奶牛运动行为智能监测研究进展与技术趋势
|
|
王政, 宋怀波, 王云飞, 华志新, 李嵘, 许兴时
|
Research Progress and Technology Trend of Intelligent Morning of Dairy Cow Motion Behavior
|
|
WANG Zheng, SONG Huaibo, WANG Yunfei, HUA Zhixin, LI Rong, XU Xingshi
|
|
表1 接触式奶牛行为监测相关研究
|
Table 1 Researches on contact behavior monitoring of dairy cows
|
|
| 传感器类型 | 特征类型 | 分类算法 | 监测行为类型 | 准确率 | 来源 | 年份 |
|---|
| 加速度 | 颈部运动数据 | K-Means | 静止、慢走、快跑、爬跨 | —— | 尹令等［12］ | 2010 | | 加速度，位置 | 蹄部运动数据， 位置坐标 | 多分类 BP-AdaBoost | 采食、躺卧、静止站立、躺下、起身、正常行走、主动行走 | 多数80%以上 | Wang等［13］ | 2018 | | 加速度 | 颈部运动数据 | SVM① | 站立、躺卧、采食、行走 | 90.24% | Hoang等［14］ | 2018 | | 加速度 | 侧腹运动数据 | 随机森林 | 采食、移动（行走或轻微移动）、反刍、休息 | 75.90% | Balasso等［15］ | 2021 | | 加速度，位置 | 颈部运动数据， 位置坐标 | BP神经网络 | 发情 | 95.46% | Wang等［16］ | 2022 | | 加速度 | 下颌运动数据 | KNN② | 采食和反刍 | 采食：92.80% 反刍：93.70% | Shen等［17］ | 2019 | | 加速度 | 颈部运动数据 | —— | 放牧和反刍 | —— | Iqbal等［18］ | 2021 | | 惯性测量单元 | 蹄部运动数据 | SVM | 跛行 | 91.10% | Haladjian等［19］ | 2017 | | 计步器 | 活动量 | —— | 妊娠后期活动量 | —— | 蒋晓新等［20］ | 2014 | | 计步器 | 活动量 | —— | 蹄病 | —— | 蒋晓新等［21］ | 2014 | | 计步器 | 活动量 | SVM | 发情 | 98.90% | 谭益等［22］ | 2018 | | 计步器 | 活动量 | KNN | 跛行 | 87.00% | Taneja等［23］ | 2020 | | 压力 | 呼吸时腹部规律性起伏 | —— | 呼吸 | —— | Eigenberg等［24］ | 2000 | | 压力 | 呼吸时鼻腔与周围环境的压力差 | —— | 呼吸 | 与人工计数具有较高相关性 | Strutzke等［25］ | 2018 | | 压力 | 咀嚼时产生规律的压力变化 | —— | 反刍 | 与人工计数具有较高相关性 | Braun等［26］ | 2013 | | 压力 | 咀嚼时产生规律的压力变化 | —— | 采食和反刍 | 与称重槽测定结果具有较高相关性 | Pahl等［27］ | 2016 | | 压力 | 足底压力分布情况 | —— | 跛行 | —— | 杨丽娟等［28］ | 2016 | | 电阻 | 阴道电阻值 | —— | 发情 | 精度为± 2.00% | 刘忠超和 何东健［29］ | 2019 | | 振动，姿态，温度 | 活动量，静卧时间，体温 | 学习矢量量化 神经网络 | 发情 | 预测准确率70.00%以上 | 田富洋等［30］ | 2013 | | 声音 | 声音识别出下颌运动 | 基于多层感知机的自下而上觅食活动识别器算法 | 采食和反刍 | F1分值均高于0.75 | Chelotti等［31］ | 2020 | | 温度 | 奶牛鼻孔附近环境温度 | —— | 呼吸 | 与人工计数无统计学差异 | Milan等［32］ | 2016 |
|
|
|