Estimation of pig body measurements based on keypoint detection and multi-object tracking
-
摘要:目的
减少猪场人工测量猪只体尺的工作量，提高测量精度和工作效率。
方法本研究提出基于关键点检测和多目标跟踪的猪只体尺自动估计方法，该方法使用Yolov8-Pose模型识别各猪只关键点和目标检测框，利用ByteTrack算法对猪群实时跟踪，引入感兴趣区域规避图像畸变，提高识别速度，同时设计姿态和异常检测过滤算法减少因运动模糊、姿态不正等因素造成的误差。
结果5个猪栏中24头猪只体长、肩宽、臀宽的平均绝对误差均小于3 cm，平均绝对百分比误差分别维持在4%、6%和7%以内。数据处理速度提升为19.3帧/s。
结论本研究提出的基于关键点检测和多目标跟踪的猪只体尺估计方法为猪场生产场景提供了一个轻量化、易部署的自动体尺测量解决方案。
Abstract:ObjectiveTo reduce the manual workload of measuring pig body measurements in pig farms and improve measurement accuracy and efficiency.
MethodAn automatic pig body measurement estimation method based on keypoint detection and multi-object tracking was proposed. The method utilized Yolov8-Pose model to identify keypoints and bounding boxes of individual pigs. ByteTrack algorithm was employed for real-time tracking of the pig herd. Regions of interest were introduced to mitigate image distortion and improve recognition speed. Additionally, a posture and anomaly detection filter algorithm was designed to reduce errors caused by motion blur, posture abnormality and other factors.
ResultThe mean absolute errors of the body length, shoulder width, and hip width of 24 pigs in five pigpens were less than 3 cm, the mean absolute percentage errors were maintained below 4%, 6% and 7% respectively. The data processing speed reached 19.3 frames/s.
ConclusionThe proposed method for pig body measurement estimation based on keypoint detection and multi-object tracking provides a lightweight and easily deployable solution for automatic body measurement in pig farming scenarios.
-
Keywords:
- Yolov8-Pose /
- Region of interest /
- Body measurement estimation /
- Keypoint /
- Target detection box /
- Pig
-
广西地处亚热带地区，光热充沛，11月份晚稻收获后农田进入空窗期，利用冬闲田发展马铃薯产业空间大。然而广西冬季雨水偏少，灌水成为制约广西冬种马铃薯产业发展的条件之一。马铃薯实际生产中盲目灌水和过量施肥现象普遍存在，而滴灌施肥可以根据作物需水需肥规律和土壤水分养分状况精确控制灌水量、施肥量和灌水施肥时间，将水分养分直接供应到根区，实现作物“按需灌水施肥”，从而提高作物产量和水分养分利用效率[1]，同时滴灌施肥也影响土壤碳组分，因此，研究合适的滴灌施肥模式将为调控土壤碳库提供新的途径。目前常用土壤可溶性有机碳、易氧化有机碳和微生物量碳、碳库管理指数等表征土壤碳库，而水肥管理会影响土壤碳库和酶活性。有研究表明，长期合理施肥显著提高土壤有机碳、易氧化有机碳、可溶性有机碳、微生物量碳含量及碳库管理指数[2]，与传统施肥相比，滴灌施肥增加各层次土壤易氧化有机碳和可溶性有机碳含量[3]。其他研究也发现，滴灌施肥对提高土壤易氧化有机碳有积极的作用[4-6]。土壤水分含量影响土壤有机碳矿化速率和外界有机碳分解速率[7]，从而使土壤有机碳的含量发生变化。俞华林等[8]发现，适量灌水会增加土壤有机碳含量，但少量或过量灌水降低土壤有机碳矿化速率。当土壤水分过量时，土壤透气性和土壤微生物生长环境变差，土壤中有机碳不易被土壤中的微生物分解，而外界的碳源则易被微生物降解腐烂成有机物质，原有的有机碳不会分解且外源有机碳增加，从而使土壤有机碳含量增加[9]。水肥管理也会影响土壤酶如蔗糖酶、纤维素酶和过氧化氢酶等酶活性，滴灌施肥有利于提高土壤中酶活性[10]，而土壤酶活性会影响土壤碳组分。研究发现，各种形态有机碳组分与土壤蔗糖酶和纤维素酶活性均呈显著的正相关关系[11]。
