嚴勁濤

（電子科技大學格拉斯哥學院，四川成都 611731）

工廠化養(yǎng)豬大致可分為機械化、信息化和智能化3個發(fā)展階段，我國大多數(shù)的工廠化豬場目前正處于機械化向信息化轉(zhuǎn)型的階段[1]。智能養(yǎng)豬是大數(shù)據(jù)、人工智能、互聯(lián)網(wǎng)、物聯(lián)網(wǎng)等信息技術(shù)在養(yǎng)豬上的整合，在數(shù)據(jù)采集、數(shù)據(jù)分析和決策控制等方面賦予機器學習能力，并使各種數(shù)據(jù)信息互連，形成一個協(xié)調(diào)高效的自動化系統(tǒng)，部分替代人的思維進行智慧管理[1]。隨著人工智能技術(shù)的突破和低成本云基礎(chǔ)設(shè)施的布設(shè)，智能化養(yǎng)豬已成為可能，并逐步應用于養(yǎng)豬生產(chǎn)。

計算機視覺是人工智能的重要發(fā)展方向，是利用攝像機和電腦代替人眼對目標進行感知、識別、跟蹤和測量，獲取相應場景的三維信息，并處理捕獲的圖片或視頻[2]。計算機視覺是基于信號和圖象處理、概率統(tǒng)計、計算幾何、機器學習、神經(jīng)網(wǎng)絡(luò)等技術(shù)，通過計算機處理視覺信息。計算機視覺技術(shù)顯著改變了人與世界的交互方式，可完成突破人類視覺局限的任務(wù)[2]。在智能養(yǎng)豬領(lǐng)域，計算機視覺技術(shù)已顯示出廣闊的應用前景。本文綜述了計算機視覺技術(shù)在豬只識別、行為監(jiān)測、豬體尺參數(shù)和體重估測、豬肉品質(zhì)評定、疾病診斷等方面的研究進展，以推動計算機視覺技術(shù)在智能養(yǎng)豬中的應用，促進養(yǎng)豬業(yè)的轉(zhuǎn)型和變革。

1 豬只識別

人臉識別、虹膜識別、指紋識別等身份識別技術(shù)受到了研究者和產(chǎn)業(yè)界的廣泛關(guān)注，但豬只的身份識別技術(shù)還處于探索階段。通過識別豬的體型、外貌、面部等特征細節(jié)，提取每頭豬的特征，實現(xiàn)精準識別和定位每頭豬。Navarrojover 等[3]提出一種基于顏色的計算機視覺算法用于跟蹤仔豬位置，識別準確率達到89.1%，但該方法對背景光線敏感，易出現(xiàn)錯誤識別或識別不到的問題。為了有效適應背景光的變化、仔豬短暫滯留或運動緩慢等狀況，可采用偽球算子邊緣模型，用于豬前景幀檢測[4]。為弱化背景中污水和排泄物對目標分割的影響，可采用預測機制和閾值分割相結(jié)合的群養(yǎng)豬前景幀檢測方法，在復雜豬舍環(huán)境中可以獲得相對精確的群養(yǎng)豬對象[5]。為了檢測復雜背景中的豬只目標，有效檢測那些長時間靜止和運動緩慢的豬只目標，可采用基于高斯混合建模和圖像?；娜︷B(yǎng)豬只目標檢測方法[6]。通過支持地圖指向視頻幀中的豬，提取其特征值建立單豬的5D 高斯模型（位置和形狀），并對攝像機鏡頭引起的魚眼畸變進行軟件校正，研制的豬實時計算機視覺跟蹤系統(tǒng)，可以在較長時間（超過8 min）同時識別和跟蹤3 頭豬的身份和位置，然而，當多頭豬距離太近或豬只發(fā)生快速移動時，該系統(tǒng)將不能對豬進行跟蹤[7]。郭依正等[8]研發(fā)了Isomap 和支持向量機算法，用于俯視群養(yǎng)豬的個體識別，豬個體的識別率達到92.88%，但對于非標準站姿的豬個體識別效果不佳。目前對單只豬進行建模多是基于橢圓模型，然而，現(xiàn)有的適應橢圓的方法需要一個近乎完美的分割，依賴于單只豬的清晰分界。由于畜舍的閉塞物、灰塵或陰影，即使使用先進的分割技術(shù)，也可能出現(xiàn)不完整或錯誤的分割[9]。為此，Brunger 等[9]提出了一種新的橢圓自適應方法，該方法不是基于分割邊緣，而是針對所有分割的像素，這使得它更容易補償分割中的微小誤差，即使是在光線不足或相機定位不利等次優(yōu)條件下也可以處理圖像。

