研究基于视觉检测奶牛的自我保护的行为分析

文摘

研究奶牛痛苦的自我保护的行为dipteral遭受虫害是重要的繁殖环境评价和奶牛的选育。测量当前实践日记牛自我保护的行为大多是由人类观察,这不仅繁琐而且效率低下和不准确的。在本文中,我们开发一个基于视频分析的自动监测系统。首先,一种改进的光流跟踪算法基于Shi-Tomasi角落检测。结合形态学特征的头,腿,和尾巴的动作,该方法有效地减少了Shi-Tomasi点的数量,消除背景干扰运动,减少算法的计算复杂度,提高了检测精度。检测算法用于计算数量的尾巴,腿,和头部动作使用人工神经网络。尾部和头部达到的精度范围(0.88,1)和召回率(0.87,1)。本文提出的方法,提供了客观的测量可以帮助研究人员更有效地分析奶牛的自我保护的行为和生活环境的过程中,奶牛饲养和管理。

1。介绍

近年来,个别奶牛育种者的收入有所下降,由于饲料价格和劳动力成本的增加。这导致了大规模农业的快速发展(1]。虽然大规模集中繁殖有很多优势,它也带来了许多新的问题。特别是,过度集中的排泄物导致大量有害dipteral昆虫、攻击和奶牛造成压力。这不仅导致奶牛正常行为的变化,但也导致饮食和牛奶产量下降和体内平衡和削弱免疫失衡。疾病的传播通过咬了一个伟大的限制奶牛的健康和生产力,影响了乳制品行业的发展2- - - - - -4]。描述了动物的本能自我保护的行为来保护自己的身体,保持稳定的生理指标。研究表明,当dipteral昆虫入侵,奶牛表现出防御性自我保护的行为,如尾飕飕声,头扔,腿冲压,耳朵抽搐,和皮肤抽搐(5]。之间存在着正相关的自我保护的行为奶牛和dipteral昆虫刺激性奶牛的皮肤。观察奶牛的行为有助于理解牛的活动和生活模式下不同的生活条件和预测其未来行为(6]。奶牛的自我保护的行为研究有助于评估饲养环境和动物福利状况,具有重要的现实意义。

奶牛的牛奶产量物种间有很大差别。这是由个人气质类型的奶牛(7]。Ao Ri的团队提出,奶牛的程度受到昆虫与气质类型的影响。即使牛不同气质类型保存在相同的环境条件下,自我保护的行为时显示暴露于昆虫有明显的区别8]。相信自我保护的行为的差异研究奶牛是气质育种具有重要意义。目前,大部分研究在这一领域是基于人工观测方法(2- - - - - -8),通常需要至少两人死亡。本手册观察法具有较高的强度和较低的工作效率和准确性,这限制了研究的进展。

研究奶牛的行为主要是由监控物理参数和生理指标。主要有两种方法进行自动监测。一个方法是安装传感器的牛,但传感器被动摇或撞的干扰会影响测试数据的准确性。另一种方法是使用机器视觉,但现有文献没有报道自动检测奶牛的自我保护的行为。例如,Nadimi等人使用无线传感器测量奶牛的脖子上的旋转角度和速度(9]。邝监控牛的疾病和残废通过无线传感器10]。Martiskainen使用3 d传感器和支持向量机自动检测奶牛的日常行为模式(11]。刘董等人在2016年提出一种动态混合高斯模型背景建模方法,可以有效地跟踪单个移动牛15秒,但是这种方法不能跟踪静止前景对象很长一段时间(12]。顾等人提出了分析奶牛在一条隧道的运动行为检测牛蹄的特点和支持基于最小边界框和等高线图13]。肖等人利用椭圆拟合和最小距离匹配方法最小化代价函数基于多目标跟踪目标分割,可有效检测猪运动信息(14]。然而,提到使用自动single-threshold前景分割方法对彩色猪的识别;也不适合本文中黑与白牛的尸体。通过使用Kinect方法基于多传感器的3 d图像采集设备,赵等人取得准确的分割等身体地区正面,奶牛的脖子,躯干,四肢深度图像(15]。邓等人意识到奶牛的身体部位的识别基于深度图像。然而,这种深度图像采集设备无法检测的运动尾巴飕飕声,所以这种方法不适合检测奶牛的自我保护的行为(16]。