近年来国内外学者较多关注滴灌施肥对马铃薯生长、产量、品质和水分利用效率的影响，而滴灌灌水量和滴灌施肥比例协同作用对种植马铃薯土壤碳库管理指数的影响研究较少，且土壤酶活性如何影响土壤有机碳组分和碳库管理指数有待深入研究。因此，在南宁市防雨棚内开展不同滴灌灌水量和滴灌施肥比例的田间试验，通过测定马铃薯收获后土壤有机碳及活性组分和酶活性，计算土壤碳库管理指数(Carbon pool management index，CPMI)，分析土壤有机碳组分和碳库管理指数与酶活性之间的关系，以获得种植马铃薯土壤有机碳库调控的水肥管理模式，并揭示土壤酶活性对土壤有机碳组分和碳库管理指数的影响。
1. 材料与方法
1.1 试验地点与材料
田间试验在南宁市广西大学校内移动防雨棚中进行，该移动棚通风、透光，可以保障作物生长期间自然光照和温度，通过电控传感器在降雨时遮盖，非降雨时移开。供试土壤为赤红壤，pH6.60(水土质量比2.5∶1.0，pH计法)，有机质10.6 g·kg−1(重铬酸钾容量法–外加热法)，全氮0.99 g·kg−1(半微量开氏法)，碱解氮53.6 mg·kg−1(NaOH碱解扩散法)，速效磷68.7 mg·kg−1[0.05 mol·L−1 HCl–0.025 mol·L−1 H2SO4浸提，比色法]，速效钾217.9 mg·kg−1(1 mol·L−1中性NH4OAc浸提，火焰光度法)，田间持水量30.5%(环刀法)，容重1.4 g·cm−3(室内环刀法)[12]。供试马铃薯品种为费乌瑞它。
1.2 试验方法
依据马铃薯在不同时期的需水规律及前人研究结果[13-14]，试验设高、低2种滴灌灌水量，其中，高灌水量：苗期、块茎形成期、块茎膨大期和淀粉积累期土壤含水量分别保持在田间持水量的60%~70%、70%~80%、75%~85%和50%~60%；低灌水量：苗期、块茎形成期、块茎膨大期和淀粉积累期土壤含水量分别保持在田间持水量的50%~60%、60%~70%、70%~80%和40%~50%。设3种滴灌施肥比例，即NK100-0：N、K肥以100%作基肥土施，不追肥；NK70-30：N、K肥以70%作基肥土施，30%作滴灌追肥(苗期7.5%，块茎形成期15%，块茎膨大期7.5%)；NK50-50：N、K肥以50%作基肥土施，50%作滴灌追肥(苗期12.5%，块茎形成期25%，块茎膨大期12.5%)。试验共设6个处理，具体如表1所示，每个处理重复3次，共18个小区，每小区面积8.64 m2(3.6 m×2.4 m)。
表 1 田间试验处理及N、K肥的基、追肥比例Table 1. Treatments for field experiment and radio of base fertilizer and topdressing for N,K fertilizer处理
Treatment滴灌灌水量
Drip irrigation amount滴灌施肥比例
Fertigation ratio基肥/%
Base fertilizer追肥 Topdressing/% 苗期
Seedling stage块茎形成期
Tuber formation stage块茎膨大期
Tuber expansion stageT1 高灌水量
High irrigation amountNK100-0 100 0 0 0 T2 NK70-30 70 7.5 15 7.5 T3 NK50-50 50 12.5 25 12.5 T4 低灌水量
Low irrigation amountNK100-0 100 0 0 0 T5 NK70-30 70 7.5 15 7.5 T6 NK50-50 50 12.5 25 12.5 各小区均施用化学肥料N 150 kg·hm−2、P2O5 90 kg·hm−2和K2O 300 kg·hm−2，以及堆沤后牛粪15 t·hm−2。氮肥用尿素[w(N)为 46.4%]，磷肥用钙镁磷肥[w(P2O5)为18.0%]，钾肥用硫酸钾[w(K2O)为52.0%]。牛粪中养分：w(有机质)为14.3%、w(N)为0.76%、w(P2O5)为0.85%、w(K2O)为0.59%。牛粪和钙镁磷肥全部做基肥土施。灌溉方式采用地表滴灌，滴头流量一致，滴头设在马铃薯植株两侧，用水表计量灌水。N肥和K肥按上述施肥方式施用，事先按设计要求配好肥料溶液，通过滴灌带进行灌溉施肥，灌溉方法采用交替滴灌。
1.3 田间试验及管理
于2017年11月4日将沤熟牛粪施入试验小区，11月5日翻地，11月10日将部分尿素、钙镁磷肥以及硫酸钾作为基肥土施。11月11日切马铃薯块茎，每个种薯块茎留2~3个芽眼，用质量分数为0.5％的高锰酸钾溶液和丁硫克百威水溶液浸泡拌种后晾干，11月14日播种，12月4日移栽或补齐未发芽位置的马铃薯苗。用TRIME-PICO-IPH TDR水分测定仪(德国IMKO)测定土壤含水量，确保土壤含水量在试验设定范围内。12月6日施苗肥，12月11日进行第一次中耕培土。12月20日施块茎形成肥，12月25日进行第2次培土(培土到植株附近，芽块顶部到垄背顶部达到15~20 cm左右，做成梯形垄)。2018年1月4日，施块茎膨大肥，2月8日喷农药(棉铃虫核型多角体病毒，预防马铃薯晚疫病)，试验于2018年3月5日收获马铃薯。
1.4 土壤样品采集与测定
于3月6日(马铃薯收获后次日)用5点法在马铃薯相邻植株中间采集0~20 cm耕作层土壤，将土样混匀，迅速运回实验室，部分新鲜土样过孔径2 mm筛网，除去根系、砂石等后，保存于4 ℃冰箱，直接用于土壤有机碳组分和酶活性的测定。剩余土样风干后过0.149 mm筛后进行土壤总有机碳含量的测定。
