智能物联网技术在畜牧养殖业中的应用研究进展

3.1  畜禽声音识别

畜禽个体的声音可以反映出畜禽的情绪、健康、发情、饥饿等状况的变化，对饲养员采取正确的措施具有很强的指导意义。比如猪只出现感冒、咳嗽等症状时，规模养殖企业无论从时间还是空间上，都很难通过人工方式及时发现情况，往往当畜禽出现了严重症状或者死亡时才能被发现，而采用自动化声音识别方法可有效避免这种情况。对于畜禽声音识别处理分析，一般都需要经过稳定声音的采集方案设计、声音信号的降噪处理以及信号的预处理等步骤，之后再对声音信号进行进一步的模型分析。Berckmans等人通过对猪只声音在时域和频域下分析，采用实际获取的标准化功率谱密度（PSD）和每一个体参考PSD相比较，用平方的欧式距离作为判断条件，并采用一个阈值作为咳嗽和非咳嗽的猪只分类的判断依据。此后，也有一些人通过相似的方法，对正常猪和患呼吸道疾病猪只的PSD进行研究分析。除此之外，基于浅层网络的机器学习方法，也被用于检测畜禽的声音异常，比如支持向量积（SVM），通过将畜禽的异常声音作为训练样本构建分类器，然后将训练好的分类器用于异常声音的检测。高斯混合模型（GMM）一般可以理解为多个单高斯模型的叠加，对于畜禽声音识别，一般先对样本声音的特征参数进行提取，然后训练出高斯混合模型，最后对待测样本声音进行概率预测。隐马尔可夫模型（HMM）通常用一个三元组λ=（A，B，π）来表示，对于畜禽不同的行为声音可以构造出不同的HMM模型，最后可以采用Viterbi算法求出最大的输出概率，以此判断待测声音属于哪一种HMM模型。随着深层网络的发展，特别是卷积神经网络（CNN）出现，虽然其更多的是被用于处理图像相关问题，但是由于语谱图（如图2）以二维图像的形式存在，并且携带有声音的三维信息，利用CNN的平移不变等特性，可以将声音变相的作为图像来进行识别处理，它的一般步骤包括数据集的构造、预处理、网络训练、模型生成和测试评估。

3.2  畜禽图像识别

由于声音信号的采集和它本身所能反映的畜禽行为的局限性，与畜牧业中畜禽声音信号的研究相比，图像信号的研究成果更为丰富。从畜禽的外在体型到内部的肉质都有相应的分析研究，并且研究方法从传统图像处理到近年研究较多的深度学习都有涉及。研究的焦点主要包括畜禽的目标检测和计数、活体检测、畜禽胴体背膘厚度和表皮干湿状态、体重估计、肉质分级、采食饮水行为，以及畜禽脸部识别等。

针对畜禽的目标检测和计数，最简单的方法就是运用帧间差分法和背景减除法来检测运动的目标。第一种主要通过连续两帧图像作差，将图像中固定的部分去除，然后通过阈值来区分出运动的区域；第二种是提前获取到背景图像，然后用当前帧图像减去背景图像获得目标。两种方法的优点是简单、计算少，缺点是目标点提取不完全和对环境变化敏感。还有通过大津算法（OTSU）等方式，将畜禽从图像中分割出来，达到检测和计数的目的。此外，深度卷积神经网络（CNN）由于其出色的自动特征提取能力，现也被用于畜禽的目标检测和计数，如YOLO等目标检测网络框架，需要先制作相应畜禽的数据集，一般分为训练集、验证集和测试集，主要通过训练集来学习建立一个可以针对特定畜禽的识别检测模型，用其对实际待测数据，通过画框方式在图像中可视化标记达到检测目的，所以对于目标检测的CNN网络，只能够知道目标在图像中的大概位置，无法做到针对目标像素级的边界定位。

首页前一页3/5后一页尾页