趙寧， 李星， 江勇， 王志秀， 畢瑜林， 陳國宏，2，白皓， 常國斌，

（1.揚州大學動物科學與技術(shù)學院，江蘇 揚州 225009； 2.揚州大學農(nóng)業(yè)科技發(fā)展研究院，教育部農(nóng)業(yè)與農(nóng)產(chǎn)品安全國際合作聯(lián)合實驗室，江蘇 揚州 225009）

畜牧業(yè)是我國農(nóng)業(yè)農(nóng)村經(jīng)濟的支柱產(chǎn)業(yè)之一，在國民經(jīng)濟中發(fā)揮著十分重要的作用，不僅惠及民生、滿足了人們對肉蛋奶制品的需求，還促進了我國經(jīng)濟穩(wěn)定發(fā)展[1]。家禽產(chǎn)業(yè)是我國畜牧業(yè)的傳統(tǒng)產(chǎn)業(yè)，在我國畜牧業(yè)中占據(jù)重要地位。與家畜相比，家禽具有生長迅速、性成熟早、繁殖能力強、飼料轉(zhuǎn)化效率高、單位體重產(chǎn)品率高等特點，能短期內(nèi)生產(chǎn)大批量的蛋、肉產(chǎn)品，滿足人們?nèi)粘Ｉ钚枨骩2]。然而，家禽養(yǎng)殖易受養(yǎng)殖環(huán)境、疫病及飼料營養(yǎng)等諸多因素影響，會對家禽生產(chǎn)性能及健康造成影響，甚至嚴重制約家禽養(yǎng)殖業(yè)的長遠發(fā)展[3]。一方面，養(yǎng)殖場家禽數(shù)量眾多，飼養(yǎng)密集，僅依靠人工對家禽監(jiān)測，不僅浪費勞動力、增加經(jīng)濟成本，而且易出現(xiàn)人為誤判和漏判情況，同時，人工監(jiān)測也易引起家禽應(yīng)激反應(yīng)，導致家禽生產(chǎn)性能下降[4]；另一方面，禽流感、新城疫等傳染性疾病時有發(fā)生，增加了人與家禽交叉感染風險，造成嚴重經(jīng)濟損失。因此，養(yǎng)殖人員更加注重家禽養(yǎng)殖福利及精準化管理，這使得實時監(jiān)測的智能化養(yǎng)殖成為當前研究熱點。隨著現(xiàn)代信息技術(shù)的快速發(fā)展，國內(nèi)外涌現(xiàn)出一批農(nóng)業(yè)生產(chǎn)智能化監(jiān)測技術(shù)，如音頻分析技術(shù)、圖像識別技術(shù)、無線傳感器網(wǎng)絡(luò)技術(shù)及射頻識別（radio frequency identification，RFID）技術(shù)等[5]。圖像識別基于強大的算法和處理系統(tǒng)，具有連續(xù)、客觀、實時、非接觸、靈活性好等優(yōu)點，被廣泛應(yīng)用于畜禽識別[6]、行為監(jiān)測[7]、體況評分[8]、疾病監(jiān)測[9-10]等畜禽養(yǎng)殖生產(chǎn)中，不僅提高了畜禽養(yǎng)殖福利，實現(xiàn)了畜禽健康養(yǎng)殖，也為畜禽養(yǎng)殖提供理論支持和技術(shù)參考[11-12]。本文總結(jié)了圖像識別技術(shù)在雞行為識別、體質(zhì)量估計、健康監(jiān)測、產(chǎn)品分級中的應(yīng)用，旨在了解圖像識別技術(shù)在雞養(yǎng)殖中的研究現(xiàn)狀，為雞智慧養(yǎng)殖生產(chǎn)提供合理參考，對促進我國家禽產(chǎn)業(yè)的安全、可持續(xù)健康發(fā)展具有積極意義。