土壤总有机碳(Total organic carbon，TOC)含量用高温外加热重铬酸钾氧化–容量法测定[12]；活性有机碳(Labile organic carbon，LOC)含量用浓度为333 mmol·L−1的高锰酸钾溶液氧化土样，并于565 nm下通过测定光密度得到[12]；微生物量碳(Microbial biomass carbon，MBC)和可溶性有机碳(Dissolved organic carbon，，DOC)含量分别用三氯甲烷熏蒸和不用三氯甲烷熏蒸后，用浓度为0.5 mol·L−1硫酸钾溶液提取，采用高温外加热重铬酸钾氧化–容量法测定[12]。
土壤蔗糖酶活性用3，5–二硝基水杨酸溶液比色法测定，其活性以1 g干土1 d生成葡萄糖的质量(mg)表示；纤维素酶活性也用3，5–二硝基水杨酸溶液比色法测定，以1 g干土3 d生成葡萄糖的质量(mg)表示1个活性单位(U)；过氧化氢酶活性用高锰酸钾滴定法测定，其活性以1 g干土消耗浓度为0.02 mol·L−1的KMnO4溶液体积(mL)表示，3种酶活性测定的具体操作步骤见《土壤酶及其研究法》[15]。
土壤碳库指数(Carbon pool index，CPI)和碳库管理指数的计算参照杜爱林等[16]的方法进行。
1.5 数据统计分析
试验数据采用Excel 2016和SPSS 24.0软件进行分析。方差分析包括滴灌灌水量和滴灌施肥比例主效应，以及它们之间的交互效应。用Duncan’s法对不同处理进行多重比较。用Pearson相关系数表示土壤总有机碳及其组分和碳库管理指数与酶活性之间的相关性。
2. 结果与分析
2.1 不同水肥处理对土壤有机碳及其组分的影响
由表2方差分析可知，滴灌灌水量和滴灌施肥。比例对土壤总有机碳(TOC)影响显著(P<0.05)。土壤TOC质量分数在5.46~7.12 g·kg−1之间。多重比较结果显示，相同滴灌施肥比例下，高灌水量土壤TOC含量显著高于低灌水量土壤。在高灌水量下，NK50-50施肥处理土壤TOC含量分别比NK100-0和NK70-30处理提高15.2%和7.1%。在低灌水量下，NK50-50施肥处理土壤TOC含量比NK100-0和NK70-30处理提高12.6%和9.8%。
表 2 不同处理对土壤有机碳及其组分的影响1)Table 2. Effects of different treatments on soil organic carbon and its components处理
Treatment滴灌灌水量
Drip irrigation amount滴灌施肥比例
Fertigation ratiow/(g·kg−1) w/(mg·kg−1) 总有机碳
Total organic carbon(TOC)活性有机碳
Labile organic carbon(LOC)可溶性有机碳
Dissolved organic carbon(DOC)微生物量碳
Microbial biomass carbon(MBC)T1 高灌水量
High irrigation amountNK100-0 6.18±0.15bc 0.44±0.03b 323.0±57.0ab 374.8±25.3ab T2 NK70-30 6.65±0.24ab 0.49±0.01b 369.5±27.5a 384.8±20.3a T3 NK50-50 7.12±0.24a 0.55±0.02a 328.7±14.8ab 370.6±3.1b T4 低灌水量
Low irrigation amountNK100-0 5.46±0.15d 0.43±0.01b 189.5±49.8b 325.8±8.5b T5 NK70-30 5.60±0.16cd 0.44±0.01b 241.3±93.5ab 343.0±9.6ab T6 NK50-50 6.15±0.18bc 0.47±0.01b 215.6±7.6ab 324.1±18.7b 显著性检验
(P值)
Significance test
(P value)滴灌灌水量 Drip irrigation amount 0.004 0.008 0.011 0.005 滴灌施肥比例 Fertigation ratio 0.001 0.003 0.626 0.567 滴灌灌水量×滴灌施肥比例
Drip irrigation amount × Fertigation ratio0.674 0.125 0.979 0.975 1) 同列数据后的不同小写字母表示处理间差异显著 (P<0.05，Duncan’s法)
1) Different lowercase letters in the same column indicate significant differences among treatments (P<0.05，Duncan’s test)滴灌灌水量和滴灌施肥比例对土壤活性有机碳(LOC)影响显著(P<0.05)(表2)。土壤LOC质量分数介于0.43~0.55 g·kg−1之间。NK50-50下，高灌水量土壤LOC含量显著高于低灌水量土壤。高灌水量下，NK50-50处理土壤LOC含量较NK100-0增加25.0%，且差异显著，而在低灌水量下，不同滴灌施肥比例土壤LOC含量之间的差异并不显著。
滴灌灌水量对于土壤可溶性有机碳(DOC)影响显著(P<0.05)(表2)。土壤DOC质量分数介于189.5~369.5 mg·kg−1之间。相同滴灌施肥比例下，高灌水量土壤DOC含量与低灌水量土壤之间的差异不显著，相同滴灌灌水量下，不同滴灌施肥比例土壤DOC含量之间的差异也不显著。低灌水量下，NK70-30土壤DOC含量比NK100-0高27.3%。
