2021-4-9 | 畜牧业论文
本文作者：陆明洲 沈明霞 丁永前 杨晓静 周波 王志国 单位：南京农业大学工学院/江苏省智能化农业装备重点实验室 南京农业大学动物医学院/农业部动物生理生化重点实验室 南京农业大学动物科技学院 江苏省永康农牧科技有限公司
音频分析技术
广义上的动物健康可分为生理健康及情绪健康，音频分析技术一般都是针对患有呼吸道疾病的动物咳嗽声处理实现生理健康监测。为此应首先提取患病动物咳嗽声特征，Ferrari等[8-9]通过临床检查筛选染病猪并采集其咳嗽声，与柠檬酸诱发的健康猪咳嗽声对比发现染病猪咳嗽音频的标准化压力均方差及峰值频率均值均低于健康猪，而染病猪咳嗽持续时间及咳嗽频率则高于健康猪。针对染病猪咳嗽音频特征参数构建参考模板，将日常生产中利用定向麦克风采集到的猪咳嗽声与该参考模板做模式匹配，可以实现呼吸道疾病疑似病猪智能识别。在圈舍群养的猪饲养方式下，很难实现猪个体咳嗽声的采集，可将圈设定为监测对象，使用麦克风阵列定位具备病猪咳嗽音频特征的咳嗽声[10]，将出现病猪咳嗽声频率高的圈设定为高危圈，养殖人员重点关注高危区内动物健康状况，及早隔离确诊病例，这不仅有效降低了人工劳动强度，而且提高了患病猪识别效率，降低了规模化养殖场由于动物疾病带来的经济损失。动物情绪健康更多是动物福利关注的问题，目前音频分析技术主要用于提取动物在恐惧、孤独、焦虑等不良情绪下的叫声特征，在此基础上可实现动物情绪健康的无损监测。Jahns[11]针对已知的牛饥饿和发情叫声信号提取出先验特征矩阵及其参考模式，利用模式匹配方法识别牛只日常叫声中所蕴含的饥饿及发情信息。Ikeda等[12]利用线性判别分析方法处理声音信号的频谱结构变化特征，进而智能识别母牛饥饿以及与仔牛分隔而产生的两种焦虑状态。猪的情绪健康水准评价研究目前鲜见报道，限位栏饲养母猪和剪牙断尾仔猪的情绪健康问题最值得关注。
以仔猪为例，为了验证剪牙断尾过程会引起仔猪极强的恐惧情绪，可设计独立的仔猪叫声采集室，人为制造令其恐惧的突变环境，采集其叫声音频并提取音频特征构建参考模板，与剪牙断尾时采集的仔猪叫声做模式匹配，实现仔猪恐惧情绪的智能识别。动物采食、饮水、排泄行为异常可用于预测其健康异常，因此这三大行为是畜牧养殖从业人员最为关注的动物行为。及时监测到动物行为模式的突变有利于及早发现疑似发病个体，降低经济损失。音频分析技术目前主要用于牧场放养的牛羊采食行为监测，这种饲养方式下牛羊活动范围广，人工观察方式及机器视觉技术难以监测它们的采食行为。但是牛羊采食主要有咬断及咀嚼草料两种动作，而实际采食量可由咬断草料的次数来判定，因此可通过咬断、咀嚼草料两种动作的不同音频特征识别牛羊采食过程中咬断草料的次数，进而实现采食量的智能监测[6-7]。难以实时、准确掌握养殖动物需求是目前畜牧养殖业面临的挑战之一，而动物叫声是其生理、情绪健康状况的外在表现，准确掌握动物叫声含义有利于养殖人员根据动物自身需求开展养殖工作。动物叫声音频分析的首要目标是针对大量已知含义的动物叫声音频提取特征参数，不断扩充动物叫声音频分析模式库，这是研发动物叫声含义智能识别系统的基础。另外，动物叫声含义分析对音频质量要求高，如何有效降低圈养动物叫声间的相互干扰及环境噪声的影响以实现音频高质量地实时采集，是后续研究中需要解决的问题。
机器视觉技术
