基于头颈部轮廓拟合直线斜率特征的奶牛跛行检测方法

• 作者: 何东健 吴倩 姜波 宋怀波 李通
• 来源期刊: 农业工程学报
• 学科: 工学
• 关键词: 图像处理 模型 算法 奶牛 跛行检测 局部中心循环补偿跟踪算法 分类
• 年，卷（期）: 2018,（15）
• 所属期刊栏目: 农业信息与电气技术
• 页码范围: 190-199
• 页数: 10页
• 分类号: TP391.4
• 字数: 7338字
• 语种: 中文
• DOI: 10.11975/j.issn.1002-6819.2018.15.024

摘要

针对人工跛行检测不够及时,难以发现突发中、重度跛行及轻度跛行行为的问题,该文提出了一种基于正态分布背景统计模型(normal background statistical model,NBSM)与局部循环中心补偿跟踪模型(local circulation center compensation track,LCCCT)和线性斜率最近邻分类(distilling data of KNN,DSKNN)技术的奶牛跛行检测方法.首先利用NBSM模型对奶牛序列图像中的目标奶牛像素区域进行分割,然后对得到的奶牛像素区域利用LCCCT模型提取目标奶牛身体前部像素区域,用其区域通过DSKNN模型提取目标奶牛的头部、颈部以及与颈连接的背部轮廓线拟合直线斜率数据,基于大样本视频序列帧数据将视频集制成轻度跛行、中重度跛行及正常等3类标签的斜率数据集.为了验证算法的有效性,对随机选取的18段奶牛视频进行了验证,其中正常奶牛、轻度跛行奶牛及中重跛行奶牛视频段各6段,获得头部、颈部及背部连接处的拟合直线斜率数据集.在未清洗的数据集上,分别利用SVM、Naive Bayes以及KNN分类算法进行了奶牛跛行的分类检测试验,试验结果表明,SVM与Naive Bayes跛行分类检测正确率均为82.78％,KNN奶牛跛行检测正确率为81.67％.将未清洗的数据集进行清洗后,3类算法的结果表明,KNN分类算法的跛行检测正确率达93.89％,高于SVM分类算法的91.11％及Naive Bayes分类算法的86.11％.上述结果表明通过头部、颈部及背部连接处的拟合直线斜率特性可以正确检测奶牛跛行,未清洗的数据经数据清洗后,KNN分类算法可以取得更好的检测结果.该研究结果对于奶牛跛行疾病的预防、诊断具有重要意义.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	宋怀波	西北农林科技大学机械与电子工程学院	39	528	14.0	22.0
2	李通	西北农林科技大学机械与电子工程学院	1	2	1.0	1.0