李奇峰^,, 李嘉位^,, 马为红^,, 高荣华, 余礼根, 丁露雨, 于沁杨北京农业信息技术研究中心,北京 100097

Research Progress of Intelligent Sensing Technology for Diagnosis of Livestock and Poultry Diseases

LI QiFeng^,, LI JiaWei^,, MA WeiHong^,, GAO RongHua, YU LiGen, DING LuYu, YU QinYangBeijing Research Center for Information Technology in Agriculture, Beijing 100097

通讯作者: 马为红,E-mail：mawh@nercita.org.cn

李奇峰与李嘉位为同等贡献作者。
责任编辑: 林鉴非
收稿日期:2020-06-17接受日期:2020-12-22网络出版日期:2021-06-01

基金资助:

国家重点研发计划项目.2018YFE0108500 北京市农林科学院国际合作基金.2019HP002 省部级-平谷农业科创区农业人工智能创新服务平台建设及示范应用.Z191100004019007

Received:2020-06-17Accepted:2020-12-22Online:2021-06-01
作者简介 About authors
李奇峰,E-mail：liqf@nercita.org.cn。

李嘉位,E-mail：ljw86@qq.com。








摘要
畜牧业是我国农业的重要组成部分,目前我国畜牧业向着规模化、集约化发展,同时也增加了畜禽疾病诊断的难度。为提高畜禽养殖中的动物福利水平,并降低畜牧养殖中因动物疫病与健康异常带来的经济损失与公共卫生安全风险,近年出现了一批通过数字化、智能化手段实现畜禽疫病诊疗的自动化方法,如机器视觉分析、动物音频分析、红外温度感知、深度学习分类等,这些方法可以有效提高对患病或异常畜禽动物的诊断效率、缩短诊断周期、降低畜牧养殖中人工巡检劳动力。畜禽疫病自动诊疗方法不同于常规的基于病理学知识的诊断方法,其主要通过各类传感器自动获取畜禽在养殖过程中的图像、声音、体温、心率、排泄物等各类特征信息,而后通过梅尔倒谱系数、Logistics回归分析等数学模型和支持向量机、深度学习等智能算法对采集的信息进行综合分析与处理,并对动物的健康状态做出评价与预测。文章分别从畜禽形态诊断技术、行为诊断技术、声音诊断技术、体温诊断技术、其他生理参数诊断技术等几个方面总结阐述了目前动物疫病智能诊断技术研究的进展和一些基础的方法原理,这些方法基于动物外型与体尺、行为与动作、鸣叫与声音、体温、排泄物、呼吸与心率等数字化特征,通过数学模型对传感器采集到的特征进行实时分析与分归类,基本实现了对理想环境下动物健康状态的评价。目前的畜禽动物疾病自动诊疗技术研究成果丰富,但相关诊断方法大多是在理想环境下进行,而实际的生产养殖环境中干扰因素很大,目前的诊断方法大多无法很好地排除干扰并精确提取出所需特征信息;并且目前的数字化禽畜疾病诊断方法多是基于禽畜的一种特征信息进行分析诊断,这使得诊断系统的诊断准确度受到影响,诊断结果说服力不足。同时目前的大多数数字化禽畜疾病诊断方法还存在诊断泛化能力差、抗干扰能力差等问题,这些问题制约了其推广与应用。未来畜禽疾病自动诊断的研究重点是提高其传感算法的精度和数学模型的适用性与鲁棒性,并进一步发展基于多种特征耦合与数据融合的智能化畜禽疾病诊疗专家系统,争取实现实时、高效、智能、精准的畜禽健康诊断。
关键词： 畜禽疫病智能化诊断;行为诊断;生理诊断;畜禽传感监测

Abstract
Animal husbandry is an important part of agriculture. At present, animal husbandry is developing towards large-scale and intensive development, which also increases the difficulty of diagnosis of livestock and poultry diseases. In recent years, in order to improve the level of animal welfare in livestock and poultry breeding, and to reduce the economic losses and public health safety risks caused by animal diseases and health abnormalities in livestock breeding, a number of automated methods for the diagnosis and treatment of livestock and poultry diseases through digital and intelligent means have emerged, such as machine vision analysis, animal audio analysis, infrared temperature perception, deep learning classification, etc. These methods could effectively improve the diagnosis efficiency of diseased or abnormal livestock and poultry, shorten the diagnosis cycle, and reduce the labor force of manual inspection in animal husbandry. The automatic diagnosis and treatment method of livestock and poultry diseases is different from the conventional diagnosis methods based on pathological knowledge, which mainly uses various sensors to automatically obtain various characteristics information of livestock and poultry during the breeding process, such as images, sounds, body temperature, heart rate, and excrement. The collected information is comprehensively analyzed and processed through mathematical models, such as Mel cepstrum coefficient, Logistics regression analysis and intelligent algorithms such as support vector machines and deep learning, and then the animal’s health status is evaluated and predicted. The current research progress of animal disease intelligent diagnosis technology and some basic method principles was summarized from several aspects, such as livestock and poultry morphological diagnosis technology, behavior diagnosis technology, sound diagnosis technology, body temperature diagnosis technology, and other physiological parameter diagnosis technology. Those methods were based on the digital characteristics of animal appearance and body size, behavior and movement, call and sound, body temperature, excrement, respiration and heart rate, the characteristics collected by the sensor, which were analyzed and classified in real time through mathematical models, and the analysis was basically achieved. The current research results on automatic diagnosis and treatment of livestock and poultry diseases were abundant, but most of the related diagnosis methods were carried out in an ideal environment. However, the interference factors in the actual production and breeding environment were very large, and the most of the current diagnostic methods could not eliminate the interference well and accurately extract the required characteristic information. Besides, the current digital livestock disease diagnosis methods were mostly based on the analysis and diagnosis of one kind of livestock feature information, which affected the diagnosis accuracy of the diagnosis system and the diagnosis results were not convincing. At the same time, the most of the current digital diagnosis methods for poultry and livestock diseases still had some problems such as poor diagnosis generalization ability and poor anti-interference ability, which restricted their promotion and application. The focus of future research on automatic diagnosis of livestock and poultry diseases is to improve the accuracy of its sensing algorithms and the applicability and robustness of mathematical models, and to develop an intelligent diagnosis and treatment expert system for livestock and poultry diseases based on multiple feature coupling and data fusion, realize real-time, efficient, intelligent and accurate livestock and poultry health diagnosis.
Keywords：disease intelligent diagnosis for livestock and poultry;behavioral diagnosis;physiological diagnosis;sensor monitoring for livestock and poultry


PDF (1104KB)元数据多维度评价相关文章导出EndNote|Ris|Bibtex收藏本文
本文引用格式
李奇峰, 李嘉位, 马为红, 高荣华, 余礼根, 丁露雨, 于沁杨. 畜禽养殖疾病诊断智能传感技术研究进展[J]. 中国农业科学, 2021, 54(11): 2445-2463 doi:10.3864/j.issn.0578-1752.2021.11.016
LI QiFeng, LI JiaWei, MA WeiHong, GAO RongHua, YU LiGen, DING LuYu, YU QinYang. Research Progress of Intelligent Sensing Technology for Diagnosis of Livestock and Poultry Diseases[J]. Scientia Acricultura Sinica, 2021, 54(11): 2445-2463 doi:10.3864/j.issn.0578-1752.2021.11.016


开放科学（资源服务）标识码（OSID）：

畜牧业是农业的重要组成部分,我国的畜禽养殖业总产值占到在农林牧渔业的30%以上,涉及2亿多人的就业^[1]。为适应市场需求与畜牧业转型升级,畜牧业逐渐朝向集约化、规模化与智能化发展,畜牧养殖生产密度急剧扩大^[2,3]。在这种条件下,动物疫病爆发风险增大、人畜共患病危险升级,继而会对动物福利、生产效益、产品出口、公共卫生安全构成严重威胁。提升动物疫病防治信息化与智能化水平是应对威胁的重要手段^[4,5]。

目前在动物养殖疫病防控工作中,兽医在畜禽养殖舍内每日巡检为主要手段,然而巡检工作量巨大,工作环境恶劣,专业巡检员供不应求,存在交叉感染风险,常导致疾病动物诊断滞后,错过治疗窗口时间,带来群体感染等情况。为了避免养殖过程疾病造成损失,畜禽养殖场通常采取抗生素程序化用药等方法进行应对,由此导致抗生素的大剂量添加,会对环境、畜禽造成危害^[6]。随着信息技术的进步,畜禽疾病检测技术不断发展,出现了一批针对畜禽进行自动疾病诊疗的智能方法。如OKINDA等^[7]开发了一套机器视觉系统,可自动提取肉鸡的形态学特征与行走特征,基于特征信息构建了肉鸡健康状况预测算法。通过对肉鸡NDV攻毒后连续13 d的试验,证实该算法可以从第3天起对患病肉鸡进行诊断,该方法实现患病肉鸡的健康监测与早期预警。HUANG等^[8]提出了一种从鸡舍内嘈杂声音中自动提取鸡叫声音的方法,将梅尔倒谱系数作为特征,用支持向量机进行分类,可以实时检测到发生禽流感的病鸡,准确率在84%—90%之间。NASIRAHMADI等^[9]提出了一种通过图像获取猪只姿态特征的方法,并实现对猪的胸骨卧姿进行评分,该评分可作为猪只健康状态的重要指标,为猪只疾病的早期识别提供技术支撑。郑国生等^[10]通过对奶牛休息时间、反刍时间、采食时间进行监测,通过Logistics回归分析实现了奶牛健康状态评价,奶牛异常状态识别准确率达到了91%。

畜禽疫病智能诊疗通过信息化和人工智能技术手段采集动物的各类特征信息,通过构建智能分级评分模型或专家系统对动物疫病做出自动诊断。本文重点介绍通过体表形态特征、行为特征、声音特征、体温与排泄物等生理特征对疾病进行智能自动诊疗的信息化技术研究进展。

本文主要从畜禽形态与行为诊断、畜禽声音诊断、畜禽体温诊断和其他诊断等以下几个方面展开介绍,相关诊断技术内容及逻辑如图1所示。

图1

新窗口打开|下载原图ZIP|生成PPT
图1畜禽养殖智能传感诊断技术框图

Fig. 1Diagram of intelligent sensor diagnosis technology for livestock and poultry

1 畜禽形态与行为诊断技术

形态与行为特征是畜禽动物发生疾病最直观的外在表现,是动物健康状态评价的重要指标^[11],也是兽医对畜禽动物进行疾病诊断的重要依据。在无接触测量中,常用机器视觉与红外激光技术获取动物的图像或点云信息,进而对动物的体表形态异常进行识别与判断,一般流程如图2所示。

图2

新窗口打开|下载原图ZIP|生成PPT
图2基于动物形态与行为的疾病诊断基本流程

Fig. 2Basic process of disease diagnosis based on animal morphology and behavior



图2中,模式知识库是识别的核心,可以通过动物形态与行为特征对畜牧动物的健康状态进行定义与分类^[12]。图像（流）采集一般基于俯视或主视角度的2D图像传感器,有些研究结合深度相机、激光传感器、热像仪等设备同步采集动物图像中更多维度的信息,获取了更丰富的数据对动物健康状态进行评价。

1.1 畜禽外表形态诊断技术

患病动物个体常表现为身体结构变化、轮廓变化、关键部位形态（如鸡冠部、牛腿部等）变化。目前的研究多针对上述特征开展,通过建立模式知识库对动物健康状态进行分类、分级评价,继而实现动物疫病异常诊断。

