滕光辉，申志杰，张建龙，石 晨，余炅桦



基于Kinect传感器的无接触式母猪体况评分方法

滕光辉，申志杰，张建龙，石 晨，余炅桦

（中国农业大学水利与土木工程学院，农业部设施农业工程重点实验室，北京 100083）

为了提高母猪的繁殖性能，减少传统方法给动物和估测人员带来的不利影响，该研究提出了一种可应用于实际生产中的准确、无接触式的母猪体况评分（body condition scoring, BCS）方法。试验使用Kinect传感器获取108组母猪臀股的三维图像，选取48组图像进行分析处理，计算出臀部的高宽比、臀股面积及曲率半径。试验结果表明：母猪臀部的高宽比、臀股面积和曲率半径与背膘厚度的相关系数分别为0.567、0.502、0.951；以曲率半径作为主要参数建立母猪体况估测模型。取剩余60组图像进行验证，估测模型计算结果与经验方法评估结果差异较小，准确率达到91.7 %；结果表明，基于三维重构技术的Kinect传感器能够实现母猪在饲养管理过程中对体况的无接触式检测。

图像处理；算法；模型；体况评分；Kinect；臀部高宽比；臀股面积；臀部曲率

0 引 言

2017年，中国的生猪饲养规模化比例超过60%，猪肉产量为5 340万t，生产和消费占世界总量的52.22%，居世界首位[1-2]。但中国的饲养和管理方式仍然比较落后，养殖发达国家每头母猪每年所能提供的断奶仔猪头数约为中国的1.5倍[3]。确保母猪在生长周期中的每个阶段（配种、妊娠、分娩、泌乳、空怀）拥有适当的肌体组织储备，是提高母猪群体繁殖性能和延长母猪利用年限的重要保证[4]。

体况评分是国际畜牧产业近30年来总结的最优评价体系，它可以合理、准确地评估动物个体的能量储备，并客观地反映动物个体的饮食状况、繁殖能力[5]。现行常用的评分制是由Johnson[6]提出来的5分制评价标准。体况评分（body condition scoring, BCS）<2.5，体况瘦弱，母猪易出现流产、早产、产仔数少和初生窝重小等不良影响；BCS>3.5，体况肥胖，母猪不易发情、难产、泌乳期食欲差、泌乳量低且运动障碍多[7-9]。

传统的体况评定方法以目测为主，辅以按压进行评分[10]。但是该方法主观性太强，不同的评判人员和评判时间都会造成体况等级评定的误差。背膘厚度可以有效反映母猪体况的变化，根据测定的背膘厚度来调控妊娠母猪饲喂量，是实现母猪优质高效养殖的有效途径[11-12]。但是测量背膘厚度对测定人员技术要求较高，且步骤繁琐，对动物本身会产生一定的不利影响。

曹果清[13]和宋志芳等[14]研究发现体质量、体尺性状与种猪的繁殖成绩存在一定的关联。除了可以直接测量的体尺数据外，猪背、前后腿及臀部等的比例、形状也均与种猪性能相关，但是这些指标均不易通过直接测量获得，现有条件下主要通过人为判断，具有一定的主观不定性[15-16]。

随着信息技术的发展，基于机器视觉的三维重建技术具有成本低廉、操作简单、真实感强等优点，在虚拟现实、目标识别、非接触测量等诸多领域都有着广阔的发展应用前景[17-18]。刘同海等[19]利用机器视觉构建了种猪体质量预估模型。Zhu等[20]利用Microsoft Kinect获取生猪深度图像数据，通过目标轮廓参数进行质量估计。McFarlane等[21]利用立体成像系统获取生猪三维模型，利用微分几何模拟表面曲率和脊椎曲率。目前基于三维设备的猪体点云数据获取技术已经比较成熟，但是针对获取的体尺、体型数据进行的后续研究较少，未将猪的体尺、体型与种猪性能相结合。国外学者Bewley[22]和Azzaro[23]等提出通过数字显像器建立奶牛体型模型，对奶牛进行客观的半自动化体况评分。Vieira等[24]用标准模板匹配的方法研究了山羊的体况评分方法。由此可见基于机器视觉的无应激式体况评分存在可行性，但是目前关于牛和羊的体况研究居多，而关于母猪体况与体型方面的前期研究相对较少。

