謝秋菊 周 紅 包 軍 李慶達(dá)

(1.東北農(nóng)業(yè)大學(xué)電氣與信息學(xué)院， 哈爾濱 150030; 2.農(nóng)業(yè)農(nóng)村部生豬養(yǎng)殖設(shè)施工程重點(diǎn)實(shí)驗(yàn)室， 哈爾濱 150030;3.黑龍江八一農(nóng)墾大學(xué)工程學(xué)院， 大慶 163319; 4.東北農(nóng)業(yè)大學(xué)動(dòng)物科學(xué)技術(shù)學(xué)院， 哈爾濱 150030；5.教育部北方寒區(qū)豬智能化繁育與養(yǎng)殖工程研究中心， 哈爾濱 150030)

0 引言

體質(zhì)量(行業(yè)習(xí)慣叫法為“體重”)是反映畜禽身體健康與生長(zhǎng)狀況、繁殖與生產(chǎn)性能的重要指標(biāo)[1]。體質(zhì)量穩(wěn)定增長(zhǎng)是畜禽健康狀況良好的標(biāo)志，是畜禽出欄、銷(xiāo)售的重要決定因素[2]。例如：生豬出欄時(shí)間一般根據(jù)體質(zhì)量確定[3]；奶牛產(chǎn)奶量與體質(zhì)量有很大關(guān)聯(lián)[4]；肉雞體質(zhì)量增長(zhǎng)速度能反映其生長(zhǎng)水平[5]。偏離最佳生長(zhǎng)狀態(tài)或突然間大幅度的體質(zhì)量下降可能由飼養(yǎng)不當(dāng)、營(yíng)養(yǎng)不良、環(huán)境不適或感染疾病而引發(fā)[6]。因此，對(duì)畜禽體質(zhì)量的持續(xù)監(jiān)測(cè)是疾病預(yù)防、飼養(yǎng)管理、提高基因選擇效率的重要手段，是優(yōu)化農(nóng)場(chǎng)管理，滿足動(dòng)物福利，實(shí)現(xiàn)精準(zhǔn)畜牧業(yè)的重要環(huán)節(jié)[7]。

傳統(tǒng)的畜禽體質(zhì)量測(cè)量方式包括使用體質(zhì)量秤直接稱(chēng)量或通過(guò)手工測(cè)量體尺數(shù)據(jù)間接估重。無(wú)論哪種方式都需要人工參與，耗時(shí)、費(fèi)力且易造成畜禽的應(yīng)激反應(yīng)。近年來(lái)機(jī)器視覺(jué)技術(shù)因其直觀、非接觸式的優(yōu)點(diǎn)，作為人工智能的核心技術(shù)在農(nóng)業(yè)領(lǐng)域得到了廣泛的應(yīng)用[8]。在畜禽養(yǎng)殖領(lǐng)域，機(jī)器視覺(jué)技術(shù)主要集中于解決體質(zhì)量評(píng)估[9]、個(gè)體識(shí)別[10]、行為監(jiān)測(cè)[11]、疾病監(jiān)控[12]和環(huán)境控制[13]等各種問(wèn)題。在大量有關(guān)畜禽體質(zhì)量評(píng)估的研究中，研究對(duì)象主要針對(duì)豬、雞、牛、羊等常見(jiàn)的農(nóng)場(chǎng)動(dòng)物，通過(guò)視覺(jué)傳感器獲得畜禽圖像，傳送至圖像處理系統(tǒng)得到畜禽的體尺數(shù)據(jù)，將其作為體質(zhì)量評(píng)估的特征，使用機(jī)器學(xué)習(xí)算法建立評(píng)估模型獲得畜禽的體質(zhì)量。隨著深度學(xué)習(xí)技術(shù)的發(fā)展，機(jī)器視覺(jué)技術(shù)在未來(lái)畜禽體質(zhì)量評(píng)估領(lǐng)域?qū)@示出更大的潛力[14]。

因此，本文在收集和分析近10年國(guó)內(nèi)外有關(guān)畜禽體質(zhì)量評(píng)估的153篇文獻(xiàn)的基礎(chǔ)上，將畜禽體質(zhì)量評(píng)估的方法歸納總結(jié)為直接測(cè)量和間接評(píng)估兩大類(lèi)，對(duì)間接體質(zhì)量評(píng)估中基于機(jī)器視覺(jué)獲取畜禽體尺的方法進(jìn)行闡述。總結(jié)用于獲取圖像的視覺(jué)傳感器類(lèi)型以及所獲取的不同類(lèi)型圖像的處理過(guò)程，詳細(xì)闡述用于畜禽體質(zhì)量評(píng)估的機(jī)器學(xué)習(xí)算法，重點(diǎn)分析和討論深度學(xué)習(xí)算法在畜禽體質(zhì)量評(píng)估領(lǐng)域的應(yīng)用，為畜禽體質(zhì)量評(píng)估研究及行業(yè)應(yīng)用提供參考。

1 體質(zhì)量評(píng)估方法分類(lèi)

畜禽體質(zhì)量評(píng)估的方法大體上分為直接測(cè)量和間接估計(jì)。直接測(cè)量法為使用體質(zhì)量秤直接對(duì)畜禽稱(chēng)量，間接估計(jì)法通過(guò)測(cè)量身體的特定尺寸數(shù)據(jù)(胸圍、體長(zhǎng)、臀寬等)結(jié)合品種、性別等特征估計(jì)畜禽身體質(zhì)量。大量的研究[15-18]表明，畜禽體質(zhì)量與身體特定部位尺寸之間存在正相關(guān)關(guān)系，因此，通過(guò)體尺測(cè)量進(jìn)行間接體質(zhì)量評(píng)估是可行的。在間接測(cè)量中體尺的獲取方式又可以分為手工測(cè)量和基于機(jī)器視覺(jué)的非接觸式自動(dòng)測(cè)量。

1.1 直接稱(chēng)量

直接稱(chēng)量是通過(guò)體質(zhì)量秤來(lái)測(cè)量畜禽的體質(zhì)量，這是傳統(tǒng)且應(yīng)用比較普遍的稱(chēng)量方式。由于在稱(chēng)量過(guò)程中需要驅(qū)趕動(dòng)物，使其置于體質(zhì)量秤上并且停留一段時(shí)間，才能穩(wěn)定計(jì)量并讀取其體質(zhì)量。因此，直接稱(chēng)量需要多人參與且其過(guò)程繁瑣、耗時(shí)，同時(shí)會(huì)對(duì)動(dòng)物造成一定的應(yīng)激或傷害，還可能由于動(dòng)物襲擊對(duì)稱(chēng)量人員造成危險(xiǎn)[19]。

由于畜禽需要在體質(zhì)量秤上保持一定時(shí)間的靜止，以避免產(chǎn)生測(cè)量誤差，一般通過(guò)在特定采集區(qū)或飲水區(qū)等位置放置體質(zhì)量秤來(lái)完成體質(zhì)量測(cè)量。例如，在豬的采食通道中放置體質(zhì)量秤，實(shí)現(xiàn)每天對(duì)每頭豬的稱(chēng)量[20]；在牛的飲水區(qū)域進(jìn)行體質(zhì)量的采集，或在奶牛每天經(jīng)過(guò)自動(dòng)擠奶區(qū)域?qū)崿F(xiàn)體質(zhì)量的自動(dòng)測(cè)量，以獲取相對(duì)穩(wěn)定狀態(tài)下的體質(zhì)量數(shù)據(jù)[21]；通過(guò)在棲架養(yǎng)殖裝置中安裝質(zhì)量傳感器實(shí)時(shí)采集雞群的平均體質(zhì)量[22]；設(shè)計(jì)特殊裝置進(jìn)行羊的無(wú)應(yīng)激體質(zhì)量測(cè)量[23]。

