基于结构光3D成像技术的奶牛体况自动评分模型研究

The cow body condition score (BCS) play an important significant role in dairy cattle management. Currently, field observing and touching manually by professional workers are the main methods. Alternatively, the BCS can be assessed by image processing automatically after the best images are selected. However, these methods are time-consuming, subjective and cannot describe cow body condition from the depth dimension. This project focuses on automatic identification requirements of dairy cow body condition in high throughput farm, and research on automatic scoring method of cow body condition based on 3D imaging technology by structure light. The captured 3D image of different size and posture cow are standardized into a unified size image, then making use of the comprehensive description of 3D surface, the global features such as overall shape and pixel intensity are extracted using principal component analysis (PCA) method. On the other hand, the local features such as hook and tailhead are extracted based on locality preserving projection method(LPP). At last, integrating the global features with local features, we build score threshold and establish predicting model of the cow body condition score by combining with the manual scoring results. Thus, an automated body score method which applies into high throughput farms is constructed to assist the professionals assessing the energy reserve and BCS of dairy cow.

奶牛体况评分在奶牛养殖管理中具有重要意义，目前主要是通过专业人员进行现场观察触摸评估，或者借助图像处理手段人工交互式评分，但是这些方法耗时、主观性强，并且无法从深度维进行奶牛体况的特征描述。本项目围绕高吞吐量奶牛体况自动化评分的需求，研究基于结构光3D成像技术的奶牛体况自动评分方法。首先对奶牛后部进行3D图像获取，将不同大小和不同站姿奶牛3D图像标准化到统一大小的3D尾部图像。然后充分利用三维个体表面全方位描述的优势，一方面采用主成分分析方法（PCA）从图像中提取出奶牛形态、统计像素强度等整体特征；另一方面，采用基于流形学习的局部保持投影方法（LPP）提取奶牛腰角凸度、尾根周围凹陷等局部特征。最后综合利用整体和局部特征，结合人工评分值，建立奶牛体况评分预测模型，构建一套适于高吞吐量养殖场不同泌乳期奶牛的体况自动化评分方法，辅助专业人士对奶牛能量储备和胖瘦的评估。

优化选育奶牛遗传性状、提高牛奶的产量和品质是牛奶生产环节的重中之重，然而在奶牛养殖过程中，经常会出现过瘦或者过胖的奶牛，若不及时监测这些奶牛并采取相应的措施，将会影响奶牛的产奶量、多产性、健康与寿命。奶牛体况评分BCS被认为是一个重要的管理手段，它能够估计奶牛的能量储备状况及其胖瘦程度。目前主要是通过专业人员进行现场观察触摸评估，或者借助图像处理手段人工交互式评分，但是这些方法耗时、主观性强，并且无法从深度维进行奶牛体况的特征描述。.本项目以不同泌乳期的荷斯坦奶牛为研究对象，利用结构光扫描仪采集单只奶牛的后部3D图像，探明不同站姿、不同大小的奶牛后部3D表面图像标准化方法，建立以相机为中心的 3D坐标空间至以奶牛后部为中心的图像空间归一化模型。然后从3D数据特征提取出发，研究高维非线性奶牛尾部图像数据低维线性结构表示及特征提取方法，建立反映不同体况奶牛的特征图像筛选指标；结合人工评分结果和筛选的3D特征数据，建立自动体况评分学习模型；最后通过验证方法的重复性和再现性，构建基于3D成像的荷斯坦奶牛自动体况评分方法。.根据奶牛尾基部花纹存在差异的特性，在挤奶厅搭建了奶牛背部图像采集平台，突破了利用奶牛尾基部图像进行奶牛个体身份识别的方法。在深度图像分割方面，研究并分析了阈值分割、形态学方法、最大连通域等传统分割方法的不足，提出了一种基于稀疏场水平集的主动轮廓模型用于奶牛图像的分割，满足现场采集的粘连奶牛图像的提取。通过抛物面方程拟合奶牛三维图像，依据实际人工评分，利用最小二乘法确定拟合三维曲面的参数，并且在测试图像数据集上进行拟合模型的准确性验证。将该方法结果与二维曲面拟合法结果对比可知加入标准差修正项后的自动体况估测结果与人工评分结果之间的相关系数为0.8336。模型中加入标准差修正项后测试集误差减小0.1194。试验验证本方法可以为实际生产中奶牛自动体况评分的实现提供指导。