Current State and Challenges of Automatic Lameness Detection in Dairy Cattle

HAN Shuqing; ZHANG Jing; CHENG Guodong; PENG Yingqi; ZHANG Jianhua; WU Jianzhai

doi:10.12133/j.smartag.2020.2.3.202006-SA003

Smart Agriculture >

2020 , Vol. 2 >Issue 3: 21 - 36

DOI: https://doi.org/10.12133/j.smartag.2020.2.3.202006-SA003

Topic--Agricultural Artificial Intelligence and Big Data

Current State and Challenges of Automatic Lameness Detection in Dairy Cattle

HAN Shuqing ^,¹ ,
ZHANG Jing ¹ ,
CHENG Guodong ¹ ,
PENG Yingqi ² ,
ZHANG Jianhua ¹ ,
WU Jianzhai ^,¹

Expand

^1. Agricultural Information Institute of Chinese Academy of Agricultural Sciences/Key Laboratory of Agricultural Big Data, Ministry of Agriculture and Rural Affairs, Beijing 100081, China
^2. College of Mechanical and Electrical Engineering, Sichuan Agricultural University, Ya'an 625014, China

Received date: 2020-06-08

Revised date: 2020-07-08

Online published: 2020-09-25

Fold

Highlights

Lameness in dairy cattle could cause significant economic losses to the dairy industry. Detection of lameness in a timely manner is critical to the high-quality development of dairy industry. The traditional method is visual locomotion scoring by dairy farmers, which is low efficiency, high cost and subjective. The demand for automated lameness detection is increasing. The review was conducted to find out the current state and challenges of automatic lameness detection technology development and to learn from the latest findings. The current automatic lameness detection systems were reviewed in this paper mainly rely on five technologies or combinations thereof, including machine vision, pressure distribution measuring system, wearable sensor system, behavior analysis and classification; the principle, function and features of these technologies were analyzed. Machine vision technique is to extract feature variables (e.g. back arch, head bob, abduction, stride length, walking speed, temperature, etc.) from video recordings of cattle movement by image processing. Pressure distribution measuring system contains an array of load cells to sense gait variables, when dairy cattle are walking by. By using accelerometer with high frequency data collection, the gait cycle parameters can be extracted and used for lameness detection. By using wearable devices, the number of lying/standing bouts and their duration, the total time spent lying, standing and ruminating per day can be recorded for individual cattle. The lameness can also be detected by behavior analysis. Currently, most of these studies were in the stage of sensor development or validation of algorithm. A few studies were in the stage of validation of performance and decision support with early warning system. The challenges to apply automatic lameness detection system in dairy farm includes the difficulties of acquiring high quality data of lameness features, lack of techniques to detect early lameness, identification errors caused by individual gait differences among dairy cattle, difficulties to function well in unstructured environment and difficulties to evaluate the benefits. To accelerate the development of automatic lameness detection systems, recommendations are proposed as follows: ①promoting lameness data sharing and data exchange among dairy farms; ②developing individual-based lameness classification model; ③developing multifunctional smart station which can detect lameness, measure body condition score, weighing, etc; ④evaluating the significance of automatic lameness detection to the dairy industry from the perspective of animal welfare, environment and food safety.

Cite this article

HAN Shuqing , ZHANG Jing , CHENG Guodong , PENG Yingqi , ZHANG Jianhua , WU Jianzhai . Current State and Challenges of Automatic Lameness Detection in Dairy Cattle[J]. Smart Agriculture, 2020 , 2(3) : 21 -36 . DOI: 10.12133/j.smartag.2020.2.3.202006-SA003

1 引言

奶牛跛行是由趾间皮炎、蹄底溃疡、蹄叶炎等肢蹄病引起疼痛导致奶牛肢蹄承重能力下降和步态异常^［1］。中国奶牛肢蹄病发病率较高，新疆石河子地区肢蹄病平均发病率高达37.5%^［2］。跛行的产生与卧床设计、垫料基质、运动场地面类型、营养管理、饲养密度、修蹄频次、卫生状况等诸多因素有关^［3］。跛行影响奶牛行走、采食及饮水，最终造成奶牛产奶量降低、繁殖能力下降^［4］、诊治费用增加、使用年限缩短甚至被迫过早淘汰，给牧场带来巨大经济损失。奶牛跛行引起的经济损失仅次于乳房炎和繁殖疾病^［5］，是牛奶业生产面临的主要挑战之一。与健康奶牛相比，平均每头跛行奶牛每天产奶量减少8 L^［6］，在每个哺乳期产奶量降低270~857 kg，经治疗后产奶量减少的情况仍会持续5个月^［7］。利用生命周期评价方法分析跛行对环境的影响，结果显示，根据病理严重程度的不同，跛行可能导致牧场对环境的负面影响增加，包括全球变暖、酸化、富营养化和化学燃料消耗^［8］等。尽早识别跛行奶牛并及时进行治疗能够减轻跛行对牧场生产和环境的负面影响，提高奶牛福利。随着奶牛养殖规模的扩大，传统依靠人工观察识别跛行奶牛的难度越来越大。主要表现在人工识别效率低，主观判断存在偏差，只能发现跛行程度较严重的奶牛；且劳动力成本日益升高，难以进行长期持续地观测。同时，人工检查过程也容易造成奶牛应激反应，干扰奶牛正常生产。因此，奶业对奶牛跛行自动识别技术的需求日益强烈。

利用机器视觉、物联网、人工智能等新一代信息技术研发奶牛跛行自动识别技术的工作已经取得了一些成果^［9］。为进一步明确当前奶牛跛行自动识别技术的研究进展和技术瓶颈，本文首先介绍了奶牛跛行自动识别技术概况，然后从机器视觉技术、压力分布测量技术、可穿戴技术、行为分析技术和跛行分类技术等5个方面，汇总奶牛跛行自动识别技术的研究现状，分析各种技术的原理构成、功能特点、性能指标和成熟程度，最后总结跛行自动识别技术在数据获取、模型建立、产品研发、效果评价等方面面临的挑战，并对跛行自动识别技术的未来发展提出建议。

2 奶牛跛行自动识别技术概况

奶牛跛行自动识别技术是指利用机器视觉、压力分布测量、可穿戴、挤奶、饲喂等智能系统或设备代替人工自动提取奶牛的跛行特征，实现跛行奶牛及跛行程度的智能判别。奶牛跛行特征表现为奶牛在站立或行走过程中头背姿态、步态特征、承重分布及行为发生变化，如弓背、头部上下摆动、同侧前后蹄着地位置偏移量增大、四肢中一个或几个步幅变小、行走缓慢、关节僵硬、步态非对称、跛足对侧肢蹄承重压力增大、采食量下降、产奶量下降等。本文参照肢蹄运动评分方法^［10］，梳理总结了奶牛在不同跛行程度下的特征，可作为奶牛跛行自动识别的分类依据，如表1所示。

表 1 跛行自动识别分类依据

Table 1 Assessment criteria of automatic lameness detection system

跛行程度	弓背^①	点头^②	牛蹄跟随性^③	牛蹄侧偏量^④	步幅	行走速度	关节灵活性	非对称步态	负重倾向性	采食量下降/%	产奶量下降/%^[11]
正常	站立平直、行走平直	头部稳定	一致	无	正常	正常	关节灵活，正常行走	对称	四肢均匀承重	0	0
轻度	站立平直、行走弓背	头部下倾	轻微不一致	较小	正常	正常	关节略显僵硬，步态异常	轻微不对称	四肢均匀承重	1	0
中度	站立弓背、行走弓背	头部下倾	不一致	较小	小	缓慢	关节僵硬，步态异常	不对称	跛足对侧肢蹄承重较多,轻微跛足行走	3	5
跛行	站立弓背、行走弓背	轻微摆头	不一致	明显	小	缓慢	关节僵硬，不能正常行走	不对称	跛足对侧肢蹄承重较多，跛足不完全落地	7	15
严重	站立弓背、行走弓背	明显摆头	明显不一致	明显	小	缓慢	关节难弯曲，行动受限	不对称	完全由跛足对侧肢体承重，三肢跳跃前进	16	36

