信息感知技術(shù)在畜禽養(yǎng)殖中的研究進展

沈明霞,丁奇安,陳佳,劉龍申

(1.南京農(nóng)業(yè)大學人工智能學院,江蘇 南京 210031;2.南京農(nóng)業(yè)大學工學院,江蘇 南京 210031; 3.江蘇智慧牧業(yè)裝備科技創(chuàng)新中心,江蘇 南京 210031)

畜禽養(yǎng)殖業(yè)是中國農(nóng)業(yè)的支柱產(chǎn)業(yè),2020年中國生豬出欄52 704萬頭,家禽出欄155.7億只,豬肉產(chǎn)量4 113萬噸,禽肉產(chǎn)量2 361萬噸,禽蛋產(chǎn)量3 468萬噸,其產(chǎn)值超過農(nóng)林牧漁業(yè)總產(chǎn)值的30%,帶動 2億多人就業(yè)[1]。作為世界上第一大豬養(yǎng)殖國和第二大肉雞養(yǎng)殖國,中國畜禽養(yǎng)殖效益與先進國家仍存在較大差距,根本原因是人工成本與養(yǎng)殖效率的差異[2]。研究發(fā)現(xiàn),畜禽表征信息能夠直觀反映其生長狀態(tài),對畜禽異常狀態(tài)的及時處理能夠有效提升養(yǎng)殖收益[3]。而國內(nèi)規(guī)?；B(yǎng)殖企業(yè)對相關(guān)信息的監(jiān)測仍然以人工觀察法為主,嚴重影響了畜禽養(yǎng)殖效益、制約了畜禽養(yǎng)殖業(yè)的發(fā)展。因此,將多領(lǐng)域先進技術(shù)遷移學習至畜禽養(yǎng)殖領(lǐng)域,通過智能化手段實現(xiàn)畜禽關(guān)鍵信息的檢測是當前的重要發(fā)展方向之一。

在畜禽養(yǎng)殖信息感知領(lǐng)域,眾多學者進行了大量的探索與研究,主要包括畜禽生長環(huán)境信息監(jiān)控與畜禽生長信息監(jiān)測。在畜禽生長環(huán)境信息監(jiān)控領(lǐng)域中,研究人員采用先進傳感器對畜禽生長環(huán)境中的溫度、濕度、光照、二氧化碳、氨氣和PM2.5等數(shù)值進行監(jiān)測[4-5],并將檢測到的信息及時反饋至中央控制系統(tǒng),對環(huán)境調(diào)控設(shè)備如風機、濕簾等進行自動化控制[6-7],考慮到養(yǎng)殖舍內(nèi)的復(fù)雜環(huán)境,有學者依據(jù)環(huán)境場理論[8]對舍內(nèi)環(huán)境監(jiān)控進行了更加深入研究;在畜禽生長表征信息監(jiān)測領(lǐng)域,主要通過數(shù)據(jù)采集設(shè)備結(jié)合智能算法對畜禽的體溫、體尺、體重、姿態(tài)和行為等關(guān)鍵生長信息進行監(jiān)測,其中包括傳感器、圖像處理、聲音處理、熱紅外成像等技術(shù)[9-11],也有研究人員利用音頻分析方法對畜禽聲音進行分析[12],監(jiān)測畜禽的患病情況。

采用信息感知技術(shù)代替人工檢測的方式,是畜禽養(yǎng)殖業(yè)發(fā)展的必由之路。本文闡述了信息感知技術(shù)在畜禽養(yǎng)殖環(huán)境與生長信息監(jiān)測中的研究現(xiàn)狀,分析了當前技術(shù)存在的不足,并就未來的發(fā)展趨勢做出討論,以期為相關(guān)研究學者提供參考,促進信息感知技術(shù)在畜養(yǎng)殖業(yè)的深入應(yīng)用與推廣。

1 畜禽養(yǎng)殖環(huán)境監(jiān)控

養(yǎng)殖環(huán)境與畜禽生長息息相關(guān),良好的養(yǎng)殖環(huán)境有利于養(yǎng)殖動物自身抵抗力增加,減少疾病異常,提高畜禽養(yǎng)殖的產(chǎn)量與質(zhì)量,促進養(yǎng)殖動物福利發(fā)展。

1.1 環(huán)境信息監(jiān)測

養(yǎng)殖環(huán)境信息主要包括溫度、濕度、有害氣體濃度、光照、通風等參數(shù),準確的監(jiān)測是環(huán)境自動監(jiān)控系統(tǒng)的基礎(chǔ),先進的無損監(jiān)測技術(shù)可以為畜禽舍環(huán)境調(diào)控提供技術(shù)保障。Jeppsson等[13]利用紅外分析儀,針對不同畜禽舍建筑結(jié)構(gòu),對氨氣、二氧化碳等氣體濃度的日變化規(guī)律進行了系統(tǒng)的分析,研究結(jié)果表明,利用非隔熱建筑結(jié)構(gòu)能夠增加氨氣的排放速率;Banhazi等[14]使用二氧化碳平衡法測量了歐洲160個養(yǎng)豬場的通風速率、空氣溫度和相對濕度等數(shù)據(jù),并對這些信息進行統(tǒng)計分析,以量化畜禽舍結(jié)構(gòu)和管理因素產(chǎn)生的環(huán)境影響。李帥等[15]采用STM32結(jié)合GSM模塊構(gòu)建畜禽環(huán)境監(jiān)測系統(tǒng)傳感器系統(tǒng),實現(xiàn)了人機交互下的環(huán)境控制。李頎等[16]利用ZigBee構(gòu)建信息監(jiān)測系統(tǒng),實現(xiàn)舍內(nèi)信息檢測的無線傳輸,并增加了用電量與用水量的數(shù)據(jù)采集,使得檢測信息更加全面。隨著機器學習成為熱門領(lǐng)域,有學者建立了基于BP神經(jīng)網(wǎng)絡(luò)和主成分分析的環(huán)境質(zhì)量評價模型,結(jié)合GPRS技術(shù)實現(xiàn)了雞舍中的溫濕度、二氧化碳濃度、氨氣濃度、PM2.5和PM10的監(jiān)測及報警,并通過環(huán)境質(zhì)量評價體系對雞舍進行環(huán)境評估[17]。畜禽舍內(nèi)環(huán)境有效監(jiān)測的研究為保障準確調(diào)控舍內(nèi)環(huán)境提供有力的支持。

