Machine Translated by Google

Computadores e Eletrônica na Agricultura 104 (2014) 25–31

Listas de conteúdos disponíveis em ScienceDirect

Computadores e Eletrônicos na Agricultura

página inicial da revista: www.elsevier.com/locate/compag

Um método de análise de movimento e imagem para detecção automática de estro e

comportamento de acasalamento em bovinos
ÿ
Du Ming Tsai , Ching-Ying Huang
Departamento de Engenharia e Gestão Industrial, Universidade Yuan-Ze, Taiwan, ROC

informações do artigo abstrato

Historia do artigo:
A detecção de estro em bovinos é muito importante para o manejo reprodutivo. Os resultados da detecção ajudam a determinar o
Recebido em 31 de agosto de 2013
momento ideal para a inseminação artificial. O sucesso da detecção do cio não só aumenta as taxas de concepção, mas também
Recebido em formato revisado em 19 de fevereiro de 2014
aumenta a produção de leite do rebanho. O método de processamento de imagem proposto para detectar vacas no cio a partir de
Aceito em 10 de março de 2014
vídeo é passivo e, portanto, não requer a fixação de dispositivos ao corpo da vaca. O cenário observado é uma fazenda leiteira
comercial, onde o gado Holandês é criado em estábulos cobertos.

Palavras-chave:
Detecção de estro O método proposto é baseado no comportamento inerente das vacas no cio, que é caracterizado por uma vaca seguindo outra
Comportamento de acasalamento
vaca antes de montá-la por um curto período de alguns segundos. Uma região de interesse foi determinada primeiro em torno dos
Visão de máquina locais da imagem onde ocorreram altos níveis de movimento nos quadros de vídeo. A segmentação frontal segue então para
Análise de movimento particionar o objeto alvo em movimento da região de interesse em cada quadro da imagem. Os comportamentos a seguir e de
montagem são identificados com base nas alterações nos comprimentos dos objetos em movimento. Quando um evento de estro
é declarado, o evento detectado é registrado no computador para ser verificado posteriormente. O sistema de detecção observou
20 vacas em um estábulo a partir da vista superior. Durante o período de 800 horas (80 dias às 10 horas de cada dia), apenas
0,33% dos quadros de vídeo detectados foram falsos positivos, indicando que o sistema era confiável na detecção do
comportamento de acasalamento e estro a partir dos quadros de vídeo. Usando o método, o agricultor é obrigado a visualizar os
quadros de vídeo gravados por aproximadamente 2 minutos por dia para confirmar que os resultados da detecção são verdadeiros
eventos de estro. O método proposto é capaz de detectar em tempo real as velocidades de acasalamento e comportamento do
estro com uma taxa de processamento de 35 fps.
2014 Elsevier BV Todos os direitos reservados.

1. Introdução
O processamento de imagens tem sido uma técnica importante para uma ampla
variedade de aplicações em diferentes setores industriais, como inspeção de
defeitos na fabricação, vigilância na indústria de segurança, controle de tráfego e
monitoramento no transporte. A vigilância também é importante na agricultura. As
aplicações agrícolas existentes de processamento de imagens baseiam-se
principalmente na análise de imagens únicas (ou estáticas) dos objetos de interesse
por meio de suas cores, texturas, formas ou características geométricas. Este artigo
propõe um método de processamento de imagem sem contato para detectar o
comportamento de acasalamento de bovinos a partir de vídeo.
Técnicas de processamento de imagens têm sido aplicadas ao manejo da
pecuária para estimativa de peso, detecção e identificação de claudicação. Arias et
al. (2004) avaliaram diferentes métodos de segmentação para obtenção do
contorno da vaca e extraíram
ÿ Autor correspondente. Endereço: Departamento de Engenharia e Gestão Industrial, Universidade Yuan-Ze, 135
Yuan-Tung Road, Nei-Li, Tao-Yuan, Taiwan, ROC.
Tel.: +886 3 463 8800; Fax: +886 (03) 463 8907.
Endereço de e-mail: iedmtsai@saturn.yzu.edu.tw (D.-M. Tsai).
características do contorno. Uma rede neural feedforward é então usada para
estimativa de peso. Tscharke e Banhazi (2011) revisaram métodos de segmentação
e reconhecimento de imagens que determinam o peso do gado. McCarthy et al.
(2010) estimaram pesos de bovinos com base no comprimento corporal e área de
uma vaca isolada na imagem. Ferdous et al. (2011) propuseram uma estimativa
automática do peso de suínos utilizando processamento de imagens. Ele seleciona
automaticamente quadros de fluxos de vídeo com postura ideal do animal para
estimativa precisa do peso.
Para detecção de claudicação, a qualidade da marcha e postura da vaca foi
avaliada pela localização dos cascos da vaca (Song et al., 2008), postura das
costas (Poursaberi et al., 2010) e padrões de movimento corporal (Viazzi et al.,
2013) de animais solteiros. imagens estáticas. Para identificação de bovinos, Morio
et al. (2003) reconheceram vacas holandesas individuais por seus padrões de
marcação em preto e branco. Kim et al. (2005) reconheceram o gado Holandês
por meio de imagens de padrões corporais. Uma rede neural é treinada para
identificar vacas individuais com base nas imagens reduzidas do padrão corporal.
Kim et al. (2004) também identificaram gado preto japonês que não apresenta
marcas pretas e brancas no corpo. Eles avaliaram a imagem do rosto da vaca com
uma rede neural.