注：①弓背：奶牛站立或行走过程中脊背的弯曲程度；②点头：奶牛行走过程中头部上下摇摆的情况；③牛蹄跟随性：同侧前后蹄着地位置一致性；④牛蹄侧偏量：同侧前后蹄着地位置向外侧或内侧的横向偏移

奶牛跛行自动识别技术的开发流程包括奶牛跛行数据采集、特征参数提取、跛行样本标注、判别算法开发与应用测试等环节^［12］。奶牛跛行自动识别技术根据成熟度由低到高可划分为传感器研发、算法开发、性能验证和决策支持4个阶段。跛行自动识别技术应满足有效、可靠、易操作、早期跛行识别精度高、不干扰奶牛正常活动等需求^［13］。

根据感知技术原理，奶牛跛行自动识别技术可分为机器视觉技术^［14］、压力分布测量技术、可穿戴技术和行为分析技术。奶牛跛行识别系统概念图如图1所示。其中，压力台可以感知奶牛肢蹄的重量分布；利用侧视相机和顶视相机采集奶牛通过测量通道的视频，分析奶牛步态特征；利用电子项圈和电子脚环测量记录奶牛日常活动行为。

显示原图|下载原图ZIP|生成PPT

图1 奶牛跛行识别系统概念图

Fig.1 Structure of automatic lameness detection system

奶牛跛行特征存在复杂多样、动态波动、随时间变化、个体差异大等特点，因此开发跛行自动识别技术需要生物工程、生理学、动物医学诊断、动物行为学、系统工程、通信工程等多领域专家的合作。

3 机器视觉技术

基于机器视觉的奶牛跛行识别是指利用数字相机或深度相机采集奶牛行走侧视或顶视视频，经过前景检测、身体区域图像分割、关键点定位、轨迹跟踪等一系列图像处理，提取脊背弯曲程度^［15-18］、头颈部斜率^［19］、牛蹄跟随性^［20］、行走步长^［21］、步态特征^［22-24］等跛行特征参数，并构建奶牛跛行程度判别模型，最终实现奶牛跛行的自动诊断如图2所示。

显示原图|下载原图ZIP|生成PPT

图2 基于机器视觉的奶牛跛行识别基本流程

Fig.2 Basic process of lameness detection based on machine vision

利用机器视觉技术识别跛行奶牛具有非接触、免应激、低成本、高通量、不干扰奶牛正常活动等优点。根据成像技术特点，机器视觉技术可分为数字成像、三维视觉成像和热成像技术等。从跛行特征识别、分类算法、成像技术、召回率、真负率、准确率、成熟度、样本量等方面，本文总结了基于机器视觉技术的奶牛跛行识别研究情况，如表2所示。下文从数字成像技术、三维视觉技术和热成像技术三个方面分别进行阐述。

表 2 基于机器视觉技术的跛行识别相关研究

Table 2 Researches on lameness detection based on machine vision

文献	年份	跛行特征	分类算法	成像技术	召回率/%	真负率/%	准确率/%	成熟度	样本量
Poursaberi等^[15]	2010	弓背	阈值判别	2D	——	——	96.00	算法开发	184
Viazzi等^[18]	2013	弓背	决策树	2D	91.00	——	91.00	算法开发	8
Viazzi等^[17]	2014	弓背	决策树	3D	82.00	91.00	90.00	算法开发	273
Hertem等^[25]	2014	弓背	多类别逻辑回归、线性回归	3D	47.1~54.9	90.4~94.1	60.2（5分制）81.2（二分类）	性能验证	186
顾静秋等^[16]	2017	弓背、运动量	——	2D、加速度计	——	——	80.00	算法开发	400
Jabbar等^[26]	2017	步态对称性	SVM	3D	100.00	75.00	95.70	性能验证	22
温长吉等^[22]	2018	弓背、步态异常	SVM	2D	——	——	93.30	算法开发	500
Zhao等^[23]	2018	行走速度、步态对称性、步幅等	决策树	2D	90.25	94.74	90.18	算法开发	98
Gardenier等^[27]	2018	牛蹄跟随性、牛蹄侧偏量	——	3D	——	——	——	算法开发	223
宋怀波等^[19]	2018	点头	KNN	2D	——	——	93.89	算法开发	30
康熙等^[20]	2019	牛蹄跟随性	阈值判别	2D	93.30	——	——	算法开发	30
Jiang等^[28]	2019	行走速度	前景像素统计分析	2D	90.00	——	——	算法开发	16

3.1　数字成像技术

数字成像技术是指利用电荷耦合元件（Charge-Coupled Device，CCD）或互补金属氧化物半导体（Complementary Metal Oxide Semiconductor，CMOS）把光学影像转换成数字信号，通过数字相机实现奶牛行走过程的数字化，并利用计算机对数字信号进行处理和判别分析，最终代替人工观察以实现跛行奶牛的自动识别。利用数字成像技术能够低成本地实现奶牛行走视频的连续、实时、客观监测，在奶牛跛行自动识别方面具有广阔的应用前景。在奶牛目标前景检测方面，传统方法大多采用参数化模型，而参数对光环境敏感，在奶牛养殖场开放环境下检测精度不高。宋怀波等^［29］提出了一种无参数的奶牛目标检测算法，该算法在光照环境变化和有干扰的条件下，依然可以实现奶牛的实时、准确检测，极大提高了目标检测算法的鲁棒性。

脊背拟合曲线的曲率能够反应奶牛跛行程度。基于脊背姿态的跛行识别流程为：首先，利用图像增强、图像分割等算法从复杂背景中提取奶牛躯干信息；其次，利用圆或椭圆拟合奶牛脊背曲线，计算脊背曲线的曲率或拟合椭圆的几何特征参数；最后，结合决策树等判断模型，实现奶牛跛行状态的判别^［16,18］。顾静秋等^［16］通过提取奶牛背部轮廓，分析背部弯曲程度，同时融合奶牛计步器监测的活动量数据，实现奶牛蹄病的早期检测，识别准确率超过了80%。奶牛个体差异影响模型的判别精度，与基于奶牛群体数据的判别模型相比，基于奶牛个体数据的判别模型的召回率提高了10%^［18］。针对跛行检测不及时、现有自动跛行识别设备成本高、测量过程易造成奶牛应激等问题，宋怀波等^［19］通过图像处理技术提取奶牛行走过程中，头部、颈部以及背部连接处的拟合直线斜率，并利用K最近邻（K-Nearest Neighbor，KNN）分类算法实现了奶牛正常、轻度、中重度跛行的准确判别，正确率达到了93.89%。

肢蹄病引起的疼痛导致奶牛步伐不稳，包括左右肢蹄不稳或者步伐没有节奏。通过检测奶牛步幅波动以及牛蹄侧偏量可以识别跛行奶牛。利用机器视觉技术对奶牛行走视频进行运动目标提取、牛蹄图像提取、牛蹄着地位置定位以及牛蹄数据匹配等一系列处理，计算得到牛蹄着地位置，通过比对同侧前后牛蹄着地位置的偏差判断奶牛跛行程度。该方法的跛行检测准确率达到了93.3%^［20］。利用YOLOv3深度学习算法能够进一步提高奶牛肢蹄定位精度，准确记录奶牛行走过程中步幅变化，结合长短期记忆网络（Long Short-Term Memory，LSTM）建立跛行判别模型，准确率高达98.57%^［21］。除了步幅特征，通过分析肢蹄运动轨迹还可以提取重力对称、轨迹、弓背、点头、速度、牛蹄侧偏量等步态特征参数，利用决策树模型进行跛行判别，准确率、召回率和真负率分别达到了90.18%、90.25%和94.74%^［22］。为了分析奶牛离地瞬间的步态特征，Pluk等^［24］同步记录了奶牛行走过程中的压力垫响应信号和视频信息，利用压力垫的即时响应信号精准抽取奶牛行走视频中肢蹄着地和离地瞬间的图像帧，计算落地与离地瞬间肢蹄与地面垂线的夹角以及肢蹄活动角度（Range of Motion，ROM）。统计分析显示，奶牛前肢的ROM和离地瞬间的夹角能够有效地反应奶牛跛行程度。

