Research progress on precision breeding and intelligent sensing technologies for sows
-
摘要:
母猪的生长状况、繁殖性能与健康状况是猪场管理的重要生产要素,直接关系到猪场的经济效益。我国母猪养殖还存在生产管理智能化水平低、健康管理效率低、生产力水平低等突出问题,制约了我国养殖业的高质量发展。本文从母猪生长信息感知技术、繁殖行为监测技术、健康状态感知技术等3个方面,总结了母猪精准养殖管理中生长、生理、健康监测的研究和发展现状,分析了母猪精准养殖技术的薄弱环节,对母猪养殖智慧管控系统的建设提出了建议,并对未来的发展趋势进行了展望,以期为我国养猪业绿色高效智能转型升级与智能养猪工厂的建设提供参考。
Abstract:The growth conditions, reproductive performance, and health status of sows are important indicators for swine farm management. It directly relates to the economic benefits of pig farm. There are still prominent problems for sow farming in China, such as low level of production management intelligence, inefficient health management, and low productivity, which restrict the high-quality development of breeding industry in China. This article reviewed the research and development status of growth, physiological and health monitoring in precision breeding management of sows from three aspects, including sow growth information perception technology, reproductive behavior monitoring technology, and health status perception technology. The weak links of precision breeding technologies for sows were analyzed. The suggestions for the construction of future intelligent control system for sow breeding were proposed, and the development trends of precision breeding technologies for sows were prospected. This work aims to provide references for the green, efficient and intelligent transformation and upgrading of pig farming industry and the construction of intelligent pig farm in China.
-
Keywords:
- Precision breeding /
- Sow /
- Pig farm /
- Intelligent sensing /
- Behavioral phenotype monitoring /
- Health management
-
智能化工厂化养猪是我国养猪业发展的必然趋势[1]。随着信息技术的发展和非洲猪瘟常态化存在[2],散户养猪逐渐退出,我国生猪养殖业正在从传统养殖模式向智能化、规模化转型,预计2025年养殖规模化占比将达78%以上,总产值将达1.5 万亿元以上。与生猪养殖技术较为先进的国家相比,我国生猪养殖存在生产成本高、母猪年生产力(Pigs weaned per sow per year, PSY)指标低以及信息化设备使用效率低等问题,生产效率与国际水平之间还存在一定的差距,养殖产业的国际竞争力亟待提升[3]。因此,我国生猪养殖产业的国际竞争力仍需大幅提升[4]。
能繁母猪是猪场的核心,是生猪生产的基础和市场供应的“总开关”。保证能繁母猪的存栏量及生产力水平是调控生猪产能和保障猪肉供给能力的关键,而智能化养殖则是稳定生猪产能、降低能繁母猪养殖成本、助力生猪养殖产业良性发展的必由之路[5]。然而,目前主流的高密度集约化母猪养殖动物福利差,疾病传播的风险增加,母猪利用年限短。母猪发情和分娩等繁殖管理多采用同期发情和同期分娩等批次化处理方式,对母猪的健康和生产力存在负面影响,频繁使用兽药对食品安全具有较大挑战。因此,利用人工智能技术实时感知母猪的生长、繁殖、健康等关键信息,从而进行精准养殖和疾病预警,有助于提升母猪生产力,提高猪场管理水平[6-7]。本文针对母猪养殖管理的关键环节,从生长、繁殖、健康等3个方面关键信息综述母猪精准养殖系统涉及的传感器、算法模型、系统平台、智能装备研究和发展现状,以期为我国养猪业绿色高效智能转型升级和智能养猪工厂的建设提供参考。
1. 母猪生长信息感知技术
母猪生长信息感知技术是母猪智能养殖过程的核心技术,也是调整母猪饲喂和淘汰策略的重要依据[8]。目前,母猪生长信息感知主要依赖于人工测量,但人工方式测量母猪生长信息容易引起相关应激反应且效率低下。随着信息时代的飞速发展,计算机视觉技术已被广泛用于感知母猪体况、体质量以及体尺等生长状态[9]。通过计算机视觉技术实现母猪生长信息的实时感知,养殖管理人员可以更准确地了解母猪生长状况和发展趋势,及时调整饲养策略。这不仅可以提高数据的准确性和可靠性,还可以减少人工操作、降低养殖成本、减少人畜的直接接触、降低疫病传播风险,促进养殖业的智能化和信息化发展。同时,生长信息感知技术可以辅助检测母猪发情状态、预警部分健康问题,为母猪的健康管理提供重要参考。因此,研究基于计算机视觉的母猪生长信息感知技术,对实现母猪的精准饲喂、健康检测以及育种选淘具有重要意义。
1.1 母猪体况评分
母猪体况评分技术可以评估母猪能量蓄积、营养状况,进而提高繁殖性能并延长使用年限[10]。目前,母猪体况评分通常采用人工观察评分点进行评分,然而人工评分存在误差大、效率低等问题[1,7]。2015年Knauer等[11]设计了一种由量角器和卡尺组成的体况评分装置,以弥补工作人员经验差异导致的评分误差。图像处理与人工智能技术相结合的母猪自动化评分方法可以有效解决人工评分的缺点,对提高母猪体况评分的效率、筛选适配母猪以及实现母猪健康管理具有重要意义[12-13]。薛鸿翔等[14]研制的体况评分机器人由履带式机器人、数据采集模块以及数据处理模块构成,通过摄像头采集母猪臀部图像,实现了母猪体况自动化评分,并完成适配母猪筛选(图1)。
