Research progress of intelligent monitoring technology for large-scale dairy cows based on video analysis
-
摘要:
奶牛智能监测是规模化奶牛养殖的重要环节,视频分析技术具备无接触、低成本及智能分析优势,已成为当前规模化奶牛智能监测技术研究的热点。奶牛目标检测、目标跟踪以及个体和行为识别技术对规模化奶牛监管具有重要意义,复杂养殖环境中的光照、昼夜交替变化、围栏遮挡以及牛群数量繁多导致的相互遮挡是影响规模化奶牛智能监测的重要因素。本文对基于视频分析的奶牛智能监测技术研究中常用的深度模型及应用情况进行综述,提出了当前研究中面临的问题与挑战。分析发现,注意力机制、混合卷积等技术是提高模型识别准确率的有效方法,轻量化模块有利于减少模型的复杂度与计算量;计算复杂度、普适性、准确性等是影响该技术推广应用的因素;具体应用时,需要针对奶牛养殖环境、奶牛状况等进行具体分析以不断满足规模化养殖的需求。
Abstract:Cow intelligent monitoring is an important link in large-scale dairy farming. Video analysis has the advantages of contactless, low-cost, and intelligent analysis, and has become a hot spot in the research of intelligent identification technology of large-scale dairy cows. Dairy cow target detection, target tracking, and the technologies of individual and behavior recognition are of great significance for large-scale dairy cow supervision. Lighting, day and night alternations, fence occlusion and mutual occlusion caused by large number of cows in complex breeding environment are serious factors affecting the intelligent monitoring of large-scale dairy cows. This paper summarized the depth models and practical application commonly used in cow intelligent monitoring. The problems and challenges faced in the current research were put forward. The analysis result showed that the attention mechanism and hybrid convolution were effective methods to improve the recognition accuracy of the model, and the lightweight modules were conducive to reducing the complexity and computation of the model. The factors that affected the current research to be practical were computational complexity, universality and accuracy. It is necessary to conduct specific analyses based on the dairy farming environment and the condition of dairy cows to continuously meet the needs of large-scale farming while applying this technology.
-
植物生长过程中有效成分的含量与生长环境密切相关[1],生态因素影响中药材质量主要指气候、土壤、地质等生态因子影响药材的结构、性状和药效成分等,即环境饰变导致同种异地药材质量不同[2]。研究土壤因子对药材药效成分的影响及两者相互关系,筛选药效成分的主要影响因子,能够为评价不同产地药材的质量差异提供依据。土壤因子与药材质量具有一定的相关性,沈晓凤等[3]研究发现土壤因子有效性影响不同产地丹参药材品质;王利丽等[4]发现土壤中铁、锰、钾元素显著影响山茱萸药材化学指标,其他土壤元素没有明显影响。
防风Saposhnikovia divaricata (Turcz.) Schischk为伞形科防风属多年生草本植物,以秋季未抽薹植株的根入药,主产于东北及华北地区。防风作为传统中药,在我国有悠久的使用历史,最早收录于《神农本草经》并列为上品,是常用的大宗药材之一[5],具有解热、镇痛、抗炎、抗菌、抗肿瘤、抗惊厥等积极的作用。近年来防风野生资源日益匮乏,防风药材需求量的增加使栽培防风成为市场主体,种植区域逐渐扩张[6],产地和生产方式发生了较大变化[7]。2015年版《中国药典》[8]规定防风以色原酮(包括升麻素苷、升麻素、5−O−甲基维斯阿米醇苷、亥茅酚苷)含量为评价标准。研究表明,不同产地防风的药效成分含量具有一定差异[9],这种差异可能与不同产地生态环境有密切关系。本论文旨在研究不同产地栽培防风药材质量差异以及土壤因子与药材质量的关系,通过相关性分析、聚类分析和多重线性回归分析探讨在防风药材质量形成过程中土壤因子是否起到关键作用,为合理栽培种植防风提供理论依据。
1. 材料与方法
1.1 材料
2018年10月,在河北、山东、吉林、宁夏、甘肃、辽宁、内蒙古等省(自治区)的16个产地采集防风材料(表1),16个产地分别为河北承德大屯乡(河北大屯乡)、河北承德金沟屯(河北金沟屯)、山东烟台牟平区(山东烟台)、宁夏固原隆德(宁夏隆德)、吉林长春农大药园(吉林长春)、甘肃临夏和政县(甘肃兰州)、吉林白城洮南(吉林白城)、辽宁朝阳东碾子沟(辽宁东碾子沟)、辽宁朝阳边杖子(辽宁边杖子)、辽宁朝阳黄台子(辽宁黄台子)、内蒙赤峰大明镇(内蒙大明镇)、内蒙赤峰唐家窝铺(内蒙唐家窝铺)、内蒙赤峰汐子镇(内蒙汐子镇)、内蒙赤峰牛营子(内蒙牛营子)、内蒙赤峰杨家营子(内蒙杨家营子)、内蒙赤峰文钟镇(内蒙文钟镇)。每个产地随机采集10株2年生防风及相对应的根际土壤,采集根际土壤是通过抖落的方法,挖取完整的防风根系土壤,将大块、不含根系的土壤抖落,收集附着于防风根系表面的土壤。采集的防风根系经自来水洗净,蒸馏水冲洗后于50 ℃烘干,称取质量,粉碎,备用。土壤样品烘干后过100目筛,储存备用。
表 1 防风药材采集地信息Table 1. Information of collection places of Saposhnikovia divaricata产地 Region 经度 Longitude 纬度 Latitude 海拔/m Altitude 河北大屯乡 Datun Town in Hebei E117°27′48″ N41°1′5″ 520 河北金沟屯 Jingoutun in Hebei E117°28′31″ N41°1′12″ 560 山东烟台 Yantai in Shandong E121°38′24″ N37°26′41″ 50 宁夏隆德 Longde in Ningxia E106°1′46″ N35°35′1″ 600 吉林长春 Changchun in Jilin E125°27′15″ N43°46′20″ 251 甘肃兰州 Lanzhou in Gansu E103°24′33″ N35°15′43″ 2 424 吉林白城 Baicheng in Jilin E122°45′46″ N45°19′46″ 230 辽宁东碾子沟 Dongnianzigou in Liaoning E119°55′54″ N40°59′17″ 641 辽宁边杖子 Bianzhangzi in Liaoning E119°78′3″ N41°36′4″ 540 辽宁黄台子 Huangtaizi in Liaoning E118°50′44″ N42°6′52″ 650 内蒙大明镇 Daming Town in Inner Mongolia E119°11′59″ N41°35′14″ 550 内蒙唐家窝铺 Tangjiawopu in Inner Mongolia E119°24′5″ N41°34′2″ 611 内蒙汐子镇 Xizi Town in Inner Mongolia E119°17′17″ N41°42′36″ 541 内蒙牛营子 Niuyingzi in Inner Mongolia E118°7′9″ N42°11′47″ 720 内蒙杨家营子 Yangjiayingzi in Inner Mongolia E118°48′44″ N42°9′5″ 620 内蒙文钟镇 Wenzhong Town in Inner Mongolia E118°53′1″ N42°7′18″ 640 1.2 方法
