基于深度图像的蛋鸡行为识别方法

劳凤丹 杜晓冬 滕光辉

(1.中国农业大学网络中心， 北京 100083； 2.中国农业大学水利与土木工程学院， 北京 100083)

基于深度图像的蛋鸡行为识别方法

劳凤丹1杜晓冬2滕光辉2

(1.中国农业大学网络中心， 北京 100083； 2.中国农业大学水利与土木工程学院， 北京 100083)

基于深度图像分析技术研究了一种针对蛋鸡群体行为(分布指数、水平活跃度和垂直活跃度)和群体中个体行为(采食、躺、站和坐)经济简单的自动识别方法。系统由1台3D照相机同步采集数字和深度图像数据，并开发软件进行蛋鸡行为的自动识别，系统5 s采集1次图像数据，共进行10 d的数据采集。描述了行为识别算法并进行了行为识别结果分析。算法对蛋鸡的采食、躺、站和坐的识别准确率分别为90.3%、91.5%、87.5%和56.2%。坐行为识别率较低的原因主要是有时蛋鸡站着探索地面会被误判为坐，这可能与两者之间的分割阈值不够精确有关。

深度图像; 蛋鸡; 行为; 自动识别

引言

动物行为包含的重要信息是直观的动物福利评价指标，可使生产者更好地对畜禽生产进行管理[1]。蛋鸡或肉鸡群体饲养、个体外表相同(使得追踪个体非常困难)、饲养密度高(个体经常粘连聚集在一起)、非刚性躯体(体态变化大)的现实情况使得研究蛋鸡或肉鸡的行为较大体型动物困难[2]。尽管如此，近年一些学者也在尝试通过图像处理技术自动识别蛋鸡或肉鸡的个体或群体行为[3-10]。

目前利用图像分析技术研究鸡的行为主要集中于3个方向：

(1)在特定场景下研究单只鸡的行为。因为研究对象仅有一只鸡，不存在多只鸡的相互粘连和遮挡情况，因而算法简单但应用范围有限。

(2)不考虑蛋鸡个体行为，仅针对群体行为的研究。通过识别鸡群的分布、活跃度(活动水平)来判断饲养过程是否正常及监控鸡群的福利状态。此研究在大鸡舍的饲养管理中应用较多。

(3)图像技术结合RFID个体识别，实现小群体中蛋鸡个体行为的识别。此种方式可得到好的识别效果，但每只鸡均需佩带RFID电子标识，这会在一定程度上影响蛋鸡的正常行为表达，且也是较为昂贵的一种解决方案。

以上研究存在2个问题：

(1)鲜有机器视觉能直接实现对鸡的群体行为和个体行为的同步识别。目前机器视觉自动识别鸡行为的研究集中于：针对单只鸡的个体行为的识别或针对整群鸡的群体行为(分布、活跃度)的识别。既能识别鸡的群体行为，又能识别群体中的个体行为(站、躺、采食、饮水等)的研究需通过机器视觉加RFID的手段方可实现。

(2)数字图像分析技术具有局限性。目前，自动识别鸡行为的文献主要基于数字图像分析技术，其局限性为：①仅可分析鸡的水平(2维)分布属性。无法实现对鸡的交配行为、鸡的垂直方向的活跃度等与3维分布相关的行为识别。②图像分割和特征提取受现场条件限制。数字图像处理过程中基础和重要的步骤是图像分割和特征提取，但要取得好的分割效果，数字图像需要满足特定条件：畜禽与其所处背景对比明显、背景不变或现场光照均匀[11]。而在实际的农场饲养条件下，光线昏暗、光照不均或地板动态变化均会影响到分割算法的鲁棒性，从而影响最终行为识别的准确率。③图像质量受光照条件影响。数字图像一般适合在开灯阶段进行监控，关灯则无法看到图像(即使目前的红外图像改善了夜间的成像质量，但仅限于2维平面)。