國內(nèi)外對于豬個體的身份識別研究還處于探索階段，生產(chǎn)應用還需要攻克許多難題：①目前豬只識別多是在已錄制完成的視頻中進行，缺乏對實時視頻進行圖像采集和數(shù)據(jù)輸出的算法[1]；②豬只的清潔程度、實時運動、豬圈背景都會增加圖像采集的難度；③在圖像分割方面，需要速度快和分割精確的算法，另外受豬只站立姿態(tài)的影響，算法選取的特征區(qū)域偏差較大，今后需要研究魯棒性更高、性能更優(yōu)的算法。

2 行為監(jiān)測

豬的行為包括采食、飲水、排泄、母性、社會、異常等[10]。人工觀察豬的行為存在費時費力、干預豬生活環(huán)境、難以實時監(jiān)控等缺點。計算機視覺技術(shù)可以估計豬只的飲水量[11]；識別測試幀中豬只飲水行為，較好區(qū)分飲水狀態(tài)和非飲水狀態(tài)[12]；可以連續(xù)識別和跟蹤斷奶仔豬的活動[13]。在豬運動信息監(jiān)測方面，郁厚安[14]通過計算機視覺技術(shù)對豬的進食、飲水、躺臥、走動、排泄行為進行識別，結(jié)果表明計算機視覺可有效獲取豬運動信息，能夠滿足長時間、大數(shù)據(jù)量的運動信息計算，與人工識別的結(jié)果吻合程度較高。關(guān)于豬攻擊行為的監(jiān)測，已有研究開展了豬攻擊行為的自動錄像分析和豬只間攻擊性相互作用分類的圖像特征提取方法[15-16]，開發(fā)了基于計算機視覺的豬攻擊行為自動檢測方法[17]。豬只間的過度爬跨行為會導致豬只皮膚損傷、腰部淤青、跛足等，計算機視覺技術(shù)應用橢圓擬合技術(shù)對豬只定位，每個擬合橢圓的長軸和短軸之間的交點以及橢圓形狀定義為每頭豬的頭部、尾部和側(cè)面，采用頭部和尾部、頭部和側(cè)面之間距離以及擬合橢圓的長軸和短軸長度用于算法開發(fā)，自動識別爬跨行為[18]。在計算機視覺自動監(jiān)測母豬分娩方面，分析母豬限位欄內(nèi)的視頻圖像特征，用半圓匹配算法識別母豬，然后采用改進單高斯模型的背景差分法檢測運動目標，識別仔豬，從而判斷母豬是否分娩[19]。為了實時監(jiān)測群體飼養(yǎng)豬的熱舒適性，Shao 等[20]應用計算機視覺技術(shù)提取圖像矩不變量、運動頻率，以豬只占有率和豬群緊密度作為特征向量，最小歐幾里德距離用于區(qū)分豬的冷態(tài)和舒適狀態(tài)，識別豬的冷熱舒適度。豬行為提供了其健康、福利和環(huán)境狀況的信息。在不同的氣候條件下，豬采用不同的臥姿：在較高的溫度下，豬側(cè)臥，四肢伸展；而在較低的溫度下，豬則采用胸骨或腹部臥姿。鑒于此，利用機器視覺研究豬群臥位形態(tài)的變化，可以高精度地自動發(fā)現(xiàn)溫度變化引起的豬躺臥姿勢和位置變化[21]。Nasirahmadi 等[22]建立了基于圖像處理和支持向量機的豬側(cè)臥位和胸骨臥位自動評分，分類準確率達到94.4%。

采用計算機視覺技術(shù)監(jiān)測豬只采食、飲水狀態(tài)、攻擊行為、過度爬跨、母豬分娩、豬群活動、環(huán)境舒適度等，可為精準投喂提供依據(jù)，并可提高豬的福利飼養(yǎng)。但計算機視覺技術(shù)監(jiān)測豬行為還存在很多不足，數(shù)據(jù)量大和處理算法復雜的瓶頸制約著實時傳輸和處理的速度[10]。另外，對豬只個體行為特征研究較多，而對群體行為研究較少。

