计算机视觉技术在规模化猪场应用的研究进展

邓永涛,陈希文,2

(1. 绵阳师范学院动物疫病防控与健康养殖工程技术研究中心,四川 绵阳 621000;2. 四川生猪重大疫病监测与防控工程研究中心,四川 绵阳 621000)

随着国内养猪业产业结构的不断完善,规模化猪场模式养殖的占比也开始逐年提高。但现阶段规模化猪场仍然需要不少的人力投入,且规模化和集约化程度不高,与先进国家和地区存在着很大的差距[1]。近几年,人工智能技术以前所未有的速度发展,尤其是计算机视觉技术,更是在各个领域大放光彩,对社会的发展起到了巨大的促进作用。在规模化猪场中,计算机视觉技术已经逐步受到业界的重视[2]。科学有效地利用计算机视觉技术提升规模化猪场的效益具有十分重要的现实意义,也是我国规模化猪场对先进国家和地区规模化猪场实现弯道超车的有效途径。

1 规模化猪场现状

规模化养猪通常是指采用前沿技术和相关配套的智能化设备,以工业化的生产方式组织生猪养殖,进行集约化生产和规模化经营的过程[3]。规模化养猪的理念提出后,规模化猪场应运而生。目前,我国的规模化猪场按结构可初步划分为地面式规模化猪场和立体式规模化猪场。地面式规模化猪场是一种将猪舍建在地面上的养殖方式,通常由多个猪舍组成,每个猪舍可以容纳数百头或数千头猪;立体式规模化猪场,即立体化楼式养殖方式,猪场将传统的单层生猪养殖变为多层生猪养殖,不仅能够节约土地资源,还可以大幅提升猪场单位面积的生猪承载量,进而带来更多的经济效益[3-4]。规模化猪场按养殖的生猪类型可划分为母猪场、肉猪场和种猪场。母猪场主要是用于繁殖母猪的场所,通常配备有产房、妊娠舍、哺乳舍、保育舍和配种舍;肉猪场主要是用于生产肉猪的场所,一般会配备育肥舍和生产舍;种猪场主要是用于种猪繁殖和生产的场所,大多数会配备种猪繁育舍和种猪生产舍。

规模化猪场由于存在异味、生产和生活环境较差,加之受到传统小农经济思维的影响,招工难成为了问题[5]。目前的机械化设备虽然能够减少一定的人力开销,但是仍然需要人的参与。因此,可以减少人力资源开销的计算机视觉技术开始受到关注,并且已经在规模化猪场的生产经营中取得了实际性的进展和应用[6]。

2 计算机视觉技术

计算机视觉技术通常是指从视觉感知和视觉生成两方面,对识别捕获到的图像或视频进行分类,再通过算法拟合已初步处理的数据,不断调整算法模型用以解决实际问题[7]。

对于计算机视觉技术而言,由于其基于机器学习模型,可以减少人工的参与,因此在各个领域都得到了广泛应用[8-9]。机器学习从是否需要人工标注的角度可以分为三类,分别是监督学习、无监督学习和将前两者的特性相融合的半监督学习,三类学习方式各自的优缺点见表1[10-13]。

表1 不同学习方式及其优缺点[10-13]

根据计算机视觉技术应用的具体任务不同,可以将其分为图片类或者视频类任务。通常是利用普通二维图像分析处理图片类任务,普通二维图像分析是指从静态的二维图像中提取物体的形状、颜色和纹理等特征,以实现物体的检测、跟踪、分割和识别等任务。此外,单目深度估计是普通二维图像分析的1个子问题,更加关注于对物体的深度信息进行分析,一般需要利用特定硬件设备使所获取的数据带有图像深度信息。视频类任务常用目标跟踪算法、视频识别算法和视频分割算法。目标跟踪算法可以根据先前帧的目标位置和速度等信息预测目标的位置,以实现目标跟踪;视频识别算法能够从视频中提取时间序列信息,结合空间信息来识别目标;视频分割算法能够将视频中的像素进行分割,以实现对目标和背景的分离。

3 计算机视觉技术在规模化猪场的研究进展

随着我国城市化步伐的加快,散户养猪模式正在逐渐退出历史舞台,规模化猪场逐渐成为主角,在可预见的未来,我国规模化猪场必定是智能化和机械化的。近年来,已有实践证明,计算机视觉技术可以用于猪的行为监测、疾病预测、情感状态分析和猪只判别等方面[6]。规模化猪场要把经济效益放在优先位置,将发展迅速的计算机视觉技术应用于规模化猪场,无疑是规模化猪场提升效益的有效方式之一。