图 1 母猪体况评分机器人[14]Figure 1. The robot for scoring sow body condition为解决样本分布不均导致准确率下降的问题,He等[15]利用YOLOX目标检测网络构建母猪体况评分模型并引入了半分制,准确率可以达到80.06%。Liu等[16]采用基于深度学习和EfficientNet-B0的自动母猪体况评分方法,准确率得到进一步提高,平均准确率达到85.66%。为解决原始数据类别不平衡和身体状况数据标注错误的问题,Xue等[14]融合卷积神经网络(Convolutional neural networks, CNN)网络和Transformer网络并引入卷积块注意力模块(Convolutional block attention module,CBAM)注意力机制以及优化的焦点损失函数,准确率为91.06%;该方法实现了母猪体况的自动评分,具有广泛的应用前景。二维数据包含信息有限,运用三维数据处理方法针对体况评分进行研究成为一大热点。滕光辉等[17]利用手持Kinect传感器获取母猪臀股的三维图像,通过点云处理技术,提取母猪臀部的高宽比、臀股面积和曲率半径并建立体况评分模型,准确率达到91.70%。
在体况评分算法研究方面,目前主要采用的是基于猪体局部参考点的参数化研究方法,通过识别猪体的关键部位进行评分,如肋骨、脊椎等;评分精度受猪只姿态影响大,导致评分结果不够准确,需要大量样本进行模型鲁棒性验证。因此,未来的研究需要重点解决以上问题,包括改进评分算法的准确性和稳定性、探索更合适的评分标准、增加样本量以提高模型的泛化能力等,实现更加精准、有效的母猪体况评分,为养殖管理提供更好的决策支持和技术指导。
1.2 母猪体质量估测
母猪体质量是母猪发育状况的重要生理指标之一,对实现母猪精准饲喂以及健康监测等方面都具有重要价值[18]。传统的地磅秤称质量方法难以实现动态称质量,并且存在测量误差大、效率低下以及猪只应激反应大等问题。胡肄农等[19]利用神经网络技术降低了家畜运动引起的地磅称质量误差,但还不能满足实际生产需要。无接触式体质量估测的养殖装备因其使用寿命长、猪只应激小等优点得到了广泛关注。这种装备采用先进的传感器技术和计算机视觉算法,可以实现对猪只体质量的无接触式、实时监测,无需人工干预,大大减少了养殖过程中对猪只的干扰和压力,有助于提高养殖效率和动物福利;此外,这种装备还具有数据自动记录、分析和管理的功能,为养殖者提供了更加科学、便捷的养殖管理手段。现代养殖业中,无接触式体质量估测的养殖装备已成为提升养殖效益和管理水平的重要手段之一。图2是南京农业大学开发的搭载深度相机的生猪分栏设备,可以将数据采集与处理模块部署至工控机上,实现点云数据的自动采集和体质量估测。
早期利用2D图像实现体质量估测的研究主要有边缘检测方法[20]、Ostu算法[21]、颜色特征处理以及阈值分割等方法[22],通过提取母猪投影或体尺参数构建体质量回归模型。2020年,武尧等[23]结合PBAS和Canny算法提取母猪轮廓并构建母猪体质量估测模型,准确率得到进一步提升,达到95.5%;但该方法受姿态影响大、包含信息较少,进一步提升准确率难度较大。为了进一步提升体质量估测的准确率,研究人员通过使用深度相机获得母猪体高等信息,研究基于三维数据类型的体质量估测方法。利用三维数据实现母猪体质量估测的流程与2D图像处理类似,通过点云滤波以及密度聚类等数据预处理方法提取母猪点云,利用母猪形态学特征提取相关特征参数,构建母猪体质量回归模型。Zhang等[24]利用深层卷积神经网络构建多输出回归网络模型,结合LabVIEW软件开发平台实现猪只体质量估测自动化,平均绝对误差为1.16 kg。Li等[25]利用部署在猪只上方的深度相机采集背部彩色图像以及深度图像,通过数据滤波、点云切片等方式提取母猪体尺参数,实现了猪只体质量估测。Liu等[26]整合点云滤波以及密度聚类算法,研究一种混合三维点云去噪方法,通过投影以及凸包检测法获取猪背部参数,利用卷积神经网络实现母猪体质量估测,平均相对误差为5.357%。Cang等[27]采用俯视深度图像,基于Faster R-CNN网络增加了回归分支,将猪只检测和体质量回归网络集成到端网络中,可以同时实现猪只检测、位置识别和体质量估测等功能。
现有大多数体质量估测系统或模型仍停留于实验室研究阶段,缺少针对实际生产环境下的应用,无法实现对应的成果落地转化。未来需要加强养殖装备在实际养殖场的长期运行和监测,这样才能积累大量的不同生长阶段、不同品种和不同环境条件下的数据样本,验证体质量估测模型的稳定性和可靠性,为模型的进一步改进和优化提供有力支持。
1.3 母猪体尺估测
母猪体尺估测对母猪育种选淘、精准饲喂和健康状态评估等方面具有重要意义。母猪体尺的传统测量方法需要人工测定体长、胸围等指标,这种方式工作量大,测量难度高。应用计算机视觉和深度学习技术的非接触式体尺估测方法提供了效率更高的方案。猪只体尺自动估测方法研究涉及计算机视觉、图像处理、深度学习等领域的知识,通过分析猪只的图像数据准确估测体尺信息。二维平面图像估测方法主要依赖于对猪只图像的特征提取和测量,而三维立体数据估测则更加复杂,需要利用三维成像技术获取猪只的立体信息,并进行相应的数据处理和分析。这些研究的成果有望为猪只生产管理提供更精确、高效的技术支持,推动养猪业向智能化、信息化的方向发展。
基于2D图像的猪只体尺估测研究是近年来备受关注的研究领域。首先,通过边缘检测、分割和形态学处理等技术提取猪只的轮廓信息;然后,利用特定的算法或模型确定体尺测点的位置和数量;最后,根据测点之间的距离和相对位置关系建立数学模型,实现对猪只体尺的估测。体尺估测的关键在于测点,测点提取的准确度直接影响估测结果的精确度和可靠性。通过探索不同的图像处理方法和算法,可以提高体尺测点提取的准确度和效率,为猪只体尺估测技术的进一步发展和应用奠定基础。刘波等[28]通过获取猪只热红外以及光学图像,结合非子采样轮廓波的图像融合算法,实现了猪只图像的自动分割和提取。刘同海等[29] 通过实时捕获猪只彩色图像,采用背景减法、中值滤波及动态阈值分割等方法,有效地提高了猪体体尺测点识别率,平均相对误差为0.92%。南京农业大学研制的母猪体尺智能监测机器人(图3),采用巡检方式采集数据,提高了猪场母猪体尺检测效率,为无接触式体尺估测方法的养殖装备研究提供了新思路。
目前,基于三维数据的猪只体尺估测方法主要依赖于双目立体视觉技术和深度相机技术[30]。在双目视觉中,为减少图像受到环境的干扰,通常需采取一系列预处理和优化措施,包括图像去噪、光照均衡化、背景消除等,以提高图像质量和清晰度,有效地减少干扰因素对体尺估测结果的影响。李卓等[31]利用双目视觉技术,结合帧差法及凹陷结构拐点提取算法,实现了在复杂场景下母猪体尺的自动提取,检测误差小于2 cm。此外,基于深度相机技术的猪只体尺估测方法,利用深度相机获取的三维数据,直接获取猪只的体积信息,无需经过繁琐的图像处理步骤,可以更加准确地估测猪只的体尺。尹令等[32]利用Kinect深度相机从多个角度捕获母猪点云数据,利用点云配准融合技术获取母猪完整点云,实现了体尺特征的自动提取;实际养殖环境中测试表明,该方法可以有效提高体尺估测精度。
二维图像采集和处理相对简单,通常只需要基本的图像处理技术即可实现,处理成本低;三维数据的采集设备相对复杂、数据量大,需要较高的技术水平和设备投入,但三维数据提供了更丰富的信息,能够准确捕捉猪只的立体形态,从而更精确地进行分析和测量,准确度更高。基于三维数据的体尺估测系统需要解决设备使用困难、数据采集设备复杂以及数据量更大等挑战,以便有效地应用于实际生产和研究中。
2. 母猪繁殖信息的感知与监测技术
2.1 母猪发情检测技术