因此，本研究旨在利用机器视觉技术对母猪的后躯进行三维重构，通过测量并分析母猪臀部外形特征，探求母猪体型特征与背膘厚度的关系，从而寻找到一种高效、准确且无应激的母猪体况评估方法。

1 材料与方法

1.1 试验地点与对象

试验于2017年7月25日至2017年8月15日在河北省承德市丰宁动物试验基地展开。试验随机选取配种、妊娠前中期、妊娠后期、空怀共4个阶段的大白母猪108头作为研究对象，其中48头建模，60头验证。试验母猪均为单栏饲养，配种、妊娠前中期分别于每日5:00和16:00饲喂2次，妊娠后期每天饲喂3次。

1.2 试验设备

三维图像采集设备为美国微型计算机软件公司生产的Kinect V2，该设备由3个镜头组成，镜头分别为彩色摄像头（RGB camera），红外线发射器（IR emitters），深度（红外）摄像头depth sensor）。其中深度摄像头分辨率为512×424像素，测量范围为0.5～4.5 m。Kinect三维扫描设备相比于传统的方法而言，具有造价便宜、体积小、方便操作等特点[25-26]。

美国运高（Renco）lean-meter背膘测试仪（型号S/N）利用脉冲超声波来测量哺乳动物3层背膘厚度，测量范围为4～35 mm，测量误差为±1 mm。

1.3 人工测量

为确保测量过程中，被测母猪处于放松状态且不易产生应激反应，选择在采食过程中使用卷尺测量猪臀高、臀宽等体尺信息，精度为1 mm，每个体尺重复测量3次取均值以消除随机误差。

根据国际养猪业通用规定，使用背膘测试仪手动测量母猪2点（最后肋处）的背膘厚度。在2点附近小范围移动，重复测量3次，取3次测量均值作为此猪的背膘值。臀宽、臀高和背膘厚度测量位置如图1所示。根据测得的背膘厚度对母猪进行评分，评分标准如表1所示。

表1 体况评分说明

注：P2点为背膘厚度测量位置

1.4 图像获取与处理

图像处理流程如图2所示。

图2 图像处理流程图

1.4.1 母猪后躯图像获取

母猪采食过程中，手持Kinect V2距母猪后躯0.5～ 1 m处，使用Kinect Fusion功能拍摄母猪后视图。

Kinect Fusion 算法流程[27]：

1）深度数据处理：使用Kinect V2的Software Development Kit（SDK）功能将获取的原始深度帧数据转换为以米为单位的浮点数据，然后对该数据进行优化。通过获取Kinect V2的坐标信息，把浮点数据转换为在相机坐标系中由三维点组成的定向点云。

2）计算相机位置和角度：将当前三维点云和模型生成的预测三维点云进行Iterative Closest Point（ICP）匹配，计算得到当前帧相机的位置和角度，通过使用交互型的配准算法在摄像头移动时不断获取深度摄像头的位置和角度信息，这样系统能始终获得当前摄像头相对于起始帧时摄像头的相对位置和角度变化。

3）点云融合：根据所计算出的当前摄像头的位置和角度信息，使用Truncated Signed Distance Function（TSDF ）模型的点云融合算法将当前帧的三维点云数据融合到现有模型中。TSDF对深度数据的融合是逐帧且连续的，对融合后的深度数据采用最小二乘法进行优化去噪，实现场景的动态改变。当Kinect V2从不同的视角观察物体表面时，原始模型中的空洞区域会被逐渐填充，模型表面的数据得到优化。

4）场景渲染：对模型进行光线投射，得到模型渲染后的可视化图像。

1.4.2 母猪后躯图像处理

采用Geomagic软件对图像进行分割处理，去除母猪前方和两旁的限位栏，仅保留母猪后躯图像。

由于实际获取的三维图像采样点过多，为提高后期处理和传输的效率，需要对三维图像进行简化。采用的方法为顶点删除网格算法[28]，若判定某一顶点与周围的三角网格共面，且删除后不会造成拓扑结构的改变，即可以将该顶点删除，同时所有与该顶点相连的面均从原始模型中删除，最后对该顶点邻域重新三角化，以填补删除该顶点所带来的空白。基于该算法的简化模型能够避免引入新的顶点，与原模型具有较高的相似度，因而在实际使用中被广泛应用。使用Geomagic软件对简化后的三维图像进行简单的平滑处理，根据相邻三角区域的曲率变换情况，去除模型上的尖锐点。

