摘要：隨著機(jī)器視覺(jué)技術(shù)的發(fā)展，特別是2010年以后，我國(guó)的機(jī)器視覺(jué)技術(shù)逐漸受到市場(chǎng)的關(guān)注，機(jī)器視覺(jué)的應(yīng)用呈逐年上升趨勢(shì)。畜牧業(yè)也正在從傳統(tǒng)放養(yǎng)向集約化、智能化方向轉(zhuǎn)型，機(jī)器視覺(jué)技術(shù)與畜牧業(yè)結(jié)合交叉最早應(yīng)用在20世紀(jì)六七十年代，由于受當(dāng)時(shí)的養(yǎng)殖環(huán)境、圖像處理技術(shù)和計(jì)算機(jī)硬件的制約，僅僅停留在初級(jí)研究階段。如今，圖形圖像、視頻信息和自動(dòng)控制等現(xiàn)代高新技術(shù)的發(fā)展，應(yīng)用先進(jìn)的人工智能技術(shù)以改善目前傳統(tǒng)落后的養(yǎng)殖模式迎來(lái)了新的挑戰(zhàn)。從機(jī)器視覺(jué)在家畜的個(gè)體跟蹤、性能測(cè)定和行為判定3個(gè)方面的應(yīng)用角度進(jìn)行了闡述，最后對(duì)機(jī)器視覺(jué)在畜牧業(yè)中的發(fā)展進(jìn)行了總結(jié)和展望。

　　關(guān)鍵詞：精準(zhǔn)畜牧業(yè)；機(jī)器視覺(jué)技術(shù)；個(gè)體識(shí)別；體尺識(shí)別；動(dòng)物行為
 

　　引言
 

　　2001-2019年，我國(guó)家畜肉類(lèi)產(chǎn)量持續(xù)增長(zhǎng)，2019年受非洲豬瘟的影響，豬肉產(chǎn)量有大幅度回落，但是總體家畜產(chǎn)肉量仍呈現(xiàn)遞增趨勢(shì)。在肉類(lèi)上，1990年至今，我國(guó)人均牛肉、羊肉、豬肉和禽肉消費(fèi)量分別上漲了4.93、2.97、0.95和3.17倍，這主要是因?yàn)槲覈?guó)正處于食物結(jié)構(gòu)轉(zhuǎn)型期，致使肉蛋奶等動(dòng)物產(chǎn)品的生產(chǎn)和消費(fèi)快速上升。與發(fā)達(dá)國(guó)家相比，我國(guó)豬肉消費(fèi)在肉類(lèi)消費(fèi)中仍占主導(dǎo)地位。食草型畜產(chǎn)品消費(fèi)比例雖然偏低，但整體呈上升趨勢(shì)，且未來(lái)消費(fèi)需求將持續(xù)上漲。
 

　　目前，我國(guó)養(yǎng)殖業(yè)呈現(xiàn)的是規(guī)?；B(yǎng)殖、合作社養(yǎng)殖和散養(yǎng)模式共存的局面，并逐步向規(guī)模化的方向發(fā)展。規(guī)?；?、集約化養(yǎng)殖方式已經(jīng)成為行業(yè)發(fā)展的一大趨勢(shì)，大量規(guī)?；?、集約化的養(yǎng)殖企業(yè)應(yīng)運(yùn)而生，取代了原有的傳統(tǒng)散養(yǎng)和圈養(yǎng)方式，并成為新時(shí)代養(yǎng)殖業(yè)的重要組成部分。但畜禽養(yǎng)殖整體存在生產(chǎn)成本高、人力需求高、科技水平低等問(wèn)題，這些問(wèn)題是困擾我國(guó)畜牧業(yè)發(fā)展的頭等難題。隨著世界范圍內(nèi)養(yǎng)殖產(chǎn)量的快速增長(zhǎng)，對(duì)家畜的生產(chǎn)成本控制問(wèn)題變得越來(lái)越重要。隨著精準(zhǔn)畜牧 （Precision Livestock Farming，PLF）的快速發(fā)展，傳統(tǒng)養(yǎng)殖業(yè)的養(yǎng)殖模式也隨之發(fā)生了質(zhì)的轉(zhuǎn)變，傳感器、相機(jī)、機(jī)器學(xué)習(xí)和圖像處理技術(shù)的使用已經(jīng)進(jìn)入農(nóng)業(yè)科學(xué)領(lǐng)域。伴隨牧群規(guī)模的不斷擴(kuò)大，牧民可以利用這些技術(shù)來(lái)監(jiān)測(cè)其家畜的健康狀況和福利狀況，以提升養(yǎng)殖效益。而實(shí)現(xiàn)精準(zhǔn)畜牧的其中一個(gè)主要方法就是利用機(jī)器視覺(jué)技術(shù)。機(jī)器視覺(jué)是一種非接觸的測(cè)量方式，它可以有效避免應(yīng)激帶給牲畜的影響，這種檢測(cè)方法可以大大提高生產(chǎn)效率和自動(dòng)化程度，為畜牧業(yè)的現(xiàn)代化發(fā)展提供了新的解決思路。隨著應(yīng)用算法的日益成熟，機(jī)器視覺(jué)技術(shù)逐漸完善且應(yīng)用范圍也在逐年遞增。近年來(lái)，它的研究與應(yīng)用已擴(kuò)展到了工業(yè)、農(nóng)業(yè)、醫(yī)學(xué)等諸多領(lǐng)域，并取得了一定成果。本文將從畜牧學(xué)角度出發(fā)，梳理了機(jī)器視覺(jué)在家畜的個(gè)體跟蹤、性能測(cè)定和行為判定3個(gè)方面的應(yīng)用，希望可以為廣大的科研工作者提供研究思路，也為改變我國(guó)畜禽養(yǎng)殖 “大而不強(qiáng)，多而不優(yōu)”的現(xiàn)狀提供新的解決思路。
 