目前,很多作品显示被有效识别行为在视频17]。人工神经网络也是一种常见的运动识别工具(18]。大多数研究牛跟踪是基于目标分割;也有研究分段奶牛使用深度图像的识别。很容易识别的牛头和树干由于明显的图像特征。许多学者已经完成了识别奶牛的身体部位,但一直无法检测到尾特性,因为地区的尾巴和腿非常相似。检测尾特性非常重要,因为尾巴摆动是一种最频繁和特征的运动自我保护的行为。因此,可以看出,仍有很大的研究空间和实际需要确定奶牛的自我保护的行为。

尾巴飕飕声,头扔,腿冲压在奶牛最典型的自我保护的行为。这些非常不同于正常研究奶牛的行为,如行走、站立,残废,撒谎,和休息。据专家介绍,牛的自我保护的行为通常持续约1 - 2秒每个时间;因此,该算法需要实时精度更高。由于复杂的场景和阻塞的影响和前景目标被黑白奶牛,它有一个低程度的分化的背景下,识别的难度增加自我保护的行为。

采用计算机视觉技术可以解决依赖劳动力的问题。高强度重复生产过程中,机器视觉技术可以大大解放劳动力,提高自动化效率。因此,它是至关重要的基于视频分析的研究方法和跟踪来取代传统的观测分析。

2。原则和方法

使用光流法跟踪图像中的每个像素使运行速度非常缓慢。同时,将导致更少的角落点不完整的目标信息,减少检测的准确性。结合形态特征的头,腿,和尾巴自我保护的行为,光流跟踪算法基于Shi-Tomasi角检测方法是通过消除不属预定目标的角点的数量和提高提供目标角点的数量。计算效率和提高运动目标检测的准确性。该方法的流程图如图1,具体步骤如下:

(1)Shi-Tomasi角检测方法检测特征点,而金字塔Lucas-Kanade光流算法定位和追踪连续视频帧的特征点。

(2)删除角点,不要移动不断利用帧的运动信息。

(3)如果轨迹跟踪点的距离大于阈值,该方法保留特征点并排除nonforeground目标特征点。

(4)当角点的数量太小,角落执行检测又提供足够数量的特征点光流检测。

(5)使用一个边界框角点跟踪自我保护的行为,可以有效区分不同的行为特征和提供必要的特征矢量参数。

Shi-Tomasi角检测算法是基于改善Harris角点检测算法(19]。与哈里斯角落检测算法相比,添加nonmaximum抑制一步,并消除了相邻哈里斯角落。特征点集群的问题已经解决了,所以角点的分布更加均匀的探测头,腿,和尾巴,同时减少特征点的数量。

Lucas-Kanade光流算法(20.)是一种检测特征点的方法通过执行两个帧;它用于稀疏光流跟踪相对较少的特征点。金字塔Lucas-Kanade光流算法是基于改进的Lucas-Kanade光流的方法。它有一个广泛的应用和具有良好的检测效果快速运动或不连续的运动。金字塔光流跟踪开始在更大的空间范围内,然后逐渐纠正沿着金字塔来确定运动速度。

通过本文提出的改进的跟踪方法跟踪算法的计算复杂度可以大大减少。虽然特征点的数量减少,特征点的分布进行了优化,以及特征点的跟踪可以精确表示像素的自我保护的行为。

3所示。测试和分析

3.1。测试条件

视频图像的大小是14401080年,电脑配置:英特尔(R) (TM)核心i7 - 4790 CPU @ 3.6 GHz, 16 GB的内存,显卡NV9500GT, 512内存,操作系统Windows 10,和OpenCV图书馆VS2012编程环境,MATLAB R2017a人工神经网络工具箱来创建一个人工神经网络模型。

实验网站在Xuri牧场,Tuoketuo县,内蒙古呼和浩特。一个独立的牛棚2.52.5是建立。半封闭式牛棚的外面周围是网纱。松下HDC-HS100高清数码摄像机是用来跟踪10个健康荷斯坦奶牛;一次只有一个荷斯坦奶牛拍摄。考虑到身体的自我保护的行为涉及到详细的行动,在3米的距离,和视频跟踪的高度约为1.4米,以每秒25帧的速度。