然而，使用地面體質(zhì)量秤進(jìn)行的直接稱(chēng)量，體質(zhì)量秤暴露在畜禽的生活空間，受畜禽的排泄物污染和畜禽直接接觸踩踏，容易造成電子設(shè)備的損壞，因此，需要探索更低成本的、可靠的稱(chēng)量方式。

1.2 手工獲取體尺數(shù)據(jù)

手工測(cè)量畜禽的體尺數(shù)據(jù)，再結(jié)合畜禽品種、性別等特征可估算畜禽的體質(zhì)量，具有較高的準(zhǔn)確性和可重復(fù)性，作為一種簡(jiǎn)單、便捷和低成本的方法，得到了廣泛的研究和應(yīng)用。通過(guò)統(tǒng)計(jì)分析多年來(lái)積累的牛肩高、胸圍、體長(zhǎng)等線性體尺數(shù)據(jù)[24]，發(fā)現(xiàn)每一個(gè)特征的測(cè)量值都具有足夠的準(zhǔn)確性，并且多個(gè)人的多次測(cè)量值和其中一個(gè)人的多次測(cè)量值標(biāo)準(zhǔn)差都很小[25]，這說(shuō)明通過(guò)手工測(cè)量體尺數(shù)據(jù)進(jìn)行體質(zhì)量的估計(jì)是高度可重復(fù)的。

通過(guò)建立體尺數(shù)據(jù)和體質(zhì)量之間的一元或多元線性或非線性方程估計(jì)體質(zhì)量，還形成了商業(yè)化的體質(zhì)量測(cè)量帶、體質(zhì)量測(cè)量表和測(cè)量卷尺等工具，可直接讀出或簡(jiǎn)單加和計(jì)算體質(zhì)量[26]。但是，手工進(jìn)行畜禽的體尺測(cè)量屬于勞動(dòng)密集型的工作，同時(shí)，和畜禽的直接接觸也會(huì)造成動(dòng)物的應(yīng)激反應(yīng)，影響畜禽的健康。機(jī)器視覺(jué)技術(shù)因其具有非接觸式的特點(diǎn)，逐漸受到關(guān)注。

1.3 機(jī)器視覺(jué)技術(shù)獲取體尺數(shù)據(jù)

機(jī)器視覺(jué)系統(tǒng)通過(guò)安裝在不同位置的攝像頭來(lái)采集豬、雞、牛、羊等畜禽的圖像或視頻，經(jīng)過(guò)圖像處理系統(tǒng)提取出與體質(zhì)量相關(guān)的畜禽體尺作為輸入特征，通過(guò)機(jī)器學(xué)習(xí)算法估測(cè)畜禽的體質(zhì)量，或通過(guò)深度學(xué)習(xí)算法從圖形中自動(dòng)提取特征估測(cè)畜禽體質(zhì)量?；跈C(jī)器視覺(jué)系統(tǒng)進(jìn)行畜禽體質(zhì)量評(píng)估的整體流程如圖1所示。

圖1 基于機(jī)器視覺(jué)的畜禽體質(zhì)量評(píng)估整體流程圖Fig.1 Whole process of animal weight assessment based on machine vision

用于獲取體尺信息的攝像頭大多安裝在天花板、通道等固定位置，或者是地面機(jī)器人、無(wú)人機(jī)等移動(dòng)設(shè)備上，根據(jù)攝像頭不同的安裝位置，獲取頂部、正面、側(cè)面和后部等不同角度動(dòng)物圖像或視頻[27-28]。為獲得高質(zhì)量的圖像，大多數(shù)研究將單只動(dòng)物限制在一定區(qū)域或通道中采集圖像[29]。根據(jù)攝像機(jī)傳感器的類(lèi)型不同所獲得的圖像也不同，包括二維(2-D)圖像和三維(3-D)圖像。使用機(jī)器學(xué)習(xí)算法進(jìn)行體質(zhì)量評(píng)估需要對(duì)獲取的圖像進(jìn)行復(fù)雜的圖像處理，提取與體質(zhì)量相關(guān)的體尺作為輸入特征，構(gòu)建體質(zhì)量評(píng)估模型獲得畜禽體質(zhì)量。

與傳統(tǒng)的手工測(cè)量方式相比，非接觸式的機(jī)器視覺(jué)方法避免給畜禽造成應(yīng)激反應(yīng)，并且具有快速、直觀、成本低的優(yōu)點(diǎn)。近年來(lái)隨著傳感器的不斷升級(jí)，通過(guò)視覺(jué)技術(shù)獲取動(dòng)物身體尺寸特征進(jìn)行畜禽體質(zhì)量的估計(jì)，得到了廣泛的研究，作為能夠取代手工測(cè)量的方式，顯示出巨大的發(fā)展?jié)摿30]。

2 視覺(jué)傳感器及圖像處理過(guò)程

2.1 視覺(jué)傳感器

用于獲取畜禽體尺數(shù)據(jù)的傳感器大體分為2-D傳感器和3-D傳感器。2-D傳感器可以生成2-D RGB圖像、熱圖像；基于立體視覺(jué)原理和結(jié)構(gòu)光原理，通過(guò)2-D傳感器可生成3-D圖像；3-D傳感器可生成深度圖像或3-D點(diǎn)云數(shù)據(jù)。

2.1.12-D成像

2-D傳感器主要包括2-D數(shù)碼相機(jī)和熱敏相機(jī)，2-D數(shù)碼相機(jī)一般使用電荷耦合器件CCD和互補(bǔ)金屬氧化物半導(dǎo)體CMOS，獲得動(dòng)物的RGB圖像[31]。2-D熱敏相機(jī)能夠獲得2-D熱圖像[32]。2-D RGB相機(jī)應(yīng)用較為廣泛，豬、牛、羊等大型家畜一般通過(guò)頂視圖和側(cè)視圖采集圖像，雞、鴨等家禽一般采用頂視圖采集圖像。也有研究使用多臺(tái)相機(jī)分別獲取頂視圖和側(cè)視圖，將多角度視圖匹配獲得多維度和更準(zhǔn)確的特征值[33]。動(dòng)物的背部減去頭和尾的圖像與體質(zhì)量的相關(guān)性最大，研究中獲取畜禽背部圖像用于體質(zhì)量評(píng)估的研究相對(duì)較多[34]。2-D傳感器類(lèi)型、成像類(lèi)型、成像視角和研究對(duì)象見(jiàn)表1。

表1 典型2-D傳感器Tab.1 Typical 2D sensors

2.1.23-D成像

(1)2-D傳感器的3-D成像

采用俯視圖的方式，使用與二維相機(jī)平行的投影儀[40]投射均勻圖案和具有一定特征的參考定位圖案的結(jié)構(gòu)光到目標(biāo)的背部，根據(jù)激光圖案進(jìn)行匹配識(shí)別激光狹縫的編碼。這種方式不需要借助其他參考對(duì)象就能獲得動(dòng)物的高度，然而容易受到其他光線的影響，很難在商用系統(tǒng)中使用。

雙目立體視覺(jué)利用相同特征的成像視差與兩臺(tái)相機(jī)距離之間的關(guān)系[41]，獲得羊的三維體尺數(shù)據(jù)[42]、豬的RGB圖像[43]，利用全局匹配算法對(duì)左右圖像進(jìn)行匹配，生成視差圖，獲得深度圖像，在深度圖像中計(jì)算體尺點(diǎn)獲得體質(zhì)量的估算特征。

利用運(yùn)動(dòng)的結(jié)構(gòu)原理，使用單個(gè)2-D數(shù)碼相機(jī)從不同角度拍攝不同姿態(tài)和位置豬的圖像，檢測(cè)出多個(gè)圖像中的重疊特征，進(jìn)行豬和背景的提取，生成豬的三維點(diǎn)云，最終還可以將形狀和紋理集成，獲得直觀的豬三維圖像[44]。

