摘要 為對奶牛體況信息進行高效地實時監(jiān)測以便滿足商業(yè)化的需求，提出一種改進輕量級注意力機制網(wǎng)絡(luò)模型（Shuffle-ECANet）。首先，針對8 972 幅含有奶牛尾部的圖像樣本，通過專家對奶牛體況進行人工評分，并構(gòu)建數(shù)據(jù)集；然后以輕量級ShuffleNet-v2 1×網(wǎng)絡(luò)為基礎(chǔ)，在特征提取過程中引入高效的通道注意力模塊，強化網(wǎng)絡(luò)對奶牛體況特征的提取能力。此外，采用H-Swish 激活函數(shù)，避免神經(jīng)元壞死現(xiàn)象；最后通過進一步精簡網(wǎng)絡(luò)結(jié)構(gòu)得到Shuffle-ECANet 網(wǎng)絡(luò)模型。結(jié)果顯示，Shuffle-ECANet 模型針對各類別奶牛的識別準(zhǔn)確率為97% 以上，且在體況評分（body condition scoring，BCS）誤差分別為0、≤0.25 和≤0.5 的體況評價結(jié)果中，Shuffle-ECANet 模型均優(yōu)于EfficientNet-v1、MobileNet-v3、ShuffleNet-v2 1×和ResNet34 等模型，證明本研究方法的有效性。

關(guān)鍵詞 體況評分； ShuffleNet-v2 網(wǎng)絡(luò)； 注意力機制； 智慧養(yǎng)殖； 輕量級； 激活函數(shù)

中圖分類號 TP391 文獻標(biāo)識碼 A 文章編號 1000-2421（2024）01-0249-09

體況評分（body condition scoring，BCS）是以動物身體中體內(nèi)脂肪含量為依據(jù)，用來衡量動物能量代謝狀況、健康管理水平的重要方法。合理的體況管理能夠有效避免分娩時奶牛跛行和子宮內(nèi)膜炎的發(fā)生，對奶牛產(chǎn)前和產(chǎn)后管理具有非常重要的意義。體況異常和突變是奶牛代謝紊亂的主要表征之一，定期評估奶牛體況是提高奶牛產(chǎn)奶量、繁殖效率、降低疾病發(fā)生率的有效途徑［1-3］。傳統(tǒng)的體況評分方法主要是人工評價，評分員根據(jù)BCS 圖表信息［4］，通過對奶牛身體區(qū)域的觀察來進行評分，但存在主觀性、評分結(jié)果重復(fù)性低等缺點［5］。此外，體脂測量［6］、血脂測量［7］以及超聲波成像［8］等方法也被用于奶牛體況評價，但成本高、耗時且繁瑣，不利于實時性檢測。在規(guī)?；竽翗I(yè)發(fā)展中，上述方法難以滿足養(yǎng)殖的需求，故急需開發(fā)一種快速、廉價且精度高的BCS 評價方法來評估不同生長階段的奶牛體況。

近年來，隨著深度學(xué)習(xí)技術(shù)的發(fā)展，其高效快速的檢測能力和強大的特征表征能力滿足實時、高效、高精度的實際需求，在精準(zhǔn)農(nóng)業(yè)中得到廣泛應(yīng)用［9-11］，例如目標(biāo)檢測［12］、行為識別［13］、體況評價［14］、體質(zhì)量預(yù)測等［15］。其中奶牛體況評價是熱門研究之一。黃小平［16］使用2D 相機獲取5 470 張奶牛的后視圖像，手動標(biāo)注奶牛關(guān)鍵身體部位（尾巴、背部、臀部）并構(gòu)建數(shù)據(jù)集，采用改進的SSD 方法對牛尾圖像進行定位和分類，最終BCS 在0.5 分差范圍內(nèi)的平均準(zhǔn)確率為98.46%。趙凱旋等［17］采用3D 相機來獲取奶牛的背部深度圖像，結(jié)合點云方法進一步獲取奶牛背部輪廓三維信息作為深度學(xué)習(xí)模型的數(shù)據(jù)集，結(jié)果表明深度學(xué)習(xí)可提高BCS 的準(zhǔn)確率。Sun 等［18］使用3D 相機獲取686 頭奶牛的背部三維圖像，利用超聲波技術(shù)測量背膘厚度來確定奶牛的BCS 并構(gòu)建樣本集，通過訓(xùn)練深度學(xué)習(xí)網(wǎng)絡(luò)模型，實現(xiàn)奶牛BCS的自動檢測。上述研究表明，深度學(xué)習(xí)技術(shù)應(yīng)用于奶牛體況評分是可行的且具有較高的應(yīng)用前景。但在實際生產(chǎn)中，為滿足奶牛不同生長階段營養(yǎng)管理需求，理想BCS 值應(yīng)該與實際BCS 值分差不超過0.25，且2D 相機比3D 相機具有價格低、前期工作準(zhǔn)備較少等優(yōu)勢，現(xiàn)有自動評分系統(tǒng)的精度、實用性與實際養(yǎng)殖管理的理想標(biāo)準(zhǔn)仍存在一定差距。