相较数字图像分析技术，深度图像识别畜禽行为是近3年新兴的一种研究方法。深度图像可提供空间数据信息。深度图像上每个像素的值表示的是其与深度传感器的直线距离，可用于同时分析畜禽在水平与垂直方向上的分布情况，且不受光照条件的限制，可不间断监测动物行为。目前深度图像分析技术在畜禽养殖中已有少量应用案例：应用于猪攻击行为的自动检测[12]、猪体重预估[13]以及对母猪行为自动识别算法的研究[14]。

本文利用深度图像克服数字图像对光照敏感的缺点，并扩展至3维空间，提供更多的畜禽行为属性信息，基于深度图像设计算法，实现对群养蛋鸡及其个体的水平活跃度、垂直活跃度、分布指数、采食、站、躺和坐的识别。

1 材料和方法

1.1 实验与数据收集

利用美国微软公司生产的Kinect for Windows V1型相机进行图像数据的采集。Kinect相机固定于距离地面一定高度的位置，从顶部往下垂直拍摄，使用开发的采集程序获取JPEG格式的数字图像和文本格式的深度图像。深度图像用于机器识别，数字图像用于人工识别，并将2个识别结果相互比较。数据采集方式为5 s时间周期内同时采集1幅深度图像和1幅数字图像，两种类型图像的分辨率均设为640像素×480像素。Kinect相机通过USB端口连接一台迷你工控计算机，工控机上使用存储容量为2 TB、接口类型为USB 3.0的移动硬盘(WD My Passport Ultra)保存图像数据，用于后续行为分析。

蛋鸡行为自动识别研究于2016年5月在中国农业大学上庄试验站的动物饲养模拟室进行。研究对象为5只体重和体型正常的健康海兰褐蛋鸡(14周龄左右)，蛋鸡从北京德清源农业科技股份有限公司引进，采用公司的自配饲料进行饲养，饲养温度为23～27℃，使用机械通风方式,光照时间段为08:00—19:00。Kinect相机距离地面的高度为188 cm。试验现场是栖架内平地隔出的1.5 m×1.35 m的小区域。小区域一面靠墙，三面为栖架的网状围栏，靠外一面内侧配有乳头饮水器，外侧配有料槽，蛋鸡可自由采食和饮水(图1)。

图1 蛋鸡饲养设施Fig.1 Facilities of laying hens1.水线 2.料槽 3.靠墙

1.2 图像处理方法

图像处理识别蛋鸡行为的算法是基于深度图像进行的，使用Matlab R2013b软件开发程序。为便于统计分析，每幅图像的处理结果自动存储到Mysql数据库中。

蛋鸡行为识别算法由蛋鸡身体像素点到地面的高度、以及蛋鸡体态的重要参数进行建模。本研究中蛋鸡行为识别算法流程如图2所示，主要包括5个子功能模块。

图2 蛋鸡行为识别方法流程图 Fig.2 Flow diagram of laying hen behaviors recognition

1.2.1 深度图像预处理获取蛋鸡连通区域

深度图像预处理获取蛋鸡连通区域包含4个步骤，处理前后的结果如图3所示。

图3 深度图像预处理Fig.3 Preprocessing of depth image

(1)将采集的裸深度图像(图3a)数据进行转换

h=hkinect-draw/80

(1)

式中draw——Kinect传感器采集到的16位裸深度帧数据，mm

hkinect——Kinect相机到地面高度，cm

h——像素点到地板的高度，cm

转换后深度图像中每一个像素的值代表此像素点到地板的高度。

(2)去除垂直方向上的噪声。蛋鸡躺卧时其高度范围在12～20 cm之间、站立或行走时其高度在27～35 cm之间，即使蛋鸡站立时抬头探索或扇动翅膀，其高度也很难超过50 cm。鉴于此，深度图像中高度过低(小于10 cm)或过高(大于65 cm)的点应该不是蛋鸡像素点，将其设置为0即可直接去除大部分地板、围栏和墙壁，从而实现减少垂直噪声干扰的目的。