3.1 猪行为监测 目前,在规模化猪场中,计算机视觉技术主要用于监测猪的饮水、进食和攻击行为。在饮水方面,传统的饮水识别主要采用射频识别技术,该方法需要给猪只佩带1个耳标号,对猪只有所损害,不利于猪只福利。为改善猪只福利,谭辉磊等[14]提出一种基于生猪轮廓的猪只饮水行为识别,尽管识别率能达到92%,但是由于饮水时猪只的移动会影响判断,所以存在一定的干扰。卞子煜等[15]基于深度学习目标,提出将实时目标(You only look once,YOLO)检测算法用于生猪行为识别,根据生猪位置与饮水区的关系以及是否处于静止状态,基于TensorFlow进行训练,进而综合判断猪只的饮水行为,饮水行为的判定不依赖于生猪轮廓,而是依据2 s内猪只头部中心点坐标方差是否均小于某一阈值,若小于则判定猪只处于饮水状态。嵇杨培等[16]提出一种基于可见光光谱和结合改良后的YOLOV2神经网络的方法,利用位置信息对进行进食和饮水的猪只进行识别,使用图像处理方法对符合判断的图像进行精准判断,可以实现对生猪目标在真实养殖场景中的检测。在异常行为方面,不同于前面学者运用的是猪只的位置信息,陈晨[17]提出了一种基于运动特征的群养猪攻击行为识别算法,能够以95.8%和97.0%的正确率识别中等和高等攻击,解决了从猪群中定位攻击猪的难题。

利用计算机视觉技术进行猪只的行为监测,对生猪的福利饲养有一定帮助[18]。上述利用计算机视觉技术进行猪只的行为监测,从基于生猪轮廓,到根据猪只的位置信息,再到基于运动特征。运动特征的本质也是一种位置信息,各学者使用的具体算法有所不同,从而监测的正确率也各有千秋。未来应该在改进算法的同时,选择更多的特征信息,不局限于通过位置信息来进行猪只的行为监测。

3.2 猪疾病预测 2018年非洲猪瘟对全球养猪业造成巨大冲击,我国养猪业也深受其害,业界开始对猪疾病预测进行进一步研究。通过人工方式难以实时辨别猪患病初期的异样,计算机视觉技术可以实现对猪只24 h不间断的监控和分析。

Jorquera-Chavez等[19]通过评估图像和计算机算法远程测量猪只的生理参数(心率和呼吸频率),通过听诊器和基于视频的呼吸运动观察,可以在猪群表现症状之前检测到受呼吸道疾病影响的猪只的早期生理变化,从而有助于猪只呼吸道疾病的早期检测和管理。该方法除了依靠计算机视觉技术和声音处理外,还需要人工对照,实际应用难度较大,对网络数据的传输稳定性要求较高。根据猪喘气时脊腹轮廓线的特征变化,谢海员[20]提出基于最大内接圆直径和平均曲率半径的特征参数,构建猪喘气行为波幅模型,该方法可以自动监测疑似病猪喘气行为。相较于Jorquera-Chavez 等提出的方法,谢海员的方法仅使用了计算机视觉技术,且全程自动连续监测,可以节省人力,实际应用难度较小。唐亮等[21]提出一种与呼吸相关性更大、稳定性更好的面积特征算子的方法来检测猪的呼吸,得到猪只呼吸的二维信号后将其转化为呼吸频率,该方法对于计算机处理来说,可能更加友好。

目前,计算机视觉技术在预测猪只疾病方面的研究还比较有限。早期的研究主要集中在基于听诊器和视频的诊断分析,以及对猪只喘气时脊腹轮廓线的特征变化和呼吸二维信号的分析。不同的研究方向会选择不同的特征点及其转换方式。目前,基于计算机视觉技术的疾病预测主要局限于猪只呼吸相关的特征,未来可以从异常行为和猪皮肤异常等特征出发,探索更多预测猪疾病的方式。

3.3 猪情感状态分析 猪的情感状态是动物福利的关键因素,对突然意外刺激的快速防御级联反应(惊吓和冻结)是动物福利的潜在指标。如果惊吓和冻结行为(冻结行为也可以称作惊恐呆滞或惊恐定型)确实可以反映猪只的情感状态,类似于其他物种中观察到的情况,那么计算机视觉图像分析可能成为评估猪只福利的新方法。需要进一步研究猪只的情感状态与惊吓和冻结行为之间的关系,以确定计算机视觉技术是否能够有效评估猪只的行为[22]。瓦赫宁根大学与研究机构构建了实时面部识别平台(Wageningen University &Research:Wolf Mascot,WUR Wolf),可以自动编码农场动物的情绪,基于 Python 的算法检测并跟踪农场动物的面部特征,分析其外观、耳朵姿势和眼白区域,并与农场动物的精神和情绪状态相关联[23];该系统在超过6个农场收集的农场动物图像的面部特征数据集上进行了训练,并经过优化以平均 85%的准确率运行,从中可以确定动物的实时情绪状态。进行猪的情感状态分析,还需要考虑经济效益,如果经济效益很低,则难以在整个产业推广。

