黎 煊 刘诗尧 赵书红 刘望宏 雷明刚 徐迪红

(1.农业农村部智慧养殖技术重点实验室， 武汉 430070； 2.中国农业科学院深圳农业基因组研究所， 深圳 518000；3.岭南现代农业科学与技术广东省实验室深圳分中心， 深圳 518000；4.农业农村部种猪质量监督检验测试中心(武汉)， 武汉 430070；5.华中农业大学深圳营养与健康研究院， 深圳 518000)

0 引言

正确选择具有优良遗传品质的个体对于动物改良具有重要意义[1]。种猪生产性能测定是种猪客观评定的基础工作[2]，按照既定的测定方案，将测定猪只置于相对一致的环境和饲养管理条件下，采用标准方法对目标性状进行度量的全过程，是提高种猪质量的有效方式。传统的人工测定过程测定数据可靠性差，易引起种猪应激反应且对环境要求严格。种猪性能测定站以其高自动化的特点被应用在种猪测定中。测定站按外型可分为开放式和封闭式两大类。开放式测定站采用敞开式的测定环境，对种猪采食饲料和体质量称量过程没有良好的保护，当测定站不能满足种猪采食需求时，会增加种猪之间争食行为[3-4]，进而降低种猪的生产性能和繁殖力[5]、影响种猪采食量和体质量测量精度[6]。封闭式种猪测定站能够提供相对稳定封闭的测量环境，可减少种猪争食行为，测定准确性高。目前封闭式测定站研究较少，自动化程度较低[7-8]，因而有必要开展自动化程度高的封闭式种猪性能测定站研究。我国具有95个核心育种场，每年需要进行测定的种公猪约30万头，而我国目前性能测定站仅2 000余套，年测定量约9万头，不到需求量的1/3，而国内市场目前高性能测定站需求量在6 000套以上，当前市场上种猪测定站主要为Osborne、Acema等国外品牌，价格昂贵，主要获取种猪体质量和采食信息，难以获取种猪体尺信息。而种猪体尺信息是衡量猪生长发育情况的一个主要指标，在种猪测定过程中实时获取体尺信息可为种猪育种选育提供更多的数据支撑，对提高我国育种水平具有重要意义。

传统的种猪体尺测量方法利用皮尺、测杖等工具进行直接测量，其测量工作量大、覆盖面小且容易导致猪只应激反应。机器视觉以其无接触、精准度高等特点已被应用于猪只体尺测量，目前国内外学者将图像处理应用于猪只体尺的研究已取得较多进展[9-13]。WANG[10]使用单目相机采集猪只背部图像数据，通过相机与猪只距离得到猪只的实际尺寸。刘同海等[11]在饮水器正上方安装摄像机，利用机器视觉技术对猪体图像进行包络分析，实现了体长、臀宽、体宽、肩宽的测量。李卓等[12]使用两个单目相机同时采集数据构建双目视觉系统从而提取猪只特征点。目前体尺测量研究大多是在开放的环境下，例如在采食点、饮水点或猪舍上方设置相机，和测定站联合测定应用较少。KONGSRO[13]将Kinect摄像机置于Osborne测定站上方基于深度图像获取猪体特征参数，利用图像中像素值之和提取猪体的高度、宽度及背部面积等信息。 因Osborne测定站为开放式测定站，其接口不开放且可能造成猪只争食行为，需手动筛选猪只图像并核对猪只身份信息，信息不能进行有机融合。将种猪采食信息、体质量信息以及体尺信息同时进行测定，可以更客观、更高效评价种猪，提高育种效率。

本文设计一种集种猪自动识别、体质量自动称量、采食量自动统计、体尺自动测量于一体的封闭式种猪性能测定站。种猪性能测定站机械部分采用前后端分离的结构设计，通过设计采食门装置和门禁装置为种猪提供稳定封闭的测量环境；控制系统采用STM32控制中心与图像处理中心协同工作模式，分析种猪入站体质量变化特点，基于FIR滤波设计种猪体质量动态称量算法，基于椭圆拟合研究种猪理想姿态筛选算法，并提出基于包络分析的种猪体尺测量算法。

