用于识别毛发异常的猪只的方法、装置及相关产品与流程

1.本发明属于图像处理技术领域。更具体地，本发明涉及一种用于识别 毛发异常的猪只的方法、装置和计算机可读存储介质。


背景技术：

2.近年来，随着规模化养殖技术不断创新，场区内的养殖规模也越来越 大。以猪群养殖为例，我国的养猪模式逐渐从中小散户散养模式向着集中 化、集约化、专业化和工厂化的现代养殖模式发展。随着养猪集中化的程 度不断提高，必须更加关注猪群的健康状况，在猪群养殖过程中，稍有疏 忽，疾病就可能会在猪群中迅速传播。目前猪群养殖中最常见的动物疾病 一般都伴随着动物的扎堆、咳嗽和毛耸等症状，其中毛耸猪只所表现的特 征是毛发竖长和毛发粗乱，如图1a和图1b中所示出的毛耸猪的情况。如 不能在养殖过程中及时辨别出毛发异常(例如毛耸)的猪只，将可能导致 猪群生产速度缓慢、猪群内猪只易发生冲突等情况，严重影响生产效率。
3.鉴于此，目前的规模化养殖过程中，在扩大养殖规模的同时，也会相 应增设新的工作人员，以便于对新增设的场区或圈舍单元中的猪群进行管 理、保护等操作。但是由于新的工作人员经验不足、现场管理不到位等原 因，可能会导致栏位中出现毛发生长情况异于其他猪的猪只，即毛耸猪。 因此，在规模化养殖中，如果能够准确并及时发现毛发异常的猪只，并提 早进行干预，对场区内生产价值的提升具有重要意义。
4.但是目前绝大多数的养殖场还没有配套的巡检系统，均采用人工养殖 的方式，需要工作人员日常进行巡检，以观察栏位内猪只的生长情况，从 而找到毛发异常的猪只进行处理。这种方式不仅费时费力，而且对工作人 员的经验的依赖度较高，对异常猪只的检测完全取决于工作人员的责任感 和主观能动性。而且人员频繁进出圈舍单元中，增加了病毒传播的风险， 严重时甚至可能导致疫情的发生。
5.而随着规模化养殖技术越来越朝着自动化方向发展，一些企业单位构 建了自动化养殖场，即在场区内安装相应的巡检系统，但是所建立的养殖 场也仅仅能够提供简单的养殖环境监控。这就导致对于毛发异常的猪只仍 然需要人力巡检。这种检测方式同样对工作人员的专业性要求较高，并且 需要工作人员长时间集中注意力，因而经常导致漏看、错看。
6.因此，如何解决目前通过人工识别毛发异常猪只时存在费时、费力和 监控不及时的问题是当前规模化养殖中亟需解决的问题。


技术实现要素：

7.本发明通过将从栏位内拍摄得到的目标图像输入目标检测模型，对目 标图像内毛发异常的猪只进行识别，从而实现了对栏位内毛发异常的猪只 的自动检测，及时发现出现毛发异常(例如毛耸)的猪只，以便做到早发 现、早处理、早治疗的养殖要求，有效地降低规模化养殖过程中的损失， 也解决了目前通过人工巡检导致的安全隐患或者远程值守导
致的漏看、错 看的问题。
8.为至少解决上述一个或多个技术问题，在本发明的第一个方面，本发 明提供了一种用于识别毛发异常的猪只的方法，包括：获取栏位内的目标 图像；将所述目标图像输入目标检测模型，所述目标检测模型的检测目标 为毛发异常的猪只；基于所述目标检测模型对所述目标图像中的猪只进行 检测，得到检测结果；根据所述检测结果确定所述目标图像中是否存在毛 发异常的猪只。
9.在一个实施例中，其中所述目标检测模型通过对神经网络模型的训练 而获得。
10.在一个实施例中，所述训练方法包括：采集的栏位内原始图像；在所 述原始图像中标记出毛发异常的猪只，以获取标记图像；将所述标记图像 输入神经网络模型进行训练，以得到所述目标检测模型。
11.在一个实施例中，所述获取栏位内的目标图像包括：将所述目标图像 输入颜色空间检测模型进行颜色检测，以得到所述目标图像对应的色调； 响应于色调低于第一阈值，剔除光照异常的目标图像。
12.在一个实施例中，所述获取栏位内的目标图像包括：对所述目标图像 进行拉普拉斯边缘检测，并计算所述目标图像中的模糊量；响应于所述模 糊量小于第二阈值，剔除模糊的目标图像。
13.在一个实施例中，还包括对所述目标图像进行降噪处理，以将存在雾 气的目标图像剔除。
14.在一个实施例中，所述获取栏位内的目标图像包括：利用直线检测算 法对所述目标图像进行直线检测，提取所述目标图像中达到设定长度的第 一直线；响应于所述达到设定长度的第一直线的角度未处于第一区间，剔 除栏位角度异常的第一直线所在的目标图像。