为了保证获取的三维图像在空间中具有相同的朝向，采用Principal Component Analysis[29]（PCA）方法计算猪体模型的主轴，通过对所有待分析点的坐标值的线性变换，去除这些点在3个轴向上坐标分量的相关性，调整待测猪体点云的坐标系为标准测量坐标系。

1）输入猪体点云数据集={N|=1,2,3…,}.求猪体的中心点为

式中N为猪体中心点三维坐标；N为猪体上各点三维坐标；为数据编号；为猪体模型上点的总数。

2）根据得到的中心点N，求出协方差矩阵

式中C为3×3矩阵。

3）根据获得的协方差矩阵C，求出特征值和特征 向量。

式中λ是协方差矩阵C的第个特征值，e是λ对应的特征向量。

1.5 外形特征获取

1.5.1 体尺指标获取

利用体尺测点的几何特征寻找关键点（如图3所示），并通过关键点计算其体尺信息。

1）臀高：髋关节臀部最高处至地面的垂直距离。寻找轴上坐标值最大点坐标3（m），该点为臀部最高点。寻找轴上坐标值最小点坐标4（m），设为地面上某一点，根据距离公式计算

式中tall为臀高，m。

2）臀宽：根据臀部向外最突出部位间的宽度进行测量。标记轴两边最突出点坐标1（m）、2（m），通过公式计算

式中width为臀宽，m。

注：1、2为臀宽测量点，3为臀高测量点，4为地面上一点。

Note：1 and 2 are hip width measurement points, 3 is hip height measurement point, 4 is a point on the ground.

图3 体尺检测点

Fig.3 Body size test points

3）臀股面积：根据猪的生理结构，自后肢肘关节处做水平截面，并以臀部最高点做垂直截面，求取保留部分的表面积。通过计算保留部分所包含的所有三角网格面积获得总的表面积（m2）。

1.5.2 臀部轮廓曲线分析

为了降低分析的复杂度，从母猪后躯的三维点云出发，确定臀部最高点坐标，利用切片法过此点做垂直于水平面的平面，从而获得如图4所示的臀部轮廓散乱点，运用最小二乘法对其进行拟合，拟合公式为

式中y为轮廓上点的纵坐标，m；x为对应点的横坐标，m；均为系数。根据拟合公式计算臀部最高点的曲率半径。

试验数据运用Excel (2016) 软件进行处理后，使用SPSS (17.0) 统计软件进行线性回归分析。

2 结果与分析

2.1 图像处理结果分析

对获取的图像进行处理，试验结果如图5所示。其中图5a为原始图像的正视图，从图中可以看出，目标猪体的臀高和臀宽与全局坐标系中的轴和轴并不平行，且图像中包含了限位栏和目标之外的猪体图像。使用三维处理软件Geomagic手动对原始图像进行处理，删除限位栏等点云数据，仅保留目标猪体图像，如图5b所示。根据顶点删除算法，对试验中获取的模型进行简化处理，依次减少三角网格数缩减比例，当比例设置为20%时，效果较好，此时，三角网格数从99 760降至19 951，对模型的拓扑结构影响较小，且提升后期数据处理效率，结果如图5c所示。利用Geomagic的删除钉状物功能对简化后的的模型做平滑处理，去除模型上的尖锐点，结果如图3d所示。最后基于PCA方法对猪体图像进行旋转归一化处理，调整后的全局坐标系如图5e所示，母猪臀高基本上与轴保持平行，臀宽与轴保持一致。通过PCA方法处理后的猪体点云有利于后期体尺测点的寻找，但是该方法对点云数据的依赖性较强，因此在获取图像时需要保证点云数据的完整。

注：图中的坐标系为全局坐标系，三角形数为三维图像中所包含的三角网格数。

2.2 臀部特征分析

选取48组母猪后躯的三维图像，经过处理后，通过提取体尺测点计算臀高和臀宽等数据，与手工测量结果进行比对，结果如图6所示。臀高的绝对误差小于2.1 cm，相对误差为1.1 %。臀宽的绝对误差小于1.8 cm，相对误差为0.8 %，基本上满足体尺测量的误差要求。