利用双正态分布统计模型分析奶牛行走连续帧中前景和背景像素的变化特征，能够实现非结构环境下奶牛跛行识别，简化了跛行特征提取的复杂度，减轻了天气条件对识别精度的影响，正确率达到了93.75%，大大提高了基于机器视觉技术识别奶牛跛行的应用价值^［28］。为充分利用奶牛行走视频中的时空结构信息，Jiang等^［30］提出了一种结合光流图和单流-长时卷积网络的奶牛跛行识别算法，显著提高了跛行识别精度，平均精度均值（Mean Average Precision，MAP）高达98.24%，实现了端到端的跛行识别。针对利用机器视觉的奶牛跛行算法在线识别性能较差的问题，温长吉等^［22］提出了一种基于共轭梯度追踪算法的稀疏超完备词典学习算法用于跛足拱背和步态异常特征的语义级描述和表示，以及一种融合时空兴趣点与稠密轨迹图二次提取时空兴趣点的视频底层特征提取和表示方法，利用支持向量机（Support Vector Machine，SVM）建立分类模型，在线测试跛行识别精度达到了92.7%，识别评价响应时间为0.043 s，具有较好的在线响应时间。

利用数字成像技术提取奶牛弓背、点头、步态等特征，具有非接触、低成本的优点，但在牧场非结构化的环境下，跛行识别效果容易受到环境光线、复杂背景以及奶牛相互遮挡的影响^［28］。如何克服这些因素对奶牛跛行特征提取的干扰是基于数字成像的跛行识别技术需要解决的难题之一。同时，奶牛个体步态行为模式存在差异，单一的判别模型难以准确识别跛行奶牛^［18］，为进一步提高跛行识别准确率，需要研究基于历史数据的奶牛个体判别模型的构建方法。

3.2　三维视觉技术

三维视觉技术是指利用双目成像、结构光成像、飞行时间（Time of Flight，TOF）成像等方法记录每个像素点在三维空间中对应点到相机镜头的距离，形成目标物的点云数据。三维视觉技术已经应用在奶牛精细养殖的饲喂管理、自动挤奶、体况监测、体重估测等环节^［31］。在奶牛跛行识别方面，通过获取奶牛行走过程中肢蹄^［27］、脊背^［17］、腰角^［26,32］等关键部位的点云数据，可以实现牛蹄着地位置识别，脊背曲线弯曲程度和步态对称性的测量。与数字成像技术相比，三维视觉技术能够提升图像分割与识别准确率而且可以采用隐蔽性更好俯拍的方式实现跛行检测，不需要占用奶牛活动空间，对奶牛日常活动影响较小。

Gardenier等^［27］提出了一种融合TOF相机与更快区域卷积神经网络（Faster R-CNN）目标检测技术的奶牛蹄部及关节的连续定位跟踪算法，实现了奶牛肢蹄运动轨迹的绘制和步态评分参数的非接触式测量。通过计算比较奶牛行走过程中前后蹄落脚点的横向和纵向偏移，综合判断奶牛健康或跛行状况。针对普通相机采集图像分割的准确性易受光照和背景干扰的难题，可以利用深度相机获取奶牛通过测量通道时的深度图像，对奶牛背部轮廓进行三维重建，提取出奶牛弓背的关键指标，并利用决策树对奶牛跛行情况进行判别^［17］。进一步可利用二次多项式对奶牛脊背曲线进行拟合，并用相关系数来表示脊背曲线弯曲程度^［33］。除了利用三维视觉技术提取肢蹄运动轨迹和脊背弯曲特征，Abdul Jabbar^［32］提出了一种基于三维视觉的奶牛步态对称性检测方法，在挤奶厅出口通道上方安装深度相机采集奶牛通过过程中脊背和左右两侧腰角的上下波动范围，对左右两侧腰角的波动信号进行希尔伯特变换，利用相位差判断步态的对称性。该方法的跛行识别召回率为100%，真负率为75%，准确率达到了95.7%。

三维视觉技术较容易受到阳光照射的影响，在户外环境下检测大多只能在傍晚进行，各技术应对光照变化的性能对比如表3所示。为了进一步提高三维视觉技术算法的稳定性和解决奶牛个体步态差异容易导致判别错误的问题，Hertem等^［25］研究了连续测量算法，与基于单次测量数据的分类算法对比，该方法能够提高算法的精度，5分制跛行评分时，模型判别精度达到了60.2%，二分类奶牛跛行评分情况下精度达到了81.2%。但是该方法需要为每一头牛建立一个数据库，不能实现对新样本的在线检测。

表 3 三维视觉技术的性能对比

Table 3 Performance comparision of 3D vision techniques

参数	双目相机	结构光	飞行时间
测距精度	cm	um、cm	mm、cm
计算复杂度	高	中/高	低/中
弱光照性能	弱	好	好
强光照性能	好	弱/中	中
变化光照性能	弱	弱	好
黑暗条件工作	否	能	能
校准复杂度	高	高	低
应用成本	低/中	中/高	中

3.3　热成像技术

热成像技术是一种非接触式的红外测温技术。随着技术成熟和应用成本降低，热成像技术在马^［34］、猪^［35］、牛^［36,37］等家畜肢蹄病的诊断中得到了广泛应用。肢蹄炎症会引起感染部位血流、代谢加快并导致表面皮肤温度升高，利用热成像技术测量肢蹄表面温度分布，可以在跛行症状出现之前发现肢蹄损伤的准确位置并及时进行诊治。热成像相机可用于检测趾间皮炎牛蹄后跟和冠状垫的温度差异，研究结果显示牛蹄后跟部位的温度最大值相对较能反应奶牛趾间皮炎发病情况，可据此对趾间皮炎进行诊断^［38］。

在应用过程中，热成像测量技术容易受到测量距离、风速、太阳辐射、粪污以及动物生理状况的影响^［39］。测量前需要对动物和测量环境进行规范化处理，测量时需要遵循标准的流程。自动测量难以保证结果的准确度，虚警率较高。高精度的热成像设备成本较高，低成本的热成像设备精度又难以满足测量需求，需要在设备成本与准确率之间找到均衡适宜的解决方案。

4 压力分布测量技术

压力分布测量技术是指利用载荷传感器阵列或压敏垫等电子测量器件感知家畜通过压力平台过程中的接触位置、承重压力、接触时间等信息^［40,41］。健康奶牛行走过程中前肢承重较多，约占54%~60%^［42,43]，而奶牛蹄病发生于后蹄的概率较高，后蹄病多发于外侧趾^［2］。疼痛使得跛行奶牛倾向于将体重压力向对侧肢蹄倾斜，产生四肢压力分布不均以及步态不对称的特征。基于载荷传感器的压力分布测量系统能同时测量奶牛四肢的承重压力，可直观反应奶牛跛行状况，实现跛行奶牛及染病肢蹄的识别^［44］，相关研究如表4所示。Maertens等^［45］发明了GAITWISE压力分布测量系统，能够同时记录奶牛行走时横向坐标、纵向坐标、接触时间和承重压力4个维度的信息。通过对连续2个步态周期测量数据的分析计算得到三足支撑时间、牛蹄侧偏量、行走速度等20个步态参数，利用步态参数进行跛行识别的召回率达到了76%，真负率达到了86%。经验证明，GAITWISE系统的步态参数测量结果可重复性高，步幅、牛蹄侧偏量和承重时间等步态参数与跛行相关性高^［48］。

表 4 基于压力分布测量技术的跛行识别研究

Table 4 Researches on lameness detection based on pressure distribution measuring technology

文献	年份	跛行特征	分类算法	召回率/%	特异性/%	成熟度	样本量/个
Maertens等^[45]	2011	牛蹄跟随性、牛蹄侧偏量、步幅、步态对称性、负重倾向性、行走速度	线性判别分析	76~90	86~100	性能验证	174
Pluk等^[24]	2012	关节灵活性	二次判别分析	——	——	传感器研发	75
Nuffel等^[46]	2013	步幅、步态对称性、行走速度、牛蹄跟随性、牛蹄侧偏量	——	——	——	决策支持	8
刘彩霞等^[47]	2015	负重倾向性、步幅、行走速度、	——	——	——	传感器研发	8
Gucht等^[48]	2017	肢蹄落地的触痛程度	——	——	——	算法开发	32