1 测定站整体方案设计

1.1 种猪测定站机械结构设计与控制原理

种猪测定站机械结构采用前后端分离设计，如图1所示。前端为饲喂装置，包括前端框架、螺旋下料装置、称量料槽装置以及采食门装置，螺旋下料装置主要由料斗、支架、下料电机、螺旋轴和联轴器组成；称量料槽装置由食槽和称量传感器组成；采食门装置为上下两块挡板铰接，通过气缸驱动旋转实现采食门开关，其上端设置有RFID塑料天线板；后端为种猪称量装置，由后端框架、称量栏装置、门禁装置组成，称量栏装置位于下料装置和称量料槽装置后方；摄像头悬挂在称量栏装置正上方2.2 m处，其视场角可以容纳入站种猪；门禁装置由气缸驱动的两对推拉门组成，安装在称量栏后端。

图1 种猪测定站机械结构示意图Fig.1 Schematic of mechanical structure of breeding pig measuring station1.前端框架 2.螺旋下料装置 3.采食门装置 4.后端框架 5.称量栏装置 6.门禁装置 7.称量料槽装置 8.摄像头

种猪测定站控制系统采用STM32控制中心与图像处理中心协同工作模式，如图2所示，STM32控制中心通过与32位AD采集芯片ADS1263建立SPI通信，读取不同输入通道称量传感器的电信号，通过控制IO口驱动电磁阀和下料电机进行开关门禁动作和下料动作，RFID读卡器识别的种猪身份数据通过UART传输至STM32控制中心。图像处理中心选用RK3399芯片，摄像头选用Intel Realsense D415型，通过USB 3.0驱动摄像头实时捕获种猪图像，检测种猪体尺，体尺测定数据通过UART传递给STM32控制中心。

图2 种猪测定站控制系统示意图Fig.2 Schematic of control system of breeding pig measuring station

1.2 系统工作原理

种猪入站信号为称量栏装置传输的电信号，其阈值设定为测定猪群平均体质量的1/2，种猪入站后关闭门禁装置并对入站种猪身份进行识别、体质量称量、体尺测量，种猪出站阈值设置为5 kg，种猪出站后对其采食量进行计算，系统工作流程图如图3所示。

图3 种猪测定站工作流程图Fig.3 Workflow chart of breeding pig measuring station

2 测定站关键算法设计

2.1 动态称量算法设计

在称量过程中，猪只的移动对称量准确度影响较大， FIR滤波器具有线性相频特性、稳定等优点[14]，本文采用FIR滤波器对体质量数据进行处理， FIR滤波器的差分方程表达式为

(1)

式中y(n)——滤波器输出信号

x(n-k)——滤波器输入信号

h(k)——滤波系数N——滤波器阶数

用窗函数法来设计FIR滤波器，选择适应力较强的凯泽窗，可调节主瓣和旁瓣的宽度比值，适合对A/D采样信号滤波[14]。通过采集猪只入站体质量数据分析猪只体质量变化规律，图4所示蓝色曲线为一头体质量25.5 kg猪只入站采食过程中的体质量数据，猪只移动有较明显的规律， 0.1 s左右时，猪只移动频率为10 Hz左右，测定种猪体质量一般为30～120 kg，随着体质量增大，猪只移动越来越慢。本文设计 FIR滤波器截止频率为35.19 rad/s，利用fir1()函数计算出滤波系数，得到滤波器的幅频特性曲线如图5所示。

图4 体质量数据FIR滤波时域图Fig.4 FIR filtering time domain diagram of weight data

图5 FIR滤波器幅频特性曲线Fig.5 Amplitude-frequency characteristics of FIR filter

滤波效果如图4红色曲线所示。对滤波后的数据采用均值法得出本次称量的真实体质量。基于动态称量算法对称量装置进行标定，用100 kg砝码对体质量秤进行标定，经反复测试，称量检测值相对于标定物动态误差在0.1%以内。