　　1 機(jī)器視覺(jué)概述及工作流程
 

　　1.1 機(jī)器視覺(jué)概述

　　在20世紀(jì)70年代末，作為人工智能主要分支之一的機(jī)器視覺(jué)技術(shù)，由于受到計(jì)算機(jī)軟硬件、圖像獲取裝置中的軟硬件技術(shù)、圖像處理技術(shù)及人類(lèi)視覺(jué)相關(guān)技術(shù)的限制，導(dǎo)致機(jī)器視覺(jué)技術(shù)發(fā)展非常緩慢。隨著大規(guī)模、高質(zhì)量、可公開(kāi)獲得標(biāo)記數(shù)據(jù)集及并行GPU計(jì)算的增強(qiáng)，機(jī)器視覺(jué)技術(shù)的發(fā)展大大加快。2008-2017年我國(guó)機(jī)器視覺(jué)的市場(chǎng)規(guī)模逐年遞增，尤其是近些年來(lái)呈現(xiàn)翻倍式的增長(zhǎng)，如圖1所示。

圖1 中國(guó)機(jī)器視覺(jué)市場(chǎng)規(guī)模
 

　　機(jī)器視覺(jué)主要包括3大系統(tǒng)，即圖像采集系統(tǒng)、圖像分析系統(tǒng)和圖像反饋系統(tǒng)。圖像采集系統(tǒng)相當(dāng)于機(jī)器視覺(jué)的“眼睛”，負(fù)責(zé)采集環(huán)境中的圖片和視頻信息。圖像分析系統(tǒng)相當(dāng)于機(jī)器視覺(jué)的“大腦”部分，對(duì)相機(jī)采集的圖像進(jìn)行處理分析，實(shí)現(xiàn)對(duì)特定目標(biāo)的檢測(cè)、分析與識(shí)別，并做出相應(yīng)決策，同時(shí)也是機(jī)器視覺(jué)系統(tǒng)的“感覺(jué)”部分，對(duì)攝像機(jī)拍攝的數(shù)字圖像采取濾波平滑、圖像增強(qiáng)、目標(biāo)分割和特征提取等方法來(lái)實(shí)現(xiàn)目標(biāo)檢測(cè)的技術(shù)。圖像反饋系統(tǒng)相當(dāng)于機(jī)器視覺(jué)的“神經(jīng)”，把分析系統(tǒng)處理的信息進(jìn)行傳遞和反饋。總而言之，機(jī)器視覺(jué)系統(tǒng)就是對(duì)圖片信號(hào)執(zhí)行各種操作以提取目標(biāo)的特征，然后根據(jù)相應(yīng)的圖片結(jié)果進(jìn)行反饋。
 

　　1.2 工作流程

　　機(jī)器視覺(jué)的主要技術(shù)流程包括數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理、目標(biāo)分割、識(shí)別特征點(diǎn)和分析反饋，如圖2所示。