(3)去除水平方向上的噪声，仅保留蛋鸡连通区域和水线(因水线紧挨料槽，为便于人工校验采食行为而保留)。使用两种方法进行水平去噪。第1种是直接去除法，编写程序前在Matlab中通过使用figure函数显示深度图像，并利用data cursor工具直接获取墙和围栏等与蛋鸡不相干的矩形区域的水平坐标范围，在程序中将矩形区域水平坐标范围内的所有像素点全部设置为0，即可完全去除此类区域。第2种是精细去除法，利用图像相乘技术实现不规则形状区域或经常有蛋鸡粘连区域的精确去除，以避免使用直接去除法可能会误删有用蛋鸡区域的问题。

精细去除法的计算公式为

M=D(y1∶y2,x1∶x2)>v1&D(y1∶y2,x1∶x2)

(2)

R=1-M

(3)

Dnew=immultiply(D(y1∶y2,x1∶x2),R)

(4)

式中，D(y1∶y2,x1∶x2)为深度图像中所要处理区域的高度矩阵，其水平坐标范围是y1至y2行，x1至x2列。M为D(y1∶y2,x1∶x2)内像素点的去除标识矩阵,D(y1∶y2,x1∶x2)中高度介于v1和v2的点是需要去除的像素点，M值为1，反之为0。y1、y2、x1、x2、v1、v2均为常数，可在程序处理前期应用Matlab的data cursor工具直接获取。R为M的相反矩阵。Dnew为用精细去除法对D(y1∶y2,x1∶x2)去噪后的结果集。将D(y1∶y2,x1∶x2)与R相乘，如果D(y1∶y2,x1∶x2)的像素点为非去除点，其在R中对应点的值为1，相乘后Dnew的值为D(y1∶y2,x1∶x2)的原值不变；如果像素点为去除点，其在R中对应点的值为0，相乘后Dnew的值也为0，从而实现去除D(y1∶y2,x1∶x2)中M所标识的像素点集合的目的。

(4)将深度图像转换为二值图像，在二值图像中进行开运算、孔洞填充、滤波的形态学操作。求取形态学操作后二值图像中为0的点，并将深度图像中对应位置像素点的深度也设置为0，得到预处理后的深度图像(图3b)。

1.2.2 蛋鸡采食行为识别方法

蛋鸡采食行为识别方法如图4所示。

图4 蛋鸡采食行为识别过程Fig.4 Image processing for recognition of laying hen feeding behaviors

(1)获取采食区域内的鸡头信息。将深度图像预处理后的结果赋予变量A(图4a)，并设置A中食槽区域外的像素点为0，得到仅保留采食区域鸡头信息的深度图像B(图4b)。因食槽位置固定且可视为矩形区域，对食槽区域的定位方法与1.2.1节中对墙或围栏的定位方法相似，即通过figure函数及data cursor工具结合即可直接获取食槽区域的水平坐标范围。

(2)设置B中值大于hstanding-0.2 cm的像素点为0。此步骤可将虽在食槽上方，但并未低头啄食的鸡头(图4c左起第2只鸡的鸡头给出此种情形的1个例子)以及水线干扰去掉。图4d为图4b经过此步骤处理后的结果。hstanding、hlying、hsitting是本研究所设定的3个参数，分别表示蛋鸡站立、躺卧和坐的平均高度。参数取值与鸡的品种有关，雏鸡阶段可能还跟周龄相关，可通过实验获取，本研究中取值分别为29 cm、21 cm和24.5 cm。

(3)将图4d进一步进行图像形态学处理，以去除小面积并去噪，得到图4e。此时获得的鸡头连通区域经常有多只鸡头粘连的情况，如使用数字图像进行粘连分割，易错且不容易操作。鉴于鸡头粘连的区域经常比鸡头主体区域低(图4e)，因此本文提出了步骤(4)的分割方法。

(4)求取属于鸡头的所有像素点的平均高度havg。将高度小于havg-0.5的鸡头区域像素点赋值为0，即可将鸡头粘连区域进行分割，得到完全分离或大部分分离的鸡头连通区域C(图4f)。

(5)将鸡头连通区域C转换为二值图像D(图4g)。

(6)将D进行形态学平滑处理(形态因子为disk类型，大小为4)，以进一步进行分离操作，并去除面积很小(小于25像素)的鸡头连通区域块，计算剩下的连通区域数量即为正在采食的鸡的数量(图4h)。

