姚 州， 譚 焓， 田 芳， 周 勇， 章 程*

（1.華中農(nóng)業(yè)大學(xué)信息學(xué)院，湖北武漢430070 ；2.武漢軟件工程職業(yè)學(xué)院，湖北武漢430205；3.甘肅省金昌市畜牧獸醫(yī)總站，甘肅金昌737100）

養(yǎng)羊業(yè)是我國畜牧業(yè)發(fā)展的重要組成部分，在農(nóng)業(yè)經(jīng)濟中占有重要的地位。 羊肉具有高蛋白質(zhì)、低脂肪的特點，深受人們的喜愛（馬友記等，2011）。 隨著信息化技術(shù)的發(fā)展，我國養(yǎng)羊業(yè)正由散養(yǎng)型向大規(guī)模、集約化、精準化方向發(fā)展。 通過將物聯(lián)網(wǎng)技術(shù)、大數(shù)據(jù)技術(shù)、計算機視覺等現(xiàn)代智能技術(shù)與養(yǎng)羊業(yè)相結(jié)合，可以更高效率、更高收益地實現(xiàn)養(yǎng)羊業(yè)的發(fā)展，即智慧羊場。智慧羊場可以實現(xiàn)智能化、精準化管理，實現(xiàn)肉制品的溯源以及疫情的及時監(jiān)測。

計算機視覺技術(shù)包括圖像處理、 圖像理解、智能識別等方面，主要是通過模擬人的視覺系統(tǒng)來實現(xiàn)對周圍空間物體的傳感、抽象、判斷（嚴勁濤，2019）。 隨著人工智能的快速發(fā)展，計算機視覺技術(shù)已在農(nóng)業(yè)、畜牧業(yè)、工業(yè)等領(lǐng)域得到廣泛應(yīng)用（孫哲南等，2019）。 本文總結(jié)了計算機視覺技術(shù)在羊場個體識別、行為識別、體尺與體重的估測、疾病監(jiān)測中的國內(nèi)外研究現(xiàn)狀，對其優(yōu)缺點進行分析總結(jié)，并提出未來發(fā)展的趨勢，以期為該領(lǐng)域相關(guān)的研究提供參考。

1 個體識別

個體識別是實現(xiàn)智慧羊場的基礎(chǔ)，即賦予每只羊唯一ID，在管理羊的生長狀態(tài)、追溯等方面具有重要意義。 過去，針對羊個體的識別主要靠人工識別（程洪花，2011），主觀意識太強，容易識別錯誤。 目前，在大規(guī)模養(yǎng)羊場的個體識別主要依靠接觸式的射頻識別技術(shù)（王玲等，2014；鄒小昱等，2013）來實現(xiàn)，其主要由電子標簽、天線、視頻識別器構(gòu)成。 在一定范圍內(nèi)，視頻識別器可以對電子標簽進行識別。 但是，電子標簽戴在羊的耳朵，容易造成羊的損傷，不利于羊的福利；在羊運動過程中還易造成電子標簽的脫落或損傷。因此，急需具備易于操作、時效性強、特征突出以及無害處理的高效、準確、非接觸式的識別羊個體的方法。 生物圖像識別正好滿足這一要求，也將是未來個體識別的主流趨勢。

