灰度值的差进行负相关映射，获得整体偏向参数；将所述目标地面区域的所述筛选参数与所述整体偏向参数的乘积作为第三参数。

9.根据权利要求1中所述的一种基于图像特征分析的猪粪便智能检测系统，其特征在于，所述待测猪粪便区域的获取方法包括：

将所述粪便区域可能性大于等于预设粪便区域可能性阈值的所述目标地面区域标记为待测猪粪便区域。

10.根据权利要求1中所述的一种基于图像特征分析的猪粪便智能检测系统，其特征在于，所述猪舍地面区域的获取方法包括：

利用OTSU算法对所述俯视图像进行处理，获取猪舍地面图像；将所述猪舍地面图像利用选择性搜索算法进行处理，获取猪舍地面区域。