15.在一个实施例中，还包括：响应于所述目标图像中存在毛发异常的猪 只，输出预警信息。
16.在本发明的第二个方面中，还提供了一种用于识别毛发异常的猪只的 装置，包括处理器、存储器、通信接口和通信总线，所述处理器、存储器 和通信接口通过通信总线完成相互间的通信，所述处理器执行本发明第一 方面中多个实施例所述的方法。
17.在本发明的第三个方面中，还提供了一种计算机可读存储介质，所述 计算机可读存储介质上存储有用于识别毛发异常的猪只的计算机可读指 令，该计算机可读指令被一个或多个处理器执行时实现如本发明第一方面 中多个实施例所述的方法。
18.本发明的技术方案通过将拍摄的栏位内的包含猪只信息的目标图像 输入至目标检测模型，从而能够通过图像处理技术自动确定栏位内是否存 在毛发异常的猪只。通过本发明的方案可以实现对栏位内猪只情况的快速 识别，不需要人工进入圈舍单元内进行检测，也不需要工作人员长时间查 看监控信息进行确认，从而有效提升了检测速度和准确度，而且有效降低 了生物安全风险。同时本发明的检测方式不依赖工作人员的工作经验，也 不需要在场区内部署复杂的监控设备，有效降低了场区硬件部署成本，有 利于饲养场内的集约化生产。
附图说明
19.通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以 及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制 性的方式示出了本发明的若干实施方式，并且相同或对应的标号表示相同 或对应的部分，其中：
20.图1a是示意性示出根据本发明实施例的毛发异常猪只的一种示例的 示意图；
21.图1b是示意性示出根据本发明实施例的毛发异常猪只的另一种示例 的示意图；
22.图2是示意性示出其中应用本发明的用于识别毛发异常的猪只的方案 的示例性场景的示意图；
23.图3是示意性示出根据本发明实施例的用于识别毛发异常的猪只的方 法流程图；
24.图4a是示意性示出其中应用本发明的方法在某场区栏位内识别毛发 异常猪只的识别结果示意图；
25.图4b是示意性示出其中应用本发明的方法在另一场区栏位内识别毛 发异常猪只的识别结果示意图；
26.图5是示意性示出根据本发明实施例的目标检测模型的获取方法的流 程图；
27.图6是示意性示出根据本发明实施例的实现剔除异常图像的方法的流 程图；
28.图7是示意性示出根据本发明实施例的剔除异常图像中光照异常图像 的方法的流程图；
29.图8是示意性示出根据本发明实施例的剔除异常图像中模糊图像的方 法的流程图；
30.图9是示意性示出根据本发明实施例的剔除异常图像中栏位角度异常 图像的方法的流程图；
31.图10是示意性示出根据本发明实施例的用于识别毛发异常的猪只的 装置的示意图。
具体实施方式
32.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进 行清楚、完整地描述。显然，所描述的实施例是本发明一部分实施例，而 不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出 创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
33.本发明的说明书和权利要求书中使用的术语“包括”和“包含”指示所描 述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多 个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
34.还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定 实施例的目的，而并不意在限定本发明。如在本发明说明书和权利要求书 中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、