3 豬體尺參數(shù)和體重估測

豬的體尺、體重等參數(shù)是種豬選育、豬生長狀況評價的關(guān)鍵指標，目前一般是通過人工直接接觸式測量獲取這些參數(shù)，不僅耗時耗力，而且會對豬造成應激。基于計算機視覺技術(shù)的豬體尺參數(shù)和體重估測，具有快速、無接觸、自動化等優(yōu)點。采用形狀識別技術(shù)，利用豬的獨特繪畫圖案自動識別豬個體，采用橢圓擬合算法和動態(tài)模型可對豬體重進行估算[23]。矢量量化臨時聯(lián)想記憶（Vector-Quantized Temporal Association Memory，VQTAM）建模技術(shù)能進行準確的體重估測，平均誤差小于3%[24]。應用機器視覺對豬體重估測模型進行比較和優(yōu)化，結(jié)果顯示基于體長、體寬、體高、臀寬和臀高的線性回歸模型具有很好的估測精度，估測值與真值的相關(guān)系數(shù)達到了0.996[25]。通過采集不同生長階段肥育豬的圖像和質(zhì)量數(shù)據(jù)，應用計算機視覺技術(shù)將豬的側(cè)視圖像進行顏色特征處理、閾值分割和圖像形態(tài)學處理，推導計算后得到豬體的側(cè)視面積，然后對一維體尺參數(shù)、側(cè)視面積與體重進行數(shù)據(jù)擬合并建立數(shù)學模型[26]。針對計算機視覺技術(shù)獲取豬體尺測點識別率低的問題，可采用去除噪聲算法和背景減法去除背景干擾[27]；也可采用雙目視覺提取豬體尺參數(shù)，建立主動式三維重構(gòu)體尺體重檢測算法[28]。Jun 等[29]開發(fā)了一種不受豬的姿勢和圖像捕捉環(huán)境限制的豬體重估測方法。在豬體尺測量系統(tǒng)的開發(fā)上，Microsoft Kinect VL 深度相機可實現(xiàn)快速、非接觸測量心圍、長度和高度等豬體參數(shù)[30]；利用基于Xtion 的便攜式豬體尺寸自動測量系統(tǒng)，體寬、髖寬和體高的平均相對誤差分別為10.30%、5.87% 和7.01%[31]；基于LabVIEW 的大型養(yǎng)豬場豬體成分估測移動測量系統(tǒng)，可以實時采集體長、體寬、體高、髖寬和髖高等數(shù)據(jù)[32]；采用3D 計算機視覺自動化系統(tǒng)可獲取生物特征和形態(tài)測量并預測豬體重[33]。

計算機視覺技術(shù)應用于豬體重估測，可極大促進豬場管理由粗放式到精細化。今后需要進一步研究分割、降噪、估重的人工智能算法。在技術(shù)架構(gòu)方面需要做以下工作：在豬場端，采集圖像，過濾質(zhì)量差的圖像，將數(shù)據(jù)傳送到云端；在云端，人工智能算法模型估測體重，預測最佳出欄時間，評價豬只生長狀況，提供飼喂建議；在應用終端，呈現(xiàn)豬只增重狀況、基于體重的飼喂建議和預測預警等。

4 豬肉品質(zhì)評定

豬的肉品質(zhì)指標包括顏色、大理石紋、嫩度、多汁性、鮮味、滴水損失、貨架壽命等，主要采用人工感觀評估和化學分析。人工感觀評估受主觀因素較大，而化學分析方法存在分析時間長、過程復雜、破壞樣品等缺點。研究表明，計算機視覺技術(shù)在豬肉品質(zhì)評定上具有無需接觸樣品、信息采集方便、數(shù)據(jù)處理快速等優(yōu)點[34]。

背膘厚度是豬肉等級評定的重要參數(shù)，一般取肩胛后沿、最后肋處及腰薦接合處距背正中線4 cm 處進行測量，而后取3 點平均值。測定方法包括直尺測量和超聲波活體測量等。利用超聲波成像技術(shù)掃描腰部肌肉的橫截面和視頻成像捕獲胴體的二維（2D）和三維（3D）圖像，建立用于分級豬胴體的計算機視覺系統(tǒng)，背膘厚度檢測準確率可達82%[35]。利用計算機視覺自動估算胴體相關(guān)參數(shù)（如豬背膘厚、瘦肉率、屠宰率），圖像特征可以代表實測特征[35]。李青等[36]應用機器視覺和圖像處理技術(shù)，提出了一種測量背膘厚度的圖像采集算法，檢測正確率為93.5%，平均檢測時間為0.3 s。

豬肉大理石紋是肌內(nèi)脂肪在豬肉組織中分布形成的可見花紋，與嫩度、肉汁、風味密切相關(guān)。應用計算機視覺技術(shù)可對肌肉大理石花紋進行量化，可以替代肌內(nèi)脂肪含量分析實現(xiàn)無損快速檢測[37]。然而，大多數(shù)計算機視覺限于特定的肌肉類型，針對此限制，Barbon等[38]開發(fā)了k-最近鄰居算法（k-Nearest Neighbours algorithm，k-NN），研發(fā)了一種用于豬肉大理石紋分級的計算機視覺系統(tǒng)，可靈活適應不同的肌肉顏色對比和分級標準。

