畜禽養(yǎng)殖疾病診斷智能傳感技術(shù)研究進(jìn)展

李奇峰，李嘉位，馬為紅，高榮華，余禮根，丁露雨，于沁楊

畜禽養(yǎng)殖疾病診斷智能傳感技術(shù)研究進(jìn)展

李奇峰，李嘉位，馬為紅，高榮華，余禮根，丁露雨，于沁楊

北京農(nóng)業(yè)信息技術(shù)研究中心，北京 100097

畜牧業(yè)是我國農(nóng)業(yè)的重要組成部分，目前我國畜牧業(yè)向著規(guī)?；?、集約化發(fā)展，同時(shí)也增加了畜禽疾病診斷的難度。為提高畜禽養(yǎng)殖中的動(dòng)物福利水平，并降低畜牧養(yǎng)殖中因動(dòng)物疫病與健康異常帶來的經(jīng)濟(jì)損失與公共衛(wèi)生安全風(fēng)險(xiǎn)，近年出現(xiàn)了一批通過數(shù)字化、智能化手段實(shí)現(xiàn)畜禽疫病診療的自動(dòng)化方法，如機(jī)器視覺分析、動(dòng)物音頻分析、紅外溫度感知、深度學(xué)習(xí)分類等，這些方法可以有效提高對(duì)患病或異常畜禽動(dòng)物的診斷效率、縮短診斷周期、降低畜牧養(yǎng)殖中人工巡檢勞動(dòng)力。畜禽疫病自動(dòng)診療方法不同于常規(guī)的基于病理學(xué)知識(shí)的診斷方法，其主要通過各類傳感器自動(dòng)獲取畜禽在養(yǎng)殖過程中的圖像、聲音、體溫、心率、排泄物等各類特征信息，而后通過梅爾倒譜系數(shù)、Logistics回歸分析等數(shù)學(xué)模型和支持向量機(jī)、深度學(xué)習(xí)等智能算法對(duì)采集的信息進(jìn)行綜合分析與處理，并對(duì)動(dòng)物的健康狀態(tài)做出評(píng)價(jià)與預(yù)測(cè)。文章分別從畜禽形態(tài)診斷技術(shù)、行為診斷技術(shù)、聲音診斷技術(shù)、體溫診斷技術(shù)、其他生理參數(shù)診斷技術(shù)等幾個(gè)方面總結(jié)闡述了目前動(dòng)物疫病智能診斷技術(shù)研究的進(jìn)展和一些基礎(chǔ)的方法原理，這些方法基于動(dòng)物外型與體尺、行為與動(dòng)作、鳴叫與聲音、體溫、排泄物、呼吸與心率等數(shù)字化特征，通過數(shù)學(xué)模型對(duì)傳感器采集到的特征進(jìn)行實(shí)時(shí)分析與分歸類，基本實(shí)現(xiàn)了對(duì)理想環(huán)境下動(dòng)物健康狀態(tài)的評(píng)價(jià)。目前的畜禽動(dòng)物疾病自動(dòng)診療技術(shù)研究成果豐富，但相關(guān)診斷方法大多是在理想環(huán)境下進(jìn)行，而實(shí)際的生產(chǎn)養(yǎng)殖環(huán)境中干擾因素很大，目前的診斷方法大多無法很好地排除干擾并精確提取出所需特征信息；并且目前的數(shù)字化禽畜疾病診斷方法多是基于禽畜的一種特征信息進(jìn)行分析診斷，這使得診斷系統(tǒng)的診斷準(zhǔn)確度受到影響，診斷結(jié)果說服力不足。同時(shí)目前的大多數(shù)數(shù)字化禽畜疾病診斷方法還存在診斷泛化能力差、抗干擾能力差等問題，這些問題制約了其推廣與應(yīng)用。未來畜禽疾病自動(dòng)診斷的研究重點(diǎn)是提高其傳感算法的精度和數(shù)學(xué)模型的適用性與魯棒性，并進(jìn)一步發(fā)展基于多種特征耦合與數(shù)據(jù)融合的智能化畜禽疾病診療專家系統(tǒng)，爭(zhēng)取實(shí)現(xiàn)實(shí)時(shí)、高效、智能、精準(zhǔn)的畜禽健康診斷。

畜禽疫病智能化診斷；行為診斷；生理診斷；畜禽傳感監(jiān)測(cè)

畜牧業(yè)是農(nóng)業(yè)的重要組成部分，我國的畜禽養(yǎng)殖業(yè)總產(chǎn)值占到在農(nóng)林牧漁業(yè)的30%以上，涉及2億多人的就業(yè)[1]。為適應(yīng)市場(chǎng)需求與畜牧業(yè)轉(zhuǎn)型升級(jí)，畜牧業(yè)逐漸朝向集約化、規(guī)模化與智能化發(fā)展，畜牧養(yǎng)殖生產(chǎn)密度急劇擴(kuò)大[2-3]。在這種條件下，動(dòng)物疫病爆發(fā)風(fēng)險(xiǎn)增大、人畜共患病危險(xiǎn)升級(jí)，繼而會(huì)對(duì)動(dòng)物福利、生產(chǎn)效益、產(chǎn)品出口、公共衛(wèi)生安全構(gòu)成嚴(yán)重威脅。提升動(dòng)物疫病防治信息化與智能化水平是應(yīng)對(duì)威脅的重要手段[4-5]。

目前在動(dòng)物養(yǎng)殖疫病防控工作中，獸醫(yī)在畜禽養(yǎng)殖舍內(nèi)每日巡檢為主要手段，然而巡檢工作量巨大，工作環(huán)境惡劣，專業(yè)巡檢員供不應(yīng)求，存在交叉感染風(fēng)險(xiǎn)，常導(dǎo)致疾病動(dòng)物診斷滯后，錯(cuò)過治療窗口時(shí)間，帶來群體感染等情況。為了避免養(yǎng)殖過程疾病造成損失，畜禽養(yǎng)殖場(chǎng)通常采取抗生素程序化用藥等方法進(jìn)行應(yīng)對(duì)，由此導(dǎo)致抗生素的大劑量添加，會(huì)對(duì)環(huán)境、畜禽造成危害[6]。隨著信息技術(shù)的進(jìn)步，畜禽疾病檢測(cè)技術(shù)不斷發(fā)展，出現(xiàn)了一批針對(duì)畜禽進(jìn)行自動(dòng)疾病診療的智能方法。如OKINDA等[7]開發(fā)了一套機(jī)器視覺系統(tǒng)，可自動(dòng)提取肉雞的形態(tài)學(xué)特征與行走特征，基于特征信息構(gòu)建了肉雞健康狀況預(yù)測(cè)算法。通過對(duì)肉雞NDV攻毒后連續(xù)13 d的試驗(yàn)，證實(shí)該算法可以從第3天起對(duì)患病肉雞進(jìn)行診斷，該方法實(shí)現(xiàn)患病肉雞的健康監(jiān)測(cè)與早期預(yù)警。HUANG等[8]提出了一種從雞舍內(nèi)嘈雜聲音中自動(dòng)提取雞叫聲音的方法，將梅爾倒譜系數(shù)作為特征，用支持向量機(jī)進(jìn)行分類，可以實(shí)時(shí)檢測(cè)到發(fā)生禽流感的病雞，準(zhǔn)確率在84%—90%之間。NASIRAHMADI等[9]提出了一種通過圖像獲取豬只姿態(tài)特征的方法，并實(shí)現(xiàn)對(duì)豬的胸骨臥姿進(jìn)行評(píng)分，該評(píng)分可作為豬只健康狀態(tài)的重要指標(biāo)，為豬只疾病的早期識(shí)別提供技術(shù)支撐。鄭國生等[10]通過對(duì)奶牛休息時(shí)間、反芻時(shí)間、采食時(shí)間進(jìn)行監(jiān)測(cè)，通過Logistics回歸分析實(shí)現(xiàn)了奶牛健康狀態(tài)評(píng)價(jià)，奶牛異常狀態(tài)識(shí)別準(zhǔn)確率達(dá)到了91%。

畜禽疫病智能診療通過信息化和人工智能技術(shù)手段采集動(dòng)物的各類特征信息，通過構(gòu)建智能分級(jí)評(píng)分模型或?qū)＜蚁到y(tǒng)對(duì)動(dòng)物疫病做出自動(dòng)診斷。本文重點(diǎn)介紹通過體表形態(tài)特征、行為特征、聲音特征、體溫與排泄物等生理特征對(duì)疾病進(jìn)行智能自動(dòng)診療的信息化技術(shù)研究進(jìn)展。

本文主要從畜禽形態(tài)與行為診斷、畜禽聲音診斷、畜禽體溫診斷和其他診斷等以下幾個(gè)方面展開介紹，相關(guān)診斷技術(shù)內(nèi)容及邏輯如圖1所示。

圖1 畜禽養(yǎng)殖智能傳感診斷技術(shù)框圖

1 畜禽形態(tài)與行為診斷技術(shù)

形態(tài)與行為特征是畜禽動(dòng)物發(fā)生疾病最直觀的外在表現(xiàn)，是動(dòng)物健康狀態(tài)評(píng)價(jià)的重要指標(biāo)[11]，也是獸醫(yī)對(duì)畜禽動(dòng)物進(jìn)行疾病診斷的重要依據(jù)。在無接觸測(cè)量中，常用機(jī)器視覺與紅外激光技術(shù)獲取動(dòng)物的圖像或點(diǎn)云信息，進(jìn)而對(duì)動(dòng)物的體表形態(tài)異常進(jìn)行識(shí)別與判斷，一般流程如圖2所示。

圖2中，模式知識(shí)庫是識(shí)別的核心，可以通過動(dòng)物形態(tài)與行為特征對(duì)畜牧動(dòng)物的健康狀態(tài)進(jìn)行定義與分類[12]。圖像（流）采集一般基于俯視或主視角度的2D圖像傳感器，有些研究結(jié)合深度相機(jī)、激光傳感器、熱像儀等設(shè)備同步采集動(dòng)物圖像中更多維度的信息，獲取了更豐富的數(shù)據(jù)對(duì)動(dòng)物健康狀態(tài)進(jìn)行評(píng)價(jià)。

1.1 畜禽外表形態(tài)診斷技術(shù)

患病動(dòng)物個(gè)體常表現(xiàn)為身體結(jié)構(gòu)變化、輪廓變化、關(guān)鍵部位形態(tài)（如雞冠部、牛腿部等）變化。目前的研究多針對(duì)上述特征開展，通過建立模式知識(shí)庫對(duì)動(dòng)物健康狀態(tài)進(jìn)行分類、分級(jí)評(píng)價(jià)，繼而實(shí)現(xiàn)動(dòng)物疫病異常診斷。

1.1.1 基于可見光和深度圖像的畜禽形態(tài)識(shí)別 ZHUANG[13]等提出了一種基于姿勢(shì)的家禽疾病檢測(cè)算法。他采集了正對(duì)肉雞的圖像，使用K均值聚類和橢圓模型對(duì)圖像進(jìn)行分割，并自動(dòng)提取肉雞的骨骼姿態(tài)夾角、肉雞輪廓凹凸度、輪廓伸長(zhǎng)度、輪廓圓度、輪廓外接矩形伸長(zhǎng)度、面積線性率、骨架拼接角等7個(gè)特征，然后使用POLY核函數(shù)的SVM模型對(duì)健康肉雞和患病肉雞做出自動(dòng)分類，準(zhǔn)確率為99.469%，該算法可以提供早期預(yù)警。ZHUANG[14]的另一項(xiàng)研究中，以健康和生病肉雞的羽毛質(zhì)地（自然或蓬松）和常規(guī)姿勢(shì)（站立或躺下）的不同為依據(jù)，設(shè)計(jì)了一種IFSSD深度神經(jīng)網(wǎng)絡(luò)模型對(duì)其進(jìn)行分類，該方法實(shí)時(shí)識(shí)別雞群中出現(xiàn)的病雞，準(zhǔn)確率達(dá)到90%以上。畢敏娜等[15]提出了一種基于雞頭特征信息的病雞識(shí)別方法。她從圖像中定位到雞冠雞垂區(qū)域，利用雞冠和雞垂輪廓的幾何關(guān)系來定位雞頭。在雞頭中，分別提取雞眼瞳孔輪廓與雞冠的H通道顏色特征構(gòu)成共生矩陣，通過ARA特征選擇算法獲得病雞特征向量，最后采用支持向量機(jī)進(jìn)行病雞訓(xùn)練分類，結(jié)果表明病雞識(shí)別正確率為92.5%。李亞碩等[16]通過雞冠顏色特征，構(gòu)建了一套機(jī)器視覺系統(tǒng)對(duì)病雞進(jìn)行識(shí)別，在識(shí)別后可以定位到病雞的具體位置，病雞的正確識(shí)別率為96%，誤識(shí)別率為2%。AZZARO等[17]從奶牛上方3米處采集俯視圖像，并以奶牛的前肋骨，尾巴以及左右鉤為基本點(diǎn)進(jìn)行形狀參考與坐標(biāo)定位，自動(dòng)提取了23個(gè)關(guān)鍵解剖學(xué)節(jié)點(diǎn)，通過節(jié)點(diǎn)位置數(shù)據(jù)進(jìn)行建模與計(jì)算，最終得出奶牛的五分制身體狀況評(píng)分（BCS），身體狀態(tài)評(píng)分可以作為奶牛健康狀態(tài)評(píng)價(jià)與疾病診斷的重要指標(biāo)。SPOLIANSKY等[18]利用3D Kinect相機(jī)開發(fā)了另一種奶牛的五分制體況評(píng)分（BCS）系統(tǒng)，他沒有通過定位關(guān)鍵點(diǎn)，而是直接采集奶牛11個(gè)高度特征信息、1個(gè)水平距離特征，結(jié)合牛體重和年齡，賦予每個(gè)信息相應(yīng)權(quán)重，實(shí)現(xiàn)BCS自動(dòng)計(jì)算，BCS誤差0.5分以內(nèi)的準(zhǔn)確率為100%，1.0分以內(nèi)準(zhǔn)確率為91%。進(jìn)而依據(jù)該評(píng)分可以實(shí)現(xiàn)奶牛脂肪肝、酮病、乳腺炎、跛行和不育等不良狀態(tài)的預(yù)警。BL?MKE等[19]通過機(jī)器視覺技術(shù)的一種自動(dòng)化系統(tǒng)，在屠宰場(chǎng)中通過2D相機(jī)拍攝豬體，并通過模型算法識(shí)別生豬耳部和尾部病變，耳部病變識(shí)別率為77.0%、特異性為96.5%；準(zhǔn)確度為95.4%；尾部病變識(shí)別率為77.8%；特異性為99.7%；準(zhǔn)確性為99.5%。這種方法為養(yǎng)殖過程中的豬只健康監(jiān)測(cè)提供了新的思路。滕光輝等[20]基于Kinect傳感器實(shí)用三維重構(gòu)技術(shù)獲取了母豬的臀部高寬比、臀股面積及曲率半徑，最終以曲率半徑為依據(jù)建立了母豬體況估測(cè)模型，準(zhǔn)確率達(dá)到91.7%，體況體重評(píng)價(jià)結(jié)果可以反映母豬的健康與發(fā)育狀態(tài)。