1.2.1 色原酮提取及含量测定
防风根系粉碎后过100目筛,精密称取0.25 g样品加入5 mL的70%(φ)乙醇中,在600 W、40 ℃条件下超声提取45 min,收集滤液。采用Agilent 1100高效液相色谱仪测定含量,色谱柱Diamonsil C18(4.6 mm×200 mm×5 μm),柱温30 ℃,检测波长254 nm。甲醇−水梯度洗脱:0~15 min,φ(甲醇)20%~45%;15~25 min,φ(甲醇)45%~70%。流速1 mL/min。根据峰面积计算防风4种色原酮(升麻素苷、升麻素、5−O−甲基维斯阿米醇苷、亥茅酚苷)含量[9]。
1.2.2 土壤因子的测定
通过恒温箱烘烤的方法测定土壤水分,使用酸度计精准测定土壤样品的pH和电导率,使用重铬酸钾容量法(外加热法)测定土壤有机质(Organic matter)含量,通过半微量凯氏法对土壤全氮(Total nitrogen)含量进行消煮测定,通过碱解扩散法测定土壤碱解氮(Alkali-hydrolyzed nitrogen)含量,通过高氯酸−浓硫酸法测定土壤全磷(Total phosphorus)含量,通过碳酸氢钠法[10]测定土壤有效磷(Available phosphorus)含量,通过火焰光度法[11]测定土壤有效钾(Available potassium)、有效钙(Available calcium)、有效镁(Available magnesium)、有效铁(Available iron)、有效铜(Available copper)、有效锌(Available zinc)和有效锰(Available manganese)含量。
1.3 数据处理
采用Microsoft Excel 2013和SPSS 25.0统计软件对数据进行整理和分析,相关性分析用Pearson相关系数法,聚类分析和多重线性回归分析分别采用 SPSS 25.0 软件中的聚类分析法和多重线性回归分析法。
2. 结果与分析
2.1 防风色原酮含量
防风4种色原酮含量以及色原酮总量的测定结果见表2。不同产地升麻素苷含量、升麻素含量、5−O−甲基维斯阿米醇苷含量、亥茅酚苷含量、色原酮总量、单株产量和单株色原酮总产量均具有显著差异。河北大屯乡、河北金沟屯、山东烟台、吉林白城、内蒙文钟镇色原酮总量较高,宁夏隆德的4种色原酮含量均普遍偏低,未达到药典标准(升麻素苷和5−O−甲基维斯阿米醇苷质量分数大于2.4 mg/g)[8]。升麻素苷含量最高的产地为河北大屯乡,最低为宁夏隆德;升麻素含量最高的产地为山东烟台,最低为宁夏隆德;5−O−甲基维斯阿米醇苷含量最高的产地是吉林白城,最低为宁夏隆德;亥茅酚苷含量最高的产地为内蒙大明镇,最低为内蒙唐家窝铺。不同产地防风的升麻素苷和5−O−甲基维斯阿米醇苷含量差异较大,可能是决定药材质量的关键物质[12]。
表 2 不同产地防风产量及色原酮含量1)Table 2. Chromone contents and yeilds of Saposhnikovia divaricata from different regions产地
Regionw /(mg·g−1) 单株产量/g
Yield per plant单株色原酮
总量/mg
Total chromone
content per plant升麻素苷
Prim-O-
glucosylcimifugin升麻素
Cimifugin5−O−甲基维斯
阿米醇苷
5-O-methylvisamminol亥茅酚苷
Sec-O-glucosylhamaudol总色原酮
Total chromoneHCD 4.007±0.15a 0.213±0.01c 4.838±0.27b 0.112±0.01abc 9.170±0.42a 8.869±0.04de 81.329±0.37a HCJ 2.428±0.07d 0.080±0.01gh 2.663±0.13cd 0.139±0.01abc 5.310±0.21d 9.002±0.02d 47.801±0.12c SDY 3.272±0.07c 1.113±0.02a 4.930±0.15ab 0.225±0.02a 9.539±0.24a 6.302±0.13h 60.115±1.25b NXL 0.634±0.02i 0.002±0.01k 0.629±0.02i 0.164±0.03abc 1.430±0.05i 8.667±0.05ef 12.394±0.07l JLC 1.095±0.15g 0.266±0.03b 1.844±0.31e 0.042±0.01c 3.238±0.42fg 7.750±0.12g 25.095±0.40ij GSL 2.042±0.03e 0.195±0.01d 1.096±0.01h 0.199±0.05ab 3.512±0.01ef 9.458±0.08c 33.216±0.29g JLB 2.356±0.21d 0.040±0.01j 5.232±0.48a 0.099±0.01abc 7.724±0.68b 5.777±0.18i 44.622±1.39d LCD 1.405±0.03f 0.084±0.01gh 1.240±0.03gh 0.054±0.01bc 2.783±0.05gh 10.262±0.09b 28.559±0.26h LCB 1.485±0.02f 0.112±0.01f 1.804±0.03e 0.074±0.01bc 3.475±0.05ef 11.025±0.11a 38.312±0.39e LCH 1.477±0.03f 0.082±0.01gh 2.353±0.07d 0.039±0.03c 3.958±0.10e 9.359±0.19c 37.043±0.75ef NCD 1.012±0.04g 0.077±0.01h 1.392±0.04fgh 0.229±0.24a 2.534±0.08h 8.475±0.12f 21.476±0.30k NCT 0.803±0.03h 0.040±0.01j 1.642±0.10ef 0.031±0.01c 2.518±0.14h 9.443±0.12c 23.777±0.30j NCX 1.143±0.01g 0.060±0.01i 2.577±0.02cd 0.081±0.01abc 3.860±0.03e 9.332±0.18c 36.022±0.70f NMN 1.013±0.08g 0.097±0.01fg 1.367±0.23fgh 0.033±0.01c 2.504±0.31h 8.476±0.17f 21.224±0.43k NMY 1.171±0.10g 0.158±0.01e 1.579±0.06efg 0.052±0.01bc 3.025±0.10fgh 8.584±0.37ef 25.967±1.11i NCW 3.682±0.04b 0.189±0.01d 2.801±0.04c 0.083±0.01abc 6.765±0.07c 6.534±0.15h 44.203±0.99d 1)HCD:河北大屯乡,HCJ:河北金沟屯,SDY:山东烟台,NXL:宁夏隆德,JLC:吉林长春,GSL:甘肃兰州,JLB:吉林白城,LCD:辽宁东碾子沟,LCB:辽宁边杖子,LCH:辽宁黄台子,NCD:内蒙大明镇,NCT:内蒙唐家窝铺,NCX:内蒙汐子镇,NMN:内蒙牛营子,NMY:内蒙杨家营子,NCW:内蒙文钟镇;同列数据后的不同小写字母表示不同产地间差异显著(P<0.05,单因素方差分析)