ꢀ“
一个”及“该”意在包括复数形式。还应当进一步理解，在本发明说明书和 权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的 任何组合以及所有可能组合，并且包括这些组合。
35.下面结合附图来详细描述本发明的具体实施方式。
36.图2是示意性示出其中应用本发明的用于识别毛发异常的猪只的方案 的示例性
场景100的示意图。在本发明的上下文中，前述的场景100可以 包括用于规模化养殖业的各类环境中，例如牲畜饲牧类的圈舍区(例如养 猪场、养牛场等)、各类家禽饲养场(例如养鸡场)、经济兽类驯养场等。 基于此，可以理解的是图2仅为了示例性的目的而将该场景示出为各圈舍 单元组成的养猪场。
37.如图2所示，在本发明的方案中，以养猪的圈舍单元为例，可以在圈 舍单元内的每个栏位101内布置相应的感知设备102，例如在栏位的上方 为、侧方位或栏位处的立柱上设置感知设备102，以便于获取圈舍单元中 猪群的信息。在一个实施场景中，如图1中示出了一个猪舍的内部环境图， 圈舍单元中设置有多个栏位101，每个栏位101中可以饲养若干只猪，从 而实现猪群的规模化饲养。在每个栏位101处都设置有一个立柱，可以将 感知设备102安装于该立柱上，从而方便对栏位内的猪群的活动情况进行 采集。在自动化模式下，工作人员可以将感知设备设置成在指定时间对栏 位中猪群的情况进行采集。进一步地，也可以在人工模式下，采用人工在 圈舍的走道中利用感知设备对圈舍内的猪群的信息进行采集。
38.在另一个实施场景中，在圈舍单元中存在多个用于养猪的栏位，同时 在栏位入口处还设置有相应的走道，在圈舍单元中的走道上可以布置相应 的轨道，并在轨道上设置巡检机器设备104，在巡检机器设备104上，可 以布置用于采集栏位内图像信息的感知设备102，可以通过巡检机器设备 104在轨道上缓慢移动的过程中，利用其配置的感知设备102对每个栏位 中的情况进行拍摄，并将拍摄得到的图像信息上送，从而实现对每个栏位 内的猪只的情况进行检测，有效提升圈舍单元中的巡检效率。
39.可以理解的是，前述圈舍单元的结构和利用感知设备对栏位内图像信 息进行拍摄的方式仅是示例性的而非限制性的，本领域技术人员还可以根 据场区的分布方式、环境等因素采用其他形式的圈舍单元结构，例如全部 栏位都并列为一排。更进一步地，本实施例中的感知设备可以采用常见的 可见光图片采集设备，包括相机、摄像机、监视器和/或手机等用于拍摄成 像的电子设备，其主要目的是获取猪只的图像信息。
40.在对栏位中的猪群的信息进行采集得到感知信息后，可以将获取的感 知信息传输至本发明的信息处理中心103。在一个应用场景中，此处的信 息处理中心103可以实施为计算单元或模块，并且用于执行信息的处理以 及可选地对互联的各类设备进行主控操作，例如显示设备、报警设备等。 在信息处理中心103的操作中，可以将前述获取的感知信息输入到目标检 测模型，前述目标检测模型的检测目标为毛发异常的猪只。基于前述目标 检测模型对目标图像进行检测以得到检测结果，并根据检测结果确定栏位 内是否存在毛发异常的猪只，以便于饲养员快速响应并做出处理。在另一 个应用场景中，也可以通过无线通信的方式建立巡检机器设备104和信息 处理中心103之间的通信，从而将巡检机器设备获取的目标图像上送至信 息处理中心103，以对栏位内的情况进行检测。
41.以上结合图2对本发明的方案进行了简单的描述，可以理解的是上面 的描述仅仅是示例性的而非限制性的，本领域技术人员根据本发明的教导 可以对图2中所示场景进行改变而不脱离本发明的精神和实质。例如，可 以利用本地计算机作为信息处理中心对前述感知信息进行处理。进一步 地，也可以将信息处理中心布置于远端(例如云端)。在该情况下，可以 实现对栏位内的猪群的情况的远程监控。接下来将结合具体步骤对本发明 的方案进行详细阐述。
42.图3是示意性示出根据本发明实施例的用于识别毛发异常的猪只的方 法流程图。可以理解的是图3中所示出的方法流程可以在图1中所示出的 示例性场景中实施，因此关于图1所描述内容也同样适用于图3。