1.1.1 基于可见光和深度图像的畜禽形态识别 ZHUANG^[13]等提出了一种基于姿势的家禽疾病检测算法。他采集了正对肉鸡的图像,使用K均值聚类和椭圆模型对图像进行分割,并自动提取肉鸡的骨骼姿态夹角、肉鸡轮廓凹凸度、轮廓伸长度、轮廓圆度、轮廓外接矩形伸长度、面积线性率、骨架拼接角等7个特征,然后使用POLY核函数的SVM模型对健康肉鸡和患病肉鸡做出自动分类,准确率为99.469%,该算法可以提供早期预警。ZHUANG^[14]的另一项研究中,以健康和生病肉鸡的羽毛质地（自然或蓬松）和常规姿势（站立或躺下）的不同为依据,设计了一种IFSSD深度神经网络模型对其进行分类,该方法实时识别鸡群中出现的病鸡,准确率达到90%以上。毕敏娜等^[15]提出了一种基于鸡头特征信息的病鸡识别方法。她从图像中定位到鸡冠鸡垂区域,利用鸡冠和鸡垂轮廓的几何关系来定位鸡头。在鸡头中,分别提取鸡眼瞳孔轮廓与鸡冠的H通道颜色特征构成共生矩阵,通过ARA特征选择算法获得病鸡特征向量,最后采用支持向量机进行病鸡训练分类,结果表明病鸡识别正确率为92.5%。李亚硕等^[16]通过鸡冠颜色特征,构建了一套机器视觉系统对病鸡进行识别,在识别后可以定位到病鸡的具体位置,病鸡的正确识别率为96%,误识别率为2%。AZZARO等^[17]从奶牛上方3米处采集俯视图像,并以奶牛的前肋骨,尾巴以及左右钩为基本点进行形状参考与坐标定位,自动提取了23个关键解剖学节点,通过节点位置数据进行建模与计算,最终得出奶牛的五分制身体状况评分（BCS）,身体状态评分可以作为奶牛健康状态评价与疾病诊断的重要指标。SPOLIANSKY等^[18]利用3D Kinect相机开发了另一种奶牛的五分制体况评分（BCS）系统,他没有通过定位关键点,而是直接采集奶牛11个高度特征信息、1个水平距离特征,结合牛体重和年龄,赋予每个信息相应权重,实现BCS自动计算,BCS误差0.5分以内的准确率为100%,1.0分以内准确率为91%。进而依据该评分可以实现奶牛脂肪肝、酮病、乳腺炎、跛行和不育等不良状态的预警。BL?MKE等^[19]通过机器视觉技术的一种自动化系统,在屠宰场中通过2D相机拍摄猪体,并通过模型算法识别生猪耳部和尾部病变,耳部病变识别率为77.0%、特异性为96.5%;准确度为95.4%;尾部病变识别率为77.8%;特异性为99.7%;准确性为99.5%。这种方法为养殖过程中的猪只健康监测提供了新的思路。滕光辉等^[20]基于Kinect传感器实用三维重构技术获取了母猪的臀部高宽比、臀股面积及曲率半径,最终以曲率半径为依据建立了母猪体况估测模型,准确率达到91.7%,体况体重评价结果可以反映母猪的健康与发育状态。

基于动物形态特征对疾病进行自动诊断的研究中通常以动物关键形态参数、骨骼角度参数、轮廓几何特征,能直观地检测到畜禽身体形态异常状态,对动物疾病做出诊断。但此类方法对图像采集位置的要求较高,容易受到拍摄角度、干扰物以及动物不同姿态的影响,导致目标区域分割困难、动物跟踪和监测障碍,算法复用性、抗干扰性不强,产生对感兴趣区域的定位和分类误差。近年来出现的深度卷积网络模型可以较好地克服环境、姿态和角度的影响,目前的相关研究中发现,深度卷积网络对目标识别、分割、分类等问题取得了较好的效果,如高云等^[21]在深度卷积神经网络的基础上建立了Pig Net网络,用于对群猪图像尤其是对粘连猪体进行实例分割, 实现独立猪体的分辨和定位,进而为动物疾病的分类与诊断提供技术基础,Pig Net网络模型分割准确率超过86%,单幅图像处理速度约2秒,可以满足应用需要。薛月菊等^[22]将FasterR-CNN用于哺乳期母猪高危动作监测的猪体定位过程中,同样较好地克服了光线变化、猪体形态不同、仔猪粘连的问题。邓寒冰等^[23]将深度神经网络应用于肉牛形体部位识别,也取得了94%的准确率。但此类方法对动物形态的图像数据量以及标签精度有较高要求,这是制约深度卷积网络在畜禽动物疾病诊断中应用的主要瓶颈,该问题可以通过迁移学习等方法应对,也可以通过加强数据复用性来解决,这是未来研究需要突破的方向之一。

1.1.2 基于红外热成像的畜禽异常识别 红外热成像摄像机可以识别具有远红外范围的热辐射,并将产生的输出为热谱图,热谱图在动物身体分割、定位、疾病检测方面较普通图像有较大优势^[24,25],尤其在动物体表寄生虫识别、动物局部组织病变识别等方面。CORTIVO等^[26]基于寄生虫与牛体温度的差异,通过采集牛体表背部、脸部、阴囊部的红外图像,自动计算牛体上的蜱虫、苍蝇、果蝇数目,图像计算结果与目视结果相关性达到0.9以上。乳房炎是奶牛最值得关注的健康问题之一^[27,28],热红外技术对此类疾病检测也有应用,SATHIYABARATHI等^[29]分别从母牛乳房侧面、眼睛表面采集红外热像图,识别特定位置的红外热像信息,并通过两个位置平均特征温度早期诊断奶牛的临床乳腺炎,诊断灵敏度和特异性均达到95%以上。STOKES等^[30]采集了奶牛蹄部的红外图像,通过识别冠状动脉温度的分布情况来实现针对奶牛皮肤炎的（DD）筛查,通过阈值设置与定位,实验发现自然状态下阳性识别率为55%—80%,但经过清洁之后的识别准确率可以达到91%。MARTINS等^[31]尝试在绵羊乳腺炎诊断中运用红外图像技术,利用代谢变化与局部温度的变化关系,将乳腺炎状态不同的绵羊进行三级分类（健康,亚疾病和疾病）,准确率为73%。AMEZCUA^[32]使用红外热像仪检测母猪下肢的炎症,检测腿部各骨骼的温度,以识别母猪不同程度的跛行。ZHANG等^[33]基于YOLOv3提出了一种从热红外图中自动定位奶牛的眼睛和乳房的方法,平均准确率为83%,进而自动测定奶牛眼睛和乳房的温度,实现奶牛乳腺炎的自动识别。

使用红外图像对畜禽动物外型、外表的识别研究中,容易克服背景环境对采集对象的干扰,并识别到敏感区域综合特征,可用于动物关节炎症、发育异常、体表寄生虫等疾病的识别,有较好的疾病诊断准确率。但当动物发生重叠,或有视野内出现其他高温物体（如电灯、加温器）时,对识别结果有较大干扰,对于此类问题,可研究可见光与红外热成像融合算法,充分利用红外热成像的面域温度值特性和可见光的特征提取的优势,生成融合图像分析处理,提高畜禽养殖疾病诊断的检测能力。

1.2 畜禽行为特征诊断技术

因动物姿态、动作难以限定,基于静态形态特征的识别在应用中局限性较大,而通过动态行为对动物进行疾病自动诊疗的方法可以较好地克服这个问题。动物行为一般包括其采食、饮水、排泄、躺卧、站立等基础生理行为,以及步态、反射、交互、咬尾等高级社交行为^[34],这些行为可以有效地反映动物福利水平与精神状态^[35],是动物疾病诊断的重要依据。

动物行为是判断动物生长状态、精神状态、健康水平的重要表征,一般通过在适当位置部署图像传感器对动物群体或个体进行连续监控,从而获取其行为特征,进而对动物疾病做出预警或识别。

1.2.1 基础生理行为异常识别 采食、饮水、呼吸、排泄、躺卧、站立等动物基础生理行为是动物健康状态的最直观反映,被很多****用来作为动物疾病与异常的诊断标准^[36]。MADSEN等^[37]通过对幼猪的水消耗量进行不间断监测,进而提出了一种使用状态空间模型对幼猪健康状态进行评价的方法,试验表明这种方法可以在发病前1天提前检测到幼猪腹泻等疾病的暴发。CORNOU等^[38]发明了一种母猪自动喂食器,基于自动喂食器可以直接获取母猪的采食量数据,通过单变量动态线性模型建模的个体采食量标准对母猪的健康异常状态与疾病进行预警和监控,疾病预警灵敏度为41%至70%。AYDIN^[39]使用Kinect深度相机从俯视角度采集肉鸡的3D图像,并对肉鸡的躺卧与站立状态进行识别,并检测躺卧状态出现的次数（NOL）,统计肉鸡躺卧状态的持续时间（LTL）,试验证明3D视觉相机系统与人工标记结果对比得知分类准确率达到93%,最终根据肉鸡躺卧时间与健康状态的负相关性,提出了一种间接评价肉鸡腿部健康状态的方法。朱伟兴等^[40]设计了一种病猪行为自动监测系统,在群养状态下对猪群的排泄区域进行不间断监控,采用改进的运动目标检测算法和基于像素块对称特征的图像识别算法定位具有异常行为的疑似病猪,病猪检测正确率为78.38%。母牛躺卧动作可以作为疾病诊断的反映之一,PORTO等^[41]设计了一种基于计算机视觉的自动检测牛舍中奶牛躺卧行为的系统,该系统检测母牛躺卧行为的灵敏度高达92%。温长吉等^[42]提出了一种基于共轭梯度追踪算法的稀疏超完备词典学习算法,用于奶牛跛足行为的早期识别,通过实际视频数据测试,识别准确率为92%—93%,平均响应时间为0.043s,取得了较好的效果。WU等^[43]提出了基于Deeplab V3 算法的奶牛目标分割方法,通过基于相位的视频放大算法放大微弱的呼吸运动,进而将相关特征用于呼吸频率检测的平均光流方向,最终实现基于Lucas-Kanade光流算法的奶牛呼吸频率检测,平均准确度为93.04%,通过呼吸频率的变化可以有效识别奶牛健康的异常。英国布里斯托大学WEEKS等^[44]针对肉鸡的饮食行为与姿态进行了深入探究,他指出健康肉鸡与跛行肉鸡的饮食行为体现出较大的差异,健康肉鸡通常在站立情况下采食,而跛行肉鸡超过一半采食是在卧倒状态下完成的。并且健康肉鸡与跛行肉鸡的采食次数也出现了较大的差异。最终他提出肉鸡的腿部健康程度与肉鸡躺卧的持续时间之间存在极显著（P<0.001）的关系,该关系可用于肉鸡的疾病早期诊断。LAO等^[45]开发了一种算法来自动处理和分析母猪的3D深度图像,从深度图像中自动识别母猪行为（躺、坐、站、跪、进食、喝水和移位）,各行为分类平均准确率为95%左右,通过各行为分布可为猪只疾病爆发、生活环境胁迫等情况做出预警。宋怀波等^[46]基于视频分析与目标跟踪技术开发了一种多目标奶牛反刍行为监测方法,该方法跟踪奶牛的平均误差22—28像素,基于此可以实现全天候监控奶牛反刍行为,进而反映奶牛健康状态。YANG等^[47]利用Faster R-CNN深度学习模型,开发了一种基于视频监控的猪只采食行为识别方法,该方法可以从猪只的所有活动行为中实时识别猪只的摄食行为,准确率达到99.6%,召回率为86.93%,该方法可以从侧面反映猪只的健康状态。陶源栋等^[48]用Kinect监测梅山猪的呼吸,通过DBSCAN密度聚类算法定位猪腹部区域,获得腹部深度值的变化曲线,通过离散傅里叶变换得到深度值-时间拟合曲线,利用极点值出现的时间计算母猪呼吸频次,准确率为85.3%,进而对猪只出现的健康问题进行预警和判断。TSAI等^[49]通过TinyYOLOv3深层神经网络搭建了一种奶牛头部的检测算法,根据牛头的位置跟踪实现奶牛喝水行为与饮水量的监测,最终实现奶牛的热应激等异常健康状态的自动检测,检测精度为98.7%。