http://dx.doi.org/10.1016/j.compag.2014.03.003 0168-1699/ 2014

Elsevier BV Todos os direitos reservados.
Machine Translated by Google
26 D.-M. Tsai, C.-Y. Huang / Computadores e Eletrônicos na Agricultura 104 (2014) 25–31
No manejo da pecuária, a detecção dos sinais de estro é
muito importante para o sucesso reprodutivo de um rebanho, pois pode determinar um
momento ideal de inseminação artificial e, assim, resultar em
aumento das taxas de concepção do rebanho. O sinal mais observável
do estro é o comportamento de montagem fêmea-fêmea em um rebanho leiteiro
vacas. O principal sinal de estro ocorre quando a fêmea fica em pé
imóvel e permite que outras vacas montem nela. Uma vaca em cio
também pode tentar montar outras fêmeas que não estejam no cio. Isto dá o sinal
comportamental secundário do estro (Yager et al., 2013). Existem vários dispositivos
comercialmente disponíveis usados para detectar estro no
rebanho. Um pressostato que contém um corante pode ser fixado em um
vaca. Se a vaca estiver montada, a pressão no aparelho faz com que os corantes
para misturar e cria uma mudança de cor visível. Um dispositivo eletrônico sensível à
pressão também pode ser conectado à cauda de uma vaca para registrar o número de
ocorrências em que a vaca está montada. Cauda
pintura ou giz também são comumente usados. Cobre a cauda
com tinta colorida ou giz. Quando a tinta ou o giz estiverem
apagado, indica que a vaca foi montada. Tingir, pintar ou
o giz deve ser reaplicado quando tiver sido usado para a vaca. Para ler automaticamente
as mudanças de cor da pintura, Del Fresno
e outros. (2006) propuseram um método de segmentação de imagens coloridas para
segmentar pinturas da região lombar de vacas. Características geométricas,
incluindo área, dispersão, comprimentos dos eixos maior e menor, são extraídos da região
segmentada e regras simples de lógica difusa
são usados para classificação.
Pedômetros eletrônicos ou sensores de aceleração (Roelofs et al.,
2005; MacKay et al., 2012) fixados no pescoço das vacas medem o
quantidade de atividade de caminhada associada ao estro. Temperatura
sensores (Redden et al., 1993; Ipema et al., 2008) podem medir uma
temperatura central da vaca, e a mudança de temperatura é usada
para indicar estro. Os dispositivos comercialmente disponíveis discutidos
acima deve anexar-se fisicamente à vaca. Pode desencadear alarmes falsos
quando o anexo fica manchado pelo contato com o ambiente
ambiente. Alguns dos indicadores, como temperatura ou movimento, estão indiretamente
associados ao sinal de estro. Eles podem
ser afetado por alguns outros fatores, como doenças, e resultar em falsas
leituras. Os dispositivos sensores também são relativamente caros para laticínios
agricultores.
Para as vacas criadas em estábulo com espaço limitado, é muito
difícil segmentar cada vaca individual do rebanho a partir de uma única imagem. As vacas
leiteiras estudadas neste trabalho são Holandesas,
que têm marcas distintas em preto e branco em seus corpos.
As manchas aleatórias em preto e branco em uma imagem estática também fazem
a extração de uma forma completa de cada vaca individual é extremamente difícil.
Conforme concluído em Van Hertem et al. (2013), os algoritmos de segmentação
existentes não são robustos o suficiente para extrair o
contorno de uma vaca holandesa a partir de fundos dinâmicos, onde um
grupo de vacas presentes simultaneamente em um celeiro natural
ambiente.
Neste artigo, propomos um sistema de detecção de estro baseado em visão artificial
que não requer nenhum acessório, como corantes,
tintas ou giz, para o gado. O sistema pode libertar o produtor de leite
de verificar e substituir o acessório periodicamente. O método proposto visa detectar o
comportamento de acasalamento do bovino,
onde uma vaca seguirá outra vaca por alguns segundos, e então
monta na vaca por um período muito curto de tempo. Detector de movimento
em sequências de vídeo é aplicado primeiro para identificar o possível acasalamento
região no quadro da imagem atual. A análise de blob e as operações morfológicas para a
região de movimento detectada na imagem atual são então usadas para detectar os
comportamentos seguintes e de montagem
com base nas alterações dos comprimentos dos objetos em movimento em um videoclipe. O
O método proposto incorpora ambas as técnicas de análise de movimento em
vídeos espaçotemporais e técnicas de análise de imagens em
imagens para identificar o comportamento de acasalamento em bovinos.
Este artigo está organizado da seguinte forma: a seção 2 descreve primeiro o
detecção de movimento para extrair possíveis regiões de movimento de um
videoclipe. Esta seção apresenta a segmentação em primeiro plano
e análise de blob para determinar o comprimento de um objeto em movimento
em imagens contínuas individuais. A regra de decisão para detecção de estro é finalmente
dada. A seção 3 apresenta os resultados experimentais
com base em observações de 80 dias em um estábulo comercial. A seção 4 conclui o
artigo.
2. Materiais e métodos
2.1. Aquisição de assunto e imagem
O cenário observado neste estudo é uma fazenda leiteira comercial,
onde as vacas holandesas são criadas em estábulos cobertos. A fim de
evitar a oclusão de vacas na imagem detectada, uma cúpula IP
câmera (Q24 da MOBOTIX) foi montada diretamente no teto
do estábulo para que o comportamento de cada vaca possa ser observado de cima. A
câmera estava localizada 4 metros acima
o solo, e o campo observado tinha 6 4 m2 e continha
cerca de 20 vacas. A resolução original de uma imagem capturada foi
1280 960 pixels com uma taxa de quadros de 25 fps e foi reduzido
até 200 150 pixels para processamento rápido.
2.2. Processamento de imagem
A regra de detecção para eventos de acasalamento de vacas em sequências de vídeo é
com base no comportamento inerente das vacas no cio. Um evento de acasalamento
primeiro mostra uma vaca seguindo firmemente outra vaca por alguns segundos.
O comportamento ''seguir'' produz um objeto em movimento com o comprimento
de aproximadamente 2 vacas nas imagens. O comprimento do objeto em movimento nas
imagens será então alterado para aproximadamente 1,5 vaca enquanto elas
estão executando o comportamento de ''montagem''. Portanto, um sucesso
a detecção de estro em sequências de vídeo deve mostrar uma maioria de 2-
comprimento da vaca em 2 s (para seguir o comportamento) e, em seguida, a maioria
Comprimento de 1,5 vaca nos 2 s subsequentes (para comportamento de montagem).
A Figura 1 mostra uma sequência de vídeo de um rebanho de vacas no estábulo,
onde (a) – (d) são o seguinte comportamento e (e) – (h) são os
comportamento de montagem. A caixa delimitadora na figura indica o
região móvel principal em cada quadro da imagem. Observe que o comprimento de
a caixa delimitadora é alterada aproximadamente de duas vacas em
(a) – (d) para o objeto em movimento com comportamento de “seguir” para 1,5 vacas
em (e)–(h) para o objeto em movimento com comportamento de “montagem”. O
a detecção do comportamento de acasalamento agora pode ser simplificada como encontrar o
caixa delimitadora mínima do objeto alvo em movimento em cada imagem
quadro de uma sequência de vídeo. Se o comprimento da caixa delimitadora for
aproximadamente de 2 vacas por 2 s (ou seja, 50 quadros por 25 fps) e depois
é alterado aproximadamente para 1,5 vacas por mais 2 s, um evento de acasalamento é
declarado e registrado para posterior verificação pelo criador da fazenda.
As subseções a seguir descrevem os detalhes do processamento de imagem para
determinar a caixa delimitadora em cada quadro de imagem individual de
o vídeo e a regra de decisão para detecção de eventos de acasalamento com base
nos comprimentos da caixa delimitadora.
2.2.1. Detector de movimento
O acasalamento das vacas é extremamente difícil de detectar a partir de um único animal
imagem. Como uma vaca no cio apresenta comportamentos de seguir e montar, a análise
de movimento é aplicada primeiro para identificar as regiões de interesse onde ocorreram
altos níveis de movimento nos quadros de vídeo.
Esses locais são chamados de regiões de movimento neste artigo. Para
indicam as informações tempo-espaço dos movimentos, a representação espaço-temporal
de um vídeo é dada por
Etx; yÞ ¼ dtðx; yÞ þ Et1ðx; você é um CE; se ð1Þ
ðx; yÞ 2 primeiro plano
onde dtðx; simÞ ¼ , CE é uma energia con
0; caso contrário,
é permanente e é atribuído a cada pixel de primeiro plano na imagem atual.
Machine Translated by Google