及时准确地识别母猪的发情行为对预测母猪最佳授精时间和减少非生产天数至关重要[33]。在非洲猪瘟传入我国以前,猪场通常采用“公猪试情法”对母猪进行诱情与查情。随着非洲猪瘟在我国的肆虐,为了适应常态化的防控需要,规模化猪场已逐渐放弃使用试情公猪诱情与查情工作,普遍采用激素及其衍生物对母猪进行同期发情处理。同期发情处理会损害部分母猪的生殖健康[34];此外,部分因生殖障碍不发情的母猪还会发生误配,增加了非生产天数,降低了母猪的生产效率[35]。因此,对母猪发情进行更快更准确的检测是现代工厂化养猪的必然需求,通过细致准确地观察发情母猪的行为与生理变化,利用智能化技术提取母猪的发情表征,分析这些表征信息与发情之间的关联性,进而实现母猪发情行为的自动化、智能化检测,从而辅助生产决策。目前,母猪发情的主要检测方式为人工试情法、接触式传感器监测、非接触式传感器监测和计算机视觉监测等。
2.1.1 人工试情法
现阶段,仍有部分猪场采用公猪试情、人工试情和行为观察等方法[36]。当母猪进入发情期后,利用试情公猪的同时,经验丰富的养殖人员通过观察母猪的静立反射并结合母猪外阴部肿胀程度、阴道黏膜颜色、黏液量及黏稠度等情况判断母猪是否发情,如图4所示。也有部分养殖人员采用超声波技术来检测母猪发情状态,通过分析超声波图像,能够监测卵泡的发育情况,从而判断母猪的发情状态[37]。虽然人工检测法方法具有准确性高、可控性强及适用性广等显著特点,但是人工试情法具有一定的主观性且耗时费力,主要适用于中小规模养殖场,不能满足养猪工厂化的生产管理需求。
2.1.2 接触式传感器监测
家畜接触式传感器是一类可穿戴式或植入式的检测装置,主要包括计步器、加速度传感器、姿态传感器等。在生猪养殖领域,接触式传感器被应用于猪只身份识别、体温监测、活动量检测、发情监测以及分娩监测等方面,从而有效地指导生猪的生产管理。在母猪发情检测方法的早期研究中,Johnson等[38]利用植入式三轴加速度传感器监测后备母猪发情期的活动量,结果表明在母猪进入发情期时,活动量增加了37.8%。王凯等[39]在母猪颈部安装了姿态传感器获取数据,以爬跨行为和活动量2个特征作为发情行为识别依据,结果表明以30 min作为发情识别时间时效果最佳,错误率仅13.42%。接触式传感器虽然能够较为精确地监测母猪的发情状态,但植入式传感器易引起母猪的应激反应且佩戴式传感器存在易脱落等问题,未来将朝着小型化、低功耗、多参数化的方向发展,新型的接触式传感器将能够更全面、快速地监测畜禽个体的生理和健康状况。
2.1.3 非接触式传感器监测
随着无线通讯、光学传感及人工智能等技术的不断进步,非接触式传感器在生猪信息感知领域得到了广泛应用。基于非接触式传感器的母猪发情检测设备主要通过监测母猪声音、行为等指标的变化情况,实现对母猪发情状态的感知。为了实现基于发声特征的发情检测,Chen等[40]和Wang等[41]采集了母猪的发情声和非发情声并采用卷积神经网络算法识别,准确率分别高达93.00%和97.52%。Freson等[42]通过在猪舍正上方离地1.6 m处安装红外探测器,采集并分析了58头圈养母猪的运动数据,结果发现当采用平均日活动量作为发情判断参数时,能够正确识别80%的发情母猪;当结合日活动峰值与平均日活动量作为判断参数时,识别准确率高达86%。Cornou等[43]利用自动饲喂器统计母猪的采食频次,并建立了单变量动态线性模型,用于识别母猪的发情、跛行及其他疾病,研究结果表明该方法的发情检测灵敏度为75.0%,特异性为95.4%。
与接触式传感器相比,非接触式电子传感器降低了对母猪的干扰和应激反应,确保了检测结果的准确性;此外,非接触式传感器具有安装简便、维护成本低等显著优点,在实际猪场的母猪发情检测应用方面具有一定优势。
2.1.4 计算机视觉监测
随着人工智能技术的发展,利用计算机视觉技术可以持续地监测母猪的行为和运动状态等,进而帮助养殖人员对母猪的发情情况做出预测。Seo等[44]采集了20头母猪的臀部图像,分析了纹理图的均匀性、灰度共生矩阵、熵、角二阶矩等多阶参数,提出了一种基于阴部图像纹理特征与神经网络的发情检测方法,准确率达70%。在实际生产中,母猪臀部位置易受污染,导致阴部图像质量难以保证。针对此问题,Xu等[45]利用激光雷达相机采集母猪后躯的三维点云数据,根据外阴肿胀程度判断母猪的发情状况。不同发情母猪的外阴肿胀程度和持续时间差异显著,因此,仅通过判断母猪外阴肿胀程度可能会错过最佳配种时机。庄晏榕等[46]基于公猪试情时大白母猪双耳竖立的特征,构建了一种基于卷积神经网络的母猪发情行为识别方法,并设定了发情时母猪双耳竖立的时间阈值,研究结果显示该发情行为识别方法的准确率高达93.33%;相较于红外行为传感器和加速度传感器等方法,其性能有显著提升。但该方法需要公猪试情,因此无法实现发情检测的自动化。Lei等[47]研发了一套名为“测情机器猪”的装置,通过监测母猪双耳竖立时间以及母猪与仿生猪鼻的交互行为等发情特征,利用神经网络模型对大白母猪的发情行为进行分类,研究发现发情期的母猪与仿生公猪的接触持续时间以及双耳静立时间均会保持在较高水平。薛鸿翔等[48]设计了仿生公猪机器人,内置公猪气味剂与模拟公猪发声器,采集并分析母猪发情期与非发情期的交互行为特征,发现母猪发情期较非发情期交互时长与频率均显著提高;提出了一种基于改进YOLO v5s算法的经产母猪发情快速检测方法,以20 s作为发情检测阈值时,发情检测特异性为89.1%、准确率为89.6%、灵敏度为90.0%,该方法能够实现发情母猪快速检测,并搭建了母猪智慧养殖大数据平台(图5)。
与非接触式传感器相比,基于机器视觉的算法在捕捉母猪发情期间的行为和生理变化方面具有显著优势。然而,受光照条件及母猪个体差异影响,基于机器视觉监测母猪发情行为的准确率有待进一步提升。现有的部分发情检测模型对硬件资源有一定要求,未来需进一步结合云计算、边缘计算等技术,实现发情检测数据的实时高效处理与分析,从而推动智能模型从局部到全局的智能化落地,实现工厂化养猪的高标准建设。
2.2 母猪分娩监测技术
母猪分娩监测技术包括母猪分娩预警和分娩全程监测。母猪分娩预警是指在母猪分娩前发出警报,提醒饲养员做好接产有关准备工作,在一定程度上避免母猪分娩时难产、仔猪窒息、温度过低等情况[49]。母猪的产仔总数、活仔数、仔猪木乃伊数等反映了母猪的生产性能,对母猪的分娩行为进行全程监测,有利于养殖人员筛选出品质优良的能繁母猪,保证能繁母猪合理的存栏水平,促进我国养猪业的健康发展。目前,母猪分娩的主要监测方式为人工监测、接触式传感器监测、非接触式传感器监测和计算机视觉监测等。
2.2.1 人工监测
实际生产中母猪的分娩监测通常是由饲养员直接巡栏,对母猪的分娩行为进行观察或者通过视频监控画面进行观察,该方法不仅耗时费力,还无法做到全天候接产处理。此外,养殖人员也可通过测量直肠和阴道温度、检查宫颈扩张宽度、提取颈静脉血浆浓度等措施来预测母猪分娩时间。但该方式不仅会引起母猪的应激反应,还会增加产道感染的风险,与动物福利养殖的理念相悖。人工监测的优点在于饲养人员可以立即执行接产工作,最大程度地保证母仔健康,缺点是需要人工长时间看守,劳动强度较大。
2.2.2 接触式传感器监测
基于接触式传感器的母猪分娩监测是指利用穿戴式传感器检测并分析母猪的体征和行为数据。Cornou等[50]以群养母猪为研究对象,利用三轴加速度传感器,结合多过程卡尔曼滤波法将母猪的行为进行分类,其中,饮食、侧卧和胸卧3种姿态的识别效果良好,并通过动态线性模型预测母猪分娩时间,准确率达89%。Aparna等[51]通过多个传感器测量猪只的运动及饮水情况判断母猪的分娩行为并进行预警,准确率达97%。Traulsen等[52]设计的一种加速度耳标传感器能够监测到母猪分娩前活动量增加,并提出2次分娩预警,实现在分娩前6~8和1~2 h启动预警装置。刘龙申等[53]将三轴加速度传感器佩戴于母猪颈部,通过K均值聚类算法对母猪分娩前的运动特征进行监测,最终能够检测出母猪的典型行为,如躺卧、筑巢、站立、吃料等,准确率达87.93%。然而,穿戴式运动传感器可能在母猪活动过程中掉落。
