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.
-
土壤盐渍化主要是氯化钠产生的对植物的非生物胁迫[1]，并随着全球气候变化而呈加剧趋势[2-3]，对自然环境及植物生长产生严重影响[4]。在生态系统中，植物主要利用K+、Na+ 及Cl– 进行渗透调节，但是过量的Na+ 和Cl– 积累在植物体内会破坏细胞内的离子和水分平衡，对植物造成不同程度的伤害[5-6]，包括抑制植物体内其他酶的活性，损害细胞膜结构的完整性及丧失细胞器功能，影响对植物养分的吸收[7]，导致植物养分亏缺，营养代谢紊乱[8-11]。在植物生长发育过程中，N、P、K是植物生长必需的大量矿质元素，这些元素与Na+ 和Cl– 等矿物质离子产生的交互作用会导致植物组织的盐分离子积累和必需营养元素的需求变化[12]，因此研究N、P、K等元素含量是了解和评价植物生长发育状况的有效方法[13]。目前，我国对盐胁迫下植物的元素含量和贮量研究主要集中在棉花Gossypium hirsutum[14]、马铃薯Solanum tuberosum[15]、水稻Oryza sativa[16]等农作物，沙枣Elaeagnus angustifolia[17]、鹅耳枥Carpinus betulus[18]、野皂荚Gleditsia microphylla[19]、中山杉Taxodium hybrid‘Zhongshanshan’[20]等树种上，鲜见关于盐胁迫下园林灌木元素变化的报道。
本研究中所选用的大红花Hibiscus rosa-sinensis、龙船花Ixora chinensis、鹅掌藤Schefflera arboricola、朱蕉Cordyline fruticosa是华南地区重要的园林绿化植物，常种植于含盐量较高的滨海地区。目前，对以上4种园林植物的研究主要集中在生理[4, 21]、光合[22]、荧光特性[1, 23]、植物配置和景观营造[24-25]等方面。本文通过人工模拟NaCl胁迫环境，对其植株和各器官的Na、Cl、N、P、K含量和贮量进行分析，旨在了解这4种园林植物的抗盐特性，为盐碱地的生态修复提供参考。
1. 材料与方法
1.1 试验地概况
本研究在广州市华南农业大学林学与风景园林学院进行，试验地属于亚热带季风气候，一年中最热月份是7月，平均温度达28.7 ℃；最冷月份是1月，平均温度为13.5 ℃。雨量充沛，主要集中在4—6月份，年降水量约1 736 mm，年均相对湿度为77%。
1.2 试验材料
本试验所用的园林植物包括大红花、龙船花、鹅掌藤和朱蕉，均为1年生实生苗。2016年5月将4种苗全部移栽至规格为直径20 cm、高30 cm的盆中，盆内土壤基质为黄心土和荷兰土，以质量比3∶1比例混合配制，且每盆定值1株。试验开始时4种幼苗的基本概况见表1，试验结束时4种幼苗的生物量见表2。
表 1 4种园林植物的基本情况Table 1. General characteristics of four landscape plant species园林植物 地径/cm 冠幅/cm 苗高/cm 大红花 0.43±0.05 26.5±6.28 18.0±2.91 龙船花 0.45±0.04 24.5±4.90 15.9±2.28 鹅掌藤 0.69±0.10 20.1±4.07 19.8±2.97 朱蕉 0.85±0.19 40.7±5.85 37.0±5.87 表 2 NaCl胁迫条件下4种园林植物各器官的单株干质量Table 2. Dry mass of different organs per plant in four landscape plant species under NaCl stress园林植物 w(NaCl)/% 单株干质量/g 叶 茎 根 地上部分 全株 大红花 0(CK) 1.76±0.07 1.70±0.08 0.63±0.01 3.46±0.28 4.09±0.40 0.3 1.35±0.02 1.09±0.01 0.60±0.01 2.45±0.06 3.04±0.09 0.6 1.06±0.02 0.86±0.01 0.44±0.02 1.92±0.05 2.36±0.08 龙船花 0(CK) 3.13±0.21 1.84±0.09 0.95±0.02 4.98±0.83 5.92±1.10 0.3 1.20±0.04 0.82±0.02 0.45±0.01 2.02±0.12 2.47±0.17 0.6 1.15±0.05 0.87±0.01 0.40±0.01 2.02±0.12 