1.2 畜禽養(yǎng)殖環(huán)境調(diào)控

對于畜禽環(huán)境監(jiān)控,國外相關(guān)技術(shù)發(fā)展較快且趨近成熟。如,智能化母豬管理系統(tǒng)能夠自動控制豬場內(nèi)溫度、濕度、通風、采光,自動傳輸母豬生產(chǎn)管理數(shù)據(jù),自動報警異常問題[18];還有在畜禽環(huán)境調(diào)控集群系統(tǒng)中引入了專家系統(tǒng)[19],可以對溫濕度、氨氣濃度參數(shù)進行采集和調(diào)控的同時實現(xiàn)對生病個體的識別;種豬生產(chǎn)性能測定系統(tǒng)FIRE[20]可以在豬場環(huán)境監(jiān)控中根據(jù)傳感器獲取溫度狀況,利用風機、水簾與地暖進行溫度控制,實現(xiàn)豬場的恒溫調(diào)控。相較而言,中國畜禽養(yǎng)殖環(huán)境調(diào)控正處于人工調(diào)控向無人值守的過渡期,模糊控制等自動控制策略被廣泛應(yīng)用。黃俊仕[21]構(gòu)造了一種模糊PID控制算法,將環(huán)境多因素進行整體考慮,利用優(yōu)先級來排除環(huán)境參數(shù)間互相耦合的干擾,保證系統(tǒng)運行的穩(wěn)定性?？紤]到閉環(huán)運行中可能出現(xiàn)的誤差,許多調(diào)控系統(tǒng)在設(shè)計中加入人工干預(yù),通過上位機界面[22]遠程獲取畜禽舍內(nèi)環(huán)境參數(shù),進行手動控制或者通過移動端[23]實時調(diào)控環(huán)境。為精準調(diào)控畜禽舍內(nèi)環(huán)境參數(shù),學者們對多因子環(huán)境評價展開研究,將溫度、濕度、光照強度和氨氣濃度等多種環(huán)境參數(shù)進行數(shù)據(jù)融合,從而構(gòu)建畜禽設(shè)施養(yǎng)殖適宜性評價預(yù)測模型[24];將環(huán)境調(diào)控與動物福利直接關(guān)聯(lián),通過基于環(huán)境和生理測量等多因素的動物熱應(yīng)力,提出一套新的環(huán)境智能調(diào)控策略,使畜禽環(huán)控更加合理[25];通過計算流體力學[26-27]、能量平衡方程[28]等方法對畜禽舍內(nèi)環(huán)境進行綜合評價,使非均勻環(huán)境場下的畜禽環(huán)境監(jiān)控更加全面。

畜禽環(huán)境監(jiān)控的根本目的是改善畜禽生長環(huán)境、提升動物福利、增加經(jīng)濟效益,當前畜禽舍環(huán)境監(jiān)控的方法主要是依靠專家經(jīng)驗結(jié)合實時數(shù)據(jù)進行舍內(nèi)環(huán)境調(diào)控,但由于養(yǎng)殖氣候、品種以及飼料種類等原因會產(chǎn)生畜禽個體對同一環(huán)境的不同體感反應(yīng)。以畜禽實時生長狀態(tài)為參照對象結(jié)合專業(yè)環(huán)控信息能夠?qū)崿F(xiàn)更加全面、合理的畜禽環(huán)境監(jiān)控,構(gòu)建動物生長信息、實時行為與畜禽舍內(nèi)環(huán)境之間的深層關(guān)聯(lián)將有助于進一步完善畜禽養(yǎng)殖的環(huán)境監(jiān)控,實現(xiàn)精準監(jiān)控向高效調(diào)控的升級。

2 畜禽關(guān)鍵生長信息感知

對畜禽生長信息進行監(jiān)測,一方面可以了解畜禽的生長情況,另一方面也可以實現(xiàn)相關(guān)疾病的管控。目前,中國主要以人工方式實現(xiàn)畜禽生長監(jiān)測,隨著養(yǎng)殖規(guī)模的不斷擴大,人工監(jiān)測的實施壓力持續(xù)增長,且監(jiān)測結(jié)果受主觀影響較大,無法實現(xiàn)統(tǒng)一化、標準化。因此,以自動化技術(shù)對相關(guān)信息進行感知就成為主要發(fā)展方向,學者們對這一領(lǐng)域進行了深入研究。本文將畜禽關(guān)鍵生長信息感知分為生理指標監(jiān)測與行為監(jiān)測,分別對典型的畜禽生理、行為信息監(jiān)測中所用到的相關(guān)技術(shù)進行總結(jié)。