圖2 基于動(dòng)物形態(tài)與行為的疾病診斷基本流程

基于動(dòng)物形態(tài)特征對(duì)疾病進(jìn)行自動(dòng)診斷的研究中通常以動(dòng)物關(guān)鍵形態(tài)參數(shù)、骨骼角度參數(shù)、輪廓幾何特征，能直觀地檢測(cè)到畜禽身體形態(tài)異常狀態(tài)，對(duì)動(dòng)物疾病做出診斷。但此類方法對(duì)圖像采集位置的要求較高，容易受到拍攝角度、干擾物以及動(dòng)物不同姿態(tài)的影響，導(dǎo)致目標(biāo)區(qū)域分割困難、動(dòng)物跟蹤和監(jiān)測(cè)障礙，算法復(fù)用性、抗干擾性不強(qiáng)，產(chǎn)生對(duì)感興趣區(qū)域的定位和分類誤差。近年來出現(xiàn)的深度卷積網(wǎng)絡(luò)模型可以較好地克服環(huán)境、姿態(tài)和角度的影響，目前的相關(guān)研究中發(fā)現(xiàn)，深度卷積網(wǎng)絡(luò)對(duì)目標(biāo)識(shí)別、分割、分類等問題取得了較好的效果，如高云等[21]在深度卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上建立了Pig Net網(wǎng)絡(luò)，用于對(duì)群豬圖像尤其是對(duì)粘連豬體進(jìn)行實(shí)例分割, 實(shí)現(xiàn)獨(dú)立豬體的分辨和定位，進(jìn)而為動(dòng)物疾病的分類與診斷提供技術(shù)基礎(chǔ)，Pig Net網(wǎng)絡(luò)模型分割準(zhǔn)確率超過86%，單幅圖像處理速度約2秒，可以滿足應(yīng)用需要。薛月菊等[22]將FasterR-CNN用于哺乳期母豬高危動(dòng)作監(jiān)測(cè)的豬體定位過程中，同樣較好地克服了光線變化、豬體形態(tài)不同、仔豬粘連的問題。鄧寒冰等[23]將深度神經(jīng)網(wǎng)絡(luò)應(yīng)用于肉牛形體部位識(shí)別，也取得了94%的準(zhǔn)確率。但此類方法對(duì)動(dòng)物形態(tài)的圖像數(shù)據(jù)量以及標(biāo)簽精度有較高要求，這是制約深度卷積網(wǎng)絡(luò)在畜禽動(dòng)物疾病診斷中應(yīng)用的主要瓶頸，該問題可以通過遷移學(xué)習(xí)等方法應(yīng)對(duì)，也可以通過加強(qiáng)數(shù)據(jù)復(fù)用性來解決，這是未來研究需要突破的方向之一。

1.1.2 基于紅外熱成像的畜禽異常識(shí)別 紅外熱成像攝像機(jī)可以識(shí)別具有遠(yuǎn)紅外范圍的熱輻射，并將產(chǎn)生的輸出為熱譜圖，熱譜圖在動(dòng)物身體分割、定位、疾病檢測(cè)方面較普通圖像有較大優(yōu)勢(shì)[24-25]，尤其在動(dòng)物體表寄生蟲識(shí)別、動(dòng)物局部組織病變識(shí)別等方面。CORTIVO等[26]基于寄生蟲與牛體溫度的差異，通過采集牛體表背部、臉部、陰囊部的紅外圖像，自動(dòng)計(jì)算牛體上的蜱蟲、蒼蠅、果蠅數(shù)目，圖像計(jì)算結(jié)果與目視結(jié)果相關(guān)性達(dá)到0.9以上。乳房炎是奶牛最值得關(guān)注的健康問題之一[27-28]，熱紅外技術(shù)對(duì)此類疾病檢測(cè)也有應(yīng)用，SATHIYABARATHI等[29]分別從母牛乳房側(cè)面、眼睛表面采集紅外熱像圖，識(shí)別特定位置的紅外熱像信息，并通過兩個(gè)位置平均特征溫度早期診斷奶牛的臨床乳腺炎，診斷靈敏度和特異性均達(dá)到95%以上。STOKES等[30]采集了奶牛蹄部的紅外圖像，通過識(shí)別冠狀動(dòng)脈溫度的分布情況來實(shí)現(xiàn)針對(duì)奶牛皮膚炎的（DD）篩查，通過閾值設(shè)置與定位，實(shí)驗(yàn)發(fā)現(xiàn)自然狀態(tài)下陽性識(shí)別率為55%—80%，但經(jīng)過清潔之后的識(shí)別準(zhǔn)確率可以達(dá)到91%。MARTINS等[31]嘗試在綿羊乳腺炎診斷中運(yùn)用紅外圖像技術(shù)，利用代謝變化與局部溫度的變化關(guān)系，將乳腺炎狀態(tài)不同的綿羊進(jìn)行三級(jí)分類（健康，亞疾病和疾病），準(zhǔn)確率為73%。AMEZCUA[32]使用紅外熱像儀檢測(cè)母豬下肢的炎癥，檢測(cè)腿部各骨骼的溫度，以識(shí)別母豬不同程度的跛行。ZHANG等[33]基于YOLOv3提出了一種從熱紅外圖中自動(dòng)定位奶牛的眼睛和乳房的方法，平均準(zhǔn)確率為83%，進(jìn)而自動(dòng)測(cè)定奶牛眼睛和乳房的溫度，實(shí)現(xiàn)奶牛乳腺炎的自動(dòng)識(shí)別。

使用紅外圖像對(duì)畜禽動(dòng)物外型、外表的識(shí)別研究中，容易克服背景環(huán)境對(duì)采集對(duì)象的干擾，并識(shí)別到敏感區(qū)域綜合特征，可用于動(dòng)物關(guān)節(jié)炎癥、發(fā)育異常、體表寄生蟲等疾病的識(shí)別，有較好的疾病診斷準(zhǔn)確率。但當(dāng)動(dòng)物發(fā)生重疊，或有視野內(nèi)出現(xiàn)其他高溫物體（如電燈、加溫器）時(shí)，對(duì)識(shí)別結(jié)果有較大干擾，對(duì)于此類問題，可研究可見光與紅外熱成像融合算法，充分利用紅外熱成像的面域溫度值特性和可見光的特征提取的優(yōu)勢(shì)，生成融合圖像分析處理，提高畜禽養(yǎng)殖疾病診斷的檢測(cè)能力。

1.2 畜禽行為特征診斷技術(shù)

因動(dòng)物姿態(tài)、動(dòng)作難以限定，基于靜態(tài)形態(tài)特征的識(shí)別在應(yīng)用中局限性較大，而通過動(dòng)態(tài)行為對(duì)動(dòng)物進(jìn)行疾病自動(dòng)診療的方法可以較好地克服這個(gè)問題。動(dòng)物行為一般包括其采食、飲水、排泄、躺臥、站立等基礎(chǔ)生理行為，以及步態(tài)、反射、交互、咬尾等高級(jí)社交行為[34]，這些行為可以有效地反映動(dòng)物福利水平與精神狀態(tài)[35]，是動(dòng)物疾病診斷的重要依據(jù)。

動(dòng)物行為是判斷動(dòng)物生長(zhǎng)狀態(tài)、精神狀態(tài)、健康水平的重要表征，一般通過在適當(dāng)位置部署圖像傳感器對(duì)動(dòng)物群體或個(gè)體進(jìn)行連續(xù)監(jiān)控，從而獲取其行為特征，進(jìn)而對(duì)動(dòng)物疾病做出預(yù)警或識(shí)別。

1.2.1 基礎(chǔ)生理行為異常識(shí)別 采食、飲水、呼吸、排泄、躺臥、站立等動(dòng)物基礎(chǔ)生理行為是動(dòng)物健康狀態(tài)的最直觀反映，被很多學(xué)者用來作為動(dòng)物疾病與異常的診斷標(biāo)準(zhǔn)[36]。MADSEN等[37]通過對(duì)幼豬的水消耗量進(jìn)行不間斷監(jiān)測(cè)，進(jìn)而提出了一種使用狀態(tài)空間模型對(duì)幼豬健康狀態(tài)進(jìn)行評(píng)價(jià)的方法，試驗(yàn)表明這種方法可以在發(fā)病前1天提前檢測(cè)到幼豬腹瀉等疾病的暴發(fā)。CORNOU等[38]發(fā)明了一種母豬自動(dòng)喂食器，基于自動(dòng)喂食器可以直接獲取母豬的采食量數(shù)據(jù)，通過單變量動(dòng)態(tài)線性模型建模的個(gè)體采食量標(biāo)準(zhǔn)對(duì)母豬的健康異常狀態(tài)與疾病進(jìn)行預(yù)警和監(jiān)控，疾病預(yù)警靈敏度為41%至70%。AYDIN[39]使用Kinect深度相機(jī)從俯視角度采集肉雞的3D圖像，并對(duì)肉雞的躺臥與站立狀態(tài)進(jìn)行識(shí)別，并檢測(cè)躺臥狀態(tài)出現(xiàn)的次數(shù)（NOL），統(tǒng)計(jì)肉雞躺臥狀態(tài)的持續(xù)時(shí)間（LTL），試驗(yàn)證明3D視覺相機(jī)系統(tǒng)與人工標(biāo)記結(jié)果對(duì)比得知分類準(zhǔn)確率達(dá)到93%，最終根據(jù)肉雞躺臥時(shí)間與健康狀態(tài)的負(fù)相關(guān)性，提出了一種間接評(píng)價(jià)肉雞腿部健康狀態(tài)的方法。朱偉興等[40]設(shè)計(jì)了一種病豬行為自動(dòng)監(jiān)測(cè)系統(tǒng)，在群養(yǎng)狀態(tài)下對(duì)豬群的排泄區(qū)域進(jìn)行不間斷監(jiān)控，采用改進(jìn)的運(yùn)動(dòng)目標(biāo)檢測(cè)算法和基于像素塊對(duì)稱特征的圖像識(shí)別算法定位具有異常行為的疑似病豬，病豬檢測(cè)正確率為78.38%。母牛躺臥動(dòng)作可以作為疾病診斷的反映之一，PORTO等[41]設(shè)計(jì)了一種基于計(jì)算機(jī)視覺的自動(dòng)檢測(cè)牛舍中奶牛躺臥行為的系統(tǒng)，該系統(tǒng)檢測(cè)母牛躺臥行為的靈敏度高達(dá)92%。溫長(zhǎng)吉等[42]提出了一種基于共軛梯度追蹤算法的稀疏超完備詞典學(xué)習(xí)算法，用于奶牛跛足行為的早期識(shí)別，通過實(shí)際視頻數(shù)據(jù)測(cè)試，識(shí)別準(zhǔn)確率為92%—93%，平均響應(yīng)時(shí)間為0.043s，取得了較好的效果。WU等[43]提出了基于Deeplab V3 算法的奶牛目標(biāo)分割方法，通過基于相位的視頻放大算法放大微弱的呼吸運(yùn)動(dòng)，進(jìn)而將相關(guān)特征用于呼吸頻率檢測(cè)的平均光流方向，最終實(shí)現(xiàn)基于Lucas-Kanade光流算法的奶牛呼吸頻率檢測(cè)，平均準(zhǔn)確度為93.04%，通過呼吸頻率的變化可以有效識(shí)別奶牛健康的異常。英國布里斯托大學(xué)WEEKS等[44]針對(duì)肉雞的飲食行為與姿態(tài)進(jìn)行了深入探究，他指出健康肉雞與跛行肉雞的飲食行為體現(xiàn)出較大的差異，健康肉雞通常在站立情況下采食，而跛行肉雞超過一半采食是在臥倒?fàn)顟B(tài)下完成的。并且健康肉雞與跛行肉雞的采食次數(shù)也出現(xiàn)了較大的差異。最終他提出肉雞的腿部健康程度與肉雞躺臥的持續(xù)時(shí)間之間存在極顯著（＜0.001）的關(guān)系，該關(guān)系可用于肉雞的疾病早期診斷。LAO等[45]開發(fā)了一種算法來自動(dòng)處理和分析母豬的3D深度圖像，從深度圖像中自動(dòng)識(shí)別母豬行為（躺、坐、站、跪、進(jìn)食、喝水和移位），各行為分類平均準(zhǔn)確率為95%左右，通過各行為分布可為豬只疾病爆發(fā)、生活環(huán)境脅迫等情況做出預(yù)警。宋懷波等[46]基于視頻分析與目標(biāo)跟蹤技術(shù)開發(fā)了一種多目標(biāo)奶牛反芻行為監(jiān)測(cè)方法，該方法跟蹤奶牛的平均誤差22—28像素，基于此可以實(shí)現(xiàn)全天候監(jiān)控奶牛反芻行為，進(jìn)而反映奶牛健康狀態(tài)。YANG等[47]利用Faster R-CNN深度學(xué)習(xí)模型，開發(fā)了一種基于視頻監(jiān)控的豬只采食行為識(shí)別方法，該方法可以從豬只的所有活動(dòng)行為中實(shí)時(shí)識(shí)別豬只的攝食行為，準(zhǔn)確率達(dá)到99.6%，召回率為86.93%，該方法可以從側(cè)面反映豬只的健康狀態(tài)。陶源棟等[48]用Kinect監(jiān)測(cè)梅山豬的呼吸，通過DBSCAN密度聚類算法定位豬腹部區(qū)域，獲得腹部深度值的變化曲線，通過離散傅里葉變換得到深度值-時(shí)間擬合曲線，利用極點(diǎn)值出現(xiàn)的時(shí)間計(jì)算母豬呼吸頻次，準(zhǔn)確率為85.3%，進(jìn)而對(duì)豬只出現(xiàn)的健康問題進(jìn)行預(yù)警和判斷。TSAI等[49]通過TinyYOLOv3深層神經(jīng)網(wǎng)絡(luò)搭建了一種奶牛頭部的檢測(cè)算法，根據(jù)牛頭的位置跟蹤實(shí)現(xiàn)奶牛喝水行為與飲水量的監(jiān)測(cè)，最終實(shí)現(xiàn)奶牛的熱應(yīng)激等異常健康狀態(tài)的自動(dòng)檢測(cè)，檢測(cè)精度為98.7%。