2.42±0.17 鹅掌藤 0(CK) 6.25±0.91 2.13±0.08 2.41±0.15 8.38±1.38 10.80±2.22 0.3 4.72±0.46 0.72±0.01 1.27±0.05 5.44±0.54 6.71±0.85 0.6 4.25±0.41 0.60±0.01 0.93±0.11 4.85±0.54 5.78±0.70 朱蕉 0(CK) 4.34±0.57 2.22±0.12 3.00±0.29 6.56±1.10 9.56±2.11 0.3 2.34±0.31 1.49±0.04 1.65±0.10 3.83±0.26 5.48±0.56 0.6 2.29±0.30 1.47±0.09 1.85±0.05 3.76±0.34 5.61±0.61 1.3 试验方法
使用NaCl溶液调节不同盐分浓度，并运用梯度法对4种植物进行盐分梯度设置：在预试验的基础上，将盐分和土壤干质量之比分别设置为0(对照)、0.3%和0.6%的盐胁迫浓度处理，把NaCl纯溶液浇到相应的花盆中，每个梯度NaCl纯溶液分3次浇灌，每隔1 d浇1次。其中以浇灌等量的无离子水作为对照(CK)，每种处理15个重复，4种植物共180个样品。为确保盆中盐分总量，花盆底部用托盘承接。试验开始时，严格控制样品苗木的浇水量，以利于加盐后盐分在干燥土壤中充分扩散。处理后的样品苗木，每天各盆浇水50 mL，并将盘内渗出水分及时返盆。
根据佘汉基等[1]、郑欣颖等[4]和蔡金桓等[22]试验方法，在4种植物经过2种不同浓度盐胁迫处理30 d后，同一浓度每种植物各取10株生长状态良好的整株植物。将植株用无菌水冲洗3次，分成叶、茎和根3部分，称量植株各器官部位的鲜质量，再将其分别装入信封并编号，烘干后测其干质量。随后将干质量样品充分研磨，用于分析测定N、P、K、Na和Cl的含量。全N含量用开氏–蒸馏滴定法测定；分析待测液用H2SO4-H2O2消煮后，试液中的P含量采用钼锑抗比色法测定，K和Na含量用火焰光度法测定；Cl含量采用离子色谱法测定。
元素贮量=生物量×元素含量。
1.4 数据统计分析
采用软件SAS 9.3及Microsoft Excel 2003进行数据统计分析。
2. 结果与分析
2.1 植物的元素含量
由表3可知，各植物不同器官的Na含量均随着盐胁迫浓度的增加而显著增加(P<0.05)。在w(NaCl)为0.3%的胁迫条件下，植物叶片的Na含量为大红花>龙船花>朱蕉>鹅掌藤，茎为鹅掌藤>朱蕉>龙船花>大红花，根为鹅掌藤>大红花>龙船花>朱蕉；在w(NaCl)为0.6%胁迫条件下，叶片的Na含量为大红花>龙船花>朱蕉>鹅掌藤，茎的Na含量为龙船花>朱蕉>鹅掌藤>大红花，根的Na含量为龙船花>鹅掌藤>大红花>朱蕉。
表 3 NaCl胁迫条件下4种园林植物叶、茎和根的元素含量1)Table 3. Element contents in leaves, stems and roots of four landscape plant species under NaCl stress园林植物 w(NaCl)/% w叶/(g·kg–1) Na Cl N P K 大红花 0(CK) 9.25±0.08c 10.43±0.12c 20.34±0.09c 2.64±0.00a 24.39±0.32a 0.3 14.84±0.16b 19.47±0.06b 21.77±0.05b 2.48±0.02b 18.28±0.20c 0.6 19.66±0.19a 25.79±0.16a 23.86±0.01a 2.33±0.01c 19.59±0.14b 龙船花 0(CK) 2.15±0.05c 4.33±0.09c 13.66±0.04c 0.92±0.00b 10.38±0.11b 0.3 8.22±0.12b 13.58±0.08b 14.92±0.07b 1.24±0.02a 11.37±0.39a 0.6 12.79±0.14a 23.67±0.25a 15.48±0.17a 1.25±0.00a 11.32±0.12a 鹅掌藤 0(CK) 0.93±0.02c 4.38±0.05b 11.24±0.21c 1.28±0.00c 14.10±0.08b 0.3 2.43±0.03b 7.87±0.07a 13.55±0.20a 1.46±0.01b 16.40±0.18a 0.6 2.73±0.11a 7.51±0.33a 12.80±0.21b 1.51±0.01a 14.25±0.13b 朱蕉 0(CK) 0.30±0.00c 11.94±0.07c 17.68±0.28a 