盡管基于2-D相機(jī)的研究取得了一定的進(jìn)展，但從2-D相機(jī)中提取特征容易受到攝像機(jī)視角、畜禽的運(yùn)動(dòng)姿態(tài)和環(huán)境光線的影響，對(duì)于圖像的可用性和特征識(shí)別的準(zhǔn)確性有較大影響。

(2)3-D傳感器的3-D成像

3-D深度傳感器可以克服2-D成像系統(tǒng)中的許多問(wèn)題，如背景去除、畜禽主體分割、特征提取和對(duì)環(huán)境光線的敏感性。目前用于畜禽體質(zhì)量評(píng)估的3-D傳感器，一般都基于飛行時(shí)間(Time of flight，TOF)原理[45]，通過(guò)發(fā)射器發(fā)射近紅外光或可見(jiàn)光，到物體表面反射回接收傳感器，通過(guò)監(jiān)測(cè)時(shí)間差來(lái)測(cè)量傳感器到目標(biāo)物體之間的距離，獲得物體表面的深度。畜禽體質(zhì)量測(cè)量中使用較多的深度傳感器設(shè)備包括：微軟Kinect傳感器、華碩Xtion傳感器、英特爾RealSense D435傳感器以及光探測(cè)和測(cè)距(Light detection and ranging，LiDAR)傳感器和激光掃描儀。其中，Kinect傳感器應(yīng)用最為普遍，它屬于深度感應(yīng)飛行時(shí)間的傳感器。3-D傳感器的基本信息、適用環(huán)境以及研究對(duì)象見(jiàn)表2。

表2 典型3-D傳感器Tab.2 Typical 3D sensors

Kinect、Xtion和RealSense相機(jī)由于使用紅外線測(cè)量深度容易受到陽(yáng)光直射的影響，并且視野小、像素分辨率低、測(cè)量范圍差，適合光線比較穩(wěn)定的室內(nèi)測(cè)量。LiDAR傳感器和激光掃描儀，使用激光對(duì)目標(biāo)進(jìn)行密集采樣，產(chǎn)生精確的三維測(cè)量，受光線強(qiáng)度影響較小，可以在戶外使用[59]。LiDAR利用TOF原理，記錄激光脈沖離開(kāi)激光發(fā)射器到返回接收器的精確時(shí)間，獲得傳感器到目標(biāo)的距離。激光掃描儀使用多臺(tái)LiDAR傳感器實(shí)現(xiàn)對(duì)目標(biāo)的精確掃描[60]。LiDAR傳感器和激光掃描儀掃描結(jié)果更精確，但成本較高，應(yīng)用相對(duì)較少。

3-D攝像機(jī)能夠提供畜禽深度圖像，比二維圖像提供更多的身體特征信息，提高了體質(zhì)量評(píng)估精度。3-D攝像機(jī)不受動(dòng)物體表的污垢等影響，并且對(duì)于復(fù)雜的背景也具有更好的魯棒性。同時(shí)，由于動(dòng)物在環(huán)境中的高度具有特定的范圍，從3-D深度圖像中分割動(dòng)物變得更容易。

2.2 圖像處理過(guò)程

通過(guò)傳感器獲得包含畜禽身體圖像之后，需要對(duì)2-D、3-D圖像進(jìn)行處理，提取動(dòng)物體尺特征用于體質(zhì)量的估計(jì)。2-D和3-D圖像處理方法不同，但具有類(lèi)似的處理流程，如圖2所示[61]，包括圖像獲取、目標(biāo)檢測(cè)、圖像預(yù)處理、圖像分割和體尺特征提取。

圖2 畜禽體質(zhì)量評(píng)估圖像處理過(guò)程[61]Fig.2 Image processing of livestock and poultry weight assessment

圖像獲取階段需要考慮影響后續(xù)圖像處理過(guò)程的因素，如動(dòng)物姿勢(shì)、相機(jī)位置、照明強(qiáng)度、最佳成像條件等。由于需要提取畜禽的身體輪廓信息作為體質(zhì)量評(píng)估的特征，攝像頭一般垂直于目標(biāo)，安裝在頂部或側(cè)面用于獲取站姿動(dòng)物的背部或側(cè)面的圖像，也有少數(shù)研究獲取動(dòng)物的后部圖像，要盡量避免圖像受到光線明暗變化的影響[62]。

目標(biāo)檢測(cè)階段通過(guò)判斷圖像中是否有滿足條件的動(dòng)物個(gè)體，進(jìn)而從獲取的大量圖像或視頻幀中篩選出滿足條件的圖像以進(jìn)行下一步處理?？梢苑譃槭謩?dòng)篩選和應(yīng)用目標(biāo)檢測(cè)算法自動(dòng)篩選，近年來(lái)基于深度學(xué)習(xí)的目標(biāo)檢測(cè)方法在體質(zhì)量評(píng)估的研究中也得到了一定的應(yīng)用[63]。

圖像預(yù)處理是在進(jìn)行前景圖像提取和分割之前，為方便圖像處理而進(jìn)行的，如圖像變換、去噪、圖像增強(qiáng)[54]、三維重建、點(diǎn)云數(shù)據(jù)的缺失區(qū)域修復(fù)以及三維圖像歸一化[64-66]等處理。

圖像分割階段識(shí)別并從圖像中提取目標(biāo)畜禽身體或身體部位的邊界。用于畜禽體質(zhì)量評(píng)估的圖像分割算法有手動(dòng)分割法[67]、經(jīng)典Graph Cut圖像分割法[68]、閾值分割法[69]、橢圓擬合法[70]、背景減去法[71]、立體視覺(jué)法[43]、K-均值聚類(lèi)[49]等機(jī)器學(xué)習(xí)算法和基于深度學(xué)習(xí)算法[72]的分割等。通過(guò)大量的對(duì)比研究發(fā)現(xiàn)，深度學(xué)習(xí)方法在大數(shù)據(jù)量的圖像分割中的應(yīng)用表現(xiàn)出了更好的效果和更高的效率[73]。在對(duì)二維或三維圖像分割的基礎(chǔ)上，計(jì)算體尺數(shù)據(jù)，提取用于體質(zhì)量估算的特征。

每種動(dòng)物由于其外形特征之間存在差異，因此不同研究對(duì)象用于體質(zhì)量評(píng)估的特征也不同?？傮w來(lái)說(shuō)，應(yīng)用較多的體尺特征按照維度可以分為體長(zhǎng)、臀寬、胸圍等一維數(shù)據(jù)[74]，背部面積、背部周長(zhǎng)等二維數(shù)據(jù)[75]，能表達(dá)長(zhǎng)寬高特征的局部或整體體積的三維數(shù)據(jù)[35]。用于體質(zhì)量評(píng)估的特征除了體尺，還包括擬合身體形狀的凸面積、長(zhǎng)軸長(zhǎng)、偏心率等邊界尺寸[76]，除此之外，畜禽的品種、年齡、性別等非體型特征對(duì)于最終體質(zhì)量模型的建立和體質(zhì)量評(píng)估的準(zhǔn)確性也有影響[77]。畜禽體質(zhì)量評(píng)估研究中使用到的特征如表3所示。

表3 用于體質(zhì)量評(píng)估的畜禽特征Tab.3 Characteristics of livestock and poultry used for weight assessment

豬、雞、牛和羊等畜禽，由于其身體構(gòu)成不同，身體不同部位尺寸對(duì)于體質(zhì)量的影響程度也不同，因此將特征按照不同的畜禽種類(lèi)分類(lèi)統(tǒng)計(jì)。

3 體尺特征提取

畜禽的體尺是其生長(zhǎng)水平和繁殖性能[78]的重要參數(shù)，應(yīng)用于品種識(shí)別[59]、體質(zhì)量評(píng)估[79]、身體狀況評(píng)分[80]和遺傳性狀分析[81]等。圖3所示為體尺特征與體質(zhì)量評(píng)估的關(guān)系。體質(zhì)量評(píng)估是體尺測(cè)量的重要應(yīng)用，體尺特征是進(jìn)行畜禽體質(zhì)量評(píng)估的主要特征。