生物圖像識別主要依靠計算機視覺技術(shù)對生物特征進行識別。 目前，羊的生物特征主要包括面部、虹膜、DNA 指紋等（Felmer 等，2006）。 羊DNA指紋的識別雖然準確率較高，但需要兩至三天的時間，目前當今科學(xué)界滿足實時性這一需求，因此不被采納作為羊個體的識別。 羊的虹膜具有唯一性，可以準確實現(xiàn)羊的識別。但是該技術(shù)需要精密的虹膜采集儀器，并且采集過程也非常困難，成本較高。因此， 羊的面部識別是研究羊個體識別的熱點問題。 Corkery 等（2007）提出羊臉識別作為綿羊生物特征識別的初步研究。 主要通過針對50 只綿羊面部采用獨立分量技術(shù)進行整體分析，運用預(yù)先分類器實現(xiàn)評估。 結(jié)果表明，當提取180 ～200 組分時，識別率高達95.3%～96%。 但是，實驗過程中，每只羊僅采集到2 ～4 張羊臉數(shù)據(jù)，數(shù)據(jù)集較小，在大規(guī)模羊臉數(shù)據(jù)集中不適應(yīng)。 Yang 等（2015）通過分析綿羊的面部，將三重插值特征引入到級聯(lián)姿態(tài)回歸框架中，來定位稀疏分布的面部標注點，得到了較為精確的結(jié)果。 但是，該方法的前提是已經(jīng)檢測到了羊臉，無法在自然環(huán)境下提取到羊臉目標。 而自然環(huán)境下標準的羊臉識別，第一步為羊臉的目標檢測，第二步為針對檢測結(jié)果進行識別。 由于提取羊臉目標不僅可以降低背景噪聲的干擾，而且可以提高羊臉識別準確率。 Salama 等（2019）提出了一種基于貝葉斯優(yōu)化的混合深度學(xué)習(xí)的羊臉識別方法。針對采集的52 只羊的羊臉數(shù)據(jù)集，運用貝葉斯優(yōu)化技術(shù)自動調(diào)節(jié)卷積神經(jīng)網(wǎng)絡(luò)，經(jīng)過參數(shù)測試與調(diào)整，最終識別準確率高達98%。

在智慧羊場中， 個體識別領(lǐng)域未來的發(fā)展趨勢是借助計算機視覺技術(shù)對羊臉進行識別來實現(xiàn)羊個體的識別。而目前，羊臉識別更多地借鑒人臉識別相關(guān)領(lǐng)域的方法進行， 采集到的羊臉數(shù)據(jù)集相對有限，在較大規(guī)模數(shù)據(jù)集上的研究較少；羊臉數(shù)據(jù)集都由研究者自己采集， 無大型公開的數(shù)據(jù)集供其參考。在今后數(shù)據(jù)采集中，希望可以收集大規(guī)模不同種類羊只的數(shù)據(jù)集， 借鑒人臉識別的優(yōu)秀成果，運用遷移學(xué)習(xí)、深度學(xué)習(xí)等方法提高羊臉識別的準確性、魯棒性。

2 行為識別

動物行為是指在特定的條件下， 生理和心理方面所產(chǎn)生的自然反應(yīng)， 可以反映出動物的整體態(tài)度， 可以通過其表現(xiàn)的不同狀態(tài)了解到動物的需求（劉艷秋等，2019）。羊的行為包括運動檢測與跟蹤、母羊分娩檢測、飲水與排便、攻擊等。準確地對羊的行為進行識別可以及時發(fā)現(xiàn)異常。目前，大多數(shù)的養(yǎng)羊場都依靠人工來判別， 不能及時統(tǒng)計羊的行為， 而運用計算機視覺技術(shù)可以及時檢測羊的各種行為。

羊的行為識別可以判別羊運動的活躍程度。韓?。?018）通過K-means 聚類算法實現(xiàn)了羊的站立、臥息、行走、其他四種行為的識別，結(jié)果表明，臥息行為識別高達95.6%，其余行為識別率在60%左右。 為解決這一問題，引入GPS 速度信息對其矯正， 最終識別準確率為89.2%。 朱偉杰（2018）針對奶山羊遮擋問題，提出了一種基于上下文的信息與超像素級特征實現(xiàn)奶山羊的跟蹤，最終精確度達到76.5%，成功率達到61%；為了適應(yīng)多變的養(yǎng)殖環(huán)境， 提出一自適應(yīng)加權(quán)的粒子濾波跟蹤方法， 其特征提取主要是依靠顏色直方圖與HOG 的自適應(yīng)融合，精確度為70.5%，成功率為54.3%。但是該方法對尺度變化較為敏感，同時識別精度和成功率有待提高。