图6 48组体尺数据检测绝对误差

通过获取的臀高和臀宽数据，计算对应的臀部比例，臀高宽比与背膘厚度的关系如图7a所示，为负相关。而臀股面积和臀部曲率半径与背膘厚度为正相关，如图7b和c所示。

前两者决定系数仅为中等程度，以此建立的线性方程误差太大，无法准确预估母猪的背膘厚度。但是臀部曲率半径与背膘厚度高度相关，可以作为预估母猪背膘厚度的依据。

图7 臀部特征与背膘厚度的关系

2.3 现场验证结果

用剩余的60组母猪三维图像作为验证，获取其臀部曲率半径和背膘数据，将计算得出的背膘厚度与实测值进行比对，检测结果如图8所示。背膘厚度计算值与实测值之间无显著性差异（>0.05），背膘检测最大绝对误差值为1.3 mm，最大相对误差为7.7 %，平均绝对误差为0.5 mm，平均相对误差为3.7 %。

图8 60组背膘数据检测绝对误差

2.4 体况评定

根据背膘厚度人工测量值与预估值分别对体况进行评定，得到实际体况评分和预测体况评分，评判结果如表2所示。总体准确率为91.7%，体况等级评定误差≤1。

表2 体况评定检测

注：规模化猪场很少出现体况等级为5的情况。

Note:The situation of body condition leve is 5 rarely occurs in large-scale pig farms.

3 讨 论

本研究采用Kinect V2在母猪采食时获取三维图像数据，臀部会发生轻微的晃动，导致获取的三维图像边缘噪声点较多，对体尺关键点的选取会造成一定的误差。因此在提取体尺特征之前需要对图像进行整体平滑处理，减小体尺提取的误差。

选取臀高宽比、臀股面积、曲率半径3个特征进行分析，研究结果表明只有臀部曲率与背膘厚度相关性程度较高，这与范振先等[4]关于不同体型下臀部外形的描述结果较为一致，体况评分越高的母猪，其臀部形状越趋于圆润，臀部曲率越大。臀股面积相关性较低的原因可能是因为没有考虑到年龄和胎次对母猪生长的影响。随着母猪年龄的增大，生长发育仍在继续，从而导致相同体型下，其臀股面积会存在一定的差异。其次，不同胎次的猪，其臀部肌肉、脂肪含量之间也存在着差异，这也是对试验结果造成影响的因素之一。至于臀高宽比，姚杰等[30]发现，虽然大多数情况下，体尺的选择会影响生产性能，但是不能单方面的根据体尺进行判断，需要结合身体比例和形状等体型特征进行进一步的判断。也有研究表明[31]，臀高和臀宽属于遗传相关较低的体尺性状，对繁殖性能的影响较低。不过目前关于体尺和体型特征与背膘关系的前期研究还相对较少，有待之后的进一步研究。

利用图像识别技术对母猪体况进行评分，可以减小人为评分所造成的误差，消除传统评分方法给猪造成的应激反应，便于饲养管理人员实时检测，针对母猪后期的饲养管理及时作出调整，提高猪群生产繁殖性能。

4 结 论

本文提出了利用计算机视觉技术对母猪相关体况指标数据的非接触测量及形状特征分析的方法。基于Kinect V2的三维重构功能构建了母猪后躯的三维模型，并进行了臀部比例和臀股面积计算及外形特征指标分析，臀部高宽比、臀股面积和曲率半径与背膘厚度的相关性分别为0.567、0.502、0.951，根据臀部曲率半径与背膘厚度的强相关性构建背膘厚度计算模型，并根据计算结果进行体况评定，体况评定准确率为91.7%。

下一步研究将对评定方法进行完善，以期提高体况评定准确率，并考虑实现母猪体况评定的自动化。

[1] 国家统计局. 2017年国民经济和社会发展统计公报. [R/OL].[2018-2-28]http://www.stats.gov.cn/tjsj/zxfb/ 201802/t20180228_1585631.html. National Bureau of Statistics. Statistical Bulletin of the 2017 National Economic and Social Development.[R/OL]. [2018-2-28]http://www.stats.gov.cn/tjsj/zxfb/201802/t20180228_ 1585631.html.