圖2 機(jī)器視覺(jué)工作流程
 

　　（1）數(shù)據(jù)采集。常用的視頻數(shù)據(jù)獲取設(shè)備包括彩色圖像攝像機(jī)（RGB）、紅外圖像攝像機(jī)（IR）、深度圖像攝像機(jī)（3D）和熱成像設(shè)備（IRT）。

　?。?）數(shù)據(jù)預(yù)處理。使用圖像處理方法對(duì)原始圖像/視頻進(jìn)行預(yù)處理，如針對(duì)系統(tǒng)固有噪聲，常用的方法有濾波、灰度變換、二值化、圖像復(fù)原、圖像增強(qiáng)和形態(tài)學(xué)處理等。

　?。?）目標(biāo)提取。群養(yǎng)環(huán)境下獲取個(gè)體動(dòng)物信息，首先要從原始視頻中找出目標(biāo)位置。根據(jù)目的不同，可分為目標(biāo)檢測(cè)、語(yǔ)義分割和實(shí)例分割。目標(biāo)檢測(cè)包含2個(gè)問(wèn)題：一是判斷屬于某個(gè)特定類(lèi)的物體是否出現(xiàn)在圖中；二是定位該目標(biāo)出現(xiàn)的位置，通常用物體的邊界框來(lái)表示目標(biāo)檢測(cè)結(jié)果。語(yǔ)義分割需要將原始圖像中每一個(gè)像素判斷為某類(lèi)物品類(lèi)別。同一物體的不同實(shí)例不需要單獨(dú)分割出來(lái)。實(shí)例分割是目標(biāo)檢測(cè)和語(yǔ)義分割的綜合。相對(duì)于語(yǔ)義分割，實(shí)例分割需要分割出同一類(lèi)物體的不同實(shí)例。在獲取到動(dòng)物個(gè)體位置信息的基礎(chǔ)上還可以進(jìn)一步細(xì)分不同的身體部分，如頭部、身體和四肢等感興趣區(qū)域。

　　（4）識(shí)別特征點(diǎn)。利用圖片中的顏色特征、紋理特征、形狀特征及空間關(guān)系特征來(lái)識(shí)別特征部位并做出標(biāo)注。根據(jù)圖形圖像技術(shù)的這種特點(diǎn)，家畜體尺測(cè)量、物種鑒別，甚至是家畜的面部識(shí)別技術(shù)都有了相對(duì)性的發(fā)展和應(yīng)用。

　?。?）分析反饋。通過(guò)數(shù)學(xué)及統(tǒng)計(jì)學(xué)構(gòu)建的模型方法對(duì)圖形特征的自動(dòng)處理和判斷，并通過(guò)可視化界面和用戶(hù)進(jìn)行交互體驗(yàn)。
 

　　2 具體應(yīng)用
 

　　人類(lèi)社會(huì)先后經(jīng)歷了農(nóng)業(yè)革命和工業(yè)革命，現(xiàn)如今正在步入智能革命。近些年來(lái)，大眾對(duì)養(yǎng)殖業(yè)的觀(guān)念不僅僅停留在傳統(tǒng)的生產(chǎn)畜產(chǎn)品，動(dòng)物福利、人畜共患病等字眼頻頻登上新聞熱搜。隨著工業(yè)4.0的逐步完善及機(jī)器視覺(jué)技術(shù)的漸漸趨向成熟，利用先進(jìn)的工業(yè)技術(shù)改變養(yǎng)殖業(yè)的現(xiàn)狀成為了行業(yè)內(nèi)新的發(fā)展方向。目前，機(jī)器視覺(jué)在畜牧業(yè)上的應(yīng)用主要包括個(gè)體跟蹤、性能測(cè)定和行為判定3個(gè)方面。
 

　　2.1 個(gè)體跟蹤

　　在大型畜牧場(chǎng)中，人們想對(duì)動(dòng)物個(gè)體進(jìn)行全程監(jiān)測(cè)幾乎是不可能的。隨著機(jī)器視覺(jué)技術(shù)的成熟及精準(zhǔn)畜牧業(yè)理念的發(fā)展，人們發(fā)現(xiàn)利用數(shù)字圖像識(shí)別工具可以有效地幫助人們完成監(jiān)測(cè)家畜生活生長(zhǎng)狀態(tài)的工作，并幫助完善動(dòng)物產(chǎn)品的福利標(biāo)準(zhǔn)，如家畜臉部和姿態(tài)的識(shí)別及計(jì)算機(jī)對(duì)人和動(dòng)物的分類(lèi)等。機(jī)器視覺(jué)技術(shù)在家畜的個(gè)體識(shí)別方面也經(jīng)歷了由傳統(tǒng)的人工標(biāo)記顏色識(shí)別到家畜臉部智慧識(shí)別的轉(zhuǎn)變。