3.4 猪只判别 计算机视觉技术应用于猪只判别之前,进行猪只判别的技术主要有猪只个体认证系统(Pig authentication system,PAM)[24]和无线射频识别(Radio frequency identification,RFID)技术。PAM是基于猪只ID的个体判别和认证系统,采用猪耳刺青和背部编码的方式,以确认猪只的个体信息覆盖其整个生命周期,这种方式虽然可以实现猪只的判别和管理,但需要进行人工刺青或编码,操作比较繁琐,并且容易出现识别错误等问题。RFID技术则可以实现无需人工干预的猪只识别和管理,即通过在猪只耳标或标签上添加RFID芯片来实现识别和管理。但如果需要进行猪只身体内部的监测,就需要将RFID芯片植入猪只体内,可是芯片植入的成本相对过高,对猪只本身也有一定的损害,经济效益并不高,因此更多应用于研究领域,而非实际的猪只管理中。

计算机视觉技术目前集中于研究猪只的体型、外貌和面部等特征,进而实现猪只的判别。马娜等[25]利用 Keras 构建卷积神经网络模型,可以对真实条件下的猪只身份进行快速识别,对只有单目标猪只的图像身份识别效果较好,准确率超过85%,但是多目标时身份识别效果较差。孙嘉燚等[26]对基于多目标追踪方法的猪只个体识别算法进行了研究,使用更快的基于区域的卷积神经网络(Faster region-based convolutional neural network,Faster R-CNN)算法,以具有50层的残差网络(Residual network with 50 layers,ResNet50)进行个体识别,在复杂的活动背景下也能较好的识别猪只,从而解决了多目标身份识别的难题。郝王丽等[27]提出了基于互学习模型的猪只识别模型,即从双方模型上相互学习新知识,从而获得更好的表现,收敛的速度也会更快,试验结果证实了互学习模型比无互学习模型准确率有所提高,损失值有所降低,单目标和多目标生猪的识别成功率均有所提升。Xiao等[28]提出了一种名为级联快速区域卷积神经网络猪检测器(Cascade faster R-CNN pig detector,C-FRPD)的算法,该算法具有基于Faster R-CNN的级联结构,用于检测个体猪及其身体部位,可以有效地建立个体猪与其身体部位的关联,获取头、背和尾3个身体部位的位置信息。该方法还可以通过视频图像对猪个体进行检测,并提供个体猪及其身体部位的位置信息。不同于之前的利用单一图像信息,该方法利用的是位置信息,从不同的角度进行猪只判别。

3.5 生产管理 在猪只生产管理中,计算机视觉技术可以应用于自主估算育肥猪只体重、母猪妊娠期体况和生猪存栏数量等方面,据此可以评估育肥猪体重增长是否正常、给予妊娠期母猪更合理的饲喂建议、较为准确地估算猪只生物资产数量等,对规模化猪场的生产管理有重要意义。

李健[29]提出一种采用电子耳标、电子秤和双目视觉摄像头来检测猪只体重的方案,猪只进入进食区域后电子耳标触发RFID阅读器,通过电子秤检测猪只体重,并将个体和体重信息上传到服务器;同时,通过采用基于图割的交互式前景提取(Graph cuts based interactive foreground extraction,GrabCut)算法采集猪只个体图像,并通过设计基于凸包和凹陷检测的算法计算其背部面积,采用夹逼法计算背部宽度,检测猪只中心点以计算体高。王甲福等[30]设计了一种基于机器视觉的妊娠母猪饲喂站,采用机器视觉图像处理、RFID等技术设计采食结构,依据母猪体况、胎次和妊娠时间等相应参数计算母猪饲喂量,控制投料电机以实现精准投料,降低养殖成本,提升养殖场的经济效益,实现生猪的智能化养殖。金耀[31]基于YOLOV3算法模型,对Momentum、Decay和Learning_rate参数进行优化,使用K-means算法,使得改进YOLOV3模型的精度更加精确;在优化后的模型基础上添加了计数器,使模型可以在完成对猪只的识别以后自动进行数量统计,大幅度减少了人工统计所花费的时间。

3.6 生物安全和防疫 在生物安全和防疫方面,可以利用计算机视觉技术对违规状况等进行抓拍和预警。

咬尾是规模化猪场的主要福利和经济问题。低尾姿势是早期预警信号之一,可以增加咬尾的可预测性。张振玲等[32]采用精准畜禽养殖(Precision livestock farming,PLF)方法,使用飞行时间3D相机进行抓拍,利用机器视觉算法处理数据,以自动测量猪尾巴姿势,结果证明了机器视觉系统可以自动检测尾巴姿势,为规模化猪场咬尾提供早期预警。刘冬等[33]提出了基于自适应学习率高斯混合模型(Adaptive learning rate gaussian mixture model,ALR-GMM)的动物行为识别模型,对基于活动指数的育肥猪攻击行为识别的准确率达到97.6%,满足实际应用要求,能够减少因攻击而造成的猪只皮肤损伤和感染等风险。

