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2 非接触式奶牛行为监测相关研究
|
Table 2 Researches on non-contact behavior monitoring of dairy cows
|
|
| 方法 | 特征类型 | 分类算法 | 行为类型 | 准确率 | 文 献 | 年份 |
|---|
| 传统视频图像分析 | 呼吸时腹部规律起伏 | 光流法 | 呼吸 | 95.68% | 赵凯旋等［33］ | 2014 | | 爬跨过程包围两头牛的边界框长度 | —— | 爬跨 | 0.33%（假阳性率） | Tsai和Huang［34］ | 2014 | | 蹄肢运动曲线 | K-Means | 跛行 | 91.15% | Zhao和He［35］ | 2014 | | 牛的质心和轮廓 | 基于结构相似度的聚类算法 | 躺卧、站立、 行走、奔跑 | 97. 32% | 何东健等［36］ | 2016 | | 爬跨时两头奶牛最小包围盒之间的相交面积 | —— | 爬跨 | 80.00% | 顾静秋等［37］ | 2017 | | 反刍时嘴部区域质心轨迹 | 均值漂移 | 反刍 | 92.03% | Chen等［38］ | 2017 | | 步态特征 | 基于共轭梯度追踪算法的稀疏超完备词典学习方法 | 跛行 | 92.70% | 温长吉等［39］ | 2018 | | 反刍时嘴部区域质心轨迹 | 核相关滤波 | 反刍 | 误检率7.72%（双目标） | 宋怀波等［40］ | 2018 | | 头颈部轮廓拟合直线斜率 | KNN | 跛行 | 93.89% | 宋怀波等［41］ | 2018 | | 爬跨时几何和光流特征 | SVM | 爬跨 | 90.90% | Guo等［42］ | 2019 | | 呼吸时腹部规律起伏 | Lucas-Kanade稀疏光流法 | 呼吸 | 98.58% | 宋怀波等［43］ | 2019 | | 牛蹄跟随性 | 阈值判别 | 跛行 | 93.30% | 康熙等［44］ | 2019 | | 爬跨过程包围两头牛的最小外接矩形 | KNN | 爬跨 | 99.21% | 谢忠红等［45］ | 2021 | | 基于深度学习的视频图像分析 | —— | CNN① | 爬跨 | 98.25% | 刘忠超和 何东健［46］ | 2019 | | 呼吸时腹部规律起伏 | 融合Deeplab V3+和Lucas-Kanade稀疏光流法 | 呼吸 | 93.04% | Wu等［47］ | 2020 | | —— | 融合卷积神经网络和长短期记忆网络 | 躺卧、站立、行走、饮水、反刍 | 97.60% | Wu等［48］ | 2021 | | —— | 改进YOLOv3 | 爬跨 | 99.15% | 王少华和 何东健［49］ | 2021 | | —— | Rexnet 3D | 躺卧、站立、行走 | 95.00% | Ma等［50］ | 2022 | | —— | 3D卷积网络和卷积长短期记忆网络 | 采食、寻觅、舔舐、行走、站立 | 90.32%（牛犊）86.67%（成年奶牛） | Qiao等［51］ | 2022 | | 背部曲率 | 噪声+双向长短期记忆网络 | 跛行 | 96.61% | Jiang等［52］ | 2022 | | 激光 | 呼吸时腹部规律起伏 | —— | 呼吸 | —— | Pastell等［53］ | 2007 | | 声学 | 哞叫声 | 支持向量数据描述 | 发情 | 94.00% | Chung等［54］ | 2013 | | 热成像 | 呼吸时由呼吸气流引起的鼻部区域像素强度值变化 | —— | 呼吸 | 较人工计数结果相关系数为0.87 | Jorquera-Chavez等［55］ | 2019 |
|
|
|