1.2.3 蛋鸡分布指数计算方法

因监控区域较小，本文按照田字格将其等分为4个子区域(分别表示左上、右上、左下和右下子区域)，每幅图像中4个子区域的蛋鸡分布指数计算式为

(5)

式中Di——第i个子区域的蛋鸡分布指数Si、Sj——第i和第j个子区域中蛋鸡像素数

1.2.4 蛋鸡活跃度计算方法

将属于当前图像的蛋鸡区域但不属于上一幅图像的蛋鸡区域的像素点集合设为C。蛋鸡水平活跃度DAct_h和垂直活跃度DAct_v定义为

DAct_h=A∩(1-B)/A

(6)

(7)式中A、B——当前和上一幅深度图像进行1.2.1节所述的预处理，并转换为二值图像后求出的蛋鸡连通区域点集

hAi、hBi——当前和上一幅深度图像中像素点i到地面的高度

1.2.5 蛋鸡站、躺和坐的识别

站、躺和坐的蛋鸡数量识别关键点描述如下(图5)：

(1)分别依次求出深度图像(图5a)中鸡只有可能是站、躺、坐的连通区域分量。因为鸡的高度一般呈现出躯体中间高，而轮廓边缘低的特点，为将处于某种行为的鸡只较为完整提取出来，避免干扰到其它行为鸡只的提取，本文的提取方法为：①按照式(8)提取出可能是站的蛋鸡点集合(图5b)，此公式可能将一些坐的鸡只也提取出来(图5b左边的鸡)。②按照式(9)提取出可能是躺的蛋鸡点集合(图5c)。③剩余的则为坐的蛋鸡点集合(图5d)。

h>hstanding-3

(8)

h≤hlying

(9)

(2)将站、躺、坐的深度连通区域分量分别转换为二进制图像，并进行形态学滤波处理(开操作、去除小面积、去噪)，随后将处理后的3个分量相加，获得处理后新的二值蛋鸡图像Bnew(图5e)。

(3)求取Bnew中值为0的像素点，并将深度图像中对应的像素点的高度值也设置为0，从而去除噪声干扰，得到关键的可说明蛋鸡行为的连通区域块(即对应Bnew的深度图像)。

(4)计算Bnew中蛋鸡连通区域块的面积和数量，并按面积排序。如果蛋鸡连通区域块小于实际蛋鸡数量，则意味着有些面积大的连通区域发生了蛋鸡粘连。通过形态学处理方法，判断需要进行分割的连通区域以及应将其分割为几个子连通区域。图5e的例子说明仅需将最大面积的蛋鸡连通区域(图5f)再进行分割，应分割为3个子区域。分割方法与鸡头粘连分割方法类似：鸡的躯干部分的高度会比鸡和鸡之间粘连区域的高度高，因此计算出需分割的粘连蛋鸡连通区域的平均高度havg，将其中高度小于havg-0.1的像素点赋值为0，并融合了形态学腐蚀、空洞填充、移除小面积的处理方法，即可完成粘连分割(图5g)。

(5)合并独立的蛋鸡连通区域(图5h)，计算每一个独立蛋鸡连通区域(每一个连通区域默认为独立的一只鸡)的平均高度havg，如果havg>hstanding则表示此鸡为站；如果havg

2 结果和讨论

2.1 蛋鸡行为识别结果

随机选取5月7日3个典型时间段：00:00—03:40、08:00—08:40、10:00—10:50约5 h的数字图像和处理后的深度图像(各3 200幅)进行图像中每只鸡的人工行为识别，并将人工识别结果与算法识别结果进行比较，算出识别准确率P(表1)，计算公式为

P=(1-PFPR-PFNR)×100%

(10)

(11)

(12)