3.7 企业的落地探索 除了上述学者的研究外,很多企业,包括传统互联网企业,例如京东和阿里巴巴;部分科技企业,例如小龙潜行、影子科技和睿畜等;部分养殖行业巨头,例如牧原、唐人神、正大和扬翔等,均进行了计算机视觉技术研究和落地探索。

京东在猪产业数字化方面具有较强的优势,其数字农业平台“京东数科智慧农业”已在猪产业数字化方面开展多项探索和实践。猪脸识别是京东的核心技术,同时还在研发猪脸识别机器人。阿里巴巴在智能养猪方面也有着一定的技术积累和实践经验,其通过计算机视觉技术,能分析出每只猪每天能走多少步,运动不够的猪只需要被赶出去继续操练,以提升猪肉品质。小龙潜行开发了一套智能化的猪场管理系统,通过计算机视觉、传感器和大数据等技术手段,对猪只的生长、繁殖和健康等方面进行监测和管理,该系统可以自动识别猪只,并跟踪猪只的生长和体重等数据,帮助猪场管理人员及时发现问题和调整养殖策略。影子科技研发了一款智能化的猪场管理系统,该系统可以通过智能相机对猪只进行识别和分类,提高了猪只识别的准确率和速度;同时,该系统还能够对猪只的行为、体温和饮食等数据进行实时监测和分析,帮助养殖人员及时发现猪只健康问题。睿畜开发了一套智能化的猪场管理系统,该系统基于计算机视觉和深度学习等技术,可以自动识别猪只并对其进行分类和监测;该系统还可以对猪只的体温、饮食和行为等数据进行实时监测和分析,帮助猪场管理人员及时发现问题和优化养殖策略。牧原是我国一家生猪养殖企业,也是计算机视觉技术在规模化猪场应用的先行者之一,其通过安装高清摄像头,利用计算机视觉技术对猪只的行为和健康状况等信息进行监测和分析,实现了猪只个体化管理,提高了生产效率和养殖质量。唐人神是我国一家致力于农业科技创新的高科技企业,也在规模化猪场的计算机视觉技术方面进行了研究,该公司基于深度学习技术和计算机视觉技术,研发出了智能猪脸识别系统和智能猪身体行为监测系统,这些系统可以实现对猪只的身份识别、健康状态监测和情感状态识别等功能,为规模化养猪场提供了有效的技术支持和猪只动态监测问题的解决方案。同时,唐人神也利用这些技术,研发了智能喂食系统和智能排泄物处理系统等,进一步提升了养猪场的生产效率和生态环境保护水平。正大集团在规模化猪场的计算机视觉技术方面的研究主要聚焦于猪只行为监测和智能饲喂2个方面,在猪只行为监测方面,正大集团开发了基于深度学习算法的猪只饮水、饲料和活动等行为监测系统,通过监测猪只的行为变化,实现对猪只健康和生长状态的分析和预测;在智能饲喂方面,正大集团推出了“智慧饲喂”系统,利用计算机视觉技术对猪只饲料的种类、数量和饲喂时间等进行智能化控制,提高饲料利用率和养殖效益。扬翔集团是一家综合性畜牧企业,其在规模化猪场的计算机视觉技术的研究主要集中在猪只行为监测、疾病诊断、质量检测和智能喂养等方面,旨在提高养猪效率和经济效益,实现智能化和机械化的养猪生产。

目前,计算机视觉技术已经可以从单目标猪的判别到多目标猪的判别,也能从复杂的运动环境中判别猪只身份,从学者研究到企业落地探索,已经形成了现代化和智能化的势头。计算机视觉技术选取的识别信息有单一的图像判别,还有基于位置信息的判别。但是大多数猪只判别都在已拍摄完成的影像上进行,对实时影像的收集和分类没有开展具体的研究,接下来应该开展对实时影像的分析研究,同时也要对已有算法进行完善。

4 小结

计算机视觉技术在规模化猪场的应用已经有了一定程度的发展,但是距离技术的成熟应用还存在一定的差距。在行为监测和猪只判别方向的研究已有不少成果,但在疾病预测和情感状态分析方向的成果相对较少。从研究的技术层面来看,现有模型的特征选择点还比较局限,准确率还有待提高。未来的研究方向可以借助于其他领域的计算机视觉技术成果,探寻迁移到规模化猪场应用的可行性,开发更多的猪只特征点以供分析,让计算机视觉技术真正体系化服务于规模化猪场。