D.-M. Tsai, C.-Y. Huang / Computadores e Eletrônicos na Agricultura 104 (2014) 25–31 27

(a) t = 10 (b) t = 20 (c) t = 40 (d) t = 50

(e) t = 60 (f) t =70 (g) t = 80 (h) t =100

Figura 1. Comportamento de acasalamento em bovinos: (a)–(d) comportamento de “seguir”; (e)–(h) Comportamento de “montagem”. A caixa delimitadora branca mostra o principal objeto em movimento
detectado e t representa o número do quadro no vídeo.

Neste estudo, a constante de energia é definida como 80 para exibição visual. a é a
taxa de atualização de energia, 0 < a < 1.
Como as vacas no galpão geralmente não se movem rapidamente, uma taxa de
atualização moderada de 0,97 é usada para esta aplicação. Et(x, y) indica a intensidade
do movimento na localização do pixel (x, y) no quadro de imagem atual t. Ele é atualizado
a partir do resultado anterior no quadro de imagem 1. Um pixel de fundo não adiciona
é gasto para seus 8 vizinhos se os pixels vizinhos apresentarem também forças de
movimento significativas. Seja (x0, y0) a semente inicial e N8(x, y) os 8 vizinhos de (x, y).
ROIt é a região segmentada de Et(x, y) e é inicialmente definida como /. Aquilo é,
ðx0; y0Þ ¼ arg max fEtðx; yÞg
ðx; sim

t nenhum valor de energia (dt(x, y) = 0) e diminui exponencialmente com a taxa de

atualização a. Um pixel de primeiro plano (ou seja, objeto em movimento) adiciona um Seja ROIt ðx0; y0Þ
valor de energia CE constante e diferente de zero , e a energia é acumulada ao longo do
tempo à medida que o pixel permanece como um ponto de primeiro plano. O processo de Para todos os ðx não rotulados; yÞ 2 ROIt;
atualização é computacionalmente muito simples e rápido para implementação em tempo
real. O mapa de energia proposto na Eq. (1) fornece grandes intensidades de movimento Se você; jÞ 2 N8ðx; yÞ e Etði; jÞ > TE;
para pontos prolongados em primeiro plano e fracas intensidades de movimento para
pontos de fundo. O mapa de intensidade de movimento registra assim o histórico de então ROIt ROIt [ ði; jÞ
movimento de todos os movimentos na cena observada.
Próximo ðx; sim
Como as vacas holandesas no galpão podem não apresentar alto contraste com o
TE acima é o limite de intensidade de movimento para pixels de objetos em
ambiente, o método de modelagem de fundo baseado em modo (Chiu e Tsai, 2012) é
movimento. Como uma cena observada do estábulo pode conter múltiplos comportamentos,
usado para segmentação de primeiro plano.
como comer feno, caminhar e montar, o processo de segmentação do crescimento da
O método de subtração de fundo atualiza a imagem de fundo com a moda, em vez da
região é repetido 5 vezes, cada uma começando a partir de uma nova semente com força
média, de um número fixo de imagens mais recentes. O método baseado em modo mostrou
máxima de movimento entre todos os pixels não rotulados. Um máximo de 5 regiões de
sua robustez sob condições de baixo contraste e mudança de luz. O processo do método
movimento são segmentadas do mapa de força de movimento Et(x, y), e apenas aquela
baseado em modo é descrito com mais detalhes na Seção 2.2.3.
com a área máxima é retida para processo posterior. Figos. 2 (a3) – (b3) e 3 (a3) – (b3)
mostram as principais regiões de movimento segmentadas para as vacas sem e com
comportamentos de acasalamento, respectivamente. O retângulo branco na figura indica
A figura 2 (a1) e (b1) apresenta a cena onde uma vaca caminha da direita para a
os limites da região de movimento e o ponto é o centro do retângulo.
esquerda, um grupo de vacas descansa na parte superior da imagem e vacas comem feno
no canto inferior direito da imagem.
A Fig. 2 (a2) e (b2) são os mapas de força de movimento correspondentes Et (- x, y). A
Figura 3 mostra a cena que contém comportamentos de seguimento (a1), montagem (b1)
2.2.3. Determinando o comprimento do objeto em
e caminhada aleatória. Os mapas de força de movimento associados são apresentados na
movimento A região de movimento segmentada fornece a localização do comportamento
Fig. 3 (a2) e (b2). No mapa Et(x, y), o brilho é proporcional à magnitude da força do
de uma vaca na cena, mas a região por si só não pode fornecer informações robustas
movimento.
sobre o comprimento real do objeto alvo em movimento.
O mapa mostra que as vacas deitadas no chão criam uma força de movimento fraca e
Portanto, também extraímos as formas das vacas da imagem atual usando a segmentação
insignificante. Este mapa também registra o histórico de movimento da vaca andando da
de primeiro plano baseada no modo. A região de movimento segmentada ROIt é usada
direita para a esquerda na cena, como mostrado na Figura 2 (b2). Os comportamentos de
para confinar o primeiro plano do objeto alvo e eliminar as partes de vacas irrelevantes
seguimento e montagem apresentam altas resistências ao movimento, conforme visto na
próximas.
Fig. 3 (a2) e (b2).
Seja ft(x, y) a imagem de entrada em nível de cinza no quadro atual t, e mt1(x, y) a
imagem de fundo atualizada pelo modelo de modo no tempo t
2.2.2. Segmentação de região de movimento 1. Deixe

Para particionar as regiões de movimento no mapa de força de movimento Et (x, y)

Ft1ðx; yÞ¼ffiðx; sim; eu ¼ t 1; t2; ... ; t ð2Þ
para comportamentos individuais de vacas na cena, a segmentação de crescimento de
região é aplicada. O processo primeiro seleciona o pixel com força máxima de movimento ser N imagens consecutivas até o tempo t 1. O modo-modelo do fundo é dado por
como a semente inicial e, em seguida, a semente
Machine Translated by Google

