基于Wi-Fi无线感知技术的猪呼吸频率监测

监测和及时发现猪呼吸异常是养猪产业管理中的重要课题。为了克服人工监测方式效率低下、穿戴式设备监测方法成本较高且容易引起猪应激反应的缺点,该文提出了一种基于Wi-Fi网络信道状态信息的非接触式猪呼吸率监测方案。首先,利用Wi-Fi网络设备及其开源驱动程序捕获CSI序列信号并提出异常载波过滤算法用于滤除通信过程中的异常载波;其次,设计载波周期性水平量化指标并以此评估载波周期性水平;第三,通过SmoothingSplines方法平滑载波曲线并基于载波序列自相关函数估计载波周期和频率,筛选出载波周期性水平大于22且频率位于闭区间[0.127 Hz,1.25 Hz]的反映猪只呼吸行为的载波;第四,对符合条件的载波频率进行加权平均求得猪只呼吸率。以人工统计猪只每分钟的呼吸次数作为真实情况,通过对9头仔猪,5头育肥种猪,3头怀孕母猪以及3头因患病引起腹式呼吸的病猪进行对比试验,该文提出的方法能够准确计算出猪的呼吸率,平均相对误差为1.398%。研究结果为应用Wi-Fi无线感知技术监控动物呼吸率提供参考。     

基于无线传感器网络的奶牛行为特征监测系统设计

奶牛等大型动物的疾病和发情状况目前主要依赖饲养员目测判断,大规模集约化养殖仍采用人工观测方法,这不仅带来繁重的人力负担,也容易误判。为了能自动准确地识别奶牛是否发情或生病,该文提出在奶牛颈部安装无线传感器节点,通过各种传感器获取奶牛的体温、呼吸频率和运动加速度等参数,采用K-均值聚类算法对提取的各种参数进行行为特征多级分类识别,以此建立的动物行为监测系统能准确区分奶牛静止、慢走、爬跨等行为特征,从而可以长时间监测奶牛的健康状态。而且,这种监测系统易于推广到对其他动物的监测,对促进养殖业和畜牧业的发展也具有指导意义。     

融合YOLO v5n与通道剪枝算法的轻量化奶牛发情行为识别

及时、准确地监测奶牛发情行为是现代化奶牛养殖的必然要求。针对人工监测奶牛发情不及时、效率低等问题,该研究提出了一种融合YOLO v5n与通道剪枝算法的轻量化奶牛发情行为识别方法。在保证模型检测精度的基础上,基于通道剪枝算法,对包括CSPDarknet53主干特征提取网络等在内的模块进行了修剪,以期压缩模型结构与参数量并提高检测速度。为了验证算法的有效性,在2 239幅奶牛爬跨行为数据集上进行测试,并与Faster R-CNN、SSD、YOLOX-Nano和YOLOv5-Nano模型进行了对比。试验结果表明,剪枝后模型均值平均精度（mean Average Precision, mAP）为97.70%,参数量（Params）为0.72 M,浮点计算量（Floating Point operations, FLOPs）为0.68 G,检测速度为50.26 帧/s,与原始模型YOLOv5-Nano相比,剪枝后模型mAP不变的情况下,参数量和计算量分别减少了59.32%和49.63%,检测速度提高了33.71%,表明该剪枝操作可有效提升模型性能。与Faster R-CNN、SSD、YOLOX-Nano模型相比,该研究模型的mAP在与之相近的基础上,参数量分别减少了135.97、22.89和0.18 M,FLOPs分别减少了153.69、86.73和0.14 G,检测速度分别提高了36.04、13.22和23.02 帧/s。此外,对模型在不同光照、不同遮挡、多尺度目标等复杂环境以及新环境下的检测结果表明,夜间环境下mAP为99.50%,轻度、中度、重度3种遮挡情况下平均mAP为93.53%,中等尺寸目标和小目标情况下平均mAP为98.77%,泛化性试验中奶牛爬跨行为检出率为84.62%,误检率为7.69%。综上,该模型具有轻量化、高精度、实时性、鲁棒性强、泛化性高等优点,可为复杂养殖环境、全天候条件下奶牛发情行为的准确、实时监测提供借鉴。     