1)HCD: Datun Town in Hebei, HCJ: Jingoutun in Hebei, SDY: Yantai in Shandong, NXL: Longde in Ningxia, JLC: Changchun in Jilin, GSL: Lanzhou in Gansu; JLB: Baicheng in Jilin, LCD: Dongnianzigou in Liaoning, LCB: Bianzhangzi in Liaoning, LCH: Huangtaizi in Liaoning, NCD: Daming Town in Inner Mongolia, NCT: Tangjiawopu in Inner Mongolia, NCX: Xizi Town in Inner Mongolia, NMN: Niuyingzi in Inner Mongolia, NMY: Yangjiayingzi in Inner Mongolia, NCW: Wenzhong Town in Inner Mongolia; Different lowercase letters in the same column indicate significant differences among different regions(P<0.05,one-way ANOVA)2.2 防风单株产量及单株色原酮总量
防风单株产量及单株色原酮总量的测定结果见表2。辽宁边杖子和辽宁东碾子沟的单株产量最高,分别为11.025、10.262 g,吉林白城和山东烟台最低,分别为5.777、6.302 g,最高单株产量是最低的1.9倍;河北大屯乡和山东烟台的单株色原酮总量最高,分别为81.329、60.115 mg,宁夏隆德、内蒙牛营子和内蒙大明镇最低,分别为12.394、21.224和21.476 mg,最高是最低的6.6倍。
2.3 防风土壤因子
16个产地的土壤pH在7.46~8.87之间,土壤偏碱性,部分产地的土壤pH较接近;不同产地土壤电导率差异明显,范围为74.30~158.60,电导率最高产地为吉林长春,最低为山东烟台,最高是最低的2.1倍;不同产地土壤水分、有机质和全氮含量差异明显,质量分数分别为3.71%~12.96%、0.23%~4.09%、0.01%~0.32%,含量最高产地均为甘肃兰州,最低分别为内蒙文钟镇、河北金沟屯和内蒙大明镇;土壤中全磷质量分数相对较高,在0.29~1.29 g/kg之间,含量最高产地为河北金沟屯,最低为内蒙牛营子,最高是最低的4.4倍。
土壤中其他9种有效元素分别为有效氮、有效磷、有效钾、有效钙、有效镁、有效铁、有效铜、有效锌和有效锰,不同产地含量差异较为明显,质量分数分别为37.38~282.35 mg/kg、2.77~47.46 mg/kg、45.84~718.85 mg/kg、325.68~1 303.58 mg/kg、83.20~128.46 mg/kg、0.97~31.19 mg/kg、0.55~1.44 mg/kg、0.38~2.49 mg/kg、0.59~5.14 mg/kg。有效氮、有效磷和有效钾含量最高的产地分别为甘肃兰州、辽宁黄台子和吉林长春,含量最低的产地分别为辽宁东碾子沟、山东烟台和河北大屯乡,含量最高产地分别是最低产地的7.6、17.1、15.7倍;有效钙和有效镁含量最高产地均为宁夏隆德,含量最低产地均为山东烟台,含量最高产地分别是最低产地的4.0、1.5倍;有效铁、有效铜、有效锌和有效锰含量最高产地分别为甘肃兰州、辽宁边杖子、山东烟台、河北大屯乡,含量最低产地分别为辽宁黄台子、河北金沟屯、内蒙牛营子、内蒙汐子镇,含量最高产地分别是最低产地的32.1、2.6、6.6、8.7倍(表3)。
表 3 不同产地土壤因子1)Table 3. Soil factors of different regions产地
RegionpH 电导率
Conductivityw/% w(TP)/
(g·kg−1)w/(mg·kg−1) 水分 Water OM TN AN AP AK ACa AMg AFe ACu AZn AMn HCD 8.17 90.90 6.01 0.24 0.07 0.93 71.00 19.01 45.84 577.57 87.47 2.15 0.65 1.81 5.14 HCJ 8.23 98.93 6.50 0.23 0.04 1.29 73.60 16.06 68.60 550.68 99.70 2.24 0.55 1.49 4.25 SDY 7.79 74.30 7.75 0.74 0.04 0.27 66.51 2.77 53.94 325.68 83.20 12.74 1.36 2.49 1.90 NXL 8.57 122.30 7.64 1.25 0.11 1.05 115.51 21.68 131.09 1 303.58 128.46 7.24 1.02 0.91 1.45 JLC 8.41 158.60 8.25 2.59 0.10 0.54 113.18 37.13 718.85 586.08 118.72 6.59 0.98 0.93 4.06 GSL 7.46 93.30 12.96 4.09 0.32 1.03 282.35 24.37 118.24 911.68 152.05 31.19 1.19 2.25 2.47 JLB 8.45 112.80 4.54 2.34 0.23 0.38 148.18 17.83 133.60 826.22 104.33 4.68 0.77 0.80 2.16 LCD 8.76 95.30 6.64 1.02 0.09 0.45 37.38 32.68 106.72 758.03 85.13 2.98 1.12 0.67 0.80 LCB 8.60 124.30 7.45 2.48 0.07 0.52 92.18 17.94 126.41 676.61 104.26 3.26 1.44 0.76 1.59 LCH 8.75 123.00 8.51 2.23 0.07 0.53 81.68 47.46 134.13 669.33 97.33 0.97 0.87 0.84 1.19 NCD 8.57 94.10 4.75 2.55 0.01 0.58 224.01 36.92 103.25 673.07 119.63 3.43 1.05 1.90 2.94 NCT 8.81 116.13 6.44 1.52 0.08 0.37 81.68 19.30 101.27 758.03 85.13 2.31 0.97 0.42 0.93 NCX 8.66 136.40 11.49 0.88 0.09 0.74 78.18 28.18 90.53 661.80 100.80 3.59 1.22 2.26 0.59 NMN 8.87 113.10 10.86 1.42 0.05 0.29 103.85 27.69 88.72 966.56 115.80 1.18 1.01 0.38 1.28 NMY 8.86 115.70 4.36 0.44 0.06 0.52 54.85 15.57 82.67 609.47 105.85 1.36 1.24 0.80 1.00 NCW 8.81 122.03 3.71 2.48 0.07 0.54 281.18 39.65 110.46 834.33 103.72 2.13 0.92 0.89 0.67 1)HCD:河北大屯乡,HCJ:河北金沟屯,SDY:山东烟台,NXL:宁夏隆德,JLC:吉林长春,GSL:甘肃兰州,JLB:吉林白城,LCD:辽宁东碾子沟,LCB:辽宁边杖子,LCH:辽宁黄台子,NCD:内蒙大明镇,NCT:内蒙唐家窝铺,NCX:内蒙汐子镇,NMN:内蒙牛营子,NMY:内蒙杨家营子,NCW:内蒙文钟镇;OM:有机质,TN:全氮,TP:全磷,AN:碱解氮,AP:有效磷,AK:有效钾,ACa:有效钙,AMg:有效镁,AFe:有效铁,ACu:有效铜,AZn:有效锌,AMn:有效锰
1)HCD: Datun Town in Hebei, HCJ: Jingoutun in Hebei, SDY: Yantai in Shandong, NXL: Longde in Ningxia, JLC: Changchun in Jilin, GSL: Lanzhou in Gansu, JLB: Baicheng in Jilin, LCD: Dongnianzigou in Liaoning, LCB: Bianzhangzi in Liaoning, LCH: Huangtaizi in Liaoning, NCD: Daming Town in Inner Mongolia, NCT: Tangjiawopu in Inner Mongolia, NCX: Xizi Town in Inner Mongolia, NMN: Niuyingzi in Inner Mongolia, NMY: Yangjiayingzi in Inner Mongolia, NCW: Wenzhong Town in Inner Mongolia; OM: Organic matter, TN: Total nitrogen, TP: Total phosphorus, AN: Alkali-hydrolyzed nitrogen, AP: Available phosphorus, AK: Available potassium, ACa: Available calcium, AMg: Available magnesium, AFe: Available iron, ACu: Available copper; AZn: Available zinc, AMn: Available manganese2.4 防风色原酮含量与土壤因子的相关性分析