3.2。特征点检测算法的考验

本文主要分析了奶牛的典型特征的自我保护的行为。这种行为的特点是突然和瞬时运动。为了提高系统实现的效率,可以优化特征点的数量。当目标跟踪第一次角检测方法获得更多的角点初始化检测图像如图2(一个),许多角落点不是前景目标区域。当使用光流法跟踪所有的特征点,大部分不移动的特征点浪费大量的计算资源。图2 (b)显示了轨迹地图是由光流跟踪的方法。可以看出,许多移动特征点不跟踪,及时和有效的特征点不提供,导致跟踪失败的行为。通过使用帧的运动信息,删除角落不继续可以有效地减少角点的数量。当有效的角点的数量太小,角落发现继续又为了提供足够数量的特征点光流检测;这降低了算法的复杂性,提高了检测效率。小圆图2 (c)检测到的特征点。大部分的角落描述自我保护的行为特征。与此同时,一些nonforeground目标,如在后台被纱布,也发现。为了避免这些nonforeground目标干涉检测自我保护的行为,如果保留特征点跟踪距离大于给定的阈值。该方法可以有效地减少nonforeground目标特征点的数量如纱。图2 (d)是跟踪的结果使用边界框自我保护的行为。边界框可以有效地描述的行为特征和提供必要的特征向量参数。

3.3。在复杂条件下检测自我保护的行为

奶牛的喂养的酒吧,部分的身体常常被栏杆。本文提出的算法可以实现屏蔽体的检测在一个复杂的环境。角点仍然可以附加到疏通身体区域。不移动的特征点首先是消除,不断移动特征点仍然可以有效地使用光流法跟踪。一些特征点会失去跟踪信息,因为他们已经封锁区,但不断补充新的特征点数量确保连续跟踪移动的自我保护的行为。通过提取出边界框的特征向量,常见的多个轨迹移动特征点可以被视为一个整体,从而有效地检测阻塞自我保护的行为。

在图3(一个)时,跟踪效果更好的自我保护的行为特性并不阻止。即使牛正面临远离相机和尾巴被篱笆,边界框仍然可以描述运动的特征,可以有效地探测和自我保护的行为运动。

在图3 (b),护栏块的一些地区牛的头部和身体,但这并不影响算法的检测的有效性。它可以继续跟踪牛的头和尾巴运动特征点跟踪运动轨迹,准确、有效地识别自我保护的行为。

3.4。人工神经网络

20选择典型的畅通无阻的视频,包括2840个训练样本的尾巴飕飕声,2310训练样本的腿冲压,和1160训练样本的头上扔。本文提取能量特征向量:旋转角度,移动距离、水平和垂直位移的特征点,起始点和结束点纵坐标,区域的边界框,宽度比高度,高度差在垂直方向。为了实现人工智能识别奶牛的自我保护的行为,建立了一个人工神经网络模型,使用MATLAB R2017a人工神经网络工具箱的基础上提取特征值奶牛的自我保护的行为。人工神经网络的输入层设置为9(能量特征向量)和输出层设置为3(尾飕飕声,头和腿冲压)。

通过使用这种人工神经网络模型,训练样本的比例,确认样品,需要设置和测试数据。本文将训练样本设置为80%,验证样本10%,测试样本到10%。熵越小,更好的分类效果。为了防止过度拟合,验证集是用来改善分类器模型的准确性。如果熵值不能减少连续6次迭代,迭代停止。如图4(一)19后,模型停止迭代,而熵最小值0.010578是最好的验证性能是在时代13。模型如图4 (b)是一个迭代收敛后停止54。熵值是0.0001927。可以看出,该模型的精度较高。

接受者操作特征(ROC)曲线可用于确定分类器模型的优点。真正积极率(TPR)分类模型的纵坐标和横坐标是假阳性率(玻璃钢)。ROC曲线绘制在图5。人工神经网络模型具有很高的精度,可以作为一种有效的探测和识别模型用于奶牛。