2.1 畜禽生理指標監(jiān)測

2.1.1 體溫監(jiān)測畜禽體溫是反映生長狀態(tài)的重要指標,分析畜禽體溫變化能夠了解其生理狀況,并對異常情況做出及時處理。接觸式傳感設(shè)備由于技術(shù)成本相對較低且發(fā)展較早,被廣泛應(yīng)用于畜禽養(yǎng)殖領(lǐng)域。有研究人員[29]基于雞翅下溫度與其真實體溫的強相關(guān)性,在雞翅下放置溫度傳感器,利用無線模塊將溫度數(shù)據(jù)進行傳輸記錄,實現(xiàn)自動化體溫采集。楊威等[30]通過給蛋雞穿戴無線體溫感知設(shè)備,在記錄蛋雞體溫的同時監(jiān)測相應(yīng)的行為,分析蛋雞日常行為與其體溫變化之間的關(guān)聯(lián)。但是接觸式傳感器容易造成畜禽應(yīng)激反應(yīng),且安裝不便。因此,研究人員開始嘗試其他方法進行畜禽體溫檢測。

熱紅外成像技術(shù)作為一種非侵入式方法能夠直觀表現(xiàn)出畜禽不同部位的體表溫度與差異。McManus等[31]基于熱紅外成像技術(shù)發(fā)現(xiàn)畜禽的體表溫度與疾病、壓力和生長狀態(tài)相關(guān),動物發(fā)熱癥狀的圖像表達尤為顯著;da Fonseca等[32]也對生豬體溫與生豬狀態(tài)之間的關(guān)聯(lián)性進行深入分析,為挖掘畜禽體溫與生長狀態(tài)的潛在聯(lián)系提供了理論支持。準確率是實現(xiàn)體溫數(shù)據(jù)有效分析的前提,因此研究人員不斷優(yōu)化檢測算法以提升檢測的準確率。Shen等[33]利用形態(tài)學方法對圖像進行平滑與分割,之后以分水嶺算法提取雞頭,將雞頭作為參照估測肉雞體溫并采用標記法計算每張圖中肉雞的數(shù)量。結(jié)果表明,從160 cm高度和30°俯角處采集熱紅外圖像,該圖像處理方法識別肉雞頭部的準確率為91.3%,并能夠分析肉雞體溫。隨著神經(jīng)網(wǎng)絡(luò)的發(fā)展,有學者利用神經(jīng)網(wǎng)絡(luò)實現(xiàn)畜禽體溫檢測。例如,依據(jù)溫度、濕度、光照強度等環(huán)境因素,建立基于BP神經(jīng)網(wǎng)絡(luò)的多因素肉雞體溫反演模型[34],對比實際檢測結(jié)果,查準率達96.77%。畜禽體溫檢測的主要目的是實現(xiàn)生長狀態(tài)的監(jiān)測,檢測準確率的提升為自動化體溫監(jiān)測提供了技術(shù)保障。提升體溫檢測的魯棒性與準確率,挖掘畜禽體溫數(shù)據(jù)與生長狀態(tài)之間的關(guān)聯(lián)性,將會是后續(xù)研究的重點。

2.1.2 體重估測畜禽體重與養(yǎng)殖效益直接掛鉤,并且能夠反映個體的生長狀況,對生產(chǎn)管理具有指導(dǎo)意義。磅秤是人工測量畜禽體重的主要設(shè)備,但使用過程中會存在應(yīng)激反應(yīng)、工作量大等問題。因此,有研究人員根據(jù)雞的活動特點研制了一款雞體重實時監(jiān)測系統(tǒng),通過在肉雞采食的必經(jīng)之路上加裝CZL-A懸臂梁型傳感器,實現(xiàn)散養(yǎng)環(huán)境下群雞體重自動化抽樣檢測、數(shù)據(jù)存儲與打印等功能[35]。但養(yǎng)殖環(huán)境和畜禽破壞等問題導(dǎo)致相關(guān)裝置需要養(yǎng)殖人員定期維護,因此研究人員開始使用機器視覺技術(shù)來解決相關(guān)問題?；趧游矬w尺與體重的強相關(guān)性,部分學者通過測量體尺來估算體重。劉同海等[36]以單目相機采集生豬俯視圖像,利用背景去除法提取豬只輪廓,使用包絡(luò)法去除豬頭與豬尾的干擾,最后以體尺測點算法求得測量點位置,實現(xiàn)體長、腹部體寬、肩寬的檢測;為進一步提升測量準確性,其在后續(xù)研究中[37]采用雙目相機,優(yōu)化傳統(tǒng)的SAD、NCC等模板灰度立體匹配算法,實現(xiàn)生豬模型的三維重構(gòu),為生豬體重測量提供技術(shù)支持。深度相機能夠極大弱化環(huán)境干擾,因此被利用在畜禽的體尺檢測上[38-41]。在得到體尺數(shù)據(jù)后,通過體尺-體重計算公式[42]能夠估算出生豬的體重。但該公式并不適用所有畜禽,且過多的算法處理意味著誤差積累,因此有研究人員通過圖像直接實現(xiàn)畜禽的體重估測。例如,Amraei等[43]在圖像處理過程中加入分割算法去除背景干擾,建立投影面積與雞只體重的回歸模型,實現(xiàn)了體重估計。也有使用深度圖像結(jié)合回歸模型[44-45]來實現(xiàn)畜禽體重估測,或者結(jié)合神經(jīng)網(wǎng)絡(luò)[46]估測體重。

