文|面包夹知识

编辑|面包夹知识

«——【·前言·】——»

近年来，我国肉羊产业发展速度较快，已逐步转型升级向规模化和集约化方向迈进，更是畜牧业经济的支柱产业。

同时，由于羊肉具有低脂肪和高蛋白的特点以及独特的香味，在肉类市场深受消费者青睐，使得畜禽市场对羊肉的需求也在不断增长。

然而我国大多数大型养殖场设施设备相对落后，主要还是依赖人工进行养殖场的产业化管理，未能建立一个高效、集约化的现代化生产和管理模式。

因此，智慧牧场管理技术应用在现代化肉羊规模养殖中将会使养殖场的饲养管理迈入一个全新时代，实现管理模式的自动化、信息化和智能化。

在现代化智能养殖中，计算机视觉传达技术在不干扰动物正常行为的情况下，取代人类对动物的观察以及测量，已成为众多专家学者的研究热点。

不过，北京的一养殖场，利用计算机视觉传达技术，不仅可以提高对羊只身份、行为状态、生物特征测量和胴体分割识别的精确度。

而且与羊只个体无接触，不会造成羊只应激以及人员受伤，节约饲养成本，为肉羊养殖场智慧化精准管理可以提供一定技术支撑。

«——【·身份识别·】——»

畜禽身份识别是养殖场生产管理的重要环节，对生产性能的把控具有重要影响。对于羊场而言，羊只身份识别是羊肉、羊奶、羊毛等畜产品的追溯保障。

在羊只成长记录体系中占有重要地位，如体重体尺变化、选育配种、妊娠状态监测等养殖任务都需要快速并准确地进行身份识别。

目前，市面规模化肉羊养殖场智能化监测管理中，身份识别的方式大多利用嵌入芯片、耳切口、电子耳标等。

这些标识不仅容易丢失，还可能会使羊产生应激反应以及身体损伤，影响肉羊生产性能，从而对养殖场造成一定的经济损失。

为提高肉羊养殖场的饲养管理效率以及肉羊养殖福利，在利用卷积神经网络的基础上，建立了原型计算机视觉系统，结果表明，该系统对身份识别的准确率可达95.8%。

由于光照会影响面部边缘特征，使得绵羊身份识别会受到一定影响。张世龙等[5]利用训练弱边缘特征融合网络与主干特征提取网络，将提取到的弱边缘特征融合入CNN后，显著提高了羊脸识别准确度。

进行数据模型测试发现，融合弱边缘特征后的网络模型识别精确度分别达到92.45%、98.15%和94.67%。

由于养殖场圈舍中羊只的脸较为相似，使得远距离识别具有一将监控设备捕捉的羊脸图像作为模型测试数据库，构建了轻量级羊脸识别模型ECAS-MFC。

经过测试得出，ECAS-MFC模型更为轻量化，对于羊只个体识别具有较好的识别准确率。

使用FasterR-CNN目标检测算法检测和定位图像中的羊脸，将检测到的面部图像输入7种不同的分类模型，其平均识别准确率达到95%。

«——【·生物特征测量·】——»

生物特征测量用于定义动物的各种特征，体尺和体重是动物科学研究和选育中的重要依据，也是衡量肉羊生产性能的重要指标。

人工测量肉羊体重和体型测量容易出现误差，也会对肉羊造成应激，影响肉羊的生长发育。并且有人畜共患疾病传播的风险。

体尺数据不仅可以反映肉羊的体况、胴体结构、生长发育与各种组织器官发育的关系，而且是评估肉羊生产性能的关键指标。

利用Mask-R-CNN 的图像处理模型，对采集到的乌珠穆沁羊的图像进行 Mask-R-CNN 数据预处理，将获取的图像经过背景移除、去燥平滑、轮廓最优提取，数值运算等步骤带入后，得到了更精确的体尺数据。

利用计算机辅VIA系统对绵羊体尺的测量结果表明，VIA系统测量的精确度超过90%，误差在3%以内。

由于圈舍中的羊只有各种姿态，对体尺测定有一定干扰，章程[3]利用支持向量机（SVM）将羊只姿态先进行分类（正常、低头、扭头），再根据轮廓特征点计算羊只体尺参数，通过数据模型可以快速（8~10s）、准确地测算出羊的体尺数据。

由于在视觉传达数据模型测量体尺过程中，羊毛厚度会对羊体尺有很大影响，提出了利用基于脖颈处和肩胛骨前缘端羊毛厚度差值的系数加权体尺修正算法。

体重是肉羊生产的重要生产性能指标，对养殖场管理决策和肉羊的经济效益至关重要。

利用支持向量机回归(SVR)、偏最小二乘预测模型(PLS)和BP神经网络模型3种体重预测模型对绵羊的体重进行了测量，发现使用 SVR 建立的体重预测模型较为精确。