2.2.3 非接触式电子传感器监测
基于非接触式电子传感器的母猪分娩监测预警指的是利用光电传感器、超声波传感器等无接触式设备对母猪分娩行为进行研究。Manteuffel等[54]使用光电传感器,通过动态线性模型及累积和的方法对母猪分娩行为进行定性和定量预测,结果表明,使用单一光电传感器的精度不如加速度传感器。张光跃等[55]利用超声波传感器设计了一种基于K均值聚类算法的母猪产前监测系统,该研究根据母猪头尾等不同部位的活动距离对母猪行为进行分类,对母猪筑巢、站立、侧卧等行为的识别准确率均达90%以上。然而,非接触式电子传感器大多数还停留在试验阶段,在实际养殖场的应用并不广泛。
2.2.4 计算机视觉监测
基于目标检测算法的母猪分娩监测预警是指用摄影机和计算机代替人工对目标进行检测、分类、跟踪等,建立一种从图像、视频、多维数据中“感知”到有价值信息的人工智能手段。也可以通过红外摄像机(IRC)测量猪的眼睛、耳朵、阴户、乳腺等部位的体表温度来检测早期疾病或预测分娩[56]。Küster等[57]基于动态背景减法和光流法2种算法分析每只母猪的行为活动,将母猪产前的活动分为3个阶段。该方法可在分娩前4~6 h预警,检测率达100%。Luo等[58]提出了一种轻量级通道注意力模型对母猪的5种姿态进行检测,该模型参数更少、计算复杂度更低,在CPU平台上推理时间可达63 ms。Seo等[59]提出一种基于嵌入式人工智能计算平台(Jetson Nano)的猪只目标检测方法,并将深度学习目标探测器的速度和精度提高至原来的8.7倍,降低了大型猪场的监控成本。薛月菊等[60]采用改进的Faster R-CNN算法对哺乳母猪各姿态进行识别,准确率达到93.25%。刘龙申等[61]提出一种检测限位栏内仔猪的机器视觉方法来检测母猪的分娩行为,提出半圆匹配算法和改进的单高斯模型背景减除法,分别对目标进行分割和检测,最后根据仔猪目标的颜色和面积特征进行识别。张弛等[62]通过团序列检测算法和团序列拼接算法设计了一个母猪分娩监测系统,该方法通过对母猪图像分割和仔猪目标模板匹配,对母猪分娩的识别准确率为95.5%。随着目标检测算法的发展,利用YOLO v3网络可实现对初生仔猪目标的实时检测,在验证集和测试集上的精确率分别达到95.76%和93.84%,召回率分别为95.47%和94.88% [63]。Chen等[64]随后又提出一种基于嵌入式Jetson Nano的产仔行为预警和监控方法,这种轻量级的深度学习方法可以在边缘节点快速处理母猪产仔视频数据,降低带宽需求并保证网络传输中的数据安全;研究表明,该模型迁移到Jetson Nano后,母猪姿势和新生仔猪检测精度达93.5%,召回率达92.2%,检测速度提升8倍以上,警告的平均误差为1.02 h,该系统运行界面如图6所示。
通过计算机视觉的监测方式具有持续性、对动物无侵扰、架设相对容易、抗干扰能力强等特点,能够及时对母猪分娩进行预警,减轻饲养员的工作负担,也避免给母猪带来应激反应和感染疾病的风险。未来需进一步优化,结合云计算等新技术,减少误检、漏检等现象,也可开发配套养殖自动化机器人,实现现代化与智能化的工厂化养猪。
3. 母猪健康状态感知技术
随着养猪场规模化、集约化的快速发展,生猪健康问题频发,已成为制约畜禽养殖业发展的瓶颈。母猪作为生猪养殖过程中的核心个体,其健康状况直接关系到繁殖效率、生长发育和疾病防控。通过监测母猪的行为、体温、声音等的数据,可以及时发现母猪健康问题并采取相应的管理和调控措施,从而降低生产风险,保障养殖业的可持续发展和食品安全。加强母猪健康状态感知技术的研究与应用,对于推动生猪养殖业的现代化和产业升级具有重要意义。
3.1 行为信息感知
母猪在亚临床或临床症状出现之前,往往伴随着行为的改变,以此反映疾病的预兆[65]。为确保母猪健康、提高生产效益,国内外学者一直致力于母猪行为自动化监测方法的探索与研究,广泛应用传感器、机器视觉等技术[1]。佩戴式传感器因其技术成熟,已成为检测母猪行为的常用工具之一。通过监测、分析和挖掘母猪的运动参数,可以更好地掌握母猪的行为模式。闫丽等[66]利用加速度传感器持续监测不同姿态下的运动信号,建立了对应的特征模型,用于识别母猪姿态和分娩前的高危行为。刘龙申等[53]采用接触式项圈装置(图7),配备无线加速度传感器节点,收集母猪产前运动信息的各种特征,并根据加速度曲线的波动性特点,用K均值聚类算法实现对母猪典型行为的智能分类。
佩戴式传感器由于需要长期与母猪接触,极易导致母猪产生应激反应,损害养殖福利;此外,在实际使用过程中,经常存在设备脱落、损坏等问题,难以在大规模养殖场景下推广应用。近年来,随着机器视觉技术在畜禽养殖领域的不断发展,非接触式的母猪行为检测逐渐崭露头角[67]。利用图像处理和视频理解技术等非接触式手段已成为集约化养殖场景下的迫切需求和必然趋势。
母猪日常行为如采食、饮水和运动量的监测,对于饲养和生长管理至关重要。Lao等[68]利用深度相机对母猪的关键部位(头部、肩部、腹部、臀部)与产床地面的平均距离以及母猪的身体属性、产床结构进行检测,建立了母猪行为分类标准,并从深度图像中挖掘猪只相对于产床的空间位置信息,实现对母猪采食、饮水2种行为的准确检测。Yang等[69]结合光流法和长短期记忆网络提出一种新的框架,用于自动识别母猪在饮水、采食、哺乳以及其他活动时的运动量。Wang等[70]结合卷积神经网络和长短期记忆网络建立了母猪姿态检测模型,能够准确检测母猪的胸卧、侧卧、站立和行走状态,准确率达到了90.6%。
针对泌乳期母猪的哺乳行为,Yang等[71]利用全卷积网络从俯视视角中分割出泌乳母猪,随后用Otsu处理最后一层概率图的色调、饱和度等颜色信息,用于细化全卷积网络输出;相比于传统的阈值分割、背景建模等方法,该方法精度更高,达到96.6%。甘海明等[72]基于Mask R-CNN、ResNet-101和FPN(Feature pyramid network)识别母猪姿态,通过检测关键点获取母猪哺乳区域并提取时空特征,最后利用串接卷积融合确定了母猪的哺乳情况。
猪只步态识别方面,Stavrakakis等[73]评估了Kinect深度相机在识别猪只行走模式的有效性,依据跛足猪具有明显的头部和颈部垂直位移幅度增加等重要特征,在俯视视角下实现了跛行引起的异常行走模式识别。朱家骥等[74]基于星状骨架模型,提出猪只步态分析方法,从关键轮廓点的运动规律中挖掘前肢步态频率。刘波等[75]利用Kinect相机采集生猪运动图像序列,根据肢体关键点的前后帧相对坐标变化建立生猪运动模型,提取生猪步频特征,为异常步态分析和异常行为预警奠定基础。
也有学者基于母猪日常行为的变化情况判断其是否发生异常。Zhang等[76]结合SSD (Single shot detection)和MobileNet开发出一种母猪行为实时检测算法(SBDA-DL),实现了饮水、排尿和爬跨行为的检测,并自动分析行为的异常情况。Racewicz等[77]将猪只行为与其生长环境和健康状况联系起来,以确保动物养殖福利,并最终提高养殖效益。
3.2 体温信息感知