　　2.1.1 面部識(shí)別

　　隨著人臉識(shí)別技術(shù)的發(fā)展壯大，不少科研工作者也將這項(xiàng)技術(shù)應(yīng)用到家畜的面部識(shí)別中。WADA N等提出利用特征空間法來(lái)識(shí)別豬臉，并通過(guò)手動(dòng)分割家畜的眼睛周?chē)氨亲又車(chē)膱D像來(lái)實(shí)現(xiàn)對(duì)個(gè)體豬的識(shí)別。通過(guò)對(duì)16個(gè)樣本進(jìn)行測(cè)量，取得了高達(dá)97.9%的識(shí)別率。HANSEN M F等運(yùn)用Fisherfaces、VGG-Face預(yù)先訓(xùn)練的面部卷積神經(jīng)網(wǎng)絡(luò)（CNN）模型及使用人工增強(qiáng)數(shù)據(jù)集訓(xùn)練的CNN模型來(lái)提取豬的臉部圖像特征，對(duì)10只豬進(jìn)行面部識(shí)別，準(zhǔn)確率高達(dá)96.7% 。NOOR A等提出了一個(gè)識(shí)別羊臉的數(shù)據(jù)集和框架，使用CNN架構(gòu)用于訓(xùn)練數(shù)據(jù)集，可以識(shí)別出有疼痛和無(wú)疼痛的羊并進(jìn)行分類(lèi)。

　　2.1.2 個(gè)體計(jì)數(shù)

　　HUANG W等在豬舍的上方安裝攝像頭，并基于Gabor和LBP的舍飼豬識(shí)別方法分割豬背毛的紋理來(lái)識(shí)別模型中未標(biāo)記的豬，平均識(shí)別率可達(dá)到91.86%。尚絳嵐通過(guò)檢測(cè)跟蹤算法建立羊頭目標(biāo)跟蹤模型，采用雙線(xiàn)計(jì)數(shù)法選擇跟蹤效果較好的區(qū)域。對(duì)進(jìn)入計(jì)數(shù)區(qū)域的綿羊進(jìn)行計(jì)數(shù)，離開(kāi)指定區(qū)域即結(jié)束計(jì)數(shù)。目前，個(gè)體計(jì)數(shù)大多在規(guī)?；B(yǎng)殖場(chǎng)內(nèi)的應(yīng)用較多，放牧條件下應(yīng)用相對(duì)較少。王念富基于改進(jìn)的分水嶺算法對(duì)草原放牧的粘連羊進(jìn)行圖像分割，優(yōu)化了羊只計(jì)數(shù)算法參數(shù)，羊只計(jì)數(shù)準(zhǔn)確率達(dá)96.45%。

　　2.1.3 軌跡追蹤

　　KASHIHA M等記錄了一個(gè)擁有40只仔豬的視頻。首先在每一只豬的背上都以獨(dú)特的方式噴涂了藍(lán)色油漆，且在每只豬的脖子上都噴有一個(gè)三角形。然后進(jìn)行視覺(jué)分段，在每只豬的輪廓中再配上一個(gè)橢圓形標(biāo)記。通過(guò)對(duì)油漆標(biāo)記的位置和形狀進(jìn)行二值化和提取，采用橢圓擬合算法對(duì)豬進(jìn)行定位追蹤。該系統(tǒng)能夠以88%的準(zhǔn)確率識(shí)別到個(gè)體豬。而AHRENDTP等提出了一種實(shí)時(shí)計(jì)算機(jī)視覺(jué)系統(tǒng)，它可以在固定時(shí)間內(nèi)跟蹤到至少3頭豬的蹤跡和身份，并將蹤跡位置用5個(gè)通道（RGB顏色、x、y坐標(biāo)）逐幀更新，以便識(shí)別出每只豬背上的每一個(gè)相似像素點(diǎn)。驗(yàn)證得出，該系統(tǒng)可以在一個(gè)較長(zhǎng)的時(shí)間跨度（超過(guò)8min）內(nèi)，至少跟蹤3頭豬的運(yùn)動(dòng)軌跡。借助連續(xù)更新的顏色模型，可以減少攝像機(jī)環(huán)境問(wèn)題帶來(lái)的識(shí)別誤差。