式中P——蛋鸡行为识别准确率PFPR——误诊率，即将其它行为识别为指定行为的概率

PFNR——漏诊率，即将指定行为识别为其它行为的概率

SFP——将其它行为误判为指定行为的数量

SALL——指定行为的识别总数

SFN——将指定行为误判为其它行为的数量

由表1可知，采食和躺卧的识别率较高，分别为90.3%和91.5%，坐的识别率最低，约为56.2%，站的识别率为87.5%。

引起采食被误判的原因有2个：一是夜间鸡舍短时间内有1只老鼠在采食区域偷食引起程序误判为鸡头在采食；另一个原因是因为水线恰好将某些正在采食的鸡头严重遮挡导致程序识别不到这些鸡的采食行为。如果通过调整料槽位置或摄像头的位置，本文提出的采食行为识别方法的识别率应能有提高的空间。

表1 基于图像分析技术自动识别蛋鸡的站、躺、坐、采食行为识别准确率
Tab.1 Classification rate of laying hen’s standing, lying, sitting and feeding behaviors by image analysis algorithm

行为人工识别/只算法识别正确/只错误/只准确率/%站4276387112987.5坐45437912456.2躺112571046015791.5采食9388611490.3

引起躺卧行为被误判的原因主要为：在夜间，鸡群经常是全部集聚在一起躺卧。有时候粘连区域与蛋鸡躯干的高度差并不明显，此时本文的粘连分割方法有可能分割失败，导致判断为躺卧的鸡只的数量会比实际躺卧的鸡只数量少；另一种情况是，鸡聚集一起，但有的鸡站着时将另一只躺卧的鸡严重遮挡，造成被遮挡的蛋鸡无法被正确识别。

坐的识别难点在于：低头在地下探索的蛋鸡的深度图像与坐着的蛋鸡深度图像很接近，有时会导致程序将站误判为坐；夜间蛋鸡聚集躺卧时在上层的鸡因位置较高，有时会被误判为坐；此外，因蛋鸡个头小，即使是对图像中蛋鸡的站或坐行为进行人工判断也有困难。改进方法为多进行实验数据的分析，以选取出更为精准的hstanding、hlying和hsitting参数。

2.2 蛋鸡行为分布

将2016年5月1日—10日共10 d的图像数据进行蛋鸡行为分析。

2.2.1 蛋鸡分布

程序对采集到的每幅图像分别计算蛋鸡在每个小区域的分布指数，并按小时求取平均值，即可得到蛋鸡随时间的分布情况，如图6所示。

图6 蛋鸡分布 Fig.6 Examples of laying hens’ daily distribution

图6表明蛋鸡分布最多的子区域是左上靠近水槽和料槽的采食区域，尤其在20：00关灯后直至00：00期间，蛋鸡绝大部分聚集于此。在随后的夜间关灯期间，蛋鸡在左上区域的分布逐渐减少，同时在左下区域的分布逐渐增加，甚至有的时间段左下会反超左上，如第4天至第8天04：00前后。在白天开灯期间，蛋鸡分布变化相较夜间频繁，子区域分布指数按大小排序的结果为：左上、左下、右上、右下，可见蛋鸡以采食和饮水区域作为活动的中心，距离中心点越远，则蛋鸡分布就越少。

2.2.2 蛋鸡活跃度

按小时计算蛋鸡水平与垂直活跃度均值，即可得到1 d中蛋鸡活跃度的变化趋势，如图7所示。图7表明水平活跃度与垂直活跃度的变化趋势基本保持一致。在关灯期间，最大水平与最大垂直活跃度之间存在较大差距，主要原因是夜间鸡在水平方向的位移较小，但会有鸡只在垂直方向上有忽躺和忽站之间的行为转变。此外，蛋鸡在开灯期间有几个活跃时间段：09:00、11:00—12:00、14:00—15:00、18:00—19:00。通过持续监控活跃度，可及时发现蛋鸡的活动是否正常，是否有炸群等情况发生。

图8为蛋鸡垂直活跃度与水平活跃度差值的分布区间百分比按小时的统计情况。统计方法为：计算出每1 min的垂直活跃度与水平活跃度的差值的绝对值，并按差值所属的分布区间和这1 min所在的小时进行计数统计，最后按每小时中5个分布区间的计数分别计算其百分比。共定义5个差值的分布区间：[0,5%)、[5%, 10%)、[10%, 15%)、[15%, 20%)、[20%, 100%]。