圖3 體尺與體質(zhì)量的關(guān)系示意圖Fig.3 Relationship between body size and weight

基于機(jī)器視覺(jué)的體尺測(cè)量，根據(jù)畜禽圖像獲取傳感器不同分為基于2-D圖像和3-D圖像的體尺測(cè)量。體尺測(cè)量的方法分為基于圖像處理的幾何測(cè)量和基于深度學(xué)習(xí)的自動(dòng)測(cè)量。每種畜禽都有不同解剖結(jié)構(gòu)和形態(tài)特征，在圖像重建、預(yù)處理和分割之后，根據(jù)不同畜禽的生態(tài)學(xué)特征標(biāo)記體尺點(diǎn)計(jì)算體尺數(shù)據(jù)?；跈C(jī)器視覺(jué)的體尺測(cè)量一般遵循傳統(tǒng)手工體尺測(cè)量的測(cè)量位置。

3.1 豬的體尺測(cè)量

近年來(lái)豬的體尺測(cè)量一般基于點(diǎn)云重建的三維圖像或深度圖像提取體尺，根據(jù)豬的幾何特征計(jì)算體尺點(diǎn)，再通過(guò)深度圖像或三維點(diǎn)云圖像的坐標(biāo)計(jì)算體尺。獲取豬背部圖像，根據(jù)豬背部的凹凸特性識(shí)別體尺點(diǎn)，能夠計(jì)算背寬、臀寬和體長(zhǎng)等體尺[43]。

使用包絡(luò)分析方法建立深度圖像分割后豬背部視圖的包絡(luò)，根據(jù)包絡(luò)距離找到尾根點(diǎn)、耳根點(diǎn)、臀寬測(cè)量點(diǎn)和胸寬測(cè)量點(diǎn)，在此基礎(chǔ)上通過(guò)幾何計(jì)算找到頸部中點(diǎn)、體高測(cè)量點(diǎn)和臀高測(cè)量點(diǎn)，最終能夠計(jì)算出體長(zhǎng)、體寬、體高、臀寬和臀高等體尺數(shù)據(jù)[82]。

在豬的三維點(diǎn)云數(shù)據(jù)中，采用歐氏聚類(lèi)分割算法提取前腿和后腿共4個(gè)聚類(lèi)簇，分別找到質(zhì)心點(diǎn)，根據(jù)前腿2個(gè)質(zhì)心點(diǎn)和后腿2個(gè)質(zhì)心點(diǎn)分別構(gòu)造垂直身體方向的2個(gè)平面，再根據(jù)平面在身體坐標(biāo)上的突出點(diǎn)最終能夠提取身體的高度和寬度[49]。在豬的背部視圖中2個(gè)凹陷點(diǎn)之間的凸出點(diǎn)為圖腹部左右擬合點(diǎn)，建立與身體垂直的切面，切面與點(diǎn)云重建體表的交點(diǎn)構(gòu)成腹圍，采用曲線擬合的方式建立的閉合形狀能夠測(cè)量腹圍[83]。

三維圖像一般需要經(jīng)過(guò)姿態(tài)歸一化后測(cè)量體尺。根據(jù)歸一化后圖像的對(duì)稱(chēng)性將豬三維圖像對(duì)稱(chēng)左右分開(kāi)，由俯視圖中身體左右曲線的極值點(diǎn)，找到左前蹄、右前蹄、左后蹄、右后蹄位置坐標(biāo)可計(jì)算體尺[84]。

除了通過(guò)體尺點(diǎn)獲得胸圍，可以建立連續(xù)多個(gè)豬三維圖像的二維切片截面，對(duì)每個(gè)二維切片點(diǎn)云采用最小二乘橢圓擬合方法，得到一組橢圓。然后提取橢圓的周長(zhǎng)作為其對(duì)應(yīng)的二維切片點(diǎn)云的截面特征。身體前半部橢圓最小的周長(zhǎng)即為豬的胸圍[85]。通過(guò)點(diǎn)云數(shù)據(jù)構(gòu)建的豬體三維曲面，還可以提取體表面積、體積等體尺數(shù)據(jù)[55]。

有研究將豬的深度圖像作為輸入，使用深度學(xué)習(xí)算法在估計(jì)體質(zhì)量的同時(shí)進(jìn)行豬的體型估計(jì)，對(duì)肩寬、肩高、臀寬、臀高和體長(zhǎng)等體尺的估計(jì)具有較高的精度?；谏疃葘W(xué)習(xí)的體尺測(cè)量無(wú)需經(jīng)過(guò)復(fù)雜的圖像處理過(guò)程和幾何運(yùn)算過(guò)程，顯示出了高度的便捷性和準(zhǔn)確性，是未來(lái)體尺測(cè)量的重要研究方向[53]。

3.2 牛的體尺測(cè)量

經(jīng)過(guò)2-D和3-D圖像預(yù)處理及三維點(diǎn)云圖像的完整性構(gòu)建之后，通過(guò)形狀分析和幾何計(jì)算分析等確定關(guān)鍵點(diǎn)或關(guān)鍵線，找到體尺點(diǎn)位置，計(jì)算牛的體尺數(shù)據(jù)。

從俯視圖來(lái)看，牛背部形成一個(gè)突出的脊，這些椎骨被視為體表的最高部，常作為確定關(guān)鍵點(diǎn)的重要參考[80]。利用牛分割的小腿位置也能夠確定體尺參考點(diǎn)，小腿前部最寬處找到肩部位置、小腿后部最寬處得到髖的位置、小腿中部最寬處到中部體尺點(diǎn)，通過(guò)肩部和中部確定胸部位置，進(jìn)一步計(jì)算得到寬度、高度和胸圍數(shù)據(jù)[41]。肩高和臀高等線性參數(shù)根據(jù)點(diǎn)云標(biāo)志到地面的歐氏距離來(lái)測(cè)量。胸深、髂寬、髖寬和胸寬使用點(diǎn)云上相應(yīng)標(biāo)志之間的距離來(lái)測(cè)量。斜體長(zhǎng)和臀長(zhǎng)根據(jù)相應(yīng)標(biāo)志點(diǎn)之間的測(cè)地距離使用精確的曲面算法來(lái)計(jì)算[48]。

在三維點(diǎn)云數(shù)據(jù)重建的牛身體后部，使用梯度運(yùn)算和相對(duì)最大值自動(dòng)檢測(cè)獲得髖關(guān)節(jié)、肩部和尾部參考點(diǎn)。使用相對(duì)最大值計(jì)算髖關(guān)節(jié)距離、高度、頭大小和體長(zhǎng)。根據(jù)蹄面最高坡度變化曲線的二階導(dǎo)函數(shù)確定地面參考點(diǎn)，進(jìn)而可以計(jì)算肩高、臀高等高度體尺[28]。

有研究對(duì)三維點(diǎn)云精簡(jiǎn)后，去除冗余點(diǎn)云數(shù)據(jù)，保留奶牛脊柱和身體邊界信息。根據(jù)參考點(diǎn)的幾何特征以及不同參考點(diǎn)之間的空間關(guān)系，對(duì)奶牛背部點(diǎn)云進(jìn)行體尺點(diǎn)的提取。計(jì)算出奶牛體直長(zhǎng)、體高、肩高、腰高、胸寬和腰角寬等體尺數(shù)據(jù)[29]。

3.3 羊的體尺測(cè)量

使用2-D相機(jī)獲取羊的圖像進(jìn)行體尺測(cè)量通常需要布置多個(gè)角度的相機(jī)以獲得多個(gè)維度的體尺。利用2-D相機(jī)獲取羊的俯視圖和側(cè)視圖，經(jīng)過(guò)分割處理后得到羊的背部和側(cè)面的圖像，選用 Canny算子提取羊體輪廓。根據(jù)2-D圖像處理方法，側(cè)面輪廓能夠獲得體高、臀高、體長(zhǎng)和胸深等長(zhǎng)度和高度體尺數(shù)據(jù)。應(yīng)用最小二乘法在背部視圖上擬合形成俯視圖主骨架，根據(jù)身體輪廓曲線的曲率能獲得胸寬和臀寬等寬度體尺[86]。