基于最优二叉决策树分类模型的奶牛运动行为识别

针对奶牛行为分类过程中决策树算法构建主观性强、阈值选取无确定规则,易导致分类精度差的问题,该文提出一种基于最优二叉决策树分类模型的奶牛运动行为识别方法,首先选取描述奶牛腿部三轴加速度数值大小、对称性、陡峭程度、变异程度、不确定性及夹角的24个统计特征量,其次通过构建ROC(receiver operating characteristic,ROC)曲线获得各统计特征量的最佳行为类别分组方式及最优阈值,然后利用信息增益作为最优二叉决策树划分属性的选择标准,最终构建最优二叉决策树分类模型对奶牛运动行为进行分类识别。试验结果表明,该分类模型能够有效区分奶牛的站立、平躺、慢走、快走、站立动作、躺卧动作6种运动行为,平均准确率、平均精度、平均F1值分别为76.47%、76.83%、76.57%,相较传统的ID3(iterative dichotomiser 3,ID3)决策树算法分别高5.71、5.4和5.61个百分点,分别高于K-means聚类算法7.51、8.02和7.77个百分点,优于支持向量机算法6.77、6.72和6.57个百分点。该方法可为提高奶牛行为分类精度提供有效的理论支撑。     

基于不同行为时间的奶牛健康状况评价

如何高效准确地监测和管理好奶牛是当前规模化奶牛场发展的关键。该文通过对17头奶牛休息时间、反刍时间和采食时间的连续61d监测和行为记录,利用SPSS23.0软件,结合Logistics回归分析法对试验数据进行统计分析,并构建了奶牛健康状况评价模型。研究结果表明:1)与正常行为期间相比,奶牛非正常行为期间的平均休息时间增加25.7%,反刍时间和采食时间分别平均减少12.7%和2.3%。2)荷斯坦泌乳奶牛正常行为时间呈正态分布,每天(24 h)平均休息时间为300～600 min,反刍时间为400～700 min,采食时间为200～400 min。非正常行为时间呈离散状分布,无明显分布规律。3)休息时间和采食时间是预测模型的主要影响因素,其中采食时间对模型预测概率的影响力较休息时间大,在其他条件不变的情况下,采食时间水平每增加1个单位,奶牛非正常行为预测概率变化扩大4.2倍。奶牛非正常行为预测模型预测结果与人工目视观察结果比较,模型预测准确率为91%。该研究可为现代规模化奶牛场科学、精准化管理提供参考。     

基于计算机视觉的奶牛跛行识别技术研究进展

奶牛跛行严重降低奶牛福利及潜在产奶量,影响养殖场经济效益。准确高效识别奶牛跛行,有助于奶牛肢蹄病的及早发现与治疗,促进奶业的健康和可持续发展。人工观察法识别奶牛跛行存在识别效率低、成本高、主观性强等问题。计算机视觉技术可以通过无应激、无接触地采集奶牛行走视频数据,准确高效识别奶牛跛行。该研究从可见光相机、深度相机以及热红外相机3种视频采集手段出发,概述了当前奶牛跛行自动识别的主要研究方法、关键技术以及未来发展方向等,对比分析了各研究方法的优势和不足,指出个体差异性、跛行特征的优选以及早期跛行识别等需要重点关注的技术问题。同时,该研究从数据获取、技术研发和试验验证等方面,分析了奶牛跛行识别技术研究领域存在的主要问题及挑战,展望了未来奶牛跛行识别技术的研究重点和发展方向,为奶牛跛行的精准高效识别提供相关理论依据和技术参考。     

基于Lucas-Kanade稀疏光流算法的奶牛呼吸行为检测

奶牛呼吸行为的智能检测对于奶牛疾病的自动诊断及奶牛精准养殖具有重要意义。该研究基于Lucas-Kanade稀疏光流算法,提出了一种适合于非结构化养殖环境的无接触式单目标奶牛呼吸行为检测方法。通过在HSV颜色空间完成奶牛目标的提取,然后通过Canny算子和掩模操作完成奶牛所有花斑边界的检测,再利用Lucas-Kanade稀疏光流算法计算提取奶牛花斑边界光流,最后根据视频序列帧中花斑边界平均光流的方向变化规律实现奶牛呼吸行为的检测。为了验证本研究算法的有效性,利用不同环境下获取的105段共计25 200帧数据进行了测试,并与基于整体Lucas-Kanade光流法、整体Horn-Schunck光流法和基于花斑边界的Horn-Schunck光流法进行了对比验证。试验结果表明,该研究算法的帧处理耗时在0.10～0.13 s之间,在试验视频上的平均运行时间为14.14 s。奶牛呼吸行为检测的准确率为83.33%～100%之间,平均准确率为98.58%。平均运行时间较基于整体Lucas-Kanade光流法的呼吸行为检测方法慢1.60 s,较Horn-Schunck整体光流的呼吸行为检测方法快7.30 s,较基于花斑边界的Horn-Schunck光流法快9.16 s。呼吸行为检测的平均准确率分别高于3种方法 1.91、2.36、1.26个百分点。研究结果表明,通过Lucas-Kanade光流法检测奶牛花斑边界平均光流方向变化实现奶牛呼吸行为检测是可行的,该研究可为奶牛热应激行为的自动监测及其他与呼吸相关疾病的远程诊断提供参考。     