2.2 体尺测量算法设计

体尺测量模块以猪只入站为触发信号，对采集的图像进行动态猪体轮廓提取、猪体理想姿态筛选、猪体体尺测点提取，测量流程如图6所示。

图6 体尺测量流程图Fig.6 Flow chart of measuring ruler

2.2.1动态猪体轮廓提取

将深度数据映射到彩色图像后生成世界坐标，根据世界坐标的深度赋予不同彩色值，生成如图7b所示的彩色深度图像。将深度数据转换到彩色图像后生成世界坐标，以测定站限位栏高度的1/3为阈值，通过距离梯度分割得到猪只轮廓如图7c所示。

图7 原始图像处理效果Fig.7 Original image processing rendering

2.2.2猪体理想姿态筛选

体尺测量是否准确关键是猪体姿态处于自然状态[12]，若猪体处于异常姿态则容易导致体尺测量点的提取出现偏差，因此需要对猪只姿态进行筛选。猪只异常姿态主要分为图8所示的3类：低头、弯曲、抬头。

图8 猪只异常姿态Fig.8 Unusual posture of pigs

椭圆拟合常被应用于圆形或椭圆形物体的目标检测中[15]。KASHIHA等[16]在通过椭圆自适应算法先后检测出猪体整体部分、头部与躯干部分，并去除头尾后计算出背部面积。本文提出基于椭圆拟合的姿态筛选法，首先对猪体轮廓点集进行椭圆拟合,椭圆方程为

ax2+bxy+cy2+dx+ey=1

(2)

式中a、b、c、d、e——常系数

令A=[abcde],X=[x2xyy2xy]T，方程表示为AX=1，椭圆拟合的最优解为

(3)

其中

式中D——数据样本集合

C——常数矩阵

根据拉格朗日乘子法，引入拉格朗日因子γ，得到两个等式方程

2DTDA-2γCA=0

(4)

ATCA=1

(5)

(6)

图9 椭圆拟合效果Fig.9 Ellipse fitting effect

(1)对于弯曲姿态，分别统计猪体区域中位于椭圆长轴左右两侧的像素点数量，以对称度δ为阈值对图像进行筛选。δ的计算公式为

(7)

式中SL——椭圆长轴左侧所有像素点数

SR——椭圆长轴右侧所有像素点数

理想状态下猪体图像应关于椭圆长轴左右对称，对称度δ=0.5，对于弯曲猪体，δ分布在0.5两侧。为寻找合理的δ范围，计算人工筛选的660帧理想姿态的δ值。根据计算的结果选取对称度为0.46～0.54。

(2)对于低头姿态，首先确定猪体头部和尾部所在位置，沿椭圆长轴方向对猪体区域内的所有像素点进行垂直投影

Sd=|S(i+1)-S(i)| (i=1,2,…,l-1)

(8)

其中

S(i)=n

(9)

式中l——椭圆长轴索引值

n——垂直投影线上像素点数量

Sd——像素点数量差值

S(i)——椭圆长轴索引值i处像素点数量

根据式(8)求差分曲线，如图10所示。

图10 差分曲线Fig.10 Difference curve

差分值较大处对应的可疑点大多分布在耳部和嘴部结合处、脖颈和耳根结合处以及尾根处。根据可疑点到长轴中点的距离判断头部和尾部的位置，为保证头尾分割的完整性，分别从可疑点处向椭圆中心移动30像素分离出头部和尾部，如图11所示。

图11 分离后的头部和尾部位置Fig.11 Head and tail position after separation

提取头部外轮廓形心(x,y)，计算外轮廓上各点到形心点的距离，距离分布如图12所示，与正常图像相比，低头图像如图13b所示，主要表现为猪鼻部分的缺失。x、y的计算公式为