[2] 陈来华. 2017中国生猪行业现状及发展趋势[J]. 中国动物保健，2018(1)：4－8. Chen Laihua. The status and development trend of Chinese pig industry in 2017[J]. Chinese Animal Health, 2018(1): 4－8. (in Chinese with English abstract)

[3] 吉耀春，杜加法. 母猪体况评价及饲料饲喂量计算方法[J]. 畜禽养殖，2013(3)：40－41. Ji Yaochun, Du Jiafa. Sow’s body condition evaluation and calculation method of feed[J]. Livestock Feeding, 2013(3): 40－41. (in Chinese with English abstract)

[4] 范振先，傅金恋，葛长利. 英系大白猪对母猪体况繁殖性能的影响[J]. 中国畜牧杂志，2005，41(8)：21－23. Fan Zhenxian, Fu Jinlian, Ge Changli. Effect of british white pigs on the reproduction performance of sows[J]. Chinese Journal of Animal Science, 2005,41(8): 21－23. (in Chinese with English abstract)

[5] 何东健，刘冬，赵凯旋. 精准畜牧业中动物信息智能感知与行为检测研究进展[J]. 农业机械学报， 2016，47(5)：231－244. He Dongjian, Liu Dong, Zhao Kaixuan. Review of perceiving animal information and behavior in precision livestock farming[J]. Transactions of the Chinese Society for Agricultural Machinery, 2016,47(5): 231－244. (in Chinese with English abstract)

[6] Johnson C, Stalder K, Karriker L. Sow condition scoring guidelines[J]. National Hog Farmer, 2006, 51(4): 7.

[7] 李华磊，张霞，韩土焱，等. 猪背膘测定技术研究概述[J]. 饲养饲料，2017(11)：49－57. Li Hualei, Zhang Xia, Han Tuyan, et al. A summary of research on pig back fat determination technology[J]. Husbandry and Forage, 2017(11): 49－57. (in Chinese with English abstract)

[8] 赵西彪，于钦秀. 母猪的体况管理[J]. 猪业科学，2011，28(10)：112－114. Zhao Xibiao, Yu Qinxiu. Sow body condition management[J]. Swine Industry Science, 2011, 28(10): 112－114. (in Chinese with English abstract)

[9] 杨南宗. 现代瘦肉型母猪的适度体况及其调控[J]. 养猪，2014(3)：27－29. Yang Nanzong. Moderate body condition and regulation of modern lean sow[J]. Swine Production, 2014(3): 27－29. (in Chinese with English abstract)

[10] 高云云，范志勇，杨丹丹，等. 体况评定在繁殖母猪中的应用[J]. 养猪，2009(1)：12-14. Gao Yunyun, Fan Zhiyong, Yang Dandan, et al. Application of body condition assessment in breeding sows[J]. Swine Production, 2009(1): 12－14. (in Chinese with English abstract)

[11] 张守全，冯定远，麦月仪，等. 母猪背膘厚度对其繁殖性能的影响[J]. 养猪，2005(1)：11－12. Zhang Shouquan, Feng Dingyuan, Mai Yueyi, et al. The effect of sow’s back fat thickness on its reproductive performance[J]. Swine Production, 2005(1): 11－12. (in Chinese with English abstract)

[12] 单妹，凌宝明，何晓明，等. 背膘测定在养猪生产中的应用[J]. 养猪，2016(6)：47. Shan Mei, Ling Baoming, He Xiaoming, et al. Application of backfat determination in pig production[J]. Swine Production, 2016(6): 47. (in Chinese with English abstract)

[13] 曹果清，景利芳，石建忠，等. 猪体重和体尺性状与繁殖性能间的相关[J]. 山西农业大学学报，2003，23(2)：136－138. Cao Guoqing, Jing Lifang, Shi Jianzhong, et al. Study on correlation analysis between body weight and size and reproductive performance in Swine[J]. Journal of Shanxi Agricultural University, 2003, 23(2): 136－138. (in Chinese with English abstract)

[14] 宋志芳，邢荷岩，于国升，等. 猪体型性状的研究进展及其重要性[J]. 猪业科学，2017，34(7)：120－124. Song Zhifang, Xing Heyan, Yu Guosheng, et al. Research progress and importance of swine’s somatic traits[J]. Swine Indusrty Science, 2017, 34(7): 120－124. (in Chinese with English abstract)