利用雙目立體視覺(jué)獲得羊的三維圖像，在分割后的羊體輪廓的基礎(chǔ)上，采用包絡(luò)線分析方法識(shí)別體尺測(cè)點(diǎn)，再根據(jù)體尺點(diǎn)的空間關(guān)系計(jì)算羊體尺參數(shù)，測(cè)量精度較高[42]。

3.4 雞的體尺測(cè)量

雞用于體質(zhì)量評(píng)估的特征常為體長(zhǎng)、體寬和體高等簡(jiǎn)單的體尺信息，或是背部視圖下的擬合形狀的幾何特征。雞的體尺特征還是遺傳性狀研究和選種的重要決定因素[81]。由于相較于其他大型牲畜雞的體型較小，雞的體尺測(cè)量一般采用手動(dòng)方式，基于機(jī)器視覺(jué)的雞體尺提取的相關(guān)研究相對(duì)較少。隨著機(jī)器視覺(jué)技術(shù)的發(fā)展，在小體積家禽上的體尺測(cè)量研究也會(huì)得到進(jìn)一步的發(fā)展。

視覺(jué)圖像中特征的選擇成為體質(zhì)量評(píng)估準(zhǔn)確性的關(guān)鍵影響因素[87]。體尺特征和體質(zhì)量之間往往具有不同的相關(guān)度，為建立更準(zhǔn)確和簡(jiǎn)潔的體質(zhì)量評(píng)估模型，需要使用自動(dòng)化方法對(duì)特征進(jìn)行降維和篩選。主成分分析法[88]和偏最小二乘回歸[89]等作為經(jīng)典且有效的降維方法，常被用于特征篩選。

近年來(lái)，深度學(xué)習(xí)技術(shù)在體質(zhì)量評(píng)估上的應(yīng)用使得特征的選擇變成了自動(dòng)的過(guò)程，無(wú)需具體估計(jì)某一項(xiàng)體尺與體質(zhì)量的量化關(guān)系，而是自動(dòng)提取畜禽二維或三維圖像所包含的更為抽象的高層特征，建立與體質(zhì)量之間更為復(fù)雜的聯(lián)系[90]。基于深度學(xué)習(xí)進(jìn)行目標(biāo)檢測(cè)、圖像分割以及自動(dòng)提取高維特征的體質(zhì)量評(píng)估成為未來(lái)發(fā)展趨勢(shì)。

4 體質(zhì)量評(píng)估方法

4.1 基于機(jī)器學(xué)習(xí)的體質(zhì)量評(píng)估方法

機(jī)器學(xué)習(xí)技術(shù)以數(shù)據(jù)為驅(qū)動(dòng)，能夠從外部信息中學(xué)習(xí)到數(shù)據(jù)背后隱藏的關(guān)聯(lián)并將其存儲(chǔ)到知識(shí)庫(kù)中進(jìn)行自主學(xué)習(xí)[91]?；跈C(jī)器學(xué)習(xí)算法以視覺(jué)圖像或從中提取的身體特征為輸入建立自動(dòng)體質(zhì)量估計(jì)模型。體質(zhì)量的估計(jì)屬于回歸問(wèn)題，一般以體質(zhì)量秤獲得的體質(zhì)量數(shù)據(jù)為標(biāo)簽進(jìn)行有監(jiān)督學(xué)習(xí)。目前，對(duì)體質(zhì)量評(píng)估主要采用的機(jī)器學(xué)習(xí)算法包括回歸模型(Regression model，RM)、決策樹(shù)(Decision tree，DT)、支持向量機(jī)(Support vector machine，SVM)和人工神經(jīng)網(wǎng)絡(luò)(Artificial neural network，ANN)等傳統(tǒng)機(jī)器學(xué)習(xí)算法以及新興的深度學(xué)習(xí)(Deep learing，DL)算法。

根據(jù)畜禽體質(zhì)量評(píng)估相關(guān)文獻(xiàn)的統(tǒng)計(jì)結(jié)果發(fā)現(xiàn)，RM的應(yīng)用最多，ANN也得到了較為廣泛的研究，近些年來(lái)，深度學(xué)習(xí)技術(shù)在各領(lǐng)域取得顯著的成果，其在畜禽體質(zhì)量評(píng)估方面的研究也初見(jiàn)成果，圖4所示為不同的機(jī)器學(xué)習(xí)算法在畜禽體質(zhì)量評(píng)估中研究成果數(shù)量的比例分布。這些機(jī)器學(xué)習(xí)算法的研究對(duì)象主要集中于豬、雞、牛和羊等常見(jiàn)的畜禽，圖5列出了不同機(jī)器學(xué)習(xí)算法在這4類(lèi)畜禽中研究成果數(shù)量的對(duì)應(yīng)比例關(guān)系。圖5左側(cè)為文中5種不同機(jī)器學(xué)習(xí)模型的分布比例，圖5右側(cè)為文中4類(lèi)畜禽的分布比例，中間的連接帶表明了不同算法與畜禽之間的比例關(guān)系。

圖4 不同機(jī)器學(xué)習(xí)算法的研究成果數(shù)量分布Fig.4 Distribution of different machine learning algorithms

圖5 不同機(jī)器學(xué)習(xí)模型與研究對(duì)象的對(duì)應(yīng)分布Fig.5 Corresponding distribution of different machine learning models and research objects

4.1.1回歸模型

RM作為經(jīng)典的機(jī)器學(xué)習(xí)模型，在豬[92]、雞[36]、牛[93]和羊[94]的體質(zhì)量評(píng)估中均有廣泛的應(yīng)用。一元線性回歸模型能夠建立單一身體特征和體質(zhì)量之間的線性關(guān)系，常見(jiàn)的如胸圍、體長(zhǎng)、背部面積、體積等能在一定情況下較好的表征體質(zhì)量[95]。然而，畜禽的體質(zhì)量通常與多個(gè)身體測(cè)量值之間都存在關(guān)聯(lián)，建立體質(zhì)量與多個(gè)身體測(cè)量值之間的多元線性方程或冪回歸[96]、二次回歸[45]等非線性方程均顯示出了更高的估算精度，然而過(guò)多添加輸入變量會(huì)帶來(lái)模型的過(guò)擬合，隨著更多輸入變量的添加，不僅輸入變量可能與輸出變量相關(guān)，它們也可能彼此相關(guān)，表現(xiàn)出多重共線性，使得回歸模型發(fā)生過(guò)擬合。使用膨脹因子分析輸入變量之間的共線性關(guān)系，選擇相關(guān)性較小的變量，通過(guò)逐步回歸的方式能夠克服變量共線性關(guān)系建立體質(zhì)量評(píng)估模型[38]。也有研究中使用主成分分析法[88]、最小二乘法[36]、LASSO回歸分析[97]等建立避免多重共線性的估算回歸模型。

簡(jiǎn)單回歸模型具有建?？焖?、模型解釋性強(qiáng)的優(yōu)點(diǎn)，使其在畜禽的體質(zhì)量評(píng)估中獲得了廣泛的應(yīng)用。然而，簡(jiǎn)單回歸模型適用于數(shù)據(jù)規(guī)模較小，選擇估算特征較少的情況，當(dāng)選取的體尺特征之間存在共線性關(guān)系時(shí)，模型的準(zhǔn)確性降低。

4.1.2決策樹(shù)