图12 距离分布Fig.12 Distance distribution

(10)

式中xn——外轮廓点横轴上的像素索引值

yn——外轮廓点纵轴上的像素索引值

M——轮廓点数量

理想姿态图像像素距离分布较平均，两个波谷中间最高的波峰为猪鼻部分到质心的距离分布。而低头姿态图像中由于鼻子缺失，在理想姿态图像像素距离分布图中，鼻尖位置会出现一个较大的波谷，因此可通过判断像素距离分布图中波谷的分布情况对低头姿态进行筛选。

(3)对于抬头姿态，由于处于抬头姿态的猪只与正常姿态接近，难以直接通过分析二维图像进行判别。对本试验中手工测量的体高与臀高比例进行统计，为提高筛选准确率，取置信度为95%，阈值范围规定为85%～95%。通过判断体高与臀高的比例对抬头姿态图像进行筛选。

2.2.3猪体体尺测点提取

根据2.2.2节方法分离出理想姿态近似头尾部分，通过包络分析找出各凸包中的凸点，判断各凸点到近似头尾分割线距离，找出真实头尾分割点如图14c、14d所示，将两耳根点和两尾根点连接作为头尾分割线对理想姿态猪体进行分割，得到背部轮廓如图15所示，点1、2为耳根点，点3、4为尾根点，点5和点6分别为两耳根点中点和两尾根点中点，为体长测点，点7为猪体背部区域的形心，从点7出发，分别沿索引L1和L2寻找猪体外轮廓最大截距交点为体宽和臀宽测点，最大截距对应的索引点12和13为臀高和体高测点；猪只体长计算公式为

图14 头尾包络分析Fig.14 Head tail envelope analysis

图15 体尺测点Fig.15 Body ruler measuring point

(11)

其中

(12)

式中 Δxk、Δyk、Δzk——相邻像素距离差值

r——体尺测点像素点数量

Lk——体尺弧线近似距离,cm

L——猪只体长,cm

3 种猪测定站养殖试验

3.1 生长性能试验

课题组于2019年3—7月在武汉市江夏区某猪场选取70日龄大白猪10头完成生长性能优化试验[17]，在此基础上于2019年12月至2020年2月在华中农业大学精品猪场选取55日龄大白猪6头进行实际猪群模拟种猪生长性能验证试验。试验期间让试验猪只自由采食和饮水，实际猪群模拟种猪生长性能验证试验过程如图16所示，其结果分析如下：

图16 生长性能验证试验现场Fig.16 Growth performance experiment site map

(1)采食数据分析

表1和表2为试验猪只个体和群体的日均采食次数、日均采食时间和料肉比统计结果。

表1 试验猪只个体采食信息Tab.1 Individual feeding information of experimental pigs

表2 试验猪只群体采食信息Tab.2 Feeding information of experimental pig population

孙华等[18]研究得到肥育猪30～100 kg的平均日采食8.95次；罗凤珍等[19]测定的生长肥育母猪30～60 kg平均自由采食9.5次，料肉比为2.16；课题组前期样机性能优化试验中大白猪40～100 kg日均采食次数为7.68次，群体料肉比为2.69[17]。

(2)生长规律分析

结合日龄和体质量信息对试验猪群进行Logistic拟合分析，Logistic模型方程为

Wt=A/(1+Be-kt)

(13)

式中Wt——t日龄时猪只体质量,kg

A——极限体质量,kg

B——调节参数t——日龄,d

k——瞬时相对增长率

Logistic模型拟合曲线如图17所示。

图17 体质量曲线与logistic模型拟合曲线Fig.17 Body weight and fitting curves

生长曲线拟合方程为

Wt=145.394 27/(1+33.501 44e-0.027 83t)

(14)