滴灌灌水量对土壤微生物量碳(MBC)影响显著(P<0.05)(表2)。土壤MBC质量分数在324.1~384.8 mg·kg−1之间。相同滴灌施肥比例下，高灌水量土壤MBC含量与低灌水量土壤MBC含量之间的差异不显著；相同滴灌灌水量下，不同滴灌施肥比例土壤MBC含量之间的差异也不显著。
此外，滴灌灌水量和滴灌施肥比例之间的交互作用对土壤TOC、LOC、DOC和MBC含量的影响均不显著(P>0.05)。T3处理土壤TOC和LOC含量相对较高，而T2处理土壤DOC和MBC含量相对较高。在相同滴灌施肥比例下，高灌水量土壤有机碳及其组分较低灌水量土壤高。
2.2 不同水肥处理对土壤酶活性的影响
由表3方差分析可知，滴灌灌水量对土壤蔗糖酶活性影响显著(P<0.05)，但滴灌施肥比例和滴灌灌水量×滴灌施肥比例对土壤蔗糖酶活性的影响并不显著(P>0.05)。多重比较结果显示，NK100-0和NK50-50下，高灌水量土壤蔗糖酶活性较相应低灌水量土壤分别提高18.9%和18.2%，但差异不显著。土壤蔗糖酶活性以T3处理较高。
表 3 不同处理对土壤酶活性的影响1)Table 3. Effects of different treatments on soil enzyme activity处理
Treatment滴灌灌水量
Drip irrigation amount滴灌施肥比例
Fertigation ratio蔗糖酶活性/(mg·g−1·d−1)
Sucrase activity纤维素酶活性/U
Cellulase activity过氧化氢酶活性/(mL·g−1)
Catalase activityT1 高灌水量
High irrigation amountNK100-0 7.17±0.36ab 0.73±0.06a 0.45±0.03a T2 NK70-30 7.29±0.14a 0.75±0.04a 0.47±0.03a T3 NK50-50 7.39±0.24a 0.75±0.03a 0.46±0.02a T4 低灌水量
Low irrigation amountNK100-0 6.03±0.56b 0.64±0.06a 0.39±0.06a T5 NK70-30 6.30±0.18ab 0.67±0.06a 0.45±0.04a T6 NK50-50 6.25±0.44ab 0.66±0.03a 0.44±0.04a 显著性检验
(P值)
Significance
Test
(Pvalue)滴灌灌水量 Drip irrigation amount 0.003 0.062 0.311 滴灌施肥比例 Fertigation ratio 0.799 0.906 0.602 滴灌灌水量×滴灌施肥比例
Drip irrigation amount × Fertigation ratio0.969 0.999 0.873 1)同列数据后的不同小写字母表示处理间差异显著 (P<0.05，Duncan’s法)
1) Different lowercase letters in the same column indicate significant differences among treatments (P<0.05，Duncan’s test)滴灌灌水量、滴灌施肥比例以及滴灌灌水量×滴灌施肥比例对土壤纤维素酶和过氧化氢酶活性的影响均不显著(P>0.05)(表3)。各处理土壤纤维素酶和过氧化氢酶活性之间的差异不显著。
2.3 不同水肥处理对土壤碳库管理指数的影响
由表4方差分析可知，滴灌灌水量对土壤碳库指数影响显著(P<0.05)，但对碳库管理指数(CPMI)影响不显著(P>0.05)。滴灌施肥比例对土壤CPI和CPMI影响均不显著(P>0.05)。滴灌灌水量×滴灌施肥比例对土壤CPI和CPMI均有显著影响(P<0.05)。
在相同滴灌施肥比例下，高灌水量土壤CPI和CPMI均高于低灌水量土壤。高灌水量下，NK50-50施肥处理土壤的CPI和CPMI比NK100-0分别提高15.1%和25.8%；低灌水量下，NK50-50施肥处理土壤的CPI和CPMI比NK100-0分别提高12.6%和8.4%。土壤CPI和CPMI以T3处理最高。
2.4 土壤有机碳及其组分和碳库管理指数与酶活性之间的相互关系
土壤有机碳及其组分和碳库管理指数与酶活性之间的相关性分析结果如表5所示。土壤TOC、DOC、MBC和CPI均与蔗糖酶活性之间呈显著正相关(相关系数分别为0.61，0.48，0.46和0.60)，而土壤碳库指数与其他2种酶活性之间的相关性均不显著。
表 4 不同处理对土壤碳库管理指数的影响1)Table 4. Effects of different treatments on soil carbon pool management index处理
Treatment滴灌灌水量
Drip irrigation amount滴灌施肥比例
Fertigation ratio碳库指数
Carbon pool index
(CPI)碳库管理指数
Carbon pool management index
(CPMI)T1 高灌水量
High irrigation amountNK100-0 1.26±0.03bc 121.65±7.57b T2 NK70-30 1.35±0.05ab 134.36±4.23b T3 NK50-50 1.45±0.05a 153.04±5.71a T4 低灌水量