此类方法通常基于自动获取的动物活动规律、行为规律对疾病进行判断,因患病动物的行为习惯统计特征差异显著,所以此类算法在理想条件下灵敏度与特异性普遍较高。方法难点在于长时间对动物的准确定位与跟踪,并计算其行为轨迹与特点。此外,基于动物活动规律、行为的统计需要实时处理视频流,算法效率也是制约条件之一。

1.2.2 运动与交互高级行为异常识别 除了动物的基本生理行为之外,步态行为、互动行为、群体聚集行为等也可以有效反映动物精神状态和健康状况^[50]。这些行为往往可以实现在更早时候,对动物可能出现的疾病进行预警。康熙等^[51]提出了一种基于机器视觉技术的奶牛跛行检测系统,它通过时空插值算法,实现奶牛牛蹄定位,通过定位牛蹄轨迹检测跛行,奶牛跛行检测准确率为93.3%,跛行分类准确率为77.8%。英国牛津大学动物学系****DAWKINS等^[52]针对24只肉鸡的小群体进行视频监控,使用“视频光流法”研究肉鸡群体运动产生的流动模式,通过光流峰值对鸡群活动轨迹进行分析,并将肉鸡鸡群的活动量与肉鸡的腿部健康情况做了拟合关联模型,提出均匀的光流状态下,肉鸡死亡率低的结论。沈明霞等^[53]针对肉鸡个体,提取其运动速度、步幅、步幅差等变量,同时构建了一种肉鸡步态评级方法,实现肉鸡腿部疾病的早期预警与识别,识别准确率达到78%。JABBAR等^[54]通过3D视频系统,提取奶牛行走过程中的脊柱和钩骨特征,基于此对奶牛的早期跛行进行二分类识别,识别准确率达到95.7%。KASHIHA等^[55]开发了一种基于椭圆拟合算法的猪只跟踪算法,并通过ImLS参数确定猪只属于静止状态或移动状态。他通过俯视摄像头采集猪栏内猪群的运动视频,结合手动贴标,实现了自动识别每只猪的运动量,从而有效地将运动能力差的猪只进行区分与识别。朱家骥等^[56]研发了一种基于星状骨架模型的猪步态分析模型,通过提取猪只关键轮廓点的运动过滤,通过频谱分析,计算出猪的前肢步态频率,进而实现猪只的步态评价,为猪只疾病诊断提供支持。XIAO等^[57]用双目视觉实现了对笼养鸡的健康状态进行监控,他通过2D分割与3D重建提取了鸡的身体和头部轮廓,检测速度可以达到25 fps,身体分割精度为91.2%—94.6%,之后在3D空间中,他计算鸡饮食行为中体现的头部运动速度、身体运动速度等,通过这些参数可以有效发现患病鸡以及有死亡风险的鸡。CHEN等^[58]使用RealSense深度相机自动检测猪只的攻击行为,并评价猪只的侵略性,其方法检测准确率、灵敏度、特异性、精确度均在96%以上,因猪只侵略会导致皮肤外伤、感染、甚至致命伤害,所以攻击行为频率可以作为猪只健康、福利的重要评价指标。高云等^[59]提出了使用3DCONV的群养猪侵略性行为识别算法-3DConvNet,将深度学习模型用于群养猪撕咬、撞击、追逐、踩踏4大类,咬耳、咬尾、咬身、头撞头、头撞身、追逐以及踩踏7小类侵略性行为进行分类,进而对猪只受伤进行预警,分类准确度为95.70%,单帧图像处理时间为0.5 s。

除了图像方法之外,也有****通过其他传感器对动物行为进行监测,进而诊断动物可能出现的疾病。如ESCALANTE等^[60]通过加速度传感器采集的母猪运动数据,对母猪的行走、站立等行为进行自动分类,进而分析母猪健康状态。SHEN等^[61]通过奶牛鼻带上压力传感器测量奶牛咀嚼中的压力值变化规律,进而对其反刍行为进行测量与评价。但此类设备属于侵入式,容易引起动物应激,且存在设备续航低、干扰重等问题。

高级行为是动物福利状况的主要体现之一,基于高级行为的动物疾病诊断可提供参考性建议,是动物健康状态的判据,可用于少量高品质畜牧动物的生产监控,但一般不作为疾病诊断的主要依据。

一般针对动物体表形态、行为的研究是通过机器视觉技术完成的,现有技术常针对可见光图像、深度图像、红外热成像图像进行研究。可见光图像的采集成本最低、相关技术丰富、研究时间最长,随着近年来深度神经网络的发展,分割、识别、定位取得了越来越好的效果,可广泛用于检测动物的局部特征（蹄部、头部等）与常规行为（躺卧、进食、饮水、运动、侵略性行为等）,进而为动物疾病诊断提供支撑^[62,63]。深度图像在可见光图像中添加了距离传感器,可以获取3D图像信息,3D图像可通过Kinect、RealSense等设备进行采集,深度图像可以在动物形态测量、体型评价发挥更好的作用,也有助于提升图像分割准确率,但深度图像受光线影响严重,尤其是自然光对测量的影响较大。红外热成像图像在动物与背景分割方面具有良好的效果,可通过动物各部位的温度差异对图像进行较为理想的分割与定位,此外红外图像对动物各部位炎症的识别有很好的效果。技术对比如表1所示。

Table 1
表1
表1疾病识别中动物外型、行为采集技术对比
Table 1Comparison of animal appearance and behavior collection technology

图像类别 Image category	可见光图像 Visible image	深度图像 Depth image	红外热成像图像 Infrared image
所占空间 Space occupied	较小 Small	较大 Big	一般 Common
处理速度 Processing speed	较快 Fast	较慢 Slow	一般 Common
主要优势 Main advantages	提取形状形态 Shape extraction	提取三维尺寸 3D dimensions	动物区域定位/测温 Temperature measure
设备成本 Equipment cost	较低 Low	一般 Common	较高 High
安装难度 Installation difficulty	较小 Easy	较大 Difficult	一般 Common
主要影响 Main impact	背景与遮挡 Background	阳光直射/墙角反射 Reflection	距离与环境温度 Ambient temperature
相机种类 Camera type	CCD/CMOS CCD/CMOS	TOF/结构光/双目 TOF/ SL/binocular	制冷型/非制冷型 Refrigerated/uncooled

新窗口打开|下载CSV

2 畜禽声音诊断技术

动物发出的声音是其情绪、健康情况判别的重要依据,因此音频技术可用于动物的疾病预警、行为检测、饮食检测、情绪识别等方面^[64,65]。在实际研究与应用中,通常在动物养殖区域的特定位置安放拾音器,实时采集舍内声音,对声音进行背景去噪与滤波等预处理,随后对声音进行断点检测与分帧加窗,提取声音信号的能量密度频谱特征,通过数学模型对动物发出各类特异声音进行自动分类与识别,最终依据特异声音出现的频率、密度、响度、持续时长等参数对动物健康状态或环境适应状态进行判断,一般流程如图3所示。

图3

新窗口打开|下载原图ZIP|生成PPT
图3基于声音的动物疾病诊断一般流程

Fig. 3General procedure for sound-based animal disease diagnosis



针对声音异常的动物疾病诊断研究一般分为两个方面,第一类是通过提取动物正常生理活动发出的声音,从而反映动物的生理规律,从生理规律发掘动物疾病诊断的方法,如杨稷等^[66]通过采集肉鸡在喂食器中啄食的声音,计算肉鸡啄食次数,进而分析肉鸡的实时采食量,通过采食量判别肉鸡的健康状态;另一类是提取动物发出的病理或异常声音,从而对可能出现的疾病进行预警或识别,如徐亚妮等^[67]针对母猪生产环境研制了一种滤除高频噪音与环境,并自动识别母猪咳嗽声的方法,为母猪呼吸系统疾病的早期诊断提供了判断依据。

2.1 生理声音识别

正常生理声音通常包括采食声、饮水声、啃咬声、打斗声、鸣叫声等,这些声音可以作为动物生理状态判别的信号,间接作为动物疾病诊断的依据。SHENG等^[68]通过拾音器采集了绵羊的采食音频,基于高斯核的支持向量机在采食音频中将咀嚼的声音片段进行分割与提取,从每个咀嚼声片段中提取7个特征变量用于建立饲料量消耗判断模型,最终采用最小二乘回归和弹性网络方法分别确定基于单变量和多变量的饲草摄入量估计模型的系数,模型最佳准确度为89.32%,饲料摄入量的识别精度为80.84%,该结果对绵羊健康失衡的识别、饲养方案建议有一定参考意义。DENIZ等^[69]开发了一套嵌入式系统通过可穿戴集成在牛身上,用于实时采集牧牛发出的声音信号,并将啃咬声音、咀嚼声音进行分类识别,可实现针对牛觅食状态的监控,进而判断其健康状况,分类准确率约为78%。闫丽等^[70]针对哺乳期母猪开发了一种基于偏度聚类的声音提取与分类方法,通过声音最大功率比的差异,将母猪声音自动分为哺乳声、无食咀嚼声、采食声、饮水声等四类,准确率达到95.17%以上,基于此结果实现对母猪行为状态的自动监测,有助于母猪健康状态判定、母猪母性行为识别的自动实现。余礼根等^[71]采集了栖架模式下养殖的蛋鸡叫声,通过决策树模型将蛋鸡产蛋叫声、愉悦叫声、尖叫声、争斗声进行分类识别,平均识别准确率为88.3%,此结果可为畜禽健康状态判定、生产预警提供理论依据。

2.2 病理异常声音识别

病理声音包括动物的咳嗽声、喷嚏声、异常呼噜声、应激鸣叫声等,这些声音可以作为动物健康或状态异常直接依据。EXADAKTYLOS等^[72]提出了一种针对生病猪咳嗽声音的监测方法。为了最大可能地排除误诊情况,他采集了病猪的咳嗽声、柠檬酸诱发健康猪只的偶发咳嗽声、猪只的正常叫声,并通过平均欧式距离进行分类识别,结果表明病猪咳嗽的监测准确率为82.2%,该算法可以减少养殖员的劳动,并加快病猪疾病诊断的速度。韩磊磊等^[73]以改进梅尔频率倒谱系数、短时能量和短时过零率组成的复合特征参数为依据,通过决策树支持向量机对生猪的喷嚏声、咳嗽声、饥饿声等异常声音进行分类,平均识别率为94.4%。宣传忠等^[74]针对圈养羊只呼吸道疾病初期的监测与识别,以杜泊羊为例设计了羊咳嗽信号的自动采集与识别系统,他通过梅尔倒谱系数,基于BP神经网络改善的隐马尔可夫模型（HMM）,针对羊只咳嗽声音的总体识别准确率达到92.04%。HUANG等^[75]针对禽流感监测设计了一种基于声音的诊断方法。他对鸡进行禽流感攻毒试验,并以核酸检测为标准,获取了禽流感病鸡与健康鸡的声音。随后对声音信号进行自适应端点检测、分帧加窗后,提取鸡声音的梅尔倒谱系数,通过不同核函数的SVM对病鸡进行分类识别,最优结果准确率为88.125%,而且在病鸡感染后的22 h内识别确诊率便可超过80%,可实现禽流感的早期诊断。

声音信号对动物疾病的判断和分析比较直观,且成本相对较低,应用前景广阔。尤其在夜间,布设在大型畜牧养殖场内的拾音器可以较好地识别动物发出的异常声音,从而有效解放人工劳动力,提高动物养殖福利、降低因动物疾病导致的养殖损失。目前基于声音对动物疾病进行识别的主要难点有两个,第一是去噪,动物养殖环境中,风机转动、饲料机运作等均会产生较大环境噪声,这部分声音在滤波过程中会影响处理结果,在今后的研究中,需要优化拾音器部署方式,并选用鲁棒性更强的滤波算法;第二是声音特征的分类,动物叫声不同于人类语言,其蕴含特征信息少、丰富度差,对识别和分类造成了一定困难。针对动物疾病声音诊断研究中常用特征参数如表2所示。