　　2.1.4 產(chǎn)羔方面

　　產(chǎn)羔數(shù)是評(píng)判家畜的一項(xiàng)重要的生產(chǎn)指標(biāo)，曾曉嘉改進(jìn)了Faster R-CNN目標(biāo)檢測(cè)算法，提出了仔豬出生區(qū)域劃分算法，可以根據(jù)母豬的位置準(zhǔn)確地描繪出仔豬出生區(qū)域。然后提出了當(dāng)前的仔豬數(shù)量確定算法和目標(biāo)幀匹配算法，可以計(jì)算并跟蹤出仔豬的數(shù)量。

　　2.1.5 毛色方面

　　KIM H T等設(shè)計(jì)并驗(yàn)證了一個(gè)計(jì)算機(jī)視覺(jué)系統(tǒng)并開(kāi)發(fā)了一套奶牛識(shí)別系統(tǒng)，在自然光照的條件下，可以分辨出黑-白花紋的荷斯坦奶牛和日本和牛。

　　2.2 性能測(cè)定

　　在傳統(tǒng)的稱(chēng)量系統(tǒng)中，必須人工引導(dǎo)動(dòng)物在稱(chēng)量平臺(tái)上或通過(guò)稱(chēng)量通道，這導(dǎo)致個(gè)體的日常稱(chēng)量在大規(guī)模繁殖過(guò)程中為一項(xiàng)極為艱巨的任務(wù)。而畜禽的體尺測(cè)量是評(píng)估個(gè)體生長(zhǎng)發(fā)育、生產(chǎn)性能和遺傳特征的重要指標(biāo)，需要特殊的測(cè)量?jī)x器且在測(cè)量過(guò)程中存在大量的人為誤差。而依靠機(jī)器視覺(jué)的體尺測(cè)量系統(tǒng)可以很好地規(guī)避這個(gè)問(wèn)題。限制性空間的體尺測(cè)量及相對(duì)開(kāi)放式空間的體尺測(cè)量是計(jì)算機(jī)視覺(jué)技術(shù)作為體尺測(cè)量的兩大主要研究方向。例如，羊只體尺體重測(cè)量裝置如圖3所示。

圖3 羊只體尺體重測(cè)量裝置
 

　　當(dāng)前，主要有兩種方法可測(cè)量牲畜體重，一種是使用體重秤的直接方法，另一種是基于身體部位測(cè)量值與體重之間關(guān)系的間接方法。間接測(cè)量法是運(yùn)用動(dòng)物的胸圍、體高、臀寬和體長(zhǎng)等體型參數(shù)建立回歸模型估算其質(zhì)量，從而大大減少家畜的應(yīng)激反應(yīng)及大量的人工成本。

　　2.2.1 體況評(píng)定

　　DOESCHL-WILSON A B等基于機(jī)器視覺(jué)，測(cè)量了豬的平面面積和不同身體部位的長(zhǎng)度。武堯利用機(jī)器視覺(jué)技術(shù)、圖像采集技術(shù)和圖像分析技術(shù)方法，實(shí)現(xiàn)了母豬體長(zhǎng)、體寬和肌腱周長(zhǎng)等7種體型數(shù)據(jù)的非接觸式采集，并建立了估算模型。KHOJAS-TEHKEY M等基于圖像處理技術(shù)來(lái)評(píng)估新生羔羊的體型，并估計(jì)體型對(duì)群體遺傳表現(xiàn)的影響。

　　牛金玉在此基礎(chǔ)上，提出了基于牛體幾何特征的個(gè)體大小自動(dòng)測(cè)量方法。它可以自動(dòng)測(cè)量身高、身長(zhǎng)、斜身長(zhǎng)、腹寬和肩寬等6個(gè)體型參數(shù)。江杰等引入機(jī)器視覺(jué)相關(guān)原理總結(jié)出一套測(cè)量羊只體尺的方法，其可以有效地從復(fù)雜環(huán)境中提取出羊的體高。曾德斌等提出一種基于機(jī)器視覺(jué)的無(wú)應(yīng)激反應(yīng)羊只體尺測(cè)量的方法，首先將被測(cè)羊只放置于體位限制裝置中（相對(duì)開(kāi)放的空間中），利用裝置中預(yù)先安裝的相機(jī)獲取羊只圖像，圖像經(jīng)過(guò)預(yù)處理、分割、體測(cè)點(diǎn)提取、體尺計(jì)算和體高計(jì)算，利用體尺數(shù)據(jù)對(duì)羊只的體重進(jìn)行估測(cè)。

　　2.2.2 體重預(yù)測(cè)