43.如图3所示，本方案中设计了用于识别毛发异常的猪只的方法200。 具体地，首先，在步骤s101处，获取栏位内的目标图像。在一个实施场 景中，可以利用前述感知设备获取栏位内的目标图像，例如可以调整感知 设备以将栏位内的挡板等均拍摄在内，以实现前述目标图像能够完全获取 栏位内猪群的信息。然后，在步骤s102处，将前述目标图像输入目标检 测模型，前述目标检测模型的检测目标为毛发异常的猪只。在步骤s103 处，基于前述目标检测模型对前述目标图像中的猪只进行检测，得到检测 结果。例如通过对前述目标检测模型对目标图像进行处理后，可以得到目 标图像中标记每只猪的矩形框和对应的置信度。接着，在步骤s104处， 根据前述检测结果确定前述目标图像中是否存在毛发异常的猪只。如图4a 和图4b中方框中框出的猪只即为利用上述本方案中的方法，识别出的某 一场区内和另一个场区的栏位内存在的毛耸的猪只，从而实现了对毛发异 常的猪只自动、快速地检测。
44.进一步地，本发明的方案中还包括预警步骤，在步骤s105处，响应 于前述目标图像中存在毛发异常的猪只，输出预警信息。工作人员在获取 到预警信息后，即可针对栏位内的毛发异常的猪只进行处理，从而有效对 栏位内毛发异常的猪只进行干预，例如分栏保养、用药处理等，以保证栏 位内猪群的正常生长。
45.图5是示意性示出根据本发明实施例的目标检测模型的获取方法的流 程图。可以理解的是图5中所示出的方法流程可以在图1中所示出的示例 性场景中实施，因此关于图1所描述内容也同样适用于图5。
46.在一个或多个实施例中，利用机器学习中的神经网络架构/模型(例如 卷积神经网络模型)来构建以特定目标为目的的分类(检测)模型，并借 助于一些训练机制对前述神经网络模型进行训练，从而得到目标检测模 型。因此，本方案中在对毛发异常的猪只进行识别时所用到的目标检测模 型，可以通过对神经网络模型的训练而获得。并且，在训练过程中，本方 案中的目标检测模型可以经过微调而快速适应于来自不同域的图像。例 如，不同的相机品牌、同一相机的不同拍摄角度(如正常角度、45度角或 广角)、不同的拍摄时间点(或傍晚拍和白天拍)或不同的拍摄光线所获 得的图像都可以认为是来自于不同域的图像。由于能够快速适应于不同的 域，本方案相对于现有技术具有更好的适用性和扩展性，从而可以应用于 各类领域的图像分类处理(目标识别)任务。
47.在一个应用场景中，在利用目标检测模型对目标图像进行检测以获取 毛发异常的猪只之前，需要对相应的神经网络模型(例如卷积神经网络模 型)进行训练，以通过参数微调等过程可以构建适用于不同应用场景的目 标检测模型。如图5所示，前述训练过程可以通过以下步骤实现。在步骤 s201处，采集栏位内的原始图像。在一个应用场景中，前述栏位内的原始 图像可以在已经识别过毛发异常的猪只的图片库中选取。
48.在步骤s202处，在获取的原始图像中标记出毛发异常的猪只，以获 取标记图像。例如标记原始图像中毛发异常(毛耸)的猪只的轮廓。在一 个应用场景中，可以通过在栏位内的原始图像中标记毛发异常的猪只来获 取大量用于训练的数据集，从而用于机器学习过程中的训练、验证和测试 等过程。例如可以将前述标记后的图像划分训练集、验证集和
测试集，从 而利用前述多个数据集实现完整的训练、验证过程。在本实施例中，前述 的数据集由包含栏位内猪群信息的图像和与该图像关联的毛发异常猪只 标签组成。
49.在步骤s203处，将前述标记图像输入神经网络模型进行训练，以得 到前述目标检测模型。在训练过程中，可以输入前述标记图像至神经网络 模型中提取特征图，然后用区域建议神经网络生成建议窗口，把建议窗口 映射到卷积神经网络的最后一层特征图，通过感兴趣区域对齐层生成固定 尺寸的特征图，利用全连接分类、边框进行回归，得到目标检测神经网络 模型。进一步地，前述训练过程中还可以通过对用于训练的神经网络模型 的参数进行微调，以便其更新后的参数能够适配于前述不同域的图像。在 一个应用场景中，前述参数微调可以通过最小化与前述目标检测模型关联 的损失函数来实现。