28 D.-M. Tsai, C.-Y. Huang / Computadores e Eletrônicos na Agricultura 104 (2014) 25–31

Em repouso Em repouso Em repouso

Andando

Comendo feno Andando Seguindo Andando Montagem

(a1) t =20 (b1) t =80 (a1) t =20 (b1) t =80

(a2) t =20 (b2) t =80 (a2) t =20 (b2) t =80

(a3) t = 20 (b3) t =80 (a3) t = 20 (b3) t =80

(a4) t =20 (b4) t =80 (a4) t =20 (b4) t =80

(a5) t =20, Lt = 48 (b5) t =80, Lt = 53 (a5) t =20, Lt = 80 (b5) t =80, Lt = 65

Figura 2. Cena sem comportamentos de acasalamento: (a1), (b1) imagens contendo repouso,
eventos de caminhada (da direita para esquerda) e alimentação; (a2), (b2) movimento correspondente
imagens de força Et(x, y); (a3), (b3) principais regiões de movimento segmentadas em relação a (a2) e
(b2); (a4), (b4) imagens binárias de segmentação de primeiro plano em relação às imagens em (a1)
e (b1); (a5), (b5) respectivas caixas delimitadoras finais dos objetos alvo em movimento.
Figura 3. Cena com comportamentos de acasalamento: (a1) imagem contendo o ''segue''
comportamento; (b1) imagem envolvendo o comportamento de ''montagem''; (a2), (b2) correspondente
imagens de força de movimento Et(x, y); (a3), (b3) principais regiões de movimento segmentadas wrt
(a2) e (b2); (a4), (b4) imagens binárias de segmentação de primeiro plano em relação às imagens
em (a1) e (b1); (a5), (b5) respectivas caixas delimitadoras finais dos objetos alvo em movimento.