Logistic模型拟合的拐点为(126.18 d，72.70 kg)，拟合决定系数为0.942 29。肖炜等[20]针对3种不同来源的大白猪采用Gompertz、Logistic、Bertanlanffy 3种模型进行了生长曲线拟合，结果表明采用Logistic模型拟合的决定系数比另外两种模型高， 生长曲线的拐点分别为(124.93 d，71.40 kg)、(143.49 d，84.25 kg)、(137.25 d，86.85 kg)；李庆岗等[21]针对不同性别的美系大白猪进行生长曲线拟合，公猪与母猪的拐点分别为(137.14 d，88.25 kg)、(138.53 d，81.95 kg)；课题组前期样机性能优化试验中大白猪Logistic模型拟合拐点为(134.53 d，85.80 kg)[17]。

通过日均采食次数、料肉比和生长曲线拟合结果分析，本文验证试验结果与课题组前期样机性能优化试验结果一致，均与现有研究结论相近，表明本文所设计的封闭式种猪性能测定站可靠性和稳定性较好，可用于种猪性能测定。

3.2 体尺测量试验

2021年10月8日—11月15日在华中农业大学精品猪场进行猪只体尺测量试验，如图18所示。选取125日龄鄂通两头乌猪只6头，整个试验期间让试验猪只自由采食和饮水。

图18 体尺测量试验现场Fig.18 Body measurement experiment site map

(1)姿态筛选

为验证猪只理想姿态的筛选结果，对2021年10月12日采集的共34 290帧图像进行了人工检测与自动检测，其中算法筛选低头帧数共11 627帧，算法筛选弯曲帧数共19 255帧，算法筛选抬头帧数共2 815帧，算法筛选理想姿态共593帧，全部包含在人工筛选理想姿态660帧中，占总帧数的1.72%。

(2)体尺检测误差

在2021年11月6日采用人工方式测量体尺对系统精度进行校验，每个体尺测量3次取平均值作为测量结果，测量结果如表3所示。体长、体宽、臀宽、体高、臀高检测值与实测值的平均相对误差分别为3.69%、2.53%、2.60%、2.59%、2.17%，表明系统检测的体尺数据测量效果较好。

表3 猪只体尺测量误差Tab.3 Measurement error of pig body ruler

4 结论

(1)设计了一种集种猪自动识别、体质量自动称量、体尺自动测量、采食量自动统计于一体的封闭式种猪性能测定站。系统的机械部分采用前后端分离的结构设计，前端为饲喂装置，包括前端框架、螺旋下料装置、称量料槽装置以及采食门装置，后端为猪只称量装置，由后端框架、称量栏装置、门禁装置组成。通过设计采食门装置和门禁装置为猪只提供封闭测量环境，在此基础上基于FIR滤波设计了种猪体质量动态称量算法、基于椭圆拟合设计了种猪姿态筛选算法、基于包络分析设计了种猪体尺提取算法。系统控制部分采用STM32控制中心和图像处理中心协同工作模式。图像处理中心获取种猪体尺信息；STM32控制中心获取种猪身份、采食量、体质量等信息，并融合图像处理中心获取种猪体尺信息。

(2)分别进行了实际猪群模拟种猪生长性能验证试验和体尺测量试验。通过生长性能验证试验对采食行为数据分析表明，25～60 kg、25～100 kg阶段，试验猪只群体自由采食日均次数分别为9.33、8.94次，日均采食时间分别为88.20、92.93 min，群体料肉比分别为2.47和2.66；60～135日龄生长曲线拟合结果表明，生长规律符合Logistic模型拟合曲线。通过体尺测量试验验证，算法筛选猪只理想姿态帧全部包含在人工筛选理想姿态帧内，体长、体宽、臀宽、体高、臀高的平均相对误差分别为3.69%、2.53%、2.60%、2.59%、2.17%，满足体尺测量要求。试验结果表明，本文设计的封闭式种猪性能测定站可用于种猪生产性能测定，能够同时提供种猪体质量、采食量和体尺等信息，可为我国生猪育种工作提供物质装备和技术支撑。