智能物联网技术在畜牧养殖业中的应用研究进展

畜禽的活体检测除了可以使用前文所述的RFID电子耳标或电子项圈，采用基于图像算法的活体检测，也是目前研究的热点，特别是针对人脸的活体检测。而针对畜禽的活体检测有最大似然法和迭代阈值法。其中最大似然法通过标记图像中猪皮肤区域和非皮肤区域，制作出训练数据，然后构造出最大似然分类器，来识别出图像中的皮肤特征和非皮肤特征，以达到活体检测的目的。迭代阈值法通过迭代方式计算出一个合适的阈值，来对图像进行分割，以达到检测活体的目的。虽然两种方法简单、计算量小，但是这两种方法的不足之处是得到的结果会存在很多噪声干扰，需要进一步进行噪声去除。

畜禽胴体背膘厚度和表皮干湿状态，都直接了决定生猪在市场上的商品价值。对于背膘厚度的测量，首先需要从图像中找到猪胴体区域，常用的方案是采用图像分割算法，将其从图像中提取出来，然后采用漫水填充得到背膘区域，再采用其他方法来对其进行测量。表皮干湿状态的识别是基于畜禽表皮的水分反光，在灰度图中会呈现高灰度值的区域，同样采用图像分割将水分区域分割出来，然后根据水分区域的面积大小可以判断出表皮的干湿状态。虽然目前从调研上看，人们主要使用传统图像处理技术，研究此类问题；但是可以预见，使用传统机器学习或者深度学习，可以很好地完成此类任务。

畜牧养殖过程中，一个很重要的环节，是了解畜禽的体重或体尺变化，传统称重需要将畜禽驱赶至固定称重区域才能完成，一般畜禽又很难顺从地听取指令，对于大规模的养殖场来说更是难上加难，所以能够从视觉的角度，在无接触的场景完成对畜禽的体重估算，具有很强的现实意义。早期研究中先将畜禽从图像中分割出来，利用投影面积和体重的相关性来进行推测。由于畜禽体型的复杂性，单纯的面积只能大概估算体重，遂加入体长、体宽、体高、臀宽、臀高等多个体尺参数，这些体尺信息的获取方式，从手工测量发展到采用双目相机获取，再使用多种回归神经网络建立模型来进行估重。

肉质分级主要从纹理、肉色等方面进行分析，主要利用传统图像处理的颜色和图像直方图等方面进行处理分析，也有采用基于颜色特征参数为数据基础，利用BP神经网络进行颜色分级。

畜禽的采食饮水行为可以直观地反映出畜禽的健康状况，但是针对畜禽采食饮水智能识别的研究还相对较少，主要方案是将畜禽从图像中分割出来，然后利用深度学习识别头部图像，进而判断是否发生饮水行为。

畜禽脸部识别研究，在深度学习快速发展以前相对较少，随着深度学习的火热，近几年针对猪脸、牛脸等畜禽的研究与日俱增，特别是采用各种卷积神经网络，如VGGNet、ResNet等网络和以此为基础的各种网络扩展模型，并且取得了良好的效果。

3.3  目前的不足

通过对自动化、智能化技术在畜牧养殖业的应用调研发现，虽然现在已经有很多研究成果出现，但是由于每种技术的局限性，依然还存在非常多的不足，特别是针对基于卷积神经网络的研究，主要有以下三个方面：

（1）数据的采集。由于目前大部分养殖场的环境相对比较简陋，无论对于声音还是图像的采集都还很难做到全天候稳定的高质量数据采集，这对于数据的后期处理识别都会造成精度的损失。

（2）数据的标注。特别是针对畜牧养殖业特定畜禽的特定问题，没有现成的数据集可用，很大程度上都需要进行特定数据集的标注，而这个标注基本上都需要人工来完成，这会对其发展有一定的制约。

（3）算法的局限。比如针对猪舍中某头猪的识别跟踪，当出现长时间的目标丢失以后，如何能够依然正确的编号，仍旧是个难题。

4  大数据智能化平台系统

早期养殖场对畜禽信息的管理多采用纸质方式，即使现在各行各业都在进行信息化、数字化的改革，仍然有非常多的养殖场采用这种方式。但是随着现代畜牧养殖向规模化、智能化方向发展，借助各种传感器、摄像头等硬件设备，可以获取畜禽的全方位信息，使得养殖实体拥有更加多元化的手段进行畜禽养殖管理。采集到的数字信息越多，数据量越来越大，采用原始的纸质方式保存就越吃力，所以对于能提供统一的数字平台进行管理、展示、统计等的需求就更为迫切（如图3）。

首页前一页4/5后一页尾页