mt1ðx; yÞ ¼ arg maxz fh½zjFt1ðx; yÞg ð3Þ 1 ðprimeiro planoÞ; se Dftðx; yÞ > TDfðx ; sim
btðx; sim ð5Þ
0 ðfundoÞ; de outra forma
onde h[z|Ft1(x, y)] é o número de ocorrências do valor cinza z em
as N imagens mais atuais. A diferença de nível de cinza entre bt(x, y) é a imagem binária resultante da segmentação de primeiro plano.
imagem atual e a imagem de fundo maior que um limite O limite TDf é dado adaptativamente por
indica a região do primeiro plano. Aquilo é,
lt1ðx; yÞ þ K rt1ðx; sim ð6Þ
Dftdx; yÞ¼jftðx; yÞ mt1ðx; yÞj; 8 dx; sim ð4Þ
onde lt1(x, y) e rt1(x, y) são a média e o desvio padrão
e de Dfi(x, y) para N imagens consecutivas (ou seja, i = t 1, t 2,..., t N),
Machine Translated by Google
D.-M. Tsai, C.-Y. Huang / Computadores e Eletrônicos na Agricultura 104 (2014) 25–31
e K é a constante de multiplicação do desvio padrão. Neste estudo, o
número de imagens consecutivas N = 100 e a constante de controle
K = 5. O fechamento morfológico com um elemento estruturante 5 5 é
então aplicado à imagem binária bt(x, y) para preencher pequenas
lacunas e buracos . . Figos. 2(a4)–(b4) e 3(a4)–(b4) mostram as
imagens binárias da segmentação de primeiro plano para as imagens
da cena nas Figs. 2(a1)–(b1) e 3(a1)–(b1), respectivamente.
A análise de blob é posteriormente aplicada à imagem binária para rotular os blobs
Bi, assumindo i = 1, 2, ..., B. Um blob é uma região isolada de primeiro plano na
imagem binária, na qual todos os pixels de primeiro plano (objeto) estão conectados.
Se houver pelo menos um ponto de pixel no blob Bi caindo dentro da região de
movimento segmentada ROIt, o blob será retido. Caso contrário, é considerado uma
parte irrelevante do objeto alvo em movimento. Como uma vaca holandesa com
marcações em preto e branco pode resultar em manchas desconectadas na imagem
binária, elas são mescladas como uma única região Rt medindo a distância do
centróide bi de cada bolha Bi até o centro rt do movimento segmentado. região ROIt.
Aquilo é,
Rt ¼ [fBijDdi < TD & Bi \ ROIt–/; 8ig ð7Þ
onde Ddi = kbi rtk; TD é o limite de distância e está definido como 30
neste estudo.
Rt é a região final do objeto alvo em movimento. É então fechado com um
retângulo mínimo. O lado mais longo da caixa delimitadora indica o comprimento das
vacas em movimento. Figos. 2 (a5) – (b5) e 3 (a5) – (b5) mostram os blobs finais
mesclados e as caixas delimitadoras correspondentes para as cenas sem e com
comportamentos de acasalamento, respectivamente. Observe que a vaca andando na
Fig. 2 é bem extraída, e as caixas delimitadoras resultantes para seguir a vaca (Fig. 3
(a5)) e montar a vaca (Fig. 3 (b5)) definem bem os comprimentos dos objetos alvo em
movimento.
2.2.4. Regra de detecção de
estro Para observar a vaca no cio a partir de uma sequência de vídeo, definimos 2
s para o comportamento seguinte e mais 2 segundos para o comportamento de
montagem. A taxa de captura de quadros da câmera é de 25 fps. Corresponde a 50
quadros de imagem para comportamentos individuais de ''seguir'' e ''montar''. Seja lL
o comprimento médio do corpo de uma vaca na configuração de câmera dada, e Li o
comprimento medido (ou seja, o lado mais longo da caixa delimitadora) do objeto alvo
em movimento no quadro de imagem i, para i = t 100, t 99, ..., t 1, t. Além disso, seja
Nfollow o número de quadros de imagem i, para i = t 51, t 52, ..., t 100, onde os
comprimentos delimitadores detectados Li são aproximadamente 2 vezes o
comprimento médio da vaca lL, e Nmount o número de quadros de imagem j, para j =
t, t 1, ..., t 50, onde os comprimentos limítrofes detectados Li são aproximadamente
1,5 vezes o comprimento médio da vaca.
A regra final de detecção de estro é dada por:
Siga Nmontar
PTN e 50 PTN ð8Þ
50 _
onde Nsegue ¼ Pt100 i¼t51bi
Nmontar ¼ x50 _ cj
j¼t
e
1; se 1:6 6 Li=lL < 2:2 0; de
com ¼
outra forma
1; se 1:3 < Li=lL < 1:6 0; de
cj¼ _
outra forma
A fim de tornar o sistema tolerante ao ruído ou a alguns comprimentos de Li
calculados incorretamente aleatoriamente , o limite TN é definido em 0,7 neste estudo.
Quando Nfollow=50 P TN, significa a maioria dos primeiros 50
29
frames mostra o seguinte comportamento. Para Nmount=50 P TN, indica que a