图7 蛋鸡活跃度 Fig.7 Examples of laying hens’ daily activity

图8表明蛋鸡在开灯期间的垂直活跃度与水平活跃度的差值较大，而在20:00至次日05:00时间段内差值分布区间百分比基本保持稳定。

图8 蛋鸡垂直与水平活跃度差值的分布区间百分比 Fig.8 Distribution of difference between horizontal and vertical activity indexes

2.2.3 蛋鸡个体行为

图9为按小时计算蛋鸡躺卧行为在躺、坐和站中的比例情况(10 d)。

图9 蛋鸡躺行为分布Fig.9 Laying hens’ average lying behavior ratio per hour

图9数据显示，蛋鸡在20:00—05:00期间约90%处于躺卧状态。07:00蛋鸡开始活跃，躺卧行为由06:00的81.9%降至44.8%，08:00—09:00为采食和活动高峰期，此时蛋鸡躺卧行为最少，仅约为10.4%。随后逐渐有所增加，至13:00处于开灯期间躺卧行为的一个小高峰，下午时间蛋鸡重新开始活跃，在17:00—18:00期间蛋鸡处于进食和活动的高峰期，19:00关灯后蛋鸡躺卧行为由18:00的17.0%迅速增长到19:00的78.6%。

本文蛋鸡个体行为识别方法可实现对每一幅图像中每只蛋鸡的行为识别，但还未实现连续时间段内对特定蛋鸡的行为追踪。自动识别蛋鸡个体行为的意义在于：可识别养殖过程中蛋鸡个体行为的分布，例如：1 d内蛋鸡采食行为的时间、频次、蛋鸡躺卧、站立等个体行为的比例关系等，这些参数是生产过程中的重要监控内容。

3 结论

(1)基于深度图像处理技术，进行了针对蛋鸡群体行为(分布指数、活跃度)和部分个体行为(采食、躺、站和坐)的一种自动识别算法研究。采食、躺、站和坐的识别准确率分别为90.3%、91.5%、87.5%和56.2%。坐的识别率较低的原因主要是蛋鸡在地上探索时有时会被误判为坐，这与行为分割阈值的取值可能不够精确有关，可通过后续实验进一步验证。

(2)识别结果表明，蛋鸡喜欢分布于容易采食和饮水的区域，而在远离采食和饮水的区域分布最少。关灯期间蛋鸡总体活跃度较低，水平活跃度与垂直活跃度的差值的分布区间基本保持稳定，但是最大水平活跃度与最大垂直活跃度差距拉大；开灯期间蛋鸡垂直活跃度与水平活跃度的差值较大。蛋鸡在夜间躺卧行为在躺、站和坐行为中的百分比约为90%，而在2个喂食阶段，其躺卧行为最少，在13:00躺卧行为达到了开灯期间的极大值。

1 BROWN-BRANDL T M, ROHRER G A, EIGENBERG R A. Analysis of feeding behavior of group housed growing-finishing pigs [J]. Computers and Electronics in Agriculture, 2013, 96:246-252.

2 MARIAN S D, RUSSELL C, STEPHEN J R. Optical flow, flock behaviour and chicken welfare [J]. Animal Behaviour, 2012, 84(1):219-223.

3 LEROY T，VRANKEN E，VAN B A, et al. A computer vision method for on-line behavioral quantification of individually caged poultry[J]. Transactions of the ASABE, 2006, 49(3):795-802.

4 AHMAD P, ANETTE W, CLAUDIA B A. Automatic monitoring of turkeys: a vision-based approach to detect and analyse the behaviour of turkeys in transport cages based on ellipse fitting [C]∥7th World Congress on Computers in Agriculture Conference Proceedings, 2009: 38-44.

5 EFSA. Scientific opinion on the use of animal-based measures to assess welfare of broilers [J]. EFSA Journal, 2012, 10(7):2774.

6 KIAN F, TRACEY A J, CHRISTL A D, et al. Forced to crowd or choosing to cluster? Spatial distribution indicates social attraction in broiler chickens [J]. Animal Behaviour, 2006, 72(6):1291-1300.