Low irrigation amountNK100-0 1.11±0.03d 120.08±4.93b T5 NK70-30 1.14±0.03cd 122.43±4.23b T6 NK50-50 1.25±0.04bc 130.19±2.63b 显著性检验
(P值)
Significance test
(P value)滴灌灌水量 Drip irrigation amount 0.001 0.111 滴灌施肥比例 Fertigation ratio 0.113 0.194 滴灌灌水量×滴灌施肥比例
Drip irrigation amount × Fertigation ratio0.000 0.001 1)同列数据后的不同小写字母表示处理间差异显著(P<0.05，Duncan’s法)
1)Different lowercase letters in the same column indicate significant differences among treatments (P<0.05，Duncan’s test)表 5 土壤有机碳及其组分含量和碳库管理指数与酶活性的相关性分析1)Table 5. Correlation analyses of soil organic carbon and fraction contents and carbon pool management index with enzyme activity指标
Index蔗糖酶
Sucrase纤维素酶
Cellulase过氧化氢酶
Catalase总有机碳 Total organic carbon (TOC) 0.61** 0.24 0.33 活性有机碳 Labile organic carbon (LOC) 0.29 0.23 0.14 可溶性有机碳 Dissolved organic carbon (DOC) 0.48* 0.02 0.29 微生物量碳 Microbial biomass carbon (MBC) 0.46* 0.29 0.03 碳库指数 Carbon pool index (CPI) 0.60** 0.24 0.31 碳库管理指数 Carbon pool management index (CPMI) 0.23 0.24 0.20 1)“*”和“**”分别表示达0.05和0.01水平的显著相关(n=3，Pearson法)
1)“*” and “**” indicate significant correlations at 0.05 and 0.01 levels, respectively(n=3, Pearson method)3. 讨论与结论
本研究表明，在相同滴灌灌水量下，与NK100-0相比，NK50-50和NK70-30滴灌施肥下的土壤TOC、LOC和DOC含量都有所提高。NK100-0处理土壤总有机碳及其组分含量等都较低，原因是该处理的肥料全部用作基肥施入土壤，后期养分供应不足，而且部分N肥易通过挥发或反硝化损失，影响N肥施用效果。而NK50-50和NK70-30交替灌溉追施N、K肥使两侧根区土壤处于交替干燥和湿润状态，在提供作物所需水分和养分的同时，使根区土壤处于良好的通气状态，为土壤微生物提供了有益的生存条件，故交替滴灌施肥比例的增加有利于土壤有机碳组分的增加[17]；再加上在马铃薯成熟期化学N、K肥配施能够促进作物根系生长，通过增加地下生物量来提高土壤有机质含量，进而有助于有机碳及其组分的增加[18]。
本研究表明，滴灌灌水量对于土壤有机碳及其组分的影响都达到显著水平。在相同滴灌施肥比例下，高灌水量土壤TOC、LOC、DOC和MBC含量都高于低灌水量土壤。相关研究发现，土壤含水量从土壤含水量<50%变成50%~100%时，土壤微生物活性通常会受到抑制，使土壤有机碳矿化分解缓慢，进而使土壤有机碳及其组分增加[19]。
土壤碳库管理指数作为反映土壤碳素动态变化灵敏而有效的指标，与土壤有效碳的关系密切，可反映和评估土壤碳素动态变化[20]。土壤碳库管理指数可用于衡量土壤质量，CPMI值越大，表明土壤质量越好[21]。本研究表明，在相同的灌水量下，NK50-50施肥处理土壤的CPI和CPMI均高于NK100-0，说明提高滴灌施肥比例会增加土壤CPMI，这与滕秋梅等[22]和张鹏等[23]的研究结果一致。说明适量N、K肥的加入可促进植物生长，增强土壤养分循环功能。究其原因，可能是N、K肥施入后主要提高的是LOC含量，导致碳库管理指数较高。凋落物和根系分泌物转化为有机质时，一部分有机质活化后为植物生长提供养分，一部分有机质转化为惰性碳库固存下来，这2个比例维持在一定范围内[24]。
土壤酶在土壤养分周转及土壤功能稳定中有重要作用。在影响土壤酶活性因子中，土壤水分对酶活性的影响具有异质性。本研究表明，土壤蔗糖酶活性在高灌水量下较高，说明灌水量的增加会提高土壤蔗糖酶活性，这与田幼华等[25]、高丽敏等[26]研究结果一致，但与万忠梅等[27]的研究结果相反，这可能是由于不同作物的需水量不同。而本研究结果可能是因为土壤水分的增加，加快了微生物胞外酶和底物的运输速率，可为酶促反应提供良好的反应环境，进而蔗糖酶和纤维素酶活性得到提高[28]。但滴灌施肥比例对土壤蔗糖酶、纤维素酶、过氧化氢酶活性的影响不显著，这与大多数研究结果并不相同。这可能是由于本研究是在相同的施肥量下，滴灌施肥比例对各种酶活性的影响较小；而大多数研究是通过设置不同的施肥梯度实现的。