泌乳奶牛对散栏饲养体系不同场所的行为选择性研究

饲养动物对畜舍的利用存在差别。该文选择泌乳中后期荷斯坦牛68头,观察其在不同时间段内对散栏饲养体系各场所的利用及对不同地面卧栏的选择性;以其中的12头分别作为试验组和对照组,观察其对散栏饲养体系各场所的利用时间。试验研究结果表明:泌乳中期和泌乳后期的奶牛,对散栏饲养体系各场所的利用时间差异极显著(P＜0．01);整个牛群在不同时间段对散栏饲养体系各场所的利用和对不同地面卧栏的选择性差异均显著(P＜0．05),对沙土地面卧栏的选择多于橡胶地面卧栏。     

泌乳奶牛对散栏饲养体系不同场所的行为选择性研究

饲养动物对畜舍的利用存在差别。该文选择泌乳中后期荷斯坦牛68头，观察其在不同时间段内对散栏饲养体系各场所的利用及对不同地面卧栏的选择性；以其中的12头分别作为试验组和对照组，观察其对散栏饲养体系各场所的利用时间。试验研究结果表明：泌乳中期和泌乳后期的奶牛，对散栏饲养体系各场所的利用时间差异极显著（P<0.01）；整个牛群在不同时间段对散栏饲养体系各场所的利用和对不同地面卧栏的选择性差异均显著（P<0.05），对沙土地面卧栏的选择多于橡胶地面卧栏。     

奶牛乳房炎自动检测技术研究进展

奶牛乳房炎是影响奶牛健康的主要疾病之一,发病率高、发病范围广、经济损失严重。目前奶牛乳房炎的检测大多是采集奶牛乳汁进行理化性质检测,该方法对检测环境有着较高要求,且检测周期长。随着信息技术的迅速发展,奶牛乳房炎的自动检测技术取得了较好的研究成果。该研究根据数据的传感器类型,从视觉传感器、自动挤奶系统与其他传感器3个方面阐述了奶牛乳房炎自动检测的研究进展。基于视觉传感器的奶牛乳房炎自动检测方法包括基于乳房热红外图像和基于乳汁图像的检测方法,该方法较大程度上保障了动物福利,但检测精度有待提升;基于自动挤奶系统（automatic milking systems, AMS）的奶牛乳房炎自动检测方法利用AMS获取乳汁信息,然后构建乳房炎检测模型,该方法检测误差较小,但成本较高;基于其他传感器的奶牛乳房炎检测方法采用独立研发的传感器获取乳汁数据,预测乳房炎发病情况,该方法操作简便,但使用不同传感器构建的检测模型精度差异较大。该文还探讨了目前奶牛乳房炎自动检测领域存在的精度低、实时性差、自动化不足等问题,并展望了该领域未来的发展趋势,以期为开展奶牛乳房炎自动检测技术与方法研究提供参考。     

基于超参数优化算法下的随机森林模型预测奶牛呼吸频率

奶牛呼吸频率是评估环境造成的奶牛热应激程度的重要指标之一。该研究基于随机森林（random forest,RF）算法提出了适用于生产条件下的奶牛个体呼吸频率准确预测模型,为了平衡模型精度与计算效率问题,利用遗传算法（genetic algorithm,GA）、差分进化（differential evolution,DE）算法、粒子群优化（particle swarm optimization,PSO）算法、贝叶斯优化（Bayesian optimization,BO）算法对模型超参数进行优化,并与网格搜索（grid search,GS）下的人工神经网络（artificial neural network,ANN）和极限梯度提升机（extreme gradient boosting,XGBoost）模型进行了对比分析。研究结果表明,使用融合环境参数的修正温湿指数（adjusted temperature-humidity index,ATHI）、时间区域、奶牛产奶量、泌乳天数、身体姿势以及胎次作为输入特征时,基准RF模型的预测性能最佳。在此基础上,4种智能优化算法下的RF模型性能优于GS-ANN和GS-XGBoost,其中BO-RF的综合性能最优,其决定系数、平均绝对误差、平均绝对百分比误差以及均方根误差分别为0.614、7.723、14.4%、9.737,超参数优化耗时约为DE-RF的1/220。特征重要性分析表明,输入因子对奶牛呼吸频率的影响程度不同,ATHI是影响力最高的因子,相对重要性（relative importance,RI）为0.71,其次是时间区域（RI=0.09）和奶牛产奶量（RI=0.07）。研究为奶牛生产、健康评价及牛舍环境精准调控提供了有效方法和基础。     