母羊的產(chǎn)前行為識別，有助于預(yù)測母羊的分娩時間以及產(chǎn)前的健康狀態(tài)（Forbes，2018）。 劉艷秋（2017）通過對母羊產(chǎn)前的站立、行走、刨地、趴窩、飲水、采食六種行為進行識別，進而推斷母羊產(chǎn)前的健康狀態(tài)以及預(yù)測分娩時間。通過運用K-means算法對羊的趴窩行為進行識別， 識別準確率為99%，BP 神經(jīng)網(wǎng)絡(luò)對站立、行走、刨地行為進行識別，平均準確率為78.93%。 通過對母羊產(chǎn)前15 天和產(chǎn)后5 天的六種行為進行統(tǒng)計分析，得出母羊產(chǎn)前行走以及站立逐漸增多，刨地幾乎沒有，飲水采食逐漸減少；生產(chǎn)日行走明顯增多，飲水采食減少，刨地頻率較多；產(chǎn)后行走站立持基本平穩(wěn)，刨地幾乎沒有，飲水采食逐漸增多的特點。 但是本實驗沒有在復(fù)雜變換的環(huán)境下進行，在變化環(huán)境下的魯棒性有待研究。 Ceyhan 等（2012）以初產(chǎn)母羊、經(jīng)產(chǎn)母羊作為研究對象， 通過視攝像機采集分娩過程，通過特征提取識別羊的行為，結(jié)果表明，初產(chǎn)母羊熟悉度較低，站立、行走次數(shù)較多，而經(jīng)產(chǎn)母羊是熟悉度較高。 Sun 等（2019）針對母羊分娩中、分娩后對初生羔羊的檢測， 選用以VGG16 為提取特征基礎(chǔ)網(wǎng)絡(luò)，soft-NMS 算法的Faster-RCNN 可以實現(xiàn)較高的檢測準確率，AP 指標可達95.43%。 但是，該實驗是將每一只母羊單獨分開來檢測，未考慮同一場景多只母羊同時分娩的情況。

針對公羊的運動量來提供飼料的供給， 以及健康的監(jiān)測。張曦宇等（2018）通過在羊的背部、頸部、前腿、后腿采集加速度傳感器的信息，對羊的靜立、行走、奔跑三種行為進行識別，通過區(qū)間閾值分類法實現(xiàn)三種行為的平均準確率為96.21%。但是通過傳感器獲取的信息，增加了損耗，下一步的發(fā)展趨勢是通過方便快捷的圖像處理技術(shù)來實現(xiàn)。 韓佳臻等 （2019） 通過深度學(xué)習(xí)網(wǎng)絡(luò)SEDenseNet 對奶山羊的站立、趴臥、進食、蜷縮四種行為進行識別，識別準確率為93.18%左右。 但是，由于采集的數(shù)據(jù)集有限， 容易造成過擬合現(xiàn)象。Ren 等（2018）通過3D 視覺系統(tǒng)對4 只羊的站立、趴臥行為進行監(jiān)測，通過深度視頻流和紅外視頻流對羊的站立、趴臥行為進行識別，結(jié)果表明，站立行為準確率為96.4%，趴臥行為準確率為94.16%。

綜合分析羊的行為識別， 運用計算機視覺技術(shù)實現(xiàn)羊的飲食、 運動情況等是智慧羊場完善的趨勢。 目前， 計算機視覺技術(shù)在羊的行為識別還處于探索階段。 今后，在目標跟蹤、行為識別算法的有效性，目標識別、跟蹤的時效性有待提高。 在行為識別算法的泛化能力方面， 應(yīng)當針對復(fù)雜的羊場環(huán)境分析，增強算法的魯棒性。

3 體尺的估測

羊的體尺與體重是監(jiān)測羊成長、 發(fā)育狀態(tài)的重要指標， 是養(yǎng)羊場選擇優(yōu)質(zhì)種羊的參考指標之一（張帆等，2012；白俊艷等，2011）。 據(jù)調(diào)研，目前大多養(yǎng)羊場需要人工進行體尺體重的測量， 在體尺測量時， 需要一個人固定羊， 一個人用尺子測量，一個人用來記錄數(shù)據(jù)，這樣不僅費時又費力；在測量體重時，每只羊至少需要兩個人來完成，由于人與羊之間無法交流， 測量過程中容易因運動而造成測量不準，耗費人力資源，而且會對羊造成應(yīng)激，影響其發(fā)育。計算機視覺技術(shù)可通過羊的視頻或照片， 根據(jù)適合的算法規(guī)則實現(xiàn)無應(yīng)激條件下測量羊的體尺與體重，可以實現(xiàn)方便、快捷、有效。 因此，運用計算機視覺技術(shù)對羊的體尺、體重估測是當前國內(nèi)外學(xué)者研究的熱點問題之一。