此類方法通?；谧詣?dòng)獲取的動(dòng)物活動(dòng)規(guī)律、行為規(guī)律對(duì)疾病進(jìn)行判斷，因患病動(dòng)物的行為習(xí)慣統(tǒng)計(jì)特征差異顯著，所以此類算法在理想條件下靈敏度與特異性普遍較高。方法難點(diǎn)在于長(zhǎng)時(shí)間對(duì)動(dòng)物的準(zhǔn)確定位與跟蹤，并計(jì)算其行為軌跡與特點(diǎn)。此外，基于動(dòng)物活動(dòng)規(guī)律、行為的統(tǒng)計(jì)需要實(shí)時(shí)處理視頻流，算法效率也是制約條件之一。

1.2.2 運(yùn)動(dòng)與交互高級(jí)行為異常識(shí)別 除了動(dòng)物的基本生理行為之外，步態(tài)行為、互動(dòng)行為、群體聚集行為等也可以有效反映動(dòng)物精神狀態(tài)和健康狀況[50]。這些行為往往可以實(shí)現(xiàn)在更早時(shí)候，對(duì)動(dòng)物可能出現(xiàn)的疾病進(jìn)行預(yù)警?？滴醯萚51]提出了一種基于機(jī)器視覺技術(shù)的奶牛跛行檢測(cè)系統(tǒng)，它通過時(shí)空插值算法，實(shí)現(xiàn)奶牛牛蹄定位，通過定位牛蹄軌跡檢測(cè)跛行，奶牛跛行檢測(cè)準(zhǔn)確率為93.3%，跛行分類準(zhǔn)確率為77.8%。英國牛津大學(xué)動(dòng)物學(xué)系學(xué)者DAWKINS等[52]針對(duì)24只肉雞的小群體進(jìn)行視頻監(jiān)控，使用“視頻光流法”研究肉雞群體運(yùn)動(dòng)產(chǎn)生的流動(dòng)模式，通過光流峰值對(duì)雞群活動(dòng)軌跡進(jìn)行分析，并將肉雞雞群的活動(dòng)量與肉雞的腿部健康情況做了擬合關(guān)聯(lián)模型，提出均勻的光流狀態(tài)下，肉雞死亡率低的結(jié)論。沈明霞等[53]針對(duì)肉雞個(gè)體，提取其運(yùn)動(dòng)速度、步幅、步幅差等變量，同時(shí)構(gòu)建了一種肉雞步態(tài)評(píng)級(jí)方法，實(shí)現(xiàn)肉雞腿部疾病的早期預(yù)警與識(shí)別，識(shí)別準(zhǔn)確率達(dá)到78%。JABBAR等[54]通過3D視頻系統(tǒng)，提取奶牛行走過程中的脊柱和鉤骨特征，基于此對(duì)奶牛的早期跛行進(jìn)行二分類識(shí)別，識(shí)別準(zhǔn)確率達(dá)到95.7%。KASHIHA等[55]開發(fā)了一種基于橢圓擬合算法的豬只跟蹤算法，并通過ImLS參數(shù)確定豬只屬于靜止?fàn)顟B(tài)或移動(dòng)狀態(tài)。他通過俯視攝像頭采集豬欄內(nèi)豬群的運(yùn)動(dòng)視頻，結(jié)合手動(dòng)貼標(biāo)，實(shí)現(xiàn)了自動(dòng)識(shí)別每只豬的運(yùn)動(dòng)量，從而有效地將運(yùn)動(dòng)能力差的豬只進(jìn)行區(qū)分與識(shí)別。朱家驥等[56]研發(fā)了一種基于星狀骨架模型的豬步態(tài)分析模型，通過提取豬只關(guān)鍵輪廓點(diǎn)的運(yùn)動(dòng)過濾，通過頻譜分析，計(jì)算出豬的前肢步態(tài)頻率，進(jìn)而實(shí)現(xiàn)豬只的步態(tài)評(píng)價(jià)，為豬只疾病診斷提供支持。XIAO等[57]用雙目視覺實(shí)現(xiàn)了對(duì)籠養(yǎng)雞的健康狀態(tài)進(jìn)行監(jiān)控，他通過2D分割與3D重建提取了雞的身體和頭部輪廓，檢測(cè)速度可以達(dá)到25 fps，身體分割精度為91.2%—94.6%，之后在3D空間中，他計(jì)算雞飲食行為中體現(xiàn)的頭部運(yùn)動(dòng)速度、身體運(yùn)動(dòng)速度等，通過這些參數(shù)可以有效發(fā)現(xiàn)患病雞以及有死亡風(fēng)險(xiǎn)的雞。CHEN等[58]使用Realsense深度相機(jī)自動(dòng)檢測(cè)豬只的攻擊行為，并評(píng)價(jià)豬只的侵略性，其方法檢測(cè)準(zhǔn)確率、靈敏度、特異性、精確度均在96%以上，因豬只侵略會(huì)導(dǎo)致皮膚外傷、感染、甚至致命傷害，所以攻擊行為頻率可以作為豬只健康、福利的重要評(píng)價(jià)指標(biāo)。高云等[59]提出了使用3DCONV的群養(yǎng)豬侵略性行為識(shí)別算法-3DConvNet，將深度學(xué)習(xí)模型用于群養(yǎng)豬撕咬、撞擊、追逐、踩踏4大類，咬耳、咬尾、咬身、頭撞頭、頭撞身、追逐以及踩踏7小類侵略性行為進(jìn)行分類，進(jìn)而對(duì)豬只受傷進(jìn)行預(yù)警，分類準(zhǔn)確度為95.70%，單幀圖像處理時(shí)間為0.5 s。

除了圖像方法之外，也有學(xué)者通過其他傳感器對(duì)動(dòng)物行為進(jìn)行監(jiān)測(cè)，進(jìn)而診斷動(dòng)物可能出現(xiàn)的疾病。如ESCALANTE等[60]通過加速度傳感器采集的母豬運(yùn)動(dòng)數(shù)據(jù)，對(duì)母豬的行走、站立等行為進(jìn)行自動(dòng)分類，進(jìn)而分析母豬健康狀態(tài)。SHEN等[61]通過奶牛鼻帶上壓力傳感器測(cè)量奶牛咀嚼中的壓力值變化規(guī)律，進(jìn)而對(duì)其反芻行為進(jìn)行測(cè)量與評(píng)價(jià)。但此類設(shè)備屬于侵入式，容易引起動(dòng)物應(yīng)激，且存在設(shè)備續(xù)航低、干擾重等問題。

高級(jí)行為是動(dòng)物福利狀況的主要體現(xiàn)之一，基于高級(jí)行為的動(dòng)物疾病診斷可提供參考性建議，是動(dòng)物健康狀態(tài)的判據(jù)，可用于少量高品質(zhì)畜牧動(dòng)物的生產(chǎn)監(jiān)控，但一般不作為疾病診斷的主要依據(jù)。

一般針對(duì)動(dòng)物體表形態(tài)、行為的研究是通過機(jī)器視覺技術(shù)完成的，現(xiàn)有技術(shù)常針對(duì)可見光圖像、深度圖像、紅外熱成像圖像進(jìn)行研究?？梢姽鈭D像的采集成本最低、相關(guān)技術(shù)豐富、研究時(shí)間最長(zhǎng)，隨著近年來深度神經(jīng)網(wǎng)絡(luò)的發(fā)展，分割、識(shí)別、定位取得了越來越好的效果，可廣泛用于檢測(cè)動(dòng)物的局部特征（蹄部、頭部等）與常規(guī)行為（躺臥、進(jìn)食、飲水、運(yùn)動(dòng)、侵略性行為等），進(jìn)而為動(dòng)物疾病診斷提供支撐[62-63]。深度圖像在可見光圖像中添加了距離傳感器，可以獲取3D圖像信息，3D圖像可通過Kinect、Realsense等設(shè)備進(jìn)行采集，深度圖像可以在動(dòng)物形態(tài)測(cè)量、體型評(píng)價(jià)發(fā)揮更好的作用，也有助于提升圖像分割準(zhǔn)確率，但深度圖像受光線影響嚴(yán)重，尤其是自然光對(duì)測(cè)量的影響較大。紅外熱成像圖像在動(dòng)物與背景分割方面具有良好的效果，可通過動(dòng)物各部位的溫度差異對(duì)圖像進(jìn)行較為理想的分割與定位，此外紅外圖像對(duì)動(dòng)物各部位炎癥的識(shí)別有很好的效果。技術(shù)對(duì)比如表1所示。

表1 疾病識(shí)別中動(dòng)物外型、行為采集技術(shù)對(duì)比

2 畜禽聲音診斷技術(shù)

動(dòng)物發(fā)出的聲音是其情緒、健康情況判別的重要依據(jù)，因此音頻技術(shù)可用于動(dòng)物的疾病預(yù)警、行為檢測(cè)、飲食檢測(cè)、情緒識(shí)別等方面[64-65]。在實(shí)際研究與應(yīng)用中，通常在動(dòng)物養(yǎng)殖區(qū)域的特定位置安放拾音器，實(shí)時(shí)采集舍內(nèi)聲音，對(duì)聲音進(jìn)行背景去噪與濾波等預(yù)處理，隨后對(duì)聲音進(jìn)行斷點(diǎn)檢測(cè)與分幀加窗，提取聲音信號(hào)的能量密度頻譜特征，通過數(shù)學(xué)模型對(duì)動(dòng)物發(fā)出各類特異聲音進(jìn)行自動(dòng)分類與識(shí)別，最終依據(jù)特異聲音出現(xiàn)的頻率、密度、響度、持續(xù)時(shí)長(zhǎng)等參數(shù)對(duì)動(dòng)物健康狀態(tài)或環(huán)境適應(yīng)狀態(tài)進(jìn)行判斷，一般流程如圖3所示。

針對(duì)聲音異常的動(dòng)物疾病診斷研究一般分為兩個(gè)方面，第一類是通過提取動(dòng)物正常生理活動(dòng)發(fā)出的聲音，從而反映動(dòng)物的生理規(guī)律，從生理規(guī)律發(fā)掘動(dòng)物疾病診斷的方法，如楊稷等[66]通過采集肉雞在喂食器中啄食的聲音，計(jì)算肉雞啄食次數(shù)，進(jìn)而分析肉雞的實(shí)時(shí)采食量，通過采食量判別肉雞的健康狀態(tài)；另一類是提取動(dòng)物發(fā)出的病理或異常聲音，從而對(duì)可能出現(xiàn)的疾病進(jìn)行預(yù)警或識(shí)別，如徐亞妮等[67]針對(duì)母豬生產(chǎn)環(huán)境研制了一種濾除高頻噪音與環(huán)境，并自動(dòng)識(shí)別母豬咳嗽聲的方法，為母豬呼吸系統(tǒng)疾病的早期診斷提供了判斷依據(jù)。