DT模型應(yīng)用樹(shù)圖的思想解決分類(lèi)或回歸問(wèn)題。在雞[98]、牛[99]、羊[100]和狗[101]的體質(zhì)量評(píng)估研究中均有應(yīng)用，但相較于回歸模型研究較少，未見(jiàn)決策樹(shù)模型應(yīng)用于豬的體質(zhì)量評(píng)估。DT模型計(jì)算快、模型易于理解，由于體質(zhì)量估計(jì)屬于非線性問(wèn)題，同RM相比能更好地建立體征和體質(zhì)量之間的關(guān)系。同時(shí)，相比于RM模型不受身體特征之間的共線性影響，常表現(xiàn)出更好的性能[102]。

RUCHAY等[99]使用牛的12項(xiàng)身體特征建立估算模型，對(duì)比了多種RM模型、DT模型、支持向量回歸、隨機(jī)森林等多種機(jī)器學(xué)習(xí)算法，改進(jìn)的DT模型顯示出了最好的效果。但模型易受到樣本數(shù)據(jù)質(zhì)量的影響，信息增益偏向于樣本有更多數(shù)值的特征，當(dāng)樣本中身體特征數(shù)據(jù)樣本量不均勻時(shí)，影響模型構(gòu)造的準(zhǔn)確性。另外，決策樹(shù)模型存在過(guò)擬合問(wèn)題，影響體質(zhì)量評(píng)估模型的泛化能力。

4.1.3支持向量機(jī)

SVM基于線性分離超平面對(duì)數(shù)據(jù)實(shí)例分類(lèi)，使用“核技巧”將原始特征空間轉(zhuǎn)換為更高維的特征空間來(lái)處理復(fù)雜問(wèn)題[103]。在體質(zhì)量評(píng)估的應(yīng)用中，少量研究涉及牛[104]和豬[105]，其他畜禽中未見(jiàn)應(yīng)用。有研究將肩高、腰長(zhǎng)、臀長(zhǎng)、胸圍和大腿寬度等作為身體特征，建立牛體質(zhì)量估計(jì)支持向量回歸模型效果較好[104]。由于SVM采用了泛化方法，因此在進(jìn)行體質(zhì)量估算時(shí)過(guò)擬合的概率較小，模型具有更好的泛化能力。但是，模型準(zhǔn)確率也容易受到噪聲數(shù)據(jù)的影響。SVM在分類(lèi)問(wèn)題中的表現(xiàn)更優(yōu)異，對(duì)體質(zhì)量估計(jì)這類(lèi)回歸問(wèn)題的相關(guān)應(yīng)用較少。

4.1.4人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)受到人腦功能的啟發(fā)，模擬人腦神經(jīng)元結(jié)構(gòu)建立模型，與回歸模型在體質(zhì)量評(píng)估中的應(yīng)用研究規(guī)模相當(dāng)，常見(jiàn)于豬[106]、雞[107]、牛[108]和羊[109]等常見(jiàn)農(nóng)場(chǎng)動(dòng)物。

BP神經(jīng)網(wǎng)絡(luò)[107]、RBF神經(jīng)網(wǎng)絡(luò)[106]、貝葉斯人工神經(jīng)網(wǎng)絡(luò)[47]、自適應(yīng)神經(jīng)模糊推理系統(tǒng)[110]等常見(jiàn)神經(jīng)網(wǎng)絡(luò)模型在畜禽體質(zhì)量評(píng)估中均有應(yīng)用，這些研究表明應(yīng)用神經(jīng)網(wǎng)絡(luò)能夠有效進(jìn)行畜禽體質(zhì)量的預(yù)測(cè)。此外，大量研究顯示，神經(jīng)網(wǎng)絡(luò)模型進(jìn)行體質(zhì)量估算的性能優(yōu)于回歸模型。尤其是，可以將3-D圖像中提取的長(zhǎng)度、高度、寬度、面積和體積等多達(dá)60個(gè)潛在的預(yù)測(cè)變量[108]作為人工神經(jīng)網(wǎng)絡(luò)模型的輸入?yún)?shù)來(lái)估計(jì)體質(zhì)量，得到的預(yù)測(cè)模型性能遠(yuǎn)優(yōu)于線性回歸模型，且與真實(shí)體質(zhì)量之間相關(guān)性較高。神經(jīng)網(wǎng)絡(luò)能夠處理大量特征變量與體質(zhì)量之間的復(fù)雜非線性關(guān)系，與線性模型相比能夠容納變量之間的共線性，輸入較多特征時(shí)模型可獲得更高的精度。

然而，傳統(tǒng)的機(jī)器學(xué)習(xí)模型需要應(yīng)用圖像處理等手段提取估算的特征、應(yīng)用一定的方法篩選特征，包含大量特征工程的工作。同時(shí)，傳統(tǒng)機(jī)器學(xué)習(xí)算法樣本來(lái)源于小范圍農(nóng)場(chǎng)的小規(guī)模樣本數(shù)據(jù)，且需要按照不同的種群、性別、年齡等各自建立適用的模型，所建立的體質(zhì)量評(píng)估模型不具有廣泛的適用性，難以商用推廣。

4.2 基于深度學(xué)習(xí)算法的體質(zhì)量評(píng)估方法

基于機(jī)器視覺(jué)的體質(zhì)量評(píng)估研究開(kāi)始從傳統(tǒng)機(jī)器學(xué)習(xí)算法向深度學(xué)習(xí)算法轉(zhuǎn)變，在豬[111]、雞[5]、牛[112]、羊[109]中均得到了較好的效果。一方面，基于深度學(xué)習(xí)算法進(jìn)行畜禽的目標(biāo)檢測(cè)、身體分割和特征提取得到了廣泛的研究，顯示出了深度學(xué)習(xí)算法在視覺(jué)圖像處理中的強(qiáng)大能力。另一方面基于深度學(xué)習(xí)的體質(zhì)量評(píng)估模型以2-D或3-D原始圖像或經(jīng)簡(jiǎn)單預(yù)處理的圖像作為模型輸入，自動(dòng)提取與體質(zhì)量關(guān)聯(lián)的高維抽象特征，輸出體質(zhì)量估算結(jié)果，無(wú)需復(fù)雜的圖像處理過(guò)程，簡(jiǎn)化和優(yōu)化了數(shù)據(jù)分析流程。

基于深度學(xué)習(xí)的體質(zhì)量評(píng)估模型主要為深度卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural networks，CNN)，模型中間經(jīng)過(guò)多個(gè)隱含卷積層和池化層，通過(guò)大量的輸入數(shù)據(jù)不斷訓(xùn)練、調(diào)整網(wǎng)絡(luò)參數(shù)及權(quán)重，逐漸逼近預(yù)期精度。在此過(guò)程中不需要人為參與，完全依賴(lài)深度學(xué)習(xí)算法強(qiáng)大的性能和處理能力。

基于深度學(xué)習(xí)的畜禽體質(zhì)量評(píng)估目前主要分為半自動(dòng)化和全自動(dòng)化兩種方式。半自動(dòng)化的體質(zhì)量評(píng)估，使用深度學(xué)習(xí)算法進(jìn)行目標(biāo)檢測(cè)、分割和特征提取，利用機(jī)器學(xué)習(xí)算法建立模型進(jìn)行體質(zhì)量評(píng)估。全自動(dòng)化的體質(zhì)量評(píng)估以單只畜禽圖像為輸入，使用深度學(xué)習(xí)算法建立模型進(jìn)行體質(zhì)量評(píng)估。

4.2.1基于深度學(xué)習(xí)算法的豬體質(zhì)量評(píng)估

YOLO V3以整幅圖像作為興趣域進(jìn)行像素的分類(lèi)和目標(biāo)定位，相較于Faster R-CNN目標(biāo)檢測(cè)算法速度更快，在豬只識(shí)別中取得較好的效果[63]。在深度卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上建立PigNet網(wǎng)絡(luò)對(duì)群豬進(jìn)行個(gè)體分割，與Mask R-CNN模型及其改進(jìn)模型進(jìn)行對(duì)比，具有更高的準(zhǔn)確率[72]。