奶牛一个步态周期内的时间特征参数（如牛蹄落地时间、牛蹄完全承重时间、牛蹄离地时间、三条腿支撑时间、两条腿支撑时间等），能够反应牛蹄压痛程度和负重倾向性。研究显示跛足奶牛牛蹄落地和离地时间延长，完全承重时间缩短，行走过程中，三条腿支撑时间延长，两条腿支撑时间缩短^［48］。通过记录奶牛行走过程中的牛蹄着地位置信息可以计算得出前后蹄着地位置的偏移量。但研究显示，采用数字评分法的前后蹄着地位置偏移量的测量一致性不好，步态对称性和负重倾向性可以更有效地反应肢蹄病情况^［49］。若步态对称性的测量灵敏度较高，就可以观察到修蹄后奶牛步态对称性的显著变化^［50］。此外，牛蹄着地声音信号特征^［51］和行走速度^［52］也可以用于跛行的初步筛查。

跛行奶牛通过压力台时，跛行肢蹄的压力峰值、平均压力和站姿时间减少，而对侧肢蹄站姿时间和压力增加，对称性参数变化明显^［53］。刘德环等^［54,55］设计了基于压力测量平台的奶牛早期跛行识别系统，并利用奶牛步态模拟装置对系统进行了测试。杨丽娟等^［56］开展了基于压力分布测量系统的奶牛跛行早期识别技术研究，采用薄膜压力传感器搭建了压力分布测量系统，通过提取压力数据，实现步幅、步速、步宽、步行周期、支撑时间、摆动时间等步态参数值的实时提取。利用地面三维应力测试系统自动识别支撑相，并提取峰值压力、平均压力、传递能量、支撑时间、步长和对称性等6个特征值，为跛行的早期识别提供了判断依据^［46］。压力分布测量系统容易受到多种因素的干扰，例如奶牛站立方式、乳房充盈程度、怀孕母牛体重变化等^［49］。

压力分布测量系统存在应用成本高、工作稳定性差、牧场恶劣环境适应能力不强等问题，目前仍然没有到商业化应用的阶段。在不降低跛行识别精度的情况下，压力垫长度可以缩短到328 cm，分辨率可以降低至原技术产品的1/4，有利于进一步降低压力垫的应用成本^［57］。奶牛在测量通道上停留会影响测量准确性。奶牛品种、泌乳阶段、生产阶段也会影响时间参数的测量，需为每头牛建立单独的判别模型并结合其他技术提高跛行识别精度。

5 可穿戴技术

电子项圈、电子脚环、电子笼头等可穿戴设备^［58］能够感知奶牛躺卧时间、站立时间、起卧次数、步幅、反刍时间等行为特征参数^［59,60］。利用可穿戴设备进行奶牛跛行自动识别的方法主要有两种技术路线。一种是基于奶牛日常行为异常波动的识别方法，通过分析奶牛活动的监测数据得到躺卧、采食、反刍等日常行为状况及各项行为的时间分配，奶牛活动图谱的异常变化能够反应奶牛跛行状态^［61-63］。另一种是基于步态特征的跛行识别方法，利用奶牛腿部佩戴的三轴加速度传感器采集奶牛行走时蹄部运动数据，计算奶牛步幅、步态周期、站立相时长、摆动相时长、加速度峰值等步态参数，分析奶牛个体步态对称性或异常步态特征，实现跛行奶牛的自动识别。基于可穿戴设备的跛行识别研究总结如表5所示。

表 5 基于可穿戴技术的跛行识别的研究

Table 5 Researches on wearable sensors based lameness detection

文献	时间	跛行特征	分类算法	召回率/%	特异性/%	成熟度	样本量/个
Chapinal等^[49]	2009	牛蹄侧偏量、步幅、步态对称性、负重倾向性、行走速度	——	——	——	——	100
Chapinal等^[64]	2011	步态对称性（加速度幅度、方差）	——	——	——	传感器研发	36
Yunta等^[65]	2012	躺卧行为特征	——	——	——	决策支持	1290
Alsaaod等^[66]	2012	躺卧行为特征（总躺卧时长、躺卧次数、每次躺卧时长）	SVM	——	——	算法验证阶段	30
Thorup等^[67]	2015	躺卧时长、站立时长、散步时长、步频、运动指数	PCA	——	——	传感器研发	348
Alsaaod等^[68]	2017	步态周期、站立相、摆动相；离地时刻、承重时刻加速度	阈值判别	100	100	决策支持	17/24
Haladjian等^[69]	2018	负重倾向性、步态对称性、步幅	SVM	62.5~83.3	81.7~97.2	传感器研发	10

跛行奶牛行为特征包括总躺卧时间长、单次躺卧时间长、单次躺卧时长波动大^［70］。基于日常行为异常波动的跛行识别方法，只能在跛行较严重，且影响到奶牛行为模式时才能识别。由于奶牛对跛行疼痛的忍耐力不同，奶牛个体之间行为存在显著差异，甚至大于跛行引起的行为变化，因此统一的阈值判别方法不适用于跛行判别。应基于奶牛个体行为历史数据建立独立的判别模型或阈值，利用奶牛个体的行为偏差程度进行跛行判别^［66］。基于日常行为异常波动建立的模型检测奶牛跛行精度较低，需要结合产奶量及体重等其他信息来进一步提高识别效果，将在下一节行为分析技术中详细介绍。

通过健康奶牛与跛行奶牛的电子脚环监测数据的对比分析，可发现跛行奶牛后肢步态对称性下降^［71］。基于步态参数特征分析的跛行识别方法能够及时发现早期跛行奶牛，应用前景较好。该方法的工作流程如下：首先，利用惯性测量单元（Inertial Measurement Unit，IMU）采集奶牛行走过程中50^［72］、100^［69］、400^［68］等高频惯性测量数据；其次，利用峰值检测^［69］、同步视频分割^［68］、模板匹配、动态时间规整^［72］等算法对连续的步态进行分割；再次，从分割的步态中提取运动学和统计学特征参数，包括奶牛蹄跟离地、蹄尖离地和完全承重等关键时刻的加速度，牛蹄离地上升、步态周期、站立相、摆动相的时长信息，以及均值、方差、偏度、峰度等统计学参数；最后，基于提取的特征参数，利用SVM^［69］、阈值判别^［68］、逻辑回归^［72］等方法构建跛行判别模型，实现跛行诊断。与人工观察相比，利用雾计算实时分析奶牛电子脚环数据能够提前3天发现跛行奶牛^［73］。研究显示，与健康奶牛相比，跛行奶牛步态周期内的时间参数差异不显著，而站立相和摆动相的百分比差异显著，是奶牛早期跛行的重要运动特征。苏力德等^［72］依据前进方向加速度均值的跛行预测模型识别率达到了89.45%。但是，该技术需要较高采样频率，受现有传输技术节点丢包率高、功耗大等因素影响，难以实现实时监测，只能对离线数据进行处理分析，限制了该技术的普及应用。综合考虑应用成本和步态特征提取的数据需求，基于步态参数特征分析的跛行识别系统的奶牛肢蹄运动采样频率应不高于100 Hz^［74］。伴随着物联网、可穿戴技术^［75］、5G（5th Generation Mobile Networks）、边缘计算^［76］、新型储能材料等新一代信息传输、处理及高能量密度微型电池技术的快速发展和新突破，功耗高、数据传输率低、计算性能低等问题有望得到解决，实现基于步态特征的奶牛跛行实时识别。

6 行为分析技术

跛行奶牛活动能力受限，躺卧^［65］、采食^［77］、反刍、运动行为特征以及产奶性能指标会产生波动变化。与健康奶牛相比，跛行奶牛平均躺卧时间和单次躺卧时间延长^［65］；采食量和采食次数减少，采食时间和反刍时间缩短，采食速率加快^［77,78］；站立和行走次数减少，站立时间缩短，步幅变小，行走速度减慢^［79］；产奶量下降^［80］。通过监测记录饲料投喂时奶牛躺卧、采食和运动行为特征能够有效识别跛行奶牛^［67］。利用奶牛个体精准饲喂站、电子项圈^［81］、计步器、挤奶机器人、自动称重平台等智能化设备自动记录采食量、采食次数、采食时长、躺卧时间、躺卧次数、反刍时间、活动量、日产奶量、体重等数据，分析跛行奶牛行为特征，建立奶牛跛行判别模型，可以间接实现奶牛跛行的自动识别，有关研究如表6所示。