50.为了实现图像信息的快速、高效分类(识别)，在一个应用场景中， 本方案提出了图5所描述的训练过程，以便于本方案的目标检测模型能够 快速适应来自不同域的图像。本方案中对神经网络模型进行训练，其核心 是让机器(如各类神经网络模型)学会学习。例如，机器学习100个任务 之后将获得一定的学习能力，从而在学习第101个任务时，会基于学习前 100个任务时所获得的学习能力来更快或更好地学习第101个任务。将机 器学习应用于本发明的方案中时，可以在多个域上、基于同一网络架构(如 卷积神经网络)来进行学习，从而可以获得高效和快速的目标检测模型(分 类模型)。
51.以上结合图5对本发明中的目标检测模型的训练过程进行了详细介 绍，接下来将对本方案中所采用的目标图像的过滤过程进行进一步详细阐 述，以提高本方案中对毛发异常的猪只的识别效率。
52.图6是示意性示出根据本发明实施例的实现剔除异常图像的方法 s101的流程图。可以理解的是图6中所示出的方法流程可以在图1中所示 出的示例性场景中实施，因此关于图1所描述内容(例如关于感知设备) 也同样适用于图6。
53.如图6所示，本方案中通过在将前述目标图像输入以毛发异常的猪只 为目标的目标检测模型之前，可以对采集的目标图像进行预处理，以剔除 其中异常的图像信息。在一个或多个实施例中，可以通过相应的分析方法、 滤波算法剔除包括但不限于光照异常、模糊、有雾气和栏位角度异常等情 况的图像信息。在一个或多个实施例中，可以在步骤s301处利用颜色空 间检测模型进行颜色检测以剔除光照异常的目标图像。可以在步骤s302 处，利用拉普拉斯边缘检测剔除模糊的目标图像。也可以在步骤s303处 通过降噪处理过程剔除存在雾气的目标图像。还可以在步骤s304处，利 用直线检测的方式剔除栏位角度异常的图像。
54.可以理解的是上述s301-s304的几种剔除异常图像的方式仅仅是示例 性的而非限制性的，其在实际的执行过程中，可以按照任意的顺序进行剔 除异常图像的操作，同时本领域技术人员也可能根据实际需要选择其中的 一种或多种方式执行上述剔除异常图像的操作。例如仅选取其中s301、 s302和s303处的方法进行剔除异常图像的操作。下面将结合图7至图9 分别以剔除前述目标图像中光照异常的图像、模糊的图像、有雾气的图像 和栏位角度异常的图像为例，对本方案的内容进行进一步详细阐述。
55.如图7所示，本方案中在需要剔除光照异常的图像时，可以在步骤 s401处，将前述目标图像输入颜色空间检测模型进行颜色检测，以得到前 述目标图像对应的色调。在步骤s402处，删除其中色调低于第一阈值的 目标图像，以剔除光照异常的目标图像。在一个或
多个实施例中，可以采 用opencv(opencv作为一个计算机视觉库，其主要工作是处理和操作 图像数据中的像素矩阵信息)读取前述目标图像，并把读取的bgr格式 图像转换成hsv格式图像，同时将图像数据并形成内存中的像素矩阵， 像素矩阵的排布与图像的颜色空间和数据类型有关。本领域中常用的图像 的颜色空间包括有灰度级空间、rgb颜色空间、hsv/hls颜色空间、ycrcb 颜色空间。数据类型有无符号(0到2550之间)的char，有符号(-128-127 之间)的char，float型(4字节，32位)，double型(8字节，64位)， 其中，float和double可以给出更精细的颜色分辨能力。同时增加像素的 尺寸也会增加图像所占的内存空间。
56.在一个应用场景中，基于opencv将前述目标图像输入hsv颜色空 间检测模型进行颜色检测，可以得到前述目标图像对应的色调(h)、饱 和度(s)和明度(v)。在本实施例中可以采用色调阈值(第二阈值)对 前述目标图像进行筛选，以删除其中色调低于第一阈值的目标图像，从而 剔除光照异常的目标图像。例如可以将色调(h)低于20的光照异常图像 删除，并保留剩余的图片。
57.以上结合图7对本发明的方案中剔除光照异常的图像信息的方式进行 了详细说明，接下来将对剔除目标图像中模糊的图像的方式进行详细阐 述。