在評價豬肉的肉色方面，采用基于顏色理論構(gòu)建的計算機視覺系統(tǒng)，用于豬肉顏色的定量化和客觀化評定，具有無損、快捷、準確、客觀等優(yōu)點[39]。Lu 等[40]將豬肉圖像分成背景、肌肉和脂肪，然后從分割的圖像中提取彩色圖像特征，采用BP（Back Propagation，BP）神經(jīng)網(wǎng)絡(luò)建模，建立了計算機視覺技術(shù)評估豬肉顏色的方法。在評價豬肉的新鮮度方面，潘婧等[41]將計算機視覺用于顏色特征的優(yōu)化選取，利用圖像處理的方法提取豬肉表面的顏色特征參數(shù)，并利用BP 和SVM（Support Vector Machine，SVM）神經(jīng)網(wǎng)絡(luò)構(gòu)造各類新鮮度等級預測模型，BP 和SVM 的平均預測準確率分別為84.4%和91.1%。

5 疾病監(jiān)測

豬場疾病的日常監(jiān)測是豬場管理的重中之重，主要采用人工監(jiān)控方式，如現(xiàn)場巡視和視頻監(jiān)控，均存在巡視人員主觀性較強、連續(xù)觀察勞動強度大、信息疏漏偏差等問題。豬的呼吸是判別豬患病的重要依據(jù)，可作為豬場日常疫情監(jiān)測的預警依據(jù)。因此，計算機視覺技術(shù)監(jiān)控生豬病態(tài)行為的關(guān)鍵問題是如何識別這類視頻的語義。在監(jiān)測豬的呼吸急促方面，根據(jù)豬腹式呼吸運動時脊腹輪廓明顯波動的特點，可用計算機視覺技術(shù)構(gòu)建單側(cè)視豬的腹式呼吸表達。馬麗等[42]以脊腹線截距描述子（Ridge-Abdomen Contour Intercept Descriptor，RACID）作為衡量脊腹輪廓波動的指標，采集視頻幀序列中隨時間變化的RACID，獲得豬腹式呼吸運動的波形圖模型，實現(xiàn)疑似呼吸急促豬只的自動預警，結(jié)果顯示機器法和人工法相關(guān)系數(shù)達到98%。喘氣是多種豬病的常見癥狀，可作為病態(tài)預警依據(jù)。生豬腹式呼吸病態(tài)運動是常見的癥狀，表現(xiàn)為明顯的間歇性呼吸急促、豬身脊腹段波動劇烈等特征。謝海員[43]根據(jù)豬喘氣時脊腹部輪廓線變化顯著的特點，研究了最大內(nèi)接圓直徑描述子和平均曲率半徑描述子2 種視頻特征參數(shù)的提取方法，然后以這2 種視頻特征參數(shù)構(gòu)建了豬喘氣行為的波動圖模型，建立了基于計算機視覺的豬喘氣行為視頻特征表達方法，可用于連續(xù)監(jiān)測和量化生豬的喘氣行為，并自動監(jiān)測表現(xiàn)喘氣行為的疑似病豬。

計算機視覺技術(shù)監(jiān)控豬疾病的研究較少，主要是通過監(jiān)測豬的呼吸行為，需要繼續(xù)開展研究：豬體輪廓質(zhì)量會影響視頻特征參數(shù)值的精度，需進一步研究如何提取更加清晰的豬體輪廓；由于豬呼吸是低頻信號，如何得到平穩(wěn)的呼吸頻率信號還需深入研究；結(jié)合機器學習描述豬只的呼吸行為，開發(fā)機器學習算法[43]。

6 小 結(jié)

計算機視覺技術(shù)在養(yǎng)豬上的應用大多數(shù)還處于探索階段。從研究趨勢看，機器自我學習是突破點，數(shù)據(jù)是最終驅(qū)動力。在應用上，相關(guān)智能設(shè)備存在成本偏高、性價比低等問題，而且豬場內(nèi)通訊條件差、蚊蟲多、粉塵大、腐蝕性強等不利條件都會影響設(shè)備元器件的性能發(fā)揮。未來，隨著技術(shù)的不斷成熟和與產(chǎn)業(yè)的深度融合，計算機視覺技術(shù)必將為養(yǎng)豬業(yè)帶來一場變革。