表 6 基于行为分析的跛行识别研究

Table 6 Behavior analysis for lameness detection

文献	年份	智能设备	特征变量	分类算法	召回率/%	真负率/%	样本量/个
Hertem等^[80]	2013	电子项圈、奶流量计	日产奶量、颈环监测活动量、反刍时间	逻辑回归模型	89.0	85.0	118
Kamphuis等^[82]	2013	称重平台、挤奶机器人、电子脚环	体重、产奶量	逻辑回归模型	56.8	80.0	292
Mol等^[83]	2013	挤奶机器人、电子脚环、精准饲喂站	精料剩余量、产奶量	动态线性模型	85.5	88.8	100
Grimm等^[84]	2019	挤奶机器人、电子脚环、精准饲喂站	采食时长、采食次数、躺卧时长、躺卧次数、活动量	弹性网络	94.0	81.0	100

Hertem等^［80］等基于产奶量、颈部活动量、反刍时间等牧场现有数据建立跛行识别的逻辑回归模型，召回率、真负率和准确率分别达到了89.0%、85.0%和86.0%。Kamphuis等^［82］利用称重平台、计步器、奶量计产生的数据计算奶牛跛行概率，结果显示利用体重、活动量和挤奶顺序3个变量建立的模型判别效果最好，受试者工作特征曲线下面积（Area Under Receiver Operating Characteristic Curve， AUC）为0.74，但当真负率为80.0%时，召回率最高仅为56.8%。与健康和轻度跛行奶牛相比，跛行奶牛躺卧时间更长，每天多躺卧2个小时，尤其傍晚和夜间行为差异明显^［6］。利用奶牛躺卧时间、躺卧次数等躺卧行为变化特征参数、结合精料剩余量数据和产奶量，构建跛行判别模型，召回率为85.5%，真负率为88.8%^［83］。利用弹性网络建立的基于奶牛采食行为、躺卧行为和产奶性能参数的跛行判别模型，模型判别效果较好（AUC=0.91），召回率和真负率分别为81.0%和94.0%^［84］。采食次数、平均单次采食量和平均单次采食时长3个变量和奶牛跛行关联性最强。基于牧场现有数据，利用决策树等机器学习方法建立牧场跛行严重程度的辅助决策模型^［85］。

总结相关研究发现，对于信息化水平较高的牛场，行为分析技术不需要为牧场增加新的设备投入，仅对牧场现有智能化设备自动生成的数据进行智能分析，就能实现奶牛跛行的自动识别。

7 跛行分类技术

跛行分类技术是跛行自动识别技术实现的重要组成部分。利用机器视觉、压力分布测量系统、可穿戴设备、挤奶设备等智能硬件感知的跛行特征变量经过分类技术处理，最终实现跛行判别。分类技术性能决定了跛行自动识别系统的应用效果。跛行分类技术开发的步骤包括准备输入数据、分析输入数据、训练算法、测试算法和应用算法。其中，训练算法和测试算法是研发跛行分类技术的核心。常见分类算法可以分为概率和非概率两类。概率类的算法包括线性回归^［25］、逻辑回归^{［25,80,82］}、线性判别分析^［67］、二次判别分析^［24］、朴素贝叶斯^［19］等；非概率类的算法包括阈值判别^{［15,20, 66］}、SVM^{［22,32,66,64］}、决策树^{［17,18,23］}、KNN^［19］、动态线性模型^［83］、弹性网络^［84］等。不同分类算法的性能指标参见表4~6。其中，逻辑回归、SVM、阈值判别和决策树算法应用较多，召回率、真负率、准确率等性能指标相对较高。但由于不同的跛行判别研究数据来源、数据类型差异较大，难以评价分类技术的好坏。考虑到跛行引起奶牛异常行为特征的复杂性，阈值判别等线性分类模型难以满足准确分类的需求，应利用SVM、决策树等机器学习方法从特征变量中尽可能抽取更多的分类信息。目前，大部分跛行研究重点在行为特征变量的获取方面，对分类算法性能对比分析较少。研发分类技术要考虑特征变量的数据类型、数据缺失情况、数据异常值、类别不平衡等多种因素。宋怀波等^［19］分别利用SVM、朴素贝叶斯和KNN分类算法对跛行数据进行分类性能测试。在数据清洗前，SVM和朴素贝叶斯算法的分类精度均优于KNN，而在清洗后的数据集上，KNN算法只需要计算样本距离不需要进行模型训练，在训练时间和分类效果上优于朴素贝叶斯和SVM。一般不存在最好的分类技术，需要在大量应用中反复试错，持续迭代优化。因此，跛行分类技术将成为跛行自动识别系统的技术诀窍。

8 面临挑战及发展建议

目前有关奶牛跛行自动识别技术的研究大多集中在传感器研发和算法开发阶段，成熟的商业化产品较少，只有StepMetrix、GAITWISE、Tru-Test等国外产品，且规模应用尚未展开^［13］。基于精准畜牧业的理念开发面向奶牛个体的跛行自动识别技术，需要充分考虑奶牛个体的复杂性、差异性、时变性以及动态性特征。现有技术和产品尚未达到牧场对奶牛跛行识别技术可靠、准确、实用、低成本、易维护的需求。所面临的挑战可概括为以下几个方面。

（1）跛行识别数据获取难度大。奶牛跛行识别数据集的质量直接影响判别模型的质量。高质量跛行识别数据的获取及人工标注需要投入大量的时间与精力。在非结构化环境和动物非约束条件下，获取的大量数据难以满足数据质量要求，同时数据标注的一致性受到人为主观判断的干扰。Hertem等^［25］对511头奶牛连续4天1327次观测结果分析显示，仅有56%的测量数据可以满足重复性和人工评分一致性的要求。此外，数据样本不平衡，一般跛行和严重跛行程度的数据样本偏少影响判别模型的准确性。

（2）缺乏跛行的早期识别技术手段。现有基于跛行特征的识别技术，大多依赖于能够人工观察到的跛行特征，而一旦兽医或技术人员能观察到奶牛跛行，这时候恢复奶牛生产力的可能性已经大大降低。因此，利用可穿戴设备实时采集奶牛生理和行为参数，在视觉或临床跛行特征出现之前发现生理指标或行为模式的异常变化，对实现跛行的早期识别显得尤为重要。

（3）跛行奶牛个体差异影响模型识别准确性。奶牛跛行的识别受到个体情况、泌乳阶段、繁育阶段、乳房充盈度、疼痛忍耐程度等多因素的影响^［86］，步态及行为特征存在较大差异。Alsaaod等^［66］研究显示，与跛行的影响相比，奶牛个体间的差异对活动量和躺卧行为的影响更加显著。由于生命个体的复杂性，利用某一跛行指标的绝对阈值来进行跛行诊断，难以实现跛行个体的准确识别，导致虚警率较高。

（4）牧场应用环境对系统性能要求高。在牧场非结构化的环境下，光照条件、环境气候、肢蹄粪污、饲料粉尘、喷淋高湿、有害气体腐蚀等因素对传感器寿命以及跛行识别一致性的影响较大。Thompson等^［87］研究显示，降雨导致奶牛躺卧时间变短，会对跛行识别结果造成影响，应该将降雨量作为跛行识别的相关变量。此外，牧场适合额外安装跛行识别设备（如压力台通道、视频采集通道等）空间有限，需要技术产品尽可能占用较小的空间或者与牧场现有设施装备集成在一起。

（5）应用效果的体现需要牧场良好的管理基础。跛行识别技术的复杂性导致目前难以准确评估技术应用的经济价值^［88,89］，其应用效果依赖于养殖者对跛行识别系统的信任。跛行自动识别技术通过对奶牛跛行数据的自动采集、处理、分析为养殖者提供有价值的信息，从而采取良好有效的肢蹄病应对措施，体现数据支撑决策的价值。不同牧场对跛行识别信息的需求存在差异。对于信息化程度不高的牧场，跛行识别系统复杂的消息提醒和错误的报警信息反而会增加养殖者的心理负担^［90,91］，应对复杂报警信息会耗费养殖者的精力和对系统的信任度。相比于跛行识别系统较高的召回率或灵敏性，某些养殖管理者更希望系统具有较低的虚警率。