除了上述方法外,一些學者還進行了其他探索。Johansen等[47]研究環(huán)境條件對肉雞生長的動態(tài)影響,采用集成動態(tài)神經(jīng)網(wǎng)絡(luò)模型對生產(chǎn)數(shù)據(jù)進行訓練,構(gòu)建環(huán)境與體重的關(guān)聯(lián)模型,實現(xiàn)肉雞體重預(yù)測。Fontana等[48]確定了肉雞叫聲頻率與體重之間的相關(guān)性,并以此為基礎(chǔ)建立對應(yīng)的體重估測模型,實現(xiàn)無接觸式肉雞體重估測。這些研究均為后續(xù)進一步實現(xiàn)智能化養(yǎng)殖、提升動物福利提供有力的技術(shù)支持。

2.2 畜禽行為監(jiān)測

畜禽生理狀況異常會導(dǎo)致其行為變化,對個體行為映射畜禽的生長狀態(tài)能夠輔助養(yǎng)殖人員調(diào)整養(yǎng)殖策略。以人工巡檢為主的畜禽行為檢測方法無法滿足日益增長的養(yǎng)殖規(guī)模,因此,國內(nèi)外研究學者對畜禽行為智能化監(jiān)測技術(shù)進行了深入研究。

2.2.1 采食與飲水監(jiān)測采食、飲水行為是畜禽日常行為中主要的兩種日常行為,通過監(jiān)測采食與飲水量,能夠了解其生長狀態(tài),及時發(fā)現(xiàn)異常個體以及淘汰發(fā)育不良的對象。目前規(guī)?；笄蒺B(yǎng)殖場對采食、飲水行為的監(jiān)測主要依靠相關(guān)傳感器實現(xiàn)。滕金言等[49]通過雞自動飼喂系統(tǒng),探究雞采食行為的變化規(guī)律以及采食行為與生產(chǎn)性能之間的關(guān)系,為雞飼養(yǎng)管理方案的制定提供參考依據(jù)。陸明洲等[50]綜合運用 RFID 技術(shù)、紅外探測技術(shù)、ZigBee 技術(shù)及嵌入式系統(tǒng)技術(shù)設(shè)計了一套群養(yǎng)母豬飲水行為的實時遠程監(jiān)測系統(tǒng)。張國鋒等[51]基于植入式RFID 感溫芯片,設(shè)計集中式豬舍養(yǎng)殖環(huán)境下豬體溫和飲水行為的自動監(jiān)測系統(tǒng)。為減少畜禽應(yīng)激反應(yīng),也有學者通過音頻信息來監(jiān)測畜禽采食行為,Aydin等[52]證實肉雞采食頻率與采食量之間的相關(guān)系數(shù)高達0.985,表明采食聲音作為采食量的測定手段是可行的,并通過音頻處理技術(shù)檢測群體肉雞的短期飼喂行為[53]。楊稷等[54]發(fā)現(xiàn)肉雞啄食次數(shù)與采食量的相關(guān)系數(shù)高達0.982 5,對肉雞采食量的估測準確率為91.37%,為聲音監(jiān)測肉雞采食量提供了技術(shù)支持。Sheng等[55]采集綿羊采食聲片段,從每個咀嚼聲片段中提取7個解釋變量,通過訓練一個基于高斯核的支持向量機分類器來識別綿羊的咀嚼聲音片段,有學者通過隱馬爾可夫算法建立聲學分類模型,識別綿羊的咀嚼和咬合聲音[56],有相關(guān)團隊將該方法結(jié)合長短時記憶網(wǎng)絡(luò),以聲音為基礎(chǔ)對采食行為進行檢測,進一步估測山羊采食量[57]。張春慧等[58]采用三軸加速度傳感器對羊只活動時的三軸加速度數(shù)據(jù)進行采集,建立由BP神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合的羊只牧食行為識別模型,實現(xiàn)對羊只采食、咀嚼、反芻 3 種牧食行為的識別。

實際生產(chǎn)環(huán)境嘈雜,音頻分析技術(shù)難以廣泛應(yīng)用。因此,研究人員通過機器視覺技術(shù)進行畜禽采食飲水行為檢測。譚輝磊等[59]提出一種基于輪廓的豬只飲水行為識別方法,以形態(tài)學算法提取豬只輪廓,進行模板匹配,判斷豬只的飲水行為。Yang等[60]以相似方法分割豬只圖像,根據(jù)豬只頭部與料槽的相交面積,判斷豬的采食行為。為提升檢測的準確率,Lao等[61]根據(jù)深度圖像來判定豬只頭部與身體之間的位置關(guān)系,檢測豬的飲食和飲水行為;也有以豬只個體掩膜構(gòu)建群豬飲水檢測模型的方法[62]。為了使目標檢測方法能夠在實際養(yǎng)殖中應(yīng)用,Manoharan等[63]以樹莓派為硬件載體,將卷積神經(jīng)網(wǎng)絡(luò)模型加速后移植于該設(shè)備,在水槽上方實現(xiàn)對奶牛飲水行為的實時監(jiān)測。由于畜禽存在玩水、飼料剩余等情況,目前針對畜禽采食、飲水檢測的方法主要實現(xiàn)行為的定性分析,難以準確實現(xiàn)量化分析,也有學者以深度學習構(gòu)建檢測模型,實現(xiàn)仔豬玩水與飲水的區(qū)分[64],但在實際生產(chǎn)中的檢測效果還有待試驗。因此,通過自動化技術(shù)實現(xiàn)畜禽采食、飲水量的準確監(jiān)測,是后續(xù)研究的重點方向。