1 圖像識別技術(shù)概述

圖像識別技術(shù)是目前人工智能領(lǐng)域的重要組成部分，其利用計算機視覺、模式識別、機器學習等技術(shù)方法，達到自動識別圖像信息的目的[13]。圖像識別技術(shù)在20 世紀初開始出現(xiàn)并初步應(yīng)用于西方國家，但只是對數(shù)字和符號進行簡單識別；20 世紀60 年代以后，電子計算機技術(shù)迅速發(fā)展，圖像在傳輸過程中很大程度上保留了原始圖像，并將圖像壓縮成一定的格式，實現(xiàn)了圖像的低耗損傳輸；20 世紀70 年代，計算機行業(yè)技術(shù)不斷優(yōu)化改革，人們開始研究如何使用計算機表達圖像的意義，并在實際應(yīng)用中獲得了重要成果；到20 世紀90 年代，圖像識別處理技術(shù)才真正開始發(fā)展；到21 世紀，隨著科學技術(shù)迅猛發(fā)展，圖像識別技術(shù)得到飛躍發(fā)展，達到了成熟期，在醫(yī)學、交通、農(nóng)業(yè)等領(lǐng)域廣泛應(yīng)用[14-16]。圖像識別技術(shù)的原理與人類眼睛識別物體的原理相似，都是通過圖像本身具有的獨特特征，排除多余信息干擾對圖像進行識別，最后進行分類儲存[17]。其過程主要包括信息的獲取、圖像預(yù)處理、特征抽取和選擇、分類器設(shè)計和分類決策。其中，信息獲取主要是利用設(shè)備采集圖像并將圖像轉(zhuǎn)換成計算機可識別的信息；預(yù)處理主要采用去噪、平滑、變換等方式加強圖像重要特征；特征抽取和選擇是通過一定方式分離圖像特征，提取有價值特征，實現(xiàn)圖像識別；分類器設(shè)計和分類決策是制定識別規(guī)則，實現(xiàn)圖像識別技術(shù)高識別率，再經(jīng)分類模型對被識別對象進行準確分類[18]。目前圖像識別技術(shù)應(yīng)用的常見形式有3 種：一是模式識別形式，該形式基于大量的信息數(shù)據(jù)識別圖像，使計算機分析和數(shù)學算法有機融合，實現(xiàn)對圖像特征的自動識別，并準確評價數(shù)據(jù)信息，目前該形式的圖像識別技術(shù)主要在醫(yī)療領(lǐng)域[19]廣泛應(yīng)用；二是非線性降維形式，該形式屬于高維識別技術(shù)，不僅能夠從整體上不斷提升圖像辨識率，還能深入解決一些圖像本身分辨率低的問題，目前該形式的圖像識別技術(shù)主要應(yīng)用在人臉識別[20]中；三是神經(jīng)網(wǎng)絡(luò)形式，該形式是目前應(yīng)用較多的一種形式，主要以傳統(tǒng)的圖像識別技術(shù)為前提，融合現(xiàn)代化神經(jīng)網(wǎng)絡(luò)的算法，在識別復(fù)雜圖像時可以取得良好的效果[21-22]。近年來，隨著深度學習的發(fā)展，Krizhevsky 團隊[23]首次通過深度學習卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks，CNN）實現(xiàn)圖像識別，使得圖像識別在精度、準確度和實時性方面取得了顯著改善，在各行各業(yè)都有廣泛應(yīng)用前景，如種植業(yè)[24]、養(yǎng)殖業(yè)[25]、交通領(lǐng)域[26]、醫(yī)學領(lǐng)域[27]等。如今，在我國社會經(jīng)濟發(fā)展和鄉(xiāng)村振興戰(zhàn)略大背景下，為了更好地適應(yīng)智慧畜牧業(yè)的發(fā)展趨勢，家禽養(yǎng)殖業(yè)要緊跟發(fā)展潮流，充分利用圖像識別技術(shù)全面、高效、即時地獲取家禽信息，提高家禽整體養(yǎng)殖率和經(jīng)濟效益，實現(xiàn)家禽養(yǎng)殖業(yè)的自動化、產(chǎn)業(yè)化和智能化發(fā)展。

2 圖像識別技術(shù)在雞養(yǎng)殖中的應(yīng)用

2.1 圖像識別技術(shù)在雞行為識別方面的應(yīng)用

動物行為是指動物的行動、聲音和身體姿勢，是評價動物福利的重要指標。雞的傳統(tǒng)行為識別主要依靠人工識別，該方法費時費力，對技術(shù)人員要求高，易出現(xiàn)人為錯誤。與傳統(tǒng)的雞行為監(jiān)測相比，圖像識別技術(shù)可以自動監(jiān)測、記錄和識別雞的不同行為，不僅效率高，還減少了人工對雞的應(yīng)激反應(yīng)。Leroy 等[28]開發(fā)了圖像處理系統(tǒng)來調(diào)查不同時間籠中雞的行為，雞的行走、站立和抓撓動作會被自動識別出來。勞鳳丹等[29]利用計算機視覺技術(shù)對單只蛋雞圖像進行行為識別，可自動識別單只蛋雞的運動、飲水、采食、修飾、抖動、休息、拍翅膀、探索、舉翅膀等行為。為了解決復(fù)雜背景對圖像處理帶來的困難，勞鳳丹等[30]提出了深度圖像分析技術(shù)識別蛋雞行為的方法，實現(xiàn)了蛋雞群體行為和個體行為的自動識別。劉修林[31]基于機器視覺技術(shù)研制了家禽信息監(jiān)控系統(tǒng)，實現(xiàn)了禽舍內(nèi)雞只行為識別和多個個體追蹤識別。Aydin[32]基于計算機視覺開發(fā)了肉仔雞跛足早期檢測系統(tǒng)，監(jiān)控不同步態(tài)評分下雞體的活動特征量（速度、步頻、步長、身體擺動），發(fā)現(xiàn)步態(tài)評分與活動特征量之間存在相關(guān)性，為檢測雞行為活動提供了新方法。Fang等[33]提出了基于深度神經(jīng)網(wǎng)絡(luò)的肉雞行為分類方法，成功實現(xiàn)了肉雞站立、行走、奔跑、進食、休息和整理羽毛的行為識別，識別測試精度分別為0.751 1（站立）、0.513 5（行走）、0.627 0（奔跑）、0.936 1（進食）、0.962 3（休息）、0.925 8（整理）。此外，F(xiàn)ang 等[34]還設(shè)計了姿勢估計系統(tǒng)，通過高清攝像多方位收集肉雞照片信息，利用深度神經(jīng)網(wǎng)絡(luò)提取復(fù)雜圖像特征，實現(xiàn)單只肉雞姿勢識別，準確率達91.9%。