畜禽养殖管理正在向信息化、智能化方向快速发展。利用机器视觉、压力分布测量系统、可穿戴设备等信息技术实现奶牛跛行自动识别对于减轻肢蹄病对牧场造成的经济损失、改善动物福利和提高养殖管理效率具有重要意义。为更好地实现奶牛跛行自动识别技术，本研究提出以下建议。

一是在数据获取方面，建立传感器数据采集标准以及共享收益机制，推动牧场跛行识别数据的分享和交换，提升跛行数据质量和利用率，加快可靠判别模型的研发进度^［92］。二是在模型建立方面，奶牛个体差异影响判别模型的可靠性，为此应研究奶牛个体跛行判别模型的自动建模方法，基于历史数据为每头奶牛构建独立的跛行判别模型，通过检测奶牛的异常偏差识别跛行奶牛，降低虚警率^［69,93］。三是在产品研发方面，针对用户对跛行识别技术产品接受程度不高的问题，利用机器视觉、可穿戴设备、多模态信息融合及先进信号处理技术开发集成跛行识别、体况评分、体重估测、呼吸心率体征测量等多功能的一体化智能检测通道，充分发挥数据的决策支撑作用，并结合分群门等智能装备，实现根据奶牛健康、体况等信息的分群精细管理。最后，在应用效果评价方面，除了经济效益，建议综合分析并发展跛行识别等精准畜牧业技术对动物福利、环境生态、食品安全、粮食安全等的影响^［94,95］，加快技术研发与产品熟化，并出台相关扶持政策，促进物联网、人工智能等新一代信息技术与畜牧业深度融合，助推畜牧业高质量发展。

References

Publishing order | Descend order by publishing year | Descend order by cited within

1	TADICH N, FLOR E, GREEN L. Associations between hoof lesions and locomotion score in 1098 unsound dairy cows[J]. The Veterinary Journal, 2010, 184(1): 60-65.

2	邵军, 林为民, 孙新文, 等. 石河子地区奶牛肢蹄病类型和发病情况调查分析[J]. 中国奶牛, 2017(1): 30-33. SHAO J, LIN W, SUN X, et al. Investigation and analysis of types and incidence of limb and hoof diseases of dairy cows in Shihezi area[J]. China Dairy Cattle, 2017(1): 30-33.

3	ÖHM A. A systematic review and meta-analyses of risk factors associated with lameness in dairy cows[D]. Munich: University of Munich, 2019.

4	李小杉, 杨丰利. 奶牛肢蹄病对繁殖性能的影响[J]. 中国畜牧兽医, 2014(5): 248-251. LI X, YANG F. Effect of lameness on reproductive performance in dairy cows[J]. China Animal Husbandry & Veterinary Medicine, 2014(5): 248-251.

5	BOOTH C J, WARNICK L D, GRÖHN Y T, et al. Effect of lameness on culling in dairy cows[J]. Journal of Dairy Science, 2004, 87(12): 4115-4122.

6	BLACKIE N, AMORY J, BLEACH E, et al. The effect of lameness on lying behaviour of zero grazed Holstein dairy cattle[J]. Applied Animal Behaviour Science, 2011, 134(3): 85-91.

7	HUXLEY J N. Impact of lameness and claw lesions in cows on health and production[J]. Livestock Science, 2013, 156(1): 64-70.

8	CHEN W, WHITE E, HOLDEN N M. The effect of lameness on the environmental performance of milk production by rotational grazing[J]. Journal of Environmental Management, 2016, 172: 143-150.

9	AVAN NUFFEL, ZWERTVAEGHER I, SVAN WEYENBERG, et al. Lameness detection in dairy cows: Part 2. use of sensors to automatically register changes in locomotion or behavior[J]. Animals, 2015, 5(3): 861-885.

10	SPRECHER D J, HOSTETLER D E, KANEENE J B. A lameness scoring system that uses posture and gait to predict dairy cattle reproductive performance [J]. Theriogenology, 1997, 47(6): 1179-1187.

11	HULSEN J. Cow signals checkbook working on health, production and welfare[M]. Zutphen: Roodbont Publisher, 2016.

12	NORTON T, BERCKMANS D. Developing precision livestock farming tools for precision dairy farming[J]. Animal Frontiers, 2017, 7(1): 18-23.

13	ALSAAOD M, FADUL M, STEINER A. Automatic lameness detection in cattle[J]. The Veterinary Journal, 2019, 246: 35-44.

14	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.

15	POURSABERI A, BAHR C, PLUK A, et al. Real-time automatic lameness detection based on back posture extraction in dairy cattle: Shape analysis of cow with image processing techniques[J]. Computers and Electronics in Agriculture, 2010, 74(1): 110-119.

16	顾静秋, 王志海, 高荣华, 等. 基于融合图像与运动量的奶牛行为识别方法[J]. 农业机械学报, 2017, 48(6): 145-151. GU J, WANG Z, GAO R, et al. Recognition method of cow behavior based on combination of image and activities[J]. Transactions of the CSAM, 2017, 48(6): 145-151.

17	VIAZZI S, BAHR C, TVAN HERTEM, et al. Comparison of a three-dimensional and two-dimensional camera system for automated measurement of back posture in dairy cows[J]. Computers and Electronics in Agriculture, 2014, 100: 139-147.

18	VIAZZI S, BAHR C, SCHLAGETER-TELLO A, et al. Analysis of individual classification of lameness using automatic measurement of back posture in dairy cattle[J]. Journal of Dairy Science, 2013, 96(1): 257-266.

19	宋怀波, 姜波, 吴倩, 等. 基于头颈部轮廓拟合直线斜率特征的奶牛跛行检测方法[J]. 农业工程学报, 2018, 34(15): 190-199. SONG H, JIANG B, WU Q, et al. Detection of dairy cow lameness based on fitting line slope feature of head and neck outline[J]. Transactions of the CSAE, 2018, 34(15): 190-199.

20	康熙, 张旭东, 刘刚, 等. 基于机器视觉的跛行奶牛牛蹄定位方法[J]. 农业机械学报, 2019(S1): 276-282. KANG X, ZHANG X, LIU G, et al. Hoof location method of lame dairy cows based on machine vision[J]. Transactions of the CSAM, 2019(S1): 276-282.

21	WU D, WU Q, YIN X, et al. Lameness detection of dairy cows based on the YOLOv3 deep learning algorithm and a relative step size characteristic vector[J]. Biosystems Engineering, 2020, 189: 150-163.

22	温长吉, 张金凤, 李卓识, 等. 改进稀疏超完备词典方法识别奶牛跛足行为[J]. 农业工程学报, 2018(18): 219-227. WEN C, ZHANG J, LI Z, et al. Behavior recognition of lameness in dairy cattle by improved sparse overcomplete dictionary method[J]. Transactions of the CSAE, 2018, 34(18): 219-227.

23	ZHAO K, BEWLEY J M, HE D, et al. Automatic lameness detection in dairy cattle based on leg swing analysis with an image processing technique[J]. Computers and Electronics in Agriculture, 2018, 148: 226-236.

24	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.

25	TVAN HERTEM, VIAZZI S, STEENSELS M, et al. Automatic lameness detection based on consecutive 3D-video recordings[J]. Biosystems Engineering, 2014, 119: 108-116.

26	ABDUL JABBAR K, 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.

27	GARDENIER J, UNDERWOOD J, CLARK C. Object detection for cattle cait tracking[C]// 2018 IEEE International Conference on Robotics and Automation (ICRA). Piscataway New York, USA: IEEE, 2018: 2206-2213.

28	JIANG B, SONG H, HE D. Lameness detection of dairy cows based on a double normal background statistical model[J]. Computers and Electronics in Agriculture, 2019, 158: 140-149.

29	宋怀波, 阴旭强, 吴頔华, 等. 基于自适应无参核密度估计算法的运动奶牛目标检测[J]. 农业机械学报, 2019, 50(5): 196-204. SONG H, YIN X, WU D, et al. Detection of moving cows based on adaptive kernel density estimation algorithm[J]. Transactions of the CSAM, 2019, 50(5): 196-204.