豬的全自動(dòng)體質(zhì)量評(píng)估模型的研究中，多數(shù)采用輕量級(jí)CNN網(wǎng)絡(luò)架構(gòu)，例如，EfficientNet[113]、ResNet[114]、Xception[115]、MobileNet[116]和DenseNet[117]。輕量級(jí)網(wǎng)絡(luò)架構(gòu)同遷移學(xué)習(xí)方法的應(yīng)用避免了深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練中常會(huì)遇到的梯度消失、梯度爆炸、過(guò)擬合、欠擬合等問(wèn)題，以及隨著網(wǎng)絡(luò)變深帶來(lái)的運(yùn)算時(shí)間、空間代價(jià)的劇增。

EfficientNet模型，通過(guò)模型縮放來(lái)優(yōu)化模型深度、寬度和輸入分辨率，使模型在一定計(jì)算資源下獲得最高精度。將深度圖像通過(guò)預(yù)訓(xùn)練的EfficientNetB0網(wǎng)絡(luò)進(jìn)行遷移學(xué)習(xí)[118]來(lái)估算不同育肥階段豬的體質(zhì)量，該模型具有精確預(yù)測(cè)體質(zhì)量的能力。

ResNet為解決深層網(wǎng)絡(luò)中的退化問(wèn)題，引入恒等映射和殘差學(xué)習(xí)塊優(yōu)化訓(xùn)練效果，加深網(wǎng)絡(luò)以獲取更高的估重準(zhǔn)確率。有研究將ResNet模型加入分層級(jí)聯(lián)多頭自注意力模塊，感知豬背部更大的區(qū)域來(lái)改進(jìn)ResNet模型性能[119]。此外，以豬的背部2-D RGB圖像為輸入估計(jì)體質(zhì)量，與ResNet152V2、Xception、MobileNetV2相比，DenseNet201模型具有最好的效果[37]，其主要原因在于DenseNet201模型采用密集連接的機(jī)制，能夠從畜禽2-D圖像獲取更多的信息。通過(guò)分析卷積層的輸出特征圖發(fā)現(xiàn)，模型忽略了背景特征和光照變化等顏色特征，提取出了豬體輪廓特征，用于體質(zhì)量評(píng)估顯示出了更高的準(zhǔn)確性。然而，與使用2-D圖像相比，使用3-D深度圖像作為模型輸入估計(jì)豬的體質(zhì)量發(fā)現(xiàn)，Xception模塊具有更有效的信息整合能力，顯示出最好的體質(zhì)量評(píng)估效果，而MobileNet模型由于其參數(shù)過(guò)少，訓(xùn)練波動(dòng)較大，體質(zhì)量估計(jì)效果較差[53]。

以深度圖像作為模型的輸入，可以建立從目標(biāo)識(shí)別、特征提取到體質(zhì)量評(píng)估的全自動(dòng)模型[120]，其結(jié)構(gòu)如圖6所示[120]。在Faster R-CNN的基礎(chǔ)上，加入ReLU函數(shù)和兩個(gè)全連接層激活候選區(qū)域的特征向量，輸出3個(gè)結(jié)果：豬的類(lèi)別置信度、目標(biāo)邊框偏移量和體質(zhì)量，模型取得了較好的效果。將目標(biāo)檢測(cè)與體質(zhì)量評(píng)估融合的全自動(dòng)系統(tǒng)是走向商用化的必要條件，也是未來(lái)畜禽體質(zhì)量評(píng)估的重要研究方向。

圖6 融合目標(biāo)檢測(cè)和體質(zhì)量評(píng)估的深度學(xué)習(xí)模型[120]Fig.6 A deep learning model combining target detection and weight assessment

4.2.2基于深度學(xué)習(xí)算法的雞體質(zhì)量評(píng)估

目標(biāo)識(shí)別算法YOLO V3能夠?qū)t外相機(jī)獲得的單只雞在一定范圍活動(dòng)區(qū)域的深度圖像進(jìn)行位置定位，采用全卷積分割算法FCN分割肉雞區(qū)域,成功得到肉雞的掩膜圖像[121]。應(yīng)用機(jī)器視覺(jué)獲得分割后雞的體尺數(shù)據(jù)維度較少，大都是背部像素個(gè)數(shù)、背部面積以及擬合圖形的幾何特征數(shù)據(jù)，相對(duì)于其他大型家畜更為方便提取。

除了身體特征能估計(jì)雞的體質(zhì)量外，雞舍內(nèi)復(fù)雜的環(huán)境信息和體質(zhì)量也有密切的聯(lián)系，動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)能夠針對(duì)不同輸入樣本，動(dòng)態(tài)地調(diào)節(jié)其結(jié)構(gòu)或參數(shù)。應(yīng)用動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)建立雞舍動(dòng)態(tài)環(huán)境和雞體質(zhì)量之間復(fù)雜的關(guān)系，能夠估計(jì)雞的體質(zhì)量變化，為未來(lái)肉雞生產(chǎn)優(yōu)化研究提供了有效的基礎(chǔ)[5]。

4.2.3基于深度學(xué)習(xí)算法的牛體質(zhì)量評(píng)估

深層卷積神經(jīng)網(wǎng)絡(luò)Mask R-CNN是經(jīng)典的目標(biāo)檢測(cè)框架Faster R-CNN的擴(kuò)展，對(duì)牛進(jìn)行圖像分割具有較高的分類(lèi)準(zhǔn)確率和較高的像素分割精度，進(jìn)一步使用多層感知機(jī)估計(jì)牛的體質(zhì)量[122]。U-Net是比較早使用全卷積網(wǎng)絡(luò)進(jìn)行語(yǔ)義分割的算法，在牛的側(cè)面身體分割中顯示出了較高的精度。深度學(xué)習(xí)算法不僅能進(jìn)行二維圖像的分割，還應(yīng)用于牛的三維點(diǎn)云數(shù)據(jù)的輪廓提取[56]。

全自動(dòng)的牛體質(zhì)量評(píng)估模型以牛的背部2-D RGB圖像為輸入，建立深度學(xué)習(xí)模型輸出體質(zhì)量。對(duì)比ResNet18、EfficientNetB1和EfficientNetB7輕量級(jí)CNN框架，發(fā)現(xiàn)EfficientNetB1具有最高的準(zhǔn)確性。在CNN、RNN中添加注意模塊，發(fā)現(xiàn)沒(méi)有添加注意力機(jī)制的CNN具有最好的效果[112]。目前畜禽的體質(zhì)量估計(jì)方式往往是一次只拍攝一只動(dòng)物并占滿圖像的大部分位置，原始卷積神經(jīng)網(wǎng)絡(luò)能夠關(guān)注到身體的全部，而注意力機(jī)制只能關(guān)注到身體的部分區(qū)域，不能根據(jù)整體形狀特征很好的估計(jì)體質(zhì)量。

4.2.4基于深度學(xué)習(xí)算法的羊體質(zhì)量評(píng)估

在羊生活的區(qū)域中將羊分割出來(lái)是一項(xiàng)困難的任務(wù)。羊毛的顏色和紋理與背景干草類(lèi)似。參考SegNet模型，基于自動(dòng)編碼器的架構(gòu)，將第三維表示成一個(gè)常規(guī)的RGB通道，構(gòu)建分割模型，成功將羊從帶有雜草的背景中分離出來(lái)[109]。

與其他畜禽不同，羊毛厚度的差別往往是影響其體質(zhì)量評(píng)估準(zhǔn)確度的重要因素。目前未見(jiàn)全自動(dòng)的羊體質(zhì)量評(píng)估的深度學(xué)習(xí)模型。隨著深度學(xué)習(xí)技術(shù)的發(fā)展，未來(lái)將在各種畜禽體質(zhì)量評(píng)估中發(fā)揮重要作用。