江杰等（2014）通過背景差分法分割羊體，獲得羊的輪廓， 然后根據(jù)D-P 算法和海倫-秦九紹公式尋找羊的包絡(luò)線上曲率最大的點作為臀部測點，依據(jù)該點，從上往下、從左往右搜索鄰域內(nèi)的三個點，最后用該四點可確定羊的體尺。但是，該方法容易受到背景圖分割不完整而帶來的干擾，對光線不具有抗干擾性。 牛林等（2014）通過運用臀部、肩頸、前后腳四點計算羊的體尺， 并將其應(yīng)用在便攜式Linux系統(tǒng)中。 另外，Menesatti 等（2014）通過雙目系統(tǒng)獲得同源點三維信息，通過圖像處理得到點在空間中的位置和點之間的距離，用偏最小二乘回歸法對點間距離進行了修正，得到體尺參數(shù)有較小的誤差。江杰（2015）通過引入視頻幀選取關(guān)鍵幀，并結(jié)合臀部測點、肩頸點、空間分布率來確定羊的體尺。 實驗結(jié)果表明，在一定范圍內(nèi)獲得的關(guān)鍵幀，相對誤差平均3%。 受測量數(shù)量的限制，無法證明在大規(guī)模數(shù)據(jù)中的準確性，不益于推廣。張麗娜（2017）通過從羊的左側(cè)、右側(cè)、上側(cè)來獲取羊的圖像，側(cè)視圖通過分區(qū)、輪廓擬合、測點提取，進而實現(xiàn)體尺的測量，俯視圖通過骨架的對稱擬合算法， 實現(xiàn)較高精度的胸寬、腹寬、臀寬的測量。曾德斌等（2018）通過對羊的前后蹄測量點、臀部的測量點和最高點、耆甲的測量點、胸骨前緣測量點、頭部的最高點的測量與定位，根據(jù)距離計算公式可確定羊的體尺參數(shù)，最終通過對十只羊的參數(shù)測量， 平均相對誤差小于1%。 周艷青等（2018）針對復(fù)雜環(huán)境的羊體分割，通過融合多尺度分水嶺、模糊C 均值方法、改進的Graph Cut 分割方法來實現(xiàn)羊的背景分隔（Zhou 等，2018），進而通過包絡(luò)線分析方法實現(xiàn)體尺測點檢測，最終實現(xiàn)羊體尺的測量，獲得較好的測量結(jié)果。 Bai 等（2017）通過雙目攝像機獲得兩只羊的側(cè)視圖，通過空間分辨率獲得目標點與成像點之間的關(guān)系，體長是兩個相應(yīng)測量點之間的距離。 肩高和臀高是將相應(yīng)測量點與地面連接的垂直長度。 申云輝（2019）基于雙目視覺系統(tǒng)對羊側(cè)視圖進行輪廓提取，在輪廓線拐點的基礎(chǔ)上提取測點，進而實現(xiàn)體尺的計算，并將其測量結(jié)果在可視化系統(tǒng)界面顯示。

羊體尺的測量經(jīng)歷了從人工測量、 單目視覺測量、 雙目視覺測量、 多目視覺測量的發(fā)展進程（張麗娜等，2016）。大體趨勢是朝著基于計算機視覺的體尺測量。 但目前的研究都是基于小規(guī)模數(shù)據(jù)集，根據(jù)數(shù)學(xué)原理提取相應(yīng)的特征點，再根據(jù)幾何關(guān)系來確定體尺參數(shù)，當面對大規(guī)模數(shù)據(jù)集時，測量準確率是否可以達到目前水平有待研究，可否快速識別有待驗證。因此，雙目視覺系統(tǒng)以及多目視覺系統(tǒng)是未來測量的趨勢， 將會由二維視覺系統(tǒng)上升為三維視覺系統(tǒng)， 獲取更加完整的羊的信息。 同時，借鑒深度學(xué)習(xí)技術(shù)，應(yīng)用于羊體尺測量的研究，更好的實現(xiàn)智慧羊場的智能化。