在畜牧养殖领域，动物行为与动物健康状况、生存舒适度密切相关，利用动物行为自动分析动物健康及舒适度状况相比人工经验观察而言结果更加客观。随着机器视觉技术在数字化农业领域的广泛应用，近年来，研究人员开始涉足基于动物视频自动分析动物行为及动物生存舒适度的研究领域[13]。行为模型是核心，该模块从动物形体姿态特征、行为间内在联系以及行为与环境间联系三个方面针对动物行为进行定义、表示和建模。视频流是动物行为分析的信息源，目前一般是在养殖舍顶部架设连接PC的摄像机实现视频流信息采集[14-17]，而关注动物腿部运动姿态的研究一般会单独构建规则通道，侧方位架设摄像机，在动物经过通道时采集其运动视频[18]。运动目标分割步骤从视频流原始图像中分割出监测对象，特征提取步骤主要工作是提取足够的动物形体特征，以区分不同的动物行为，这些形体特征包括位置、姿态、运动速度、轮廓等等信息，该步骤首先需要解决视频序列中研究目标的检测与跟踪问题。目前针对群养猪个体跟踪的最新方法能够准确识别、跟踪3头猪长达8min，为猪只行为特征提取奠定了良好的基础[14]。行为特征提取的目的是区分不同的动物基本行为，所谓基本行为是指诸如休息、探究、采食等能够持续一定时间的独立行为。临产母牛的站立、躺卧、摄食等基本行为可用于预测母牛分娩时间，Canger等[15]研究了这些基本行为对应的主轴线方向、臀围长度、体型宽长比、背部面积等图像特征，实现了基本行为的自动识别，该研究成果使得设计一种基于母牛行为的人工助产自动预警系统成为可能。
复杂行为由一个或多个具有时空关联的基本行为组成，复杂行为分析也可称为动物行为模式分析，其主要工作是挖掘动物基本行为间或基本行为与环境间的内在联系。Shao等[16]针对群养猪睡眠时的红外图像选取图像不变矩、背景前景像素转换频率以及猪群紧密程度作为特征向量，使用最小欧几里德距离方法区分环境温度寒冷与舒适两种状况下猪的睡眠姿态。基于此，养殖人员可根据动物睡眠姿态判断其环境温度舒适度，实现养殖环境参数的按需调节，该研究对探索环境因子对猪生长的影响也具有重要的学术意义和实用价值。动物行为模式是发现动物反常行为的基础，而反常行为是动物个体出现健康异常或环境发生突变的外在表现。动物反常行为的及时发现可用于动物疾病或环境调节预警。朱伟兴等[17]利用安装于猪舍排泄区的嵌入式监控设备对群养猪的排泄行为进行24h监控，对于单日排泄次数超过系统阈值的猪只，认定其排泄行为出现异常。Song等[18]将牛行走过程中同侧前后蹄接触地面中心点间距离定义为形迹重叠参数Δ，并挖掘出健康牛行走行为模式：行进过程中Δ值小于或等于0。将行进过程中Δ>0的牛只认定为患有跛腿残疾。仅从畜牧信息的无损监测角度而言，基于机器视觉技术的动物行为监测是目前最好的方法，这种技术以无接触方式记录动物行为信息，对动物活动没有任何影响。但是该方法的技术实现难度较大，受现场光照条件影响大，摄像机视距、拍摄范围有限，一般只能监测圈养动物信息。后续研究中除了需要针对动物行为进行更精确的行为建模外，还需要解决养殖动物个体识别与跟踪的问题，以猪行为监测为例，目前最新研究进展能够准确识别、跟踪3头猪8min时间[14]。而中国群养猪的单栏养殖密度一般都大于3头/栏，仔猪单栏养殖密度则更高，在这种应用场景下，如何在大通量的视频信息中识别跟踪某一行为异常的个体是后续研究需要重点解决的问题。