2.36±0.01a 20.19±0.18b 0.3 3.75±0.15b 22.40±0.19b 17.47±0.19a 2.06±0.02b 25.45±0.33a 0.6 7.64±0.08a 30.71±0.20a 17.41±0.14a 2.37±0.01a 25.58±0.26a 园林植物 w(NaCl)/% w茎/(g·kg–1) Na Cl N P K 大红花 0(CK) 1.03±0.03b 4.07±0.09c 7.41±0.16b 2.12±0.01a 18.63±0.17a 0.3 3.84±0.09a 7.44±0.04b 9.32±0.16a 2.14±0.03a 18.77±0.04a 0.6 3.87±0.07a 9.30±0.33a 9.54±0.07a 1.74±0.02b 17.41±0.34b 龙船花 0(CK) 0.81±0.02c 2.80±0.06b 8.84±0.01c 1.57±0.01c 10.44±0.30b 0.3 4.69±0.07b 9.58±0.08a 9.42±0.10b 2.86±0.02a 11.97±0.09a 0.6 8.52±0.13a 13.86±0.03b 11.60±0.17a 2.75±0.02b 10.67±0.37b 鹅掌藤 0(CK) 1.38±0.03c 7.21±0.05c 6.14±0.08c 2.36±0.03c 23.75±0.27c 0.3 5.63±0.16a 12.74±0.05b 8.73±0.16a 3.05±0.02a 26.67±0.17a 0.6 7.79±0.06b 20.28±0.19a 8.40±0.06b 2.45±0.03b 25.24±0.11b 朱蕉 0(CK) 1.06±0.02c 1.76±0.06c 5.72±0.16c 2.35±0.03a 12.61±0.32a 0.3 5.16±0.08b 12.01±0.08b 7.33±0.17b 1.88±0.02c 10.60±0.28b 0.6 8.09±0.05a 17.75±0.02a 7.81±0.06a 1.96±0.04b 10.68±0.18b 园林植物 w(NaCl)/% w根/(g·kg–1) Na Cl N P K 大红花 0(CK) 3.13±0.11c 3.48±0.11c 9.87±0.02c 1.92±0.02a 20.63±0.34a 0.3 5.47±0.07b 6.55±0.18b 10.61±0.13b 1.82±0.01b 12.11±0.06b 0.6 6.26±0.08a 7.21±0.10a 11.45±0.11a 1.76±0.02c 12.05±0.14b 龙船花 0(CK) 0.91±0.02c 0.12±0.01c 12.69±0.05c 1.95±0.04c 12.23±0.13a 0.3 5.19±0.07b 5.73±0.05b 13.53±0.18b 2.73±0.03a 10.49±0.05b 0.6 9.11±0.07a 15.29±0.38a 14.25±0.16a 2.03±0.01b 12.07±0.18a 鹅掌藤 0(CK) 3.37±0.29c 4.85±0.02c 9.13±0.02c 1.53±0.02b 18.67±0.16a 0.3 6.32±0.10a 5.43±0.08b 10.53±0.15b 1.77±0.04a 17.66±0.28b 0.6 6.51±0.14a 9.77±0.18a 11.32±0.06a 1.58±0.01b 15.25±0.20c 朱蕉 0(CK) 1.75±0.03c 0.12±0.01c 7.45±0.12c 2.24±0.02a 11.28±0.30a 0.3 3.84±0.10b 6.16±0.13b 7.89±0.02b 1.33±0.02c 6.77±0.12c 0.6 4.58±0.28a 10.77±0.09a 9.37±0.17a 1.58±0.00b 8.52±0.04b 1)同树种同指标的同列数据后，凡具有一个相同字母者表示差异不显著(P>0.05，Duncan’s法) 由表3可知，各植物不同器官的Cl含量均随着NaCl胁迫浓度的增加而显著增加(P<0.05)。在w(NaCl)为0.3%和0.6%胁迫条件下，植物叶片的Cl含量均为朱蕉>大红花>龙船花>鹅掌藤，植物茎的Cl含量均为鹅掌藤>朱蕉>龙船花>大红花，植物根的Cl含量分别为大红花>朱蕉>龙船花>鹅掌藤和龙船花>朱蕉>鹅掌藤>大红花。