圖像識別技術(shù)在雞采食、飲水、運動等行為識別方面研究較多，而對雞性行為（求偶、交配和射精）自動識別的研究較少。圖像識別技術(shù)識別精準度有待進一步加強，輕微的肢體變化會影響識別的準確度，如雞的探索行為被誤認為休息行為的比例較高，其原因為圖像中部分站立蛋雞脖子的動作幅度較大而引起誤判[29]。此外，大多研究都是在特定的飼養(yǎng)環(huán)境中進行，缺乏普遍適用性，未來應(yīng)開展不同場景下的兼容性精準研究。

2.2 圖像識別技術(shù)在雞體質(zhì)量估測方面的應(yīng)用

動物體質(zhì)量是反映動物生長發(fā)育、生產(chǎn)性能的綜合性指標，是畜禽養(yǎng)殖所關(guān)注的主要生長指標之一。雞的傳統(tǒng)體質(zhì)量測量方法主要采用電子秤或從雞籠中隨機挑選出幾個代表性雞只進行稱重，并求平均值來預(yù)估整籠雞只的生長信息，這種方法不僅工作量大，還會使雞產(chǎn)生應(yīng)激反應(yīng)，影響雞的質(zhì)量和產(chǎn)量，而利用圖像識別技術(shù)能有效克服以上缺點。Mollah 等[35]使用數(shù)字圖像分析技術(shù)估計肉雞的活體質(zhì)量，利用圖像分析肉雞體表面積，建立線性方程估計肉雞的體質(zhì)量，估算的體質(zhì)量與人工測定體質(zhì)量差異不顯著（P＞0.05）。Mortensen 等[36]開發(fā)了全自動肉雞3D 攝像稱重系統(tǒng)，首先對采集的圖像進行分割，提取12 個不同的描述量，然后利用貝葉斯人工神經(jīng)網(wǎng)絡(luò)達到預(yù)測肉雞體質(zhì)量的目的。王琳等[37]提出了肉雞體質(zhì)量估測方法，利用數(shù)值積分提取雞的圖像特征，結(jié)合BP (back propagation) 神經(jīng)網(wǎng)絡(luò)，準確實現(xiàn)群體肉雞的體質(zhì)量估測。Amraei等[38]提取肉雞身體面積、凸面面積、周長、偏心率、長軸和短軸長度等特征量并結(jié)合橢圓擬合算法進行肉雞定位，成功實現(xiàn)活體肉雞體質(zhì)量預(yù)測。張寶全[39]開發(fā)了一套集背景分割、粘連分離、特征提取以及體質(zhì)量估計于一體的蛋雞體重檢測系統(tǒng)，采用圖像處理與機器學習技術(shù)，實現(xiàn)了單只蛋雞到多只蛋雞的體質(zhì)量預(yù)測。郭蓓佳等[40]利用圖像處理技術(shù)提取蛋雞圖像二維特征，構(gòu)建MLP（multi-layer perception）神經(jīng)網(wǎng)絡(luò)體質(zhì)量估測模型，可有效監(jiān)測蛋雞育成期的體質(zhì)量。

目前圖像識別技術(shù)雖應(yīng)用于測量活雞體質(zhì)量，但雞體型不規(guī)則，不同體型特征會直接影響結(jié)果值，導致該技術(shù)在雞養(yǎng)殖業(yè)中應(yīng)用困難，且上述研究大多在理想狀態(tài)下采集雞的俯視圖運用算法進行體質(zhì)量估計，而實際試驗中，雞天生好動體型多變，導致圖像特征提取不完全，影響體質(zhì)量預(yù)測的準確性。未來在養(yǎng)殖場內(nèi)應(yīng)采用多視角圖像采集方法，全方位收集雞的信息，分別從雞站立、臥倒、運動等行為方面進行體質(zhì)量預(yù)測，提高雞的體質(zhì)量預(yù)測準確性。若將其應(yīng)用于實際，仍需利用不同品種個體對同一種體質(zhì)量的預(yù)測模型進一步驗證。