体温是反映猪只生理健康状况的重要指标之一。在许多猪只传染病的临床症状中,体温异常升高往往比其他症状出现得更早。因此,实现自动化体温监测能够及时发现猪只健康问题,降低疫病传播和扩散风险。传统测温方法主要是人工使用兽用水银体温计测量猪只的直肠温度。这种方法存在诸多问题,不仅效率低、耗时费力,而且会给猪只造成较大的应激,影响其健康状况;此外,人工测量还存在人畜交叉感染的风险,不符合规模化养殖场对于高效、安全和卫生管理的要求。因此,需要探索更加高效、便捷且安全的猪只体温监测方法,以满足现代养殖业的需求[49]。
国内外学者开展了基于接触式传感设备的猪只体温监测系统研究,并取得一定成效。Krizanac等[78]采用带有3个温度探头的插管,将其插入被麻醉的母猪呼吸道实现体温监测。Andersen等[79]采用带有温度传感器的电子耳标测量耳朵皮肤温度,同时在猪的栏位上搭建网络摄像头用以捕获猪只行为,研究耳部温度的昼夜变化节律,探究体温与行为之间的联系。上述方法会在一定程度上损害母猪福利,同时需要人工辅助操作,存在设备维护困难等问题,难以在规模化养殖场中推广应用。
无接触式猪只体温监测逐渐成为主流。柏广宇等[80]以CC2430单片机作为节点硬件的主控器,配合MLX90614红外温度传感器,测量母猪臀部温度,建立温度补偿机制,探究臀部温度与直肠温度的相关性,但存在通信距离受限、数据丢失等问题,其总体设计框图如图8所示。
基于红外热成像技术进行非接触式体温检测方法具有操作便捷、高精度等多种优势。Siewert等[81]结合红外成像和差分ROI(Region of interest)技术,用于猪只体温升高的早期检测,具有高特异性和高灵敏度。此外,热红外技术还被广泛应用于检测猪的疾病,Amezcua等[82]考虑到目前的视觉步态评分系统存在耗时、评分差异大等问题,基于热红外技术探究一种定量的猪群跛行检测方法,发现患蹄部疾病的母猪与步态正常的母猪拓骨和指骨温度具有显著差异。考虑到热红外成像设备灵敏度易受环境因素影响,田浩楠等[83]利用Fluke Ti27热红外成像仪及配套软件获取猪只耳根温度,结合温湿度、光照强度等环境因子,建立线性回归模型,拟合猪只体温,平均误差为1.41%,为高精度的猪只体温非接触式测量提供了解决方案。
3.3 异常声音监测
猪只异常声音监测可以用于早期发现潜在的疾病。一些呼吸道疾病在临床症状出现之前会使猪只发出异常声音,通过监测异常声音,有助于防止疾病的扩散和传播,规避养殖风险。国内外对于猪只异常声音监测主要围绕咳嗽声展开。Ferrarif等[84]通过分析猪只因肺部感染引起的咳嗽声的音频特征,以猪只咳嗽声的均方根、频率值、持续时间、间隔时间为依据,实现猪只咳嗽声的自动分类,搭建猪只咳嗽声自动监测系统,在一定程度上推动了猪只咳嗽声智能监测技术的发展。Chung等[85]提取猪只声音的梅尔频率倒谱系数并作为支持向量机和稀疏表示分类器的输入特征,监测猪只疾病,检出率可达94%。国内对于异常声音尤其是咳嗽声的研究起步较晚,但研究深度和广度近年来取得了长足进步。徐亚妮等[86]依托曲线目标优化的思想提取声音功率谱密度特征,并将该特征作为聚类中心,利用改进的模糊C均值聚类算法对猪只的咳嗽声、尖叫声进行分类,为猪只咳嗽声的检测提供了一种简单、高效且可行的方法。马辉栋等[87]以线性预测倒谱系数及差分、梅尔频率倒谱系数及差分作为音频特征参数,搭建基于矢量量化(Vector quantization,VQ)及隐马尔可夫模型(Hidden markov model,HMM)的猪只咳嗽自动识别系统,结合猪只咳嗽声音信号的特点,对端点检测算法进行改进,实现了猪只咳嗽声的自动检测。董红松等[88]采用基于离散余弦变换(Discrete cosine transform, DCT)增强算法对含噪猪咳嗽声的信号进行处理,采用经验模态分解(Empirical mode decomposition, EMD)和小波包变换(Wavelet packet transform, WPT)增强方法和DCT增强算法对去除风扇噪声的效果进行对比,结果表明DCT增强算法能够更好地分离猪只咳嗽声与风扇噪声信号。赵健等[89]将深度信念神经网络与HMM模型相结合,以猪只音频信号的梅尔频率特征作为输入,识别猪只的咳嗽声。龚永杰等[90]利用改进后的梅尔倒频谱系数(Mel frequency cepstral coefficients,MFCC)提取猪只的音频特征作为矢量化匹配算法的输入,识别猪只咳嗽声,构建猪咳嗽声识别系统,实现猪呼吸道疾病的预警。张振华等[91]以MFCC及其一阶差分作为HMM模型的输入,实现猪只干咳声与湿咳声的自动分类。黎宣等[92]提取猪只声音的短时能量和MFCC,通过主成分分析法对特征参数进行降维,并将降维后的特征参数作为模型深度信念网络的输入,识别猪只咳嗽声。
除了传统的机器学习方法,基于卷积神经网络的深度学习方法也被广泛应用于猪只异常声音的检测。沈明霞等[93]基于深度神经网络,以logFbank和MFCC及其一、二阶方差作为输入特征,实现猪只咳嗽、喷嚏、鸣叫、呼噜等声音分类,为呼吸道疾病监测提供支持(图9)。Yin等[94]将猪只的声音信号转化为频谱图并作为AlexNet网络的输入,实现猪只咳嗽声的自动分类。Shen等[95]将MFCC与CNN相结合提取猪只声音特征并作为支持向量机的输入,识别猪只咳嗽声。
4. 存在的问题与发展趋势
4.1 存在的问题
国内外关于母猪生长、繁殖、健康等信息感知技术研究报道较多,这些技术的研究与应用对于提升母猪生产力、改善健康管理、减少人员工作量、降低养殖成本具有重要意义,促进了母猪养殖智能化发展。然而,受“非洲猪瘟”的影响以及养殖环境复杂、个体差异大等原因,我国规模化养猪工厂中母猪精准养殖信息感知技术的推广应用仍存在一些问题。
1)母猪生长信息检测精度有待进一步提升。目前,针对母猪体质量、体尺、体况的智能检测技术研究主要采用2D图像识别和3D点云处理的方式,在猪舍复杂环境、猪只体型姿态多变以及高度、角度难于统一的条件下,采用2D图像处理的方式检测母猪生长信息精度不高,而3D点云数据量大,前端边缘计算困难。国内外学者对母猪生长信息感知技术研究主要针对母猪体质量、体尺、体况等指标检测,与精准饲喂、智能选育、发情和分娩综合管理关联研究较少。
2)适宜母猪生产管理的繁殖行为监测设备规模化应用少。目前规模化猪场中对后备母猪的发情检测主要采用人工巡查方式,对经产母猪的发情和分娩管理多采用批次化处理方式,现有的母猪查情机器人研发还处于试验测试阶段,规模化推广应用还需要与复杂养殖环境和实际管理流程等相结合,以提高应用的可操作性和适宜性。母猪分娩智能监测系统已有小范围的试用和测试,大规模使用还需要进一步提高设备安装维护的便捷性和系统稳定性。
3)基于多源数据融合的母猪健康状况监测技术有待进一步研究。对体温、行为、声音等单项指标检测受检测精度的影响,容易造成母猪健康误识别和误报的问题,导致错误的健康评估和不恰当的干预措施。虽然各种传感器能够收集大量数据,如生理、行为和环境数据,但如何有效整合和分析这些数据,并准确判断母猪的健康状况仍是一个挑战。需要更高级的数据分析技术和算法来提高诊断的准确性。另外,设备的耐用性、适应性和成本也是智能感知技术推广应用的主要障碍之一。
4.2 未来发展趋势
智能感知技术在母猪健康养殖方面具有巨大的应用潜力和发展前景。通过对母猪生长、繁殖、健康等方面的综合监测,从而进行精准饲喂和管理,可以显著提升母猪的养殖效率和经济效益。未来的研究需要在提高传感器的精度和稳定性、优化算法模型的鲁棒性、感知技术与养殖工艺融合等方面进行深入探索,以推动智能感知技术在母猪精准养殖中的广泛应用。