2.1 生理聲音識(shí)別

正常生理聲音通常包括采食聲、飲水聲、啃咬聲、打斗聲、鳴叫聲等，這些聲音可以作為動(dòng)物生理狀態(tài)判別的信號(hào)，間接作為動(dòng)物疾病診斷的依據(jù)。SHENG等[68]通過拾音器采集了綿羊的采食音頻，基于高斯核的支持向量機(jī)在采食音頻中將咀嚼的聲音片段進(jìn)行分割與提取，從每個(gè)咀嚼聲片段中提取7個(gè)特征變量用于建立飼料量消耗判斷模型，最終采用最小二乘回歸和彈性網(wǎng)絡(luò)方法分別確定基于單變量和多變量的飼草攝入量估計(jì)模型的系數(shù)，模型最佳準(zhǔn)確度為89.32%，飼料攝入量的識(shí)別精度為80.84%，該結(jié)果對(duì)綿羊健康失衡的識(shí)別、飼養(yǎng)方案建議有一定參考意義。DENIZ等[69]開發(fā)了一套嵌入式系統(tǒng)通過可穿戴集成在牛身上，用于實(shí)時(shí)采集牧牛發(fā)出的聲音信號(hào)，并將啃咬聲音、咀嚼聲音進(jìn)行分類識(shí)別，可實(shí)現(xiàn)針對(duì)牛覓食狀態(tài)的監(jiān)控，進(jìn)而判斷其健康狀況，分類準(zhǔn)確率約為78%。閆麗等[70]針對(duì)哺乳期母豬開發(fā)了一種基于偏度聚類的聲音提取與分類方法，通過聲音最大功率比的差異，將母豬聲音自動(dòng)分為哺乳聲、無食咀嚼聲、采食聲、飲水聲等四類，準(zhǔn)確率達(dá)到95.17%以上，基于此結(jié)果實(shí)現(xiàn)對(duì)母豬行為狀態(tài)的自動(dòng)監(jiān)測(cè)，有助于母豬健康狀態(tài)判定、母豬母性行為識(shí)別的自動(dòng)實(shí)現(xiàn)。余禮根等[71]采集了棲架模式下養(yǎng)殖的蛋雞叫聲，通過決策樹模型將蛋雞產(chǎn)蛋叫聲、愉悅叫聲、尖叫聲、爭(zhēng)斗聲進(jìn)行分類識(shí)別，平均識(shí)別準(zhǔn)確率為88.3%，此結(jié)果可為畜禽健康狀態(tài)判定、生產(chǎn)預(yù)警提供理論依據(jù)。

圖3 基于聲音的動(dòng)物疾病診斷一般流程

2.2 病理異常聲音識(shí)別

病理聲音包括動(dòng)物的咳嗽聲、噴嚏聲、異常呼嚕聲、應(yīng)激鳴叫聲等，這些聲音可以作為動(dòng)物健康或狀態(tài)異常直接依據(jù)。EXADAKTYLOS等[72]提出了一種針對(duì)生病豬咳嗽聲音的監(jiān)測(cè)方法。為了最大可能地排除誤診情況，他采集了病豬的咳嗽聲、檸檬酸誘發(fā)健康豬只的偶發(fā)咳嗽聲、豬只的正常叫聲，并通過平均歐式距離進(jìn)行分類識(shí)別，結(jié)果表明病豬咳嗽的監(jiān)測(cè)準(zhǔn)確率為82.2%，該算法可以減少養(yǎng)殖員的勞動(dòng)，并加快病豬疾病診斷的速度。韓磊磊等[73]以改進(jìn)梅爾頻率倒譜系數(shù)、短時(shí)能量和短時(shí)過零率組成的復(fù)合特征參數(shù)為依據(jù)，通過決策樹支持向量機(jī)對(duì)生豬的噴嚏聲、咳嗽聲、饑餓聲等異常聲音進(jìn)行分類，平均識(shí)別率為94.4%。宣傳忠等[74]針對(duì)圈養(yǎng)羊只呼吸道疾病初期的監(jiān)測(cè)與識(shí)別，以杜泊羊?yàn)槔O(shè)計(jì)了羊咳嗽信號(hào)的自動(dòng)采集與識(shí)別系統(tǒng)，他通過梅爾倒譜系數(shù)，基于BP神經(jīng)網(wǎng)絡(luò)改善的隱馬爾可夫模型（HMM），針對(duì)羊只咳嗽聲音的總體識(shí)別準(zhǔn)確率達(dá)到92.04%。HUANG等[75]針對(duì)禽流感監(jiān)測(cè)設(shè)計(jì)了一種基于聲音的診斷方法。他對(duì)雞進(jìn)行禽流感攻毒試驗(yàn)，并以核酸檢測(cè)為標(biāo)準(zhǔn)，獲取了禽流感病雞與健康雞的聲音。隨后對(duì)聲音信號(hào)進(jìn)行自適應(yīng)端點(diǎn)檢測(cè)、分幀加窗后，提取雞聲音的梅爾倒譜系數(shù)，通過不同核函數(shù)的SVM對(duì)病雞進(jìn)行分類識(shí)別，最優(yōu)結(jié)果準(zhǔn)確率為88.125%，而且在病雞感染后的22 h內(nèi)識(shí)別確診率便可超過80%，可實(shí)現(xiàn)禽流感的早期診斷。

聲音信號(hào)對(duì)動(dòng)物疾病的判斷和分析比較直觀，且成本相對(duì)較低，應(yīng)用前景廣闊。尤其在夜間，布設(shè)在大型畜牧養(yǎng)殖場(chǎng)內(nèi)的拾音器可以較好地識(shí)別動(dòng)物發(fā)出的異常聲音，從而有效解放人工勞動(dòng)力，提高動(dòng)物養(yǎng)殖福利、降低因動(dòng)物疾病導(dǎo)致的養(yǎng)殖損失。目前基于聲音對(duì)動(dòng)物疾病進(jìn)行識(shí)別的主要難點(diǎn)有兩個(gè)，第一是去噪，動(dòng)物養(yǎng)殖環(huán)境中，風(fēng)機(jī)轉(zhuǎn)動(dòng)、飼料機(jī)運(yùn)作等均會(huì)產(chǎn)生較大環(huán)境噪聲，這部分聲音在濾波過程中會(huì)影響處理結(jié)果，在今后的研究中，需要優(yōu)化拾音器部署方式，并選用魯棒性更強(qiáng)的濾波算法；第二是聲音特征的分類，動(dòng)物叫聲不同于人類語言，其蘊(yùn)含特征信息少、豐富度差，對(duì)識(shí)別和分類造成了一定困難。針對(duì)動(dòng)物疾病聲音診斷研究中常用特征參數(shù)如表2所示。

3 畜禽體溫診斷技術(shù)

體溫異常是疾病最顯著的表達(dá)窗口，通過對(duì)動(dòng)物體溫的監(jiān)控，可以有效發(fā)現(xiàn)健康狀態(tài)異常的動(dòng)物，直接給予疾病判斷。通常認(rèn)為體溫信息對(duì)動(dòng)物疾病的診斷和治療非常有幫助，有助于早期發(fā)現(xiàn)患病動(dòng)物，確定疾病嚴(yán)重程度等。常用的針對(duì)動(dòng)物體溫自動(dòng)測(cè)量的技術(shù)手段有兩大類，第一是通過集成的可穿戴或植入設(shè)備進(jìn)行動(dòng)物體溫監(jiān)測(cè)，這種方法測(cè)量精準(zhǔn)、不受干擾[76]；第二是通過紅外溫度檢測(cè)技術(shù)或熱成像技術(shù)對(duì)動(dòng)物體溫進(jìn)行遠(yuǎn)程測(cè)量，這種非接觸的方法便于部署、使用方便[77]。一般動(dòng)物體溫測(cè)量流程如圖4所示。

表2 動(dòng)物疾病識(shí)別中常用音頻特征參數(shù)

圖4 動(dòng)物體溫自動(dòng)測(cè)量技術(shù)一般流程

3.1 穿戴式、植入式測(cè)溫

穿戴式設(shè)備一般通過綁帶、粘膠等方法將溫度傳感器或電極貼片固定于動(dòng)物身體某個(gè)部位實(shí)現(xiàn)溫度測(cè)量；植入式設(shè)備是將膠囊式微縮傳感器植于動(dòng)物皮下或體內(nèi)，以實(shí)現(xiàn)針對(duì)動(dòng)物體溫的不間斷監(jiān)測(cè)。就測(cè)量精度而言，植入式傳感器精度高于穿戴式傳感器，而設(shè)備固定難度與此相反。張國鋒等[78]設(shè)計(jì)了通過植入式RFID溫度芯片測(cè)量豬只體溫的系統(tǒng)，得出植入豬表皮以下0.5—1.0 cm處時(shí)可有效獲取豬體溫度的結(jié)論。屈東東等[79]將DS18B20型溫度傳感器置于奶牛耳道內(nèi)，采集其耳道邊沿溫度，在30—50℃范圍內(nèi)測(cè)量精度可達(dá)到±0.2℃，基于此設(shè)備設(shè)計(jì)了群養(yǎng)奶牛體溫監(jiān)控系統(tǒng)，通過奶牛體溫變化情況對(duì)奶牛可能出現(xiàn)的疾病進(jìn)行診斷和預(yù)警。何東健等[80]將測(cè)溫傳感器封裝于3D打印的高密度乙烯外殼內(nèi)，之后將該圓柱形節(jié)點(diǎn)植入奶牛陰道測(cè)量其溫度，通過陰道溫度反演得到奶牛標(biāo)準(zhǔn)直腸體溫，以實(shí)現(xiàn)對(duì)奶牛健康狀況的監(jiān)測(cè)，傳感器測(cè)量精度可達(dá)到±0.05℃。HENTZEN等[81]將膠囊式測(cè)溫傳感器植入生豬皮下進(jìn)行不間斷溫度測(cè)量，并將結(jié)果通過無線電磁波發(fā)送至接收器，測(cè)量結(jié)果和直腸溫度標(biāo)準(zhǔn)體溫基本一致，可以獲得與直腸溫度傳統(tǒng)測(cè)量相近的精確度。李贊[82]設(shè)計(jì)了一種柔性貼片式溫度傳感器，并將其固定于后備豬的后腿內(nèi)側(cè)，通過皮下溫度反演得到豬的標(biāo)準(zhǔn)直腸溫度，進(jìn)而通過母豬體溫變化趨勢(shì)對(duì)母豬發(fā)情、異常等狀態(tài)進(jìn)行檢測(cè)。蔡勇[83]利用射頻技術(shù)和接觸溫度感測(cè)技術(shù)開發(fā)了一種自動(dòng)獲取母牛體表溫度的系統(tǒng)，實(shí)現(xiàn)了對(duì)母牛體表溫度的24h自動(dòng)監(jiān)測(cè)。通過統(tǒng)計(jì)分析和數(shù)據(jù)均衡，擬合出牛體表溫度的修正公式，得到了牛體表溫度的日變化。胡肄農(nóng)[84]設(shè)計(jì)了一種方法，將數(shù)字無線溫度傳感節(jié)點(diǎn)佩戴于生豬耳后頸動(dòng)脈流經(jīng)的皮膚上進(jìn)行溫度測(cè)量。為了降低環(huán)境影響，他在溫度傳感節(jié)點(diǎn)設(shè)計(jì)了接觸層、導(dǎo)熱層、絕熱層，并在每層內(nèi)部署一個(gè)溫度傳感器，通過3個(gè)測(cè)量值校準(zhǔn)得到最終的測(cè)量值，并通過豬體表溫度測(cè)量值反演計(jì)算得到豬只核心體溫，實(shí)現(xiàn)豬只體溫的不間斷準(zhǔn)確測(cè)量。

通過穿戴式、植入式傳感器測(cè)量動(dòng)物體溫一般可以取得較高的準(zhǔn)確度，受到環(huán)境影響比較小，但是由于動(dòng)物應(yīng)激反應(yīng)可能導(dǎo)致傳感器的位移，進(jìn)而影響測(cè)量精度，同時(shí)設(shè)備續(xù)航問題也是影響其應(yīng)用的主要原因之一。

3.2 紅外熱成像非接觸測(cè)溫

用紅外熱成像圖像非接觸測(cè)量動(dòng)物體溫，對(duì)動(dòng)物沒有侵害性，且使用紅外熱像儀測(cè)量溫度可以減少勞力消耗，簡(jiǎn)化操作過程，減輕動(dòng)物應(yīng)激壓力，因此成為近年來的研究熱點(diǎn)。基于紅外熱成像圖像的動(dòng)物溫度測(cè)量，一般先選擇動(dòng)物的某區(qū)域作為熱窗，通過熱窗的溫度反演其體溫，常用熱窗一般有頭部、耳后部、胸部等。SALLES[85]等通過熱像儀收集不同身體部位的圖像來測(cè)量體表溫度，得出熱成像前額溫度與直腸溫度的相關(guān)性最高的結(jié)論。他還指出牛前額和左右兩側(cè)的溫度與環(huán)境溫度和濕度密切相關(guān)，可用于將來識(shí)別牛環(huán)境脅迫的不良狀態(tài)。SIEWERT等[86]通過紅外熱像儀測(cè)量了豬頭的溫度，并通過不同熱窗區(qū)域檢測(cè)了豬的早期發(fā)燒。該方法在試驗(yàn)中的特異性約為85%，靈敏度為86%。IYASERE等[87]為了研究肉雞核心體溫（CBT）的測(cè)量方法與變化規(guī)律，同時(shí)使用植入的微芯片和紅外測(cè)溫儀的方法對(duì)肉雞各部分溫度進(jìn)行測(cè)量，得出肉雞的翅下溫度與核心體溫關(guān)聯(lián)度最大（= 0.71，＜0.05）的結(jié)論。沈明霞等[88]基于紅外熱成像技術(shù)，通過深度卷積神經(jīng)網(wǎng)絡(luò)提取肉雞頭部、腿部區(qū)域，并計(jì)算其熱窗溫度值，再結(jié)合環(huán)境溫度、濕度、光照強(qiáng)度等參數(shù)，基于多元線性回歸提出了一種白羽肉雞的體溫自動(dòng)檢測(cè)方法，體溫檢測(cè)模型平均相對(duì)誤差分別為0.29%—0.33%。

熱紅外用于動(dòng)物體溫測(cè)量時(shí)，設(shè)備部署方便、非接觸測(cè)量不會(huì)引起動(dòng)物應(yīng)激反應(yīng)與損傷，但是該方法受到環(huán)境溫度和測(cè)量距離影響比較嚴(yán)重，測(cè)溫精度不高，需要研究相關(guān)的線性校正算法。

穿戴式、植入式測(cè)溫傳感器與紅外熱像儀對(duì)動(dòng)物體溫測(cè)量都有較多的研究與應(yīng)用，技術(shù)對(duì)比如表3所示。

表3 疾病識(shí)別中動(dòng)物體溫采集技術(shù)對(duì)比

4 畜禽其他診斷技術(shù)