2.3 圖像識別技術(shù)在雞健康監(jiān)測方面的應(yīng)用

家禽的健康狀況對人民生活和畜牧業(yè)發(fā)展有著極其重要的作用。傳統(tǒng)的雞健康監(jiān)測主要以人工為主，通過肉眼逐個檢查雞冠、羽毛、行為活動和生長狀況來判斷雞是否健康，一方面該方法會引起雞的應(yīng)激反應(yīng)，另一方面會造成誤判漏判，錯過最佳治療時間，而圖像識別技術(shù)可以實現(xiàn)非接觸精準測定和疾病早期監(jiān)測，具有快速、無創(chuàng)的優(yōu)點。目前，國內(nèi)外許多研究主要基于紅外熱成像、深度圖像、可見光圖像的識別技術(shù)，通過獲取禽類體溫、外型、行為與動作、排泄物等特征，識別禽類疾病、體溫異常和死亡情況。

家禽疾病被認為是影響家禽生產(chǎn)的關(guān)鍵因素之一，長期以來一直限制著家禽業(yè)的發(fā)展[41]。目前雞常見疾病有腳墊皮炎（footpad dermatitis，F(xiàn)PD）、禽流感、新城疫及寄生蟲病等，患病雞往往表現(xiàn)出外觀、姿態(tài)、行為、糞便、體溫等方面的變化，利用圖像識別技術(shù)可準確診斷出患病雞[42-47]。Wilcox等[42]使用熱成像儀捕獲母雞足底圖像，生成紅外圖像，通過顯示的雞足底表面溫度，成功識別患病雞。Moe等[43]利用熱成像儀測量火雞足底體溫，發(fā)現(xiàn)輕度腳墊皮炎的嚴重程度與腳墊的足底表面溫度有關(guān)。Zhuang等[44]提出了自動診斷散養(yǎng)肉雞健康狀況的方法，通過采集圖像提取肉雞骨骼姿態(tài)夾角、輪廓凹凸度、輪廓伸長度等7個特征量，采用支持向量（support vector machines, SVM）模型對健康肉雞和禽流感雞自動分類，準確率達99.469%。Quach 等[45]提出了家禽疾病識別的神經(jīng)網(wǎng)絡(luò)模型ResNet-50，該模型通過判別雞的頭部，翅膀和腿部等特定部位來識別患有禽流感、禽痘、傳染性喉氣管炎和馬雷克的病雞。Mbelwa 等[46]提出了家禽寄生蟲病圖像識別方法，該方法基于CNN 對患?。ㄇ蛳x病和沙門氏菌）雞和健康雞的糞便圖像進行識別分類，從而識別家禽寄生蟲病。Colles等[47]基于光流法分析的圖像識別技術(shù)，通過測量一系列圖像中的亮度變化分析雞群運動產(chǎn)生的“光流”模式，檢測感染彎曲桿菌的雞。

家禽疾病的早期發(fā)現(xiàn)和預(yù)警在家禽養(yǎng)殖中起著至關(guān)重要的作用，患病雞的早期監(jiān)測可讓養(yǎng)殖者和獸醫(yī)及時采取管理預(yù)防措施，降低疾病傳播速度，減少經(jīng)濟損失。Aydin[48]使用3D 視覺相機采集肉雞俯視圖，通過檢測肉雞躺臥狀態(tài)次數(shù)和躺臥時間，自動評估肉雞的跛足狀態(tài)，準確率達93%。沈明霞等[49]采集肉雞步態(tài)視頻，構(gòu)建肉雞早期跛行模型，實現(xiàn)對肉雞跛行狀態(tài)的早期預(yù)測。雞行為活動和外型變化可直觀地反映雞精神和健康狀態(tài)，實現(xiàn)雞疫病早期監(jiān)測。勞鳳丹等[30]和劉修林[31]通過計算機識別技術(shù)追蹤家禽活動情況及運動軌跡，識別家禽的活躍度及群體行為是否正常。Naas 等[50]通過攝像機拍攝雞群，利用圖像處理技術(shù)，獲得雞群聚集和分散特性，成為判斷雞群熱舒適性的依據(jù)。鄭雙陽等[51]基于機器視覺技術(shù)研制了自動判斷雞籠內(nèi)病死雞的系統(tǒng)，通過蛋雞進食時雞腿和腹部圖像變化來判斷病死雞。Okinda等[52]提出了基于機器視覺的肉雞行走監(jiān)控系統(tǒng)，以姿態(tài)形狀描述和行走速度作為特征變量，用于肉雞疾病的早期監(jiān)測。李亞碩等[53]通過提取雞冠的顏色進行機器視覺識別，判斷雞舍是否有患病雞，試驗結(jié)果表明該方法具有較高的檢測準確率。Chen[54]設(shè)計了病雞識別模型，利用CNN 對雞冠、皮膚、羽毛和糞便進行檢測，判斷雞群是否患病。Zhuang等[55]提出了基于數(shù)字圖像處理和深度學習的雞群病雞識別模型結(jié)構(gòu)IFSSD，該模型根據(jù)肉雞躺臥姿勢和羽毛蓬松程度對肉仔雞健康狀況進行有效識別，準確率達99.7%。莊曉霖[56]還提出基于計算機視覺的籠養(yǎng)雞異常行為檢測方法，能在復(fù)雜的雞籠環(huán)境下識別雞只站立和臥倒姿態(tài)。畢敏娜等[57]提出了基于雞冠及雞眼構(gòu)成的雞頭特征信息的病雞識別方法，采集黃羽雞側(cè)拍圖像，提取雞冠紋理特征和雞眼瞳孔的形狀特征進行病雞識別，準確率達92.5%。此外，通過體溫及排泄物監(jiān)測也可進行家禽的早期監(jiān)測。沈明霞等[58]利用神經(jīng)網(wǎng)絡(luò)實現(xiàn)肉雞體溫檢測，依據(jù)環(huán)境溫度、濕度、光照強度等因素，建立基于BP神經(jīng)網(wǎng)絡(luò)的肉雞翅下溫度反演模型，可快速、準確地檢測肉雞體溫。Wang 等[59]提出了肉雞消化系統(tǒng)疾病檢測器，結(jié)合CNN 實現(xiàn)了異常肉雞糞便的識別和分類，為肉雞消化系統(tǒng)疾病的早期檢測和預(yù)警提供了技術(shù)支持。