4 體重的估測

羊的體重值不僅可以作為羊成長發(fā)育情況的參考，還可以作為智慧羊場中分群的重要指標。在羊的體重測量方面， 由于無法讓羊在體重秤上固定不動，因此，動態(tài)測量羊的體重是目前較為主流的方案。 在大型體重秤上，給羊唯一的通道，體重秤實時采集羊的體重， 對采集的體重信息分析處理， 可以得到羊的準確體重， 降低人工的勞動強度。對采集到的體重信息進行處理，主要有位移積分法、平均法、EMD 分解等（張俊慧等，2014）。 位移積分法（張俊慧等，2014）對噪聲比較敏感，目前不被采納。由于在羊上體重秤和下體重稱階段，體重信息測量不準確， 因此造成平均測量結(jié)果不準確。 為解決這一問題，對均值法進行改進，剔除羊上體重秤和下體重稱階段的值， 并將剩余采集的體重值進行排序、分組，組內(nèi)進行均值，再對組間進行均值，進而使測得的體重較為準確（劉斯達，2017）。EMD 算法（呂乾濤等，2016）的目的在于將性能不好的信號分解為一組性能較好的IMFs 和殘余量，逐步得到較好的結(jié)果，但其最大的缺點是在其動態(tài)調(diào)整最優(yōu)解時，時間效率不固定，在測量過程中時間最慢需要30 秒，無法實時得到羊的體重值。 為解決這一問題，EMD 算法 （王中立等，2017）被提出，在EMD 算法的基礎(chǔ)上，隨機加入高斯白噪聲來降低或消除EMD 的模態(tài)混疊現(xiàn)象。而這些測量方法雖然減輕了人工勞動強度，但其大型體重秤的設(shè)備較貴， 且設(shè)備出現(xiàn)問題不能及時解決。運用計算機視覺技術(shù)，可以實現(xiàn)無接觸測量，可以避免因設(shè)備原因造成的測量不準確。

羊的體尺參數(shù)（體長、體高、胸圍、管圍、胸深、胸寬）與體重呈正相關(guān)，且胸圍和體長對羊的相關(guān)性最高（白雅琴等，2019；陸會寧等，2019；陳華峰等，2018）。 張麗娜等（2017）通過支持向量機方法實現(xiàn)體質(zhì)量與體尺參數(shù)的非線性模型， 通過體尺預(yù)估體質(zhì)量，準確率高達95.38%。 孫煒等（2018）通過胸圍的平方乘以體長再除以10800 得到羊體重的預(yù)估值。 Menesatti 等（2014）通過羊的體長、胸深、體高的參數(shù)，運用對數(shù)變換的最小二乘回歸算法實現(xiàn)羊的體重估測。 郝雪萍（2015）等通過將羊的體長、體高、胸圍、胸寬與體重值建立多元線性回歸模型， 對羊的體重進行預(yù)測， 平均誤差為4.1%。 許鑫（2017）通過回歸模型分析方法，探討分析了七種羊體尺相關(guān)參數(shù)對體重的影響， 并證明了決定每種羊體重的重要參數(shù)。

目前，對羊體重模型的估測，主要通過計算機視覺技術(shù)測量羊的體尺參數(shù)， 然后將體重值與體尺參數(shù)建立回歸模型，進而預(yù)測羊的體重。由于在計算羊的體尺時， 容易因姿態(tài)偏差而造成體尺參數(shù)的測量失誤，進而導(dǎo)致羊的體重值預(yù)估不準確。未來，羊體重模型的估計主要有兩個趨勢：一是依靠精確的測量體尺模型， 以及精確的體尺與體重回歸模型，進而精確預(yù)測羊的體重值。 但是，不同品種的體尺與體重回歸模型有較大差異， 在模型泛化方面較弱， 因此該方法僅適合單一品種羊的體重預(yù)測。 二是依靠精確的視覺系統(tǒng)采集不同姿態(tài)下羊的視覺圖像， 建立相應(yīng)的數(shù)學(xué)模型來估計羊的體重值。這種方法目前研究的比較少，但其受其他因素較小，因此泛化能力較強，是未來研究無接觸測量羊體重的主要方向。