[15] 李学伟，朱砺，杨光希. 种猪的外貌评定[J]. 猪业科学，2006，23(4): 54－56. Li Xuewei, Zhu Li, Yang Guangxi. Pig appearance assessment[J]. Swine Indusrty Science, 2006,23(4): 54－56. (in Chinese with English abstract)

[16] 付为森. 基于双目视觉的猪体尺检测与体重预估方法研究[D]. 北京：中国农业大学，2011. Fu Weisen. Study of Pig’s Body Dimensions Detection and Weight Estimation Based-on Binocular Stereovision[D]. Beijing: China Agricultural University, 2011. (in Chinese with English abstract)

[17] Gary Bradski Adrian Kaebler. Learning OpenCV[M]. 北京：清华大学出版社，2009.

[18] Robert Laganiere. OpenCV Computer Vision Application Programming Cookbook[M]. Birmingham: Packt Publishing, 2011.

[19] 刘同海，滕光辉，付为森，等. 奶牛体型图象信息系统研究[J]. 农业工程学报. 2013，29(2)：161－168. Liu Tonghai, Teng Guanghui, Fu Weisen, et al. Extraction algorithms and applications of pig body size measurement points based on computer vision[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(2): 161－168. (in Chinese with English abstract)

[20] Zhu Q, Ren J, Barclay D, et al. Automatic animal detection from Kinect sensed images for livestock monitoring and assessment[C]//2015 IEEE International Conference on Computer and Information Technology; Ubiquitous Computing and Communications; Dependable, Autonomic and Secure Computing; Pervasive Intelligence and Computing (CIT/IUCC/DASC/PICOM), 2015: 1154－1157.

[21] McFarlane N, Wu J, Tillett R D, et al. Shape measurements of live pigs using 3-D image capture[J]. Animal Science, 2005, 81(3): 383－391.

[22] Bewley J M A, Peacock M, Lewis O, et al. Potential for estimation of body condition scores in dairy cattle from digital images[J]. Journal of Dairy Science, 2008, 91(9): 3439－3453.

[23] Azzaro G, Caccamo M, Ferguson J D, et al. Objective estimation of body condition score by modeling cow body shape from digital images[J]. Journal of Dairy Science, 2011, 94(1): 2126－2137.

[24] Vieira A, Brandao S, Monteiro A, et al. Development and validation of a visual body condition scoring system for dairy goats with picture-based training[J]. Journal of Dairy Science, 2015, 98(9): 6597－6608.

[25] Yilmaz O, Karakus F, Stereo and kinect fusion for continuous 3D reconstruction and visual odometry[C]//2013 International Conference on Electronics Computer and Computation (ICECCO). IEEE, 2013: 115－118.

[26] 杨一飞，陈启军. 基于kinect的人体三维建模与尺寸测量技术的研究[C]//. 中国信息通信研究新进展. 北京：北京邮电大学出版社，2014：78－82. Yang Yifei, Chen Qijun. Research on kinect-based human reconstruction and dimensional measurement[C]//. China Academic Journal Electronic Publishing House. 2014: 78－82. (in Chinese with English abstract)

[27] 童伟亮，王广伟. 基于Kinect及双目机器视觉原理的物体3维建模系统[J]. 中国水运. 2015，15(8)：121－124. Tong Weiliang, Wang Guangwei. Object 3D modeling system based on kinect and binocular machine vision[J]. China Water Transport. 2015, 15(8): 121－124. (in Chinese with English abstract)

[28] 罗鹍，黄魁东，连明明. 基于顶点删除的三角网格模型简化新方法[J]. 微电子学与计算机. 2009(5): 41－44. Luo Kun, Huang Kuidong, Lian Mingming. New method of triangular mesh simplification based on vertex culling[J]. Microelectronics and Computer. 2009(5): 41－44. (in Chinese with English abstract)

[29] 王可，郭浩，刘威林，等. 基于点云旋转归一化的猪体体尺测点提取方法[J]. 农业工程学报，2017，33(增刊1)：253－259. Wang Ke, Guo Hao, Liu Weilin, et al. Eetraction method of pig body size measurement points based on rotation normalization of point cloud[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017,33(Supp1): 253－259. (in Chinese with English abstract)