防风色原酮含量与土壤因子的相关性分析见表4。升麻素苷含量与土壤pH显著负相关(P<0.05),与电导率极显著负相关(P<0.01),与有效磷含量显著负相关(P<0.05),与有效锰含量显著正相关(P<0.05);升麻素含量与土壤pH、有效磷含量、有效钙含量显著负相关(P<0.05),与有效锌含量显著正相关(P<0.05);5−O−甲基维斯阿米醇苷含量与土壤有效磷含量显著负相关(P<0.05);亥茅酚苷含量与土壤pH显著负相关(P<0.05),与有效铁含量显著正相关(P<0.05);色原酮总量与土壤电导率、有效磷含量、有效钙含量显著负相关(P<0.05),与有效锰含量显著正相关(P<0.05)。结果说明:防风升麻素苷含量可能受土壤pH、电导率、有效磷含量和有效锰含量影响,升麻素含量可能受土壤pH、有效磷含量、有效钙含量和有效锌含量影响,5−O−甲基维斯阿米醇苷含量可能受土壤有效磷含量影响,亥茅酚苷含量可能受土壤pH和有效铁含量影响,色原酮总量可能受电导率、有效磷含量、有效钙含量和有效锰含量影响。防风色原酮含量与土壤因子的相关性分析充分表明根际土壤因子参与并影响药材品质的形成,色原酮含量与土壤因子具有一定的相关性[13-15]。
表 4 防风色原酮含量及产量与土壤因子的相关性分析1)Table 4. Correlation analyses of chromone contents and yields of Saposhnikovia divaricata with soil factors因子
FactorX1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 X13 X14 X15 Y1 −0.259 −0.641* −0.683** −0.354 −0.028 −0.039 0.161 −0.585* −0.296 −0.512 −0.309 0.188 −0.319 0.526 0.625* Y2 0.072 −0.550* −0.503 −0.211 −0.212 −0.128 −0.306 −0.548* −0.093 −0.562* −0.272 0.320 0.382 0.548* 0.068 Y3 −0.492 −0.326 −0.426 −0.336 −0.043 −0.191 −0.218 −0.565* −0.177 −0.516 −0.509 −0.096 −0.343 0.233 0.408 Y4 0.029 −0.649* −0.450 0.107 0.185 0.207 0.241 −0.735 −0.287 −0.033 0.179 0.533* 0.381 0.341 0.126 Y −0.378 −0.512 −0.575* −0.356 −0.033 −0.136 −0.095 −0.628* −0.227 −0.559* −0.440 0.063 −0.283 0.405 0.694* Z1 0.253 0.264 0.136 0.059 −0.122 −0.105 0.275 0.312 −0.164 0.166 0.029 −0.083 0.207 −0.194 −0.214 Z2 −0.134 −0.494 −0.467 −0.349 −0.031 −0.235 0.153 −0.417 −0.270 −0.598* −0.483 0.020 −0.297 0.479 0.540* 1)X1:水分含量,X2:pH,X3:电导率,X4:有机质含量,X5:全氮含量,X6:碱解氮含量,X7:全磷含量,X8:有效磷含量,X9:有效钾含量,X10:有效钙含量,X11:有效镁含量,X12:有效铁含量,X13:有效铜含量,X14:有效锌含量,X15:有效锰含量;Y1:升麻素苷含量, Y2:升麻素含量, Y3:5−O−甲基维斯阿米醇苷含量,Y4:亥茅酚苷含量,Y:色原酮总量; Z1:单株产量, Z2:单株色原酮总量;“*”表示在0.05水平显著相关,“**”表示在0.01水平显著相关(双尾检测)
1)X1: Moisture content, X2: pH, X3: Conductivity, X4: Organic matter content, X5: Total nitrogen content, X6: Alkali-hydrolyzed nitrogen content, X7: Total phosphorus content, X8: Available phosphorus content, X9: Available potassium content, X10: Available calcium content, X11: Available magnesium content, X12: Available iron content, X13: Available copper content, X14: Available zinc content, X15: Available manganese content; Y1: Prim-O-glucosylcimifugin content, Y2: Cimifugin content, Y3: 5-O-methylvisamminol content, Y4: Sec-O-glucosylhamaudol content, Y: Total chromone content; Z1: Yield per plant,Z2: Total chromone content per plant; “*” indicates significant correlation at 0.05 level, “**” indicates significant correlation at 0.01 level (Double tail detection)2.5 防风单株产量及单株色原酮总量与土壤因子的相关性分析
防风单株产量及单株色原酮总量与土壤因子的相关性分析见表4。单株产量与土壤因子不具有显著相关性;单株色原酮总量与土壤有效钙含量显著负相关(P<0.05),与有效锰含量显著正相关(P<0.05)。结果说明:防风单株产量可能不受土壤因子影响,单株色原酮总量可能受有效钙和有效锰含量影响。
2.6 防风色原酮总量与土壤因子的聚类分析
以防风色原酮总量和根际土壤因子为评价指标进行聚类分析,结果见图1。在欧氏距离15~20之间被分为I、II、III大类,宁夏隆德单独聚为II大类,吉林长春单独聚为III大类,其余产地聚为I大类;缩小欧氏距离至5~10之间又被分为A、B、C、D 4类,I大类分为A、B 2类,山东烟台单独聚为B类;继续缩小欧氏距离至0~5,A类又分为①和② 2小类,①包括9个产地,分别是辽宁边杖子、辽宁黄台子、内蒙汐子镇、辽宁东碾子沟、内蒙唐家窝铺、河北大屯乡、河北金沟屯、内蒙杨家营子和内蒙大明镇,②包括4个产地,分别是甘肃兰州、内蒙文钟镇、吉林白城和内蒙牛营子。聚类分析结果显示,以欧氏距离5~10为标准,16个产地分为4个产区,吉林长春产区、宁夏隆德产区、山东烟台产区和其他产区(包括内蒙、河北、辽宁等)。原因可能是药材质量差异和地理位置导致的土壤元素含量差异,山东烟台和吉林长春药材质量较高且距离内蒙药材产区较远单独聚为两类;宁夏隆德药材质量最低,同样距离内蒙药材产区较远聚为一类;其他产地药材质量相似、地理位置相近聚为一类。聚类分析结果充分说明土壤因子影响药材质量[16-18]。