　　KASHIHA M等基于橢圓擬合算法，全自動(dòng)估計(jì)生豬質(zhì)量，對(duì)平均質(zhì)量從（23±4.4）kg到（45±6.5）kg變化的生豬進(jìn)行連續(xù)跟蹤測(cè)量，試驗(yàn)結(jié)果與人工稱(chēng)量結(jié)果對(duì)比表明，正確率達(dá)到97.5% (誤差0.82kg)。MENESATTI P等對(duì)27只綿羊進(jìn)行體尺評(píng)估。利用對(duì)數(shù)轉(zhuǎn)換生物計(jì)量學(xué)的PLS模型構(gòu)建了一個(gè)雙目立體視覺(jué)系統(tǒng)來(lái)評(píng)估活體羊的質(zhì)量。
 

　　2.3 行為判定

　　隨著畜禽產(chǎn)品銷(xiāo)量的逐年遞增，集約化養(yǎng)殖也成為了畜牧業(yè)發(fā)展的趨勢(shì)。早在1990年，科研工作者們就有了通過(guò)計(jì)算機(jī)算法智慧識(shí)別豬的想法。然而由于豬場(chǎng)環(huán)境問(wèn)題，無(wú)法實(shí)現(xiàn)應(yīng)用。隨著集約化畜牧場(chǎng)的普及和技術(shù)的突破，曾經(jīng)的難題也迎刃而解，通過(guò)對(duì)家畜行為的分類(lèi)，以便盡早發(fā)現(xiàn)家畜的健康和福利問(wèn)題，及時(shí)干預(yù)、減輕損失并提高畜禽福祉。

　　2.3.1 采食行為

　　CANGAR O等為了實(shí)現(xiàn)奶牛的產(chǎn)前監(jiān)測(cè)，分析了8頭奶牛在分娩前的姿勢(shì)和位置變化的視頻監(jiān)控圖像，并在頂視圖中提取了奶牛的輪廓，然后設(shè)計(jì)一種分類(lèi)算法，以識(shí)別和分類(lèi)奶牛的行為（如站立、躺臥、飲水、飲食和行為是否正常），平均識(shí)別率為85%。NAKARMI D A等開(kāi)發(fā)了基于3D圖像的系統(tǒng)，以識(shí)別和跟蹤試驗(yàn)環(huán)境中成群居住的母雞，目的是監(jiān)視動(dòng)物行為，如移動(dòng)、棲息、覓食及建筑活動(dòng)（如筑巢和喝水）。KASHIHA M等借助電荷耦合器件（CCD）相機(jī)，使用圖像處理算法，可以自動(dòng)監(jiān)控豬喝水的次數(shù)，借助豬水龍頭的動(dòng)態(tài)訪(fǎng)問(wèn)模型，可以估算出0.5h內(nèi)的耗水量，準(zhǔn)確度為92% 。

　　2.3.2 攻擊行為

　　KIM J等、LEE J等分別使用Kinect傳感器和3D攝像機(jī)，對(duì)站立豬進(jìn)行檢測(cè)，然后采用背景減法對(duì)站立豬進(jìn)行分割，并將此指標(biāo)驗(yàn)證為咬尾行為的潛在預(yù)警征兆，將具有攻擊性活動(dòng)的豬分類(lèi)到特定類(lèi)型中。

　　2.3.3 繁殖行為

　　在育種管理中，牛發(fā)情檢測(cè)是非常重要的，有助于確定人工授精的最佳時(shí)間、提高種群受孕率和產(chǎn)奶量。TSAI D M等開(kāi)發(fā)了一種利用圖像分析進(jìn)行發(fā)情檢測(cè)的系統(tǒng)，可以自動(dòng)處理視頻中的跟隨行為和交配行為。莊晏榕等在公豬試情時(shí)首先采集發(fā)情大白母豬與未發(fā)情大白母豬的耳部圖像用于訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型。通過(guò)識(shí)別母豬雙耳豎立時(shí)間，如果超過(guò)76s時(shí)，則可判定其為發(fā)情。

