[发明专利]基于深度图像的猪只分割方法

说明书

本发明公开了基于深度图像的猪只分割方法，其基于深度数据进行猪只分割，由于深度数据不受光线限制，可以全时段采集数据，相较于彩色图像对监测猪只具有实时优势；同时深度数据反应了猪只的三维空间图像特征对后续的猪只行为与状况分析更具有应用价值。其次，通过分水岭分割方法可对粘连猪只进行有效分割，并针对其容易因噪声而出现过度分割的问题，提出先验标记代表性要分割的区域的解决方法。针对于深度学习的识别限制，采用形态学分割方法进一步分割粘连较小猪只。在此基础上，对于粘连较大而难以识别的猪只，采用旋度中心算法识别未分割的猪只背部与腹部并使用分水岭算法分割图像，从而显著提升分割率。

技术领域

本发明涉及图像分割技术领域，尤其涉及基于深度图像的猪只分割方法。

背景技术

猪只状态的实时监测对高效饲养与科学决策具有重要的价值。近年来，随着图像采集与处理技术的发展，采用图像分析的方法监测猪只的行为与健康状况越来越受到重视。一方面，相较于其它的监测手段，图像分析具有成本低、实时的优点。另一方面，图像分析不对猪只日常活动产生干扰。在图像分析方面，猪只图像个体分割极为重要的意义，若能够分割监测图像中的各个猪只图像，就有潜力实时分析各个猪只的日常运动状态与行为，如采食、排泄、活动轨迹、运动量等，从而有利于分析各猪只的生长状态、健康状况。

虽然人们意识到各猪只图像的分割具有重要的应用价值，然而，由于粘连一起的猪只边界两边图像颜色、亮度的相似性以及边界本身的模糊性，将各个猪只图像分割开来极具挑战性。目前人们在相关方面的研究已经取得了较多进展，郭伊正等^[1]采集猪个体颜色、纹理及形状特征并用Isomap算法融合特征，采用支持向量机算法识别猪只个体。Kashiha等^[2-3]则在猪只的背部涂上不同颜色和形状，识别各猪只。Yi-Zheng Guo等人^[4]采用最大熵方法提取前景，对提取的各部分计算质心，以质心为中心提取各圆形分块并采用多阈值分割方法完善分割精度。近年来进展迅速的深度学习为图像处理带了全新方法，在基于深度学习猪只图像分割方面也有了一定的进展。杨阿庆^[5]等采用基于全卷积网络的哺乳母猪图像分割算法实现完整的哺乳母猪区域分割。高云等^[6]对群猪图像包括粘连猪体进行实例分割，实现独立猪体的定位。作者对Mask R-CNN网络框架做优化调整，用粘连群养猪图像作为训练集，在训练集上总分割准确率达86.15％，在验证集上准确率达85.40％。

综上所述，由于猪只粘连情况的存在以及边界的模糊，以上的猪只图像分割方法的分割准确率相对较低；同时由于采集猪只全景深度数据受光照变化的影响，难以实现昼夜不间断监测。

发明内容

本发明为解决现有猪只分割方法，由于猪只粘连情况的存在以及边界的模糊，分割准确率较低；且由于采集图像受光照变化的影响，难以应用于全时段实时监测的问题，提供了基于深度图像的猪只分割方法。

为实现以上发明目的，而采用的技术手段是：

基于深度图像的猪只分割方法，包括以下步骤：

S1.采集猪只全景深度数据并从中提取出猪只深度数据；

S2.基于所述猪只深度数据，采用深度学习方法识别出猪只的背部或腹部；

S3.以所述猪只的背部或腹部中心为标记，采用分水岭算法分割出各猪只。

上述方案中，首先是基于深度数据进行猪只分割，由于其不受光线限制，可以全时段采集数据，相较于彩色图像，这一特征对监测猪只具有实时优势；同时深度数据反应了猪只的三维空间图像特征对后续的猪只行为与状况分析更具有应用价值。其次，通过分水岭分割方法可对两粘连猪只进行有效分割，并针对其容易因噪声而出现过度分割的问题，提出先验标记代表性要分割的区域的解决方法，进一步提高了上述猪只分割方法的分割准确率。