我国养猪业的总体规模庞大,养殖数量占据了全世界50%以上,养猪业极大地推动了经济的发展。但是自2014年以来我国的猪肉产量呈现出了明显的下滑趋势,对养殖户的经济效益造成了不小的打击,其主要原因是猪只出现疫情后未及时发现导致了高死亡率和不合格率。当前我国对猪只疾病的防治主要还是通过人工观察,不仅成本高而且还存在着人畜交叉感染的风险。所以本文基于上述问题提出了基于机器视觉的猪只饮水识别和体重测量的研究方案,以求能到达到提高效益和及早发现疫情的目的。本文首先对采集到的猪只图像进行了预处理,分别测量并划定出饮水器感兴趣区域和猪只进食感兴趣区域。对于采集到的猪只饮水图像首先进行了高斯滤波、直方图均衡化、二值化、形态学处理等操作,其次对图像中的信息进行了分类划分建立了训练样本库。对于采集到的猪只进食图像进行了划定有效活动区域、提取猪只轮廓等操作。预处理过后得到的图像以供之后进行使用。其次,对于猪只饮水行为的判定,采用不间断地监测饮水器感兴趣区域白色像素点个数的方法,当监测到其比例达到50%及其以上时,再连续地监测猪只的质心和角度的变化,如果相邻图像之间猪只质心的移动距离或者移动角度超过设定的阈值,则截取饮水器区域250×300像素点大小的图像并进行分类检测,当检测到输入图像为猪只头部时,则最终判定有饮水行为发生。最后,对于猪只体重的检测采用电子耳标、电子秤配合双目视觉摄像头的方案。当猪只进入进食区域,电子耳标触发RFID阅读器,进食区域尽头的电子秤会检测猪只体重,将个体和体重信息通过GPRS DTU上传到服务器。对猪只个体图像的采集使用Grab Cut算法,然后对图像进行去头部去尾部并设计了基于凸包检测和凹陷检测的算法求解背部面积,设计了“夹逼法”来采集背部宽度,设计了检测猪只中心点的算法来检测猪只体高。最后对采集到的猪只背部面积、背部宽度、体高与体重进行RBF神经网络拟合训练以观察哪种方案最好,最后的研究结果显示背部面积与体重的拟合效果最佳。实验结果表明,本文提出的基于机器视觉的猪只饮水和体重检测的研究方案可以良好地检测猪只的饮水行为,检测的准确率在89.74%,是可以区分饮水和非饮水状态的。对于基于机器视觉的猪只称重,预测数据和实际数据的拟合率在95.034%,由于猪只的各项数据均已保存在MYSQL数据中,所以后期将不断对数据进行更新与扩增以求能够达到更好的拟合效果。