除了動(dòng)物外表、行為、聲音、體溫等重要參數(shù)之外，還有一部分研究通過動(dòng)物的其他生理體征作為疾病信息化診斷的依據(jù)，如味道、心率、呼吸頻率等生物體征。ELLIS等[89]為了診斷牛分枝桿菌引起的牛結(jié)核病，研制了一種電子鼻設(shè)備。他收集了患病牛和健康牛的呼吸樣品，通過氣相色譜-質(zhì)譜儀分析，通過主成分分析和線性判別算法分析色譜數(shù)據(jù)，為健康牛和疾病牛的分類提供了概念證明。類似地，SANDERINK等[90]通過電子鼻對(duì)奶牛進(jìn)行呼吸采樣，檢測(cè)樣本中特異氣體成分的含量與濃度，進(jìn)而對(duì)奶牛的異常狀態(tài)進(jìn)行識(shí)別，經(jīng)過初步實(shí)驗(yàn)證明，基于電子鼻的診斷方法可以達(dá)到甚至超過大多數(shù)基于視覺檢查和步行活動(dòng)的現(xiàn)有方法。張宏等[91]基于心電傳感器BMD101及無線射頻模塊CC2430開發(fā)了一種穿戴式豬用心電監(jiān)測(cè)系統(tǒng)，對(duì)豬心率的連續(xù)無線監(jiān)測(cè)，并通過豬健康心率的閾值進(jìn)行對(duì)比，實(shí)現(xiàn)豬健康狀態(tài)異常的自動(dòng)識(shí)別與診斷。逯玉蘭等[92]基于豬只呼吸對(duì)無線網(wǎng)絡(luò)通信信道射頻信號(hào)的影響，通過對(duì)豬欄內(nèi)Wi-Fi信號(hào)的檢測(cè)，實(shí)現(xiàn)豬只呼吸頻率的監(jiān)測(cè)，與人工測(cè)定相比，誤差為1.398%。賈桂鋒等[93]通過經(jīng)驗(yàn)?zāi)B(tài)分解方法，研究了一種能量窗變換法，用于校正豬用心率檢測(cè)器信號(hào)的非平穩(wěn)性，取得了較好的效果。AHMED等[94]使用視頻記錄了豬只的排泄行為特征，進(jìn)而通過數(shù)學(xué)模型自動(dòng)識(shí)別出了實(shí)驗(yàn)中感染沙門氏菌的生豬個(gè)體。此外有部分研究使用穿戴式電容式傳感器[95]或加速度傳感器[96]監(jiān)測(cè)胸部壓力變化，從而得到呼吸頻率、血壓信息等，如穿戴式連續(xù)血壓監(jiān)測(cè)系統(tǒng)[97]、睡眠呼吸暫停監(jiān)測(cè)系統(tǒng)[98]、基于光電容積脈搏波的呼吸監(jiān)測(cè)系統(tǒng)[99]、基于脈搏波的連續(xù)血壓監(jiān)測(cè)方法[100]等，但這部分研究對(duì)于動(dòng)物的應(yīng)用尚屬于起步階段。

這些新興技術(shù)作為傳統(tǒng)圖像、聲音信息的補(bǔ)充，通過電子鼻、通訊射頻信號(hào)、三軸加速度傳感器、電容穿戴式傳感器等設(shè)備對(duì)畜禽疾病進(jìn)行檢測(cè)。這些方法初步取得了一定的效果，然而此類方法檢測(cè)算法不穩(wěn)定、設(shè)備續(xù)航差、測(cè)量條件要求高，目前難以將其獨(dú)立作為畜禽疾病的診斷依據(jù)，但可以作為輔助手段為畜禽疾病診斷提供更多可能性，可以從更多維度獲取動(dòng)物健康狀態(tài)的評(píng)價(jià)依據(jù)，使疾病自動(dòng)識(shí)別準(zhǔn)確率進(jìn)一步提高。

5 討論

5.1 畜禽疾病診斷信息化自動(dòng)診斷方法

畜禽疾病主要依據(jù)動(dòng)物的形態(tài)特征、動(dòng)作特征、位置特征（運(yùn)動(dòng)量、飲水量、采食量等）、聲音特征、呼吸特征、體溫特征等進(jìn)行判斷，特征采集主要通過機(jī)器視覺方法、音頻處理技術(shù)、穿戴式傳感器等方法實(shí)現(xiàn)。以疾病診斷所需的主流特征為例，整理和匯總了特征采集與診斷技術(shù)發(fā)展現(xiàn)狀（表4）。

表4 疾病自動(dòng)診療主流代表方法

相關(guān)算法已經(jīng)針對(duì)豬、牛、雞等畜禽展開了相關(guān)的應(yīng)用，如通過RBF-SVM基于圖像提取的雞體表輪廓凹凸率、偏心率實(shí)現(xiàn)生病雞的識(shí)別[7]，通過Kinect采集的深度圖像實(shí)現(xiàn)母豬體況自動(dòng)評(píng)分[20]，使用三軸加速度采集豬運(yùn)動(dòng)信息，通過分類樹實(shí)現(xiàn)豬姿態(tài)識(shí)別與健康判別[58]，通過Faster R-CNN模型實(shí)現(xiàn)豬進(jìn)食動(dòng)作的識(shí)別、牛反芻行為識(shí)別等[45-46]，通過UWB定位母豬運(yùn)動(dòng)軌跡[105]，YOLOv3模型識(shí)別動(dòng)物飲水行為[49]，基于發(fā)聲圖譜實(shí)現(xiàn)蛋雞異常聲音與豬咳嗽聲的監(jiān)測(cè)[69，73]，通過Lucas-Kanade光流法、WIFI載波曲線、點(diǎn)云聚類方法監(jiān)測(cè)牛呼吸頻率[47,61,90]，通過PT100植入傳感器監(jiān)測(cè)奶牛體溫[78]，通過熱紅外圖像監(jiān)測(cè)豬頭部溫度[84]等。

5.2 當(dāng)前畜禽養(yǎng)殖智能診斷存在問題

目前畜禽動(dòng)物疫病檢測(cè)設(shè)備與方法通?；趧?dòng)物外型與形態(tài)特征、動(dòng)物行為與動(dòng)作特征、動(dòng)物鳴叫與聲音特征、動(dòng)物體溫特征、動(dòng)物排泄物特征、心率特征等實(shí)現(xiàn)疾病的自動(dòng)診療（表5）。

表5 疾病自動(dòng)診療依據(jù)特征表

目前的自動(dòng)診療手段可以基本實(shí)現(xiàn)針對(duì)動(dòng)物疾病的初步識(shí)別與判斷，但仍然存在以下共性問題：（1）特征數(shù)據(jù)采集困難，大多數(shù)研究都是在實(shí)驗(yàn)室環(huán)境下的標(biāo)準(zhǔn)結(jié)構(gòu)中進(jìn)行的，而在實(shí)地運(yùn)用中，常因?yàn)閺?fù)雜的現(xiàn)場(chǎng)環(huán)境、動(dòng)物的運(yùn)動(dòng)和移動(dòng)影響測(cè)量設(shè)備的運(yùn)行、對(duì)數(shù)據(jù)結(jié)果有較大影響，導(dǎo)致落地應(yīng)用與成果落地進(jìn)程緩慢；（2）目前的研究分散，沒有統(tǒng)一標(biāo)準(zhǔn)，導(dǎo)致動(dòng)物各類特征的結(jié)構(gòu)化數(shù)據(jù)極其匱乏，數(shù)據(jù)復(fù)用性差，導(dǎo)致各類數(shù)據(jù)挖掘、深度分析模型無法發(fā)揮應(yīng)用作用。目前的研究大多是通過預(yù)先設(shè)定的固有邏輯進(jìn)行判斷，導(dǎo)致目前的疾病自動(dòng)識(shí)別模式適應(yīng)性差、魯棒性低、精確度差，進(jìn)而導(dǎo)致技術(shù)推廣難、應(yīng)用面窄、智能程度低；（3）大多數(shù)疾病診療模型均通過單一特征進(jìn)行識(shí)別，而各方法之間集成度差、協(xié)議不統(tǒng)一、診斷標(biāo)準(zhǔn)特異，形成“技術(shù)孤島”，很少出現(xiàn)多種特征耦合診斷動(dòng)物疾病的方法，制約了自動(dòng)診療技術(shù)的發(fā)展，難以達(dá)到人工獸醫(yī)的診療水平。（4）信息化技術(shù)設(shè)備成本高昂，安裝維護(hù)不方便，部分設(shè)備會(huì)對(duì)動(dòng)物產(chǎn)生應(yīng)激影響，對(duì)設(shè)備與系統(tǒng)的部署與應(yīng)用造成較大障礙。

5.3 未來發(fā)展趨勢(shì)與展望

基于上述問題，基于表征信息的畜禽疫病與異常狀態(tài)智能自動(dòng)診斷技術(shù)發(fā)展趨勢(shì)可以概括為：（1）提高診斷方法的實(shí)用性，通過更改設(shè)備部署、數(shù)據(jù)采集方案，算法層面降低對(duì)數(shù)據(jù)特異性的要求，以適應(yīng)目前的實(shí)際生產(chǎn)需求，為大量動(dòng)物特征數(shù)據(jù)的獲取提供基礎(chǔ)；（2）建立動(dòng)物特征數(shù)據(jù)的統(tǒng)一結(jié)構(gòu)化標(biāo)準(zhǔn)，加大數(shù)據(jù)采集量，收集多地域、多種類型、多種環(huán)境下大量動(dòng)物特征數(shù)據(jù)，基于大數(shù)據(jù)對(duì)疾病診療模型做出優(yōu)化、調(diào)整，將“算法驅(qū)動(dòng)”改為“數(shù)據(jù)驅(qū)動(dòng)”，以實(shí)現(xiàn)模擬獸醫(yī)真實(shí)診療經(jīng)驗(yàn)、提高方法準(zhǔn)確度與魯棒性；（3）打破各疾病診斷方法之間的“孤島”，探索綜合通過多種動(dòng)物特征進(jìn)行疾病診斷的專家系統(tǒng)。

長(zhǎng)遠(yuǎn)來看，針對(duì)各種動(dòng)物的全自動(dòng)畜禽疾病診斷專家系統(tǒng)是降低人工勞動(dòng)、提高養(yǎng)殖效率與安全性的最優(yōu)解決方案[102]。目前動(dòng)物疾病診斷專家系統(tǒng)，如豬病輔助診斷模型[103]、雞病防治診斷專家系統(tǒng)[104]、養(yǎng)病防治專家系統(tǒng)[105]等，這些系統(tǒng)多是通過用戶對(duì)系統(tǒng)以文字或語音的方式輸入癥狀，系統(tǒng)通過查找?guī)斓男问椒答佋\斷結(jié)果，不具備自動(dòng)分析決策與自動(dòng)數(shù)據(jù)采集能力。未來有望實(shí)現(xiàn)集成多種設(shè)備，實(shí)現(xiàn)動(dòng)物各類表型特征的不間斷采集，通過一套智能量化專家系統(tǒng)對(duì)采集的結(jié)構(gòu)化數(shù)據(jù)進(jìn)行融合分析，最終實(shí)現(xiàn)畜禽養(yǎng)殖中動(dòng)物疾病的全自動(dòng)監(jiān)控。

6 結(jié)論與建議

本文首先闡述了畜禽疫病智能診療技術(shù)的重要意義和必要性，隨后對(duì)畜禽疫病與異常狀態(tài)智能自動(dòng)診斷技術(shù)的研究現(xiàn)狀、相關(guān)成果、發(fā)展趨勢(shì)進(jìn)行深入總結(jié)、歸納與分析，并系統(tǒng)地闡述了畜禽疫病自動(dòng)診斷技術(shù)的難點(diǎn)和發(fā)展趨勢(shì)。

目前基于動(dòng)物形態(tài)、行為、聲音、體溫、心率、排泄物、呼吸等各類特征對(duì)畜禽疫病自動(dòng)診療的理論方法和技術(shù)已經(jīng)比較成熟，可以基本實(shí)現(xiàn)通過數(shù)學(xué)模型實(shí)現(xiàn)對(duì)特征數(shù)據(jù)的分析、決策與判斷，極大地提升畜禽養(yǎng)殖疫病監(jiān)測(cè)的數(shù)字化水平。然而，大多數(shù)相關(guān)研究停留在試制、試研層面，個(gè)別研究有小范圍內(nèi)試用與測(cè)試，但大多未考慮到實(shí)際養(yǎng)殖環(huán)境中應(yīng)用的實(shí)際需求，未能全面考慮到各類干擾對(duì)自動(dòng)判斷模型的干擾，相關(guān)的研究也沒有具體開展，因此亟需整合現(xiàn)有的技術(shù)資源與養(yǎng)殖經(jīng)驗(yàn)，著力通過數(shù)字化和智能化技術(shù)和方法為畜禽養(yǎng)殖提供助力。

未來畜禽養(yǎng)殖疾病診斷智能傳感技術(shù)的研究建議主要包括，一是優(yōu)化各類傳感器的數(shù)字采集能力，克服養(yǎng)殖環(huán)境多塵、高溫、高濕的惡劣環(huán)境，并在使用中保持良好的數(shù)據(jù)采集穩(wěn)定性，克服因動(dòng)物位置移動(dòng)、姿態(tài)變化、應(yīng)激反應(yīng)造成的測(cè)量誤差；二是提高數(shù)學(xué)模型的魯棒性與適用性，擴(kuò)大試驗(yàn)數(shù)據(jù)的來源，考慮不同養(yǎng)殖條件下對(duì)動(dòng)物疫病診療準(zhǔn)確率的控制，不能局限于單一、少量數(shù)據(jù)得出的結(jié)論；三是智能化畜禽疾病診療多傳感器特征融合的研究，可綜合考慮動(dòng)物形態(tài)、行為、聲音、體溫、心率、排泄物、呼吸等生理特征中的幾個(gè)和多個(gè)特征對(duì)自動(dòng)診斷結(jié)果的影響，并在各特征耦合的情況下，打通各診療模型之間的數(shù)據(jù)孤島，形成全面、高效、智能、精準(zhǔn)的畜禽動(dòng)物疫病綜合診斷方法。

[1] 孫康泰, 王小龍, 張建民, 蔣大偉, 葛毅強(qiáng). “十三五”國家重點(diǎn)研發(fā)計(jì)劃中的畜牧獸醫(yī)科技布局與評(píng)述. 畜牧獸醫(yī)學(xué)報(bào), 2020(1): 198-204.