4所示。讨论

为了准确地评估算法的准确性和有效性,本文比较了其准确性和实时性能。

4.1。与人工经验

评估检测算法的准确性,视频一个典型的牛的自我保护的行为被选为收集到的100小时的视频。20集的视频样本选择,每个包括尾巴飕飕声,头扔,腿冲压行为动作。因为其他的视频检测方法不能有效识别自我保护的行为,本文仅与人工统计数据。当一个行为是人为标记为一个自我保护的行为如果系统的三种类型也认识到行为作为相应的身体行为表示为TP(真阳性),否则为FN(假阴性)。当一个行为不是人为标记为一个三个自我保护的行为,如果系统不能识别相应的自我保护的行为,表示为FP(假阳性);否则它是表示TN(真阴性)。准确率反映了真实的测试结果的比例真的所有测试结果,和召回率反映了比例正确检测到的结果是真实的和手动测试的结果的结果都是正确的。公式如下:精度(精密)= TP(正确的检测)/ (TP + FP);正确回忆= TP(检测)/ (TP + FN)。

图6显示的数量尾巴飕飕声,头扔,腿冲压事件使用本文中提出的算法和人工统计数据。从图可以看出6检测算法的准确性,本文的范围(0.88,1)尾飕飕声,头扔,和腿部冲压、和回忆(0.87,1),表明该检测算法接近人工统计数据。

4.2。检测效果的比较

图7(一)是一种自适应阈值的影响图帧差分法。帧差分法可以检测移动特征点在一头牛走路,但它不能有效区分特征像素点的一种自我保护的行为和正常的运动行为。图7 (b)使用高斯混合模型显示了结果。虽然像素特征点的自我保护的行为被发现使用高斯混合模型,错误检测由于身体颤抖和抖动无法避免。特征点的行为造成很大的干扰,这使得它不可能有效地跟踪和识别自我保护的行为。

图7 (c)是改进的结果Shi-Tomasi角落检测光流跟踪算法基于运动特征的摆动尾巴在本文提出。这个盒子是尾边界框;点是跟踪特征点和线尾跟踪特性。一个点的轨迹可以清晰地跟踪,通过使用这种描述方法;尾巴的位置和轨迹可以清楚地观察到,和像素的身体保护可以有效地跟踪的特点,它可以减少角点的数量和算法的计算复杂度,提高检测精度。它比自适应阈值帧差分法和高斯混合背景模型,可以发现自我保护的行为的特点,实现智能识别和分类。

4.3。时间复杂度的比较

比较和分析不同的检测算法的运行速度,我们随机选择10组收集了100个小时的视频录像。每个6的平均运行时间不同的分割算法如图8。

不同的算法的平均运行时间如下:直接光流法1835 ms;哈里斯角落光流方法1104 ms;自适应帧差分法214 ms;高斯混合模型616 ms;Shi-Tomasi角落光流算法984 ms;和该方法251 ms。结果表明,该算法是稳定的和有效的。本文提出的方法可以节省时间,大大提高了效率。

5。结论

本文提出了一种改进的基于Shi-Tomasi角落的光学跟踪算法检测智能分类和识别牛三个典型的自我保护的行为。主要结论如下:

(1)本文中的目标检测三个典型的自我保护的行为在奶牛:尾巴飕飕声,头扔,腿冲压。特征向量的特征提取是基于运动目标的轮廓。使用人工神经网络建立一个分类器模型可以有效地分类牛尾飕飕声,头和腿冲压。

(2)通过结合形态特征的头,腿,和尾巴的动作,背景运动的干扰消除。同时,及时有效的角点是添加的数量,确保检测的准确性。测试结果表明,与手工统计数据相比,该方法的准确率范围(0.88,1)和召回率范围是(0.87,1)。

(3)使用的方法减少不移动的特征点和设置跟踪轨迹位移阈值提出本文的计算角点检测是大大减少。实验结果表明,该方法的计算时间低于Shi-Tomasi角落点光流算法,可以大大节省时间和提高效率。了自我保护的行为能被探测到的更准确,表明该检测算法具有较强的鲁棒性。

该方法可以自动、准确地跟踪和检测牛自我保护的行为,为动物行为研究者提供有效和准确的统计信息,并帮助他们在这个领域做进一步的研究。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

