孫雨坤 岳奎忠 李文茜 么恩悅 劉 鑫 李 洋 張永根*

(1.東北農(nóng)業(yè)大學(xué)動物科學(xué)技術(shù)學(xué)院，哈爾濱 150030;2.東北農(nóng)業(yè)大學(xué)生命科學(xué)學(xué)院，哈爾濱 150030)

高成本、低效率是我國奶業(yè)競爭力不足的原因之一，國內(nèi)奶牛生產(chǎn)平均飼料轉(zhuǎn)化率為1.2，發(fā)達(dá)國家可以達(dá)到1.5，提高生產(chǎn)效率需要通過科學(xué)精細(xì)的管理方式[1-2]。發(fā)達(dá)國家更加關(guān)注動物福利在動物生產(chǎn)中的作用，考察的指標(biāo)包括動物行為、生理狀態(tài)、健康指標(biāo)和生產(chǎn)性能[3]。準(zhǔn)確、及時地反映畜群的生產(chǎn)狀態(tài)有助于降低生產(chǎn)成本，提高飼料轉(zhuǎn)化率，減少牛群發(fā)病率[4]。傳統(tǒng)觀察畜群方式是依靠經(jīng)驗豐富的養(yǎng)殖人員，以肉眼觀察和觸摸的方法對動物個體狀態(tài)進(jìn)行相應(yīng)判斷，為了克服傳統(tǒng)方式中主觀判斷產(chǎn)生的誤差，以及動物應(yīng)激狀態(tài)中行為的不確定性，在過去幾十年里科學(xué)工作者通過不斷改進(jìn)圖像信息技術(shù)，可以得到更加客觀真實的數(shù)據(jù)資料。近些年，奶牛牧場中安裝多功能照相機記錄牧場全景圖像，作用在于評測動物采食和行為活動，獲得行為指數(shù)，有利于實時觀測行為變化，確定奶牛生產(chǎn)體況，其靈敏度可以達(dá)到87%[5]。高靈敏度證明畜牧生產(chǎn)者可以更多考慮圖像技術(shù)在生產(chǎn)管理中的應(yīng)用，不僅費用較低，并且能夠觀察動物在自然狀態(tài)下的生產(chǎn)情況，其數(shù)字化信息將給予管理者更加客觀實時的生產(chǎn)數(shù)據(jù)和分析結(jié)果。本文探討了圖像信息技術(shù)的基本原理，列舉生產(chǎn)管理與圖像信息結(jié)合的試驗方法和結(jié)果，提出對國內(nèi)相關(guān)研究的看法和建議。

1 照相機分類

動物圖像檢測和圖像分類是圖像識別的2個核心問題，當(dāng)動物通過特定地點時系統(tǒng)會自動識別個體信息并進(jìn)行拍照，圖像會傳入電腦，通過不同模型算法提取特征進(jìn)行圖像分類，最后確定識別結(jié)果(圖1)[6]。圖像識別是圖像信息數(shù)字化的第1步，而不同目的需要選用各自適合的相機進(jìn)行圖像采集。綜合近些年的文獻(xiàn)資料，在反芻動物生產(chǎn)中主要選用3種相機：可見光相機、熱成像相機和深度相機。

1.1 可見光相機

可見光相機屬于雙維度型照相機，通過吸收可見光波長，以及日光照射使物體成像[7]，比如常見的監(jiān)控攝像頭。利用此類相機觀察動物日常生產(chǎn)的例子較為常見，如在牧場內(nèi)安裝照相機，同時觀察動物行為以及養(yǎng)殖人員的操作規(guī)范。在試驗中可以根據(jù)不同顏色、形狀和結(jié)構(gòu)特點，從收集到的圖像中選擇適當(dāng)?shù)膱D片，再加上相應(yīng)的算法就可以提取圖像特征并量化其結(jié)果[5]?？梢姽庀鄼C能夠提取目標(biāo)物體的三原色(紅、藍(lán)、綠)，不同的圖像處理可以將三原色信息轉(zhuǎn)換成為灰度、色調(diào)、飽和度還有其他參數(shù)信息。在反芻動物生產(chǎn)中利用可見光相機可以對動物體重、體況評分、臥床率和跛行等進(jìn)行觀測[8]。