SUN K T, WANG X L, ZHANG J M, JIANG D W, GE Y Q. The distribution and review of National Key Research and Development Program in Animal Husbandry and Veterinary Medicine Field during the 13th Five-Year Period. Acta Veterinaria et Zootechnica Sinica, 2020(1): 198-204. (in Chinese)

[2] 李建雄. 市場(chǎng)經(jīng)濟(jì)條件下我國畜牧業(yè)生產(chǎn)組織的創(chuàng)新研究[D]. 北京: 中國社會(huì)科學(xué)院研究生院, 2016.

LI J X. Research on innovation of animal husbandry production organization in China under market economy[D]. Beijing: Graduate School of Chinese Academy of Social Sciences, 2016. (in Chinese)

[3] 王健. 當(dāng)前畜牧業(yè)發(fā)展形勢(shì)及重點(diǎn)任務(wù). 獸醫(yī)導(dǎo)刊, 2019(13): 1.

WANG J. Current Development Situation and Key Tasks of Animal Husbandry. Veterinary Orientation, 2019(13): 1. (in Chinese)

[4] 國務(wù)院辦公廳. 國家中長(zhǎng)期動(dòng)物疫病防治規(guī)劃（2012—2020年）: http: //www. gov. cn/zwgk/2012-05/25/content_2145581. htm.

General Office of the State Council. National animal disease prevention and control for the medium and long term planning (2012-2020): http: //www. gov. cn/zwgk/2012-05/25/content_2145581. htm. (in Chinese)

[5] 韓艷東. 信息化對(duì)現(xiàn)代畜牧業(yè)建設(shè)作用及趨勢(shì). 中國畜禽種業(yè), 2018, 14(5): 21.

HAN Y D. Effect of informatization on the construction of modern animal husbandry and its trend. The Chinese Livestock and Poultry Breeding, 2018, 14(5): 21. (in Chinese)

[6] 楚維斌, 史彬林, 紅雷, 趙啟龍. 抗生素在畜禽生產(chǎn)中的應(yīng)用·危害及科學(xué)使用. 安徽農(nóng)業(yè)科學(xué), 2015, 43(19): 128-130.

CHU W B, SHI B L, HONG L, ZHAO Q L. The application, harm and scientific use of antibiotics in livestock production. Journal of Anhui Agricultural Sciences, 2015, 43(19): 128-130. (in Chinese)

[7] OKINDA C, LU M Z, LIU L S, NYALALA, MUNERI C, WANG J T, ZHANG H L, SHEN M X. A machine vision system for early detection and prediction of sick birds: A broiler chicken model. Biosystems Engineering, 2019, 188: 229-242.

[8] HUANGJ D, WANG W Q, ZHANG T M. Method for detecting avian influenza disease of chickens based on sound analysis. Biosystems Engineering, 2019, 180: 16-24,

[9] NASIRAHMADI A, STURM B, OLSSON A C, JEPPSSON K H, MüLLER S, EDWARDS S, HENSEL O. Automatic scoring of lateral and sternal lying posture in grouped pigs using image processing and Support vector machine. Computers and Electronics in Agriculture, 2019, 156: 475-481.

[10] 鄭國生, 施正香, 滕光輝. 基于不同行為時(shí)間的奶牛健康狀況評(píng)價(jià). 農(nóng)業(yè)工程學(xué)報(bào), 2019, 35(19): 238-244.

ZHENG G S, SHI Z X, TENG G H. Health assessment of cows based on different behavior time. Transactions of the Chinese Society of Agricultural Engineering, 2019, 35(19): 238-244. (in Chinese)

[11] HALACHMI I, POLAK P, ROBERTS D J, KLOPCIC M. Cow body shape and automation of condition scoring. Journal of Dairy Science, 2008, 91(11): 4444-4451.

[12] 陸明洲, 沈明霞, 丁永前, 楊曉靜, 周波, 王志國. 畜牧信息智能監(jiān)測(cè)研究進(jìn)展. 中國農(nóng)業(yè)科學(xué), 2012, 45(14): 2939-2947.

LU M Z, SHEN M X, DING Y Q, YANG X J, ZHOU B, WANG Z G. Review on the intelligent technology for animal husbandry information monitoring. Scientia Agricultura Sinica, 2012, 45(14): 2939-2947. (in Chinese)

[13] ZHUANG X L, BI M N, GUO J L, WU S Y, ZHANG T M. Development of an early warning algorithm to detect sick broilers. Computers and Electronics in Agriculture, 2018, 144: 102-113.

[14] ZHUANG X L, ZHANG T M. Detection of sick broilers by digital image processing and deep learning. Biosystems Engineering, 2019, 179: 106-116,

[15] 畢敏娜, 張鐵民, 莊曉霖, 焦培榮. 基于雞頭特征的病雞識(shí)別方法研究. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2018, 49(1): 51-57.

BI M N, ZHANG T M, ZHUANG X L, JIAO P R. Recognition method of sick yellow feather chicken based on head features. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(1): 51-57. (in Chinese)

[16] 李亞碩, 毛文華, 胡小安, 張小超. 基于機(jī)器視覺識(shí)別雞冠顏色的病雞檢測(cè)方法. 機(jī)器人技術(shù)與應(yīng)用, 2014(5): 23-25.

LI Y S, MAO W H, HU X A, ZHANG X C. Detection method for sick chicken based on machine vision recognition of comb color. Robot Technique and Application, 2014(5): 23-25. (in Chinese)

[17] AZZARO G, CACCAMO M, FERGUSON J D, BATTIATO S, FARINELLA G M, GUARNERA G C, PUGLISI G, PETRIGLIERI R, LICITRA G. Objective estimation of body condition score by modeling cow body shape from digital images. Journal of Dairy Science, 201194(4): 2126-2137.

[18] SPOLIANSKY R, EDAN Y, PARMET Y, HALACHMI I. Development of automatic body condition scoring using a low-cost 3-dimensional Kinect camera. Journal of Dairy Science, 2016, 99(9): 7714-7725.

[19] BL?MKE L, VOLKMANN N, KEMPER N. Evaluation of an automated assessment system for ear and tail lesions as animal welfare indicators in pigs at slaughter. Meat Science, 2020, 159: 107934.

[20] 滕光輝, 申志杰, 張建龍, 石晨, 余炅樺. 基于Kinect傳感器的無接觸式母豬體況評(píng)分方法. 農(nóng)業(yè)工程學(xué)報(bào), 2018, 34(13): 211-217.

TENG G H, SHEN Z J, ZHANG J L, SHI C, YU J H. Non-contact sow body condition scoring method based on Kinect sensor. Transactions of the Chinese Society of Agricultural Engineering, 2018, 34(13): 211-217. (in Chinese)

[21] 高云, 郭繼亮, 黎煊, 雷明剛, 盧軍, 童宇. 基于深度學(xué)習(xí)的群豬圖像實(shí)例分割方法. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2019, 50(4): 179-187.

GAO Y, GUO J L, LI X, LEI M G, LU J, TONG Y. Instance-level segmentation method for group pig images based on deep learning. Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(4): 179-187. (in Chinese)

[22] 薛月菊, 楊曉帆, 鄭嬋, 陳暢新, 甘海明, 李詩梅. 基于隱馬爾科夫模型的深度視頻哺乳母豬高危動(dòng)作識(shí)別. 農(nóng)業(yè)工程學(xué)報(bào), 2019, 35(13): 184-190.

XUE Y J, YANG X F, ZHENG C, CHEN C X, GAN H M, LI S M. Lactating sow high-dangerous body movement recognition from depth videos based on hidden Markov model. Transactions of the Chinese Society of Agricultural Engineering, 2019, 35(13): 184-190. (in Chinese)

[23] 鄧寒冰, 許童羽, 周云成, 苗騰, 張聿博, 徐靜, 金莉, 陳春玲. 基于DRGB的運(yùn)動(dòng)中肉牛形體部位識(shí)別. 農(nóng)業(yè)工程學(xué)報(bào), 2018, 34(5): 166-175.

DENG H B, XU T Y, ZHOU Y C, MIAO T, ZHANG Y B, XU J, JIN L, CHEN C L. Body shape parts recognition of moving cattle based on DRGB. Transactions of the Chinese Society of Agricultural Engineering, 2012, 34(5): 166-175. (in Chinese)

[24] LOKESHBABU D S, JEYAKUMAR S, VASANT P J, SATHIYABARATHIG M, MANIMARAN A, KUMARESAN A, HEARTWIN A. SIVARAMD M, RAMESHAE K P, MUKUND A, SIDDARAMANNA F. Monitoring foot surface temperature using infrared thermal imaging for assessment of hoof health status in cattle: A review. Journal of Thermal Biology, 2018, 78: 10-21,

[25] TAMI M. BROWN-BRANDL, ROGER A. EIGENBERG, JOSEPH L P, Using thermal imaging as a method of investigating thermal thresholds in finishing pigs. Biosystems Engineering, 2013, 114(3): 327-333.

[26] CORTIVO P D, DIAS E, BARCELLOS J O J, PERIPOLLI V, COSTA JR J B G, B S L DALLAGO, MCMANUS C M. Use of thermographic images to detect external parasite load in cattle. Computers and Electronics in Agriculture, 2016, 127: 413-417.

[27] 李廣棟, 呂東穎, 田秀芝, 姬鵬云, 郭江鵬, 路永強(qiáng), 劉國世. 組學(xué)技術(shù)在奶牛乳房炎上應(yīng)用的相關(guān)研究進(jìn)展. 中國農(nóng)業(yè)科學(xué), 2019, 52(2): 350-358.

LI G D, Lü D Y, TIAN X Z, JI P Y, GUO J P, LU Y Q, LIU G S. Research progress of omics technologies in cow mastitis. Scientia Agricultura Sinica, 2019, 52(2): 350-358. (in Chinese)

[28] 陳仁金, 楊章平, 毛永江, 陳瑩, 常玲玲, 吳海濤, 冀德君, 李云龍, 張亞琴. 中國荷斯坦牛LYZ基因多態(tài)性及其與乳房炎的關(guān)聯(lián)分析. 中國農(nóng)業(yè)科學(xué), 2010, 43(23): 4936-4941.

CHEN R J, YANG Z P, MAO Y J, CHEN Y, CHANG L L, WU H T, JI D J, LI Y L, ZHANG Y Q. Polymorphism of LYZ gene and its association with mastitis trait in Chinese Holstein. Scientia Agricultura Sinica, 2010, 43(23): 4936-4941. (in Chinese)

[29] SATHIYABARATHI M, JEYAKUMAR S, MANIMARAN A, PUSHPADASS H A, SIVARAM M, RAMESHA K P, DAS D N, KATAKTALWARE M A. Infrared thermal imaging of udder skin surface temperature variations to monitor udder health status in(Deoni) cows. Infrared Physics & Technology, 2018, 88: 239-244.

[30] STOKES J E, LEACH K A, MAIN D C J, WHAY H R. An investigation into the use of infrared thermography (IRT) as a rapid diagnostic tool for foot lesions in dairy cattle. The Veterinary Journal, 2012, 193(3): 674-678.

[31] MARTINS R F S, PAIM T D P, CARDOSO C D A, DALLAGO B S L, MELO C B D, LOUVANDINI H, MASTITIS C M. Detection in sheep by infrared thermography. Research in Veterinary Science, 2013, 94(3): 722-724,

[32] AMEZCUA, WALSH M, SHANNON, LUIMES R H, FRIENDSHIP R M. Infrared thermography to evaluate lameness in pregnant sows. The Canadian Veterinary Journal, 2014, 55: 268-272.

[33] ZHANG X D, KANG X, FENG N N, LIU G. Automatic recognition of dairy cow mastitis from thermal images by a deep learning detector. Computers and Electronics in Agriculture, 2020, 178: 105754.

[34] URSINUS W W, REENEN C G V, KEMP B, BOLHUIS J E. Tail biting behaviour and tail damage in pigs and the relationship with general behaviour: Predicting the inevitable. Applied Animal Behaviour Science, 2014, 156: 22-36.

[35] MURPHY E, REBECCA E N, STAAY F J. A review of behavioural methods to study emotion and mood in pigs,. Applied Animal Behaviour Science, 2014, 159: 9-28.

[36] MATTHEWS S G, MILLER A L, CLAPP J, PLOTZ T, KYRIAZAKIS L. Early detection of health and welfare compromises through automated detection of behavioural changes in pigs. The Veterinary Journal, 2016, 217: 43-51,

[37] MADSEN T N, KRISTENSEN A R. A model for monitoring the condition of young pigs by their drinking behavior. Computers and Electronics in Agriculture, 2005, 48(2): 138-154.

[38] CORNOU C, VINTHER J, KRISTENSEN A R. Automatic detection of oestrus and health disorders using data from electronic sow feeders. Livestock Science, 2008, 118(3): 262-271.

[39] AYDIN A. Using 3D vision camera system to automatically assess the level of inactivity in broiler chickens. Computers and Electronics in Agriculture, 2017, 135: 4-10.