Table 2
表2
表2动物疾病识别中常用音频特征参数
Table 2Common audio feature parameters in animal disease recognition

特征参数 Parameters	简称 Abbreviation	特征优势 Advantage	适用范围 Applicability
线性预测倒谱系数 Linear prediction cepstrum coefficient	LPCC	浊音判断准确 Accurate judgment of voiced sounds	病态呼噜声等识别 Sick snoring recognition
梅尔频率倒谱系数 Mel frequency cepstrum coefficient	MFCC	辅音判断准确 Accurate judgment of consonants	病态咳嗽声等识别 Sick cough sound recognition
功率谱密度系数 Power spectral density coefficient	PSD	瞬态判断、音频计数 Transient judgment, audio counting	呼吸频率/进食量监测 Respiratory rate/food intake monitoring

新窗口打开|下载CSV

3 畜禽体温诊断技术

体温异常是疾病最显著的表达窗口,通过对动物体温的监控,可以有效发现健康状态异常的动物,直接给予疾病判断。通常认为体温信息对动物疾病的诊断和治疗非常有帮助,有助于早期发现患病动物,确定疾病严重程度等。常用的针对动物体温自动测量的技术手段有两大类,第一是通过集成的可穿戴或植入设备进行动物体温监测,这种方法测量精准、不受干扰^[76];第二是通过红外温度检测技术或热成像技术对动物体温进行远程测量,这种非接触的方法便于部署、使用方便^[77]。一般动物体温测量流程如图4所示。

图4

新窗口打开|下载原图ZIP|生成PPT
图4动物体温自动测量技术一般流程

Fig. 4General process of automatic measurement of animal body temperature

3.1 穿戴式、植入式测温

穿戴式设备一般通过绑带、粘胶等方法将温度传感器或电极贴片固定于动物身体某个部位实现温度测量;植入式设备是将胶囊式微缩传感器植于动物皮下或体内,以实现针对动物体温的不间断监测。就测量精度而言,植入式传感器精度高于穿戴式传感器,而设备固定难度与此相反。张国锋等^[78]设计了通过植入式RFID温度芯片测量猪只体温的系统,得出植入猪表皮以下0.5—1.0 cm处时可有效获取猪体温度的结论。屈东东等^[79]将DS18B20型温度传感器置于奶牛耳道内,采集其耳道边沿温度,在30—50℃范围内测量精度可达到±0.2℃,基于此设备设计了群养奶牛体温监控系统,通过奶牛体温变化情况对奶牛可能出现的疾病进行诊断和预警。何东健等^[80]将测温传感器封装于3D打印的高密度乙烯外壳内,之后将该圆柱形节点植入奶牛阴道测量其温度,通过阴道温度反演得到奶牛标准直肠体温,以实现对奶牛健康状况的监测,传感器测量精度可达到±0.05℃。HENTZEN等^[81]将胶囊式测温传感器植入生猪皮下进行不间断温度测量,并将结果通过无线电磁波发送至接收器,测量结果和直肠温度标准体温基本一致,可以获得与直肠温度传统测量相近的精确度。李赞^[82]设计了一种柔性贴片式温度传感器,并将其固定于后备猪的后腿内侧,通过皮下温度反演得到猪的标准直肠温度,进而通过母猪体温变化趋势对母猪发情、异常等状态进行检测。蔡勇^[83]利用射频技术和接触温度感测技术开发了一种自动获取母牛体表温度的系统,实现了对母牛体表温度的24h自动监测。通过统计分析和数据均衡,拟合出牛体表温度的修正公式,得到了牛体表温度的日变化。胡肄农^[84]设计了一种方法,将数字无线温度传感节点佩戴于生猪耳后颈动脉流经的皮肤上进行温度测量。为了降低环境影响,他在温度传感节点设计了接触层、导热层、绝热层,并在每层内部署一个温度传感器,通过3个测量值校准得到最终的测量值,并通过猪体表温度测量值反演计算得到猪只核心体温,实现猪只体温的不间断准确测量。

通过穿戴式、植入式传感器测量动物体温一般可以取得较高的准确度,受到环境影响比较小,但是由于动物应激反应可能导致传感器的位移,进而影响测量精度,同时设备续航问题也是影响其应用的主要原因之一。

3.2 红外热成像非接触测温

用红外热成像图像非接触测量动物体温,对动物没有侵害性,且使用红外热像仪测量温度可以减少劳力消耗,简化操作过程,减轻动物应激压力,因此成为近年来的研究热点。基于红外热成像图像的动物温度测量,一般先选择动物的某区域作为热窗,通过热窗的温度反演其体温,常用热窗一般有头部、耳后部、胸部等。SALLES^[85]等通过热像仪收集不同身体部位的图像来测量体表温度,得出热成像前额温度与直肠温度的相关性最高的结论。他还指出牛前额和左右两侧的温度与环境温度和湿度密切相关,可用于将来识别牛环境胁迫的不良状态。SIEWERT等^[86]通过红外热像仪测量了猪头的温度,并通过不同热窗区域检测了猪的早期发烧。该方法在试验中的特异性约为85%,灵敏度为86%。IYASERE等^[87]为了研究肉鸡核心体温（CBT）的测量方法与变化规律,同时使用植入的微芯片和红外测温仪的方法对肉鸡各部分温度进行测量,得出肉鸡的翅下温度与核心体温关联度最大（R= 0.71,P<0.05）的结论。沈明霞等^[88]基于红外热成像技术,通过深度卷积神经网络提取肉鸡头部、腿部区域,并计算其热窗温度值,再结合环境温度、湿度、光照强度等参数,基于多元线性回归提出了一种白羽肉鸡的体温自动检测方法,体温检测模型平均相对误差分别为0.29%—0.33%。

热红外用于动物体温测量时,设备部署方便、非接触测量不会引起动物应激反应与损伤,但是该方法受到环境温度和测量距离影响比较严重,测温精度不高,需要研究相关的线性校正算法。

穿戴式、植入式测温传感器与红外热像仪对动物体温测量都有较多的研究与应用,技术对比如表3所示。

Table 3
表3
表3疾病识别中动物体温采集技术对比
Table 3Comparison of temperature collection technology in disease identification

采集方法 Collection method	植入或穿戴设备 Implanted device	红外设备 Infrared device
温度精确程度 Temperature accuracy	较高 High	较低 Low
针对动物群体 Targeting animal groups	大型、个体 Large, individual	大型、小型、个体、群体 Large, small, individual, group
主要测量干扰 Main measurement interference	设备移位、动物应激 Equipment shift, animal stress	目标定位、环境温度/距离 Target setting, ambient temperature/distance
部署难度 Deployment difficulty	较大 Difficult	较低 Easy
测温区域 Measurement area	较小、不可移动 Small, unmovable	较大、可移动 Large, movable
设备续航 Equipment battery life	较短 Short	较长 Long

新窗口打开|下载CSV

4 畜禽其他诊断技术

除了动物外表、行为、声音、体温等重要参数之外,还有一部分研究通过动物的其他生理体征作为疾病信息化诊断的依据,如味道、心率、呼吸频率等生物体征。ELLIS等^[89]为了诊断牛分枝杆菌引起的牛结核病,研制了一种电子鼻设备。他收集了患病牛和健康牛的呼吸样品,通过气相色谱-质谱仪分析,通过主成分分析和线性判别算法分析色谱数据,为健康牛和疾病牛的分类提供了概念证明。类似地,SANDERINK等^[90]通过电子鼻对奶牛进行呼吸采样,检测样本中特异气体成分的含量与浓度,进而对奶牛的异常状态进行识别,经过初步实验证明,基于电子鼻的诊断方法可以达到甚至超过大多数基于视觉检查和步行活动的现有方法。张宏等^[91]基于心电传感器BMD101及无线射频模块CC2430开发了一种穿戴式猪用心电监测系统,对猪心率的连续无线监测,并通过猪健康心率的阈值进行对比,实现猪健康状态异常的自动识别与诊断。逯玉兰等^[92]基于猪只呼吸对无线网络通信信道射频信号的影响,通过对猪栏内Wi-Fi信号的检测,实现猪只呼吸频率的监测,与人工测定相比,误差为1.398%。贾桂锋等^[93]通过经验模态分解方法,研究了一种能量窗变换法,用于校正猪用心率检测器信号的非平稳性,取得了较好的效果。AHMED等^[94]使用视频记录了猪只的排泄行为特征,进而通过数学模型自动识别出了实验中感染沙门氏菌的生猪个体。此外有部分研究使用穿戴式电容式传感器^[95]或加速度传感器^[96]监测胸部压力变化,从而得到呼吸频率、血压信息等,如穿戴式连续血压监测系统^[97]、睡眠呼吸暂停监测系统^[98]、基于光电容积脉搏波的呼吸监测系统^[99]、基于脉搏波的连续血压监测方法^[100]等,但这部分研究对于动物的应用尚属于起步阶段。

这些新兴技术作为传统图像、声音信息的补充,通过电子鼻、通讯射频信号、三轴加速度传感器、电容穿戴式传感器等设备对畜禽疾病进行检测。这些方法初步取得了一定的效果,然而此类方法检测算法不稳定、设备续航差、测量条件要求高,目前难以将其独立作为畜禽疾病的诊断依据,但可以作为辅助手段为畜禽疾病诊断提供更多可能性,可以从更多维度获取动物健康状态的评价依据,使疾病自动识别准确率进一步提高。

5 讨论

5.1 畜禽疾病诊断信息化自动诊断方法

畜禽疾病主要依据动物的形态特征、动作特征、位置特征（运动量、饮水量、采食量等）、声音特征、呼吸特征、体温特征等进行判断,特征采集主要通过机器视觉方法、音频处理技术、穿戴式传感器等方法实现。以疾病诊断所需的主流特征为例,整理和汇总了特征采集与诊断技术发展现状（表4）。

Table 4
表4
表4疾病自动诊疗主流代表方法
Table 4Mainstream representative methods of automatic disease diagnosis

诊断依据 Diagnostic basis	技术手段 Technical means	主要用途 The main purpose	识别精度 identification accuracy	代表文献 The literature
形态特征 Morphological characteristics	SVM分类 SVM classification 深度学习分类 Deep learning classify	疾病诊病/敏感特征提取 Disease diagnosis/ feature extraction	97.5% -97.8% 91.7%	[7] [20]
动作姿态 Action & posture	三轴加速传感器 Acceleration sensor SVM分类 SVM classification 视频特征识别 Video feature recognition 深度学习分类 Deep learning classify	动物姿态与健康状态评价 Posture and health evaluation	80% 94% 90% 99%	[60] [9] [22][46] [47]
位置特征 Location feature	视频光流法 Video optical flow UWB定位模块法 Positioning module 深度学习目标检测 Deep learning Target Detection	运动量检测、采食量、饮水量估计等 Exercise detection, estimated feed intake and water consumption	较低 Lower 最高 Highest 较高 Higher	[52] [101] [49][50]
声音特征 Voice characteristics	发声图谱分析 Voice atlas analysis 偏度聚类分析 Skewness cluster analysis	疾病诊断及应激评价 Disease diagnosis & stress evaluation	88% 95%	[71][75] [70]
呼吸特征 Respiratory characteristics	稀疏光流法 Sparse optical flow WIFI感知法 WIFI perception method 深度图像分析 Depth image analysis 穿戴式传感器 Wearable sensor	代谢评价及舒适度评价 Metabolic & Comfort evaluation	98.58% 约98% 85.3% —	[63] [92] [48] [96]
体温特征 Body temperature	植入传感器 Implanted sensor 红外测温法 Infrared Thermometry	疾病诊断及应激评价 Disease diagnosis & stress evaluation	±0.05℃ ±1.5℃	[80][87] [86][88]