30	JIANG B, YIN X, SONG H. Single-stream long-term optical flow convolution network for action recognition of lameness dairy cow[J]. Computers and Electronics in Agriculture, 2020, 175: ID 105536.

31	O'MAHONY N, CAMPBELL S, CARVALHO A, et al. 3D vision for precision dairy farming[C]// 6th IFAC Conference on Sensing, Control and Automation Technologies for Agriculture. Amsterdam, Netherlands: Elsevier B.V., 2019: 312-317.

32	ABDUL JABBAR K. 3D video based detection of early lameness in dairy cattle[D]. Bristol: University of the West of England, 2017.

33	HANSEN M F, SMITH M L, SMITH L N, et al. Automated monitoring of dairy cow body condition, mobility and weight using a single 3D video capture device[J]. Computers in Industry, 2018, 98: 14-22.

34	YANMAZ L E, ZAFER O, ELIF D J J O A, et al. Instrumentation of thermography and its applications in horses[J]. Journal of Animal and Veterinary Advances,2007, 6(7): 858-862.

35	刘烨虹, 刘修林, 王福杰, 等. 红外热成像技术在畜禽疾病检测中的应用[J]. 中国家禽, 2018, 40(5): 70-72. LIU Y, LIU X, WANG F, et al. Application of infrared thermal imaging technology in the detection of livestock and poultry diseases[J]. China Poultry, 2018, 40(5): 70-72.

36	WILHELM K, WILHELM J, FÜRLL M. Use of thermography to monitor sole haemorrhages and temperature distribution over the claws of dairy cattle[J]. Veterinary Record, 2015, 176(6): 146-153.

37	ALSAAOD M, SCHAEFER A L, BÜSCHER W, et al. The role of infrared thermography as a non-invasive tool for the detection of lameness in cattle[J]. Sensors (Basel, Switzerland), 2015, 15(6): 14513-14525.

38	HARRIS-BRIDGE G, YOUNG L, HANDEL I, et al. The use of infrared thermography for detecting digital dermatitis in dairy cattle: What is the best measure of temperature and foot location to use?[J]. The Veterinary Journal, 2018, 237: 26-33.

39	LOKESH B D S, JEYAKUMAR S, JITENDRA V P, et al. Monitoring foot surface temperature using infrared thermal imaging for assessment of hoof health status in cattle: A review[J]. Journal of Thermal Biology, 2018, 78: 10-21.

40	DALBETH A. Development of an automatic lameness detection system for dairy cattle[D]. Manawatu: Massey University, 2016.

41	MCNEIL B M. The use of an embedded microcomputer-based force plate system for accurate sow lameness identification[D]. Ames: Iowa State University, 2015.

42	AVAN NUFFEL, ZWERTVAEGHER I, PLUYM L, et al. Lameness detection in dairy cows: Part 1. How to distinguish between non-lame and lame cows based on differences in locomotion or behavior[J]. Animals, 2015, 5(3): 838-860.

43	CHAPINAL N, DE PASSILLÉ A M, RUSHEN J. Weight distribution and gait in dairy cattle are affected by milking and late pregnancy[J]. Journal of Dairy Science, 2009, 92(2): 581-588.

44	CHAPINAL N, DE PASSILLÉ A M, RUSHEN J, et al. Automated methods for detecting lameness and measuring analgesia in dairy cattle[J]. Journal of Dairy Science, 2010, 93(5): 2007-2013.

45	MAERTENS W, VANGEYTE J, BAERT J, et al. Development of a real time cow gait tracking and analysing tool to assess lameness using a pressure sensitive walkway: The GAITWISE system[J]. Biosystems Engineering, 2011, 110(1): 29-39.

46	AVAN NUFFEL, VANGEYTE J, MERTENS K C, et al. Exploration of measurement variation of gait variables for early lameness detection in cattle using the GAITWISE[J]. Livestock Science, 2013, 156(1): 88-95.

47	刘彩霞, 张永, 杨丽娟, 等. 基于三维应力对跛行奶牛蹄部参数的提取[J]. 安徽农业科学, 2015,43(36): 14-17. LIU C, ZHANG Y, YANG L, et al. Parameter extraction of lameness cows based on 3-dimensional reaction force[J]. Journal of Anhui Agricultural Sciences, 2015,43(36): 14-17.

48	DE GUCHT TVAN, SAEYS W, SVAN WEYENBERG, et al. Automatically measured variables related to tenderness of hoof placement and weight distribution are valuable indicators for lameness in dairy cows[J]. Applied Animal Behaviour Science, 2017, 189: 13-22.

49	CHAPINAL N, DE PASSILLÉ A M, WEARY D M, et al. Using gait score, walking speed, and lying behavior to detect hoof lesions in dairy cows[J]. Journal of Dairy Science, 2009, 92(9): 4365-4374.

50	THORUP V M, NASCIMENTO O FDO, SKJØTH F, et al. Short communication: Changes in gait symmetry in healthy and lame dairy cows based on 3-dimensional ground reaction force curves following claw trimming[J]. Journal of Dairy Science, 2014, 97(12): 7679-7684.

51	VOLKMANN N, KULIG B, KEMPER N. Using the footfall sound of dairy cows for detecting claw lesions[J]. Animals, 2019, 9(3): ID 78.

52	ZILLNER J C, TÜCKING N, PLATTES S, et al. Using walking speed for lameness detection in lactating dairy cows[J]. Livestock Science, 2018, 218: 119-123.

53	LIU J, DYER R M, NEERCHAL N K, et al. Diversity in the magnitude of hind limb unloading occurs with similar forms of lameness in dairy cows[J]. Journal of Dairy Research, 2011, 78(2): 168-177.

54	刘德环, 张永, 苏力德, 等. 基于MATLAB GUI的奶牛早期跛行识别数据处理系统的设计[J]. 黑龙江畜牧兽医, 2017(23): 10-13, 284. LIU D, ZHANG Y, SU L, et al. Data processing system for early lameness identification of cows based on MATLAB GUI[J]. Heilongjiang Animal Science and Veterinary Medicine, 2017(23): 10-13, 284.

55	杨丽娟, 徐彬腾, 刘德环, 等. 基于SMC控制器的奶牛步态模拟装置的设计[J]. 黑龙江畜牧兽医, 2017(23): 1-5, 281-282. YANG L, XU B, LIU D, et al. Design of cow gait simulator based on SMC controller[J]. Heilongjiang Animal Science and Veterinary Medicine, 2017(23): 1-5, 281-282.

56	杨丽娟, 张永, 刘德环, 等. 基于压力分布测量系统的奶牛跛行早期识别[J]. 农业机械学报, 2016, 47(S1): 426-432. YANG L, ZHANG Y, LIU D, et al. Early recognition for dairy cow lameness based on pressure distribution measurement system[J]. Transactions of the CSAM, 2016, 47(S1): 426-432.

57	DE GUCHT TVAN, SAEYS W, SVAN WEYENBERG, et al. Automatic cow lameness detection with a pressure mat: Effects of mat length and sensor resolution[J]. Computers and Electronics in Agriculture, 2017, 134: 172-180.

58	於少文, 孔繁涛, 张建华, 等. 可穿戴设备技术在奶牛养殖中的应用及发展趋势[J]. 中国农业科技导报, 2016, 18(5): 102-110. YU S, KONG F, ZHANG J, et al. Application and development trend of wearable devices technology in dairy farming[J]. Journal of Agricultural Science and Technology, 2016, 18(5): 102-110.

59	ALSAAOD M, NIEDERHAUSER J J, BEER G, et al. Development and validation of a novel pedometer algorithm to quantify extended characteristics of the locomotor behavior of dairy cows[J]. Journal of Dairy Science, 2015, 98(9): 6236-6242.

60	PENG Y, KONDO N, FUJIURA T, et al. Classification of multiple cattle behavior patterns using a recurrent neural network with long short-term memory and inertial measurement units[J]. Computers and Electronics in Agriculture, 2019, 157: 247-253.

61	ECKELKAMP E A. Invited review: Current state of wearable precision dairy technologies in disease detection[J]. Applied Animal Science, 2019, 35(2): 209-220.