[40] 朱偉興, 浦雪峰, 李新城, 陸晨芳. 基于行為監(jiān)測(cè)的疑似病豬自動(dòng)化識(shí)別系統(tǒng). 農(nóng)業(yè)工程學(xué)報(bào), 2010, 26(1): 188-192.

ZHU W X, PU X F, LI X C, LU C F. Automatic identification system of pigs with suspected case based on behavior monitoring. Transactions of the Chinese Society of Agricultural Engineering, 2010, 26(1): 188-192. (in Chinese)

[41] PORTO S M C, ARCIDIACONO C, ANGUZZA U, CASCONE G. A computer vision-based system for the automatic detection of lying behaviour of dairy cows in free-stall barns. Biosystems Engineering, 2013, 115(2): 184-194.

[42] 溫長(zhǎng)吉, 張金鳳, 李卓識(shí), 婁月, 于合龍, 姜海龍. 改進(jìn)稀疏超完備詞典方法識(shí)別奶牛跛足行為. 農(nóng)業(yè)工程學(xué)報(bào), 2018, 34(18): 219-227.

WEN C J, ZHANG J F, LI Z S, LOU Y, YU H L, JIANG H L. Improved sparse and super-complete dictionary method for identification of lameness in dairy cows. Transactions of the Chinese Society of Agricultural Engineering, 2018, 34(18): 219-227. (in Chinese)

[43] WU D H, YIN X Q, JIANG B, JIANG M, LI Z Y, SONG H B. Detection of the respiratory rate of standing cows by combining the Deeplab V3+ semantic segmentation model with the phase-based video magnification algorithm. Biosystems Engineering, 2020, 192: 72-89.

[44] WEEKS C A, DANBURY D T, DAVIES H C. The behaviour of broiler chickens and its modification by lameness. Applied Animal Behaviour Science, 2000(67): 111-125.

[45] LAO F D, T. BROWN-BRAND L, STINN J P, LIU K, TENG G H, XIN H. Automatic recognition of lactating sow behaviors through depth image processing. Computers and Electronics in Agriculture, 2016, 125: 56-62.

[46] 宋懷波, 牛滿堂, 姬存慧, 李振宇, 祝清梅. 基于視頻分析的多目標(biāo)奶牛反芻行為監(jiān)測(cè). 農(nóng)業(yè)工程學(xué)報(bào), 2018, 34(18): 211-218.

SONG H B, NIU M T, JI C H, LI Z Y, ZHU Q M. Monitoring of multi-target cow ruminant behavior based on video analysis technology. Transactions of the Chinese Society of Agricultural Engineering, 2018, 34(18): 211-218. (in Chinese).

[47] YANG Q M, XIAO D Q, LIN S C. Feeding behavior recognition for group-housed pigs with the Faster R-CNN. Computers and Electronics in Agriculture, 2018, 155: 453-460.

[48] 陶源棟, 沈明霞, 劉龍申, 陸明洲, 許佩全, 施宏. 基于Kinect的母豬呼吸頻率測(cè)定算法. 南京農(nóng)業(yè)大學(xué)學(xué)報(bào), 2017, 40(5): 921-927.

TAO Y D, SHEN M X, LIU L S, LU M Z, XU P Q, SHI H. Study on measurement algorithm of sow respiratory frequency based on Kinect. Journal of Nanjing Agricultural University, 2017, 40(5): 921-927. (in Chinese)

[49] TSAI Y C, HSU J T, DING S T, RUSTIA D J, LIN T T. Assessment of dairy cow heat stress by monitoring drinking behaviour using an embedded imaging system. Biosystems Engineering, 2020, 199: 97-108.

[50] NASIRAHMADI A, HENSEL O, EDWARDS S A, STURM B. Automatic detection of mounting behaviours among pigs using image analysis. Computers and Electronics in Agriculture, 2016, 124: 295-302.

[51] 康熙, 張旭東, 劉剛, 馬麗. 基于機(jī)器視覺的跛行奶牛牛蹄定位方法. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2019, 50(S1): 276-282.

KANG X, ZHANG X D, LIU G, MA L. Hoof location method of lame dairy cows based on machine vision. Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(S1): 276-282. (in Chinese)

[52] DAWKINS M S, RUSSEL C, STEPHEN J R. Flock behavior and chicken welfare. Animal Behaviour, 2012, 84(1): 219-223.

[53] 沈明霞, 李嘉位, 陸明洲, 劉龍申, 孫玉文, 李泊. 基于動(dòng)態(tài)多特征變量的黃羽肉雞跛行狀態(tài)定量評(píng)價(jià)方法. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2018, 49(9): 35-44.

SHEN M X, LI J W, LU M Z, LIU L S, SUN Y W, LI B. Evaluation method of limping status of broilers based on dynamic multi-feature variables. Transactions of the Chinese Society for Agricultural Machinery, 2008, 49(9): 35-44. (in Chinese)

[54] JABBAR K A, HANSEN M F, SMITH M L, SMITH L N. Early and non-intrusive lameness detection in dairy cows using 3-dimensional video. Biosystems Engineering, 2017, 153: 63-69.

[55] KASHIHA M A, BAHR C, QTT S, MOONS C P H, NIEWOLD T, ATUYTTENS F, BERCKMANS D. Automatic monitoring of pig locomotion using image analysis. Livestock Science, 2014, 159: 141-148.

[56] 朱家驥, 朱偉興. 基于星狀骨架模型的豬步態(tài)分析. 江蘇農(nóng)業(yè)科學(xué), 2015, 43(12): 453-457.

ZHU J J, ZHU W X. Analysis of pig gait based on stellate skeleton model. Jiangsu Agricultural Sciences, 2015, 43(12): 453-457. (in Chinese)

[57] XIAO L F, DING K Y, GAO Y W, RAO X Q. Behavior-induced health condition monitoring of caged chickens using binocular vision. Computers and Electronics in Agriculture, 2019, 156: 254-262.

[58] CHEN C, ZHU W X, LIU D, STEIBEL J, SIEGFORD J, WURTZ K, HAN J J, NORTON T. Detection of aggressive behaviours in pigs using a RealSence depth sensor. Computers and Electronics in Agriculture, 2019, 166: 105003.

[59] 高云, 陳斌, 廖慧敏, 雷明剛, 黎煊, 李靜, 羅俊杰. 群養(yǎng)豬侵略性行為的深度學(xué)習(xí)識(shí)別方法. 農(nóng)業(yè)工程學(xué)報(bào), 2019, 35(23): 192-200.

GAO Y, CHEN B, LIAO H M, LEI M G, LI X, LI J, LUO J J. Recognition method for aggressive behavior of group pigs based on deep learning. Transactions of the Chinese Society of Agricultural Engineering, 2019, 35(23): 192-200. (in Chinese)

[60] ESCALANTE H J, RODRIGUEZ S V, CORDERO J, KRISENSEN A R, CORNOU C. Sow-activity classification from acceleration patterns: A machine learning approach. Computers and Electronics in Agriculture, 2013, 93: 17-26.

[61] SHEN W Z, ZHANG A J, ZHANG Y, WEI X L, SUN J. Rumination recognition method of dairy cows based on the change of noseband pressure. Information Processing in Agriculture, 2020. DOI: 10.1016/ j.inpa.2020.01.005.

[62] 鄧寒冰, 周云成, 許童羽, 苗騰, 徐靜. 基于RGB-D的肉牛圖像全卷積網(wǎng)絡(luò)語義分割優(yōu)化. 農(nóng)業(yè)工程學(xué)報(bào), 2019, 35(18): 151-160.

DENG H B, ZHOU Y C, XU T Y, MIAO T, XU J. Optimization of cattle’s image semantics segmentation with fully convolutional networks based on RGB-D. Transactions of the Chinese Society of Agricultural Engineering, 2019, 35(18): 151-160. (in Chinese)

[63] 宋懷波, 吳頔華, 陰旭強(qiáng), 姜波, 何東健. 基于Lucas-Kanade稀疏光流算法的奶牛呼吸行為檢測(cè). 農(nóng)業(yè)工程學(xué)報(bào), 2019, 35(17): 215-224.

SONG H B, WU D H, YIN X Q, JIANG B, HE D J. Detection of cow breathing behavior based on Lucas-Kanade sparse optical flow algorithm. Transactions of the Chinese Society of Agricultural Engineering, 2019, 35(17): 215-224. (in Chinese)

[64] 趙曉洋. 基于動(dòng)物發(fā)聲分析的畜禽舍環(huán)境評(píng)估[D]. 杭州: 浙江大學(xué), 2019.

ZHAO X Y. Environmental assessment of livestock houses based on vocal analysis of animals[D]. Hangzhou: Zhejiang University, 2019. (in Chinese)

[65] WANG X S, ZHAO X Y, HE Y, WANG K Y. Cough sound analysis to assess air quality in commercial weaner barns. Computers and Electronics in Agriculture, 2019, 160: 8-13.

[66] 楊稷, 沈明霞, 劉龍申, 陸明洲, 何燦隆, 李嘉位. 基于音頻技術(shù)的肉雞采食量檢測(cè)方法研究. 華南農(nóng)業(yè)大學(xué)學(xué)報(bào), 2018, 39(5): 118-124.

YANG J, SHEN M X, LIU L S, LU M Z, HE C L, LI J W. Research of detection method for broiler chicken feed intake based on audio technology. Journal of South China Agricultural University, 2018, 39(5): 118-124. (in Chinese)

[67] 徐亞妮. 基于語音識(shí)別技術(shù)的母豬咳嗽監(jiān)測(cè)系統(tǒng)研究與實(shí)現(xiàn)[D]. 南京: 南京農(nóng)業(yè)大學(xué), 2016.

XU Y N. Research and implementation of sow’s cough monitoring system based on voice recognition technology[D]. Nanjing: Nanjing Agricultural University, 2016. (in Chinese)

[68] SHENG H, ZHANG S F, ZUO L S, DUAN G H, ZHANG H L, OKINDA C, SHEN M X, CHEN K L, LU M Z, NORTON T. Construction of sheep forage intake estimation models based on sound analysis. Biosystems Engineering, 2020, 192: 144-158.

[69] DENIZ N N, CHELOTTI J O, GALLI J R, PLANISICH A M, LARRIPA M J, RUFINER H L, GIOVANINI L L. Embedded system for real-time monitoring of foraging behavior of grazing cattle using acoustic signals. Computers and Electronics in Agriculture, 2017, 138: 167-174.

[70] 閆麗, 邵慶, 吳曉梅, 謝秋菊, 孫昕, 韋春波. 基于偏度聚類的哺乳期母豬聲音特征提取與分類識(shí)別. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2016, 47(5): 300-306.

YAN L, SHAO Q, WU X M, XIE Q J, SUN X, WEI C B. Feature extraction and classification based on skewness clustering algorithm for lactating sow. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(5): 300-306. (in Chinese)

[71] 余禮根, 滕光輝, 李保明, 勞鳳丹, 曹晏飛. 棲架養(yǎng)殖模式下蛋雞發(fā)聲分類識(shí)別. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2013, 44(9): 236-242.

YU L G, TENG G H, LI B M, LAO F D, CAO Y F. Classification methods of vocalization for laying hens in perch system. Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(9): 236-242. (in Chinese)

[72] EXADAKTYLOS V, SILVA M, AERTS J M, TAYLOR C J, BERCKMANS D. Real-time recognition of sick pig cough sounds. Computers and Electronics in Agriculture, 2008, 63(2): 207-214.

[73] 韓磊磊, 田建艷, 張?zhí)K楠, 李江麗. 基于決策樹支持向量機(jī)和模糊推理的生豬異常聲音識(shí)別. 畜牧與獸醫(yī), 2019, 51(3): 38-44.

HAN L L, TIAN J Y, ZHANG S N, LI J L. Porcine abnormal sounds recognition using decision-tree-based support vector machine and fuzzy inference. Animal Husbandry & Veterinary Medicine, 2019, 51(3): 38-44. (in Chinese)

[74] 宣傳忠, 武佩, 張麗娜, 馬彥華, 張永安, 鄔娟. 羊咳嗽聲的特征參數(shù)提取與識(shí)別方法. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2016, 47(3): 342-348.

XUAN C Z, WU P, ZHANG L N, MA Y H, ZHANG Y A, WU J. Feature parameters extraction and recognition method of sheep cough sound. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(3): 342-348. (in Chinese)

[75] HUANG J D, WANG W Q, ZHANG T M. Method for detecting avian influenza disease of chickens based on sound analysis. Biosystems Engineering, 2019, 180: 16-24.

[76] 張小栓, 張夢(mèng)杰, 王磊, 羅海玲, 李軍. 畜牧養(yǎng)殖穿戴式信息監(jiān)測(cè)技術(shù)研究現(xiàn)狀與發(fā)展分析. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2019, 50(11): 1-14.

ZHANG X S, ZHANG M J, WANG L, LUO H L, LI J. Research status and development analysis of wearable information monitoring technology in animal husbandry. Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(11): 1-14. (in Chinese)

[77] ZHANG Z Q, ZHANG H, LIU T H. Study on body temperature detection of pig based on infrared technology: A review. Artificial Intelligence in Agriculture, 2019, 1: 14-26.

[78] 張國鋒, 陶莎, 于麗娜, 褚琦, 賈敬敦, 高萬林. 基于植入式RFID感溫芯片的豬體溫與飲水監(jiān)測(cè)系統(tǒng). 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2019, 50(S1): 297-304.

ZHANG G F, TAO S, YU L N, CHU Q, JIA J D, GAO W L. Pig body temperature and drinking water monitoring system based on implantable RFID temperature Chip. Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(S1): 297-304. (in Chinese)

[79] 屈東東, 劉素梅, 吳金杰, 李陽, 王傳忠. 群養(yǎng)奶牛體溫實(shí)時(shí)監(jiān)測(cè)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn). 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2016, 47(S1): 408-412.