新窗口打开|下载CSV

相关算法已经针对猪、牛、鸡等畜禽展开了相关的应用,如通过RBF-SVM基于图像提取的鸡体表轮廓凹凸率、偏心率实现生病鸡的识别^[7],通过Kinect采集的深度图像实现母猪体况自动评分^[20],使用三轴加速度采集猪运动信息,通过分类树实现猪姿态识别与健康判别^[58],通过Faster R-CNN模型实现猪进食动作的识别、牛反刍行为识别等^[45,46],通过UWB定位母猪运动轨迹^[105],YOLOv3模型识别动物饮水行为^[49],基于发声图谱实现蛋鸡异常声音与猪咳嗽声的监测^[69,73],通过Lucas-Kanade光流法、WIFI载波曲线、点云聚类方法监测牛呼吸频率^[47,61,90],通过PT100植入传感器监测奶牛体温^[78],通过热红外图像监测猪头部温度^[84]等。

5.2 当前畜禽养殖智能诊断存在问题

目前畜禽动物疫病检测设备与方法通常基于动物外型与形态特征、动物行为与动作特征、动物鸣叫与声音特征、动物体温特征、动物排泄物特征、心率特征等实现疾病的自动诊疗（表5）。

Table 5
表5
表5疾病自动诊疗依据特征表
Table 5Characteristics for automatic diagnosis and treatment of diseases

动物特征 Features	主要方法 Method	成熟程度 Maturity	存在问题 Problems	改进措施 Improvement measures
外型与形态 Shape and pattern	机器视觉（可见光、深度、红外） Machine vision(visible light\depth\infrared)	较高 High	视野容易受限 Easy to view limited	优化图像传感器部署方式,研究相关校正算法 Optimize correlation correction algorithm
行为与动作 Behavior and action	机器视觉、加速度传感器 Machine vision, Acceleration sensor	高 High	个体跟踪困难 Individual tracking difficult	引入深层卷积网络模型,扩大训练数据集 Use deep convolutional network and expand the training data set
鸣叫与声音 Chirps and sounds	音频处理 Audio processing	较高 High	噪音滤除 问题 Noise problem	优化拾音器部署方案,综合分析多种声音特征 Analyze multiple sound features comprehensively
体温与健康 Body temperature and health	红外热成像,植入/捆绑传感器 Infrared thermal imaging, Implant sensor	一般 Common	易造成环境与动物应激 Environmental animal stress	研究嵌入式设备,可见光与红外融合目标定位 Embedded equipment, visible light and infrared fusion target location
心率与血压 Heart rate and blood pressure	红外热成像,植入/捆绑传感器 Infrared thermal imaging, Implant sensor	较低 Low	精度与稳定性不高 Low accuracy and stability	优化算法提升植入设备精度与设备续航能力 Optimization algorithm precision and endurance of the implanted device
排泄物 Waste	电子鼻、机器视觉 Electronic nose, machine vision	低 Low	识别精低 Low identification accuracy	问题具体化,多源数据融合分析 Multi-source data fusion analysis

新窗口打开|下载CSV

目前的自动诊疗手段可以基本实现针对动物疾病的初步识别与判断,但仍然存在以下共性问题：（1）特征数据采集困难,大多数研究都是在实验室环境下的标准结构中进行的,而在实地运用中,常因为复杂的现场环境、动物的运动和移动影响测量设备的运行、对数据结果有较大影响,导致落地应用与成果落地进程缓慢;（2）目前的研究分散,没有统一标准,导致动物各类特征的结构化数据极其匮乏,数据复用性差,导致各类数据挖掘、深度分析模型无法发挥应用作用。目前的研究大多是通过预先设定的固有逻辑进行判断,导致目前的疾病自动识别模式适应性差、鲁棒性低、精确度差,进而导致技术推广难、应用面窄、智能程度低;（3）大多数疾病诊疗模型均通过单一特征进行识别,而各方法之间集成度差、协议不统一、诊断标准特异,形成“技术孤岛”,很少出现多种特征耦合诊断动物疾病的方法,制约了自动诊疗技术的发展,难以达到人工兽医的诊疗水平。（4）信息化技术设备成本高昂,安装维护不方便,部分设备会对动物产生应激影响,对设备与系统的部署与应用造成较大障碍。

5.3 未来发展趋势与展望

基于上述问题,基于表征信息的畜禽疫病与异常状态智能自动诊断技术发展趋势可以概括为：（1）提高诊断方法的实用性,通过更改设备部署、数据采集方案,算法层面降低对数据特异性的要求,以适应目前的实际生产需求,为大量动物特征数据的获取提供基础;（2）建立动物特征数据的统一结构化标准,加大数据采集量,收集多地域、多种类型、多种环境下大量动物特征数据,基于大数据对疾病诊疗模型做出优化、调整,将“算法驱动”改为“数据驱动”,以实现模拟兽医真实诊疗经验、提高方法准确度与鲁棒性;（3）打破各疾病诊断方法之间的“孤岛”,探索综合通过多种动物特征进行疾病诊断的专家系统。

长远来看,针对各种动物的全自动畜禽疾病诊断专家系统是降低人工劳动、提高养殖效率与安全性的最优解决方案^[102]。目前动物疾病诊断专家系统,如猪病辅助诊断模型^[103]、鸡病防治诊断专家系统^[104]、养病防治专家系统^[105]等,这些系统多是通过用户对系统以文字或语音的方式输入症状,系统通过查找库的形式反馈诊断结果,不具备自动分析决策与自动数据采集能力。未来有望实现集成多种设备,实现动物各类表型特征的不间断采集,通过一套智能量化专家系统对采集的结构化数据进行融合分析,最终实现畜禽养殖中动物疾病的全自动监控。

6 结论与建议

本文首先阐述了畜禽疫病智能诊疗技术的重要意义和必要性,随后对畜禽疫病与异常状态智能自动诊断技术的研究现状、相关成果、发展趋势进行深入总结、归纳与分析,并系统地阐述了畜禽疫病自动诊断技术的难点和发展趋势。

目前基于动物形态、行为、声音、体温、心率、排泄物、呼吸等各类特征对畜禽疫病自动诊疗的理论方法和技术已经比较成熟,可以基本实现通过数学模型实现对特征数据的分析、决策与判断,极大地提升畜禽养殖疫病监测的数字化水平。然而,大多数相关研究停留在试制、试研层面,个别研究有小范围内试用与测试,但大多未考虑到实际养殖环境中应用的实际需求,未能全面考虑到各类干扰对自动判断模型的干扰,相关的研究也没有具体开展,因此亟需整合现有的技术资源与养殖经验,着力通过数字化和智能化技术和方法为畜禽养殖提供助力。

未来畜禽养殖疾病诊断智能传感技术的研究建议主要包括,一是优化各类传感器的数字采集能力,克服养殖环境多尘、高温、高湿的恶劣环境,并在使用中保持良好的数据采集稳定性,克服因动物位置移动、姿态变化、应激反应造成的测量误差;二是提高数学模型的鲁棒性与适用性,扩大试验数据的来源,考虑不同养殖条件下对动物疫病诊疗准确率的控制,不能局限于单一、少量数据得出的结论;三是智能化畜禽疾病诊疗多传感器特征融合的研究,可综合考虑动物形态、行为、声音、体温、心率、排泄物、呼吸等生理特征中的几个和多个特征对自动诊断结果的影响,并在各特征耦合的情况下,打通各诊疗模型之间的数据孤岛,形成全面、高效、智能、精准的畜禽动物疫病综合诊断方法。

参考文献 View Option 原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子

[1] 孙康泰, 王小龙, 张建民, 蒋大伟, 葛毅强. “十三五”国家重点研发计划中的畜牧兽医科技布局与评述
畜牧兽医学报, 2020(1):198-204.
[本文引用: 1]

SUN K T, WANG X L, ZHANG J M, JIANG D W, GE Y Q. The distribution and review of National Key Research and Development Program in Animal Husbandry and Veterinary Medicine Field during the 13th Five-Year Period
Acta Veterinaria et Zootechnica Sinica, 2020(1):198-204. (in Chinese)
[本文引用: 1]

[2] 李建雄. 市场经济条件下我国畜牧业生产组织的创新研究
[D]. 北京: 中国社会科学院研究生院, 2016.
[本文引用: 1]

LI J X. Research on innovation of animal husbandry production organization in China under market economy
[D]. Beijing: Graduate School of Chinese Academy of Social Sciences, 2016. (in Chinese)
[本文引用: 1]

[3] 王健. 当前畜牧业发展形势及重点任务
兽医导刊, 2019(13):1.
[本文引用: 1]

WANG J. Current Development Situation and Key Tasks of Animal Husbandry
Veterinary Orientation, 2019(13):1. (in Chinese)
[本文引用: 1]

[4] 国务院办公厅. 国家中长期动物疫病防治规划(2012—2020年)
http://www.gov.cn/zwgk/2012-05/25/content_2145581.htm.
URL [本文引用: 1]

General Office of the State Council. National animal disease prevention and control for the medium and long term planning (2012-2020)
http://www.gov.cn/zwgk/2012-05/25/content_2145581.htm. (in Chinese)
URL [本文引用: 1]

[5] 韩艳东. 信息化对现代畜牧业建设作用及趋势
中国畜禽种业, 2018,14(5):21.
[本文引用: 1]

HAN Y D. Effect of informatization on the construction of modern animal husbandry and its trend
The Chinese Livestock and Poultry Breeding, 2018,14(5):21. (in Chinese)
[本文引用: 1]

[6] 楚维斌, 史彬林, 红雷, 赵启龙. 抗生素在畜禽生产中的应用·危害及科学使用
安徽农业科学, 2015,43(19):128-130.
[本文引用: 1]

CHU W B, SHI B L, HONG L, ZHAO Q L. The application, harm and scientific use of antibiotics in livestock production
Journal of Anhui Agricultural Sciences, 2015,43(19):128-130. (in Chinese)
[本文引用: 1]

[7] OKINDA C, LU M Z, LIU L S, NYALALA , MUNERI C, WANG J T, ZHANG H L, SHEN M X. A machine vision system for early detection and prediction of sick birds: A broiler chicken model
Biosystems Engineering, 2019,188:229-242.
DOI:10.1016/j.biosystemseng.2019.09.015URL [本文引用: 3]

[8] HUANG J D, WANG W Q, ZHANG T M. Method for detecting avian influenza disease of chickens based on sound analysis
Biosystems Engineering, 2019,180:16-24
DOI:10.1016/j.biosystemseng.2019.01.015URL [本文引用: 1]

[9] NASIRAHMADI A, STURM B, OLSSON A C, JEPPSSON K H, MüLLER S, EDWARDS S, HENSEL O. Automatic scoring of lateral and sternal lying posture in grouped pigs using image processing and Support vector machine
Computers and Electronics in Agriculture, 2019,156:475-481.
DOI:10.1016/j.compag.2018.12.009URL [本文引用: 2]

[10] 郑国生, 施正香, 滕光辉. 基于不同行为时间的奶牛健康状况评价
农业工程学报, 2019,35(19):238-244.
[本文引用: 1]

ZHENG G S, SHI Z X, TENG G H. Health assessment of cows based on different behavior time
Transactions of the Chinese Society of Agricultural Engineering, 2019,35(19):238-244. (in Chinese)
[本文引用: 1]

[11] HALACHMI I, POLAK P, ROBERTS D J, KLOPCIC M. Cow body shape and automation of condition scoring
Journal of Dairy Science, 2008,91(11):4444-4451.
DOI:10.3168/jds.2007-0785URL [本文引用: 1]

[12] 陆明洲, 沈明霞, 丁永前, 杨晓静, 周波, 王志国. 畜牧信息智能监测研究进展
中国农业科学, 2012,45(14):2939-2947.
[本文引用: 1]

LU M Z, SHEN M X, DING Y Q, YANG X J, ZHOU B, WANG Z G. Review on the intelligent technology for animal husbandry information monitoring
Scientia Agricultura Sinica, 2012,45(14):2939-2947. (in Chinese)
[本文引用: 1]

[13] ZHUANG X L, BI M N, GUO J L, WU S Y, ZHANG T M. Development of an early warning algorithm to detect sick broilers
Computers and Electronics in Agriculture, 2018,144:102-113.
DOI:10.1016/j.compag.2017.11.032URL [本文引用: 1]