图 1 不同产地防风色原酮总量与根际土壤因子的聚类分析I、II、III是在欧式距离15~20分类,A、B、C、D是在欧氏距离5~10分类,①和②是在欧氏距离0~5分类;LCB:辽宁边杖子,LCH:辽宁黄台子,NCX:内蒙汐子镇,LCD:辽宁东碾子沟,NCT:内蒙唐家窝铺,HCD:河北大屯乡,HCJ:河北金沟屯,NMY:内蒙杨家营子,NCD:内蒙大明镇,GSL:甘肃兰州,NCW:内蒙文钟镇,JLB:吉林白城,NMN:内蒙牛营子,SDY:山东烟台,NXL:宁夏隆德,JLC:吉林长春Figure 1. Cluster analyses between Saposhnikovia divaricata total chromone content and rhizosphere soil factors in different regionsI, II and III were divided between Euclidean distance 15–20; A, B, C and D were divided between Euclidean distance 5–10; ① and ② were divided between Euclidean distance 0–5; LCB: Bianzhangzi in Liaoning, LCH: Huangtaizi in Liaoning, NCX: Xizi Town in Inner Mongolia, LCD: Dongnianzigou in Liaoning, NCT: Tangjiawopu in Inner Mongolia, HCD: Datun Town in Hebei, HCJ: Jingoutun in Hebei, NMY: Yangjiayingzi in Inner Mongolia, NCD: Daming Town in Inner Mongolia, GSL: Lanzhou in Gansu, NCW: Wenzhong Town in Inner Mongolia, JLB: Baicheng in Jilin, NMN: Niuyingzi in Inner Mongolia, SDY: Yantai in Shandong, NXL: Longde in Ningxia, JLC: Changchun in Jilin2.7 防风色原酮总量与根际土壤因子多重线性回归分析
以防风色原酮总量为因变量、土壤因子为自变量进行多重线性回归分析,表5为拟合模型的拟合优度情况简报,重要指标R2(决定系数)反映了回归贡献的相对程度[19],模型1含有变量有效磷含量,R2=0.365,说明有效磷含量可以解释36.5%的防风色原酮总量信息;模型2含有变量有效磷和有效锰含量,R2=0.568,说明这2个变量可以解释56.8%的防风色原酮总量信息;模型3含有变量有效磷、有效锰和全磷含量,R2=0.718,说明有效磷、有效锰和全磷含量3个变量可以解释71.8%的防风色原酮总量信息。模型3为最终的拟合结果,有效磷、有效锰和全磷含量3个变量可以有效解释防风色原酮总量信息,其他变量对防风色原酮信息的解释较小,无统计学意义,未引入模型中。模型偏回归系数(表5)是对线性回归分析是否具有统计学意义的检测,有效磷含量t=−0.579,P<0.01;有效锰含量t=−0.671,P<0.01;全磷含量t=−0.445,P<0.05;说明变量的各项偏回归系数均具有统计学意义,回归方程为Y=7.252−0.132X8−1.206X15−3.631X7。图2为因变量累计概率和模型预测值累计概率间的正态P-P图,其散点基本围绕参考直线均匀分布,说明试验数据符合线性回归模型的适用条件,具有一定独立性、正态性和方差齐性。
表 5 防风色原酮总量与根际土壤因子多重线性回归分析模型及模型偏回归系数1)Table 5. Models of multiple linear regression analyses between Saposhnikoviadivaricata total chromone content and rhizosphere soil factors and partial regression coefficients of different models模型 Model R R2 调整R2
Adjusted R2估计的标准误差
Estimated standardized error1 0.604 0.365 0.316 2.077 78 2 0.754 0.568 0.496 1.783 11 3 0.847 0.718 0.641 1.504 74 模型
Model项目
ItemB±SE β t P 1 常量 Constant 7.644±1.335 5.726 0.000 有效磷含量 Available phosphorus content −0.137±0.050 −0.604 −2.732 0.017 2 常量 Constant 5.758±1.394 4.132 0.010 有效磷含量 Available phosphorus content −0.131±0.043 −0.574 −3.018 0.011 有效锰含量 Available manganese content −0.813±0.342 −0.452 2.377 0.035 3 常量 Constant 7.252±1.328 5.460 0.000 有效磷含量 Available phosphorus content −0.132±0.037 −0.579 −3.609 0.004 有效锰含量 Available manganese content −1.206±0.331 −0.671 −3.642 0.004 全磷含量 Total phosphorus content −3.631±1.501 −0.445 −2.419 0.034 1)B:非标准化系数,β:标准化系数
1) B: Unstandardized coefficient,β: Standardized coefficient3. 讨论与结论
生态因子是影响药材药效成分含量的重要因素,包括气候因子、土壤因子及地理因素等。适宜的生态环境能促进药材的生长发育,有利于有效成分的合成和积累,从而提高药材质量。周国富等[20]研究生态因子对黄芩5种主要指标成分的影响时发现黄芩有效成分含量与气候因子密切相关,尤其是温度和降水量。卫昊等[21]在黄芩7种黄酮类有效成分含量的研究中发现,随海拔升高,黄酮类成分含量呈显著上升趋势。这些结果充分说明气候因子对药用植物质量有重要影响。
土壤因子是植物生长发育的基础,土壤的物理、化学性质以及所含的各种元素对药材生长发育及次生代谢物积累均具有重要影响[22]。土壤中的磷元素对植物吸收营养具有积极作用,能够促进植物碳水化合物的合成和运输,提高土壤中磷含量,增强植物抗旱、抗寒能力。土壤中的锰元素是植物生长发育不可缺少的微量元素之一,锰可以促进植物光合作用,调节植物体内氧化还原反应,含量充足时可以增强植物病害抗性。防风本身就具有抗旱、抗寒能力,土壤中磷元素含量过高可能会导致磷元素不能被防风根系有效吸收,从而影响防风药效成分的形成;土壤中锰元素含量少会导致防风光合作用受到影响,增加患病几率,从而导致药材药效成分含量降低。孙晶波等[23]研究了根际土壤化学性质对防风色原酮和香豆素含量的影响,发现速效磷是影响防风有效成分的关键因素,锰含量增加虽然可以促进防风色原酮和香豆素类成分的形成,但却会抑制防风对锰元素的摄取与累积,促进防风对钙元素的吸收。本研究结果与其结论部分相似,防风色原酮含量与部分土壤因子具有一定相关性,包括pH、电导率、有效磷含量、有效锰含量等。以防风色原酮总量为因变量、土壤因子为自变量进行多重线性回归分析,发现有效磷、有效锰、和全磷含量3个变量可以解释71.8%的防风色原酮总量信息,进一步验证了有效磷和有效锰在防风药材质量形成过程中起到的重要作用。辽宁黄台子、内蒙文钟镇、吉林长春和内蒙大明镇等产地有效磷含量较高,内蒙文钟镇、内蒙汐子镇和辽宁东碾子沟等产地有效锰含量较低,建议这些产地在施肥时适当减少磷肥的使用,增加锰肥的比例。
不同地区不同土壤类型可能导致防风有效成分含量及产量的显著差异,本文通过不同产地防风单株产量及单株色原酮总量与土壤因子的相关性分析,发现单株产量与土壤因子不具相关性,单株色原酮总量与有效钙含量显著负相关,与有效锰含量显著正相关,说明土壤中有效钙含量高可能会降低防风单株色原酮总量,有效锰含量高可能会提高防风单株色原酮总量。本研究测定了不同产地防风药材产量及色原酮含量,总结出5个种植防风具有经济效益的地区,分别是河北大屯乡、河北金沟屯、山东烟台、吉林白城和内蒙文钟镇。这5个产地的防风色原酮含量、单株产量、单株色原酮总量都普遍偏高。另外,本研究通过对不同产地防风色原酮总量以及土壤因子进行聚类分析,将16个产地分为四大产区:吉林长春产区、山东烟台产区、宁夏隆德产区、其他产区(包括内蒙、河北、辽宁等产地),合理有效地使防风药材质量相似或相近的产地聚为一类。
因此,不同产地防风有效成分的差异与根际土壤环境密切相关,本研究为选择防风栽培环境以及适当施肥提供了必要的理论依据。
-
表 1 奶牛目标检测相关研究
Table 1 Research on target recognition of dairy cow
方法 Method 技术要点 Technical essential 结果 Result 文献 Literatrue 传统图像处理
Traditional image
processing基于递归背景建模思想 模型精度最高为95.00% [27] 基于核相关滤波算法 平均误检率为7.72% [13] 高斯混合模型及卷积神经网络相结合 准确率为99.81% [22] 基于Horn-Schunck光流法 检测充盈率为98.51% [14] 基于无参核密度估计背景建模方法 识别准确率为95.65% [28] 基于深度学习模型