利用圖像識別技術(shù)進行雞健康監(jiān)測（疾病監(jiān)測和早期監(jiān)測）的準確度相對較高，但真正利用圖像識別技術(shù)監(jiān)測禽疾病的研究較少，其原因一方面是由于圖像識別技術(shù)本身的局限性，如群體數(shù)量過多，無法識別單個個體或不能精準定位測量部位；另一方面是由于禽疾病癥狀的相似性，如發(fā)生禽流感、雞霍亂時，雞體溫都升高，冠黑紫且排黃綠色糞便，導致圖像識別不能準確區(qū)分。因此圖像識別技術(shù)在監(jiān)測禽疾病方面仍需進一步優(yōu)化。

2.4 圖像識別技術(shù)在雞產(chǎn)品分級方面的應(yīng)用

2.4.1 雞肉品質(zhì)分級 中國是禽肉生產(chǎn)和消費大國，禽肉蛋白質(zhì)含量高、易消化、營養(yǎng)價值高、價格低，在人類生活中具有不可替代的作用。隨著人民生活水平的不斷提高，肉品質(zhì)已引起廣泛關(guān)注。傳統(tǒng)的禽肉品質(zhì)檢測分級主要通過專業(yè)人員進行感官評價或者利用實驗室手段進行檢測，這種檢測方式需要運用大量的儀器設(shè)備，操作繁瑣耗時，且對樣品具有破壞性。近年來，國內(nèi)外學者利用圖像識別技術(shù)對雞肉品質(zhì)進行檢測和分級，該技術(shù)主要用于檢測肉色、大理石花紋、嫩度、脂肪含量等外部特性，克服了傳統(tǒng)禽肉品質(zhì)檢測技術(shù)的缺點，滿足了快速、準確、無損、實時等的檢測要求。Geronimo 等[60]利用近紅外光譜和計算機視覺系統(tǒng)采集雞胸肉質(zhì)光譜信息，通過提取肉質(zhì)強度和紋理特征，準確分辨木質(zhì)雞胸肉和正常雞肉。Taheri-Garavand 等[61]開發(fā)了在線評估雞肉新鮮度的技術(shù)，通過計算機視覺和人工智能捕獲不同時間段的雞腿圖像，經(jīng)圖像預(yù)處理、特征提取，最后基于神經(jīng)網(wǎng)絡(luò)建立雞肉新鮮度評價的預(yù)測模型識別雞肉新鮮度。涂冬成[62]建立了禽肉品質(zhì)快速無損檢測技術(shù)，首先利用計算機識別技術(shù)提取禽肉肉色特征參數(shù)，采用SVM 方法建立肉色分類器，成功實現(xiàn)禽肉色分級；之后，利用激光誘導熒光光譜技術(shù)對禽肉彈性和嫩度指標進行無損檢測研究，發(fā)現(xiàn)雞肉彈性和嫩度可以被準確檢測。丁筱玲等[63]設(shè)計了智能識別雞翅質(zhì)量的方法，通過計算機技術(shù)采集雞翅俯視和側(cè)視圖，提取雞翅面積、輪廓周長和長短軸等特征，建立雞翅實際質(zhì)量和樣本實際特征值之間的預(yù)測模型，實現(xiàn)對雞翅質(zhì)量的預(yù)測。