maioria dos atuais 50 quadros apresenta o comportamento de montagem.
Quando um evento de acasalamento é detectado pelo sistema, o videoclipe
correspondente de 4 segundos é gravado. O produtor de leite é obrigado a visualizar
os quadros de vídeo gravados para confirmar que os resultados da detecção são
verdadeiros eventos de estro. Quando um evento é verificado, o agricultor pode
selecionar e salvar o quadro da imagem em tamanho real de 1280 960 pixels. O quadro
da imagem contendo a vaca no cio é baixado em um tablet portátil para identificação
da vaca no local.
A Figura 4(a)–(d) mostra a sequência de vídeo de uma vaca caminhando para
comer feno. A Figura 4 (e) apresenta o perfil correspondente do comprimento do
objeto em movimento Li ao longo de 100 quadros de imagem consecutivos. A linha
tracejada marca o valor de 1,6 lL. Pode-se observar que todos os comprimentos
detectados estão muito abaixo do limite de 1,6 lL no período de 4 segundos e nenhum
evento de acasalamento é detectado. A Figura 5 demonstra ainda a sequência de
vídeo contendo comportamentos de seguimento e montagem de vacas. O perfil
resultante de comprimento Li acima de 100 quadros de imagem mostra que os
comprimentos detectados são maiores que 1,6 lL nos primeiros 2 s para sinalizar o
comportamento a seguir, e então os comprimentos detectados tornam-se menores que
1,6 lL nos últimos 2 s para indicar o comportamento de montagem. Um evento de
acasalamento é assim alarmado e registrado.
3. Resultados e discussões
Os algoritmos propostos neste estudo foram implementados utilizando a linguagem
Visual C em um computador pessoal Intel Core i7-2600 3,40 GHz. A taxa de
processamento é de 35 fps para imagens de tamanho 200 x 150 pixels, o que é muito
mais rápido do que a taxa de captura de imagem de 25 fps para monitoramento de
vídeo on-line em tempo real.
Os experimentos foram realizados durante 80 dias consecutivos, com 10 horas de
luz solar por dia. O processamento de detecção foi realizado online no estábulo. Houve
um total de 53 eventos de estro nos 80 dias de observação para um rebanho de cerca
de 20 vacas. Os 53 eventos de estro foram validados manualmente por um produtor
de leite experiente a partir dos quadros de vídeo gravados com um valor limite TN
muito baixo (<0,5).
O limite flexível garantiu que todos os eventos de estro verdadeiros fossem registrados
No vídeo. Sempre que um evento de acasalamento é alarmado pelo sistema proposto,
a sequência de vídeo correspondente é gravada por 4 s.
O desempenho do sistema de detecção de acasalamento proposto é avaliado
estatisticamente pela taxa de verdadeiros positivos (TP) e pela taxa de falsos positivos
(FP). O TP são os eventos de estro corretamente detectados como estro, que é dado
pelo número detectado de eventos de estro verdadeiros dividido pelo total de 53
eventos de estro. O FP são os eventos não estro identificados incorretamente como
estro. Como há uma variedade de comportamentos das vacas, como caminhar
sozinhas, caminhar em grupo, comer feno, deitar e brincar juntas, o número total de
todos os eventos não pode ser definido para cada sequência de vídeo de 10 horas por
dia. A taxa de FP neste estudo é, portanto, medida pela razão entre o tempo total
registrado (ou seja, número de quadros de imagem) dos eventos detectados em
relação ao total de 800 (80 dias 10 h/dia) horas de observação, que é dado por:
1
PF = X80 De 4 ð9Þ
80 10 60 60 eu¼1
onde Di é o número de eventos detectados no dia i, e cada evento
detectado é registrado por 4 s no vídeo.
A Tabela 1 resume as estatísticas de taxas de verdadeiros positivos e falsos
positivos para os experimentos no local de 80 dias com valores limiares variados de
TN usados na regra de detecção de acasalamento (Eq. (8)).
Os resultados mostram que todos os 53 eventos de estro verdadeiro podem ser
identificados quando o limiar TN é menor ou igual a 0,7. Quando o valor limite é
definido em 0,7, a taxa de FP é de apenas 0,33%. Corresponde a apenas 2 minutos
de vídeos gravados de um total de 10 horas de observação por dia. Isto indica que um
produtor de leite precisa apenas
Machine Translated by Google