　　2.3.4 個(gè)體行為

　　NASIRAHMADI A等開(kāi)發(fā)了一種機(jī)器視覺(jué)方法來(lái)記錄豬的躺臥行為。利用Delaunay三角剖分算法和圖像處理算法，能夠以高準(zhǔn)確率自動(dòng)找到分組豬的臥姿行為和豬之間距離的變化。然后根據(jù)豬的距離大小，將躺臥豬定義為近聚、正常聚類(lèi)或遠(yuǎn)聚類(lèi)。ZHENG C等在深度學(xué)習(xí)框架上引入了Faster R-CNN算法，可以識(shí)別站立、坐姿、胸骨臥位、腹側(cè)臥位和側(cè)臥位5種行為，得出母豬的躺臥時(shí)間比站立和坐著花費(fèi)的時(shí)間更長(zhǎng)。LEROY T等開(kāi)發(fā)了一種全自動(dòng)的在線(xiàn)圖像處理技術(shù)，可以識(shí)別站立、坐著、梳毛、抓撓和啄食5種行為的表型，并能以96%和90%的準(zhǔn)確率識(shí)別出睡眠和站立兩種表型。D'EATH R B等使用機(jī)器視覺(jué)系統(tǒng)對(duì)豬尾巴姿態(tài)進(jìn)行檢測(cè)，識(shí)別準(zhǔn)確率為73.9。肖德琴等提出了一種基于支持向量機(jī)的方法，能夠以80.1%的準(zhǔn)確率對(duì)走、睡、靜3種行為進(jìn)行分類(lèi)，通過(guò)對(duì)1075h視頻分析得出，豬在雨天和陰天運(yùn)動(dòng)量較少，且豬的活躍度對(duì)飼養(yǎng)密度敏感。

　　2.3.5 步態(tài)檢測(cè)

　　跛行是影響個(gè)體正常行為的一種常見(jiàn)疾病。我國(guó)養(yǎng)殖場(chǎng)對(duì)跛行的早期發(fā)現(xiàn)診斷還不夠及時(shí)，往往是等到個(gè)體跛行十分嚴(yán)重時(shí)才定義為跛行，由于缺乏及時(shí)的治療，跛行通常對(duì)個(gè)體的育種價(jià)值、生長(zhǎng)發(fā)育和動(dòng)物福利有負(fù)面影響。

　　FLOWER F C等首次使用計(jì)算機(jī)視覺(jué)技術(shù)來(lái)測(cè)量奶牛行走的時(shí)空步態(tài)特征，證明了計(jì)算機(jī)視覺(jué)在步態(tài)檢測(cè)中的可行性。ZHU W等利用視頻分析豬的前肢關(guān)節(jié)角度和身體點(diǎn)進(jìn)行建模，并對(duì)家畜步伐進(jìn)行分析和特征提取，用于對(duì)異常步態(tài)進(jìn)行分類(lèi)，識(shí)別正確率在90%左右。AYDIN A等使用3D視覺(jué)相機(jī)和能夠測(cè)量深度的傳感器記錄了肉雞的圖像，目的是調(diào)查在實(shí)驗(yàn)室條件下肉雞的活動(dòng)水平與其步態(tài)評(píng)分的關(guān)系，步態(tài)按0～5評(píng)分，0表示沒(méi)有跛行跡象，5表示最嚴(yán)重跛行。結(jié)果發(fā)現(xiàn)，步態(tài)分?jǐn)?shù)為3的肉雞比其他步態(tài)分?jǐn)?shù)的雞類(lèi)表現(xiàn)出明顯更多的活動(dòng)，可能是因?yàn)樗鼈冃枰嗟娘暳稀OURSABERIA等采用分層的背景/前景夸張法分割每一幀中的牛，自動(dòng)提取每頭牛在站立和行走過(guò)程中的背部姿態(tài)，并根據(jù)背部曲率生成跛行評(píng)分。VAN HERTEM T等使用3D高架攝像頭系統(tǒng)，當(dāng)同一頭母牛對(duì)坡度是否進(jìn)行二進(jìn)制分類(lèi)時(shí)，正確的分類(lèi)率達(dá)到81.2%。后來(lái)，利用牛體后部的3D頂視圖圖像，開(kāi)發(fā)了一種方法來(lái)同時(shí)估算身體狀況和體重，并使用背側(cè)曲率評(píng)估跛行的發(fā)生率。
 

　　3 結(jié)束語(yǔ)