由表3可知，大红花、龙船花的各器官N含量均随NaCl胁迫浓度增加而显著升高(P<0.05)，其他植物N含量变化各异。在w(NaCl)为0.3% 和0.6% 胁迫条件下，植物叶片的N含量为大红花>朱蕉>龙船花>鹅掌藤，植物茎和根的N含量均为龙船花>大红花>鹅掌藤>朱蕉。在w(NaCl)为0.3% 和0.6% 胁迫条件下，4种植物各器官的P含量及叶片和茎的K含量呈现无规律变化，根的K含量下降。
由表4可知，随着NaCl胁迫浓度的增加，4种园林植物各器官的K+/Na+ 含量比逐渐降低。对各器官K+/Na+ 含量比的下降幅度进行排序：大红花为茎>根>叶，龙船花为根>茎>叶，鹅掌藤为茎>叶>根，朱蕉为叶>茎>根，总体来看，茎的K+/Na+ 含量比下降幅度大于根和叶，龙船花和朱蕉的K+/Na+ 含量比下降幅度大于大红花和鹅掌藤。
表 4 NaCl胁迫条件下4种园林植物各器官的K+/Na+ 含量比1)Table 4. The ratios of K+/Na+ in different organs of four landscape plant species under NaCl stress园林植物 w(NaCl)/% 叶 茎 根 大红花 0(CK) 2.64a 18.12a 6.59a 0.3 1.23b 4.89b 2.21b 0.6 1.00c 4.50b 1.92b 龙船花 0(CK) 4.83a 12.93a 13.39a 0.3 1.38b 2.55b 2.02b 0.6 0.89c 1.25c 1.33b 鹅掌藤 0(CK) 15.20b 17.26a 5.53a 0.3 6.76a 4.73b 2.79b 0.6 5.21a 3.24c 2.34b 朱蕉 0(CK) 54.53a 11.87a 6.44a 0.3 18.50b 2.06b 1.76b 0.6 4.07c 1.32c 1.86b 1)同种植物的同列数据后，凡是具有一个相同小写字母者表示差异不显著(P>0.05，Duncan’s法) 2.2 植物各器官元素贮量
由表5可知，由植物各器官的生物量和元素含量相乘，得出各器官的元素贮量。除了鹅掌藤的根外，NaCl胁迫的4种植物各器官的Na贮量均大幅增加，其中龙船花和朱蕉的Na贮量随NaCl胁迫浓度的增加而增加。与对照相比，NaCl胁迫的大红花、龙船花和朱蕉各器官的Cl贮量均有增加，其中龙船花和朱蕉的Cl贮量随NaCl浓度的增加而增加；NaCl胁迫的鹅掌藤叶的Cl贮量高于对照，而茎和根的Cl贮量低于对照。
表 5 NaCl胁迫条件下4种园林植物各器官的Na和Cl的贮量1)Table 5. Na and Cl accumulations in different organs of four landscape plant species under NaCl stress园林植物 w(NaCl)/% Na贮量/(g·m–2) Cl贮量/(g·m–2) 叶 茎 根 叶 茎 根 大红花 0(CK) 0.27c 0.03b 0.03a 0.31b 0.12a 0.04b 0.3 0.33b 0.07a 0.05a 0.44a 0.14a 0.07a 0.6 0.35a 0.06a 0.05a 0.45a 0.13a 0.05b 龙船花 0(CK) 0.11c 0.02c 0.01c 0.23c 0.09c 0.01c 0.3 0.16b 0.06b 0.04b 0.27b 0.13b 0.04b 0.6 0.25a 0.12a 0.06a 0.46a 0.20a 0.10a 鹅掌藤 0(CK) 0.10b 0.05b 0.14a 0.46c 0.26a 0.20a 0.3 0.19a 0.07a 0.13a 0.62a 0.15c 0.11c 0.6 0.19a 0.08a 0.10b 0.53b 0.20b 0.15b 朱蕉 0(CK) 0.02c 0.04c 0.09c 0.86b 0.07c 0.01c 0.3 0.15b 0.13b 0.11b 0.87b 0.30b 0.17b 0.6 0.29a 0.20a 0.14a 1.17a 0.43a 0.33b 1)同种植物的同列数据后，凡是具有一个相同小写字母者表示差异不显著(P>0.05，Duncan’s法) 由表6可知，除了大红花的根外，其余植物各器官的N贮量比对照减少，其中鹅掌藤各器官的N贮量随NaCl胁迫浓度的增加而减少。除了w(NaCl)为0.3%胁迫条件下大红花根的P贮量与对照相同以外，其余NaCl胁迫条件下植物各器官的P贮量均小于对照。NaCl胁迫条件下4种植物各器官的K贮量均小于对照，大红花和鹅掌藤各器官的K贮量随着NaCl胁迫浓度的增加而下降。w(NaCl)为0.3%和0.6%胁迫条件下，龙船花根的K贮量相同，其余器官的K贮量随着NaCl浓度的增加而减少。NaCl胁迫条件下朱蕉各器官的K贮量变化无规律。