蔗糖酶对蔗糖分解的催化作用具有专一性，能将土壤中蔗糖分子分解成果糖和葡萄糖，为土壤微生物提供营养物质，促进土壤有机碳积累与分解转化，从而直接或者间接地影响有机碳矿化过程[29]。本研究表明，土壤总有机碳与蔗糖酶活性呈极显著正相关，以往研究也有相似的结果[30]，说明土壤蔗糖酶活性影响土壤有机碳的积累。本研究发现，土壤有机碳组分与纤维素酶和过氧化氢酶活性之间的关系不显著，然而，马瑞萍等[11]对黄土高原不同植物群落土壤团聚体中有机碳和酶活性研究表明，土壤纤维素酶活性与各种组分有机碳之间的关系均呈显著正相关。张英英[31]研究发现，不同耕作措施下甘肃旱地农田0~30 cm土层土壤活性有机碳与纤维素酶和过氧化物酶活性之间的关系呈显著正相关，与本试验结果不同，可能是试验条件和土壤类型不同的原因所致。
综上所述，在高灌水量(苗期、块茎形成期、块茎膨大期和淀粉积累期土壤含水量分别保持在田间持水量的60%~70%、70%~80%、75%~85%和50%~60%)和NK50-50施肥处理(N、K肥以50%作基肥土施，50%作滴灌追肥)下土壤总有机碳及其组分、蔗糖酶活性和碳库管理指数较高，因此，高灌水量和N、K肥基、追肥比50∶50处理为广西冬种马铃薯种植土壤有机碳库调控的水肥耦合模式。此外，土壤TOC、DOC、MBC含量和CPI均与蔗糖酶活性呈显著正相关，说明土壤蔗糖酶活性会影响土壤有机碳及其组分。
-
![]()
图 1 4个不同场景猪只6个关键点的标注
Figure 1. Annotation of six key points of pigs in four different scenarios
![]()
图 5 猪只6个关键点和体尺测量示意图
Figure 5. Schematic diagram of six key points and body measurements for pigs
![]()
图 8 目标框(A)和关键点(B)的P-R曲线
Figure 8. P-R curves for bounding boxes (A) and key points (B)
表 1 3种多目标追踪算法对猪只追踪的验证结果1)
Table 1 Validation results of three multiple target tracking algorithms for pig tracking
场景
Scene猪数量
Number
of pigs有无遮挡
Occlusion
situationFairMOT ByteTrack BoT-SORT MOTA/% IDF1/% FPS/(帧·s−1) MOTA/% IDF1/% FPS/(帧·s−1) MOTA/% IDF1/% FPS/(帧·s−1) 1 5 无 86.1 87.7 43 91.3 92.9 142 96.7 90.7 59 2 5 无 84.6 85.4 42 94.7 97.3 142 95.3 97.6 58 3 5 有 73.7 72.3 43 67.6 82.0 144 82.8 88.3 59 4 >20 无 76.3 74.9 36 79.8 86.9 129 84.5 91.4 52 1) MOTA：多目标跟踪准确率，IDF1：IDF1分数，FPS：每秒处理帧数
1) MOTA: Multiple object tracking accuracy, IDF1: Identity F1 score, FPS: Frames per second
下载: 导出CSV
表 2 猪只体长、肩宽、臀宽数据偏差对比1)
Table 2 Variance comparison of pig body length, shoulder width and hip width data
性状
Trait圈栏号(猪只数量)
Circle ID
(number of pigs)第1组 Group 1 第2组 Group 2 第3组 Group 3 R2 MAE/cm MAPE/% R2 MAE/cm MAPE/% R2 MAE/cm MAPE/% 体长
Body
length1(7) 0.83 4.71 5.99 0.89 4.00 4.95 0.50 8.14 9.97 2(6) 0.92 2.75 3.84 0.93 2.50 3.48 0.45 6.50 8.65 3(5) 0.67 2.00 2.26 0.82 1.40 1.50 −1.65 5.80 6.34 4(2) 0.20 12.00 13.98 0.81 6.50 7.10 0.92 4.00 4.15 5(4) 0.00 2.50 3.66 0.89 1.00 1.47 −2.13 5.25 7.65 总计 Total(24) 0.85 3.96 5.08 0.94 2.88 3.61 0.75 6.13 7.74 肩宽
Shoulder
width1(7) 0.81 1.57 6.15 0.83 1.71 7.50 −0.54 4.71 18.82 2(6) 0.61 1.00 5.39 0.81 0.83 4.57 0.04 1.50 7.89 3(5) 0.71 1.00 4.54 0.77 1.00 4.83 0.58 1.40 6.93 4(2) −0.06 4.00 14.59 0.19 3.00 10.24 −1.31 6.00 22.16 5(4) −1.13 2.25 13.77 0.28 3.50 12.00 −5.05 3.75 21.87 总计 Total(24) 0.77 1.63 7.60 0.86 1.25 5.65 0.13 3.17 14.40 臀宽
Hip