目前，对于羊体重数据，利用计算机识别技术先获得羊的体尺数据，再将体重值与体尺参数建立回归模型，进而估测出羊的体重，此方法是目前较多使用的计算方式。

利用视觉图像处理技术测量羊只体尺，并通过测得体尺数据推算了出羊只的体重。

通过图像数据处理模型计算得出羊的体长、体高、胸围、胸宽等体尺参数，将参数与体重值建立多元线性回归模型，得到了羊的体重估算数据，平均误差为4.1%。

通过回归模型数据分析方法，研究分析了7种羊体尺相关参数对体重的影响，并证明了决定羊体重的重要参数。

«——【·行为识别·】——»

养殖场在日常饲养管理过程中，对于羊只身体状态发生的异常变化大多时候无法及时察觉，尤其是在发生疾病的时候，羊只身体和日常活动都会发生异常。

例如，河北一养殖场，通过这种新型技术，检测长时间的躺卧、采食量下降、呻吟等，这些行为状态及特征可以辅助判断动物身体是否存在异常。

为实现肉羊的身体及行为状态的实时监控，通过建立的CNN模型，对捕获的行为图像进行了测试，结果表明此模型可以精准的对奶山羊站立、趴卧、蜷缩、摄食4种行为进行识别，识别率较理想。

利用构建的CNN模型对羊的行为进行了识别，结果表明，该模型对羊进食行为的识别准确率达90.30%、站立行为的识别准确率达94.16%，坐卧行为的识别准确率能达91.90%。

对于身体状态不佳的羊只，使用自动跟踪算法从红外热视频（IRTV）中提取绵羊头部标定特征的皮肤温度（°C）。从RGB视频中执行两个参数工程程序来评估心率（HR）、每分钟心跳次数（BPM）、

呼吸频率（RR）和每分钟呼吸次数（BrPM），以辅助自动评估热应激，采集的羊脸图像标注后进行特征提取处理，通过提取的面部表情实现了自动评估绵羊的身体疼痛水平。

并采用直方图及支持向量机的方式对绵羊的疼痛程度进行分级，为羊身体状态识别和疾病识别和治疗提供了一定的帮助。

为了对母羊产前行为（站立、行走、趴卧及刨地）及时而准确的识别，采用聚类算法将趴卧行为进行识别，识别率达99.2%。

在此基础上利用BP神经网络对站立、行走和刨地行为进行了识别，识别率分别为85.7%、88.9%和80.0%，提高了母羊产前行为识别的算法精度。

«——【·胴体切割识别·】——»

快速而准确地对羊胴体分类及分级是确定胴体价值和品质特征的关键，肉羊胴体各部分相互连接。

具有相似的特征，难以识别和检测，但随着基于深度学习的图像语义分割技术的发展，可以探索该技术对绵羊胴体进行实时识别。

采用生成高分辨图像对抗网络，优选出最适用于羊骨架图像生成的网络模型BigGAN，扩充了羊骨架图像数据集。

依据图像语义分割网络Deeplabv3+的基础理论和结构特点，对羊胴体关键部位识别模型的图像检测速度进行了优化试验，设计胴体分割路径，辅助其设计的胴体分割自动控制系统达到了预期的羊胴体分割任务。

针对羊骨架难以机械化分割的现，利用TIAPORTALV15.1基于梯形图开发控制程序，并设计了人机交互界面。根据肉羊胴体切割精度需要，设计了骨架分割视觉系统，基于Open CV，开发了图像处理程序。

此种程序的羊骨架分割流水线的平均分割损耗率为1.26%，理论分割效率为100/h，平均分割误差为3.65mm。这种胴体分割识别在其他动物身上也得到了一定的数据验证。

利用传感器网络系统、图像标准化、颜色矫正、Canny边缘检测与机器学习相结合建立了无损牛胴体自动分类系统。

陕西一科学研究院。成功研制了一种猪体智能分割系统，该系统对即将分割的猪胴体进行激光扫描获得该胴体的图像。

经过处理后控制机器人对胴体进行切割，能够对猪胴体的不同部位进行特定的切割，同时也能处理不同形态的猪胴体。

«——【·结语·】——»

计算机视觉系统（CVS）在数智化精准养羊和高通量表型分析中的应用前景广阔，是一个不断发展创新的研究领域。

通过CVS不断测量性状可以降低管理成本并优化畜牧业的决策。

但仍有一些挑战需要深入研究，还需要开发连接用于不同应用的越来越多的设备的方法。这可以实现基于多个输入和多个输出（多个特征的联合预测）的更复杂的预测算法，进行大量的数据测试。

同时也需要开发应用程序，将CVS生成的信息传送到连接系统，从而为养殖场提供有更多价值的信息。