表 6 NaCl胁迫条件下4种园林植物各器官的N、P和K贮量1)Table 6. N，P and K accumulations in different organs of four landscape plant species under NaCl stress园林植物 w(NaCl)/% N贮量/(g·m–2) P贮量/(g·m–2) K贮量/(g·m–2) 叶 茎 根 叶 茎 根 叶 茎 根 大红花 0(CK) 0.60a 0.21a 0.10a 0.08a 0.06a 0.02a 0.72a 0.53a 0.22a 0.3 0.49b 0.17b 0.11a 0.06b 0.04b 0.02a 0.41b 0.34b 0.12b 0.6 0.42c 0.14c 0.08a 0.04c 0.02b 0.01b 0.35c 0.25b 0.09c 龙船花 0(CK) 0.71a 0.27a 0.20a 0.05a 0.05a 0.03a 0.54a 0.32a 0.19a 0.3 0.30b 0.13b 0.10b 0.02b 0.04b 0.02b 0.23b 0.16b 0.08b 0.6 0.30b 0.17c 0.09c 0.02b 0.04c 0.01c 0.22b 0.15b 0.08b 鹅掌藤 0(CK) 1.17a 0.22a 0.37a 0.13a 0.08a 0.06a 1.47a 0.84a 0.75a 0.3 1.07b 0.10b 0.22b 0.11a 0.04b 0.04b 1.29b 0.32b 0.37b 0.6 0.91b 0.08b 0.18b 0.11a 0.02b 0.02b 1.01b 0.25c 0.24c 朱蕉 0(CK) 1.28a 0.21a 0.37a 0.17a 0.09a 0.11a 1.46a 0.47a 0.56a 0.3 0.68b 0.18b 0.22b 0.08b 0.05b 0.04b 0.99b 0.26b 0.19c 0.6 0.66b 0.19b 0.29b 0.09b 0.05b 0.05b 0.98b 0.26b 0.26b 1)同种植物的同列数据后，凡是具有一个相同小写字母者表示差异不显著(P>0.05，Duncan’s法) 3. 讨论与结论
3.1 NaCl胁迫对植物各器官的元素含量和分配格局的影响
养分在植物营养器官的含量是决定苗木生长的重要因素[26]，其分布特征是植物生物学特性与生态环境相统一的结果[27]。植物可通过离子区隔化、离子选择性吸收和渗透调节物质诱导等来维持细胞内正常的渗透压[28-29]，以减缓NaCl胁迫对植物造成的伤害，但过量的NaCl积累可引起植物体内蛋白质变性和酶失活，使植物产生离子毒害，特别是叶片中Na和Cl元素的过量积累直接抑制植株生长发育[10, 30]，造成生物量锐减。
本研究中，各植物不同器官的Na含量均随着NaCl胁迫浓度的增加而显著增加。4种植物所吸收Na+主要分配在叶茎部分，可以通过区隔过量的Na+在枝叶上并通过落叶来缓解植株Na+含量过多的毒害[28, 31]，同时使根系中的Na+维持在相对较低的水平，降低细胞渗透势，减轻盐胁迫对养分吸收和输送功能的危害，从而缓解盐离子的毒害作用，这是植物对根的一种保护机制，与前人研究其他园林植物对Na+吸收的结果一致[32-33]。
除了鹅掌藤，各植物不同器官的Cl含量基本随着NaCl胁迫浓度的增加而增加。各植物不同器官的Cl含量增幅相差较大，在w(NaCl)为0.3%和0.6%胁迫条件下，大红花叶的Cl含量仅增加87%和147%，龙船花根的Cl含量却增加了4 675%和12 642%。说明不同器官富集Cl–的能力差别较大，其抵御或分配方式主要取决于植物遗传特性和土壤条件[13]；由于Cl–富集度高于Na+，植物在NaCl胁迫中所受的Cl–毒害可能大于Na+毒害[34-35]。另外，Na+和Cl–还可通过相互抑制或改变胞质膜透性等途径影响对其他营养元素的吸收，导致植株体内的营养失衡[36]。
与对照相比，除了朱蕉叶的N含量略有下降外，大红花、龙船花、鹅掌藤各器官以及朱蕉茎和根的N含量均随NaCl胁迫浓度的增加而升高，这可能与土壤有机质和土壤脲酶活性减弱有关[37]，较高的土壤酶活性有利于有机质分解，促进了土壤N的释放[38]，所以植物吸收有效N增加。