[14] ZHUANG X L, ZHANG T M. Detection of sick broilers by digital image processing and deep learning
Biosystems Engineering, 2019,179:106-116
DOI:10.1016/j.biosystemseng.2019.01.003URL [本文引用: 1]

[15] 毕敏娜, 张铁民, 庄晓霖, 焦培荣. 基于鸡头特征的病鸡识别方法研究
农业机械学报, 2018,49(1):51-57.
[本文引用: 1]

BI M N, ZHANG T M, ZHUANG X L, JIAO P R. Recognition method of sick yellow feather chicken based on head features
Transactions of the Chinese Society for Agricultural Machinery, 2018,49(1):51-57. (in Chinese)
[本文引用: 1]

[16] 李亚硕, 毛文华, 胡小安, 张小超. 基于机器视觉识别鸡冠颜色的病鸡检测方法
机器人技术与应用, 2014(5):23-25.
[本文引用: 1]

LI Y S, MAO W H, HU X A, ZHANG X C. Detection method for sick chicken based on machine vision recognition of comb color
Robot Technique and Application, 2014(5):23-25. (in Chinese)
[本文引用: 1]

[17] AZZARO G, CACCAMO M, FERGUSON J D, BATTIATO S, FARINELLA G M, GUARNERA G C, PUGLISI G, PETRIGLIERI R, LICITRA G. Objective estimation of body condition score by modeling cow body shape from digital images
Journal of Dairy Science, 201194(4):2126-2137.
DOI:10.3168/jds.2010-3467URL [本文引用: 1]

[18] SPOLIANSKY R, EDAN Y, PARMET Y, HALACHMI I. Development of automatic body condition scoring using a low-cost 3-dimensional Kinect camera
Journal of Dairy Science, 2016,99(9):7714-7725.
DOI:10.3168/jds.2015-10607URL [本文引用: 1]

[19] BL?MKE L, VOLKMANN N, KEMPER N. Evaluation of an automated assessment system for ear and tail lesions as animal welfare indicators in pigs at slaughter
Meat Science, 2020,159:107934.
DOI:10.1016/j.meatsci.2019.107934URL [本文引用: 1]

[20] 滕光辉, 申志杰, 张建龙, 石晨, 余炅桦. 基于Kinect传感器的无接触式母猪体况评分方法
农业工程学报, 2018,34(13):211-217.
[本文引用: 3]

TENG G H, SHEN Z J, ZHANG J L, SHI C, YU J H. Non-contact sow body condition scoring method based on Kinect sensor
Transactions of the Chinese Society of Agricultural Engineering, 2018,34(13):211-217. (in Chinese)
[本文引用: 3]

[21] 高云, 郭继亮, 黎煊, 雷明刚, 卢军, 童宇. 基于深度学习的群猪图像实例分割方法
农业机械学报, 2019,50(4):179-187.
[本文引用: 1]

GAO Y, GUO J L, LI X, LEI M G, LU J, TONG Y. Instance-level segmentation method for group pig images based on deep learning
Transactions of the Chinese Society for Agricultural Machinery, 2019,50(4):179-187. (in Chinese)
[本文引用: 1]

[22] 薛月菊, 杨晓帆, 郑婵, 陈畅新, 甘海明, 李诗梅. 基于隐马尔科夫模型的深度视频哺乳母猪高危动作识别
农业工程学报, 2019,35(13):184-190.
[本文引用: 2]

XUE Y J, YANG X F, ZHENG C, CHEN C X, GAN H M, LI S M. Lactating sow high-dangerous body movement recognition from depth videos based on hidden Markov model
Transactions of the Chinese Society of Agricultural Engineering, 2019,35(13):184-190. (in Chinese)
[本文引用: 2]

[23] 邓寒冰, 许童羽, 周云成, 苗腾, 张聿博, 徐静, 金莉, 陈春玲. 基于DRGB的运动中肉牛形体部位识别
农业工程学报, 2018,34(5):166-175.
[本文引用: 1]

DENG H B, XU T Y, ZHOU Y C, MIAO T, ZHANG Y B, XU J, JIN L, CHEN C L. Body shape parts recognition of moving cattle based on DRGB
Transactions of the Chinese Society of Agricultural Engineering, 2012,34(5):166-175. (in Chinese)
[本文引用: 1]

[24] LOKESHBABU D S, JEYAKUMAR S, VASANT P J, SATHIYABARATHIG M, MANIMARAN A, KUMARESAN A, HEARTWIN A. M, SIVARAMD A, RAMESHAE M, MUKUND A, SIDDARAMANNA F. Monitoring foot surface temperature using infrared thermal imaging for assessment of hoof health status in cattle: A review
Journal of Thermal Biology, 2018,78:10-21
DOI:10.1016/j.jtherbio.2018.08.021URL [本文引用: 1]

[25] TAMI M. BROWN-BRANDL, ROGER A. EIGENBERG, JOSEPH L P, Using thermal imaging as a method of investigating thermal thresholds in finishing pigs
Biosystems Engineering, 2013,114(3):327-333.
DOI:10.1016/j.biosystemseng.2012.11.015URL [本文引用: 1]

[26] CORTIVO P D, DIAS E, BARCELLOS J O J, PERIPOLLI V, COSTA JR J B G, B S L DALLAGO, MCMANUS C M. Use of thermographic images to detect external parasite load in cattle
Computers and Electronics in Agriculture, 2016,127:413-417.
DOI:10.1016/j.compag.2016.07.002URL [本文引用: 1]

[27] 李广栋, 吕东颖, 田秀芝, 姬鹏云, 郭江鹏, 路永强, 刘国世. 组学技术在奶牛乳房炎上应用的相关研究进展
中国农业科学, 2019,52(2):350-358.
[本文引用: 1]

LI G D, Lü D Y, TIAN X Z, JI P Y, GUO J P, LU Y Q, LIU G S. Research progress of omics technologies in cow mastitis
Scientia Agricultura Sinica, 2019,52(2):350-358. (in Chinese)
[本文引用: 1]

[28] 陈仁金, 杨章平, 毛永江, 陈莹, 常玲玲, 吴海涛, 冀德君, 李云龙, 张亚琴. 中国荷斯坦牛LYZ基因多态性及其与乳房炎的关联分析
中国农业科学, 2010,43(23):4936-4941.
[本文引用: 1]

CHEN R J, YANG Z P, MAO Y J, CHEN Y, CHANG L L, WU H T, JI D J, LI Y L, ZHANG Y Q. Polymorphism of LYZ gene and its association with mastitis trait in Chinese Holstein
Scientia Agricultura Sinica, 2010,43(23):4936-4941. (in Chinese)
[本文引用: 1]

[29] SATHIYABARATHI M, JEYAKUMAR S, MANIMARAN A, PUSHPADASS H A, SIVARAM M, RAMESHA K P, DAS D N, KATAKTALWARE M A. Infrared thermal imaging of udder skin surface temperature variations to monitor udder health status in Bos indicus (Deoni) cows
Infrared Physics & Technology, 2018,88:239-244.
[本文引用: 1]

[30] STOKES J E, LEACH K A, MAIN D C J, WHAY H R. An investigation into the use of infrared thermography (IRT) as a rapid diagnostic tool for foot lesions in dairy cattle
The Veterinary Journal, 2012,193(3):674-678.
DOI:10.1016/j.tvjl.2012.06.052URL [本文引用: 1]

[31] MARTINS R F S, PAIM T D P, CARDOSO C D A, DALLAGO B S L, MELO C B D, LOUVANDINI H, MASTITIS C M. Detection in sheep by infrared thermography
Research in Veterinary Science, 2013,94(3):722-724
DOI:10.1016/j.rvsc.2012.10.021URL [本文引用: 1]

[32] AMEZCUA , WALSH M, SHANNON, LUIMES R H, FRIENDSHIP R M. Infrared thermography to evaluate lameness in pregnant sows
The Canadian Veterinary Journal, 2014,55:268-272.
[本文引用: 1]

[33] ZHANG X D, KANG X, FENG N N, LIU G. Automatic recognition of dairy cow mastitis from thermal images by a deep learning detector
Computers and Electronics in Agriculture, 2020,178:105754.
DOI:10.1016/j.compag.2020.105754URL [本文引用: 1]

[34] URSINUS W W, REENEN C G V, KEMP B, BOLHUIS J E. Tail biting behaviour and tail damage in pigs and the relationship with general behaviour: Predicting the inevitable
Applied Animal Behaviour Science, 2014,156:22-36.
DOI:10.1016/j.applanim.2014.04.001URL [本文引用: 1]

[35] MURPHY E, REBECCA E N, STAAY F J. A review of behavioural methods to study emotion and mood in pigs, Sus scrofa
Applied Animal Behaviour Science, 2014,159:9-28.
DOI:10.1016/j.applanim.2014.08.002URL [本文引用: 1]

[36] MATTHEWS S G, MILLER A L, CLAPP J, PLOTZ T, KYRIAZAKIS L. Early detection of health and welfare compromises through automated detection of behavioural changes in pigs
The Veterinary Journal, 2016,217:43-51
DOI:10.1016/j.tvjl.2016.09.005URL [本文引用: 1]

[37] MADSEN T N, KRISTENSEN A R. A model for monitoring the condition of young pigs by their drinking behavior
Computers and Electronics in Agriculture, 2005,48(2):138-154.
DOI:10.1016/j.compag.2005.02.014URL [本文引用: 1]

[38] CORNOU C, VINTHER J, KRISTENSEN A R. Automatic detection of oestrus and health disorders using data from electronic sow feeders
Livestock Science, 2008,118(3):262-271.
DOI:10.1016/j.livsci.2008.02.004URL [本文引用: 1]

[39] AYDIN A. Using 3D vision camera system to automatically assess the level of inactivity in broiler chickens
Computers and Electronics in Agriculture, 2017,135:4-10.
DOI:10.1016/j.compag.2017.01.024URL [本文引用: 1]

[40] 朱伟兴, 浦雪峰, 李新城, 陆晨芳. 基于行为监测的疑似病猪自动化识别系统
农业工程学报, 2010,26(1):188-192.
[本文引用: 1]

ZHU W X, PU X F, LI X C, LU C F. Automatic identification system of pigs with suspected case based on behavior monitoring
Transactions of the Chinese Society of Agricultural Engineering, 2010,26(1):188-192. (in Chinese)
[本文引用: 1]

[41] PORTO S M C, ARCIDIACONO C, ANGUZZA U, CASCONE G. A computer vision-based system for the automatic detection of lying behaviour of dairy cows in free-stall barns
Biosystems Engineering, 2013,115(2):184-194.
DOI:10.1016/j.biosystemseng.2013.03.002URL [本文引用: 1]

[42] 温长吉, 张金凤, 李卓识, 娄月, 于合龙, 姜海龙. 改进稀疏超完备词典方法识别奶牛跛足行为
农业工程学报, 2018,34(18):219-227.
[本文引用: 1]

WEN C J, ZHANG J F, LI Z S, LOU Y, YU H L, JIANG H L. Improved sparse and super-complete dictionary method for identification of lameness in dairy cows
Transactions of the Chinese Society of Agricultural Engineering, 2018,34(18):219-227. (in Chinese)
[本文引用: 1]

[43] WU D H, YIN X Q, JIANG B, JIANG M, LI Z Y, SONG H B. Detection of the respiratory rate of standing cows by combining the Deeplab V3+ semantic segmentation model with the phase-based video magnification algorithm
Biosystems Engineering, 2020,192:72-89.
DOI:10.1016/j.biosystemseng.2020.01.012URL [本文引用: 1]

[44] WEEKS C A, DANBURY D T, DAVIES H C. The behaviour of broiler chickens and its modification by lameness
Applied Animal Behaviour Science, 2000(67):111-125.
[本文引用: 1]

