1 引 言
2 奶牛生理参数监测
2.1 奶牛体尺监测
表 1 基于计算机视觉技术的奶牛体尺测量相关研究Table 1 Researches on computer vision-based measurement of body size of dairy cows |
文献 | 年份 | 设备类型 | 技术 | 体尺 | 研究结果 | 样本量/个 |
---|---|---|---|---|---|---|
Stajnko等[16] | 2008 | 热成像仪 | 数字图像处理 | 体高、臀高 | 标准差为0.10~0.433 cm | 12 |
Taşdemir等[17] | 2011 | 可见光相机 | 数字图像处理 | 肩高、臀高、臀宽、体长 | 平均精度为97.215% | 115 |
郭浩等[18] | 2014 | 深度相机 | 三维点云处理 | 胸宽、尻宽、前乳头长度等 | 相对误差小于10% | —— |
Marinello等[19] | 2015 | 深度相机 | 三维点云处理 | 臀宽、体长、体高、胸围等 | 手工与算法测量的平均决定系数为0.929 | 20 |
Nir等[20] | 2018 | 深度相机 | 数字图像处理 | 体高、臀高 | 手工与算法测量的平均决定系数为0.969 | 107 |
Pezzuolo等[21] | 2018 | 深度相机 | 三维点云处理 | 臀宽、体长、体高、胸深等 | 相对误差小于6% | 20 |
Le Cozler等[22] | 2019 | 3D扫描仪 | 三维点云处理 | 肩高、臀宽、体宽、坐骨 宽度等 | 手工与3D测量之间平均相关性 为0.75 | 30 |
李琦等[23] | 2020 | 可见光相机 | 三维点云处理 | 体长、体高、体斜长 | 平均相对误差为6.24% | 15 |
初梦苑[24] | 2020 | 深度相机 | 三维点云处理 | 胸围 | 平均相对误差为3.30% | 86 |
Kamchen等[25] | 2021 | RGB-D相机 | 深度学习、数字图像处理 | 臀宽、臀长、臀高、肩高 | 平均相对误差为11.58% | 260 |
2.2 奶牛体温监测
表 2 基于计算机视觉技术的奶牛体温检测相关研究Table 2 Researches on computer vision-based temperature detection of dairy cows |
文献 | 年份 | 相机类型 | 技术 | 研究目标 | 研究结果 | 样本量/个 |
---|---|---|---|---|---|---|
Hoffmann等[36] | 2013 | OPTRIS® PI 160热红外相机 | Kenward-Roger近似检验 | 奶牛身体各部位和外阴温度差异 | 奶牛眼睛与外阴温度差异最小 | 22 |
Salles等[37] | 2016 | FLIR Fluke Ti20TM热像仪 | Pearson相关性分析 | 奶牛身体各部位和直肠温度相关性 | 奶牛前额与直肠温度相关性达到0.9 | 24 |
Peng等[38] | 2019 | VarioCAM®热红外相机 | 单因素方差分析 | 不同温湿度环境下奶牛体表温度和直肠温度变化 | 体表温度比直肠温度对环境变化更敏感 | 488 |
何金成等[39] | 2020 | FLIR E60便携式红外热像仪 | 相关性分析 | 环境温湿度对体表温度检测影响 | 环境温度影响较大;眼温与直肠温相关性最高 | 200 |
何东健等[32] | 2021 | MAG62型热像仪 | 骨架树模型 | 奶牛眼温检测 | 平均绝对误差0.35 ℃、平均相对误差为0.38% | 40 |
Jaddoa等[40] | 2021 | FLIR A310、 T420 热红外相机 | 机器学习与阈值处理 | 奶牛眼温检测 | 平均精度为0.72,敏感性0.98 | 35 |
2.3 奶牛体重监测
表3 基于计算机视觉技术的奶牛体重测量相关研究Table 3 Researches on computer vision-based weight measurement of dairy cows |
文献 | 年份 | 设备类型 | 技术 | 模型参数 | 准确率 | 样本量/个 |
---|---|---|---|---|---|---|