58.在一个或多个实施例中，可以通过对边缘模糊程度进行检测，从而获 取目标图像的模糊程度，以实现有效剔除其中模糊的图像。如图8所示， 可以通过拉普拉斯边缘检测算法完成模糊图像检测并处理的过程。具体 地，在步骤s501处，对前述目标图像进行拉普拉斯边缘检测，并计算前 述目标图像中的模糊量。在一个应用场景中，可以将采集的目标图像转为 灰度图，然后将灰度图平均划分为4块区域，分区域对边缘模糊程度进行 计算。分别计算上述4块区域中每个区域的拉普拉斯算子的方差，即利用 image_blur＝laplacian(image).var()进行模糊量计算，其中image为图像矩 阵的像素值，laplacian函数计算二阶导数，var函数计算方差。在一个或 多个实施例中，在计算拉普拉斯算子时，可以采用如下公式(1)进行计 算：
[0059][0060]
其中，x和y为像素的坐标，f(x,y)为像素的值。然后计算每块区域的 拉普拉斯算子的方差，采用如下公式(2)计算得到拉普拉斯算子的方差：
[0061][0062]
其中，x1,x2,x3...xn,为拉普拉斯算子的值，m为其平均值，n为区域内 的像素数量，计算结果即为每块区域的拉普拉斯算子的方差。
[0063]
在步骤s502处，响应于前述模糊量小于第二阈值，剔除模糊的目标 图像。若任一区域的image_blur小于设定的第二阈值，例如将第二阈值设 置为100，若任意区域计算得到的拉普拉斯算子的方差小于100，则说明 目标图像模糊，剔除该目标图像，保留其余的目标图像用于识别。
[0064]
进一步地，本方案中还包括对所述目标图像进行降噪处理的方案，以 将存在雾气的目标图像剔除。在一个应用场景中，可以对获取的目标图像 进行降噪处理。在对图像进行降噪处理时，常采用的降噪方式有中值滤波、 最大值滤波和最小值滤波。本实施例中以最小值滤波为例，通过最小值滤 波处理可以将有雾气的图像剔除。具体地，可以对前述图像做最小值滤波 处理，并采用以下公式计算每个像素点处像素值：
[0065][0066]
其中，x和y为像素的坐标，v
x,y
为像素的值，min表示计算指定像素 区域的最小像素值。
[0067]
然后统计所有像素点中像素值大于35的个数，若像素点个数超过300 个，则说明获取目标图像时镜头上有雾气，剔除该目标图像。
[0068]
更进一步地，本方案中还包括对目标图像中栏位角度是否发生异常的 检测过程，以便于删除出现栏位角度异常的图像信息，避免对检测结果的 干扰。如图9所示，本方案中，在步骤s601处，利用直线检测算法对前 述目标图像进行直线检测，确定前述目标图像中达到设定长度的直线。在 步骤s602处，响应于前述达到设定长度的第一直线的角度未处于第一区 间，剔除栏位角度异常的第一直线所在的目标图像。在一个应用场景中， 可以基于fastlinedetector直线检测器对目标图像中的栏位进行检测，以 排除栏位角度异常的图像对检测结果的干扰。具体地，首先，计算图像的 梯度，公式如下：
[0069]
gx＝f(x+1,y)-f(x,y)+f(x+1,y+1)-f(x,y+1)
[0070]
gy＝f(x,y+1)-f(x,y)+f(x+1,y+1)-f(x+1,y)
[0071][0072]
其中，x和y为像素的坐标，f(x,y)为像素的值。目标图像中每个像素 与行列线的夹角，构成一个行列线场，计算行列线场的角度，公式如下：
[0073][0074]
然后，对像素进行排序，从梯度最大的像素开始区域增长，比较当前 像素与周围8个像素的degree差，如果小于阈值则加入区域，然后将最后 比较并加入的像素作为下次比较的基准像素，如果得到的区域所含像素过 少，则舍去该区域。遍历所有像素，找到四个方向上最边界上的像素，然 后得到他们的外接矩形，以及矩形两个短边的中点坐标(x1，y1)和(x2， y2)、短边边长width、重心坐标(centerx，centery)、主方向角弧度degree、 角弧度余弦值degreex、角弧度正弦值degreey、像素点和角弧度相符的概 率probability、像素点场方向与主方向角弧度之差的阈值prec。其中 probability是直接使用的阈值占180
°
的比例，即1/8，prec则直接使用的 22.5
°