1)利用云边协同技术确保母猪生长信息检测的高效性。随着图像识别和深度学习技术的发展,通过机器视觉技术实时监测母猪的生长信息成为可能。未来的研究可以集中在利用云边协同技术提升图像和三维点云数据处理的精度和速度,实现更准确地识别母猪的体质量、体尺、体况等重要生长参数,并结合环境因素、饲喂量等数据,通过智能算法优化饲喂策略,实现对每头母猪个体化的精准饲养管理。
2)融合多元数据提高母猪繁殖行为智能巡检技术装备的实用性。利用机器视觉、深度学习和机器人等技术装备,分析母猪的行为模式,早期识别母猪发情和分娩行为将对提高母猪的繁殖效率和减少仔猪的死亡率提供重要支持。由于经产母猪发情持续时间短、个体差异大,其体征与行为变化极易受到环境影响,导致发情检测难度大、母猪误配率高,母猪分娩前筑窝行为个体差异大,因此未来的研究重点是融合嗅觉、听觉、视觉及触觉等多元数据,实现母猪的自动诱情和分娩行为智能检测,并与猪场管理系统有效结合提高系统的实用性。
3)基于大数据分析技术进行母猪健康管理优化。母猪的健康状况直接影响其生长和繁殖表现。未来的研究将更多关注如何将传感器、可穿戴设备、移动终端等智能感知技术综合利用,实时监测和预测母猪的健康状态。通过收集母猪的生理、行为以及环境等数据,结合大数据分析和人工智能算法,早期预警可能出现的健康和繁殖问题,及时进行干预和治疗。此外,智能感知技术在疫病预防、药物投放等方面的应用也是未来的研究热点。
-
图 1 母猪体况评分机器人[14]
Figure 1. The robot for scoring sow body condition
-
[1] 杨亮, 王辉, 陈睿鹏, 等. 智能养猪工厂的研究进展与展望[J]. 华南农业大学学报, 2023, 44(1): 13-23. doi: 10.7671/j.issn.1001-411X.202209050 [2] 丰崇林, 赵正侣, 周国泰, 等. 非洲猪瘟防控常态下生猪疫病防控工作的思考[J]. 今日畜牧兽医, 2022, 38(9): 27-28. doi: 10.3969/j.issn.1673-4092.2022.09.013 [3] 贾智宁, 翟海华, 苏红, 等. 中美生猪养殖管理与生物安全操作情况对比[J]. 中国动物检疫, 2021, 38(5): 37-42. doi: 10.3969/j.issn.1005-944X.2021.05.009 [4] 李南西, 何晓涛, 周元清. 中外畜牧业氨减排政策与技术比较[J]. 中国畜牧业, 2024(2): 41-42. [5] 王怀禹. 我国养猪智能化发展研究与应用进展[J]. 猪业科学, 2021, 38(9): 38-41. [6] 张利娟, 张亮. 智能化检测方法在母猪发情鉴定中的应用[J]. 猪业科学, 2019, 36(11): 114-116. doi: 10.3969/j.issn.1673-5358.2019.11.033 [7] 王晨阳, 任志强, 庞卫军. 智能感知技术在猪饲养管理中的应用研究进展[J]. 养猪, 2020(6): 82-88. doi: 10.3969/j.issn.1002-1957.2020.06.028 [8] 张东伟, 刘则学, 王向明. 妊娠后期母猪体况评分、背膘厚度及胎次对繁殖性能的影响[J]. 畜牧与饲料科学, 2023, 44(6): 94-99. doi: 10.12160/j.issn.1672-5190.2023.06.012 [9] 严劲涛. 计算机视觉技术在智能养猪中的研究进展[J]. 中国畜牧杂志, 2019, 55(12): 38-42. [10] 周书伟, 朱中平, 彭天舒. 母猪体况管理关键控制点及注意事项[J]. 今日养猪业, 2023(6): 62-65. [11] KNAUER M T, BAITINGER D J. The sow body condition caliper[J]. Applied Engineering in Agriculture, 2015, 31(2): 175-178.
[12] 刘红刚, 张丽慧, 钟林忆, 等. 基于数字孪生的智慧猪场管理平台设计与应用研究[J]. 现代农业装备, 2022, 43(6): 38-44. doi: 10.3969/j.issn.1673-2154.2022.06.007 [13] 相学敬. 畜牧兽医领域中营养管理对动物生产性能的影响研究[J]. 吉林畜牧兽医, 2024, 45(1): 145-147. doi: 10.3969/j.issn.1672-2078.2024.01.050 [14] XUE H, SUN Y, CHEN J, et al. CAT-CBAM-Net: An automatic scoring method for sow body condition based on CNN and transformer[J]. Sensors, 2023, 23(18): 7919. doi: 10.3390/s23187919
[15] HE H, CHEN C, ZHANG W, et al. Body condition scoring network based on improved YOLOX[J]. Pattern Analysis and Applications, 2023, 26(3): 1071-1087. doi: 10.1007/s10044-023-01171-x
[16] LIU Z, CHEN X, PAN B, et al. Study on pig body condition scoring based on deep learning model EfficientNet-B0[J]. Academic Journal of Computing & Information Science, 2023, 6(6): 156-162.
[17] 滕光辉, 申志杰, 张建龙, 等. 基于Kinect传感器的无接触式母猪体况评分方法[J]. 农业工程学报, 2018, 34(13): 211-217. doi: 10.11975/j.issn.1002-6819.2018.13.025 [18] WHITTEMORE C T, SCHOFIELD C P. A case for size and shape scaling for understanding nutrient use in breeding sows and growing pigs[J]. Livestock Production Science, 2000, 65(3): 203-208. doi: 10.1016/S0301-6226(99)00136-0
[19] 胡肄农, 仇振升, 朱红宾, 等. 一种牛动态称重系统的研发[J]. 中国畜禽种业, 2023, 19(10): 51-54. doi: 10.3969/j.issn.1673-4556.2023.10.010 [20] WANG Y, YANG W, WALKER L T, et al. Enhancing the accuracy of area extraction in machine vision-based pig weighing through edge detection[J]. International Journal of Agricultural and Biological Engineering, 2008, 1(1): 37-42.