Tasdemir等[46] | 2011 | 可见光相机 | 多元线性回归 | 体尺 | 平均相对误差为1.87% | 16 |
张立倩[47] | 2013 | 可见光相机 | 模糊逼近算法 | 体尺 | 平均相对误差为2.00% | —— |
Song等[48] | 2017 | Kinect v2 | 多元线性回归 | 体尺、年龄、胎次 | 平均相对误差为5.20% | 30 |
牛金玉[49] | 2018 | Kinect v2 | 最小二乘法 | 体尺 | 相对均方根误差为2.87% | 45 |
Le Cozler等[50] | 2019 | Morpho2D | 多元线性回归 | 体尺、体积、表面积 | 平均相对误差为2.72% | 64 |
初梦苑等[51] | 2020 | Kinect v2 | 多元线性回归 | 体积、表面积 | 平均相对误差为2.04% | 86 |
3 奶牛疾病诊断
3.1 奶牛乳房炎检测
表 4 基于计算机视觉技术的奶牛乳房炎检测相关研究Table 4 Researches on computer vision-based mastitis detection of dairy cows |
文献 | 年份 | 相机类型 | 技术 | 乳房炎检测指标 | 研究结果 | 样本量/个 |
---|---|---|---|---|---|---|
郭艳娇等[76] | 2022 | Fotric-625c红外 热像仪 | 线刨法,温度拟合线 | 奶牛乳房温度拟合线 的斜率 | 奶牛左右患病乳房识别准确率 为75% | 189 |
王彦超等[77] | 2021 | FLIR-A615 | 深度学习 | 眼睛乳房温差法 | 奶牛乳房炎分类准确率为77.3% | 22 |
张旭东等[41] | 2019 | FLIR-A615 | 热红外图像处理 | 眼睛乳房温差法 | 对于乳房炎分类准确率为87.5% | 17 |
Zhang等[42] | 2020 | FLIR-A615 | 深度学习 | 眼睛乳房温差法 | 奶牛乳房炎分类准确率为83.33% | 30 |
蔡一欣[65] | 2017 | 5000USB 摄像头 | pH 测试纸图像处理 | —— | 平均相对误差为 3.67%,标准差 为1.88% | 25 |
3.2 奶牛跛行检测
表5 基于计算机视觉技术的奶牛跛行识别相关研究Table 5 Researches on lameness detection of dairy cow based on computer vision |
文献 | 年份 | 相机类型 | 分类算法 | 跛行特征 | 研究结果 | 样本量/个 |
---|---|---|---|---|---|---|
Poursaberi等[92] | 2010 | 可见光 | 阈值判别 | 弓背 | 灵敏度为100%,特异性为97.60%,准确率为94.70% | 184 |
宋怀波等[93] | 2018 | 可见光 | KNN ① | 头颈部轮廓 | 准确率为93.00% | 30 |
Kang等[94] | 2020 | 可见光 | 阈值判别 | 对称性 | 准确率为96.00% | 100 |
Jiang等[95] | 2022 | 可见光 | BiLSTM ② | 弓背 | 准确率为96.61% | 90 |
Kang等[96] | 2022 | 可见光 | DenseNet | 对称性、跟随性 | 灵敏度为98.50%,特异性为99.25%,准确率为98.50% | 456 |
Viazzi等[97] | 2014 | 深度 | 决策树 | 弓背 | 灵敏度为82.00%,特异性为91.00%,准确率为90.00% | 273 |
Jabbar等[98] | 2017 | 深度 | SVM ③ | 对称性 | 灵敏度为100.00%,特异性为75.00%,准确率 为95.70% | 22 |
Alsaaod和Büscher[99] | 2012 | 热红外 | 阈值判别 | 牛蹄温度 | 灵敏度为80.00%,特异性为82.90% | 24 |
Alsaaod等[100] | 2014 | 热红外 | 阈值判别 | 前后牛蹄温度差 | 灵敏度为89.10%,特异性为66.60% | 149 |
康熙等[101] | 2021 | 热红外 | 阈值判别 | 弓背 | 准确率为90.00% | 160 |
③支持向量机(Support Vector Machine, SVM) |