圖1 照相裝置示意圖

1.2 熱成像相機

熱成像相機與可見光相機的成像原理類似，是將鏡頭的能量聚集在一系列感受器上產(chǎn)生圖像(圖2)。熱成像相機通過接收和測量被測物體的熱輻射來獲得有效信息，其圖像屬于強度圖像，每一個像素的強度值與攝入到光感電子元器件的熱能有關(guān)，目標(biāo)動物發(fā)出紅外輻射，其溫度越高，發(fā)射強度越高，則圖像亮度更強?？梢姽庀鄼C的波長較短(0.32～1.30 μm)，而熱成像相機可以探測到目標(biāo)物體的波長為3～14 μm[9]。熱成像相機已經(jīng)廣泛應(yīng)用于工業(yè)、農(nóng)業(yè)、軍事等領(lǐng)域，在牧場中用作評價動物能量需求、疾病健康監(jiān)測以及動物日常行為觀察。但是最初報道表明，熱成像相機的圖像特征與肉牛脂肪和背膘厚的相關(guān)性較低(相關(guān)系數(shù)為0.47)，因為視頻中對有效畫面的選擇是手動的，而最新研究證明，在全自動熱成像記錄儀中，其相關(guān)系數(shù)達(dá)到0.94[10]。

1.3 深度相機

得益于科技的日新月異，深度相機技術(shù)在過去十年得到了飛速發(fā)展，并普及于日常生活中。深度相機是許多可視系統(tǒng)的核心部件，比如飛行時間技術(shù)(TOF)和體感相機。TOF是傳感器發(fā)出經(jīng)調(diào)制的近紅外光，遇物體后反射，傳感器通過計算光線發(fā)射和反射時間差或相位差，換算被拍攝景物的距離，以此產(chǎn)生深度信息(圖3)，此外再結(jié)合傳統(tǒng)的相機拍攝，就能將物體的三維輪廓以不同顏色代表不同距離的地形圖方式呈現(xiàn)出來[11]。深度相機可以克服許多可見光相機與熱成像相機的系統(tǒng)性缺陷，比如背景移除功能的缺失、無法自動提取有效特征、或者對光線的亮度都可能影響最后的結(jié)果。但是TOF相機也會受限于截取視頻的時間長度、圖像中數(shù)據(jù)點的數(shù)量以及相對有限的視野?；赥OF發(fā)展而來的體感相機，不需要進(jìn)行校準(zhǔn)就可以通過與軟件相結(jié)合實時建立圖像模型[12]。與二維圖像相比深度圖像信息可以獲得三維立體信息，二維圖像在提取信息時還需要獲得特征點位，而體感相機則并不需要標(biāo)記過多的特征點就可以實時獲取圖像的關(guān)鍵信息[13]。深度相機雖然對色彩分辨并不敏感，但是由于能夠充分捕捉目標(biāo)物體形狀的細(xì)節(jié)，所以在奶牛生產(chǎn)中多用于以形狀輪廓作為觀察基礎(chǔ)的技術(shù)指標(biāo)，包括體況評分、體型外貌評分和跛行評分等。

Receptors:接收器；Pitch：孔距；Focal Length：焦距；Lens：鏡頭；Field of View Angle：可視范圍。

圖2熱成像相機成像原理

Fig.2 Imaging principle of thermal imaging camera[9]

3D surface：3D表面；Pulse：脈波；IR emitter：紅外線發(fā)射器；Detector：探測器；Start：開始；Stop：停止；Timer：計時器。

圖3深度相機成像原理

Fig.3 Depth camera imaging principle[11]

2 圖像信息在生產(chǎn)中的應(yīng)用

為了及時反映牧場中動物個體的體況，同時不影響畜群生產(chǎn)狀態(tài)，牧場可以采用圖像技術(shù)在群體中分辨出特殊情況的個體。在一些研究中動物體重、體況可以反映出不同的生理健康狀況，利用圖像采集技術(shù)推斷出不同的生理指標(biāo)用于指導(dǎo)生產(chǎn)。