　　隨著資本的注入，傳統(tǒng)養(yǎng)殖業(yè)面臨巨大的市場(chǎng)競(jìng)爭(zhēng)和時(shí)代挑戰(zhàn)。“智能+”的出現(xiàn)，標(biāo)志著中國(guó)將加快推動(dòng)人工智能為傳統(tǒng)產(chǎn)業(yè)賦能升級(jí)的步伐。傳統(tǒng)養(yǎng)殖場(chǎng)需要通過(guò)智能化轉(zhuǎn)型，提升抗風(fēng)險(xiǎn)能力，改變企業(yè)的經(jīng)營(yíng)模式，降低成本，才能適應(yīng)未來(lái)物聯(lián)網(wǎng)時(shí)代的發(fā)展。傳統(tǒng)養(yǎng)殖業(yè)與人工智能結(jié)合已是未來(lái)發(fā)展趨勢(shì)，要合理利用科學(xué)技術(shù)手段對(duì)畜禽養(yǎng)殖環(huán)境進(jìn)行有效管理，實(shí)現(xiàn)畜禽養(yǎng)殖業(yè)高效、便捷和可持續(xù)的發(fā)展。目前，雖然有很多學(xué)者在人工智能和畜牧業(yè)方面有杰出的貢獻(xiàn)，但是機(jī)器視覺(jué)在畜牧業(yè)中的應(yīng)用仍有一些問(wèn)題需要進(jìn)一步的研究和探討，主要包括以下3個(gè)方面。

　?。?）機(jī)器視覺(jué)識(shí)別應(yīng)用的范圍越來(lái)越廣泛，更多的指標(biāo)需要利用人工智能的方式被檢測(cè)。目前，計(jì)算機(jī)視覺(jué)可識(shí)別的指標(biāo)主要集中在物種識(shí)別、家畜計(jì)數(shù)、體尺測(cè)量和體重預(yù)測(cè)等方面。對(duì)畜牧生產(chǎn)中飲水、排泄和產(chǎn)仔數(shù)等其他指標(biāo)的報(bào)道相對(duì)較少，后續(xù)研究需要開(kāi)發(fā)更精確的視覺(jué)算法來(lái)自動(dòng)提取更多畜牧生產(chǎn)相關(guān)的信息。

　　（2）利用人工智能改變育種的方式。畜禽品種的遺傳性狀是否穩(wěn)定遺傳是決定一個(gè)畜牧場(chǎng)產(chǎn)量的關(guān)鍵性因素，而傳統(tǒng)選育需要人工測(cè)量眾多指標(biāo)，大量消耗著養(yǎng)殖場(chǎng)的人力、物力和財(cái)力，且容易引起動(dòng)物的應(yīng)激反應(yīng)，影響動(dòng)物的生產(chǎn)性能，造成畜產(chǎn)品產(chǎn)量的下跌，而進(jìn)行數(shù)字化選種可以很好地解決這個(gè)問(wèn)題。

　?。?）開(kāi)發(fā)更多的動(dòng)物模型。根據(jù)家禽不同生長(zhǎng)階段的飲食量、行為規(guī)律，設(shè)計(jì)動(dòng)物疾病預(yù)警系統(tǒng)，實(shí)時(shí)監(jiān)測(cè)動(dòng)物個(gè)體飲食量、行為信息，當(dāng)采集到的數(shù)據(jù)與模型偏離程度超過(guò)系統(tǒng)設(shè)定閾值時(shí)，開(kāi)始向養(yǎng)殖人員發(fā)出疾病預(yù)警，這大大減少了養(yǎng)殖人員工作量，也降低了畜禽疾病帶來(lái)的經(jīng)濟(jì)損失。

　　近些年來(lái)，國(guó)內(nèi)外涌現(xiàn)出一批畜牧信息智能化監(jiān)測(cè)方法和技術(shù)，如畜產(chǎn)品質(zhì)量檢驗(yàn)、動(dòng)物行為特征識(shí)別。在精準(zhǔn)采集畜牧信息的同時(shí)，注重挖掘信息所蘊(yùn)藏的動(dòng)物健康水平、動(dòng)物對(duì)養(yǎng)殖環(huán)境的適應(yīng)度等深層含義，為動(dòng)物疾病預(yù)警、養(yǎng)殖環(huán)境反饋調(diào)節(jié)提供低成本、高精度的解決方案。通過(guò)引入視頻圖像識(shí)別技術(shù)對(duì)群體進(jìn)行管理，并對(duì)家畜的體溫、行為和進(jìn)食等情況進(jìn)行監(jiān)察，可幫助飼養(yǎng)員清楚地了解到家畜群體的狀態(tài)，在萬(wàn)物互聯(lián)時(shí)代的當(dāng)下，利用視頻信息技術(shù)、生物工程技術(shù)和自動(dòng)控制技術(shù)等現(xiàn)代先進(jìn)的技術(shù)來(lái)改善目前傳統(tǒng)落后的養(yǎng)殖模式和監(jiān)控方式迫在眉睫。