為了提高深度學(xué)習(xí)技術(shù)在體況評分領(lǐng)域的實用性和準(zhǔn)確率，本研究提出了一種改進的網(wǎng)絡(luò)模型Shuffle-ECANet。通過專家對奶牛體況圖像進行人工評分構(gòu)建數(shù)據(jù)集，然后以輕量級ShuffleNet-v2 1×網(wǎng)絡(luò)為基礎(chǔ)，在特征提取過程中加入高效通道注意力模塊，強化網(wǎng)絡(luò)對奶牛體況特征的提取能力，修改激活函數(shù)提高了神經(jīng)元的使用效率，最后對網(wǎng)絡(luò)結(jié)構(gòu)進行裁剪得到Shuffle-ECANet 網(wǎng)絡(luò)模型，以實現(xiàn)自然環(huán)境下奶牛體況的精準(zhǔn)高效評分，為對奶牛體況信息進行高效地實時監(jiān)測提供參考。

1 材料與方法

1.1 數(shù)據(jù)采集

圖像采集于安徽省六安市安徽華好生態(tài)養(yǎng)殖有限公司，采集平臺如圖1 所示。相機（DS-2CD3T56DWD-I5，500 萬像素，?？低暎┌惭b在奶牛擠奶通道上方，距地面2.4 m，垂直向下，以獲取奶牛經(jīng)通道時的俯視視頻，并存儲在硬盤錄像機中。其中，幀頻為25 幀/s，921 600 像素。由于通道寬度有限，保證奶牛按照先后順序進入，在此條件下能夠有效避免奶牛圖像關(guān)鍵部位遮擋、干擾等問題，并可采集到與體況評分高度相關(guān)的奶牛尾部關(guān)鍵特征信息。

此外，奶牛體況在1 周時間內(nèi)變化范圍一般最大為0.25［19］，故對每頭奶牛體況得分的時間序列進行分析，剔除人工評分時間序列中的異常值。最終得到包含300 頭奶牛的8 972 幅體況圖像及對應(yīng)的BCS數(shù)據(jù)集。8 972 幅圖像經(jīng)過獸醫(yī)專家的標(biāo)注，被分到5 個類別當(dāng)中，分別是3.25、3.50、3.75、4.00、4.25，分類樣本如圖2 所示，可見隨著BCS 的遞增尾部的形狀特征從中空到凹陷，從扁平到膨脹；尾根兩側(cè)的凹陷面積也越來越小，從嚴(yán)重凹陷到完全看不到凹陷。由于評分為1.0 和2.0 的奶牛身體健康狀態(tài)極差，在當(dāng)下規(guī)?；B(yǎng)殖農(nóng)場中很難找到；此外，體況評分在4.5～5.0 的奶牛屬于高危牛群。故采集的絕大多數(shù)奶牛體況評分?jǐn)?shù)值分布在3.25～4.25。數(shù)據(jù)集按照9︰1 的比例隨機劃分為訓(xùn)練集和驗證集，其中訓(xùn)練集和驗證集當(dāng)中的BCS 分布特性如表1 所示，數(shù)據(jù)集在隨機劃分過程中包含所有的BCS 值，且保留了整體數(shù)據(jù)集的樣本分布特性。

1.2 圖像預(yù)處理

對輸入圖像進行標(biāo)準(zhǔn)化處理可以避免網(wǎng)絡(luò)在訓(xùn)練過程中梯度變化異常，達到縮短訓(xùn)練時間的目的。

本研究采取的標(biāo)準(zhǔn)化處理方法如下：