2.1 體重

動物體重是一項非常重要的生產(chǎn)指標(biāo)，體重與其他生理和生產(chǎn)狀態(tài)存在著密不可分的相關(guān)性，比如飼料轉(zhuǎn)化率、動物采食的一致性、動物年齡、健康狀況以及出欄需要等。但是測定動物體重對工人來說是非常辛苦的工作，同時也會增大動物應(yīng)激。圖像采集技術(shù)早先在豬生產(chǎn)中應(yīng)用較為廣泛，從豬頂部位置獲得圖像信息，提取圖像特征，包括面積、周長、偏心率、軸長和邊界位置，之后進(jìn)一步估測動物體重[14-15]。反芻動物可以通過頂部及側(cè)面視角提取體況特征信息，比如臀部高度、體長、胸圍，并結(jié)合多變量一般線性模型預(yù)測動物體重。Stajnko等[16]利用近紅外相機觀測肉牛體重，通過側(cè)面圖像采集，可以準(zhǔn)確從群體中捕獲位于髖關(guān)節(jié)以后及其肩胛以下部分的個體特征，但是近紅外相機與體重的相關(guān)系數(shù)變化范圍較大，不同年齡段的相關(guān)系數(shù)從0.11到0.74不等。Buranakarl等[17]對比了水牛體高、胸圍、肩寬、髂骨寬、坐骨結(jié)節(jié)寬、體斜長等，采用立體照相機獲取三維圖像，通過計算得出該方法與動物體重的相關(guān)系數(shù)為0.81。而Anglart[18]的試驗中同樣利用三維技術(shù)估測動物體重，在相機與體重的最高相關(guān)系數(shù)可以達(dá)到0.87。

2.2 體況評分

體況評分反映了奶牛對能量的利用情況，是反映動物生產(chǎn)力、動物健康狀況和繁殖潛力的重要指標(biāo)。通常情況下，牛場需要定期檢查奶牛體況評分[19]，經(jīng)驗豐富的管理者通過眼觀和觸摸進(jìn)行奶牛體況評分判定，其結(jié)果具有一定的主觀性，而現(xiàn)在通過圖像采集的方法可以客觀、準(zhǔn)確快速地評判體況。早先科研工作者利用可見光相機對畜群樣本進(jìn)行采樣，需要手動確定奶牛體貌特征點(圖4-A)，之后將相機置于牛體正上方并捕捉畫面確定樣本特征位置，一般選用動物薦骨至臀部位置作為樣本，其中尾根凹窩與臀部棱角是重要觀測點(圖4-B)，當(dāng)僅測定臀部棱角時，誤差在0.50分范圍內(nèi)的體況評分估測值，準(zhǔn)確率可以達(dá)到100%，誤差在0.25分范圍內(nèi)的準(zhǔn)確率可以達(dá)到92.79%[20-21]。但是該方法不能利用圖像的全部信息，主要是通過提前設(shè)定特征位置，獲取高清圖像后提取相應(yīng)位置信息并分析數(shù)據(jù)。

圖4 可見光相機拍攝圖像及信息處理后的特征點位

相比于可見光相機的部分信息處理方法，深度相機通過采集圖像全部信息可以提高體況評分的準(zhǔn)確率，因為該方法可以探測到動物體型的立體圖像信息，對于形狀(體型)的細(xì)微變化更加敏感。深度相機需要采集90～120幀的圖像，提取動物背部后段的相同區(qū)域圖像，以確保被分析區(qū)域的一致性和相同的三維樣本點數(shù)量，并選擇最適公式進(jìn)行校準(zhǔn)。校準(zhǔn)過程需要規(guī)范三維圖像尺寸，將分析區(qū)域的三維表面進(jìn)行疊加，找到一致的表面大小，所以排除了動物個體的形狀尺寸變化對結(jié)果的影響。在確定的三維圖像中建立坐標(biāo)系，以薦骨連線為X軸，尾根中線為Y軸，X、Y軸的正交處為Z軸，以該坐標(biāo)系為標(biāo)準(zhǔn)對圖像進(jìn)行校準(zhǔn)(圖5)[22-23]。Fischer等[23]在比較了手動測定體況評分之后發(fā)現(xiàn)(標(biāo)準(zhǔn)誤為0.210)，深度相機的方法更為準(zhǔn)確(標(biāo)準(zhǔn)誤為0.075)。在Spoliansky等[24]的結(jié)果中決定系數(shù)為0.75，標(biāo)準(zhǔn)差小于0.33，其試驗利用簡易的三維相機得到了較好的重復(fù)性，這一結(jié)果證明了深度相機可以廣泛應(yīng)用于大眾牧場。