2.4.2 蛋品質(zhì)分級 禽蛋含有豐富的優(yōu)質(zhì)蛋白質(zhì)和人體必需的多種氨基酸，隨著膳食結(jié)構(gòu)的改變，人們更加注重蛋營養(yǎng)和蛋品質(zhì)，在選擇禽蛋方面通常更注重尺寸、新鮮度、外形等。傳統(tǒng)的雞蛋產(chǎn)品檢測分級需要大量的勞動力進行手工操作，對蛋不規(guī)則的形狀、蛋殼裂紋等缺陷無法準確識別，且對雞蛋的重量也無法準確衡量。利用圖像識別技術(shù)可以高效、無損地檢測雞蛋蛋殼裂紋、尺寸、新鮮度等品質(zhì)，還能準確自動分揀雞蛋。邢志中等[64]研發(fā)了新的雞蛋品質(zhì)檢測與分級技術(shù)，利用彩色相機采集雞蛋數(shù)字圖像，經(jīng)預(yù)處理后根據(jù)雞蛋形狀特性和顏色特征參數(shù)建立BP 神經(jīng)網(wǎng)絡(luò)模型對雞蛋新鮮度進行檢測。梁丹等[65]研究了一體化的雞蛋品質(zhì)無損檢測與分級系統(tǒng)，利用機器視覺算法實現(xiàn)對雞蛋裂紋、尺寸、新鮮度等品質(zhì)等級的自動化在線檢測與分級。Alikhanov 等[66]設(shè)計了雞蛋形狀和重量的自動分揀系統(tǒng)，通過捕獲雞蛋圖片，利用圖像識別算法提取雞蛋短軸和長軸、面積和周長、形狀系數(shù)和形狀指數(shù)的特征，采用回歸模型對雞蛋形狀和重量自動分揀。Harnsoongnoen 等[67]提出了雞蛋分級和新鮮度評估的新方法，該方法將圖像處理系統(tǒng)與稱重傳感器相結(jié)合，利用圖像處理技術(shù)評估雞蛋體積，稱重系統(tǒng)測量雞蛋重量，通過蛋重和蛋體積計算密度進行分級和雞蛋新鮮度評價。Zhu 等[68]為了在孵化早期識別雞蛋的性別，構(gòu)建了機器視覺圖像采集系統(tǒng)，該系統(tǒng)為孵化初期的雞蛋性別識別提供了可行的方法。

2.4.3 胴體識別和品質(zhì)分級 圖像識別技術(shù)還可以進行雞胴體識別和品質(zhì)分級。電子計算機斷層掃描（computed tomography，CT）和雙能X 射線吸收測定法（dual-energy x-ray absorptiometry，DEXA）基于X射線（光子）的相關(guān)儀器對活體或尸體進行掃描，以測量脂肪、肌肉（水，蛋白質(zhì)）和部分骨骼或骨礦物質(zhì)等身體和胴體成分信息[69]。Schallier等[70]利用DEXA 掃描儀測量肉雞體內(nèi)和胴體成分，發(fā)現(xiàn)DEXA 估計值與解剖獲得的絕對組織值高度相關(guān)，可根據(jù)雞的脂肪和瘦肉組織含量來評價胴體質(zhì)量，根據(jù)雞的骨礦物質(zhì)含量來評價骨骼發(fā)育情況。Grandhaye 等[71]利用CT 掃描儀多次掃描活體肉雞，分析了肉雞身體組成（肌肉、骨骼、脂肪、性腺）的發(fā)展，并通過研究肉雞身體成分隨時間的變化，對其生長發(fā)育進行評估。此外，戚超等[72]提出了在線檢測的雞胴體質(zhì)量分級方法，通過機器視覺和機器學習技術(shù)提取雞胴體投影面積、胴體長度和雞胸寬度等6 個圖像特征，建立預(yù)測雞胴體質(zhì)量等級預(yù)測模型，實現(xiàn)了雞胴體質(zhì)量等級的自動判定。王樹才等[73]設(shè)計了家禽屠宰凈膛機械手系統(tǒng)，采用視覺系統(tǒng)在線采集家禽胴體外形和膛口圖像，經(jīng)圖像處理后獲取家禽外形輪廓質(zhì)心坐標及膛口中心坐標以進行定位，之后通過控制系統(tǒng)及機械手本體相互配合實現(xiàn)家禽凈膛和分割。陳坤杰等[74]提出雞胴體質(zhì)量分級方法，通過雞胴體圖像，提取出雞胴體投影面積、輪廓長度和胸寬等圖像特征，利用回歸分析建立雞胴體質(zhì)量預(yù)測模型，結(jié)果表明該雞胴體自動分級方法是可行的。

圖像識別技術(shù)在識別肉品質(zhì)、蛋品質(zhì)和胴體品質(zhì)方面是有效可行的。目前蛋雞養(yǎng)殖場已采用圖像識別技術(shù)進行蛋品質(zhì)量分級，在肉制品測定和胴體識別方面未廣泛應(yīng)用，未來仍需更高效、更準確的數(shù)據(jù)處理算法和更快、更小、更便宜的硬件設(shè)施，以減少圖像采集和分析操作的時間，提高圖像的分辨率。