Methods based on deep
learning model人工设计的四层卷积神经网络 准确率为89.95% [29] 利用RGB-D图像训练卷积神经网络 识别准确率为93.65% [30] 改进Mask R-CNN模型 模型精度最高为100% [31] 基于粒子滤波算法 准确率为89.00% [32] 基于YOLO算法 准确率为66.00% [23] 基于YOLOv5模型 准确率为90.00% [33] 融合YOLO与核相关滤波器 准确率为95.00% [34] 设计YOLOv5-ASFF模型 准确率为96.20% [35] 利用CBAM注意力机制对GhostNet进行改进 检测准确率为94.86% [36] 对YOLOv5s网络进行通道剪枝 模型精度为99.50% [37] 表 2 奶牛目标跟踪相关研究
Table 2 Research on cow target tracking
方法 Method 技术要点 Technical essential 结果 Result 文献 Literatrue 传统图像处理
Traditional image
processing联合稠密光流和帧间差分法 跟踪准确率为89.12% [46] 提出了一种SiamFC的跟踪器 最高跟踪准确率为100.00% [47] 基于深度学习模型
Methods based on deep
learning modelYOLOv4模型结合 Kalman滤波和Hungarian算法 准确率为93.92% [48] 提出了YOLO-BYTE跟踪模型 多目标跟踪准确率为83.00% [49] YOLOv5检测器剪枝融合Cascaded-Buffered IoU 多目标跟踪准确率为86.10% [26] Siamese注意力算法 跟踪准确率为93.80% [25] 超轻量化孪生网络模型Siamese-Remo 单目标跟踪平均重合度为0.47 [50] 表 3 奶牛个体识别相关研究
Table 3 Research on individual recognition of dairy cow
方法 Method 技术要点 Technical essential 结果 Result 文献 Literatrue 传统个体识别方法
Traditional individual
recognition method基于LeNet-5模型 识别准确率为90.55% [53] 自主设计深度卷积神经网络结合SVM 单幅图像识别时间为30.74 s [54] 自主设计卷积神经网络 准确率为96.55% [55] 基于机器学习的奶牛颈环 ID 自动定位与识别 识别准确率为96.98% [56] VGG-16+SVM 准确率为99.48% [57] 基于深度学习的方法
Method based on
deep learningR-CNN检测模型 识别准确率为86.10% [58] DCNN结合SVM 准确率最高为97.01% [59] YOLO和SVM 准确率为98.36% [60] Mask-R-CNN和SVM网络 准确率为98.67% [61] 基于度量学习的方法
Method based on metric learningShuffleNetv2模型融合交叉熵损失和三元组损失函数 精度为73.30% [39] ResNet-50结合A-softmax损失 准确率为94.26% [62] 表 4 奶牛行为识别相关研究
Table 4 Research on cow behavior recognition
方法 Method 技术要点 Technical essential 结果 Result 文献 Literatrue 传统方法
Traditional
methods基于正态分布背景统计模型 准确率为93.89% [10] 基于支持向量机模型的奶牛行为识别 准确率为98.02% [64] 背景减除法融合SVM分类器 准确率为90.92% [65] Lucas-Kanade稀疏光流算法 准确率为98.58% [21] 三轴加速度传感器 识别精度和召回率分别为
92.80%和95.60%[66] 基于深度学习的方法
Methods based on
deep learning model基于CNN-LSTM算法 准确率、召回率和特异性分别为
97.10%、96.50%和98.30%[40] 空间特征网络优化的Efficient-LSTM算法 识别精度为97.87% [41] 利用3D卷积对RexNet网络进行改进 准确率为95.00% [62] 半监督长短期记忆早期跛行自编码器算法 准确率为97.78% [67] 深度可分离卷积和3D卷积操作构建E3D的
奶牛基本运动行为识别模型准确率为98.17% [42] 基于姿态估计和膝关节角度特征向量的奶
牛跛行识别方法准确率为97.22% [68] E-YOLO的奶牛发情行为识别模型 准确率为93.90% [12] -
[1] 宋怀波, 李振宇, 吕帅朝, 等. 基于部分亲和场的行走奶牛骨架提取模型[J]. 农业机械学报, 2020, 51(8): 203-213. doi: 10.6041/j.issn.1000-1298.2020.08.023 [2] 杨蜀秦, 刘杨启航, 王振, 等. 基于融合坐标信息的改进YOLO-v4模型识别奶牛面部[J]. 农业工程学报, 2021, 37(15): 129-135. doi: 10.11975/j.issn.1002-6819.2021.15.016 [3] LI Z, SONG L, DUAN Y, et al. Basic motion behaviour recognition of dairy cows based on skeleton and hybrid convolution algorithms[J]. Computers and Electronics in Agriculture, 2022, 196: 106889-106893. doi: 10.1016/j.compag.2022.106889
[4] LI Z, ZHANG Q, LV S, et al. Fusion of RGB, optical flow and skeleton features for the detection of lameness in dairy cows[J]. Biosystems Engineering, 2022, 218: 62-77. doi: 10.1016/j.biosystemseng.2022.03.006
[5] YANG G, XU X, SONG L, et al. Automated measurement of dairy cows body size via 3D point cloud data analysis[J]. Computers and Electronics in Agriculture, 2022, 200: 107218-107226. doi: 10.1016/j.compag.2022.107218
[6] 王政, 宋怀波, 王云飞, 等. 奶牛运动行为智能监测研究进展与技术趋势[J]. 智慧农业(中英文), 2022, 4(2): 36-52. [7] 张姝瑾, 许兴时, 邓洪兴, 等. 基于YOLO_v8n-seg-FCA-BiFPN的奶牛身体分割方法研究[J]. 农业机械学报, 2024, 50(3): 282-289. doi: 10.6041/j.issn.1000-1298.2024.03.028 [8] HUA Z, WANG Z, XU X, et al. An effective PoseC3D model for typical action recognition of dairy cows based on skeleton features[J]. Computers and Electronics in Agriculture, 2023, 212: 108152-108161. doi: 10.1016/j.compag.2023.108152
[9] 郝玉胜, 林强, 王维兰, 等. 基于Wi-Fi无线感知技术的奶牛爬跨行为识别[J]. 农业工程学报, 2020, 36(19): 168-176. doi: 10.11975/j.issn.1002-6819.2020.19.019 [10] WANG Z, HUA Z, WEN Y, et al. E-YOLO: Recognition of estrus cow based on improved YOLOv8n model[J]. Expert Systems with Applications, 2024, 238: 1-13.