2.3 健康狀態(tài)

生產(chǎn)中及早發(fā)現(xiàn)動物疾病或異常行為可以有效提高動物生產(chǎn)效率，降低生產(chǎn)成本和動物死亡率。熱成像技術(shù)可以直接探測動物體溫，盡早發(fā)現(xiàn)個體表面溫度的異常。比如，乳房炎是生產(chǎn)中的常見疾病之一，攝像頭將捕捉到的乳房表面圖像進(jìn)行分析后可以判斷其溫度高低[25]。最近的研究發(fā)現(xiàn)，熱成像照相機可以發(fā)現(xiàn)附著在牛體表面的寄生蟲，比如虱子和蒼蠅的蟲卵在奶牛頂部的熱圖中會被發(fā)現(xiàn)[26]。雖然圖像分析技術(shù)可以監(jiān)測動物健康，但是通過體表溫度觀察動物健康還存在許多障礙，例如畜群體表的潔凈程度、鏡頭與被測物體之間的距離等。

圖5 校準(zhǔn)后的三維圖像及其坐標(biāo)軸

圖像分析技術(shù)可以直觀地發(fā)現(xiàn)現(xiàn)代牧場中奶牛的跛行，跛行加重了奶牛應(yīng)激水平，反映了牧場管理的不足，嚴(yán)重影響了散養(yǎng)式牧場的生產(chǎn)效率。目前，牧場中應(yīng)用跛行評分對奶牛跛行程度進(jìn)行鑒定，評分標(biāo)準(zhǔn)為觀察奶牛站立姿勢和步態(tài)動作，由于蹄部疼痛奶牛會表現(xiàn)出站立不穩(wěn)或在行進(jìn)過程中出現(xiàn)步態(tài)異常的情況。為了分辨跛行步態(tài)，研究人員利用不同工具開發(fā)了自動跛行視覺系統(tǒng)?？梢姽庀鄼C可以預(yù)測并檢驗?zāi)膛ｕ诵校?個蹄部在圖像中的不同距離，在不同方向上分離奶牛的四肢并確定中心點，標(biāo)明前肢和后肢之后，預(yù)設(shè)水平方向和垂直方向上的坐標(biāo)軸[27]。Pluk等[6]結(jié)合了壓力傳感器對奶牛薦骨位置的信息，電腦可以自動計算出行進(jìn)中四肢起、落與地面的角度(圖6)。利用可見光相機觀察步態(tài)圖像與跛行評分的相關(guān)系數(shù)達(dá)到了94.8%。三維深度相機在監(jiān)測奶牛跛行中也得到了較好的應(yīng)用效果，Jabbar等[14]的試驗發(fā)現(xiàn)在深度相機對奶牛步態(tài)不對稱的監(jiān)測中，可以100%監(jiān)測到跛行牛，跛行評分準(zhǔn)確率達(dá)到了95%。該方法在獲取圖像后，系統(tǒng)自動刪除背景，深度顏色的不同反映了背部不同位置的高度，經(jīng)過一系列圖像處理后，提取并匹配跛行特征數(shù)據(jù)信息(圖7)。該方法雖然對跛行牛的靈敏度為100%，但是對正常牛群監(jiān)測的誤判達(dá)到了25%。

