基于红外热成像技术的笼内死鸡自动识别方法

目前集约化养鸡场主要采用层叠式立体笼养模式,进行死鸡巡检过程,工人需多次攀爬扶梯,劳动强度大且工作简单机械重复.为了提高劳动效率,增加人工智能对劳动型人才进行补充,本文将图像识别分析与红外热成像技术相结合,采用了利用温度阈值剥离出鸡头特征再提取形态学特征,结合支持向量机的死鸡识别方法.首先对图像预处理,对应红外温度(T)—灰度值(G)线性函数,找到鸡头与背景的剥离温度阈值;计算出红外热像中鸡头平均灰度值,与设定的剥离阈值比较,保存图片中标记的样本目标.提取鸡头样本的形态特征向量,并基于XGBoost进行特征筛选,选择得分排序前五的圆形度R、紧凑度J、离心率E、长轴长L、短轴长S作为分类特征向量,最后利用支持向量机分类器实现活鸡与死鸡的区分.实验结果表明:在对比分类模型效果时,基于决策树算法的死鸡分类准确率为 87.5%,基于BP神经网络和支持向量机算法的分类准确率为 91.67%,其中支持向量机分类算法召回率、F1 和AUC的值最高.可为实现多层立体笼养死禽自动识别提供 1 种新方法.