扰流风机降温对奶牛泌乳性能和免疫功能的影响

为研究奶牛舍采用扰流风机降温对奶牛泌乳性能和免疫功能的影响,该研究选择结构和饲养管理相同的两栋泌乳牛舍,检测安装风机（风机舍）和不安装风机（对照舍）对不同时期奶牛泌乳性能、淋巴细胞凋亡率、血液理化指标及免疫相关基因mRNA表达的影响,并分析奶牛泌乳性能、免疫性能指标与等温指数（equivalent temperature index for cattle,ETIC）之间的相关性。结果表明：1）安装风机改善了舍内温热环境,整个试验期风机舍的平均ETIC较对照舍降低了3.52 ℃,有效缓解了奶牛的热应激。2）风机舍的产奶量和4%标准乳在试验中、后期均显著高于对照舍（P<0.05）,且风机舍的乳脂率较对照舍也表现出显著性提高（P<0.05）。3）安装风机改善了热应激条件下奶牛的免疫功能。与对照舍相比,风机舍奶牛血液中淋巴细胞数量在试验中、后期显著增加（P<0.05）,并降低了淋巴细胞的早期凋亡率（P<0.05）,淋巴细胞中促凋亡因子Bax的mRNA表达量及其血清浓度在试验后期均表现出显著性降低（P<0.05）,抗凋亡因子Bcl-xl的mRNA表达量（P<0.01）及其血清浓度（P<0.10）在试验中、后期表现出增加趋势。此外,风机舍的血清白细胞介素-12（Interleukin-12, IL-12）和免疫球蛋白G（Immunoglobulin G, IgG）浓度较对照舍也表现出显著性增加（P<0.05）。4）从各项指标之间的相关分析得出,乳蛋白率、淋巴细胞数量与ETIC均呈显著负相关关系（P<0.05）,淋巴细胞BAK mRNA表达、血清IL-6浓度与ETIC呈显著正相关关系（P<0.05）。 可见,安装扰流风机可改善舍内温热环境,有效缓解夏季奶牛的热应激,提高奶牛生产性能和免疫功能。     

基于视频分析的多目标奶牛反刍行为监测

奶牛反刍行为与其生产、繁殖和应激行为等存在较强的相关性,现有方法多采用人工观察或可穿戴式装置进行奶牛反刍行为的监测,存在误差大、容易引起奶牛应激反应、成本高等问题。为了实现多目标奶牛反刍行为的实时监测,该研究基于视频分析与目标跟踪技术,在获取奶牛嘴部区域的基础上,分析对比了压缩跟踪算法(compressive tracking,CT)和核相关滤波算法(kernelized correlation filters,KCF)在多目标奶牛反刍监测中的性能。为了验证不同算法对奶牛反刍行为监测的效果,分别用9段视频进行了试验,针对误检问题提出了有效的咀嚼次数判定模型,最后与实际的奶牛反刍数据进行了对比。试验结果表明:对多目标监测,KCF算法平均帧处理速度为7.37帧/s,是CT算法平均帧处理速度0.51帧/s的14.45倍;KCF算法平均误差为13.27像素,是CT算法平均误差38.28像素的34.67%。对双目标监测,KCF算法的平均误检率为7.72%,比CT算法的平均误检率18.56%低10.84个百分点;2种算法的帧处理速度分别为10.11帧/s和0.87帧/s;平均跟踪误差分别为22.19像素和28.51像素,KCF算法的平均跟踪误差仅为CT算法的77.83%。试验结果表明,KCF算法具有较低的误检率及较高的帧处理速度,更适合奶牛反刍行为的监测。在此基础上,验证了2种算法在不同光照、不同姿态和不同程度遮挡等影响因素下的监测效果,结果表明,CT算法会出现不同程度的偏离,甚至丢失目标,而KCF算法仍然具有良好的效果和较好的适应性,表明将KCF算法应用于全天候多目标奶牛反刍行为的分析是可行的、有效的。