圖6 圖像檢測及分析步態(tài)評分流程

圖7 圖像檢測及圖像分類處理圖

2.4 其他

反芻動物生產(chǎn)中的重要觀測指標(biāo)還包括采食、飲水、臥床等行為，這些觀察內(nèi)容反映了牧場對畜群的飼養(yǎng)管理水平以及動物福利水平，直接影響著產(chǎn)奶量、日增重等生產(chǎn)性能。對于動物采食量和飲水的檢測，傳統(tǒng)方式是牧場管理者僅依賴于日常觀察判斷動物的采食和飲水是否正常，憑借經(jīng)驗確定動物不同生長時期的給料量。圖像分析技術(shù)可以幫助記錄奶牛的采食行為，Porto等[5]、Viola等[28]把多功能照相機置于奶牛采食區(qū)域上方，并獲取圖像，利用Viola-Jones算法將人臉圖像識別技術(shù)用于計算奶牛采食量。在圖像中只確定1頭奶牛的采食量，鄰近的牛群將作為背景刪除，該方法與傳統(tǒng)方法相比，靈敏度為87%。

臥床率反映了臥床的舒適度和奶牛的健康程度，影響著牧場生產(chǎn)效率。Cangar等[29]安裝可見光相機置于臥床中心點頂部，根據(jù)動物背部幾何圖形建立坐標(biāo)軸，計算背部面積和站立時的移動距離以區(qū)分站立和臥床行為，該方法的準(zhǔn)確率為85%。Porto等[30]將可見光相機升級為全景相機，同樣基于Viola-Jones算法，可以使臥床觀察準(zhǔn)確率提升至92%。Porto等[30]的方法對光照的要求并不高，無論日光照射還是燈光照射對其結(jié)果影響較小。

3 國內(nèi)奶牛生產(chǎn)中對圖像信息技術(shù)的應(yīng)用

相較于國外成熟的牧場信息技術(shù)管理系統(tǒng)，我國圖像信息技術(shù)在奶牛養(yǎng)殖中的應(yīng)用尚處在起步階段，相關(guān)研究還停留在實驗室探索中。其主要研究方向包含了圖像在遺傳育種中體型外貌鑒定，體況評分選取和奶牛個體識別等幾個方面，在不同試驗中都得到了較好的試驗效果。比如，黃君冉等[31]基于Lab View虛擬儀器軟件開發(fā)平臺和IM AQ Vision圖像處理軟件包開發(fā)了對奶牛體型外貌檢測的圖像識別軟件，其準(zhǔn)確率達(dá)到了90%；類似的報道中，無論是二維或三維攝像頭還是不同識別算法，在奶牛體型線性評定的圖像提取特征中都有較好的應(yīng)用前景[32-33]。另外，劉建飛[34]評價了圖像信息技術(shù)在奶牛體況評分應(yīng)用中的可行性，但是其準(zhǔn)確率僅為57%～62%；在王龍[35]的試驗中，利用三維圖像技術(shù)分析了奶牛體況評分情況，但其試驗對奶牛特征的提取數(shù)量較少，影響了最后的試驗準(zhǔn)確性和穩(wěn)定性。由于不同專業(yè)知識的限制，目前國內(nèi)將圖像信息技術(shù)與奶牛生產(chǎn)結(jié)合的工作僅在信息工程領(lǐng)域有所開展，而該技術(shù)在反芻動物營養(yǎng)專業(yè)的研究團(tuán)隊中卻鮮有報道，所以造成了圖像信息技術(shù)應(yīng)用的單一化，其他生產(chǎn)中重要、但技術(shù)可行的生產(chǎn)指標(biāo)仍然需要開展大量類似工作，例如圖像信息管理系統(tǒng)在跛行評分、乳房評分、采食情況等方面在牧場中的應(yīng)用方法和效果；同時在國內(nèi)現(xiàn)有的研究中，關(guān)于圖像和奶牛體況評分關(guān)系的研究尚不充分，在實際運用過程中的準(zhǔn)確性和穩(wěn)定性還有待提高。

4 小 結(jié)