width1(7) 0.71 1.86 8.76 0.74 1.86 8.79 −0.33 4.14 18.50 2(6) 0.72 0.67 3.76 0.81 0.67 4.30 0.67 0.83 5.40 3(5) 0.71 1.60 7.45 0.84 1.40 6.65 0.27 2.80 13.99 4(2) 0.27 3.00 11.99 0.59 2.00 7.45 −1.49 5.50 22.60 5(4) 0.25 1.25 8.06 0.80 0.75 5.12 −4.36 4.25 27.14 总计 Total(24) 0.81 1.54 7.80 0.88 1.29 6.50 0.25 3.13 15.63 1)R2：决定系数，MAE：平均绝对误差，MAPE：平均绝对百分比误差
1) R2: Determination coefficient, MAE: Mean absolute error, MAPE: Mean absolute percentage error
下载: 导出CSV
-
[1] NEETHIRAJAN S, KEMP B. Digital livestock farming[J]. Sensing and Bio-Sensing Research, 2021, 32: 100408. doi: 10.1016/j.sbsr.2021.100408
[2] 李丹, 陈一飞, 李行健, 等. 计算机视觉技术在猪行为识别中应用的研究进展[J]. 中国农业科技导报, 2019, 21(7): 59-69. [3] NASIRAHMADI A, EDWARDS S A, STURM B. Implementation of machine vision for detecting behaviour of cattle and pigs[J]. Livestock Science, 2017, 202: 25-38. doi: 10.1016/j.livsci.2017.05.014
[4] RANČIĆ K, BLAGOJEVIĆ B, BEZDAN A, et al. Animal detection and counting from UAV images using convolutional neural networks[J]. Drones, 2023, 7(3): 179. doi: 10.3390/drones7030179
[5] VAN DER ZANDE L E, GUZHVA O, RODENBURG T B. Individual detection and tracking of group housed pigs in their home pen using computer vision[J]. Frontiers in Animal Science, 2021, 2: 669312. doi: 10.3389/fanim.2021.669312
[6] SHAO W, KAWAKAMI R, YOSHIHASHI R, et al. Cattle detection and counting in UAV images based on convolutional neural networks[J]. International Journal of Remote Sensing, 2020, 41(1): 31-52. doi: 10.1080/01431161.2019.1624858
[7] TAHERI-GARAVAND A, FATAHI S, OMID M, et al. Meat quality evaluation based on computer vision technique: A review[J]. Meat Science, 2019, 156: 183-195. doi: 10.1016/j.meatsci.2019.06.002
[8] 宋兰霞, 杨毅. 基于计算机视觉的肉质大理石花纹含量的测定[J]. 云南农业大学学报(自然科学版), 2011, 26(2): 246-248. [9] 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 [10] 郭浩, 张胜利, 马钦, 等. 基于点云采集设备的奶牛体尺指标测量[J]. 农业工程学报, 2014, 30(5): 116-122. doi: 10.3969/j.issn.1002-6819.2014.05.015 [11] 郭浩, 马钦, 张胜利, 等. 基于三维重建的动物体尺获取原型系统[J]. 农业机械学报, 2014, 45(5): 227-232. doi: 10.6041/j.issn.1000-1298.2014.05.035 [12] 王小品. 基于深度学习的多目标生猪的体尺关键点定位方法研究[D]. 武汉: 华中农业大学, 2023. [13] 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. [14] ZHU X, LYU S, WANG X, et al. TPH-YOLOv5: Improved YOLOv5 based on transformer prediction head for object detection on drone-captured scenarios[C]//2021 IEEE/CVF International Conference on Computer Vision Workshops (ICCVW). Montreal: IEEE, 2021. doi: 10.1109/iccvw54120.2021.00312.