[45] LAO F D T, BROWN-BRAND L, STINN J P, LIU K, TENG G H, XIN H. Automatic recognition of lactating sow behaviors through depth image processing
Computers and Electronics in Agriculture, 2016,125:56-62.
DOI:10.1016/j.compag.2016.04.026URL [本文引用: 2]

[46] 宋怀波, 牛满堂, 姬存慧, 李振宇, 祝清梅. 基于视频分析的多目标奶牛反刍行为监测
农业工程学报, 2018,34(18):211-218.
[本文引用: 3]

SONG H B, NIU M T, JI C H, LI Z Y, ZHU Q M. Monitoring of multi-target cow ruminant behavior based on video analysis technology
Transactions of the Chinese Society of Agricultural Engineering, 2018,34(18):211-218. (in Chinese).
[本文引用: 3]

[47] YANG Q M, XIAO D Q, LIN S C. Feeding behavior recognition for group-housed pigs with the Faster R-CNN
Computers and Electronics in Agriculture, 2018,155:453-460.
DOI:10.1016/j.compag.2018.11.002URL [本文引用: 3]

[48] 陶源栋, 沈明霞, 刘龙申, 陆明洲, 许佩全, 施宏. 基于Kinect的母猪呼吸频率测定算法
南京农业大学学报, 2017,40(5):921-927.
[本文引用: 2]

TAO Y D, SHEN M X, LIU L S, LU M Z, XU P Q, SHI H. Study on measurement algorithm of sow respiratory frequency based on Kinect
Journal of Nanjing Agricultural University, 2017,40(5):921-927. (in Chinese)
[本文引用: 2]

[49] TSAI Y C, HSU J T, DING S T, RUSTIA D J, LIN T T. Assessment of dairy cow heat stress by monitoring drinking behaviour using an embedded imaging system
Biosystems Engineering, 2020,199:97-108.
DOI:10.1016/j.biosystemseng.2020.03.013URL [本文引用: 3]

[50] NASIRAHMADI A, HENSEL O, EDWARDS S A, STURM B. Automatic detection of mounting behaviours among pigs using image analysis
Computers and Electronics in Agriculture, 2016,124:295-302.
DOI:10.1016/j.compag.2016.04.022URL [本文引用: 2]

[51] 康熙, 张旭东, 刘刚, 马丽. 基于机器视觉的跛行奶牛牛蹄定位方法
农业机械学报, 2019,50(S1):276-282.
[本文引用: 1]

KANG X, ZHANG X D, LIU G, MA L. Hoof location method of lame dairy cows based on machine vision
Transactions of the Chinese Society for Agricultural Machinery, 2019,50(S1):276-282. (in Chinese)
[本文引用: 1]

[52] DAWKINS M S, RUSSEL C, STEPHEN J R. Flock behavior and chicken welfare
Animal Behaviour, 2012,84(1):219-223.
DOI:10.1016/j.anbehav.2012.04.036URL [本文引用: 2]

[53] 沈明霞, 李嘉位, 陆明洲, 刘龙申, 孙玉文, 李泊. 基于动态多特征变量的黄羽肉鸡跛行状态定量评价方法
农业机械学报, 2018,49(9):35-44.
[本文引用: 1]

SHEN M X, LI J W, LU M Z, LIU L S, SUN Y W, LI B. Evaluation method of limping status of broilers based on dynamic multi-feature variables
Transactions of the Chinese Society for Agricultural Machinery, 2008,49(9):35-44. (in Chinese)
[本文引用: 1]

[54] JABBAR K A, HANSEN M F, SMITH M L, SMITH L N. Early and non-intrusive lameness detection in dairy cows using 3-dimensional video
Biosystems Engineering, 2017,153:63-69.
DOI:10.1016/j.biosystemseng.2016.09.017URL [本文引用: 1]

[55] KASHIHA M A, BAHR C, QTT S, MOONS C P H, NIEWOLD T, ATUYTTENS F, BERCKMANS D. Automatic monitoring of pig locomotion using image analysis
Livestock Science, 2014,159:141-148.
DOI:10.1016/j.livsci.2013.11.007URL [本文引用: 1]

[56] 朱家骥, 朱伟兴. 基于星状骨架模型的猪步态分析
江苏农业科学, 2015,43(12):453-457.
[本文引用: 1]

ZHU J J, ZHU W X. Analysis of pig gait based on stellate skeleton model
Jiangsu Agricultural Sciences, 2015,43(12):453-457. (in Chinese)
[本文引用: 1]

[57] XIAO L F, DING K Y, GAO Y W, RAO X Q. Behavior-induced health condition monitoring of caged chickens using binocular vision
Computers and Electronics in Agriculture, 2019,156:254-262.
DOI:10.1016/j.compag.2018.11.022URL [本文引用: 1]

[58] CHEN C, ZHU W X, LIU D, STEIBEL J, SIEGFORD J, WURTZ K, HAN J J, NORTON T. Detection of aggressive behaviours in pigs using a RealSence depth sensor
Computers and Electronics in Agriculture, 2019,166:105003.
DOI:10.1016/j.compag.2019.105003URL [本文引用: 2]

[59] 高云, 陈斌, 廖慧敏, 雷明刚, 黎煊, 李静, 罗俊杰. 群养猪侵略性行为的深度学习识别方法
农业工程学报, 2019,35(23):192-200.
[本文引用: 1]

GAO Y, CHEN B, LIAO H M, LEI M G, LI X, LI J, LUO J J. Recognition method for aggressive behavior of group pigs based on deep learning
Transactions of the Chinese Society of Agricultural Engineering, 2019,35(23):192-200. (in Chinese)
[本文引用: 1]

[60] ESCALANTE H J, RODRIGUEZ S V, CORDERO J, KRISENSEN A R, CORNOU C. Sow-activity classification from acceleration patterns: A machine learning approach
Computers and Electronics in Agriculture, 2013,93:17-26.
DOI:10.1016/j.compag.2013.01.003URL [本文引用: 2]

[61] SHEN W Z, ZHANG A J, ZHANG Y, WEI X L, SUN J. Rumination recognition method of dairy cows based on the change of noseband pressure
Information Processing in Agriculture, 2020. DOI: 10.1016/ j.inpa.2020.01.005.
[本文引用: 2]

[62] 邓寒冰, 周云成, 许童羽, 苗腾, 徐静. 基于RGB-D的肉牛图像全卷积网络语义分割优化
农业工程学报, 2019,35(18):151-160.
[本文引用: 1]

DENG H B, ZHOU Y C, XU T Y, MIAO T, XU J. Optimization of cattle’s image semantics segmentation with fully convolutional networks based on RGB-D
Transactions of the Chinese Society of Agricultural Engineering, 2019,35(18):151-160. (in Chinese)
[本文引用: 1]

[63] 宋怀波, 吴頔华, 阴旭强, 姜波, 何东健. 基于Lucas-Kanade稀疏光流算法的奶牛呼吸行为检测
农业工程学报, 2019,35(17):215-224.
[本文引用: 2]

SONG H B, WU D H, YIN X Q, JIANG B, HE D J. Detection of cow breathing behavior based on Lucas-Kanade sparse optical flow algorithm
Transactions of the Chinese Society of Agricultural Engineering, 2019,35(17):215-224. (in Chinese)
[本文引用: 2]

[64] 赵晓洋. 基于动物发声分析的畜禽舍环境评估
[D]. 杭州: 浙江大学, 2019.
[本文引用: 1]

ZHAO X Y. Environmental assessment of livestock houses based on vocal analysis of animals
[D]. Hangzhou: Zhejiang University, 2019. (in Chinese)
[本文引用: 1]

[65] WANG X S, ZHAO X Y, HE Y, WANG K Y. Cough sound analysis to assess air quality in commercial weaner barns
Computers and Electronics in Agriculture, 2019,160:8-13.
DOI:10.1016/j.compag.2019.03.001URL [本文引用: 1]

[66] 杨稷, 沈明霞, 刘龙申, 陆明洲, 何灿隆, 李嘉位. 基于音频技术的肉鸡采食量检测方法研究
华南农业大学学报, 2018,39(5):118-124.
[本文引用: 1]

YANG J, SHEN M X, LIU L S, LU M Z, HE C L, LI J W. Research of detection method for broiler chicken feed intake based on audio technology
Journal of South China Agricultural University, 2018,39(5):118-124. (in Chinese)
[本文引用: 1]

[67] 徐亚妮. 基于语音识别技术的母猪咳嗽监测系统研究与实现
[D]. 南京: 南京农业大学, 2016.
[本文引用: 1]

XU Y N. Research and implementation of sow’s cough monitoring system based on voice recognition technology
[D]. Nanjing: Nanjing Agricultural University, 2016. (in Chinese)
[本文引用: 1]

[68] SHENG H, ZHANG S F, ZUO L S, DUAN G H, ZHANG H L, OKINDA C, SHEN M X, CHEN K L, LU M Z, NORTON T. Construction of sheep forage intake estimation models based on sound analysis
Biosystems Engineering, 2020,192:144-158.
DOI:10.1016/j.biosystemseng.2020.01.024URL [本文引用: 1]

[69] DENIZ N N, CHELOTTI J O, GALLI J R, PLANISICH A M, LARRIPA M J, RUFINER H L, GIOVANINI L L. Embedded system for real-time monitoring of foraging behavior of grazing cattle using acoustic signals
Computers and Electronics in Agriculture, 2017,138:167-174.
DOI:10.1016/j.compag.2017.04.024URL [本文引用: 2]

[70] 闫丽, 邵庆, 吴晓梅, 谢秋菊, 孙昕, 韦春波. 基于偏度聚类的哺乳期母猪声音特征提取与分类识别
农业机械学报, 2016,47(5):300-306.
[本文引用: 2]

YAN L, SHAO Q, WU X M, XIE Q J, SUN X, WEI C B. Feature extraction and classification based on skewness clustering algorithm for lactating sow
Transactions of the Chinese Society for Agricultural Machinery, 2016,47(5):300-306. (in Chinese)
[本文引用: 2]

[71] 余礼根, 滕光辉, 李保明, 劳凤丹, 曹晏飞. 栖架养殖模式下蛋鸡发声分类识别
农业机械学报, 2013,44(9):236-242.
[本文引用: 2]

YU L G, TENG G H, LI B M, LAO F D, CAO Y F. Classification methods of vocalization for laying hens in perch system
Transactions of the Chinese Society for Agricultural Machinery, 2013,44(9):236-242. (in Chinese)
[本文引用: 2]

[72] EXADAKTYLOS V, SILVA M, AERTS J M, TAYLOR C J, BERCKMANS D. Real-time recognition of sick pig cough sounds
Computers and Electronics in Agriculture, 2008,63(2):207-214.
DOI:10.1016/j.compag.2008.02.010URL [本文引用: 1]

[73] 韩磊磊, 田建艳, 张苏楠, 李江丽. 基于决策树支持向量机和模糊推理的生猪异常声音识别
畜牧与兽医, 2019,51(3):38-44.
[本文引用: 2]

HAN L L, TIAN J Y, ZHANG S N, LI J L. Porcine abnormal sounds recognition using decision-tree-based support vector machine and fuzzy inference
Animal Husbandry & Veterinary Medicine, 2019,51(3):38-44. (in Chinese)
[本文引用: 2]

[74] 宣传忠, 武佩, 张丽娜, 马彦华, 张永安, 邬娟. 羊咳嗽声的特征参数提取与识别方法
农业机械学报, 2016,47(3):342-348.
[本文引用: 1]

XUAN C Z, WU P, ZHANG L N, MA Y H, ZHANG Y A, WU J. Feature parameters extraction and recognition method of sheep cough sound
Transactions of the Chinese Society for Agricultural Machinery, 2016,47(3):342-348. (in Chinese)
[本文引用: 1]

[75] HUANG J D, WANG W Q, ZHANG T M. Method for detecting avian influenza disease of chickens based on sound analysis
Biosystems Engineering, 2019,180:16-24.
DOI:10.1016/j.biosystemseng.2019.01.015URL [本文引用: 2]