圖像視覺系統(tǒng)可以提高牧場管理水平，更加合理有效地分配有限的牧場資源，有利于畜群的健康監(jiān)測和動物福利。目前，牧場應(yīng)用圖像視覺管理系統(tǒng)的照相機多為可見光相機，應(yīng)用范圍涵蓋了動物行為觀察、體況評分、采食量、臥床、步態(tài)評分等；熱成像相機可以有效觀察動物體溫，而深度相機在奶牛體況評分中的應(yīng)用較為準(zhǔn)確。未來視覺系統(tǒng)需要克服環(huán)境變化對圖像信息的判斷，比如光照、測量距離的不同對結(jié)果準(zhǔn)確率有較大影響。此外，根據(jù)牧場不同的實際情況，需要自動調(diào)整圖像信息處理中的算法，比如后備牛在生長過程中的體態(tài)變化會有較大差異，同一算法并不能完全、準(zhǔn)確地計算全部生長周期中的體況評分、體重等結(jié)果。未來，圖像視覺系統(tǒng)可以根據(jù)圖像信息結(jié)果進(jìn)行自動轉(zhuǎn)群、投喂、淘汰、圍產(chǎn)管理、健康評估、舒適度建設(shè)等，為實現(xiàn)牧場全自動化管理提供技術(shù)支持。

參考文獻(xiàn)：

[1] 李勝利.當(dāng)前國內(nèi)外奶業(yè)形勢分析及中國奶業(yè)競爭力提升[J].新疆畜牧業(yè),2017(1):42-44.

[2] 李勝利,曹志軍,劉玉滿,等.2014年中國奶業(yè)回顧與展望[J].中國畜牧雜志,2013,51(2):33-37.

[3] COSTA A,ISMAYILOVA G,BORGONOVO F,et al.Image-processing technique to measure pig activity in response to climatic variation in a pig barn[J].Animal Production Science,2013,54(8):1075-1083.

[4] NASIRAHMADI A,HENSEL O,EDWARDS S A,et al.A new approach for categorizing pig lying behaviour based on a Delaunay triangulation method[J].Animal,2016,11(1):131-139.

[5] PORTO S M C,ARCIDIACONO C,ANGUZZA U,et al.The automatic detection of dairy cow feeding and standing behaviours in free-stall barns by a computer vision-based system[J].Biosystems Engineering,2015,133:46-55.

[6] PLUK A,BAHR C,POURSABERI A,et al.Automatic measurement of touch and release angles of the fetlock joint for lameness detection in dairy cattle using vision techniques[J].Journal of Dairy Science,2012,95(4):1738-1748.

[7] MENDOZA F,DEJMEK P,AGUILERA J M.Calibrated color measurements of agricultural foods using image analysis[J].Postharvest Biology and Technology,2006,41(3):285-295.

[8] BERCOVICH A,EDAN Y,ALCHANATIS V,et al.Development of an automatic cow body condition scoring using body shape signature and Fourier descriptors[J].Journal of Dairy Science,2013,96(12):8047-8059.

[9] MATZNER S,CULLINAN V I,DUBERSTEIN C A.Two-dimensional thermal video analysis of offshore bird and bat flight[J].Ecological Informatics,2015,30:20-28.

[11] NASIRAHMADI A,EDWARDS S A,STURM B.Implementation of machine vision for detecting behaviour of cattle and pigs[J].Livestock Science,2017,202:25-38.

[12] HAN J G,SHAO L,XU D,et al.Enhanced computer vision with Microsoft Kinect sensor:a review[J].IEEE Transactions on Cybernetics,2013,43(5):1318-1334.

[13] JABBAR K A,HANSEN M F,SMITH M L,et al.Early and non-intrusive lameness detection in dairy cows using 3-dimensional video[J].Biosystems Engineering,2017,153:63-69.

[14] KONGSRO J.Estimation of pig weight using a Microsoft Kinect prototype imaging system[J].Computers and Electronics in Agriculture,2014,109:32-35.

[15] WANG Y,YANG W,WINTER P,et al.Walk-through weighing of pigs using machine vision and an artificial neural network[J].Biosystems Engineering,2008,100(1):117-125.