2.2.2 姿態(tài)與動作檢測畜禽的姿態(tài)與動作變化是反映其生長狀態(tài)的直觀指標之一,如生理異常會呈現(xiàn)萎靡、焦躁或是呆板等狀態(tài),環(huán)境的應(yīng)激也會導(dǎo)致打堆、攻擊和張嘴等行為。畜禽在不同生理階段會表現(xiàn)不同的運動規(guī)律性,例如母豬分娩前與分娩后的不同姿態(tài)比例會出現(xiàn)差異;對一些典型動作(爬跨、撕咬和啄羽等)的監(jiān)測也能夠幫助養(yǎng)殖人員調(diào)整養(yǎng)殖策略,避免非必要損失。因此,實現(xiàn)畜禽姿態(tài)與動作的自動化監(jiān)測對提升養(yǎng)殖效益具有重要作用。

接觸式傳感設(shè)備由于技術(shù)相對成熟,最先被應(yīng)用于畜禽養(yǎng)殖。閆麗等[65-66]通過加速度傳感器監(jiān)測母豬不同姿態(tài)下的信號特征,構(gòu)建不同姿態(tài)的特征模型,對母豬姿態(tài)以及產(chǎn)前高危動作進行識別。Garrido-Izard等[67]利用RFID耳標設(shè)備配合電子飼喂站對豬只的活動模式進行監(jiān)測。也有學者[68]在取奶器上連接加速度傳感器來判斷奶牛擠奶時的身體不適動作。畜禽佩戴式傳感器的典型應(yīng)用如圖1所示。

圖1 佩戴式傳感器的應(yīng)用Fig.1 Applications of wearable sensors

然而,由于動物的應(yīng)激性、安裝的不便性和設(shè)備的續(xù)航能力等問題,目前佩戴式設(shè)備的應(yīng)用更加適用于單體價值較高且性格相對溫順的個體,如奶牛等大型畜禽。如圖1-c所示,為一款奶牛佩戴式傳感器,能夠?qū)崿F(xiàn)奶牛的體溫、運動和采食時長等監(jiān)測。因此,無接觸的計算機視覺技術(shù)被廣泛應(yīng)用于相關(guān)的監(jiān)測研究。在研究初期,學者通過形態(tài)學方法提取畜禽特征,手動構(gòu)建運動檢測模型[69-70];隨著深度學習的發(fā)展,以卷積神經(jīng)網(wǎng)絡(luò)(CNN)為代表的圖像檢測模型,由于其優(yōu)秀的特征提取機制與融合系統(tǒng)吸引了眾多學者進行研究。深度學習目標檢測主要分為單階段(one-stage)、兩階段(two-stage)和無錨框法(anchor-free)。以單階段中典型網(wǎng)絡(luò)YOLOv3為例,其實現(xiàn)仔豬目標檢測的主要過程如圖2所示。

圖2 YOLOv3檢測仔豬目標Fig.2 Piglet detection based on YOLOv3

將輸入圖像劃分為n*n個柵格,對每個柵格進行類別估測,如果仔豬的中心點落到其中一個格點,那么該格點代表這一類目標,最終統(tǒng)計柵格進行檢測邊框繪制。其主要通過深度卷積神經(jīng)網(wǎng)絡(luò)對圖像特征進行提取與學習,但目前神經(jīng)網(wǎng)絡(luò)依然為黑盒模型,提取圖像特征并構(gòu)建模型的原理仍需進一步研究。YOLO的最新一代模型為YOLOv5,其主要網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

圖3 YOLOv5主要網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 YOLOv5 principal network structure

YOLOv5的結(jié)構(gòu)分為Input、Backbone、Neck和Prediction四個部分。Input為圖像輸入環(huán)節(jié),Backbone主要實現(xiàn)圖像特征提取,Neck主要實現(xiàn)圖像特征融合,Prediction主要實現(xiàn)目標預(yù)測。上述卷積神經(jīng)網(wǎng)絡(luò)模型主要針對靜態(tài)圖像檢測,對于動態(tài)行為的識別則需要將時序特征結(jié)合其中。Chen等[71]開發(fā)一種基于CNN結(jié)合長短時記憶(LSTM)的深度學習算法來識別豬的攻擊行為,檢測準確率高達95.82%。在后續(xù)研究中[72],該團隊同樣以深度學習網(wǎng)絡(luò)檢測仔豬對不同富集材料條件下的運動情況,分析富集材料與仔豬之間的關(guān)聯(lián),運動檢測的平均準確率超過96%。Wu等[73]基于CNN-LSTM網(wǎng)絡(luò),采用VGG-16為基本骨架,實現(xiàn)復(fù)雜環(huán)境下奶牛個體行為的識別,在不同天氣情況下對奶牛行走、趴臥等行為檢測的平均精度為97.6%。雖然深度學習技術(shù)極大提升了檢測精度,但其可解釋性不強,且需要相當?shù)乃懔χС?大規(guī)模應(yīng)用存在難度。因此,后續(xù)的研究方向更加傾向于模型的輕量化、邊緣端部署與算法的實際落地。