[15] REDMON J, FARHADI A. Yolov3: An incremental improvement[EB/OL]. arXiv: 1804.02767 (2018-04-08) [2024-04-06]. https://doi.org/10.48550/arXiv.1804.02767.
[16] REDMON J, DIVVALA S, GIRSHICK R, et al. You only look once: Unified, real-time object detection[C]//2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Las Vegas: IEEE, 2016. doi: 10.1109/cvpr.2016.91.
[17] 殷献博, 邓小玲, 兰玉彬, 等. 基于改进YOLOX-Nano算法的柑橘梢期长势智能识别[J]. 华南农业大学学报, 2023, 44(1): 142-150. doi: 10.7671/j.issn.1001-411X.202112039 [18] 杨秋妹, 陈淼彬, 黄一桂, 等. 基于改进YOLO v5n的猪只盘点算法[J]. 农业机械学报, 2023, 54(1): 251-262. doi: 10.6041/j.issn.1000-1298.2023.01.025 [19] ZHANG Y F, SUN P Z, JIANG Y, et al. ByteTrack: Multi-object tracking by associating every detection box[EB/OL] arXiv: 2110.06864 (2021-10-13) [2024-04-06]. https://doi.org/10.48550/arXiv.2110.06864.
[20] ZHENG Z Y, LI J W, QIN L F. YOLO-BYTE: An efficient multi-object tracking algorithm for automatic monitoring of dairy cows[J]. Computers and Electronics in Agriculture, 2023, 209: 107857. doi: 10.1016/j.compag.2023.107857
[21] QIAN Z, CHEN X, JIANG H. Fish tracking based on YOLO and ByteTrack[C]. 2023 16th International Congress on Image and Signal Processing, BioMedical Engineering and Informatics (CISP-BMEI). Taizhou: IEEE, 2023.
-
期刊类型引用(10)
1. 何玉，周晨莉，张恒嘉. 水氮互作对土壤有机碳、微生物及酶活性的影响研究述评. 水利规划与设计. 2025(03): 97-100+106 . 
百度学术
2. 秦钧，骆洪义，贾国燏，褚旭，宋久洋，胡华林. 聚乙烯微塑料对土壤的影响及综合生物标志物响应指数. 山东化工. 2025(03): 12-18 . 百度学术
3. 赵俊波，胡兵辉. 水肥调控对茶树土壤酶及土壤养分的影响. 山西农业大学学报(自然科学版). 2024(02): 130-140 . 百度学术
4. 梁榕，何娇，孙飞虎，张瑞芳，王鑫鑫. 聚乙烯微塑料对土壤养分和酶活性的影响. 环境科学. 2024(06): 3679-3687 . 百度学术
5. 王颜玉，王文定，郑梦瑶，欧行奇，郑会芳. 施氮和灌溉处理对麦田土壤有机碳组分及酶活性的影响. 环境工程技术学报. 2024(05): 1419-1426 . 百度学术
6. 朱琪，史中兴，寇燕燕，刘斌，陈亮，栾倩倩. 原位工程化根治技术和增施生物有机肥对盐碱地土壤酶活性及甜瓜产量、品质的影响. 中国瓜菜. 2023(03): 77-84 . 百度学术
7. 赵朔. 水肥一体化模式对马铃薯干物质积累及水分利用效率的影响. 基层农技推广. 2023(05): 34-37 . 百度学术
8. 郝海波，许文霞，侯振安. 水氮耦合对滴灌棉田土壤有机碳组分及酶活性的影响. 植物营养与肥料学报. 2023(05): 860-875 . 百度学术
9. 吕江艳，龙鹏宇，罗维钢，李伏生，农梦玲. 甘蔗节水高产和蔗田氧化亚氮减排的滴灌施肥模式. 节水灌溉. 2023(12): 1-8 . 百度学术
10. 关追追，卢奇锋，陈动，邱权，苏艳，李吉跃，何茜. 施肥方式对幼龄楸树非结构性碳器官分配和生长季动态的影响. 西北植物学报. 2022(08): 1355-1362 . 百度学术
其他类型引用(9)
计量
- 文章访问数: 459
- HTML全文浏览量: 80
- PDF下载量: 65
- 被引次数: 19