[76] 张小栓, 张梦杰, 王磊, 罗海玲, 李军. 畜牧养殖穿戴式信息监测技术研究现状与发展分析
农业机械学报, 2019,50(11):1-14.
[本文引用: 1]

ZHANG X S, ZHANG M J, WANG L, LUO H L, LI J. Research status and development analysis of wearable information monitoring technology in animal husbandry
Transactions of the Chinese Society for Agricultural Machinery, 2019,50(11):1-14. (in Chinese)
[本文引用: 1]

[77] ZHANG Z Q, ZHANG H, LIU T H. Study on body temperature detection of pig based on infrared technology: A review
Artificial Intelligence in Agriculture, 2019,1:14-26.
DOI:10.1016/j.aiia.2019.02.002URL [本文引用: 1]

[78] 张国锋, 陶莎, 于丽娜, 褚琦, 贾敬敦, 高万林. 基于植入式RFID感温芯片的猪体温与饮水监测系统
农业机械学报, 2019,50(S1):297-304.
[本文引用: 2]

ZHANG G F, TAO S, YU L N, CHU Q, JIA J D, GAO W L. Pig body temperature and drinking water monitoring system based on implantable RFID temperature Chip
Transactions of the Chinese Society for Agricultural Machinery, 2019,50(S1):297-304. (in Chinese)
[本文引用: 2]

[79] 屈东东, 刘素梅, 吴金杰, 李阳, 王传忠. 群养奶牛体温实时监测系统设计与实现
农业机械学报, 2016,47(S1):408-412.
[本文引用: 1]

QU D D, LIU S M, WU J J, LI Y, WANG C Z. Design and implementation of monitoring system for multiple cows body temperature
Transactions of the Chinese Society for Agricultural Machinery, 2016,47(S1):408-412. (in Chinese)
[本文引用: 1]

[80] 何东健, 刘畅, 熊虹婷. 奶牛体温植入式传感器与实时监测系统设计与试验
农业机械学报, 2018,49(12):195-202.
[本文引用: 2]

HE D J, LIU C, XIONG H T. Design and experiment of implantable sensor and real-time detection system for temperature monitoring of cow
Transactions of the Chinese Society for Agricultural Machinery, 2018,49(12):195-202. (in Chinese)
[本文引用: 2]

[81] HENTZEN M, HOVDEN D, JANSEN M, ESSEN G V. Design and validation of a wireless temperature measurement system for laboratory and farm animals
Proceedings of Measuring Behavior 2012: 466-471.
[本文引用: 1]

[82] 李赞. 一种柔性贴片式在线测量方式在生猪体温测量中的应用研究
[D]. 长春: 吉林农业大学, 2018.
[本文引用: 1]

LI Z. Application of a flexible patch online measurement method in pig body temperature measurement
[D]. Changchun: Jilin Agricultural University, 2018. (in Chinese)
[本文引用: 1]

[83] 蔡勇. 牛体表温度自动采集系统研发及其与体内温度拟合曲线的研究
[D]. 北京: 中国农业科学院, 2015.
[本文引用: 1]

CAI Y. The study on the designing of the automatical acquisition system for cow surface temperature and the fitting for surface temperature with rectal temperature
[D]. Beijing: Chinese Academy of Agricultural Sciences, 2015. (in Chinese)
[本文引用: 1]

[84] 胡肄农. 动物体温无线测量系统的研究
中国畜牧兽医学会信息技术分会, 2014: 54-63.
[本文引用: 2]

HU Y N. Study on the wireless measurement system of animal body temperature
Information Technology Branch of Chinese Society of Animal Husbandry and Veterinary Medicine, 2014: 54-63. (in Chinese)
[本文引用: 2]

[85] SALLES M S, SILVA S C, SALLES F A, JR L C, FARO L E, LEAN P A, OLIVEIRA C E, MARTELLO L S. Mapping the body surface temperature of cattle by infrared thermography
Journal of Thermal Biology, 2016,62(Part A):63-69.
DOI:10.1016/j.jtherbio.2016.10.003URL [本文引用: 1]

[86] SIEWERT C, DANICKE S, KERSETEN S, BROSIG B, ROHWEDER D, BEYERVACG M, SEIFERT H. Difference method for analysing infrared images in pigs with elevated body temperatures
Zeitschrift für Medizinische Physik, 2014,24:6-15.
DOI:10.1016/j.zemedi.2013.11.001URL [本文引用: 2]

[87] IYASERE O S, EDWARDS S A, BATESON M, MITCHELL M, GUY J H. Validation of an intramuscularly-implanted microchip and a surface infrared thermometer to estimate core body temperature in broiler chickens exposed to heat stress
Computers and Electronics in Agriculture, 2017,133:1-8
DOI:10.1016/j.compag.2016.12.010URL [本文引用: 2]

[88] 沈明霞, 陆鹏宇, 刘龙申, 孙玉文, 许毅, 秦伏亮. 基于红外热成像的白羽肉鸡体温检测方法
农业机械学报, 2019,50(10):222-229.
[本文引用: 2]

SHEN M X, LU P Y, LIU L S, SUN Y W, XU Y, QIN F L. Body temperature detection method of ross broiler based on infrared thermography
Transactions of the Chinese Society for Agricultural Machinery, 2019,50(10):222-229. (in Chinese)
[本文引用: 2]

[89] ELLIS C K, STAHL R S, NOL P, WATERS W R, PALMER M V, RHYAN J C, VERCAUTEREN K C, MCCOLLUM M, SAKMAN M D. A pilot study exploring the use of breath analysis to differentiate healthy cattle from cattle experimentally infected with Mycobacterium bovis
PLoS ONE, 2014,9(2):e89280.
DOI:10.1371/journal.pone.0089280URL [本文引用: 1]

[90] SANDERINK F E, GERRITSEN J W, KOERKAMP P W, MOURIK S V. Automatic detection of oestrus cows via breath sampling with an electronic nose: A pilot study
Biosystems Engineering, 2017,156:1-6.
DOI:10.1016/j.biosystemseng.2017.01.004URL [本文引用: 2]

[91] 张宏, 沈明霞, 陆明洲, 刘龙申, 张弛, 张光跃. 穿戴式猪用心电监测系统设计
南京农业大学学报, 2016,39(5):872-879.
[本文引用: 1]

ZHANG H, SHEN M X, LU M Z, LIU L S, ZHANG C, ZHANG G Y. Design of wearable electrocardiogram monitoring system for pig
Journal of Nanjing Agricultural University, 2016,39(5):872-879. (in Chinese)
[本文引用: 1]

[92] 逯玉兰, 李广, 郝玉胜, 林强. 基于Wi-Fi无线感知技术的猪呼吸频率监测
农业工程学报, 2019,35(24):183-190.
[本文引用: 2]

LU Y L, LI G, HAO Y S, LIN Q. Monitoring pig respiration frequency using Wi-Fi wireless sensing technology
Transactions of the Chinese Society of Agricultural Engineering, 2019,35(24):183-190. (in Chinese)
[本文引用: 2]

[93] 贾桂锋, 王自唱, 向兴发, 武墩, 高云, 黎煊, 冯耀泽. 短时经验模态分解实时识别生猪心电QRS波群
农业工程学报, 2018,34(10):172-177.
[本文引用: 1]

JIA G F, WANG Z S, XIANG X F, WU D, GAO Y, LI X, FENG Y Z. Short-time empirical mode decomposition method of real-time QRS complex identifying for electrocardiography of pig
Transactions of the Chinese Society of Agricultural Engineering, 2018,34(10):172-177. (in Chinese)
[本文引用: 1]

[94] AHMED S T, MUN H S, YOE H, YANG C J. Monitoring of behavior using a video-recording system for recognition of Salmonella infection in experimentally infected growing pigs
Animal: An International Journal of Animal Bioscience, 2015,9:115-121.
DOI:10.1017/S1751731114002213URL [本文引用: 1]

[95] KIM D G, WANG C W, HO J G, MIN S D, KIM Y, CHOI M H. Development and feasibility test of a capacitive belt sensor for noninvasive respiration monitoring in different postures
Smart Health, 2020,16:100106.
DOI:10.1016/j.smhl.2020.100106URL [本文引用: 1]

[96] YUZER A H, SUMBUL H, POLAT K. A novel wearable real-time sleep apnea detection system based on the acceleration sensor
IRBM, 2020,41:39-47.
DOI:10.1016/j.irbm.2019.10.007URL [本文引用: 2]

[97] 蒋皆恢, 徐俊, 周虎成, 严壮志. 一款基于穿戴式的无创连续血压监测系统
中国医疗器械杂志, 2018,42(6):400-404.
[本文引用: 1]

JIANG J H, XU J, ZHOU H C, YAN Z Z. Wearable device for non-Invasive continuously blood pressure monitoring
Chinese Journal of Medical Instrumentation, 2008,42(6):400-404. (in Chinese)
[本文引用: 1]

[98] 盛婷钰, 方震, 陈贤祥, 赵湛. 腕表式睡眠呼吸暂停监测系统设
传感器与微系统, 2018,37(7):96-98.
[本文引用: 1]

SHENG T Y, FANG Z, CHEN X X, ZHAO Z. Design of wearable sleep apnea monitoring system
Transducer and Microsystem Technologies, 2018,37(7):96-98. (in Chinese)
[本文引用: 1]

[99] 陈真诚, 宋浩, 朱健铭, 梁永波. 基于光电容积脉搏波的呼吸监测系统研究
中国医学物理学杂志, 2019,36(5):579-584.
[本文引用: 1]

CHEN Z C, SONG H, ZHU J M, LIANG Y B. Respiration monitoring system based on photolethysmography
Chinese Journal of Medical Physics, 2019,36(5):579-584. (in Chinese)
[本文引用: 1]

[100] 李珊珊. 基于脉搏波的穿戴式连续血压监测方法的研究
东南大学, 2017.
[本文引用: 1]

LI S S. Study on wearable continuous measurement method of blood pressure base on pulse wave
Southeast University, 2017. (in Chinese)
[本文引用: 1]

[101] ZHUANG S J, MASELYNE J, NUFFEL A V, VANGEYTE J, SONCK B. Tracking group housed sows with an ultra-wideband indoor positioning system: A feasibility study
Biosystems Engineering, 2020,200:176-187.
DOI:10.1016/j.biosystemseng.2020.09.011URL [本文引用: 1]

[102] 高宏岩. 动物疾病专家诊断系统及其应用
中国畜牧兽医学会信息技术分会, 中国畜牧兽医学会中国畜牧兽医学会, 2017: 331-335.
[本文引用: 1]

GAO H Y. Expert diagnosis system of animal diseases and its application
Information Technology Branch of Chinese Society of Animal Husbandry and Veterinary. 2017: 331-335. (in Chinese)
[本文引用: 1]

[103] 王柯. 一种猪病知识库自动训练学习方法及猪病辅助诊断装置
北京市饲料工业协会. 2016北京论坛, 2016: 200-204.
[本文引用: 1]

WANG K. Automatic training and learning method of a knowledge base for Pig disease and its auxiliary diagnostic device
Beijing Feed Industry Association. 2016 Beijing Forum, 2016: 200-204. (in Chinese)
[本文引用: 1]

[104] 谢南林, 廖广贤, 周盈庭. 基于网络的鸡病防治与诊断专家系统设计
养殖与饲料, 2017(9):73-74.
[本文引用: 1]

XIE N L, LIAO G X, ZHOU Y T. Design of a web-based expert system for chicken Disease Prevention and Diagnosis
Animals Breeding and Feed, 2017(9):73-74. (in Chinese)
[本文引用: 1]

[105] 哈达. 羊病防治专家系统的开发
畜牧兽医科技信息, 2018(5):68-69.
[本文引用: 2]

HADA . Development of an expert system for prevention and treatment of sheep disease
Chinese Journal of Animal Husbandry and Veterinary Medicine, 2018(5):68-69. (in Chinese)
[本文引用: 2]