对应的弧度阈值。最后，统计目标图像中达到指定长度的直线，并 统计直线的角度分布。若频数最大的角度不在指定角度范围(第一区间) 内，则说明栏位角度异常，剔除该图像。
[0075]
在另一个应用场景中，还可以基于linesegmentdetector直线检测器， 首先计算目标图像中每个像素与行列线的夹角，构成一个行列线场，合并 其中方向近似相同的像
素，得到多个直线支持区域，统计直线支持区域的 各像素的行列线与直线支持区域最小外接矩形的主方向的角度差在指定 阈值范围内的像素数量。然后依此统计目标图像中达到指定长度的直线， 并统计直线的角度分布。若频数最大的角度不在指定角度范围内，则说明 栏位角度异常，剔除该目标图像。
[0076]
以上结合具体实现过程对方案中目标图像进行了过滤，从而有效避免 了因目标图像本身存在的问题对检测结果的干扰，从而有效提升了识别结 果的准确性。可以理解的是，上述各种对目标图像进行处理的过程仅仅是 示意性的而非限制性的，本领域技术人员可以根据实际需要选择合适的方 式对目标图像进行处理。
[0077]
图10是示出根据本发明实施例的用于识别毛发异常的猪只的装置20 的示意图。
[0078]
在本发明的另一个方面，本方案中还提供了如图10所示的装置20， 本方案中的装置20可以包括处理器、存储器、通信接口和通信总线，前 述处理器、存储器和通信接口通过通信总线完成相互间的通信，前述处理 器执行前述多个实施例中的方法。进一步地，该装置20中还可以包括显 示器，该显示器与前述的处理器连接，以对毛发异常的猪只的情况进行显 示。关于该装置20所实现的方法，由于在前文中已经进行了详细的说明， 故而在此也不再赘述。
[0079]
在本发明的又一个方面，还提供了一种计算机可读存储介质，前述计 算机可读存储介质上存储有用于识别毛发异常的猪只的计算机可读指令， 该计算机可读指令被一个或多个处理器执行时实现前述多个实施例中所 述的方法。
[0080]
在本发明中，前述的可读存储介质可以是任何包含或存储程序的有形 介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。 例如，计算机可读存储介质可以是任何适当的磁存储介质或者磁光存储介 质，比如，阻变式存储器rram(resistive random access memory)、动 态随机存取存储器dram(dynamic random access memory)、静态随机 存取存储器sram(static random-access memory)、增强动态随机存取 存储器edram(enhanced dynamic random access memory)、高带宽内 存hbm(high-bandwidth memory)、混合存储立方hmc(hybrid memorycube)等等，或者可以用于存储所需信息并且可以由应用程序、模块或两 者访问的任何其他介质。任何这样的计算机存储介质可以是设备的一部分 或可访问或可连接到设备。本发明描述的任何应用或模块可以使用可以由 这样的计算机可读介质存储或以其他方式保持的计算机可读/可执行指令 来实现。
[0081]
如在本说明书和权利要求书中所使用的那样，术语“如果”可以依据上 下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似 地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文 被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事 件]”或“响应于检测到[所描述条件或事件]”。
[0082]
虽然本发明的实施方式如上，但所述内容只是为便于理解本发明而采 用的实施例，并非用以限定本发明的范围和应用场景。任何本发明所述技 术领域内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可 以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范 围，仍须以所附的权利要求书所界定的范围为准。