2.2.3 發(fā)情與分娩行為發(fā)情與分娩是種畜禽的關(guān)鍵行為,通過對這些行為的有效檢測,能夠?qū)崿F(xiàn)同期發(fā)情和分娩預(yù)測等需求,從而保障產(chǎn)仔率,對于規(guī)?；B(yǎng)殖具有重要意義。目前,主要依靠人工外部觀察結(jié)合多種試情法進行[74-75]種畜禽發(fā)情檢測,也有學者對數(shù)據(jù)進行分析,挖掘母豬發(fā)情關(guān)鍵性狀。Sykes等[76]通過數(shù)字紅外熱成像技術(shù)測量發(fā)情期和非發(fā)情期間后備母豬的外陰表面溫度,對比不同階段的形狀差異,發(fā)現(xiàn)母豬發(fā)情時的溫度要高于非發(fā)情狀態(tài)。Sim?es等[77]引入外陰-臀肌溫度的差值(VGT)來進行發(fā)情預(yù)測,研究表明在母豬發(fā)情前24～48 h的VGT值最大,與母豬排卵時間基本吻合。這些研究均為自動發(fā)情檢測提供理論支持。對于畜禽分娩,有研究人員[78]通過耳標溫度傳感器結(jié)合母豬分娩前的體溫變化特點,實現(xiàn)分娩前兆檢測。也有學者[79]利用卷積神經(jīng)網(wǎng)絡(luò)檢測奶牛體溫,實現(xiàn)對奶牛發(fā)情的判斷,并將該模型進一步優(yōu)化遷移至Android端,減少了使用難度。Oliviero等[80]通過運動傳感器監(jiān)測母豬的運動狀態(tài),預(yù)測母豬的分娩時間。為減輕畜禽應(yīng)激反應(yīng),Manteuffel等采用雷達傳感器[81]與光柵傳感器[82]對母豬產(chǎn)前姿態(tài)變化頻率進行監(jiān)測,實現(xiàn)母豬的分娩時間預(yù)測與分娩行為監(jiān)測;劉龍申等[83]利用機器視覺技術(shù),采用半圓匹配算法進行母豬目標分割,根據(jù)半圓擬合程度判斷有無仔豬出生;蔡星[84]提出了一種基于圖像分割和霍夫變換的算法獲取母豬位置和感興趣區(qū)域,基于感興趣區(qū)域輪廓面積和寬高比閾值實現(xiàn)分娩識別;曾曉嘉[85]通過改進Faster-RCNN檢測模型實現(xiàn)初生仔豬目標檢測,判斷母豬分娩;劉艷秋等[86]采用K-means聚類算法對母羊產(chǎn)前趴臥行為進行識別,通過對數(shù)據(jù)進行校正、濾波、加窗分段處理與主成分分析降維提取模樣產(chǎn)前運動行為中貢獻度最高的6個分量,利用BP神經(jīng)網(wǎng)絡(luò)進行站立、行走與刨地行為的識別,有助于實現(xiàn)母羊分娩預(yù)警。

在實際生產(chǎn)中,產(chǎn)仔率與活仔率直接影響?zhàn)B殖效益,因此如何高精度預(yù)測、監(jiān)測畜禽分娩具有重要經(jīng)濟的價值。而相比于分娩行為,發(fā)情行為的檢測指標更為多樣化,給自動化感知畜禽發(fā)情行為帶來了巨大的挑戰(zhàn)。無論是提升動物福利還是增加養(yǎng)殖收益,有效的發(fā)情行為檢測都必不可少,因此,整合多源數(shù)據(jù),實現(xiàn)高效、準確的發(fā)情與分娩行為檢測是智慧養(yǎng)殖重要的研究方向之一。對上述信息進行整合,具體結(jié)果如表1所示。

表1 信息感知技術(shù)在畜禽生長信息監(jiān)測上的應(yīng)用Table 1 Application of information sensing technology in monitoring livestock and poultry growth information

續(xù)表1 Table 1 continued

3 畜禽健康異常診斷與預(yù)警

畜禽養(yǎng)殖過程中的疾病傳播會大幅度提高死淘率并影響?zhàn)B殖的經(jīng)濟效益,進行疾病的早期干預(yù)與治療能夠減少疫病傳播,降低傷病危害和經(jīng)濟損失。通過智能化手段感知畜禽異常,不僅高效便捷,更能忽視經(jīng)驗誤差,減輕人工壓力,加快規(guī)?；B(yǎng)殖的發(fā)展。因此,精確、高效的自動化畜禽異常診斷與預(yù)警是智慧農(nóng)業(yè)的研究熱點之一。外界條件的突變或環(huán)境因素的不適會導(dǎo)致畜禽發(fā)生應(yīng)激反應(yīng),嚴重情況會導(dǎo)致疾病的爆發(fā)。因此國內(nèi)外一些學者開展了對動物應(yīng)激反應(yīng)的自動化檢測研究。Branco等[87]采用廣義序列模式(GSP)算法對肉雞生長第3和第4周的熱應(yīng)激進行評價。也有學者[88]通過機器學習提取畜禽不同階段的應(yīng)激叫聲構(gòu)建痛苦狀態(tài)分類決策樹,判斷畜禽在不同應(yīng)激反應(yīng)下的情況。這些研究為深入分析、檢測畜禽異常提供了有力的技術(shù)支持。