[11] 宋怀波, 华志新, 马宝玲, 等. 基于SimCC-ShuffNetv2的轻量化奶牛关键点检测方法[J]. 农业机械学报, 2023, 54(10): 275-281. doi: 10.6041/j.issn.1000-1298.2023.10.027 [12] 宋怀波, 姜波, 吴倩, 等. 基于头颈部轮廓拟合直线斜率特征的奶牛跛行检测方法[J]. 农业工程学报, 2018, 34(15): 190-199. doi: 10.11975/j.issn.1002-6819.2018.15.024 [13] 宋怀波, 牛满堂, 姬存慧, 等. 基于视频分析的多目标奶牛反刍行为监测[J]. 农业工程学报, 2018, 34(18): 211-218. doi: 10.11975/j.issn.1002-6819.2018.18.026 [14] 宋怀波, 李通, 姜波, 等. 基于 Horn-Schunck 光流法的多目标反刍奶牛嘴部自动监测[J]. 农业工程学报, 2018, 34(10): 163-171. doi: 10.11975/j.issn.1002-6819.2018.10.020 [15] 刘渊, 杨泽林, 赵永军. 基于RFID的物联网技术在畜牧业中的应用[J]. 黑龙江畜牧兽医, 2012(16): 15-17. [16] 宋怀波, 吴頔华, 阴旭强, 等. 基于 Lucas-Kanade 稀疏光流算法的奶牛呼吸行为检测[J]. 农业工程学报, 2019, 35(17): 215-224. doi: 10.11975/j.issn.1002-6819.2019.17.026 [17] 刘杰鑫, 姜波, 何东健, 等. 基于高斯混合模型与CNN的奶牛个体识别方法研究[J]. 计算机应用与软件, 2018, 18(10): 159-164. doi: 10.3969/j.issn.1000-386x.2018.10.029 [18] TASSINARI P, BOVO M, BENNI S, et al. A computer vision approach based on deep learning for the detection of dairy cows in free stall barn[J]. Computers and Electronics in Agriculture, 2021, 182: 106030-106042. doi: 10.1016/j.compag.2021.106030
[19] BHOLE A, UDMALE S S, FALZON O, et al. CORF3D contour maps with application to Holstein cattle recognition from RGB and thermal images[J]. Expert Systems with Applications, 2022, 192: 116354-116365. doi: 10.1016/j.eswa.2021.116354
[20] ZHENG Z, ZHANG X, QIN L, et al. Cows’ legs tracking and lameness detection in dairy cattle using video analysis and Siamese neural networks[J]. Computers and Electronics in Agriculture, 2023, 205: 107618. doi: 10.1016/j.compag.2023.107618
[21] ZHENG Z, QIN L. Pruned YOLO-tracker: An efficient multi-cows basic behavior recognition and tracking technique[J]. Computers and Electronics in Agriculture, 2023, 213: 108172-108181. doi: 10.1016/j.compag.2023.108172
[22] 何东健, 刘建敏, 熊虹婷, 等. 基于改进YOLO+v3模型的挤奶奶牛个体识别方法[J]. 农业机械学报, 2020, 51(4): 250-260. doi: 10.6041/j.issn.1000-1298.2020.04.029 [23] WANG Y, XU X, WANG Z, et al. ShuffleNet-Triplet: A lightweight RE-identification network for dairy cows in natural scenes[J]. Computers and Electronics in Agriculture, 2023, 205: 107632-107646. doi: 10.1016/j.compag.2023.107632
[24] WU D, WANG Y, HAN M, et al. Using a CNN-LSTM for basic behaviors detection of a single dairy cow in a complex environment[J]. Computers and Electronics in Agriculture, 2021, 182: 106016-106028. doi: 10.1016/j.compag.2021.106016
[25] YIN X, WU D, SHANG Y, et al. Using an efficient Net-LSTM for the recognition of single cow’s motion behaviours in a complicated environment[J]. Computers and Electronics in Agriculture, 2020, 10: 57-67.
[26] WANG Y, LI R, WANG Z, et al. E3D: An efficient 3D CNN for the recognition of dairy cow's basic motion behavior[J]. Computers and Electronics in Agriculture, 2023, 205: 107607-107616. doi: 10.1016/j.compag.2022.107607
[27] BEZEN R, EDAN Y, HALACHMI I. Computer vision system for measuring individual cow feed intake using RGB-D camera and deep learning algorithms[J]. Computers and Electronics in Agriculture, 2020, 172: 104345-104356.
[28] BELLO R, ZAWAWI A, SUFRIL A, et al. Image-based individual cow recognition using body patterns[J]. International Journal of Advanced Computer Science and Applications, 2020, 11(3): 92-98.
[29] WANG Y, CHEN T, LI B, et al. Automatic identification and analysis of multi-object cattle rumination based on computer vision[J]. Journal of Animal Science and Technology, 2023, 65(3): 519-534. doi: 10.5187/jast.2022.e87
[30] WANG Y, KANG X, CHU M, et al. Deep learning-based automatic dairy cow ocular surface temperature detection from thermal images[J]. Computers and Electronics in Agriculture, 2022, 202: 107429-107442. doi: 10.1016/j.compag.2022.107429
[31] QIAO Y, GUO Y, HE D. Cattle body detection based on YOLOv5-ASFF for precision livestock farming[J]. Computers and Electronics in Agriculture, 2023, 204: 107579-107589. doi: 10.1016/j.compag.2022.107579
[32] 李昊玥, 陈桂芬, 裴傲. 基于改进 Mask R-CNN的奶牛个体识别方法研究[J]. 华南农业大学学报, 2020, 41(6): 161-168. doi: 10.7671/j.issn.1001-411X.202003030 [33] ZHENG Z, LI J, QIN L. YOLO-BYTE: An efficient multi-object tracking algorithm for automatic monitoring of dairy cows[J]. Computers and Electronics in Agriculture, 2023, 209: 107857-107867. doi: 10.1016/j.compag.2023.107857
[34] MAKHURA O, WOODS J. Learn-select-track: An approach to multi-object tracking[J]. Signal Processing: Image Communication, 2019, 74: 153-161. doi: 10.1016/j.image.2019.02.009
[35] LIANG Y, CHEN X. Tracking guided actions recognition for cows[J]. Quantitative Biology, 2022, 10: 351-365. doi: 10.15302/J-QB-022-0291
[36] XU X, WANG Y, HUA Z, et al. Light-weight recognition network for dairy cows based on the fusion of YOLOv5s and channel pruning algorithm[J]. Transactions of the CSAE, 2023, 39(15): 153-163.
[37] 毛燕茹, 牛童, 王鹏, 等. 利用Kalman滤波和Hungarian算法的多目标奶牛嘴部跟踪及反刍监测[J]. 农业工程学报, 2021, 37(19): 192-201. doi: 10.11975/j.issn.1002-6819.2021.19.022 [38] 宋怀波, 阴旭强, 吴頔华, 等. 基于自适应无参核密度估计算法的运动奶牛目标检测[J]. 农业机械学报, 2019, 50(5): 45-58. doi: 10.6041/j.issn.1000-1298.2019.05.023 [39] 刘冬, 赵凯旋, 何东健. 基于混合高斯模型的移动奶牛目标实时检测[J]. 农业机械学报, 2016, 47(5): 288-294. doi: 10.6041/j.issn.1000-1298.2016.05.039 [40] BELLO R, MOHAMED A, TALIB A, et al. Computer vision-based techniques for cow object recognition[C]// IOP Conference Series: Earth and Environmental Science. Bristol: IOP Publishing, 2021: 58-71.