5 疾病監(jiān)測

羊場疾病的監(jiān)測是羊日常管理的重中之重。目前，羊的疾病主要靠人工巡視監(jiān)測，不能及時發(fā)現(xiàn)羊的異常狀態(tài)。 當羊生病時，會出現(xiàn)食欲不振、行為異常、面部痛苦、呼吸急促等特征。因此，可以運用計算機視覺技術(shù)實時監(jiān)測羊的生理狀態(tài)，及時預(yù)警異常狀態(tài)的羊， 防止因延遲發(fā)現(xiàn)病羊而造成疾病傳播所帶來的經(jīng)濟損失。 良好養(yǎng)殖的自動化系統(tǒng)對于減少痛苦、 縮短時間和優(yōu)化綿羊生產(chǎn)是非常必要的。

為了識別羊面部的痛苦表情，McLennan 等（2016）提出了一種標準化的綿羊面部表情疼痛量表SPFES。結(jié)果表明，該方法可以準確理解綿羊的痛苦表情。 Hutson 等（2017）通過人工智能來識別綿羊面部表情的自動評估技術(shù)。 通過手動標記了480 只綿羊面部的表情特征，包括鼻孔變形、每只耳朵的旋轉(zhuǎn)和每只眼睛寬窄程度。 為此，他們開發(fā)了一種人工智能系統(tǒng)來檢測綿羊面部表情的方法。該系統(tǒng)可用于識別五種面部表情，并評估其是否處于疼痛狀態(tài)，以及疼痛的極端程度。Lu 等（2017）提出了一種多層次的方法來實現(xiàn)綿羊的面部表情識別。首先，運用Viola-Jones 目標檢測框架用于羊的正臉檢測，采用級聯(lián)姿態(tài)回歸方法（CPR）實現(xiàn)羊的面部標志點（耳朵、眼睛、鼻子）檢測。運用基于特征的歸一化方法對耳、眼、鼻進行歸一化處理，然后通過方向梯度直方圖（HOG）來實現(xiàn)綿羊面部表情特征的描述。最后將支持向量機（SVM）應(yīng)用于疼痛水平的估計。 但是該方法僅考慮到羊的正臉部分，未考慮到不同姿勢的羊臉的面部表情。Noor（2019）通過運用卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建羊面部表情疼痛量化表。該研究在進行羊臉表情訓(xùn)練前，通過中值濾波器處理技術(shù)消除高斯和脈沖噪聲，利用殘差學(xué)習(xí)去噪卷積神經(jīng)網(wǎng)絡(luò)去除高斯噪聲。 然后， 通過使用VGG16、ResNet 模型用于五種面部表情，分別得到了100%、85%的準確率。 通過對羊的面部表情識別，可以及時發(fā)現(xiàn)羊的痛苦，盡早地幫助他們緩解痛苦，可以帶來更大福利。

目前運用計算機視覺技術(shù)在羊疾病監(jiān)測方面研究較少，處于初步探索階段。通過計算機視覺技術(shù)可以減輕飼養(yǎng)員的勞動強度， 可以實時監(jiān)測羊的狀態(tài)。 未來可以通過計算機視覺技術(shù)監(jiān)測羊的反芻行為、呼吸頻率、面部表情等，并結(jié)合機器視覺技術(shù)探索具有精準識別效率的算法。

6 小結(jié)

計算機視覺技術(shù)在智慧羊場的探索正處于起步階段。在大數(shù)據(jù)時代，數(shù)據(jù)是基礎(chǔ)，方法是手段。不僅需要采集大量的數(shù)據(jù)， 還要不斷優(yōu)化算法的性能，才能在根本上解決問題。 在應(yīng)用領(lǐng)域，計算機視覺技術(shù)應(yīng)當與5G 技術(shù)相結(jié)合， 實現(xiàn)實時的智能監(jiān)測， 以代替高昂的電子傳感器設(shè)備監(jiān)測技術(shù)。 在未來，隨著人工智能的發(fā)展，計算機視覺技術(shù)將在智慧羊場發(fā)揮重要的作用。