由于畜禽生長過快或個體之間相互競爭,導(dǎo)致跛足的發(fā)病率高。對跛足行為的識別研究,能夠?qū)π笄萃炔考膊∵M行監(jiān)測以及預(yù)警,減少因腿病導(dǎo)致的藥物用量以及死淘率。加速度傳感器能夠感知不同方向的運動信號,對非正常姿態(tài)檢測十分有效,有學者[89]為肉雞佩戴的無線運動腳環(huán)上加裝三軸加速度傳感器,度量肉雞跛足程度;也有研究人員[90]通過機器視覺技術(shù)對黃羽肉雞的動態(tài)多特征變量進行檢測,同時構(gòu)建跛足等級評價指標,自動判斷黃羽肉雞的跛足程度;也有以圖像處理技術(shù)構(gòu)建星狀骨架模型[91],分析豬的步態(tài),判斷跛足情況。受養(yǎng)殖環(huán)境以及畜禽個體性狀影響,接觸式傳感器存在設(shè)備脫落、續(xù)航不足和動物應(yīng)激等問題,而基于機器視覺的方式能夠?qū)崿F(xiàn)無接觸式檢測,在奶牛等大型畜禽監(jiān)測上具有較好的測試效果。Jiang等[92]構(gòu)建了基于FilterLayer的深度學習網(wǎng)絡(luò)FilterLayer YOLOv3(FLYOLOv3),以實現(xiàn)復(fù)雜場景下奶牛關(guān)鍵部位的檢測,在測試集中其準確率為99.18%,召回率為97.51%,平均精度為93.73%。雖然測試集的檢測結(jié)果十分優(yōu)異,但在實際生產(chǎn)應(yīng)用中個體與環(huán)境特征千差萬別,模型泛化能力仍是難點之一。因此,跛足檢測方法的實際應(yīng)用需要根據(jù)畜禽種類的不同進行深入分析。

消化道疾病是畜禽養(yǎng)殖業(yè)所面臨的重大疾病之一[93-94],而消化道疾病的暴發(fā)必然伴隨排泄的異常。Ahmed等[95]使用三軸加速度傳感器監(jiān)測腹瀉病豬的運動量和運動方式變化,實現(xiàn)斷奶仔豬腹瀉的早期檢測;浦雪峰等[96]提出一種改進運動目標檢測算法判斷豬是否位于排泄區(qū)并識別排泄行為;丁靜[97]等利用深度學習算法結(jié)合豬出現(xiàn)在排泄區(qū)域的頻率、排泄物狀態(tài),實現(xiàn)了斷奶仔豬的腹瀉檢測;Wang等[98],針對肉雞異常糞便,結(jié)合深度學習算法,實現(xiàn)了異常糞便的識別和分類,為實現(xiàn)肉雞消化道疾病的監(jiān)測奠定了技術(shù)基礎(chǔ)。相比于消化道疾病,呼吸道疾病在規(guī)?；B(yǎng)殖場具有更高的傳染性,致死率也更高。多數(shù)呼吸道疾病與聲音相關(guān),因此研究人員主要通過音頻信號來分析。黎煊等[99]提出了基于雙向長短時記憶網(wǎng)絡(luò)-連接時序分類模型(BLSTM-CTC)構(gòu)建豬聲音聲學模型,實現(xiàn)豬只連續(xù)咳嗽聲檢測,對呼吸道疾病能夠?qū)崿F(xiàn)早期預(yù)警。Carpentier等[100]開發(fā)了一種肉雞打噴嚏聲音監(jiān)測算法,根據(jù)肉雞叫聲的頻譜特征實現(xiàn)了多個噪聲源下的肉雞打噴嚏次數(shù)的監(jiān)控。也有學者[101]從健康肉雞和非健康肉雞的聲音信號中提取了叫聲特征,以音頻的能量波動特點對病雞聲音進行疾病分類。

由疾病、受傷或是打斗造成的個體死亡現(xiàn)象會進一步衍生死體滯留等問題,增加正常個體的感染風險從而擴大經(jīng)濟損失。通過智能化手段識別死亡個體,能夠及時提醒養(yǎng)殖人員進行死淘個體清理。禽類養(yǎng)殖相比于畜類養(yǎng)殖,具有單體體積小和養(yǎng)殖密度大、死淘個體不易被發(fā)現(xiàn)等難點,因此研究人員更加著重于病死禽類的檢測。Muvva等[102]根據(jù)死雞體溫會逐漸下降的生理特征,通過提取熱紅外圖像中活雞輪廓和可見光中所有的肉雞輪廓,根據(jù)檢測對象的不同溫度定位死雞。魏長寶等[103]把雞冠三維尺度、球形性等作為樣本特征進行訓練,建立死雞識別模型。瞿子淇[104]采用養(yǎng)殖機器人采集的黃羽肉雞圖像,根據(jù)活雞與死雞雞爪的形狀差異,設(shè)計了一套基于LibSVM算法的死雞檢測系統(tǒng)。

綜上所述,國內(nèi)外學者對于畜禽疾病檢測方法做了大量研究,為進一步實現(xiàn)自動化檢測異常畜禽個體提供了有力的技術(shù)支持。但實際養(yǎng)殖環(huán)境復(fù)雜,多數(shù)成果只能適用于單一對象或試驗環(huán)境,因此后續(xù)的研究重點是提升檢測方法的魯棒性與泛化能力,加快試驗成果向?qū)嶋H生產(chǎn)的步伐。對上述信息進行整合,具體結(jié)果如表2所示。