[30] 姚杰，刘坚强. 猪体型性状遗传及选择评估的研究[J]. 养殖技术顾问，2010(11): 178. Yao Jie, Liu JianQiang. Study on inheritance and selection of body shape traits in pigs[J]. Breeding Technical Advisor. 2010(11): 178. (in Chinese with English abstract)

[31] 王乐乐. 体尺体貌表型测定在种猪生产中的应用研究[D]. 保定：河北农业大学，2015. Wang Lele. Studies on Application of Bodysize Apperance Phenotype Measurement in Boar Production[D]. Baoding: Agricultural University of Hebei Province, 2015. (in Chinese with English abstract)

Non-contact sow body condition scoring method based on Kinect sensor

Teng Guanghui, Shen Zhijie, Zhang Jianlong, Shi Chen, Yu Jionghua

(,,,100083,)

The body condition scoring (BCS) is an important tool of assessment method on body condition for sow raising and management. It has been divided into 5 grades that from emaciated to overly fat grade and each grade had a score. The traditional method has negative effect on animals and farmers, and the process is complex with excessive contact. The body size and shape of sows are correlated with their reproductive performance but are difficult to measure manually. There is subjective uncertainty in the process of manual measurement. The Kinect’s 3D reconstruction technology was used to estimate and analyze the buttock shape of sows. A total of 108 images of Large White sows were manually acquired by Kinect camera during the feeding process at Feng Ning Animal Experimental Building in Chengde, Hebei Province of China, from July 25, 2017 to August 15, 2017. The hip height and hip width were measured by using tape and the back fat thickness was measured by using back fat measuring instrument. The hip height, hip width and area of buttock were obtained by analyzing the key points of 48 images. In order to obtain the measurement points of the livestock, several processing steps were taken, and the steps were as follow: 1) The sow stall was removed manually by Geomagic, and the target pig was acquired. In order to improve post-processing speed, the vertex culling algorithm was used to simplify the Three-dimensional model. 2) Since the models acquired were from different angles, the principal component analysis (PCA) was used to acquire new coordinate system. By using the geometrical relationship among the coordinate axes, standard measuring coordinate system was defined in this paper. 3) According to the geometric feature of the measurement points, the hip height, hip width and area of buttock were obtained. The results showed that the root mean square error of estimated body size was less than 2.1 cm, which meet the requirements of precision. The slice method was used to draw a curve at the highest point of the area of buttock based on the point cloud data. The least square fitting method was used to get the curve of hip contour. The hip radius of curvature was calculated by derivation formula. The results showed that the height-width ratio, area and radius of curvature of the sow’s hip had the correlation with the back fat thickness. The correlation coefficients were 0.567, 0.502 and 0.951 respectively. With radius of curvature as the main parameter, the sow body condition estimation model was built based on the experience of hip morphology. 60 images were selected for validation. By comparing the measured and the estimated values of back fat thickness, the maximum absolute error of back fat detection is 1.3 mm and the average relative error is 3.7%. The accuracy of body condition assessment was 91.7% compared with the traditional methods. All the results mentioned above indicate that this study provides a non-contact body condition assessment method based on 3D reconstruction technology and has certain application potential in the real livestock productive.

image processing; algorithms; models; body condition score; Kinect; height-width ratio; hip area; hip curvature

滕光辉，申志杰，张建龙，石 晨，余炅桦. 基于Kinect传感器的无接触式母猪体况评分方法[J]. 农业工程学报，2018，34(13)：211－217. doi：10.11975/j.issn.1002-6819.2018.13.025 http://www.tcsae.org

Teng Guanghui, Shen Zhijie, Zhang Jianlong, Shi Chen, Yu Jionghua. Non-contact sow body condition scoring method based on Kinect sensor[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(13): 211－217. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2018.13.025 http://www.tcsae.org

2018-03-09

2018-04-08

“十三五”国家重点研发计划（2016YFD0700204）

滕光辉，教授，博士生导师，主要从事设施环境监测与信息技术应用研究。Email：futong@cau.edu.cn

10.11975/j.issn.1002-6819.2018.13.025

S818

A

1002-6819(2018)-13-0211-07