QU D D, LIU S M, WU J J, LI Y, WANG C Z. Design and implementation of monitoring system for multiple cows body temperature. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(S1): 408-412. (in Chinese)

[80] 何東健, 劉暢, 熊虹婷. 奶牛體溫植入式傳感器與實(shí)時(shí)監(jiān)測(cè)系統(tǒng)設(shè)計(jì)與試驗(yàn). 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2018, 49(12): 195-202.

HE D J, LIU C, XIONG H T. Design and experiment of implantable sensor and real-time detection system for temperature monitoring of cow. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(12): 195-202. (in Chinese)

[81] HENTZEN M, HOVDEN D, JANSEN M, ESSEN G V. Design and validation of a wireless temperature measurement system for laboratory and farm animals. Proceedings of Measuring Behavior 2012: 466-471.

[82] 李贊. 一種柔性貼片式在線測(cè)量方式在生豬體溫測(cè)量中的應(yīng)用研究[D]. 長(zhǎng)春: 吉林農(nóng)業(yè)大學(xué), 2018.

LI Z. Application of a flexible patch online measurement method in pig body temperature measurement[D]. Changchun: Jilin Agricultural University, 2018. (in Chinese)

[83] 蔡勇. 牛體表溫度自動(dòng)采集系統(tǒng)研發(fā)及其與體內(nèi)溫度擬合曲線的研究[D]. 北京: 中國農(nóng)業(yè)科學(xué)院, 2015.

CAI Y. The study on the designing of theautomatical acquisition system for cow surface temperature and the fitting for surface temperature with rectal temperature[D]. Beijing: Chinese Academy of Agricultural Sciences, 2015. (in Chinese)

[84] 胡肄農(nóng). 動(dòng)物體溫?zé)o線測(cè)量系統(tǒng)的研究. 中國畜牧獸醫(yī)學(xué)會(huì)信息技術(shù)分會(huì), 2014: 54-63.

HU Y N. Study on the wireless measurement system of animal body temperature. Information Technology Branch of Chinese Society of Animal Husbandry and Veterinary Medicine, 2014: 54-63. (in Chinese)

[85] SALLES M S, SILVA S C, SALLES F A, JR L C, FARO L E, LEAN P A, OLIVEIRA C E, MARTELLO L S. Mapping the body surface temperature of cattle by infrared thermography. Journal of Thermal Biology, 2016, 62(Part A): 63-69.

[86] SIEWERT C, DANICKE S, KERSETEN S, BROSIG B, ROHWEDER D, BEYERVACG M, SEIFERT H. Difference method for analysing infrared images in pigs with elevated body temperatures. Zeitschrift für Medizinische Physik, 2014, 24: 6-15.

[87] IYASERE O S, EDWARDS S A, BATESON M, MITCHELL M, GUY J H. Validation of an intramuscularly-implanted microchip and a surface infrared thermometer to estimate core body temperature in broiler chickens exposed to heat stress. Computers and Electronics in Agriculture, 2017, 133: 1-8,

[88] 沈明霞, 陸鵬宇, 劉龍申, 孫玉文, 許毅, 秦伏亮. 基于紅外熱成像的白羽肉雞體溫檢測(cè)方法. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2019, 50(10): 222-229.

SHEN M X, LU P Y, LIU L S, SUN Y W, XU Y, QIN F L. Body temperature detection method of ross broiler based on infrared thermography. Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(10): 222-229. (in Chinese)

[89] ELLIS C K, STAHL R S, NOL P, WATERS W R, PALMER M V, RHYAN J C, VERCAUTEREN K C, MCCOLLUM M, SAKMAN M D. A pilot study exploring the use of breath analysis to differentiate healthy cattle from cattle experimentally infected with, PLoS One, 2014, 9(2): e89280.

[90] SANDERINK F E, GERRITSEN J W, KOERKAMP P W, MOURIK S V. Automatic detection of oestrus cows via breath sampling with an electronic nose: A pilot study. Biosystems Engineering, 2017, 156: 1-6.

[91] 張宏, 沈明霞, 陸明洲, 劉龍申, 張弛, 張光躍. 穿戴式豬用心電監(jiān)測(cè)系統(tǒng)設(shè)計(jì). 南京農(nóng)業(yè)大學(xué)學(xué)報(bào), 2016, 39(5): 872-879.

ZHANG H, SHEN M X, LU M Z, LIU L S, ZHANG C, ZHANG G Y. Design of wearable electrocardiogram monitoring system for pig. Journal of Nanjing Agricultural University, 2016, 39(5): 872-879. (in Chinese)

[92] 逯玉蘭, 李廣, 郝玉勝, 林強(qiáng). 基于Wi-Fi無線感知技術(shù)的豬呼吸頻率監(jiān)測(cè). 農(nóng)業(yè)工程學(xué)報(bào), 2019, 35(24): 183-190.

LU Y L, LI G, HAO Y S, LIN Q. Monitoring pig respiration frequency using Wi-Fi wireless sensing technology. Transactions of the Chinese Society of Agricultural Engineering, 2019, 35(24): 183-190. (in Chinese)

[93] 賈桂鋒, 王自唱, 向興發(fā), 武墩, 高云, 黎煊, 馮耀澤. 短時(shí)經(jīng)驗(yàn)?zāi)B(tài)分解實(shí)時(shí)識(shí)別生豬心電QRS波群. 農(nóng)業(yè)工程學(xué)報(bào), 2018, 34(10): 172-177.

JIA G F, WANG Z S, XIANG X F, WU D, GAO Y, LI X, FENG Y Z. Short-time empirical mode decomposition method of real-time QRS complex identifying for electrocardiography of pig. Transactions of the Chinese Society of Agricultural Engineering, 2018, 34(10): 172-177. (in Chinese)

[94] AHMED S T, MUN H S, YOE H, YANG C J. Monitoring of behavior using a video-recording system for recognition of Salmonella infection in experimentally infected growing pigs. Animal: An International Journal of Animal Bioscience, 2015, 9: 115-121.

[95] KIM D G, WANG C W, HO J G, MIN S D, KIM Y, CHOI M H. Development and feasibility test of a capacitive belt sensor for noninvasive respiration monitoring in different postures, Smart Health, 2020, 16: 100106.

[96] YUZER A H, SUMBUL H, POLAT K. A novel wearable real-time sleep apnea detection system based on the acceleration sensor. IRBM, 2020, 41: 39-47.

[97] 蔣皆恢, 徐俊, 周虎成, 嚴(yán)壯志. 一款基于穿戴式的無創(chuàng)連續(xù)血壓監(jiān)測(cè)系統(tǒng). 中國醫(yī)療器械雜志, 2018, 42(6): 400-404.

JIANG J H, XU J, ZHOU H C, YAN Z Z. Wearable device for non-Invasive continuously blood pressure monitoring. Chinese Journal of Medical Instrumentation, 2008, 42(6): 400-404. (in Chinese)

[98] 盛婷鈺, 方震, 陳賢祥, 趙湛. 腕表式睡眠呼吸暫停監(jiān)測(cè)系統(tǒng)設(shè). 傳感器與微系統(tǒng), 2018, 37(7): 96-98.

SHENG T Y, FANG Z, CHEN X X, ZHAO Z. Design of wearable sleep apnea monitoring system. Transducer and Microsystem Technologies, 2018, 37(7): 96-98. (in Chinese)

[99] 陳真誠, 宋浩, 朱健銘, 梁永波. 基于光電容積脈搏波的呼吸監(jiān)測(cè)系統(tǒng)研究. 中國醫(yī)學(xué)物理學(xué)雜志, 2019, 36(5): 579-584.

CHEN Z C, SONG H, ZHU J M, LIANG Y B. Respiration monitoring system based on photolethysmography. Chinese Journal of Medical Physics, 2019, 36(5): 579-584. (in Chinese)

[100] 李珊珊. 基于脈搏波的穿戴式連續(xù)血壓監(jiān)測(cè)方法的研究. 東南大學(xué), 2017.

LI S S. Study on wearable continuous measurement method of blood pressure base on pulse wave. Southeast University, 2017. (in Chinese)

[101] ZHUANG S J, MASELYNE J, NUFFEL A V, VANGEYTE J, SONCK B. Tracking group housed sows with an ultra-wideband indoor positioning system: A feasibility study. Biosystems Engineering, 2020, 200: 176-187.

[102] 高宏巖. 動(dòng)物疾病專家診斷系統(tǒng)及其應(yīng)用. 中國畜牧獸醫(yī)學(xué)會(huì)信息技術(shù)分會(huì), 中國畜牧獸醫(yī)學(xué)會(huì), 2017: 331-335.

GAO H Y. Expert diagnosis system of animal diseases and its application. Information Technology Branch of Chinese Society of Animal Husbandry and Veterinary. 2017: 331-335. (in Chinese)

[103] 王柯. 一種豬病知識(shí)庫自動(dòng)訓(xùn)練學(xué)習(xí)方法及豬病輔助診斷裝置. 北京市飼料工業(yè)協(xié)會(huì). 2016北京論壇, 2016: 200-204.

WANG K. Automatic training and learning method of a knowledge base for Pig disease and its auxiliary diagnostic device. Beijing Feed Industry Association. 2016 Beijing Forum, 2016: 200-204. (in Chinese)

[104] 謝南林, 廖廣賢, 周盈庭. 基于網(wǎng)絡(luò)的雞病防治與診斷專家系統(tǒng)設(shè)計(jì). 養(yǎng)殖與飼料, 2017(9): 73-74.

XIE N L, LIAO G X, ZHOU Y T. Design of a web-based expert system for chicken Disease Prevention and Diagnosis. Animals Breeding and Feed, 2017(9): 73-74. (in Chinese)

[105] 哈達(dá). 羊病防治專家系統(tǒng)的開發(fā). 畜牧獸醫(yī)科技信息, 2018(5): 68-69.

HADA. Development of an expert system for prevention and treatment of sheep disease. Chinese Journal of Animal Husbandry and Veterinary Medicine, 2018(5): 68-69. (in Chinese)

Research Progress of Intelligent Sensing Technology for Diagnosis of Livestock and Poultry Diseases

LI QiFeng, LI JiaWei, MA WeiHong, GAO RongHua, YU LiGen, DING LuYu, YU QinYang

Beijing Research Center for Information Technology in Agriculture, Beijing 100097

Animal husbandry is an important part of agriculture. At present, animal husbandry is developing towards large-scale and intensive development, which also increases the difficulty of diagnosis of livestock and poultry diseases. In recent years, in order to improve the level of animal welfare in livestock and poultry breeding, and to reduce the economic losses and public health safety risks caused by animal diseases and health abnormalities in livestock breeding, a number of automated methods for the diagnosis and treatment of livestock and poultry diseases through digital and intelligent means have emerged, such as machine vision analysis, animal audio analysis, infrared temperature perception, deep learning classification, etc. These methods could effectively improve the diagnosis efficiency of diseased or abnormal livestock and poultry, shorten the diagnosis cycle, and reduce the labor force of manual inspection in animal husbandry. The automatic diagnosis and treatment method of livestock and poultry diseases is different from the conventional diagnosis methods based on pathological knowledge, which mainly uses various sensors to automatically obtain various characteristics information of livestock and poultry during the breeding process, such as images, sounds, body temperature, heart rate, and excrement. The collected information is comprehensively analyzed and processed through mathematical models, such as Mel cepstrum coefficient, Logistics regression analysis and intelligent algorithms such as support vector machines and deep learning, and then the animal’s health status is evaluated and predicted. The current research progress of animal disease intelligent diagnosis technology and some basic method principles was summarized from several aspects, such as livestock and poultry morphological diagnosis technology, behavior diagnosis technology, sound diagnosis technology, body temperature diagnosis technology, and other physiological parameter diagnosis technology. Those methods were based on the digital characteristics of animal appearance and body size, behavior and movement, call and sound, body temperature, excrement, respiration and heart rate, the characteristics collected by the sensor, which were analyzed and classified in real time through mathematical models, and the analysis was basically achieved. The current research results on automatic diagnosis and treatment of livestock and poultry diseases were abundant, but most of the related diagnosis methods were carried out in an ideal environment. However, the interference factors in the actual production and breeding environment were very large, and the most of the current diagnostic methods could not eliminate the interference well and accurately extract the required characteristic information. Besides, the current digital livestock disease diagnosis methods were mostly based on the analysis and diagnosis of one kind of livestock feature information, which affected the diagnosis accuracy of the diagnosis system and the diagnosis results were not convincing. At the same time, the most of the current digital diagnosis methods for poultry and livestock diseases still had some problems such as poor diagnosis generalization ability and poor anti-interference ability, which restricted their promotion and application. The focus of future research on automatic diagnosis of livestock and poultry diseases is to improve the accuracy of its sensing algorithms and the applicability and robustness of mathematical models, and to develop an intelligent diagnosis and treatment expert system for livestock and poultry diseases based on multiple feature coupling and data fusion, realize real-time, efficient, intelligent and accurate livestock and poultry health diagnosis.

disease intelligent diagnosis for livestock and poultry; behavioral diagnosis; physiological diagnosis; sensor monitoring for livestock and poultry

10.3864/j.issn.0578-1752.2021.11.016

2020-06-17；

2020-12-22

國家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目（2018YFE0108500）、北京市農(nóng)林科學(xué)院國際合作基金（2019HP002）、省部級(jí)-平谷農(nóng)業(yè)科創(chuàng)區(qū)農(nóng)業(yè)人工智能創(chuàng)新服務(wù)平臺(tái)建設(shè)及示范應(yīng)用（Z191100004019007）

李奇峰，E-mail：liqf@nercita.org.cn。李嘉位，E-mail：ljw86@qq.com，李奇峰與李嘉位為同等貢獻(xiàn)作者。通信作者馬為紅，E-mail：mawh@nercita.org.cn

（責(zé)任編輯 林鑒非）