輕量級(jí)網(wǎng)絡(luò)模型能夠快速移植到邊緣設(shè)備中，為實(shí)現(xiàn)實(shí)時(shí)、快速的商業(yè)化畜禽體質(zhì)量評(píng)估系統(tǒng)提供可能，提升輕量化深度網(wǎng)絡(luò)模型在畜禽體質(zhì)量評(píng)估系統(tǒng)中的性能，成為未來(lái)重要的研究目標(biāo)。

與傳統(tǒng)機(jī)器學(xué)習(xí)算法相比較，深度學(xué)習(xí)算法在體質(zhì)量評(píng)估方面表現(xiàn)出了更優(yōu)越的性能，表4列出了傳統(tǒng)機(jī)器學(xué)習(xí)算法與深度學(xué)習(xí)算法的對(duì)比。深度學(xué)習(xí)屬于端到端的模型，無(wú)需復(fù)雜的圖像處理過(guò)程，自動(dòng)提取用于估算的特征，并盡可能的挖掘出潛在的特征。也是由于這種端到端的特性，應(yīng)用深度學(xué)習(xí)算法進(jìn)行體質(zhì)量評(píng)估的建模并不需要知道哪些特征與體質(zhì)量相關(guān)等這類(lèi)先驗(yàn)的專(zhuān)家知識(shí)。

深度學(xué)習(xí)模型具有遷移學(xué)習(xí)的能力，在其他樣本甚至其他領(lǐng)域訓(xùn)練的模型可以遷移到體質(zhì)量評(píng)估領(lǐng)域中來(lái)，共享不同領(lǐng)域之間的知識(shí)成果。目前基于深度學(xué)習(xí)的體質(zhì)量模型均顯示出了比傳統(tǒng)機(jī)器學(xué)習(xí)算法更高的估計(jì)精度。同時(shí)，深度學(xué)習(xí)模型中的RNN能夠根據(jù)時(shí)間序列建模，由于畜禽的體質(zhì)量增長(zhǎng)具有按時(shí)間連續(xù)變化的特性，將時(shí)間因素加入到深度模型中將提高模型的精度。現(xiàn)在流行的許多深度學(xué)習(xí)框架都以模塊形式開(kāi)發(fā)，模塊的移植和組合等將實(shí)現(xiàn)模型更強(qiáng)大的功能。同時(shí)，深度學(xué)習(xí)模型也存在著硬件需求高的缺點(diǎn)，可通過(guò)輕量級(jí)架構(gòu)的推廣來(lái)改善。深度學(xué)習(xí)模型對(duì)比于線性回歸模型和回歸樹(shù)模型等，可解釋性不高，這也是深度學(xué)習(xí)算法本身的一個(gè)研究方向。深度學(xué)習(xí)在畜禽體質(zhì)量評(píng)估研究中顯示出巨大的發(fā)展?jié)摿?，是畜禽體質(zhì)量評(píng)估重要的研究方向。

表4 機(jī)器學(xué)習(xí)算法與深度學(xué)習(xí)算法的對(duì)比Tab.4 Machine learning vs deep learning algorithms

5 總結(jié)與展望

本文對(duì)近年來(lái)基于機(jī)器視覺(jué)的畜禽體質(zhì)量評(píng)估的研究進(jìn)行了分析和綜述。基于機(jī)器視覺(jué)的間接體質(zhì)量估計(jì)作為一種非入侵性的手段，逐漸取代手工的測(cè)量方式，對(duì)于實(shí)現(xiàn)精準(zhǔn)畜禽養(yǎng)殖管理具有重要的作用，正在逐步成為主流方法。然而，目前對(duì)畜禽體質(zhì)量評(píng)估方法的研究相較于一些前沿領(lǐng)域滯后，需要從多方面進(jìn)行大量的探索，以加速其從實(shí)驗(yàn)室研究階段向?qū)嶋H生產(chǎn)領(lǐng)域商業(yè)化應(yīng)用的進(jìn)程。

(1)根據(jù)應(yīng)用場(chǎng)景、監(jiān)測(cè)動(dòng)物類(lèi)型，選取適當(dāng)?shù)囊曈X(jué)傳感器。目前2-D相機(jī)的應(yīng)用仍然比較普遍，然而其所獲取的圖像容易受到環(huán)境光線的影響，并且基于特定視角無(wú)法獲得身體體型結(jié)構(gòu)更多維的特征，同時(shí)存在圖像校準(zhǔn)、匹配和處理過(guò)程復(fù)雜的問(wèn)題。而3-D相機(jī)能夠獲得動(dòng)物身體的深度信息，通過(guò)3-D圖像獲取的動(dòng)物3-D外形特征，正在逐步被用于體質(zhì)量評(píng)估中。因此，未來(lái)可以探索多種傳感器結(jié)合的方法，構(gòu)建更精確的體質(zhì)量評(píng)估系統(tǒng)。

(2)個(gè)體識(shí)別與精準(zhǔn)估重相結(jié)合。目前的研究中畜禽圖像大多是通過(guò)一次只能容納一只動(dòng)物的特定裝置采集，同時(shí)獲得外觀特征和體質(zhì)量，無(wú)法區(qū)分不同個(gè)體。雖然有部分自動(dòng)圖像采集系統(tǒng)，通過(guò)動(dòng)物佩戴的RFID射頻標(biāo)簽或在動(dòng)物的背部標(biāo)記特殊符號(hào)或數(shù)字來(lái)區(qū)分不同的個(gè)體。但是，在現(xiàn)代精準(zhǔn)畜禽養(yǎng)殖中，需要探索基于機(jī)器視覺(jué)將目標(biāo)檢測(cè)、個(gè)體識(shí)別與體質(zhì)量估算集成的方法，建立精準(zhǔn)的個(gè)體體質(zhì)量評(píng)估系統(tǒng)。

(3)將輕量化模型快速移植到邊緣設(shè)備中應(yīng)用?；谏疃染W(wǎng)絡(luò)建立的體質(zhì)量評(píng)估模型顯示出強(qiáng)大的性能優(yōu)勢(shì)和自動(dòng)化特性，如何建立精準(zhǔn)度高、參數(shù)量少的輕量化深度網(wǎng)絡(luò)模型，使其能夠在實(shí)際生產(chǎn)環(huán)境中高效運(yùn)行于邊緣設(shè)備上，與現(xiàn)有的物聯(lián)網(wǎng)系統(tǒng)真正融合，使這些體質(zhì)量評(píng)估的人工智能模型快速推廣應(yīng)用，將是今后此領(lǐng)域研究的重點(diǎn)。

(4)成熟的商業(yè)化系統(tǒng)。目前缺乏基于機(jī)器視覺(jué)的商業(yè)化全自動(dòng)體質(zhì)量估算監(jiān)測(cè)系統(tǒng)。構(gòu)建在畜禽自由活動(dòng)的場(chǎng)景中獲取體質(zhì)量估計(jì)可用的視覺(jué)圖像軟件系統(tǒng)是巨大挑戰(zhàn)。構(gòu)建大規(guī)模畜禽體質(zhì)量評(píng)估數(shù)據(jù)集，生成包含不同品種、喂養(yǎng)條件、不同年齡和性別的動(dòng)物通用的體質(zhì)量估算模型是構(gòu)建成熟的商業(yè)化系統(tǒng)需要解決的問(wèn)題。

綜上所述，能夠獲取身體更多維特征的3-D傳感器逐漸被用于畜禽體質(zhì)量評(píng)估。深度學(xué)習(xí)技術(shù)以其強(qiáng)大的特征學(xué)習(xí)與表征能力，在畜禽的體質(zhì)量評(píng)估中顯示出巨大的潛力，為未來(lái)構(gòu)建全自動(dòng)、實(shí)時(shí)、快速的體質(zhì)量評(píng)估系統(tǒng)提供了方向，然而距離實(shí)際商業(yè)應(yīng)用仍有許多技術(shù)難題需要解決。