[21] BANHAZI T M, TSCHARKE M, FERDOUS W M, et al. Improved image analysis based system to reliably predict the live weight of pigs on farm: Preliminary results[J]. Australian Journal of Multi-disciplinary Engineering, 2011, 8(2): 107-119. doi: 10.1080/14488388.2011.11464830
[22] 张凯, 王春光, 刘涛, 等. 基于计算机视觉技术育肥猪体重分析研究[J]. 农机化研究, 2017, 39(5): 32-36. doi: 10.3969/j.issn.1003-188X.2017.05.006 [23] 武尧, 刘振宇, 谷亚宁, 等. 基于机器视觉的母猪体重估测[J]. 电子技术与软件工程, 2020(1): 100-101. [24] ZHANG J, ZHUANG Y, JI H, et al. Pig weight and body size estimation using a multiple output regression convolutional neural network: A fast and fully automatic method[J]. Sensors, 2021, 21(9): 3218. doi: 10.3390/s21093218
[25] LI G, LIU X, MA Y, et al. Body size measurement and live body weight estimation for pigs based on back surface point clouds[J]. Biosystems Engineering, 2022, 218: 10-22. doi: 10.1016/j.biosystemseng.2022.03.014
[26] LIU Z, HUA J, XUE H, et al. Body weight estimation for pigs based on 3D hybrid filter and convolutional neural network[J]. Sensors, 2023, 23(18): 7730. doi: 10.3390/s23187730
[27] CANG Y, HE H, QIAO Y. An intelligent pig weights estimate method based on deep learning in sow stall environments[J]. IEEE Access, 2019, 7: 164867-164875. doi: 10.1109/ACCESS.2019.2953099
[28] 刘波, 朱伟兴, 霍冠英. 生猪轮廓红外与光学图像的融合算法[J]. 农业工程学报, 2013, 29(17): 113-120. doi: 10.3969/j.issn.1002-6819.2013.17.015 [29] 刘同海, 滕光辉, 付为森, 等. 基于机器视觉的猪体体尺测点提取算法与应用[J]. 农业工程学报, 2013, 29(2): 161-168. [30] 杜晓冬, 李笑笑, 樊士冉, 等. 生猪体尺检测和体重预估方法研究进展[J]. 中国畜牧杂志, 2023, 59(1): 41-46. [31] 李卓, 杜晓冬, 毛涛涛, 等. 基于深度图像的猪体尺检测系统[J]. 农业机械学报, 2016, 47(3): 311-318. doi: 10.6041/j.issn.1000-1298.2016.03.044 [32] 尹令, 蔡更元, 田绪红, 等. 多视角深度相机的猪体三维点云重构及体尺测量[J]. 农业工程学报, 2019, 35(23): 201-208. doi: 10.11975/j.issn.1002-6819.2019.23.025 [33] 程维波, 吴德胜, 李辉, 等. 母猪智能化精准饲喂系统研究现状及展望[J]. 农业工程, 2021, 11(3): 37-42. doi: 10.3969/j.issn.2095-1795.2021.03.008 [34] 戴江河, 张军, 王秀锦, 等. 烯丙孕素对初产断奶母猪发情影响的试验[J]. 猪业科学, 2022, 39(2): 112-113. doi: 10.3969/j.issn.1673-5358.2022.02.030 [35] 肖非. 浅谈规模化猪场母猪繁殖管理的要点[J]. 今日养猪业, 2023(4): 10-11. [36] 丁兆忠, 韩慕俊, 吴忠良. 母猪的发情鉴定与适时配种[J]. 山东畜牧兽医, 2014, 35(2): 32. doi: 10.3969/j.issn.1007-1733.2014.02.018 [37] 赵云翔, 邓浩辉, 黄山珊, 等. 丹系母猪断奶后发情和排卵规律的研究[J]. 畜牧与兽医, 2018, 50(4): 13-16. [38] JOHNSON J S, SHADE K A. Characterizing body temperature and activity changes at the onset of estrus in replacement gilts[J]. Livestock Science, 2017, 199: 22-24. doi: 10.1016/j.livsci.2017.03.004
[39] 王凯, 刘春红, 段青玲. 基于MFO-LSTM的母猪发情行为识别[J]. 农业工程学报, 2020, 36(14): 211-219. doi: 10.11975/j.issn.1002-6819.2020.14.026 [40] CHEN P, YIN D, YANG B, et al. A fusion feature for the oestrous sow sound identification based on convolutional neural networks[J]. Journal of Physics: Conference Series, 2022, 2203: 012049. doi: 10.1088/1742-6596/2203/1/012049
[41] WANG Y, LI S, ZHANG H, et al. A lightweight CNN-based model for early warning in sow oestrus sound monitoring[J]. Ecological Informatics, 2022, 72: 101863. doi: 10.1016/j.ecoinf.2022.101863
[42] FRESON L, GODRIE S, BOS N, et al. Validation of an infra-red sensor for oestrus detection of individually housed sows[J]. Computers and Electronics in Agriculture, 1998, 20(1): 21-29. doi: 10.1016/S0168-1699(98)00005-2
[43] CORNOU C, VINTHER J, KRISTENSEN A R. Automatic detection of oestrus and health disorders using data from electronic sow feeders[J]. Livestock Science, 2008, 118(3): 262-271. doi: 10.1016/j.livsci.2008.02.004
[44] SEO K, MIN B, KIM D, et al. Estrus detection in sows based on texture analysis of pudendal images and neural network analysis[J]. Journal of Biosystems Engineering, 2012, 37(4): 271-278. doi: 10.5307/JBE.2012.37.4.271
[45] XU Z, SULLIVAN R, ZHOU J, et al. Detecting sow vulva size change around estrus using machine vision technology[J]. Smart Agricultural Technology, 2023, 3: 100090. doi: 10.1016/j.atech.2022.100090
[46] 庄晏榕, 余炅桦, 滕光辉, 等. 基于卷积神经网络的大白母猪发情行为识别方法研究[J]. 农业机械学报, 2020, 51(S1): 364-370. doi: 10.6041/j.issn.1000-1298.2020.S1.043 [47] LEI K, ZONG C, DU X, et al. Oestrus analysis of sows based on bionic boars and machine vision technology[J]. Animals, 2021, 11(6): 1485. doi: 10.3390/ani11061485
[48] 薛鸿翔, 沈明霞, 刘龙申, 等. 基于改进YOLO v5s的经产母猪发情检测方法研究[J]. 农业机械学报, 2023, 54(1): 263-270. doi: 10.6041/j.issn.1000-1298.2023.01.026 [49] 沈明霞, 刘龙申, 闫丽, 等. 畜禽养殖个体信息监测技术研究进展[J]. 农业机械学报, 2014, 45(10): 245-251. doi: 10.6041/j.issn.1000-1298.2014.10.038 [50] CORNOU C, LUNDBYE-CHRISTENSEN S. Classifying sows’ activity types from acceleration patterns: an application of the multi-process Kalman filter[J]. Applied Animal Behaviour Science, 2008, 111(3/4): 262-273.
[51] APARNA U, PEDERSEN L J, JØRGENSEN E. Hidden phase-type Markov model for the prediction of onset of farrowing for loose-housed sows[J]. Computers and Electronics in Agriculture, 2014, 108: 135-147. doi: 10.1016/j.compag.2014.07.008
[52] TRAULSEN I, SCHEEL C, AUER W, et al. Using acceleration data to automatically detect the onset of farrowing in sows[J]. Sensors, 2018, 18(1): 170. doi: 10.1109/JSEN.2017.2766638
[53] 刘龙申, 沈明霞, 姚文, 等. 基于加速度传感器的母猪产前行为特征采集与分析[J]. 农业机械学报, 2013, 44(3): 192-196. doi: 10.6041/j.issn.1000-1298.2013.03.035 [54] MANTEUFFEL C, HARTUNG E, SCHMIDT M, et al. Towards qualitative and quantitative prediction and detection of parturition onset in sows using light barriers[J]. Computers and Electronics in Agriculture, 2015, 116: 201-210. doi: 10.1016/j.compag.2015.06.017
[55] 张光跃, 刘龙申, 沈明霞, 等. 基于超声波的母猪产前行为监测系统设计[J]. 中国农业大学学报, 2017, 22(8): 109-115. doi: 10.11841/j.issn.1077-4333.2017.08.14 [56] 钟艳. 母猪的分娩预测及管理[J]. 饲料博览, 2019(6): 83. doi: 10.3969/j.issn.1001-0084.2019.06.044 [57] KÜSTER S, KARDEL M, AMMER S, et al. Usage of computer vision analysis for automatic detection of activity changes in sows during final gestation[J]. Computers and Electronics in Agriculture, 2020, 169: 105177. doi: 10.1016/j.compag.2019.105177