3 圖像識別技術(shù)在雞養(yǎng)殖應(yīng)用中存在的問題及建議

3.1 識別精度低

利用圖像識別技術(shù)識別雞群時，主要通過攝像機拍攝照片和計算機算法來判斷雞行為活動及病死雞，該方法省時省力，但仍無法像人工一樣靈活判斷。在識別過程中，識別精度往往受背景粘連、圖像分割閾值及圖像算法等因素影響，導致精準度降低。勞鳳丹等[29]利用圖像識別技術(shù)識別單只蛋雞時，坐的次數(shù)識別準確率不到60%，其原因一方面是雞群集聚，部分雞嚴重遮擋，導致被遮擋雞無法正常識別，另一方面分割閾值取值不夠精確，將雞探索行為誤判為坐行為，導致識別精度降低。同樣，F(xiàn)ang 等[33]研究表明，雞行走、奔跑行為識別精度都低于0.6，主要原因是2 種行為的姿態(tài)特征相似導致圖像識別困難，引起精度降低。瞿子淇[75]研究表明，有些圖像識別技術(shù)算法、模型較多，運算量較大，病死雞檢測方法結(jié)構(gòu)不穩(wěn)定，降低了識別精度和識別效率。未來，需要提出更精確的識別參數(shù)、行為分割值并提高特征提取的質(zhì)量，結(jié)合多角度拍攝，增加雞行為種類識別，同時優(yōu)化算法，降低算法復(fù)雜度，提高識別方法穩(wěn)定性。此外，可與其他非接觸式監(jiān)測技術(shù)結(jié)合，擴展雞行為監(jiān)測系統(tǒng)功能，提高識別準確性，挖掘更多雞行為信息。

3.2 儀器設(shè)備要求高

圖像識別過程中，圖像采集尤為重要，通常采用采樣率高、分辨率高、測量精度高的攝像機。目前常用設(shè)備有彩色圖像攝像機、紅外圖像攝像機（infrared radiation，IR）、深度圖像攝像機（3D）和熱成像設(shè)備（infrared thermography，IRT）[76]。Li 等[77]發(fā)現(xiàn)，在養(yǎng)殖場捕獲動物行為最常用相機的采樣率為20～30 fps，最低采樣率為0.03 fps；許多文獻相機分辨率選擇1 080 P（1 920×1 080 像素）和720 P（1 280×720 像素）。李沛[4]在最新研究中采用精度不大于±1 ℃，測溫范圍在-40～300 ℃且能在-40～85 °C 環(huán)境正常工作的紅外熱成像儀監(jiān)測蛋雞體溫，結(jié)果成功收集到蛋雞紅外圖像，實現(xiàn)了養(yǎng)殖場快速測量。此外，大型養(yǎng)雞場環(huán)境復(fù)雜，溫度、濕度、粉塵等因素都會影響儀器設(shè)備的精確度和使用壽命，導致測量結(jié)果不精確。因此養(yǎng)殖場采購設(shè)備時應(yīng)選用具有防水、防塵、耐腐蝕、分辨率高、采樣率高等特點的儀器，并定期對儀器設(shè)備進行維護，以延長使用壽命。

3.3 研究對象局限

大多研究者都選取同一生長階段、同一品種的雞為研究對象，對其建立行為識別、體質(zhì)量預(yù)測、健康監(jiān)測預(yù)測模型和產(chǎn)品分級標準。預(yù)測模型和產(chǎn)品分級標準是否用于不同類型品種和不同生長階段的雞有待進一步探索，如郭蓓佳等[40]的研究中僅使用羅曼灰蛋雞作為試驗樣本，建立的蛋雞體質(zhì)量估測模型具有一定的局限性，未來需要研究該模型是否適用于其他品種蛋雞的體質(zhì)量估測。在以后工作中，研究者可以針對不同品種、不同生長階段的多種家禽進行研究，建立通用的預(yù)測模型和產(chǎn)品分級標準。

3.4 設(shè)備布置局限，圖像采集方式單一

目前研究大部分是在禽舍頂部安裝攝像機，通過拍攝禽俯視圖的圖像，利用機器視覺模擬人類視覺功能，從圖像中提取禽的相關(guān)特征信息，經(jīng)過處理分析后用于飼養(yǎng)管理[12]。這種布局方式局限，圖像采集方式單一，攝像機位置固定受光照條件影響大，拍攝范圍和角度有限。此外，大多研究都是對雞頭、軀體表面積、腳區(qū)域進行識別采集，而對翅下和尾部沒有涉及。何東健等[78]發(fā)現(xiàn)，目前針對動物的目標檢測方法只能將視頻圖像中的動物作為整體進行分割，動物身體區(qū)域的精細識別未見報道，還需研究動物分割算法以區(qū)分動物身體各部分區(qū)域。今后可通過移動式圖像識別技術(shù)收集家禽更多單個身體信息，結(jié)合更精準的分割算法，實現(xiàn)家禽各區(qū)域的精準監(jiān)測。

4 圖像識別新技術(shù)應(yīng)用及展望

雞養(yǎng)殖未來重要的發(fā)展方向是利用圖像識別技術(shù)研發(fā)諸如可移動式圖像識別、雞虹膜生物識別、雞三維模式圖像和雞數(shù)據(jù)庫系統(tǒng)等技術(shù)，目前這些技術(shù)在國內(nèi)鮮有報道，尚未在實際養(yǎng)殖中得到應(yīng)用。

4.1 可移動式圖像識別技術(shù)