7 MOHAMMADAMIN K, ARNO P, CLAUDIA B, et al. Development of an early warning system for a broiler house using computer vision [J]. Biosystems Engineering, 2013, 116(1):36-45.

8 AYDIN A, CANGAR O, EREN OZCAN S, et al. Application of a fully automatic analysis tool to assess the activity of broiler chickens with different gait scores [J]. Computers and Electronics in Agriculture, 2010, 73(2):194-199.

9 HELLE H K, CÉCILE C. Automatic detection of deviations in activity levels in groups of broiler chickens—A pilot study [J]. Biosystems Engineering, 2011, 109(4):369-376.

10 NAKARMI A D, TANG L, XIN H. Automated tracking and behavior quantification of laying hens using 3D computer vision and radio frequency identification technologies [J]. Transactions of the ASABE, 2014,57(5):1455-1472.

11 SIMONA M C P, CLAUDIA A, UMBERTO A, et al. A computer vision-based system for the automatic detection of lying behaviour of dairy cows in free-stall barns [J]. Biosystems Engineering, 2013, 115(2):184-194.

12 VIAZZI S, ISMAYILOVA G, OCZAK M, et al. Image feature extraction for classification of aggressive interactions among pigs [J]. Computers and Electronics in Agriculture, 2014, 104:57-62.

13 李卓，杜晓东，毛涛涛，等. 基于深度图像的猪体尺检测系统[J/OL]. 农业机械学报, 2016, 47(3):311-317. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20160344&flag=1. DOI:10.6041/j.issn.1000-1298.2016.03.044. LI Zhuo, DU Xiaodong, MAO Taotao, et al. Pig dimension detection system based on depth image [J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(3): 311-317. (in Chinese)

14 LAO F, BROWN-BRANDL T, STINN J P, et al. Automatic recognition of lactating sow behaviors through depth image processing [J]. Computers and Electronics in Agriculture, 2016, 125:56-62.

Automatic Recognition Method of Laying Hen Behaviors Based on Depth Image Processing

LAO Fengdan1DU Xiaodong2TENG Guanghui2

(1.NetworkCenter,ChinaAgriculturalUniversity,Beijing100083,China2.CollegeofWaterResourcesandCivilEngineering,ChinaAgriculturalUniversity,Beijing100083,China)

Animal behaviors are reflective of its welfare state. They contain important information that can enable producers to better manage livestock. Yet it is more difficult in recognizing the behaviors of group laying hens than other big size animals. Large numbers of hens, homogeneous in appearance, high stocking density and variable body size all contribute to this situation. A computer vision-based system was developed which can automatically recognize group behaviors (distribution index, horizontal activity index and vertical activity index) and individual behaviors (feeding, lying, standing and sitting) of group hens. The system consisted of a 3D camera that simultaneously acquired digital and depth images and a software program that detected and identified the behaviors. The computational algorithm for the analysis of depth images was presented and its performance in recognizing the behaviors as compared with manual recognition was analyzed. The images were acquired at 5 s intervals in 10 d period. The algorithm had the following accuracy of individual behavioral classification: 90.3% in feeding, 91.5% in lying, 87.5% in standing and 56.2% in sitting. The lower classification accuracy for the sitting presumably stemmed to imprecise segmentation valve value between sitting and standing and sometimes mistook hen’s standing behavior (exploring in ground) for sitting which could be improved in later test. Hence the reported system provided an effective way to automatically process and classify hen’s group and individual behaviors. This tool was conducive to investigate behavioral responses and time budget of laying hens and facility design and management practice.

depth image; laying hens; behaviors; automatic recognition

10.6041/j.issn.1000-1298.2017.01.020

2016-08-15

2016-11-08

“十二五”国家科技支撑计划项目(2014BAD08B00-01)

劳凤丹(1975—)，女，高级工程师，博士，主要从事计算机网络、农业信息化和畜禽行为自动识别研究，E-mail： laofd@cau.edu.cn

滕光辉(1963—)，男，教授，博士生导师，主要从事设施农业工程及农业信息化研究，E-mail： futong@cau.edu.cn

TP391； S831.4+9

A

1000-1298(2017)01-0155-08