[41] LI W, JI Z, WANG L, et al. Automatic individual identification of Holstein dairy cows using tailhead images[J]. Computers and Electronics in Agriculture, 2017, 142: 622-631. doi: 10.1016/j.compag.2017.10.029
[42] GUO Y, HE D, CHAI L. A machine vision-based method for monitoring scene-interactive behaviors of dairy calf[J]. Animals, 2020, 10(2): 190-204. doi: 10.3390/ani10020190
[43] YU Z, LIU Y, YU S, et al. Teat detection of dairy cows based on deep learning neural network FS-YOLOv4 model[J]. Computers and Electronics in Agriculture, 2022, 200: 107224-107234. doi: 10.1016/j.compag.2022.107224
[44] TIAN F, HU G, YU S, et al. An efficient multi-task convolutional neural network for dairy farm object detection and segmentation[J]. Computers and Electronics in Agriculture, 2023, 211: 108000-108017. doi: 10.1016/j.compag.2023.108000
[45] MON S L, ZIN T T, TIN P, et al. Video-based automatic cattle identification system[C]// 2022 IEEE 11th Global Conference on Consumer Electronics, Osaka: IEEE, 2022: 490-491.
[46] GUZHVA O, ARDÖ H, NILSSON M, et al. Now you see me: Convolutional neural network based tracker for dairy cows[J]. Frontiers in Robotics and AI, 2018, 5: 107-116. doi: 10.3389/frobt.2018.00107
[47] 张瑞红, 赵凯旋, 姬江涛, 等. 基于机器学习的奶牛颈环ID自动定位与识别方法[J]. 南京农业大学学报, 2021, 44(3): 586-595. doi: 10.7685/jnau.202010005 [48] DU Y, KOU Y, LI B, et al. Individual identification of dairy cows based on deep learning and feature fusion[J]. Animal Science Journal, 2022, 93(1): 13789-13797. doi: 10.1111/asj.13789
[49] XIAO J, LIU G, WANG K, et al. Cow identification in free-stall barns based on an improved Mask R-CNN and an SVM[J]. Computers and Electronics in Agriculture, 2022, 194: 107638-107649.
[50] ACHOUR B, BELKADI M, FILALI I, et al. Image analysis for individual identification and feeding behaviour monitoring of dairy cows based on convolutional neural networks (CNN)[J]. Biosystems Engineering, 2020, 198: 31-49. doi: 10.1016/j.biosystemseng.2020.07.019
[51] TONG L, BO J, DIHUA W, et al. Tracking multiple target cows’ ruminant mouth areas using optical flow and inter-frame difference methods[J]. IEEE Access, 2019, 7: 18520-185531.
[52] 刘月峰, 刘博, 暴祥, 等. 基于超轻量化孪生网络的自然场景奶牛单目标跟踪方法[J]. 农业机械学报, 2023, 54(10): 282-293. doi: 10.6041/j.issn.1000-1298.2023.10.028 [53] HAO W, ZHANG K, HAN M, et al. A novel Jinnan individual cattle recognition approach based on mutual attention learning scheme[J]. Expert Systems with Applications, 2023, 230: 120551-120562. doi: 10.1016/j.eswa.2023.120551
[54] ANDREW W, GREATWOOD C, BURGHARDT T. Visual localisation and individual identification of holstein friesian cattle via deep learning[C]//2017 IEEE International Conference on Computer Vision Workshops (ICCVW). IEEE, 2017: 2850-2859.
[55] WENG Z, MENG F, LIU S, et al. Cattle face recognition based on a two-branch convolutional neural network[J]. Computers and Electronics in Agriculture, 2022, 196: 106871-106882. doi: 10.1016/j.compag.2022.106871
[56] ZHAO K, HE D. Recognition of individual dairy cattle based on convolutional neural networks[J]. Transactions of the Chinese Society of Agricultural Engineering, 2015, 31: 181-187.
[57] ZIN T, PHYO C, HAMA H. Image technology based cow identificatio[C]//Proceedings of the International Multi Conference of Engineers and Computer Scientists 2018, Hong Kong, 2018: 320-323.
[58] WANG R, GAO R, LI Q, et al. An ultra-lightweight method for individual identification of cow-back pattern images in an open image set[J]. Expert Systems with Applications, 2024, 15: 54-68.
[59] ANDREW W, GAO J, MULLAN S, et al. Visual identification of individual Holstein-Friesian cattle via deep metric learning[J]. Computers and Electronics in Agriculture, 2021, 185: 106133-106144. doi: 10.1016/j.compag.2021.106133
[60] LU Y, WENG Z, ZHENG Z, et al. Algorithm for cattle identification based on locating key area[J]. Expert Systems with Applications, 2023, 228: 120365-120378. doi: 10.1016/j.eswa.2023.120365
[61] HU H, DAI B, SHEN W, et al. Cow identification based on fusion of deep parts features[J]. Biosystems Engineering, 2020, 192: 245-256. doi: 10.1016/j.biosystemseng.2020.02.001
[62] ZHANG K, HAN S, WU J, et al. Early lameness detection in dairy cattle based on wearable gait analysis using semi-supervised LSTM-Autoencoder[J]. Computers and Electronics in Agriculture, 2023, 213: 108252-108267. doi: 10.1016/j.compag.2023.108252
[63] KUMAR S, SINGH S K, SINGH R S, et al. Real-time recognition of cattle using animal biometrics[J]. Journal of Real-Time Image Processing, 2016, 13(3): 505-526.
[64] 王克俭, 孙奕飞, 司永胜, 等. 基于时空特征的奶牛视频行为识别[J]. 农业机械学报, 2023, 54(5): 261-358. doi: 10.6041/j.issn.1000-1298.2023.05.027 [65] MA S, ZHANG Q, LI T, et al. Basic motion behavior recognition of single dairy cow based on improved Rexnet 3D network[J]. Computers and Electronics in Agriculture, 2022, 194: 106772-106281. doi: 10.1016/j.compag.2022.106772
[66] JIANG B, SONG H, WANG H, et al. Dairy cow lameness detection using a back curvature feature[J]. Computers and Electronics in Agriculture, 2022, 194: 106729-106738. doi: 10.1016/j.compag.2022.106729
[67] 杜粤猛, 史慧, 高峰, 等. 基于姿态估计和关键点特征向量的奶牛跛行识别方法[J]. 华中农业大学学报, 2023, 42(5): 251-261. [68] SHOGO H, YOSHITAKA M, MASAFUMI M, et al. Leveraging computer vision-based pose estimation technique in dairy cows for objective mobility analysis and scoring system[J]. Computers and Electronics in Agriculture, 2024, 217: 108573-108582. doi: 10.1016/j.compag.2023.108573
[69] SHEN W, CHENG F, ZHANg Y, et al. Automatic recognition of ingestive-related behaviors of dairy cows based on triaxial acceleration[J]. Information Processing in Agriculture, 2020, 8: 427-443.
[70] 任晓惠, 刘刚, 张淼, 等. 基于支持向量机分类模型的奶牛行为识别方法[J]. 农业机械学报, 2019, 50(S1): 290-296. doi: 10.6041/j.issn.1000-1298.2019.S0.045 [71] GUO Y, ZHANG Z, HE D, et al. Detection of cow mounting behavior using region geometry and optical flow characteristics[J]. Computers and Electronics in Agriculture, 2019, 10: 48-62.
[72] JIANG B, YIN X, SONG H. Single-stream long-term optical flow convolution network for action recognition of lameness dairy cow[J]. Computers and Electronics in Agriculture, 2020, 175: 105536-105563. doi: 10.1016/j.compag.2020.105536
[73] 史学伟, 司永胜, 韩宪忠, 等. 基于SE-R(2+1)D网络的自然环境下的奶牛行为识别[J]. 河北农业大学学报, 2023, 46(1): 97-109.