目前，連京華等[79]已研究了籠養(yǎng)家禽生產(chǎn)的智能檢測機器人，實現(xiàn)了禽舍環(huán)境檢測、家禽行為監(jiān)視、個體體溫監(jiān)測等功能，但目前未應(yīng)用于實踐。該智能機器人只適用于籠養(yǎng)家禽，并不適用于散養(yǎng)家禽。對于散養(yǎng)雞，可將攝像頭安裝在機器上，該機器沿著禽舍天花板固定軌道進行全方位無死角拍攝，進而有效識別舍內(nèi)雞行為種類和異常個體，實現(xiàn)雞在線監(jiān)測并進行評分，遇到異常情況迅速定位雞個體并啟動警報，發(fā)送至養(yǎng)殖戶和獸醫(yī)手機中，以便他們根據(jù)情況盡早做出調(diào)整或制定疾病防治方案，確保雞福利和減少養(yǎng)殖損失。

4.2 雞虹膜生物識別技術(shù)

近年來，虹膜識別技術(shù)備受關(guān)注，并取得了良好的識別效果。由于虹膜識別具有唯一性、穩(wěn)定性和易采集性等優(yōu)點，其在牛、羊、豬等大型家畜中不斷進行個體識別與追溯研究，但在家禽行業(yè)中是新的挑戰(zhàn)。隨著禽流感、新城疫等傳染病的流行，家禽食品安全引起了廣泛關(guān)注。如何有效追溯禽肉來源已成為亟待解決的問題。虹膜生物識別作為一種新技術(shù)，在肉類食品安全控制方面具有潛在的應(yīng)用價值。目前在雞養(yǎng)殖中，應(yīng)建立虹膜生物識別系統(tǒng)，快速跟蹤雞從出生到屠宰的肉類供應(yīng)鏈，并生成相應(yīng)的虹膜二維碼，印在產(chǎn)品包裝上，以幫助消費者追蹤雞產(chǎn)品來源。

4.3 雞三維模式圖像技術(shù)

目前，對雞體質(zhì)量測量的研究僅基于二維圖像，通過獲取雞軀體圖像表面積得到相關(guān)數(shù)值，但無法獲取雞胸圍、脛圍等體型數(shù)據(jù)。未來應(yīng)構(gòu)建雞三維模式圖像技術(shù)，利用三維技術(shù)達到體尺測量的目的，并將雞體尺參數(shù)與體質(zhì)量進行結(jié)合，間接測量雞體質(zhì)量，隨時監(jiān)測雞生長發(fā)育情況，降低雞應(yīng)激反應(yīng)及人工成本。

4.4 雞數(shù)據(jù)庫系統(tǒng)

建立雞個體信息數(shù)據(jù)庫，收集來自不同養(yǎng)殖場的不同類型的雞品種和不同成長階段的雞數(shù)據(jù)集，為行為識別、體質(zhì)量估測、健康監(jiān)測等模型的構(gòu)建提供更多數(shù)據(jù)，找到更精確的預(yù)測模型，為未來雞的品種培育和養(yǎng)殖管理提供一定幫助。

5 結(jié)語

近年來，圖像識別技術(shù)在降低養(yǎng)殖人員勞動強度、減少雞生產(chǎn)成本、提高養(yǎng)殖福利和產(chǎn)品質(zhì)量以及保證消費者食品安全等方面起著十分重要的作用，但目前還存在一些弊端，如識別精度低、儀器設(shè)備要求高、設(shè)備布局局限、圖像采集方式單一、研究對象局限等，仍需進一步的探索研究。未來可將圖像識別技術(shù)與其他非接觸式監(jiān)測技術(shù)結(jié)合，實現(xiàn)高效、連續(xù)、準確的智能化養(yǎng)殖，利用可移動式機器人通過收集全方位圖像，解決設(shè)備布局局限問題，提高家禽行為監(jiān)視和異常個體的識別準確性；利用雞虹膜生物識別技術(shù)通過識別雞虹膜，提高個體識別精度，準確追溯雞產(chǎn)品來源；利用三維模式圖像技術(shù)通過三維相機獲取雞體型數(shù)據(jù)、解決圖像采集方式單一問題，獲得更精準的雞體質(zhì)量數(shù)據(jù)；建立數(shù)據(jù)庫系統(tǒng)通過收集不同類型及生長階段的雞行為、體質(zhì)量估測、健康監(jiān)測等數(shù)據(jù)，解決研究對象局限問題，提高識別效率，為建立分類模型提供依據(jù)。圖像識別技術(shù)在家禽養(yǎng)殖業(yè)中有很大發(fā)展空間，它以快速、連續(xù)、非接觸、實時監(jiān)測等優(yōu)勢，可廣泛應(yīng)用于雞行為識別、體質(zhì)量預(yù)測、產(chǎn)品分級、病死雞早期監(jiān)測方面，但在疾病監(jiān)測方面，圖像識別技術(shù)有一定局限性，需進一步優(yōu)化。