30 D.-M. Tsai, C.-Y. Huang / Computadores e Eletrônicos na Agricultura 104 (2014) 25–31

(a) t = 16 (b) t = 40 (c) t =64 (d) t =88

Comprimento ( Li )

Tempo

(eu)
0 20 40 50 60 80 100

t - 100 -50 _ t

(e)

Figura 4. Mudança no comprimento dos objetos em movimento para comportamentos fora do cio: (a) – (d) imagens sequenciais de uma vaca caminhando para comer feno; (e) Li – perfil com mais de 100 quadros de imagem.

(a) t = 8 (b) t =24 (c) t =64 (d) t =88

Comprimento ( Li )

Tempo

(eu)
0 20 40 50 60 80 100

t - 100 t - 50 t

(e)

Figura 5. Mudanças no comprimento dos objetos em movimento para comportamentos de acasalamento: (a) – (b) imagens sequenciais para comportamento de seguimento de vacas; (c), (d) imagens sequenciais para comportamento de montagem de vacas;
(e) Li – perfil com mais de 100 quadros de imagem.

assista aos vídeos gravados por 2 minutos por dia para verificar os eventos às custas do aumento da taxa de falsos positivos. O
verdadeiros eventos de cio e identificar as vacas no cio para inseminação experimentos mostraram que o produtor de leite tomará apenas
artificial. Para implementar o sistema de detecção de acasalamento proposto no cerca de 4 minutos por dia para verificar o vídeo gravado mesmo com um
estábulo, um limiar solto pode ser usado para identificar todos os possíveis tapetes limite solto de 0,6.
Machine Translated by Google
D.-M. Tsai, C.-Y. Huang / Computadores e Eletrônicos na Agricultura 104 (2014) 25–31
Tabela
1 Taxas de verdadeiros positivos e falsos positivos do sistema proposto ao longo de 80 dias de
observação.
Limite TN NT = 0,8 NT = 0,7
Taxa de verdadeiros positivos (total de 53 eventos 24% 100% (53/53)
verdadeiros)
Taxa de falso positivo (13/53) 0,33%
Número de eventos detectados/dia 30
Tempo/dia total registrado (min) 0,13% 12 0,81 2,05
O sistema de detecção de acasalamento proposto utiliza técnicas de análise de
movimento e processamento de imagem para identificar as vacas em cio que
apresentam os seguintes comportamentos e depois a montagem em uma sequência
de vídeo. Baseia-se no movimento comportamental, e não na postura imóvel, de
uma vaca em cio. É mais robusto identificar verdadeiros eventos de acasalamento
no gado. O sistema proposto pode ser usado para identificar tanto as vacas
montadas (sinal primário de cio) quanto as vacas montadas (sinal secundário de
cio) no mesmo vídeo gravado. Ajuda o produtor de leite a melhorar o manejo da
criação e a descobrir o momento ideal para a inseminação.
4. Conclusões
Os dispositivos de pressão convencionais ou métodos de pintura/calagem
podem gerar leituras falsas devido ao contato com o entorno. Eles só podem ser
usados para detectar as vacas com o sinal primário de cio (vacas montadas), mas
não podem identificar as vacas com o sinal comportamental secundário (vacas
montadas). Os pedômetros ou sensores de temperatura fornecem medições
indiretas do estro.
Neste artigo, propusemos um sistema automático de monitoramento de vídeo
para detecção de eventos de estro em bovinos, analisando o comportamento
habitual de acasalamento das vacas. O sistema proposto não requer contato ou
dispositivos intrusivos fixados no gado. Ele pode observar um rebanho de vacas no
estábulo a uma distância tranquila com câmeras IP simples e de baixo custo e
computadores pessoais. Tanto vacas montadas quanto vacas montadas podem
ser detectadas com o método de detecção proposto. Além da detecção de vacas
em cio, o sistema proposto pode ser potencialmente estendido para detecção de
claudicação. O mapa de força de movimento pode capturar o padrão de movimento
da marcha e postura da vaca. O padrão pode ser posteriormente analisado e
classificado para detecção automática de claudicação em bovinos leiteiros. O
sistema proposto também pode ser aplicado para detectar diferentes comportamentos
de vacas, como eventos de repouso e pastejo, ou identificar comportamentos
anormais, como doenças com movimentos lentos.
Como o método proposto para detecção do comportamento de acasalamento
deve observar as vacas a partir da vista superior, o sistema proposto não pode ser
aplicado a vacas alojadas em ambiente externo onde a instalação de uma câmera
de visão superior não é possível. O
31