表2 信息感知技術(shù)在畜禽異常檢測中的應(yīng)用Table 2 Application of information sensing technology in monitoring livestock and poultry anomaly detection

續(xù)表2 Table 2 continued

4 展望

基于近年來國內(nèi)外在相關(guān)領(lǐng)域的研究現(xiàn)狀,信息感知技術(shù)在畜禽養(yǎng)殖領(lǐng)域的研究主要圍繞環(huán)境監(jiān)測、生理行為表征監(jiān)測、異常及疾病監(jiān)測與預(yù)警等方面展開。研究重點為提升直接信息獲取精度與優(yōu)化信息結(jié)構(gòu),加深信息聯(lián)系的硬軟件改良。畜禽養(yǎng)殖通過應(yīng)用信息感知技術(shù)降低了生產(chǎn)投入,提升了生產(chǎn)能力,但依然存在一些需要進一步研究的問題,如群養(yǎng)模式檢測效果不理想、泛化能力不足、可推廣性不強、相對成本高等。針對這些問題,結(jié)合技術(shù)發(fā)展,未來將從系統(tǒng)優(yōu)化、專業(yè)領(lǐng)域交叉融合等方面進行優(yōu)化。主要包括:

1)多學科交叉融合,形成準確可靠的信息映射模型

養(yǎng)殖個體在不同生長階段、不同養(yǎng)殖環(huán)境下的外在表征會有明顯區(qū)別,為準確地將獲取的圖像、聲音等直接數(shù)據(jù)與動物生理信息相對應(yīng),需要融合不同專業(yè)學科領(lǐng)域,對信息獲取、信息融合、信息映射等各階段進行相關(guān)優(yōu)化,將專家經(jīng)驗進行量化與標準化,與數(shù)字化信息更好結(jié)合,與現(xiàn)有的信息獲取技術(shù)相匹配,結(jié)合環(huán)境信息與畜禽生長階段信息,形成針對性的信息映射模型。

2)研制可復(fù)制的養(yǎng)殖專用信息感知、數(shù)據(jù)采集等自動化智能化裝備

現(xiàn)階段在畜禽養(yǎng)殖領(lǐng)域應(yīng)用的信息感知、數(shù)據(jù)采集的傳感器等設(shè)備,均是從較為成熟的工業(yè)、醫(yī)學等領(lǐng)域遷移而來。養(yǎng)殖環(huán)境高粉塵、高溫、高濕、生物干擾復(fù)雜等情況導(dǎo)致相關(guān)設(shè)備存在使用壽命短、精度低等問題。此外,接觸式裝備要考慮到動物的應(yīng)激性,因此體積小、功耗低、防水、耐腐蝕、數(shù)據(jù)傳輸穩(wěn)定的專用設(shè)備也是后續(xù)研究的重點和難點。同時需要形成相應(yīng)的建設(shè)模板與數(shù)據(jù)采集、傳輸標準,形成可大規(guī)模復(fù)制的智能裝備?？紤]到未來不同規(guī)?；B(yǎng)殖的需求以及更加方便的部署,分布式計算設(shè)備與輕量化模型也將成為未來研究的重點,邊緣計算可減少中央服務(wù)器的壓力,提供更為可靠的數(shù)據(jù)安全保障。

3)聯(lián)系多源數(shù)據(jù),形成閉環(huán)式自主數(shù)據(jù)處理模型

在上述兩點的基礎(chǔ)上對可采集到的圖像、聲音、環(huán)境信息等外界信息進行多源數(shù)據(jù)間聯(lián)系深度挖掘,根據(jù)專家經(jīng)驗形成針對畜禽不同品種、不同生命階段的生理信息感知模型與異常識別模型,更為準確地分辨同一類型的不同疾病,為精準養(yǎng)殖提供深層參考,形成的閉環(huán)系統(tǒng)可擴充數(shù)據(jù)集并進行自主學習,減少人工干預(yù)環(huán)節(jié),提高養(yǎng)殖效率與實現(xiàn)人性化操作。

本文主要從畜禽養(yǎng)殖環(huán)境監(jiān)控、畜禽關(guān)鍵生長信息感知、畜禽健康異常診斷與預(yù)警三個方面介紹了現(xiàn)有信息感知技術(shù)的研究與應(yīng)用成果。從數(shù)據(jù)采集設(shè)備、數(shù)據(jù)處理方法、相關(guān)技術(shù)分析等方面對信息感知技術(shù)在畜禽養(yǎng)殖領(lǐng)域中的應(yīng)用進行歸納總結(jié),并對其未來發(fā)展方向做出展望。

畜牧業(yè)向信息化、智能化轉(zhuǎn)型是未來發(fā)展的必然趨勢,信息感知技術(shù)在養(yǎng)殖生產(chǎn)中已有應(yīng)用但仍需針對實際生產(chǎn)需求進行進一步的探索與發(fā)展,大力推廣信息感知技術(shù)在畜禽養(yǎng)殖領(lǐng)域的發(fā)展應(yīng)用,加快轉(zhuǎn)型效率,提升養(yǎng)殖水平,增加養(yǎng)殖經(jīng)濟效益,真正實現(xiàn)中國從養(yǎng)殖大國到養(yǎng)殖強國的轉(zhuǎn)變。