引用

1. g . x钱z和w·赵”,内蒙古奶牛养殖规模的调查和分析[J],”中国奶牛》第六卷,25 - 28,2014页。视图:谷歌学术搜索
2. x魏F”效应的双翅目昆虫入侵Flyrepelling, SkinTemperature,”心率和免疫功能的牛[D]。呼和浩特:内蒙古农业大学,2014年。视图:谷歌学术搜索
3. 王m .李Y, r . Ao和c J,影响飞行活动的自我保护的行为和细胞因子的荷斯坦奶牛[J]。饲料的研究10 54-57 2010。
4. x梁,伤害研究社会性聚束行为引起的双翅目昆虫的活跃阶段荷斯坦奶牛[D]呼和浩特:内蒙古农业大学,2009年。
5. l .张米牛的行为反应的压力造成的双翅目入侵和对神经内分泌系统的影响[D]呼和浩特:内蒙古农业大学,2014年。
6. t .时候,”攻击的关系丰富飞到放牧牲畜的行为反应,”日本应用昆虫学和动物学杂志》上,21卷,不。3、119 - 122年,1977页。视图:出版商的网站|谷歌学术搜索
7. 美国马W, g .张问,h·魏W,“推进牧场数字技术实现奶牛的精细管理[J],”山东省动物科学杂志》上,第84 - 84页,2012年。视图:谷歌学术搜索
8. c . w . Wang Lin,郑y”实验和分析粒子群优化的参数,“西华大学学报27卷,第80 - 76页,2008年(中国)。视图:谷歌学术搜索
9. e . s . Nadimi h . t . Søgaard, t . Bak“ZigBee-based无线传感器网络分类的行为一群动物使用分类树,”生物系统工程,卷100,不。2、167 - 176年,2008页。视图:出版商的网站|谷歌学术搜索
10. k . h .邝h . g .吴作栋c .米奇和et al,“牛肉和奶制品群管理无线传感器网络,”《2008年美国罗德岛州普罗维登斯市,2008年。视图:出版商的网站|谷歌学术搜索
11. p . Martiskainen m·贾维j。Skon, j . Tiirikainen m . Kolehmainen, j . Mononen“牛行为模式识别使用三维加速度计和支持向量机,”应用动物行为科学,卷119,不。1 - 2,32-38,2009页。视图:出版商的网站|谷歌学术搜索
12. k·d . Liu赵,d .他“实时目标检测奶牛基于高斯混合模型的移动,“农业Jixie学报/中国农业机械学会的事务卷,47号5,288 - 294年,2016页。视图:谷歌学术搜索
13. 高r . j .顾z . Wang, h . Wu”牛行为的识别方法的基础上结合图像和活动,“农业Jixie学报/中国农业机械学会的事务,48卷,不。6,145 - 151年,2017页。视图:谷歌学术搜索
14. d .小Q, a .冯J,问:杨米,“基于视频跟踪快速运动检测猪[J],”中国农业机械学会的事务卷,47号10日,351 - 357年,2016页。视图:谷歌学术搜索
15. k .赵g·李,他和d,“好段方法奶牛的身体部位在深度图像基于机器学习,”农业Jixie学报/中国农业机械学会的事务,48卷,不。4、173 - 179年,2017页。视图:谷歌学术搜索
16. 徐h·邓B t Y, Y周C”体型部分识别移动牛基于DRGB [J],”中国农业工程学会的事务,没有。部分,05年- 166年,2018页。视图:谷歌学术搜索
17. a . h . Wang兰、c·施密德和C.-L。刘,“行动由密集的轨迹,识别”《IEEE计算机视觉与模式识别会议(CVPR 11)2011年6月,页3169 - 3176。视图:出版商的网站|谷歌学术搜索
18. k . Simonyan和a . Zisserman”二束卷积网络行动识别视频,”学报》第28届年会于2014年神经信息处理系统,少量的201412月,页568 - 576,加拿大,2014。视图:谷歌学术搜索
19. j·史和c预,“良好的跟踪特性,”《IEEE计算机学会学报计算机视觉与模式识别会议1994年6月,页593 - 600。视图:谷歌学术搜索
20. y Bouguet J,”卢卡斯的锥体实现金特征跟踪的描述算法[J],”Opencv文档,22卷,不。2、363 - 381年,1999页。视图:谷歌学术搜索

版权

版权©2018李贾et al。这是一个开放的访问分布在条知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。