o sistema proposto em sua forma atual registra eventos falsos de 2 minutos por dia,
o que exige do criador uma verificação manual adicional.
Vale a pena explorar regras de detecção adicionais que podem ajudar a eliminar
NT = 0,6 comportamentos rotineiros do gado irrelevantes para o estro, para que o tempo
100% (53/53) registrado de eventos de falso estro possa ser ainda mais reduzido.
0,67%
Referências
60
4,06
Arias, NA, Molina, ML, Gualdron, O., 2004. Estimativa do peso da pecuária bovina utilizando processamento
digital de imagens e rede neural. In: Atas do SPIE, vol. 5622, pp.
Chiu, W.-Y., Tsai, D.-M., 2012. Detecção de modo duplo para segmentação de primeiro plano em imagens
de vídeo de baixo contraste. J. Processo de imagem em tempo real, http://dx.doi.org/10.1007/
s11554-011-0240-7.
Del Fresno, M., Macchi, A., Marti, Z., Dick, A., Clausse, A., 2006. Aplicação de segmentação de imagens
coloridas para detecção de estro. J. Vis. 9 (2), 171–178.
Ferdous, WM, Tscharke, M., Saunders, C., Lee, S.-H., Banhazi, TM, 2011. Métodos de processamento
digital de imagens para identificação da postura de porcos durante a estimativa de peso. In: 5ª
Conferência Europeia sobre Pecuária de Precisão, Praga.
Ipema, AH, Goense, D., Hogewerf, PH, Houwers, HWJ, van Roest, H., 2008. Estudo piloto para monitorar a
temperatura corporal de vacas leiteiras com bolo ruminal. Computador.
Elétron. Agrícola. 64, 49–52.
Kim, HT, Ikeda, Y., Choi, HL, 2004. A identificação do gado preto japonês por
seus rostos. J. Biosyst. Eng. 29 (4), 341–346.
Kim, HT, Choi, HL, Lee, DW, Yoon, YC, 2005. Reconhecimento de gado Holstein individual por meio de
imagens de padrões corporais. Asiático-Austral. J.Anim. 18 (8), 1194–1198.
MacKay, JRD, Deag, JM, Haskell, MJ, 2012. Estabelecendo a extensão das reações comportamentais em
gado leiteiro a um monitor de atividade montado nas pernas. Apl. Anima. Comporte-se.
Ciência. 139, 35–41.
McCarthy, C., Billingsley, J., Finch, N. Murray, P., Gaughan, J., 2010. Estimativa de peso vivo de gado
usando avaliação de visão de máquina de medidas corporais objetivas: primeiros resultados. In:
Procedimentos de Aust. Soc. Anima. Prod., vol. 28.
Morio, Y., Ikeda, Y., Horibe, K., 2003. Identificação Holstein com robustez contra
condição de iluminação. J. Jpn. Soc. Agrícola. Mach. 65, 94–100.
Poursaberi, A., Bahr, C., Pluk, A., Van Nuffel, A., Berckmans, D., 2010. Detecção automática de claudicação
em tempo real com base na extração da postura dorsal em gado leiteiro: análise da forma da vaca
com processamento de imagem técnicas. Computação. Elétron.
Agrícola. 74, 110–119.
Redden, KD, Kennedy, AD, Ingalla, JR, Gilson, TL, 1993. Detecção de estro por monitoramento
radiotelemétrico da temperatura da pele vaginal e auricular e medições de atividade com pedômetro.
J. Laticínios Sci. 76, 713-721.
Roelofs, JB, van Eerdenburg, FJCM, Soede, NM, Kemp, B., 2005. Leituras de pedômetro para detecção de
estro e como preditor do momento da ovulação em bovinos leiteiros. Teriogenologia 64, 1690-1703.
Song, X., Leroy, T., Vranken, E., Maertens, W., 2008. Detecção automática de claudicação em gado leiteiro
– análise de trilhas baseada na visão na locomoção da vaca. Computação.
Elétron. Agrícola. 64, 39–44.
Tscharke, M., Banhazi, TM, 2011. Revisão de métodos para determinar peso, tamanho e composição do
gado a partir de imagens. In: SEAg 2011: Diverse Challenges, Innovative Solutions, Gold Coast,
Austrália, pp.
Van Hertem, T., Alchanatis, V., Antler, A., Maltz, E., Halachmi, I., Schlageter-Tello, A., Lokhorst, C., Viazzi,
S., Romanini, CEB, Pluk, A ., Bahr, C., Berckmans, D., 2013.
Comparação de algoritmos de segmentação para extração de contorno de vaca do fundo natural do
celeiro em imagens laterais. Computação. Elétron. Agrícola. 91, 65–74 .
Viazzi, S., Bahr, C., Schlageter-Tello, A., Van Hertem, T., Romanini, CEB, Pluk, A., Halachmi, I., Lokhorst,
C., Berckmans, D., 2013. Análise da classificação individual da claudicação utilizando medida
automática da postura dorsal em bovinos leiteiros. J. Laticínios Sci. 96, 257–266.
Yager, A., Neary, M., Singleton, W., 2013. Detecção de estro em animais de fazenda. <https://
mdc.itap.purdue.edu/item.asp?itemID=4600#.UfcpC40wd-c > (acessado em 30.07.13).