[58] LUO Y, ZENG Z, LU H, et al. Posture detection of individual pigs based on lightweight convolution neural networks and efficient channel-wise attention[J]. Sensors, 2021, 21(24): 8369. doi: 10.3390/s21248369
[59] SEO J, AHN H, KIM D, et al. EmbeddedPigDet: Fast and accurate pig detection for embedded board implementations[J]. Applied Sciences, 2020, 10(8): 2878. doi: 10.3390/app10082878
[60] 薛月菊, 朱勋沐, 郑婵, 等. 基于改进Faster R-CNN识别深度视频图像哺乳母猪姿态[J]. 农业工程学报, 2018, 34(9): 189-196. [61] 刘龙申, 沈明霞, 柏广宇, 等. 基于机器视觉的母猪分娩检测方法研究[J]. 农业机械学报, 2014, 45(3): 237-242. [62] 张弛, 沈明霞, 刘龙申, 等. 基于机器视觉的新生仔猪目标识别方法研究与实现[J]. 南京农业大学学报, 2017, 40(1): 169-175. [63] 沈明霞, 太猛, CEDRIC O, 等. 基于深层卷积神经网络的初生仔猪目标实时检测方法[J]. 农业机械学报, 2019, 50(8): 270-279. doi: 10.6041/j.issn.1000-1298.2019.08.030 [64] CHEN J, ZHOU J, LIU L, et al. Sow farrowing early warning and supervision for embedded board implementations[J]. Sensors, 2023, 23(2): 727. doi: 10.3390/s23020727
[65] MELLOR D J. Updating animal welfare thinking: Moving beyond the “five freedoms” towards “a life worth living”[J]. Animals, 2016, 6(3): 21. doi: 10.3390/ani6030021
[66] 闫丽, 沈明霞, 姚文, 等. 基于MPU6050传感器的哺乳期母猪姿态识别方法[J]. 农业机械学报, 2015, 46(5): 279-285. doi: 10.6041/j.issn.1000-1298.2015.05.040 [67] WURTZ K, CAMERLINK I, D EATH R B, et al. Recording behaviour of indoor-housed farm animals automatically using machine vision technology: A systematic review[J]. PloS One, 2019, 14(12): e0226669. doi: 10.1371/journal.pone.0226669
[68] LAO F, BROWN-BRANDL T, STINN J P, et al. Automatic recognition of lactating sow behaviors through depth image processing[J]. Computers and Electronics in Agriculture, 2016, 125: 56-62. doi: 10.1016/j.compag.2016.04.026
[69] YANG A, HUANG H, ZHENG B, et al. An automatic recognition framework for sow daily behaviours based on motion and image analyses[J]. Biosystems Engineering, 2020, 192: 56-71. doi: 10.1016/j.biosystemseng.2020.01.016
[70] WANG M, LARSEN M, BAYER F, et al. A PCA-based frame selection method for applying CNN and LSTM to classify postural behaviour in sows[J]. Computers and Electronics in Agriculture, 2021, 189: 106351. doi: 10.1016/j.compag.2021.106351
[71] YANG A, HUANG H, ZHENG C, et al. High-accuracy image segmentation for lactating sows using a fully convolutional network[J]. Biosystems Engineering, 2018, 176: 36-47. doi: 10.1016/j.biosystemseng.2018.10.005
[72] 甘海明, 薛月菊, 李诗梅, 等. 基于时空信息融合的母猪哺乳行为识别[J]. 农业机械学报, 2020, 51(S1): 357-363. doi: 10.6041/j.issn.1000-1298.2020.S1.042 [73] STAVRAKAKIS S, LI W, GUY J H, et al. Validity of the Microsoft Kinect sensor for assessment of normal walking patterns in pigs[J]. Computers and Electronics in Agriculture, 2015, 117: 1-7. doi: 10.1016/j.compag.2015.07.003
[74] 朱家骥, 朱伟兴. 基于星状骨架模型的猪步态分析[J]. 江苏农业科学, 2015, 43(12): 453-457. [75] 刘波, 朱伟兴, 杨建军, 等. 基于深度图像和生猪骨架端点分析的生猪步频特征提取[J]. 农业工程学报, 2014, 30(10): 131-137. doi: 10.3969/j.issn.1002-6819.2014.10.016 [76] ZHANG Y, CAI J, XIAO D, et al. Real-time sow behavior detection based on deep learning[J]. Computers and Electronics in Agriculture, 2019, 163: 104884. doi: 10.1016/j.compag.2019.104884
[77] RACEWICZ P, LUDWICZAK A, SKRZYPCZAK E, et al. Welfare health and productivity in commercial pig herds[J]. Animals, 2021, 11(4): 1176. doi: 10.3390/ani11041176
[78] KRIZANAC D, HAUGK M, STERZ F, et al. Tracheal temperature for monitoring body temperature during mild hypothermia in pigs[J]. Resuscitation, 2010, 81(1): 87-92. doi: 10.1016/j.resuscitation.2009.10.006
[79] ANDERSEN H M, JØRGENSEN E, DYBKJÆR L, et al. The ear skin temperature as an indicator of the thermal comfort of pigs[J]. Applied Animal Behaviour Science, 2008, 113(1/2/3): 43-56. doi: 10.1016/j.applanim.2007.11.003
[80] 柏广宇, 刘龙申, 沈明霞, 等. 基于无线传感器网络的母猪体温实时监测节点研制[J]. 南京农业大学学报, 2014, 37(5): 128-134. doi: 10.7685/j.issn.1000-230.2014.05.021 [81] SIEWERT C, DÄNICKE S, KERSTEN S, et al. Difference method for analysing infrared images in pigs with elevated body temperatures[J]. Zeitschrift Für Medizinische Physik, 2014, 24(1): 6-15.
[82] AMEZCUA R, WALSH S, LUIMES P H, et al. Infrared thermography to evaluate lameness in pregnant sows[J]. The Canadian Veterinary Journal, 2014, 55(3): 268.
[83] 田浩楠, 华婧伊, 张少帅, 等. 基于红外热成像与线性回归拟合的母猪体温检测技术研究[J]. 智能化农业装备学报(中英文), 2023, 4(1): 36-41. [84] FERRARI S, SILVA M, GUARINO M, et al. Cough sound analysis to identify respiratory infection in pigs[J]. Computers and Electronics in Agriculture, 2008, 64(2): 318-325. doi: 10.1016/j.compag.2008.07.003
[85] CHUNG Y, OH S, LEE J, et al. Automatic detection and recognition of pig wasting diseases using sound data in audio surveillance systems[J]. Sensors, 2013, 13: 12929-12942. doi: 10.3390/s131012929
[86] 徐亚妮, 沈明霞, 闫丽, 等. 待产梅山母猪咳嗽声识别算法的研究[J]. 南京农业大学学报, 2016, 39(4): 681-687. doi: 10.7685/jnau.201510035 [87] 马辉栋, 刘振宇. 语音端点检测算法在猪咳嗽检测中的应用研究[J]. 山西农业大学学报(自然科学版), 2016, 36(6): 445-449. [88] 董红松, 刘振宇, 马辉栋, 等. 语音增强在去除猪咳嗽噪声中的应用研究[J]. 山西农业大学学报(自然科学版), 2017, 37(11): 831-836. [89] 赵建, 黎煊, 刘望宏, 等. 基于DNN-HMM声学模型的连续猪咳嗽声识别[J]. 农业工程技术, 2020, 40(30): 93. [90] 龚永杰, 黎煊, 高云, 等. 基于矢量量化的猪咳嗽声识别[J]. 华中农业大学学报, 2017, 36(3): 119-124. [91] 张振华, 田建艳, 王芳, 等. 猪咳嗽声特征参数提取与识别的研究[J]. 黑龙江畜牧兽医, 2017(23): 18-22. [92] 黎煊, 赵建, 高云, 等. 基于深度信念网络的猪咳嗽声识别[J]. 农业机械学报, 2018, 49(3): 179-186. doi: 10.6041/j.issn.1000-1298.2018.03.022 [93] 沈明霞, 王梦雨, 刘龙申, 等. 基于深度神经网络的猪咳嗽声识别方法[J]. 农业机械学报, 2022, 53(5): 257-266. doi: 10.6041/j.issn.1000-1298.2022.05.026 [94] YIN Y, TU D, SHEN W, et al. Recognition of sick pig cough sounds based on convolutional neural network in field situations[J]. Information Processing in Agriculture, 2021, 8(3): 369-379. doi: 10.1016/j.inpa.2020.11.001
[95] SHEN W, TU D, YIN Y, et al. A new fusion feature based on convolutional neural network for pig cough recognition in field situations[J]. Information Processing in Agriculture, 2021, 8(4): 573-580. doi: 10.1016/j.inpa.2020.11.003