各植物受NaCl胁迫后，不同器官的P含量变化没有一致规律，可能是由于进入植物体内的Na+ 和Cl– 影响各组织营养离子的吸收，导致各器官对P的选择不同[39]。NaCl胁迫使各植物器官的K+/Na+含量比减少，除了朱蕉的根以外，所有植物器官的K+/Na+ 含量比均随NaCl胁迫浓度增加而降低，由于Na+和K+ 的离子半径和水合能相似，Na+ 会竞争K+ 的活性位点和吸收位点，导致植株对K+的吸收减少[27]。叶和根的K+/Na+ 含量比下降幅度小于茎，表明叶和根的离子选择性吸收和离子平衡能力大于茎，叶和根对K+ 选择性吸收能力增强，植株体内的K+ 优先向叶和根分配，而叶片和根的K+ 能够维持相对稳定的含量，有利于植株正常的生理活动[17, 30]。由于K+ 和Na + 电化学性质的相似性[40], Na+与K+ 存在离子拮抗作用，盐胁迫使植物体内积累过多的Na+ ，导致植株吸收K+困难[8, 20]。大红花和鹅掌藤的K+/Na+ 含量比下降幅度小于龙船花和朱蕉，说明前2种树种的离子选择性吸收和离子平衡能力优于后2种树种。
3.2 NaCl胁迫对植物各器官养分贮量的影响
养分贮量主要由植株的生物量和元素含量决定，养分贮量不仅直接关系到植株自身的生长状况，而且与群落内养分循环格局密切相关。土壤盐渍化易引起植物水势和气孔导度下降以及蒸腾减弱[21, 41]，而过多离子进入细胞会产生离子毒害，抑制植物体内的酶活性，破坏细胞膜结构和细胞器功能[4, 10]，导致吸水困难，表现出类似干旱胁迫的失水症状，进而影响养分贮量的积累。本研究中，NaCl胁迫处理后，各植物的Na总贮量升高，与前人的研究结果[42]一致。Na和Cl贮量变化规律基本与其元素含量变化规律一致，原因是Na和Cl含量的增加幅度比其生物量的变化幅度大得多，因此成为Na和Cl贮量的主要影响因素[43]。各植物的Na和Cl贮量随着NaCl胁迫浓度的增加在不同器官分配各异，这与植物不同器官抵御盐胁迫程度有关。随NaCl胁迫浓度的增加，各植物大部分器官的N贮量逐渐减少，而P和K贮量也减少，基本与各植物生物量变化规律一致，原因是N、P和K含量变化幅度小于生物量变化，因而生物量成为了N、P和K贮量的主要决定者。
3.3 结论
在本研究中，NaCl胁迫使各器官的Na和Cl含量大幅度增加，对植株的生长产生不良影响，并且与各植物器官的养分贮量变化趋势基本一致，而N、P和K的养分贮量变化规律与生物量基本相同。NaCl胁迫下K+/Na+ 含量比高的植物耐盐性强，在本研究中，除了朱蕉的根外，所有植物器官的K+/Na+ 含量比均随NaCl浓度增加而降低，且除了龙船花以外，其他植物叶和根的K+/Na+ 含量比下降幅度小于茎，大红花和鹅掌藤各器官的K+/Na+ 含量比下降幅度小于龙船花和朱蕉，因此降低了NaCl胁迫对叶和根的伤害，同时说明大红花和鹅掌藤比其他植物的耐盐性强，通过限制Na+ 进入细胞，并选择性吸收K+ 来维持组织细胞的高K+/Na+ 含量比，以保证植物的正常生理代谢。
-
![]()
图 4 融合卡尔曼滤波与检测算法(YOLO)的跟踪算法流程
Figure 4. Tracking algorithm flow of combining Kalman filter and detection algorithm (YOLO)
![]()
图 7 基于深度检测模型的个体识别效果
Figure 7. Individual recognition effect based on depth detection model
![]()
图 8 2D卷积(a)与3D卷积(b)对比
Figure 8. Comparison between 2D convolution(a) and 3D convolution(b)
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] 
下载: 导出CSV
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]
下载: 导出CSV
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]
下载: 导出CSV
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]
下载: 导出CSV
-
[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.
计量
- 文章访问数: 708
- HTML全文浏览量: 185
- PDF下载量: 71
