基于机器视觉的猪体质量估测模型比较与优化

摘要：

基于机器视觉的猪体质量估测模型较多，但模型缺乏在实用性、准确性的对比，最佳模型没有定论。该文总结了已有的估测算法，基于79组背部图像面积、实际面积、体长、体宽、体高、臀宽、臀高数据，使用线性回归、幂回归、二次回归、主成分线性回归、RBF（radial basis function，径向基函数）神经网络等方法，重建了13种体质量估测模型，并比较了13种模型的估测精度。结果表明，基于体长、体宽、体高、臀宽和臀高的线性回归模型具有较好的估测精度，估测值与真值的相关系数达到了0.996。利用主成分法去掉体尺的共线性，利用曲线回归解决残差不均匀问题，更加符合猪体质量增长趋势，结果表明基于主成分的幂回归模型具有较高的相关系数和较低的标准估计误差，对于97组数据的估测平均相对误差为2.02%。使用猪场实测24组数据验证模型，估测质量与测量值相关系数为0.97，估测平均相对误差为2.26%，标准差为1.78%，优于基于面积和面积体高结合的估测模型，平均绝对误差为2.08 kg，优于面积体高结合方法的平均绝对误差。试验证明使用多个体尺的主成分幂回归体质量估测模型较为精确，可用于机器视觉估测猪体质量的应用中。

关键词：动物、图像处理、模型、猪、体质量估测

分类号：S818;TP391.4(普通畜牧学)

资助基金：国家科技支撑计划课题2014BAD08B05

在线出版日期：2015-03-06（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：155-161