62	王俊, 谭骥, 张海洋, 等. 基于无线传感器网络的奶牛运动行为实时监测系统[J]. 家畜生态学报, 2018, 39(10): 45-52. WANG J, TAN J, ZHANG H, et al. A real-time monitoring system for cow behavior based on wireless sensor network[J]. Journal of Domestic Animal Ecology, 2018, 39(10): 45-52.

63	王俊, 张海洋, 赵凯旋, 等. 基于最优二叉决策树分类模型的奶牛运动行为识别[J]. 农业工程学报, 2018, 34(18): 202-210. WANG J, ZHANG H, ZHAO K, et al. Cow movement behavior classification based on optimal binary decision-tree classification model[J]. Transactions of the CSAE, 2018, 34(18): 202-210.

64	CHAPINAL N, DE PASSILLÉ A M, PASTELL M, et al. Measurement of acceleration while walking as an automated method for gait assessment in dairy cattle[J]. Journal of Dairy Science, 2011, 94(6): 2895-2901.

65	YUNTA C, GUASCH I, BACH A. Short communication: Lying behavior of lactating dairy cows is influenced by lameness especially around feeding time[J]. Journal of Dairy Science, 2012, 95(11): 6546-6549.

66	ALSAAOD M, RÖMER C, KLEINMANNS J, et al. Electronic detection of lameness in dairy cows through measuring pedometric activity and lying behavior[J]. Applied Animal Behaviour Science, 2012, 142(3): 134-141.

67	THORUP V M, MUNKSGAARD L, ROBERT P E, et al. Lameness detection via leg-mounted accelerometers on dairy cows on four commercial farms[J]. Animal, 2015, 9(10): 1704-1712.

68	ALSAAOD M, LUTERNAUER M, HAUSEGGER T, et al. The cow pedogram—Analysis of gait cycle variables allows the detection of lameness and foot pathologies[J]. Journal of Dairy Science, 2017, 100(2): 1417-1426.

69	HALADJIAN J, HAUG J, NÜSKE S, et al. A wearable sensor system for lameness detection in dairy cattle[J]. Multimodal Technologies and Interaction, 2018, 2(2): ID 27.

70	ITO K, M A GVON KEYSERLINGK, LEBLANC S J, et al. Lying behavior as an indicator of lameness in dairy cows[J]. Journal of Dairy Science, 2010, 93(8): 3553-3560.

71	PASTELL M, TIUSANEN J, HAKOJÄRVI M, et al. A wireless accelerometer system with wavelet analysis for assessing lameness in cattle[J]. Biosystems Engineering, 2009, 104(4): 545-551.

72	苏力德, 张永, 王健, 等. 基于改进动态时间规整算法的奶牛步态分割方法[J]. 农业机械学报, 2020,51(7):52-59. SU L, ZHANG Y, WANG J, et al. Segmentation method of dairy cattle gait based on improved dynamic time warping algorithm[J]. Transactions of the CSAE, 2020,51(7): 52-59.

73	TANEJA M, BYABAZAIRE J, JALODIA N, et al. Machine learning based fog computing assisted data-driven approach for early lameness detection in dairy cattle[J]. Computers and Electronics in Agriculture, 2020, 171: ID 105286.

74	O'LEARY N W, BYRNE D T, O'CONNOR A H, et al. Invited review: Cattle lameness detection with accelerometers[J]. Journal of Dairy Science, 2020, 103(5): 3895-3911.

75	SINGH N, SINGH A N. Odysseys of agriculture sensors: Current challenges and forthcoming prospects[J]. Computers and Electronics in Agriculture, 2020, 171: ID 105328.

76	MARCHIORO G F, CORNOU C, KRISTENSEN A R, et al. Sows' activity classification device using acceleration data—A resource constrained approach[J]. Computers and Electronics in Agriculture, 2011, 77(1): 110-117.

77	THORUP V M, NIELSEN B L, ROBERT P E, et al. Lameness affects cow feeding but not rumination behavior as characterized from sensor data[J]. Frontiers in Veterinary Science, 2016, 3: ID 37.

78	NORRING M, HÄGGMAN J, SIMOJOKI H, et al. Short communication: Lameness impairs feeding behavior of dairy cows[J]. Journal of Dairy Science, 2014, 97(7): 4317-4321.

79	BEER G, ALSAAOD M, STARKE A, et al. Use of extended characteristics of locomotion and feeding behavior for automated identification of lame dairy cows[J]. PLoS ONE, 2016, 11(5): ID e0155796.

80	TVAN HERTEM, MALTZ E, ANTLER A, et al. Lameness detection based on multivariate continuous sensing of milk yield, rumination, and neck activity[J]. Journal of Dairy Science, 2013, 96(7): 4286-4298.

81	BARKER Z E, VÁZQUEZ DIOSDADO J A, CODLING E A, et al. Use of novel sensors combining local positioning and acceleration to measure feeding behavior differences associated with lameness in dairy cattle[J]. Journal of Dairy Science, 2018, 101(7): 6310-6321.

82	KAMPHUIS C, FRANK E, BURKE J K, et al. Applying additive logistic regression to data derived from sensors monitoring behavioral and physiological characteristics of dairy cows to detect lameness[J]. Journal of Dairy Science, 2013, 96(11): 7043-7053.

83	DE MOL R M, ANDRÉ G, BLEUMER E J B, et al. Applicability of day-to-day variation in behavior for the automated detection of lameness in dairy cows[J]. Journal of Dairy Science, 2013, 96(6): 3703-3712.

84	GRIMM K, HAIDN B, ERHARD M, et al. New insights into the association between lameness, behavior, and performance in Simmental cows[J]. Journal of Dairy Science, 2019, 102(3): 2453-2468.

85	WARNER D, VASSEUR E, LEFEBVRE D M, et al. A machine learning based decision aid for lameness in dairy herds using farm-based records[J]. Computers and Electronics in Agriculture, 2020, 169: ID 105193.

86	BOELLING D, POLLOTT G E. Locomotion, lameness, hoof and leg traits in cattle I: Phenotypic influences and relationships[J]. Livestock Production Science, 1998, 54(3): 193-203.

87	THOMPSON A J, WEARY D M, BRAN J A, et al. Lameness and lying behavior in grazing dairy cows[J]. Journal of Dairy Science, 2019, 102(7): 6373-6382.

88	NEETHIRAJAN S, TUTEJA S K, HUANG S T, et al. Recent advancement in biosensors technology for animal and livestock health management[J]. Biosensors & Bioelectronics, 2017, 98: 398-407.

89	KANIYAMATTAM K, HERTL J, LHERMIE G, et al. Cost benefit analysis of automatic lameness detection systems in dairy herds: A dynamic programming approach[J]. Preventive Veterinary Medicine, 2020, 178: ID 104993.

90	HOSTIOU N, FAGON J, CHAUVAT S, et al. Impact of precision livestock farming on work and human- animal interactions on dairy farms. A review[J]. Biotechnology Agronomy Society & Environment, 2017, 21(4): 268-275.

91	ECKELKAMP E A, BEWLEY J M. On-farm use of disease alerts generated by precision dairy technology[J]. Journal of Dairy Science, 2020, 103(2): 1566-1582.

92	HALACHMI I, GUARINO M, BEWLEY J, et al. Smart animal agriculture: Application of real-time sensors to improve animal well-being and production[J]. Annual Review of Animal Biosciences, 2019, 7(1): 403-425.

93	PIETTE D, NORTON T, EXADAKTYLOS V, et al. Individualised automated lameness detection in dairy cows and the impact of historical window length on algorithm performance[J]. Animal, 2020, 14(2): 409-417.

94	ROJO-GIMENO C, VOORT MVAN DER, NIEMI J K, et al. Assessment of the value of information of precision livestock farming: A conceptual framework[J]. NJAS—Wageningen Journal of Life Sciences, 2019, 90-91: ID 100311.

95	LOVARELLI D, BACENETTI J, GUARINO M. A review on dairy cattle farming: Is precision livestock farming the compromise for an environmental, economic and social sustainable production?[J]. Journal of Cleaner Production, 2020, 262: ID 121409.

Options

Outlines

模态框（Modal）标题