[17] BURANAKARL C,INDRAMANGALA J,KOOBKAEW K,et al.Estimation of body weight and body surface area in swamp buffaloes using visual image analysis[J].Journal of Buffalo Science,2012,1(1):13-20.

[18] ANGLART D.Automatic estimation of body weight and body condition score in dairy cows using 3D imaging technique[D].Master Thesis.Uppsala:Swedish University of Agricultural Sciences,2010:19-20.

[19] 葛汝方,陳青,霍永久,等.不同代謝蛋白質(zhì)水平飼糧對8～10月齡后備奶牛生長發(fā)育、血液生化指標(biāo)和體況評分的影響[J].動物營養(yǎng)學(xué)報,2015,27(3):910-917.

[20] AZZARO G,CACCAMO M,FERGUSON J D,et al.Objective estimation of body condition score by modeling cow body shape from digital images[J].Journal of Dairy Science,2011,94(4):2126-2137.

[21] BEWLEY J M,PEACOCK A M,LEWIS O,et al.Potential for estimation of body condition scores in dairy cattle from digital images[J].Journal of Dairy Science,2008,91(9):3439-3453.

[22] GUO H,MA X D,MA Q,et al.LSSA_CAU:an interactive 3d point clouds analysis software for body measurement of livestock with similar forms of cows or pigs[J].Computers and Electronics in Agriculture,2017,138:60-68.

[23] FISCHER A,LUGINBüHL T,DELATTRE L,et al.Rear shape in 3 dimensions summarized by principal component analysis is a good predictor of body condition score in Holstein dairy cows[J].Journal of Dairy Science,2015,98(7):4465-4476.

[24] SPOLIANSKY R,EDAN Y,PARMET Y,et al.Development of automatic body condition scoring using a low-cost 3-dimensional Kinect camera[J].Journal of Dairy Science,2016,99(9):7714-7725.

[25] HOVINEN M,SIIVONEN J,TAPONEN S,et al.Detection of clinical mastitis with the help of a thermal camera[J].Journal of Dairy Science,2008,91(12):4592-4528.

[26] CORTIVO P D,DIAS E,BARCELLOS J O J,et al.Use of thermographic images to detect external parasite load in cattle[J].Computers and Electronics in Agriculture,2016,127:413-417.

[27] SONG X Y,TOON L,ERIK V,et al.Automatic detection of lameness in dairy cattle-Vision-based trackway analysis in cow’s locomotion[J].Computers and Electronics in Agriculture,2008,64(1):39-44.

[28] VIOLA P,JONES M J.Robust real-time face detection[J].International Journal of Computer Vision,2004,57(2):137-154.

[29] CANGAR ?,LEROY T,GUARINO M,et al.Automatic real-time monitoring of locomotion and posture behaviour of pregnant cows prior to calving using online image analysis[J].Computers and Electronics in Agriculture,2008,64(1):53-60.

[30] PORTO S M C,ARCIDIACONO C,ANGUZZA U,et al.A computer vision-based system for the automatic detection of lying behaviour of dairy cows in free-stall barns[J].Biosystems Engineering,2013,115(2):184-194.

[31] 黃君冉,錢東平,王文娣,等.基于圖像處理技術(shù)的奶牛體型線性評定系統(tǒng)[J].農(nóng)業(yè)機械學(xué)報,2007,38(4):111-113,117.

[32] 郭浩,王鵬,馬欽,等.基于深度圖像的奶牛體型評定指標(biāo)獲取技術(shù)[J].農(nóng)業(yè)機械學(xué)報,2013,44(增刊1):273-276,229.

[33] 朱坤華,李騫,武書彥.基于三維視覺的荷斯坦奶牛中遺傳育種個體的最優(yōu)選擇[J].科技通報,2017,33(2):52-55.

[34] 劉建飛.圖像識別技術(shù)在奶牛體況評分中的應(yīng)用研究[D].碩士學(xué)位論文.濟南:山東大學(xué),2012:49-50.

[35] 王龍.機器視覺在奶牛體況評定中的應(yīng)用[D].碩士學(xué)位論文.上海:東華大學(xué),2014:53-55.